(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111680086.3 (22)申请日 2021.12.3 0 (71)申请人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 黄立勤　叶小芳　潘林　杨明静　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 代理人 丘鸿超　蔡学俊 (51)Int.Cl. G06T 7/00(2017.01) G16H 50/20(2018.01) G16H 10/20(2018.01) G16H 10/60(2018.01) G06V 10/762(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 基于扩散MRI图像的脑网络分析方法 (57)摘要 本发明提出一种基于扩散MRI图像的脑网络 分析方法， 同时采用双任务的模型训练方法， 实 现脑网络的综合性分析。 解决脑网络在非欧空间 进行表示学习的问题。 同时采用双任务的模型训 练方法， 实现临床数据的充分利用， 得到脑网络 的定性和定量分析结果。 其采用可在非欧空间上 感知不规则结构数据特征的图神经网络 （GNNs） 模型对脑网络进行表示学习， 以提高模型对于脑 网络表示的准确度。 此外， 采用双任务的训练策 略调节网络参数， 以增 加分析结果的实用性。 权利要求书2页 说明书5页 附图3页 CN 114299058 A 2022.04.08 CN 114299058 A 1.一种基于扩散 MRI图像的脑网络分析 方法， 其特 征在于， 包括以下步骤： 步骤S1： 从临床数据中提取脑网络特 征； 步骤S2： 对提取的特 征进行描述， 构建大脑网络连接图； 步骤S3： 用GN Ns对构建的图进行表示学习； 步骤S4： 利用学习到脑网络表示进行分类任务和回归 任务的双任务预测。 2.根据权利要求1所述的基于扩散MRI 图像的脑网络分析方法， 其特征在于： 在步骤S1 中， 首先将样本的影像数据和临床分数进行预处理， 对不同的临床分数根据其各自评价总 分进行归一化处理， 组成M*S大小法分数矩阵， 其中， M为样本个数， S为矩阵分数类型个数； 对扩散MRI图像进行扩散张量拟合DTI和纤维束重建处理， 最后结合结构MRI图像进行脑网 络构建， 得到大小为90*90的大脑连接矩阵； 其中矩阵第i行和第j列代表着第i个大脑感兴 趣区域ROI与第j个ROI之间的纤维束连接数， 即这两个脑区在白质纤维束结构上 连接性。 3.根据权利要求2所述的基于扩散MRI 图像的脑网络分析方法， 其特征在于： 在步骤S1 中， 采用PANDA工具包进行MRI图像自动预处理， 事先将数据格式从DCOM转 成NIFT， 放入对应 文件夹； 根据目标任务的需求， 使用不同ROI划分的脑模板， 从而获得合 适的大脑网络信息 。 4.根据权利要求2所述的基于扩散MRI 图像的脑网络分析方法， 其特征在于： 在步骤S2 中， 获取大脑连接矩阵后， 首先对其进 行正则化处理， 将所有 元素的值 都标准化到[0,1]； 根 据经验值对矩阵进行阈值处 理， 小于95％的元 素置零， 减少矩阵构建过程中的噪声影响； 接下来进一步确定特征的相关信息， 即对提取的特征进行描述； 特征向量包括两个部 分内容： 一是在大脑生理机构层次上的ROI间的白质纤维连接矩阵； 二是大脑几何空间下， ROI间的相对位置矩阵； ROI的相对位置矩阵通过以下步骤获得： 1)通过将脑模板配准个体空间的结构MRI上， 将大脑分为90个ROI； 2)计算每个ROI所有体素的坐标作为ROI平均坐标； 3)计算每对ROI平 均坐标之间的欧式距离， 构成空间矩阵； 4)矩阵进行归一 化处理； 将脑网络的特征向量描述完成后， 则开始构建大脑网络连接 图： 设构建的大脑无向图 定义为G＝(V,A,X)， 其中V 是90个ROI节点vi的集合， E是图的邻接矩阵， 表示ROI之间的结构 连接性， 定义如下 所示： 其中， Ni是节点vi在大脑结合空间上距离最近的的前10个邻居 ROI节点集合； X是节点特 征矩阵。 5.根据权利要 求4所述的基于扩散MRI图像的脑网络分析方法， 其特征在于： 使用节点vi 与其他节点vj的连接性做为节点特 征， 节点与自己的连接性设为0 。 6.根据权利要求4所述的基于扩散MRI 图像的脑网络分析方法， 其特征在于： 在步骤S3 中， 采用基于节点聚类的记忆图神经网络进行图表示学习， 通过能够同时进行图表示学习 和节点聚类的记忆层代替邻居节点聚合过程， 其记忆层由多组multi ‑head记忆键k和卷积 运算组成； 记 忆键被视为节点聚类中心， 而卷积运 算用来聚合多组结果。 7.根据权利要求6所述的基于扩散MRI图像的脑网络分析方法， 其特征在于： 所述基于 节点聚类的记 忆图神经网络进行图表示学习具体实现过程 为： 其输入是一个样本的一个大脑结构图； 由图的节点表示构建初始Q矩阵， 初始化的Q0＝σ权　利　要　求　书 1/2 页 2 CN 114299058 A 2( σ(SW0)||X]W1)， 其中σ 是激活函数， S是初始邻接矩阵A， X是初始节点特征矩阵， 而W0和W1是 网络第1， 2的权重矩阵； 接着， 通过无监督 的方式计算节点 的K个聚类中心， 作为记忆键kj， 通过t分布计算各个节点的聚类概率Cij； 通过1*1的卷积层聚合h组聚类结果C， 得到聚合后 的分配矩阵C(L),结合Q矩阵得到值矩阵V(L)＝C(L)TQ(L)； 结合V和W得到更新后的节点表示Q(L +1)＝σ(V(L)W)， 传递到下一层； 对于图分类任务， 通过堆叠记忆层最终获得整个图的向量表 示， 然后用全连接层得到预测的脑网络的群组标签或是不同的临床分数评估。 8.根据权利要求1所述的基于扩散MRI图像的脑网络分析方法， 其特征在于： 还包括步 骤S5： 根据预测结果， 得到不同感受野的显著性分析。权　利　要　求　书 2/2 页 3 CN 114299058 A 3