[发明专利]基于深度学习的端对端脑影像数据处理方法及装置

权利要求书

1.一种基于深度学习的端对端脑影像数据处理方法，其特征在于，包括：

获取对照组脑影像数据与待测组脑影像数据；

分别对所述对照组脑影像数据与所述待测组脑影像数据进行特征提取，对应得到待训练特征矩阵与待检测特征矩阵；

构建端对端卷积神经网络分类模型；

利用所述待训练特征矩阵对所述端对端卷积神经网络分类模型进行训练；

利用训练好的端对端卷积神经网络分类模型对所述待检测特征矩阵进行处理，得到检测结果。

2.根据权利要求1所述的基于深度学习的端对端脑影像数据处理方法，其特征在于，所述对照组脑影像数据与所述待测组脑影像数据均为静息态功能磁共振脑影像数据。

3.根据权利要求1所述的基于深度学习的端对端脑影像数据处理方法，其特征在于，分别对所述对照组脑影像数据与所述待测组脑影像数据进行特征提取，对应得到待训练特征矩阵与待检测特征矩阵，包括：

根据皮尔森相关系数计算所述对照组脑影像数据中脑区对之间的功能连接度特征，并将得到的功能连接度特征转换为矩阵形式，得到待训练特征矩阵；

相应的，根据皮尔森相关系数计算所述待测组脑影像数据中脑区对之间的功能连接度特征，并将得到的功能连接度特征转换为矩阵形式，得到待检测特征矩阵。

4.根据权利要求1所述的基于深度学习的端对端脑影像数据处理方法，其特征在于，所述端对端卷积神经网络分类模型依次包括输入层、若干隐层、全连接层、分类层以及输出层；其中，所述分类层包括softmax层、支持向量机以及随机森林。

5.根据权利要求4所述的基于深度学习的端对端脑影像数据处理方法，其特征在于，所述若干隐层包括第一隐层、第二隐层和第三隐层，且述第一隐层为“十”字形结构，所述第二隐层和所述第三隐层均为“一”字形结构。

6.根据权利要求4所述的基于深度学习的端对端脑影像数据处理方法，其特征在于，利用所述待训练特征矩阵对所述端对端卷积神经网络分类模型进行训练，包括：

将当前待训练特征矩阵通过输入层输入到所述端对端卷积神经网络分类模型中进行前向传播，得到模型分类结果；

根据所述模型分类结果计算损失值，并将所述损失值反向传播至输入层，以对所述端对端卷积神经网络分类模型的网络参数进行权值更新，完成当前待训练特征矩阵的训练过程；

采用相同的方法对所有待训练特征矩阵进行处理，从而完成一个epoch训练；

重复上述步骤，直至所有待训练特征矩阵完成一定轮次的epoch训练，以完成端对端卷积神经网络分类模型的训练。

7.根据权利要求4所述的基于深度学习的端对端脑影像数据处理方法，其特征在于，将当前待训练特征矩阵通过输入层输入到所述端对端卷积神经网络分类模型中进行前向传播，得到模型分类结果，包括：

将当前待训练特征矩阵通过输入层输入到所述端对端卷积神经网络分类模型，并经过若干隐层和全连接层的处理，得到输出向量；

将所述输出向量分别输入至所述softmax层、所述支持向量机以及所述随机森林，对应得到卷积softmax分类结果、支持向量机分类结果以及随机森林分类结果；

使用投票法对所述卷积softmax分类结果、支持向量机分类结果和随机森林分类结果进行投票，得到模型分类结果。

8.一种基于深度学习的端对端脑影像数据处理装置，其特征在于，包括：

数据获取模块，用于获取对照组脑影像数据与待测组脑影像数据；

特征提取模块，用于分别对所述对照组脑影像数据与所述待测组脑影像数据进行特征提取，对应得到待训练特征矩阵与待检测特征矩阵；

模型建立模块，用于构建端对端卷积神经网络分类模型；

模型训练模块，用于利用所述待训练特征矩阵对所述端对端卷积神经网络分类模型进行训练；

数据检测模块，用于利用训练好的端对端卷积神经网络分类模型对所述待检测特征矩阵进行处理，得到检测结果。