[发明专利]基于功能性磁共振成像构建网络模型的训练方法和装置

说明书

公开了基于fMRI构建网络模型的训练方法和装置、计算机设备以及存储介质。所述基于fMRI构建网络模型的训练方法，包括：对原始的功能磁共振成像(fMRI)图像数据进行采样和预处理；建立卷积神经网络(CNN)模型；创建第一训练数据集，其中第一训练数据集包括预处理后的fMRI图像片段；在第一阶段使用第一训练数据集对CNN模型进行训练并输出分类结果；创建第二训练数据集，其中第二训练数据集是第一训练数据集中损失值最小的fMRI图像片段；在第二阶段使用第二测试数据集对CNN模型进行训练并输出分类结果。

技术领域

本申请涉及医学影像的计算机分析技术领域，尤其涉及一种基于功能性磁共振成像构建网络模型的训练方法和装置，计算机设备以及存储介质。

背景技术

随着现代医学的发展，医学影像在疾病的辅助诊断和治疗上起到了越来越重要的作用。而精神科疾病由于其复杂的发病原理和多变的临床表现，使得神经影像在帮助医生认识和研究患者脑部结构和功能等方面更是有着不可替代的作用。其中，功能性磁共振成像(functionalMagnetic Resonance Imaging，fMRI)作为一种新兴的神经影像学方式，以其高的空间和时间分辨率特点，在临床治疗和医学研究中都有广泛应用。然而，fMRI数据本身易受噪声干扰、数据维度高，这些都导致数据的处理和分析存在较大难度。因此，针对fMRI数据的这些特点，利用最新的人工智能相关技术，将深度学习算法应用于fMRI的分析中，可以挖掘更多有价值的信息。另一方面，分析工具可以简化人工处理和分析数据的过程，以减轻医生和研究者的负担。

近年来，磁共振成像等多模态医学图像已成为神经科学领域的研究热点。由于其高时空分辨率，这些医学图像已广泛应用于多种精神障碍疾病的脑结构和功能研究。在传统的fMRI训练方法中，研究者们一般采用先对原数据进行降维，再使用机器学习算法进行判别分析；或者使用划分脑区、提取感兴趣区域等方法进行功能分析。2004年，Yu-FengZang等人提出了一种基于区域同质性(Regional Homogeneity，ReHo)的新方法，即，使用肯德尔和谐系数(Kendall′s Coeffiicient Concordance，KCC)来度量给定体素的时间序列与邻近体素的时间序列的相似性。2007年，Yu-Feng Zang等使用了低频振幅(0.01-0.08Hz)波动(Amplitude of Low-Frequency Fluctuation，ALFF)作为一项新的衡量fMRI的基线指标。该指标将功率谱的平方根在低频范围内积分，用以检测血氧依赖水平(Blood OxygenLevel Dependent，BOLD)信号中自发波动的区域强度。2008年，Qi-Hong Zou等改进了ALFF指标，提出了相对低频振幅指标(fractional Amplitude of Low-FrequencyFluctuation，fALFF)，即低频功率谱与整个频率范围的功率谱之比。该指标相比ALFF降低了对低频噪声的敏感性，实验结果表明fALFF指标在检测自发性脑活动时提高了灵敏度和特异性。除了以上列举的最为常用的几种fMRI特征外，还有诸如功能连通性(FunctionalConnectivity，FC)、体素镜像等位连通性(Voxel-Mirrored Homotopic Connectivity，VMHC)等。

然而，现有技术虽然能够针对fMRI数据进行判别处理，但这些传统的特征指标都是基于先验知识或特定目的设计的人工特征，虽然可以直接使用特征公式进行计算，实用上很便利，然而这类特征的缺点也很明显。首先，由于fMRI的高维性，即使是精心设计的特征也可能导致有价值信息的缺失；并且使用单一的特征会给分析带来片面性，不同的特征得到的分析结果也不尽一致。一些研究者同时利用多个特征来消除片面性，取得了较好的效果。其次，其固定的特征计算方法通常对噪声、各种扫描装置和参数比较敏感。这些因素会导致每种特征对结果的影响不同，最终导致整体判别效果下降。此外，在特征计算过程中也会耗费大量的时间和计算资源。

发明内容

基于此，针对上述技术问题，本申请提供了一种基于fMRI构建网络模型的训练方法和装置、计算机设备以及存储介质。