买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：福州大学

摘要：本发明涉及一种基于静息态功能磁共振图像的脑功能连接网络分析方法，其特征在于，包括以下步骤：步骤S1获取rs‑fMRI图像，并进行预处理；步骤S2:采用三种不同尺度的脑模板对rs‑fMRI图像进行分割，构建三种图G1,G2,G3；步骤S3：根据得到的三种图G1,G2,G3，采用GNN模块来学习图的隐藏特征表示，并得到初步的预测标签L1、L2、L3；投票后获得最终的预测标签；步骤S4:对步骤S3中GNN模块的池化结果进行显著性分析，获取功能网络中差异性显著的大脑区域；步骤S5:将功能网络突出的大脑区域映射至Yeo7脑功能网络图谱，获取映射后的功能网络连接，即个体差异性功能子网络。本发明利用三种不同尺度的脑模板构造脑网络，并采用集成学习策略，充分融合自多个脑模板的多尺度信息，提高模型性能。

主权项：1.一种基于静息态功能磁共振图像的脑功能连接网络分析方法，其特征在于，包括以下步骤：步骤S1获取rs-fMRI图像，并进行预处理；步骤S2:采用三种不同尺度的脑模板对rs-fMRI图像进行分割，构建三种图G1,G2,G3；步骤S3：根据得到的三种图G1,G2,G3，采用GNN模块来学习图的隐藏特征表示，并得到初步的预测标签L1、L2、L3；步骤S4：采用多数投票策略，将3个初步预测标签L1、L2、L3结合在一起，得到最终的预测标签；步骤S5:对步骤S3中GNN模块的池化结果进行显著性分析，获取与S3中预测结果相关性最高的功能差异显著性大脑区域；步骤S6:将S5中功能差异显著性大脑区域映射至Yeo7脑功能网络图谱，获取映射后的功能网络连接，即构建了个体差异性功能子网络图谱；所述步骤S2具体为：步骤S21:采用三种不同尺度的模板对所有rs-fMRI图像进行分割，即AAL，有116个脑区；Craddock200，有200个脑区；Brainnetome，有273个脑区；步骤S22:提取每个脑区中所有体素的时间序列，利用脑区之间平均时间序列的皮尔逊相关系数构建功能连接矩阵；步骤S23:每个rs-fMRI被表示为一个无向加权图其中V是由N个ROI定义的顶点集合，E是由FC矩阵定义的边集合，T是脑模板的数量；步骤S24:构建一个K近邻图,让X＝{X1,X2,…,XN},代表节点特征矩阵，其中N是节点特征的维度；节点特征是该节点与其他节点之间的皮尔逊系数；步骤S25:对于第l层，有一个图有nl的节点；步骤S26:将邻接矩阵和隐藏特征嵌入分别表示为特别地，在第一层,F1＝X；所述GNN模块包括图卷积、图池化以及图读出，具体为：图卷积操作：第l个图卷积层的输入是邻接矩阵Al和隐藏特征嵌入Fl，图卷积后的更新的隐藏特征嵌入表示为 其中，是具有自连接的邻接矩阵，IN是单位矩阵； 是一个对角矩阵，用于归一化邻接矩阵； 是一个特定层的可训练权重矩阵，ρ·是激活函数；图池化操作采用一种带有结构学习的多层次图池化操作：计算节点得分，节点得分s是节点隐藏特征嵌入和其邻居构建的隐藏特征嵌入之间的曼哈顿距离：s＝MHFl-Fl'＝||Fl-Fl′||1其中Fl'＝Dl-1AlFl是由相应邻居构建的隐藏特征嵌入；||·||1是一个逐行求范数的操作；对节点得分进行排序，保留节点得分多于预设值的节点，删除节点得分少于预设值的节点；在池化操作之后，利用结构学习机制来获得更精细的子图；图读出操作：图读出函数可以将节点隐藏特征嵌入转换成图级表征： 其中，||表示向量拼接操作，max表示全局平均池化；最终的图级表征是不同层图级表征的总和gt被送入具有softmax的MLP分类器，以给出初步预测标签L；并通过最小化交叉熵损失函数来训练分类器，得到三个分类器。

全文数据：

权利要求：

百度查询： 福州大学 基于静息态功能磁共振图像的脑功能连接网络分析方法