本申請涉及人工智能，特別是涉及一種基于殘差塊與貝葉斯變分推理的rs-fmri分類方法。

背景技術(shù)：

1、靜息態(tài)功能性核磁共振(resting-state?cerebral?functional?magneticresonance?imaging,rs-fmri)通過測量大腦在靜息狀態(tài)下(即沒有特定任務(wù)或刺激時)的自發(fā)神經(jīng)活動，來反映大腦的功能連接和網(wǎng)絡(luò)特性。在使用fs-fmri數(shù)據(jù)進(jìn)行神經(jīng)精神疾病的辨識分類時，疾病相關(guān)功能連接信息的準(zhǔn)確提煉和復(fù)雜噪聲的處理為正確辨識分類帶來了巨大挑戰(zhàn)。

2、隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)的不斷發(fā)展，越來越多的研究者開始將這些方法應(yīng)用于rs-fmri數(shù)據(jù)的分析中。通過訓(xùn)練分類模型或預(yù)測模型，可以實現(xiàn)對神經(jīng)精神疾病的自動識別和分類。例如基于變分圖自動編碼器的端到端邊緣預(yù)測器對rs-fmri數(shù)據(jù)進(jìn)行辨識并分類，但是由于變分圖自動編碼器模型具有較深的網(wǎng)絡(luò)結(jié)構(gòu)，多個非線性變換，同時生成隱含性的表示，使得模型內(nèi)部的機(jī)制和決策過程變得更加難以解釋，同時，變分圖自動編碼器模型主要依賴于從圖數(shù)據(jù)中學(xué)習(xí)潛在特征，而不是顯式地整合領(lǐng)域知識，這可能導(dǎo)致模型在缺乏領(lǐng)域知識的情況下學(xué)習(xí)到的潛在表示與實際臨床或生物機(jī)制不完全對齊。

3、總的來說，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)在rs-fmri數(shù)據(jù)分析的應(yīng)用中仍存在以下問題：

4、(1)模型提取和學(xué)習(xí)到不相關(guān)腦信息導(dǎo)致預(yù)測結(jié)果不準(zhǔn)確；

5、(2)對于噪聲的學(xué)習(xí)導(dǎo)致了模型的過擬合，從而降低了模型泛化性和魯棒性。

6、因此，相關(guān)技術(shù)中，亟需一種能夠提高模型提取腦信息進(jìn)行辨識分類的準(zhǔn)確性和魯棒性的方式。

技術(shù)實現(xiàn)思路

1、基于此，有必要針對上述技術(shù)問題，提供一種能夠提高模型提取腦信息進(jìn)行辨識分類的準(zhǔn)確性和魯棒性的基于殘差塊與貝葉斯變分推理的rs-fmri分類方法。

