脑网络模型建立方法、脑图像分类方法、装置及电子设备与流程

本发明涉及脑图像分类技术领域，尤其是涉及一种脑网络模型建立方法、脑图像分类方法、装置及电子设备。

背景技术：

现有技术中，为了对脑网络图像中的特征信息进行分类，通常采用对脑网络的影像建立模型的方法，然后通过提取模型中的特征信息进行分类。但是，发明人经研究发现，现有的模型建立方法所采用的模型形式单一，所包含的特征信息种类少，造成脑网络模型质量较差，进而会降低分类效果。

技术实现要素：

本发明的目的在于提供脑网络模型的建立方法、脑图像分类方法、装置及电子设备，可以提高脑网络模型质量，有助于进一步提升数据分类效果。

第一方面，本发明提供了一种网络模型建立方法，其中，所述方法包括：

获取目标时间序列和目标拓扑结构；

基于预设正则化参数和所述目标时间序列建立时间模型；

基于所述目标拓扑结构建立空间模型；

根据所述时间模型和所述空间模型完成建立脑网络模型。

进一步的，所述目标时间序列包括多个子时间序列，每个所述子时间序列即是一个时间点，每个所述时间点对应一个脑区域；

所述基于预设的正则化参数和所述目标时间序列建立时间模型的步骤包括：

基于预设的正则化参数和所述目标时间序列，采用时间模型建立公式建立时间模型，所述时间模型建立公式为：

其中，w为预设的权重矩阵，λ和μ均为预设的正则化参数，t为所述时间点，n为所述脑区域的数量，t为所述时间点的数量，pt为第一预设参数，x为脑区域矩阵；t＝{1,2,…,t},i＝{1,2,…,n}。

进一步的，所述方法还包括：

根据所述时间模型查找所述目标时间序列中不合格的时间点；

去除所述目标时间序列中不合格的时间点所在的子时间序列，得到更新后的目标时间序列；

基于更新后的所述目标时间序列对所述时间模型进行更新。

进一步的，所述根据所述时间模型查找所述目标时间序列中不合格的时间点的步骤，包括：

如果pt＝0，确定第t个时间点为所述目标时间序列中不合格的时间点。

进一步的，所述方法还包括：

统计查找到的所述不合格的时间点的数量；

基于所述不合格的时间点的数量调整所述时间模型建立公式中的正则化参数。

进一步的，所述目标拓扑结构中包括多个网络节点，不同所述网络节点之间通过纤维束相连；其中，每个所述网络节点对应一个脑区域；

所述基于所述目标拓扑结构建立空间模型的步骤包括：

获取不同所述网络节点之间的连接权重；

获取相邻的所述脑区域之间的间隔表面积；

基于所述连接权重、所述纤维束的数量和所述间隔表面积，采用空间模型建立公式建立空间模型，所述空间模型建立公式为：

其中，i,j∈n＝{1,2,…,90}，n(f)为所述纤维束数量，ai和aj均为所述间隔表面积，为所述连接权重的误差。

第二方面，本发明提供了一种脑图像分类方法，其中，所述方法包括：

获取待处理的脑图像数据；

对所述脑图像数据进行预处理，得到目标时间序列和目标拓扑结构；

基于所述目标时间序列和所述目标拓扑结构，采用第一方面所述的方法建立脑网络模型；

采用所述脑网络模型提取所述脑图像数据中的特征信息，并按照预设类型对所述特征信息进行分类，得到所述脑图像数据的分类结果。

进一步的，所述对所述脑图像数据进行预处理，得到目标时间序列和目标拓扑结构的步骤包括：

将所述脑图像数据划分为多个脑区域，每个所述脑图像对应一个时间点和一个网络节点；

基于所述时间点确定所述目标时间序列；

基于所述网络节点确定所述目标拓扑结构。

进一步的，所述采用所述脑网络模型提取所述脑图像数据中的特征信息的步骤，包括：

采用所述脑网络模型对所述脑图像数据进行多模态机器学习，得到所述脑图像数据中的特征信息。

进一步的，所述采用所述脑网络模型对所述脑图像数据进行多模态机器学习，得到所述脑图像数据中的特征信息的步骤，包括：

采用所述脑网络模型确定所述脑图像数据对应的目标函数；

基于所述目标函数提取所述脑图像数据中的特征信息；

其中，所述目标函数为：

其中，w为预设的系数矩阵，σi(w)为w的第i个奇异值，γ为第二预设参数，xi为脑网络模型集合，yi为预设的标签向量，wi为预设的系数向量，k为脑网络模型中子模型的数量，d为所述特征信息的维度。

第三方面，本发明提供了一种脑网络模型建立装置，其中，包括：

目标获取模块，用于获取目标时间序列和目标拓扑结构；

时间模型建立模块，用于基于预设正则化参数和所述目标时间序列建立时间模型；

空间模型建立模块，用于基于所述目标拓扑结构建立空间模型；

脑网络模型建立模块，用于根据所述时间模型和所述空间模型完成建立脑网络模型。

第四方面，本发明提供了一种脑图像分类装置，其中，包括：

数据获取模块，用于获取待处理的脑图像数据；

预处理模块，用于对所述脑图像数据进行预处理，得到目标时间序列和目标拓扑结构；

应用模块，用于基于所述目标时间序列和所述目标拓扑结构，采用第一方面的方法建立脑网络模型；

分类模块，用于采用所述脑网络模型提取所述脑图像数据中的特征信息，并按照预设类型对所述特征信息进行分类，得到所述脑图像数据的分类结果。

第五方面，本发明提供了一种电子设备，其中，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现第一方面所述的脑网络模型建立方法的步骤，或者，以实现第二方面所述的脑图像分类方法。

