[发明专利]脑部图像的分类方法、装置、电子设备及存储介质

权利要求书

1.一种脑部图像的分类方法，其特征在于，包括：

获取目标对象的脑部区域的目标静息态功能影像信息，其中，所述目标静息态功能影像信息基于静息态功能磁共振成像技术得到；

对所述目标静息态功能影像信息进行处理，得到所述目标对象的目标脑网络图谱，其中，所述目标脑网络图谱包括所述目标对象在至少两个预设时间点下的目标脑功能连接图像；

将所述目标脑网络图谱对应的各张目标脑功能连接图像输入至预先训练完成的脑部图谱分类模型中，得到所述目标对象属于各个预设类别的预测概率，其中，所述脑部图谱分类模型基于样本脑网络图谱以及与所述样本目标脑网络图谱对应的分类标签训练得到。

2.根据权利要求1所述的方法，其特征在于，所述对所述目标静息态功能影像信息进行处理，得到所述目标对象的目标脑网络图谱，包括：

根据所述目标静息态功能影像信息确定所述目标对象的各个脑区的数据采集时间序列；

分别计算每两个脑区的数据采集时间序列的皮尔逊相关系数，并对所述皮尔逊相关系数进行Fisher Z变换，根据变换后的皮尔逊相关系数确定目标脑功能连接图像；

根据所述目标对象在至少两个预设时间点下的目标脑功能连接图像构建目标脑网络图谱。

3.根据权利要求1所述的方法，其特征在于，还包括：

获取多个数据来源的样本脑网络图谱，分别针对每个数据来源构建子分类网络进行图像分类训练，以确定与每个数据来源对应的子分类网络的网络损失；

根据各个数据来源对应的网络损失确定脑部图谱分类模型的模型损失，以根据所述模型损失调整所述脑部图谱分类模型的模型参数。

4.根据权利要求1所述的方法，其特征在于，所述脑部图谱分类模型包括全局特征提取网络和与所述全局特征提取网络对应的时间点特征分类网络，所述全局特征提取网络基于卷积神经网络构建，所述时间点特征分类网络基于所述循环神经网络构建。

5.根据权利要求2所述的方法，其特征在于，所述全局特征提取网络包括串行连接的至少两个卷积子网络，每个所述卷积子网络包括稠密连接模块和过渡模块，每两个所述稠密连接模块之间通过所述过渡模块连接。

6.根据权利要求3所述的方法，其特征在于，所述稠密连接模块结构包含至少两个卷积单元，每个卷积单元包含至少两个卷积核为1x1x1和3x3x3的卷积层；所述过渡模块包括两个卷积核为1x1的卷积层。

7.根据权利要求2所述的方法，其特征在于，所述时间点特征分类网络包括双向门控循环单元、与所述双向门控循环单元串联的全连接层以及与所述全连接层串联的Softmax层，所述双向门控循环单元包括前向特征提取子单元和后向特征提取子单元。

8.一种脑部图像的分类装置，其特征在于，包括：

影像信息获取模块，用于获取目标对象的脑部区域的目标静息态功能影像信息，其中，所述目标静息态功能影像信息基于静息态功能磁共振成像技术得到；

影像信息处理模块，用于对所述目标静息态功能影像信息进行处理，得到所述目标对象的目标脑网络图谱，其中，所述目标脑网络图谱包括所述目标对象在至少两个预设时间点下的目标脑功能连接图像；

图像输入模块，用于将所述目标脑网络图谱对应的各张目标脑功能连接图像输入至预先训练完成的脑部图谱分类模型中，得到所述目标对象属于各个预设类别的预测概率，其中，所述脑部图谱分类模型基于样本脑网络图谱以及与所述样本目标脑网络图谱对应的分类标签训练得到。

9.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的脑部图像的分类方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的脑部图像的分类方法。