脑功能网络表征模型的训练、脑功能网络定位方法及装置

摘要: 本发明涉及脑影像分析及人工智能,尤其涉及一种脑功能网络表征模型的训练、脑功能网络定位方法及装置。背景技术:1、静息态功能磁共振成像(resting-statef...
脑功能网络表征模型的训练、脑功能网络定位方法及装置

本发明涉及脑影像分析及人工智能,尤其涉及一种脑功能网络表征模型的训练、脑功能网络定位方法及装置。

背景技术:

1、静息态功能磁共振成像(resting-state functional magnetic resonanceimaging,rs-fmri)技术能够反映不同脑区域之间自发神经活动的同步变化关系,是研究脑功能组织模式、识别与行为特征相关的神经环路的重要手段。在脑影像计算领域,如何从高维、复杂的脑影像数据中准确且稳定地识别出与特定表型,如认知评分、行为指标或临床表征等高度相关的脑网络模式,并实现精准定位,是实现个体化脑功能评估的关键技术需求。

2、为了满足上述需求,现有的常用方案是基于连接组预测模型(connectome-basedpredictive modeling,cpm)的方法。该方法通常将个体功能连接矩阵展开为海量连接特征,随后通过统计相关分析在群体样本中筛选与目标表型显著相关的连接边,并建立连接特征集合与表型之间的预测模型,利用模型权重来确定相关网络。另一类方案是个体化功能连接映射方法,该方法主要通过增加单一个体的磁共振扫描数据量来提升估计稳定性,并利用个体自身功能连接模式的自相关性对脑功能边界进行重新划分。

3、然而,基于特征展开的筛选策略直接针对离散的连接变量进行操作,导致脑影像数据中内在的空间拓扑关系在处理流程中被严重剥离,使得识别结果多表现为若干离散的功能连接边,难以形成具有连续空间分布和明确拓扑结构的脑网络。并且,由于现有的特征提取过程主要依赖于单体信号关联或群体水平的简单统计显著性,导致模型对样本间表型分布趋势的感知能力较弱,无法将不同样本间的表型关联规律有效地转化为特征提取过程中的全局约束信息。这不仅降低了识别特征与目标表型之间的特异性关联,也使得在缺乏强一致性约束的情况下,从高维数据中提取出的特征模式极易受到影像噪声的干扰,稳定性较差。

技术实现思路

1、本发明提供一种脑功能网络表征模型的训练、脑功能网络定位方法及装置,用以解决现有技术中现有脑影像特征筛选方法因直接在离散连接变量上操作而破坏空间拓扑连续性,且特征提取仅依赖单体或群体简单统计、缺乏对样本间表型分布趋势的全局约束,导致识别出的特征呈离散边状、难以形成连续拓扑脑网络,同时特征与表型特异性弱、抗噪稳定性差的缺陷。

2、本发明提供一种脑功能网络表征模型的训练方法,包括迭代执行以下步骤,直至满足预设的迭代终止条件得到的:

3、获取多个样本脑功能数据,以及各所述样本脑功能数据的目标表型数据;

4、将各所述样本脑功能数据输入至初始脑功能网络表征模型中,得到所述初始脑功能网络表征模型输出的各脑网络特征表示;

5、基于各所述目标表型数据构建表型关系掩码矩阵,基于所述多个样本脑功能数据中任一样本脑功能数据的所述脑网络特征表示,与所述多个样本脑功能数据中除所述任一样本脑功能数据之外的剩余样本脑功能数据的脑网络特征表示之间的相似度,以及所述表型关系掩码矩阵,确定对比学习损失;

6、基于所述对比学习损失,更新所述初始脑功能网络表征模型的模型参数。

7、根据本发明提供的一种脑功能网络表征模型的训练方法,所述基于所述多个样本脑功能数据中任一样本脑功能数据的所述脑网络特征表示,与所述多个样本脑功能数据中除所述任一样本脑功能数据之外的剩余样本脑功能数据的脑网络特征表示之间的相似度,以及所述表型关系掩码矩阵,确定对比学习损失,包括:

8、基于所述多个样本脑功能数据中任一样本脑功能数据的所述脑网络特征表示,与所述多个样本脑功能数据中除所述任一样本脑功能数据之外的剩余样本脑功能数据的脑网络特征表示之间的特征相似度;

9、基于所述特征相似度以及所述表型关系掩码矩阵中的掩码权重,确定所述对比学习损失。

10、根据本发明提供的一种脑功能网络表征模型的训练方法,所述基于各所述目标表型数据构建表型关系掩码矩阵,包括:

