(19)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 202210223210.1 (22)申请日 2022.03.09 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 白登辉　张婷婷　李凌　 (74)专利代理 机构 电子科技大 学专利中心 51203 专利代理师 陈一鑫 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/08(2006.01) (54)发明名称 一种基于人工神经网络的MRI数据特征提取 和分类识别方法 (57)摘要 本发明公开了一种基于人工神经网络的MRI 数据特征提取和分类识别方法， 属于数据分类领 域。 本发明结合sMRI与rs ‑fMRI同时利用图论的 方式提取、 融合、 选择关键 特征， 并利用人工神经 网络进行分类， 人工神经网络的各层权值通过对 MRI数据进行迭代学习， 以取得最优的MRI数据分 类表现。 可有效提取MRI数据的关键特征， 降低 MRI数据特征空间的维度， 减少模型训练的计算 量， 让模型能够更高效的学习MRI数据之间的差 异， 提高分类表现。 权利要求书3页 说明书6页 附图2页 CN 114693964 A 2022.07.01 CN 114693964 A 1.一种基于人工神经网络的MRI数据特 征提取和分类识别方法， 该 方法包括： 步骤1： 采集被试 数据、 数据预处 理并添加标签； 采集目标的sMRI与rs ‑fMRI数据； sMRI数据的预处理方法包括： 自动Talairach空间变换、 校正图像强度的非均匀性、 去 除非脑组织、 灰度归一化、 脑组织分割、 拓扑修正、 表面变形生 成灰质/白质边界、 灰质/脑 脊 液边界和脑皮层的分片； rs‑fMRI数据的预处理方法包括： 去时间点、 时间层矫正、 头动矫正、 空间标准化、 平滑、 去线性漂移和滤波； 给预处理后的数据添加二分类标签， 标签分为正样本和负样本两种类型， 标签矩阵记 为Y； 步骤2： 对sMRI与rs ‑fMRI数据进行多维特 征提取、 融合与选择； 步骤2.1： 多维特 征提取、 融合具体步骤如下： 步骤2.1.1： 对预处理后的sMRI数据提取多维结构特征： 基于模板将sMRI数据划分为M1 个脑区， 提取每 个脑区的皮层厚度、 皮层体积以及皮层表面积； 步骤2.1.2： 对sMRI数据提取多维节点特征： 构建M1个脑区的皮层厚度网络矩阵： 其中CTk(i)表示第k名目标第i个脑 区的CT值， α为内核宽度参数； 构建的脑网络 采用稀疏度Cost阈值法对 脑网络W进行二值化， 得二值化脑网络 Cost范围8％ ‑44％， 步进为 1％； 提取节 点路径长度、 节点度； 第i个节点的路径长度的计算 公示为： 式中V 表示节点集合的大小， Lij表示从节点i 出发到节点j结束必须要走的最少的边的个数； 第i个 节点的节点度的计算公示 为： Ki＝∑j∈Vbij， 式中bij为二值化网络矩阵中位于i行j列的值； 步骤2.1.3： 对rs ‑fMRI提取多维节点特征： 基于模板将rs ‑MRI数据划分为M2个脑区， 提 取M2个脑区中所有体素中的时间序列平均值作为对应脑区的时间序列； 脑区时间序列均值 作为网络节点， 任意两个脑 区平均时间序列之间的相关系 数定义为两节点的边， 由皮尔逊 相关系数得出； 则 第k个被试节点i与j之间的边计 算公式如下： i,j＝1,2, ...,M2， 式中ti和tj分别为节点i与j的时间序列， 与 分别为节点i与j时间序列 的平均值； 构建的脑网络为： 采用稀疏度(Cost)阈值法对脑网络W进行二 值化， 得二值化脑网络 提取节点路径长度、 节点度、 节点中心度； 其 中第i个节点的节点中心度的计算公示为： 