【发明授权】一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统_兰州大学_201911356633.5 

申请/专利权人:兰州大学

申请日:2019-12-25

公开(公告)日:2022-08-12

公开(公告)号:CN111127441B

主分类号:G06T7/00

分类号:G06T7/00;G06T7/11;G06V10/77;G06V10/764;G06K9/62;A61B5/16

优先权:

专利状态码:有效-授权

法律状态:2022.08.12#授权;2020.06.02#实质审查的生效;2020.05.08#公开

摘要:本发明提出一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统,将深度学习应用于多模态脑影像的抑郁识别,在多模态脑网络和卷积神经网络CNN之间通过图节点嵌入架起一座桥梁,使CNN可以用于多模态脑影像的抑郁症识别,提高了抑郁识别准确率。本发明的方法包括以下步骤:1获取抑郁患者和正常对照组的静息态fMRI和DTI影像数据;2对获取的fMRI和DTI影像数据进行预处理;3根据预处理后的fMRI和DTI影像数据分别构建脑功能网络和脑结构网络,得到脑网络邻接矩阵;4采用图节点嵌入将邻接矩阵表示为图像,输入到卷积神经网络中进行分类,建立识别抑郁患者和正常被试的分类模型。

主权项:1.一种基于图节点嵌入的多模态脑影像抑郁识别方法,其特征在于,包括以下步骤:1获取抑郁患者和正常对照组的静息态fMRI和DTI影像数据;2对获取的fMRI和DTI影像数据进行预处理;3根据预处理后的fMRI和DTI影像数据分别构建脑功能网络和结构网络,得到脑网络邻接矩阵;4给定图GV,E,图节点嵌入定义为映射:将图中的每一个节点映射到一个低维向量,并且两个节点之间相似度可以表示为图嵌入空间中两个向量之间的欧氏距离;在计算映射函数f时,将随机游走表示为一个随机过程,该过程起源于脑网络中的节点v0,并在节点v0的邻居中随机选择另一个节点作为v1,v2,v3,…,vi;随机游走可以表征脑网络中节点的临近结构,通过一系列的随机游走来说明大脑网络的结构信息,最后学习到的结果是矢量形式的节点表示,通过图节点嵌入,将图中的每一个节点表示为一个d维的向量;用主成分分析方法PCA将节点vi的特征进行降维,将d维向量转化为dPCA维向量;分别将两个模态的前四维向量各计算两个直方图,包括:用所有节点的前两维特征构建矩阵M1;其中,代表节点vi的第一个特征,代表节点vi的第二个特征;然后将和分为r个bin,利用和求出r×r的二维直方图I1,将图转化为图像,图像像素的值定义为落入该bin中的节点数;同样地,利用节点vi的第三个特征和节点vi的第四个特征得出r×r的二维直方图I2;将两个模态的前四维向量各计算的两个直方图组合成为卷积神经网络CNN的4通道输入进行分类;所述卷积神经网络CNN采用基于LeNet的结构,共七层,包括输入层I1,卷积层1C2,卷积层2C3,池化层P4,全连接层1F5,全连接层2F6,输出层F7;建立识别抑郁患者和正常被试的分类模型。

全文数据:

权利要求:

百度查询: 兰州大学 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。