11、基于预设的高表型阈值和低表型阈值,从所述多个样本脑功能数据中分别筛选出高表型组和低表型组;

12、获取所述高表型组中样本的第一协变量数据和所述低表型组中样本的第二协变量数据,并基于所述第一协变量数据和所述第二协变量数据,对所述高表型组和所述低表型组内的样本进行分布匹配与筛选,得到平衡高表型组和平衡低表型组;

13、基于所述平衡高表型组中样本的高表型组归属信息和所述平衡低表型组中样本的低表型组归属信息,构建初始极端表型关系掩码矩阵,并基于所述平衡高表型组和所述平衡低表型组中样本间的表型关系权重对所述初始极端表型关系掩码矩阵进行调节,得到所述表型关系掩码矩阵。

14、根据本发明提供的一种脑功能网络表征模型的训练方法,所述初始脑功能网络表征模型包括空间映射网络和空间加权聚合模块;所述样本脑功能数据包括全脑功能连接数据;

15、所述将各所述样本脑功能数据输入至初始脑功能网络表征模型中,得到所述初始脑功能网络表征模型输出的各脑网络特征表示,包括:

16、将所述全脑功能连接数据中各体素的空间位置坐标输入至所述空间映射网络中进行空间映射,得到所述空间映射网络输出的各所述体素对应的空间重要性权重;

17、将各所述体素对应的空间重要性权重与所述全脑功能连接数据中各所述体素的功能连接强度输入至所述空间加权聚合模块进行加权聚合,得到所述空间加权聚合模块输出的各所述脑网络特征表示。

18、根据本发明提供的一种脑功能网络表征模型的训练方法,所述全脑功能连接数据的获取步骤,包括:

19、获取原始静息态功能磁共振数据,并对所述原始静息态功能磁共振数据依次进行时间层校正、图像对齐和空间配准处理,得到标准空间下的重采样影像数据;

20、对所述重采样影像数据进行噪声参数回归与带通滤波,得到去噪影像数据;

21、提取预设的源脑区内各体素的平均时间序列信号,并基于所述平均时间序列信号与所述去噪影像数据中全脑各体素的时间序列信号之间的相关性,确定相关系数矩阵;

22、基于所述相关系数矩阵,确定所述全脑功能连接数据。

23、本发明还提供一种脑功能网络定位方法,包括:

24、获取待定位个体的目标静息态功能磁共振数据,并基于所述目标静息态功能磁共振数据提取个体全脑功能连接数据;

25、将所述个体全脑功能连接数据输入至脑功能网络表征模型中,得到所述脑功能网络表征模型输出的所述待定位个体的个体脑网络特征表示;

26、基于所述个体脑网络特征表示,以及预设的脑空间体素位置坐标,确定群组级表型特异性脑网络空间权重的个体化映射关系,并基于所述个体化映射关系确定待优化的源脑区候选区域和目标脑区候选区域;

27、基于所述个体全脑功能连接数据,以所述源脑区候选区域为连接起始约束,以所述目标脑区候选区域为连接终止约束,对所述个体脑网络特征表示进行体素连接指纹优化,得到所述待定位个体的个体化表型特异性脑网络;

28、所述脑功能网络表征模型是基于上述脑功能网络表征模型的训练方法执行得到的。

29、根据本发明提供的一种脑功能网络定位方法,所述基于所述个体全脑功能连接数据,以所述源脑区候选区域为连接起始约束,以所述目标脑区候选区域为连接终止约束,对所述个体脑网络特征表示进行体素连接指纹优化,得到所述待定位个体的个体化表型特异性脑网络,包括:

30、基于所述个体全脑功能连接数据中所述源脑区候选区域中各体素与所述目标脑区候选区域各体素之间的功能连接强度,构建所述源脑区候选区域中各体素对应的当前连接指纹;

31、确定所述当前连接指纹与预设的参考连接指纹之间的一致性指标,并基于所述一致性指标,对所述源脑区候选区域内的体素进行筛选,删除所述源脑区候选区域内所述一致性指标低于预设一致性阈值的体素,得到初步筛选区域;

32、剔除所述初步筛选区域中孤立的离群体素,并对保留的体素簇进行空间拓扑平滑处理,得到更新保留区域;

33、基于所述更新保留区域中各体素与所述目标脑区候选区域中各体素之间的功能连接强度,更新所述参考连接指纹,并返回执行所述确定所述当前连接指纹与预设的参考连接指纹之间的一致性指标的步骤,直至满足预设的优化停止条件,将最终的更新保留区域作为所述待定位个体的个体化表型特异性脑网络。