式中Sjm表示从节点j出发 到节点m结束所走的最少边的路径个数， Sjm(i)表示从节点j出发到节点m结束所走的最少边 的路径中经 过i的个数； 步骤2.1.4： 合并步骤2.1.1得到的皮层厚度、 皮层体积和皮层表面积， 步骤2.1.2得到 的节点路径长度和节点度， 步骤2.1.3得到的节点路径长度、 节点度和节点中心度， 最后得 到融合后的特 征矩阵， 记为Z， 用于后续处 理；权　利　要　求　书 1/3 页 2 CN 114693964 A 2步骤2.2： 多维特 征选择具体步骤如下： 步骤2.2.1： 采用基于平稳选择的系数线性回归特征选择方法对融合后的特征矩阵与 标签矩阵{Z,Y}进行 特征选择； 步骤2.2.2： 对各特征的频率进行 从大到小排序； 选取前A个 特征得到{ZA,Y}用于后续处 理； 步骤3： 采用人工神经网络进行分类预测； 步骤3.1： 选取步骤2得到的数据集{ZA,Y}中的前h个特征得到数据集{Zh,Y}， 分为训练 集和测试集， 其中训练集包含N ‑1条数据， 测试集包含1条数据； 对训练集和测试集的数据部 分Zh进行归一化预处理， 映射公式如下： x、 xnorm分别是数据归一 化前后的值， xmin、 xmax分别表示原数据中最小、 最大的值， 对训练集和测试集的标签部分Y进 行独热编码； 步骤3.2： 构建一个人工神经网络 步骤3.3： 将步骤3.1得到的训练集输入步骤3.2构 建的人工神经网络中进行训练； 采用 梯度下降算法对网络进行迭代更新， 梯度下降算法的公式为： 其中 θt表示第t次迭代时神经网络的参 数集合， Ir表示网络学习率， J( θ )表示损失函 数， 网络学习 率控制着每次迭代更新参数 的幅度， 过高或过低的学习率都会降低模型 的训练效果， 本方 法在迭代训练过程中， 对学习率进行衰减， 以此提高网络训练效率， 网络学习率Ir衰减公式 为 迭代训练完成后， 将测试集的数据输入到训练好的人工神经网络 中， 得到输出标签， 根据输出 标签判断分类是否正确； 步骤3.4： 重复步骤3.2和步骤3.3， 直到N条数据中的每条数据都当过测试集， 则总共得 到N个分类结果。 根据N个分类结果统计性能指标:分类准确率、 敏感性、 特异性以及曲线下 面积； 步骤3.5： 重复步骤3.2、 步骤3.3、 步骤3.4， h的取值由1递增到A， 步长为1， 得到A个分类 准确率、 敏感性、 特异性、 曲线下面积指 标集， 记为{PACC,h,PSEN,h,PSPE,h,PAUC,h}； 遍历指标集， 最后选取最优分类表现的h值所对应的指标集， 得到最后分类结果。 2.如权利要求1所述的一种基于人工神经网络的MRI数据特征提取和分类识别方法， 其 特征在于， 在所述步骤1的滤波过程中， 将低 频信号划分为： 0.01 –0.08Hz,0.027 –0.08Hz和 0.01–0.027Hz三个频段。 3.如权利要求1所述的一种基于人工神经网络的MRI数据特征提取和分类识别方法， 其 特征在于， 所述步骤3.2中构建的神经网络， 包括第一输入层Input1， 第一全 连接层Dense1， 第一退出层Dropout1， 第二全连接层Dense2， 第二退 出层Dropout 2， 第一输出层Output1； 其中Input1的神经元个数与每次迭代时的输入数据的特征数h相等， Dense1的神经元 个数为h+10， Dropout1以0.2的概率忽略上一层神经元的激活值从而传递给下一层， Dense2 的神经元个数为10， Dr opout2以0.2的概率忽略上一层神经元的激活值 从而传递给下一层， Output1神经 元个数为与标签 类别相等， 为2； 其中Dense1采用ReLU函数作为激活函数， D ense2采用ReLU函数作为激活函数， Output1权　利　要　求　书 2/3 页 3 CN 114693964 A 3