申请/专利权人：中国科学技术大学

申请日：2024-01-26

公开（公告）日：2024-04-09

公开（公告）号：CN117851843A

主分类号：G06F18/23

分类号：G06F18/23;G06F18/213;G06N3/0464;G06N3/08;A61B5/055

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明公开了一种基于深度聚类网络的纹状体分区功能表征方法，其步骤包括：1.将功能磁共振信号进行预处理，计算纹状体与大脑皮层区域的相关性作为连接矩阵；2.利用本方法提出的框架训练数据，计算出每个体素所属子区；3.将子区中心重建回原始区域，根据其与已知功能网络的重叠程度来对子区进行功能表征。本发明充分利用非线性特征，将降维与聚类进行联合，并考虑空间约束来保证子区的空间连续性，可用于个体或者人群的纹状体子区划分，从而能促进对纹状体功能区域表征的认识潜力。

主权项：1.一种基于深度聚类网络的纹状体分区功能表征方法，其特征在于，是按如下步骤进行：步骤1：采集任一受试者大脑上各个区域的静息态功能磁共振信号并进行平均处理后，得到全脑各区域的平均磁共振信号Y＝{Yj|j＝1，2，...，J}，Yj表示受试者全脑第j个区域的平均磁共振信号；从所述静息态功能磁共振信号Y中提取纹状体区域信号P＝{Pj|j＝1，2，...，J}，Pj表示受试者第j个纹状体区域的磁共振信号；利用皮尔逊系数计算第j个纹状体区域的磁共振信号Pj与全脑第j个区域的平均磁共振信号Yj之间的相关性，得到第j个功能连接矩阵其中，为Xj的第i列元素，表征第j个区域第i个体素的功能连接值，N为纹状体区域中体素的数量；步骤2：利用深度聚类网络对样本数据进行联合降维与聚类；步骤2.1：基于Xj对自编码器进行预训练，得到预训练后的自编码器；步骤2.2：将Xj输入预训练后的自编码器中，并得到第j个最优低维特征矩阵Z′j；在体素数量维度上对Z′j进行kmeans聚类，得到第j个区域的n个分区；根据n个分区生成第j个区域的分区标签Sj，若第i个体素属于第k个分区，则令Sj中第i行第k列的元素否则，令将第j个区域的n个分区的聚类中心矩阵记为其中，表示第j个区域的第k个分区中的聚类中心；步骤2.3：利用式2计算第i个体素和第i′个体素之间受试者无关的邻接距离dv1，vi′： 式2中，v1为第i个体素的空间坐标，vi′为第i′个体素的空间坐标，dist表示欧氏距离；Δ为阈值；步骤2.4：将各个体素作为顶点，将各个体素之间的邻接距离作为边，从而构建与受试者无关的加权无向图G；利用最小距离算法计算加权无向图G内任意第i个顶点和第i′个顶点之间与受试者无关的流形距离Di，i′；步骤2.5：利用式3计算第j个区域的第k个分区的空间中心 式3中，表示第j个区域的第k个分区内的体素集合；步骤2.6：构建算深度聚类网络在第j个区域的总损失Lj，并根据所述总损失Lj对深度聚类网络的网络参数进行反向调节，得到调节后的网络参数；步骤2.7：保持调节后的网络参数，并更新第j个区域的聚类中心矩阵Mj和分区标签Sj：步骤2.8：按照步骤2.6步骤2.7的过程，将J个功能连接矩阵X1，X2，...，XJ依次输入网络进行训练直至总损失L收敛为止，从而得到最优纹状体分区模型，用于对待测的功能连接矩阵进行处理，得到最优分区标签；步骤3：利用所述最优纹状体分区模型中的解码器对所述最优纹状体分区模型对应的最优聚类中心矩阵进行重建，得到重构聚类中心矩阵其中，表示第k个分区的重构聚类中心；设置第k个分区的阈值θk，并将中大于θk的一部分值所对应的位置与已知皮质网络的空间重叠程度来确定纹状体对应子区的功能。

全文数据：

权利要求：

百度查询： 中国科学技术大学 一种基于深度聚类网络的纹状体分区功能表征方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD