[发明专利]基于卷积神经网络的任务fMRI大脑解码和可视化方法

说明书

本发明公开了基于卷积神经网络的任务fMRI大脑解码方法，具体按照以下步骤实施：步骤1、获取fMRI的原始数据集；步骤2、对原始数据集进行数据预处理得到数据更新集；步骤3、将数据更新集标准化获得标准数据集；步骤4、将标准数据集输入卷积神经网络，输出解码概率向量Y和解码结果argmaxsubgt;i/subgt;{ysubgt;i/subgt;|Y}；本发明还公开了基于卷积神经网络的任务fMRI大脑可视化方法，将解码概率向量Y输入可视化模块，输出可视化结果；解决传统方法中体素的相关性无法被考虑，且无法对过程及结果进行可视化分析的问题。本发明利用三维卷积神经网络将输入的fMRI数据进行解码，并将概率分布向量对卷积层求偏导，使得解码结果可视化，以方便研究人员分析结果。

技术领域

本发明属于功能性磁共振成像技术领域，具体涉及基于卷积神经网络的任务fMRI大脑解码方法，还涉及基于卷积神经网络的任务fMRI大脑可视化方法。

背景技术

人脑包含平均约860.6亿个神经元，这些神经元通过约150万亿个突触连接，构成了一个极其复杂但高效的网络。它由许多不同功能的部分组成，彼此之间共享信息。对大脑激活区域的研究，有利于构建人类脑功能图谱，加深人类对大脑工作原理的理解。

功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)拥有无创性和相当高的时间和空间分辨率等优点，为脑科学研究提供了有利条件。其通过测量局部血氧水平依赖(BOLD)的变化，获得脑区的功能成像图。

在大脑激活区域定位领域，传统方法通常在每一个体素上使用假设驱动的统计学方法进行分析，例如利用t检验判断该体素是否和某个任务在显著性水平上是显著相关的。这种方法的不足在于对数据中每个体素进行单独分析，没有考虑相邻体素或其他可能相关的体素的相关性，因此导致解码精度不佳等问题。此外，传统方法采用统计学等方法，无法对大脑解码分析的实际运行过程进行可视化分析及研究。

发明内容

本发明的第一个目的是提供一种基于卷积神经网络的任务fMRI大脑解码方法，解码的灵敏度更高，稳定性更好。

本发明的第二个目的是提供基于卷积神经网络的任务fMRI大脑可视化方法。

本发明采用的第一种技术方案是，基于卷积神经网络的任务fMRI大脑解码方法，具体按照以下步骤实施：

步骤1、获取fMRI的原始数据集；

步骤2、对原始数据集进行数据预处理得到数据更新集；

步骤3、将数据更新集标准化获得标准数据集；

步骤4、将标准数据集输入卷积神经网络，输出解码概率向量Y和解码结果argmax_i{y_i|Y}。

本发明的特点还在于：

步骤2具体过程为：

步骤2.1、对原始数据集中的所有大脑切片进行时间矫正；

步骤2.2、对步骤2.1获得的数据集进行配准和分割；

步骤2.3、对大脑进行标准空间模版转换在同一坐标系下，得到数据更新集。

步骤3具体过程为：将数据更新集作为一个三维矩阵，通过以下数据进行标准化，得到标准数据集；

其中，X表示矩阵，x_k表示矩阵中第k个值，min(X)是指整个X矩阵里的最小值，max(M)是指整个M矩阵里的最大值。

步骤4具体过程为：

步骤4.1、标准数据集输入神经网络，得到输入层数据三维矩阵为X，大小为标准脑空间的矩阵大小；