申请/专利权人：烟台大学

申请日：2024-03-29

公开（公告）日：2024-05-03

公开（公告）号：CN117975041A

主分类号：G06V10/44

分类号：G06V10/44;G06V10/52;G06V10/80;G06V10/26;G06V10/75;G06V10/74;G06V10/82;G06N3/0464;G06N3/045;G06N3/042;G06N3/084;G06N3/048

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.21#实质审查的生效;2024.05.03#公开

摘要：本发明涉及图像数据分析技术领域，具体为基于图卷积神经网络的脑网络特征提取方法、系统和设备；该特征提取方法首先将T1加权成像的灰质体积图进行多维残差特征提取，得到残差特征；然后，将关键脑区对应的影像组学特征与维度特征映射后的残差特征进行融合，得到综合影像组学特征，用于获得增强形态学脑网络；接着，将增强形态学脑网络进行多层图数据特征提取处理后，提取关键脑区对应的数据特征，得到关键节点特征；最后，将表达能力强的全连接处理后的关键节点特征，与保留了脑网络连通性信息的一维拓扑特征向量进行拼接处理，得到关键特征明显，信息丰富的脑网络增强特征向量，用于脑网络分类时，可提高分类结果的准确度。

主权项：1.一种基于图卷积神经网络的脑网络特征提取方法，其特征在于，包括如下操作：S1、将获取的T1加权成像转化为灰质体积图，所述灰质体积图经多维残差特征提取处理，得到残差特征；所述残差特征经维度特征映射处理，得到映射残差特征；所述多维残差提取的操作具体为：将所述灰质体积图依次进行不同维度的残差处理后，进行卷积处理，得到初始特征；所述初始特征经卷积处理和指数激活函数处理，得到第一非线性特征；所述第一非线性特征与初始特征经融合处理，得到所述残差特征；S2、将所述灰质体积图进行脑区划分，得到不同脑区灰质图；不同脑区灰质图分别经分类处理，得到不同脑区灰质图对应的分类结果和分类准确度；将分类结果为目标结果，且分类准确度处于从大到小排序后前第一数量的脑区灰质图对应的脑区，作为关键脑区；S3、将不同脑区灰质图的影像组学特征中，关键脑区对应的影像组学特征，与映射残差特征进行融合，得到综合影像组学特征；获取所述综合影像组学特征中不同脑区间的相关性系数，组成脑区间邻接矩阵；所述脑区间邻接矩阵经组级别稀疏处理，得到增强形态学脑网络；S4、所述增强形态学脑网络经多层图数据特征提取处理，得到增强形态学脑网络特征；所述增强形态学脑网络特征经维度特征映射处理后，提取关键脑区对应的数据特征，得到关键节点特征；所述关键节点特征经全连接处理，得到关键节点特征向量；所述多层图数据特征提取处理的操作具体为：获取所述增强形态学脑网络中不同脑区的特征数据，经矩阵构建处理，得到节点特征矩阵；获取所述增强形态学脑网络中不同脑区之间的连接信息，得到拓扑结构；基于所述拓扑结构、上一层节点特征矩阵和当前层权重，得到当前层节点特征矩阵；输出最终层节点特征矩阵，作为所述增强形态学脑网络特征；S5、所述拓扑结构经池化处理，得到拓扑特征矩阵；获取所述拓扑特征矩阵的上三角数据，经数据铺平处理，得到一维拓扑特征向量；所述一维拓扑特征向量与关键节点特征向量经拼接处理，得到脑网络增强特征向量。

全文数据：

权利要求：

百度查询： 烟台大学 基于图卷积神经网络的脑网络特征提取方法、系统和设备

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