[发明专利]神经影像分类方法、计算机终端及计算机可读存储介质

说明书

本发明公开了一种神经影像分类方法、计算机终端及计算机可读存储介质，该方法包括：根据神经影像中各脑区之间的连接关系生成该神经影像对应的连接矩阵；根据预定提取规则在连接矩阵中提取预定数量的元素值并形成被试特征向量；将多个被试特征向量作为节点，根据各节点对应的非图像信息之间的相似特性构建特征图；根据特征图对预先建立的分类模型进行初始化，根据被试特征向量对初始化后的分类模型进行训练；根据训练好的分类模型对神经影像进行分类。本发明的技术方案通过各被试特征向量非图像信息之间的相似度构建特征图，并根据该特征图对建立的分类模型进行初始化，有效解决了被试对象个体差异及采集设备对分类结果产生的影响，提高分类性能。

技术领域

本发明涉及医学图像处理技术领域，具体而言，涉及一种神经影像分类方法、计算机终端及计算机可读存储介质。

背景技术

随着医学图像处理技术的飞速发展，针对神经影像进行分类(比如通过神经影响识别阿尔兹海默症AD、轻度认知障碍症MCI等)的需求越来越广泛。

现有一种的对神经影像进行分类的方法为人工分类法，医生通常基于个人行医经验结合神经影像进行人工诊断，不但对医生的技术水平要求比较高，而且耗时费力、效率低下；现有的另一种对神经影像进行分类的方法为基于深度学习(比如卷积神经网络)的分类方法，深度学习为图形分析提供了一种新思路，然而传统的深度学习方法主要对具有规则结构和欧几里得空间的图像进行处理，对于非规则结构及非欧几里得空间的图像并不适用。

发明内容

鉴于上述问题，本发明实施例的目的在于提供一种神经影像分类方法、计算机终端及计算机可读存储介质，以解决现有技术的不足。

根据本发明的一个实施方式，提供一种神经影像分类方法，该方法包括：

根据神经影像中各脑区之间的连接关系生成该神经影像对应的连接矩阵；

根据预定提取规则在所述连接矩阵中提取预定数量的元素值并形成被试特征向量；

将多个被试特征向量作为节点，根据各节点对应的非图像信息之间的相似性构建特征图；

根据所述特征图对预先建立的分类模型进行初始化，并根据所述被试特征向量对初始化后的分类模型进行训练；

根据训练好的分类模型对所述神经影像进行分类。

在上述的神经影像分类方法中，所述连接矩阵包括功能连接矩阵，所述分类模型包括M个依次连接的特征提取模块及全连接层，其中，所述特征提取模块包括依次连接的图卷积层及激活层，M为大于或等于1的整数；

所述“根据训练好的分类模型对所述神经影像进行分类”包括：

将所述神经影像对应的所述功能连接矩阵送入M个依次连接的特征提取模块进行卷积及非线性激活处理后得到该神经影像对应的特征信息；

将所述特征信息送入所述全连接层进行分类处理后得到该神经影像对应的分类。

在上述的神经影像分类方法中，所述连接矩阵还包括结构连接矩阵；

所述“根据预定提取规则在所述连接矩阵中提取预定数量的元素值并形成被试特征向量”包括：

根据所述预定提取规则在所述功能连接矩阵中提取第一预定数量的元素值，并将该第一预定数量的元素值形成功能被试特征向量，及在所述结构连接矩阵中提取第二预定数量的元素值，并将第二预定数量的元素值形成结构被试特征向量。

在上述的神经影像分类方法中，所述“将多个被试特征向量作为节点，根据各节点对应的非图像信息之间的相似性构建特征图”包括：

分别将每一功能被试特征向量作为节点，通过具有连接关系的两节点对应的非图像信息之间的相似性对该两节点之间的边进行编码，根据编码后的边以及相应节点构建功能特征图；