2、第一方面，本申請?zhí)峁┝艘环N基于殘差塊與貝葉斯變分推理的rs-fmri分類方法。所述方法包括：

3、獲取rs-fmri數(shù)據(jù)并進(jìn)行預(yù)處理，得到時間信號序列；

4、基于所述時間信號序列計算腦功能連接并構(gòu)造原始腦網(wǎng)絡(luò)；

5、基于所述原始腦網(wǎng)絡(luò)構(gòu)造線圖并進(jìn)行線圖卷積；

6、基于所述卷積后的線圖采用貝葉斯變分后驗進(jìn)行分類，得到rs-fmri分類結(jié)果。

7、可選的，在本申請的一個實施例中，所述基于所述時間信號序列計算腦功能連接并構(gòu)造原始腦網(wǎng)絡(luò)包括：

8、計算所述時間信號序列的皮爾遜相關(guān)系數(shù)，作為腦圖結(jié)構(gòu)的節(jié)點特征矩陣；

9、基于所述時間信號序列確定腦功能連接矩陣，作為腦圖結(jié)構(gòu)的鄰接矩陣。

10、可選的，在本申請的一個實施例中，所述基于所述時間信號序列計算腦功能連接并構(gòu)造原始腦網(wǎng)絡(luò)還包括：

11、對所述原始腦網(wǎng)絡(luò)進(jìn)行稀疏化。

12、可選的，在本申請的一個實施例中，所述基于所述原始腦網(wǎng)絡(luò)構(gòu)造線圖并進(jìn)行線圖卷積包括：

13、基于所述原始腦網(wǎng)絡(luò)確定二值化鄰接矩陣，保留原始邊緣特征以及相鄰節(jié)點特征之和，得到線圖；

14、基于所述線圖進(jìn)行圖卷積，更新主干殘差塊。

15、可選的，在本申請的一個實施例中，所述基于所述卷積后的線圖采用貝葉斯變分后驗進(jìn)行分類包括：

16、采用隨機(jī)變分推理優(yōu)化貝葉斯模型的網(wǎng)絡(luò)參數(shù)；

17、基于最大化邊際似然的證據(jù)下界和交叉熵?fù)p失定義整體損失函數(shù)。

18、第二方面，本申請還提供了基于殘差塊與貝葉斯變分推理的rs-fmri分類裝置。所述裝置包括：

19、數(shù)據(jù)獲取模塊，用于獲取rs-fmri數(shù)據(jù)并進(jìn)行預(yù)處理，得到時間信號序列；

20、原始腦網(wǎng)絡(luò)構(gòu)造模塊，用于基于所述時間信號序列計算腦功能連接并構(gòu)造原始腦網(wǎng)絡(luò)；

21、線圖卷積模塊，用于基于所述原始腦網(wǎng)絡(luò)構(gòu)造線圖并進(jìn)行線圖卷積；

22、貝葉斯變分推理及分類模塊，用于基于所述卷積后的線圖采用貝葉斯變分后驗進(jìn)行分類，得到rs-fmri分類結(jié)果。

23、第三方面，本申請還提供了一種計算機(jī)設(shè)備。所述計算機(jī)設(shè)備包括存儲器和處理器，所述存儲器存儲有計算機(jī)程序，所述處理器執(zhí)行上述各個實施例所述方法的步驟。

24、第四方面，本申請還提供了一種計算機(jī)可讀存儲介質(zhì)。所述計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)上述各個實施例所述方法的步驟。

25、上述基于殘差塊與貝葉斯變分推理的rs-fmri分類方法，首先，獲取rs-fmri數(shù)據(jù)并進(jìn)行預(yù)處理，得到時間信號序列；之后，基于所述時間信號序列計算腦功能連接并構(gòu)造原始腦網(wǎng)絡(luò)；之后，基于所述原始腦網(wǎng)絡(luò)構(gòu)造線圖并進(jìn)行線圖卷積；最后，基于所述卷積后的線圖采用貝葉斯變分后驗進(jìn)行分類，得到rs-fmri分類結(jié)果。通過將腦連接重建模為節(jié)點，突出功能連接的重要性，并將殘差塊與貝葉斯變分推理相結(jié)合，有助于準(zhǔn)確保存和分析大腦網(wǎng)絡(luò)連接，克服了原始噪聲和異常值的問題，提高了模型提取腦信息進(jìn)行辨識分類的準(zhǔn)確性和魯棒性。

技術(shù)特征：

1.一種基于殘差塊與貝葉斯變分推理的rs-fmri分類方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的基于殘差塊與貝葉斯變分推理的rs-fmri分類方法，其特征在于，所述基于所述時間信號序列計算腦功能連接并構(gòu)造原始腦網(wǎng)絡(luò)包括：

3.根據(jù)權(quán)利要求2所述的基于殘差塊與貝葉斯變分推理的rs-fmri分類方法，其特征在于，所述基于所述時間信號序列計算腦功能連接并構(gòu)造原始腦網(wǎng)絡(luò)還包括：

4.根據(jù)權(quán)利要求1所述的基于殘差塊與貝葉斯變分推理的rs-fmri分類方法，其特征在于，所述基于所述原始腦網(wǎng)絡(luò)構(gòu)造線圖并進(jìn)行線圖卷積包括：

5.根據(jù)權(quán)利要求1所述的基于殘差塊與貝葉斯變分推理的rs-fmri分類方法，其特征在于，所述基于所述卷積后的線圖采用貝葉斯變分后驗進(jìn)行分類包括：

6.一種基于殘差塊與貝葉斯變分推理的rs-fmri分類裝置，其特征在于，所述裝置包括：

7.一種計算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計算機(jī)程序時實現(xiàn)權(quán)利要求1至5中任一項所述的方法的步驟。

8.一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，其特征在于，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1至5中任一項所述的方法的步驟。

技術(shù)總結(jié)
本申請涉及一種基于殘差塊與貝葉斯變分推理的rs?fMRI分類方法。所述方法包括：首先，獲取rs?fMRI數(shù)據(jù)并進(jìn)行預(yù)處理，得到時間信號序列；之后，基于所述時間信號序列計算腦功能連接并構(gòu)造原始腦網(wǎng)絡(luò)；之后，基于所述原始腦網(wǎng)絡(luò)構(gòu)造線圖并進(jìn)行線圖卷積；最后，基于所述卷積后的線圖采用貝葉斯變分后驗進(jìn)行分類，得到rs?fMRI分類結(jié)果。通過將腦連接重建模為節(jié)點，突出功能連接的重要性，并將殘差塊與貝葉斯變分推理相結(jié)合，有助于準(zhǔn)確保存和分析大腦網(wǎng)絡(luò)連接，克服了原始噪聲和異常值的問題，提高了模型提取腦信息進(jìn)行辨識分類的準(zhǔn)確性和魯棒性。

技術(shù)研發(fā)人員：顧瑾,查欣貝,滕飛,羅志鵬,李天瑞
受保護(hù)的技術(shù)使用者：西南交通大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9