34、根据本发明提供的一种脑功能网络定位方法,所述基于所述个体全脑功能连接数据中所述源脑区候选区域中各体素与所述目标脑区候选区域各体素之间的功能连接强度,构建所述源脑区候选区域中各体素对应的当前连接指纹,包括:

35、将所述源脑区候选区域中任一体素与所述目标脑区候选区域内所有体素之间的功能连接强度进行拼接,得到任一体素对应的向量特征序列;

36、基于所述向量特征序列,确定所述当前连接指纹;

37、所述确定所述当前连接指纹与预设的参考连接指纹之间的一致性指标,包括:

38、确定所述当前连接指纹对应向量特征序列与所述参考连接指纹对应特征序列之间的相关性系数;

39、基于所述相关性系数,确定所述当前连接指纹与所述参考连接指纹之间的一致性指标。

40、根据本发明提供的一种脑功能网络定位方法,所述基于所述个体全脑功能连接数据,以所述源脑区候选区域为连接起始约束,以所述目标脑区候选区域为连接终止约束,对所述个体脑网络特征表示进行体素连接指纹优化,得到所述待定位个体的个体化表型特异性脑网络,之后还包括:

41、从所述个体化表型特异性脑网络中筛选出一致性指标最高的体素位置,作为目标体素位置;

42、将所述目标体素位置确定为个体特异性功能定位点,基于所述个体特异性功能定位点进行靶点位置信息输出。

43、本发明还提供一种脑功能网络表征模型的训练装置,包括如下单元:

44、第一获取单元,用于获取多个样本脑功能数据,以及各所述样本脑功能数据的目标表型数据;

45、第一输入单元,用于将各所述样本脑功能数据输入至初始脑功能网络表征模型中,得到所述初始脑功能网络表征模型输出的各脑网络特征表示;

46、确定单元,用于基于各所述目标表型数据构建表型关系掩码矩阵,基于所述多个样本脑功能数据中任一样本脑功能数据的所述脑网络特征表示,与所述多个样本脑功能数据中除所述任一样本脑功能数据之外的剩余样本脑功能数据的脑网络特征表示之间的相似度,以及所述表型关系掩码矩阵,确定对比学习损失;

47、更新单元,用于基于所述对比学习损失,更新所述初始脑功能网络表征模型的模型参数。

48、本发明还提供一种脑功能网络定位装置,包括如下单元:

49、第二获取单元,用于获取待定位个体的目标静息态功能磁共振数据,并基于所述目标静息态功能磁共振数据提取个体全脑功能连接数据;

50、第二输入单元,用于将所述个体全脑功能连接数据输入至脑功能网络表征模型中,得到所述脑功能网络表征模型输出的所述待定位个体的个体脑网络特征表示;

51、确定区域单元,用于基于所述个体脑网络特征表示,以及预设的脑空间体素位置坐标,确定群组级表型特异性脑网络空间权重的个体化映射关系,并基于所述个体化映射关系确定待优化的源脑区候选区域和目标脑区候选区域;

52、优化单元,用于基于所述个体全脑功能连接数据,以所述源脑区候选区域为连接起始约束,以所述目标脑区候选区域为连接终止约束,对所述个体脑网络特征表示进行体素连接指纹优化,得到所述待定位个体的个体化表型特异性脑网络;

53、所述脑功能网络表征模型是基于上述脑功能网络表征模型的训练方法训练得到的。

54、本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述脑功能网络表征模型的训练方法,或实现任一种所述脑功能网络定位方法。

55、本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述脑功能网络表征模型的训练方法,或实现任一种所述脑功能网络定位方法。

56、本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述脑功能网络表征模型的训练方法,或实现任一种所述脑功能网络定位方法。

57、本发明提供的脑功能网络表征模型的训练、脑功能网络定位方法及装置,通过基于各目标表型数据构建表型关系掩码矩阵,并利用表型关系掩码矩阵作为样本脑功能数据间关系的先验信息对脑网络特征表示之间的相似度进行加权约束以确定对比学习损失,由此将群体样本间蕴含的表型分布趋势有效地转化为特征提取过程中的全局约束信号,从而快速、准确地从高维脑影像数据中提取出具有表型特异性的特征表示。进而基于表型关系掩码矩阵指导下的对比学习优化机制,解决现有脑影像特征筛选方法因直接在离散连接变量上操作而破坏空间拓扑连续性,且特征提取仅依赖单体或群体简单统计、缺乏对样本间表型分布趋势的全局约束的问题,该方法不仅能够保持脑网络空间结构的完整性,还显著提升脑网络特征表示在不同个体间的识别稳定性与表型关联精度,保障脑功能网络精准定位的可靠性。