第六方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中，所述计算机程序被处理器运行时执行第一方面所述的脑网络模型建立方法的步骤，或者，以实现第二方面所述的脑图像分类方法。

本发明实施例带来了以下有益效果：

本发明提供了一种脑网络模型建立方法及装置，能够对获取的脑图像数据进行预处理，得到目标时间序列和目标拓扑结构；从而基于预设正则化参数和目标时间序列建立时间模型，以及基于目标拓扑结构建立空间模型，最后可根据时间模型和空间模型完成建立脑网络模型。可以理解的是，本实施例在建立脑网络模型时，主要基于两种不同的模型(时间模型和空间模型)，通过时间和空间两个维度建立脑网络模型，相比于单一模型而言，有助于涉及更多种类的特征信息，从而有效提升脑网络模型质量。

本发明提供了一种脑图像分类方法及装置，能够获取脑图像数据进行预处理，得到目标时间序列和目标拓扑结构；从而基于目标时间序列和目标拓扑结构，采用上述方法建立脑网络模型提取脑图像数据中的特征信息，并按照预设类型对特征信息进行分类，最终得到脑图像数据的分类结果。本实施例采用上述脑网络模型建立方法建立得到质量更佳的脑网络模型质量，从而使该脑网络模型能够更好地提取脑图像数据中的特征信息，从而有效提升了基于特征信息进行分类后所得的数据分类效果。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的脑网络模型建立方法流程图；

图2为本发明实施例一提供的时间模型建立的示意图；

图3为本发明实施例二提供的脑图像分类方法流程图；

图4为本发明实施例二提供的特征信息提取过程示意图；

图5为本发明实施例三提供的脑网络模型建立装置示意图；

图6为本发明实施例四提供的脑图像分类装置示意图；

图7为本发明实施例提供的电子设备的结构示意图。

图标：501-目标获取模块；502-时间模型建立模块；503-空间模型建立模块；504-脑网络模型建立模块；601-数据获取模块；602-预处理模块；603-应用模块；604-分类模块；700-处理器；701-存储器；702-总线；703-通信接口。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了改善现有技术中，通过估计的方法对脑网络的影像数据建立模型无法消除噪声影响，甚至还会引入新的噪声影像导致时间序列不合格，造成脑网络模型质量较差，以及提高获取脑网络模型中特征新信息的分类效果问题，本发明实施例提供了一种脑网络模型的建立方法、脑图像分类方法及电子设备，该技术通过获取脑图像数据预处理后的目标时间序列和目标拓扑结构，基于预设正则化参数和目标时间序列建立时间模型，基于目标拓扑结构建立空间模型，可以有效提高脑网络模型质量，有助于进一步提升数据分类效果。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种脑网络模型建立方法进行详细介绍。

实施例一：

参照图1所示的一种脑网络模型建立方法流程图，可以由诸如计算机、处理器等电子设备执行，该方法包括：

步骤s101，获取目标时间序列和目标拓扑结构。其中，目标时间序列和目标拓扑结构是脑图像数据通过预处理后得到的。

在具体实施时，将脑图像数据按照rs-fmri(resting-statefunctionalmagneticresonance，静息态功能磁共振)和dti(diffusiontensorimaging，弥散张量成像)的方法进行预处理。对于rs-fmri的数据预处理使用数据分析软件：统计参数映射spm12软件包、rs-fmri数据处理助手dparsf工具箱和分析工具包rest。根据数据分析软件将脑图像按照时间点进行划分，本实施例化分为160个时间点，并去除前10个时间点以保持磁化平衡，经软件处理后，将剩余的90个时间点根据脑部空间划分为90个脑区域，每个脑区域对应一个时间序列，从而形成目标时间序列。对于dti的数据预处理使用基于fmrib软件库的panda工具箱，经过软件处理后，通过使用aal模板与图像对齐，将脑部空间划分为90个网络节点，完成dti的目标拓扑结构建立。

步骤s102，基于预设正则化参数和目标时间序列建立时间模型。

其中，预设正则化参数是在矩阵中正则化框架下引入的一个参数变量，通过此参数变量与目标时间序列包含的信息来确定时间模型建立公式，再通过时间模型建立公式的计算来建立时间模型，可见，时间模型是一种数学模型中的矩阵模型。

步骤s103，基于目标拓扑结构建立空间模型。

同样的，由目标拓扑结构的信息确定空间模型建立公式，再通过空间模型建立公式的计算来建立空间模型，可见，空间模型也是一种数学模型中的矩阵模型。

步骤s104，根据时间模型和空间模型完成建立脑网络模型。

其中，脑网络模型包括但不限于两种子模型，还可以包括更多种子模型。

可以理解的是，本实施例在建立脑网络模型时，主要基于两种不同的模型(时间模型和空间模型)，通过时间和空间两个维度建立脑网络模型，相比于单一模型而言，有助于涉及更多种类的特征信息，从而有效提升脑网络模型质量。

在具体实施时，参照图2时间模型建立的示意图，目标时间序列包括多个子时间序列，每个子时间序列中即是时间点。其中，子时间序列为150个，脑区域为90个。基于预设的正则化参数和目标时间序列建立时间模型的步骤包括：

基于预设的正则化参数和目标时间序列，采用时间模型建立公式建立时间模型，时间模型建立公式(1)为：

其中，w为预设的权重矩阵，λ和μ均为预设的正则化参数，t为时间点，n为脑区域的数量，t为时间点的数量，pt为第一预设参数，x为脑区域矩阵；t＝{1,2,…,t},i＝{1,2,…,n}。

根据该公式，该实施方法还包括：根据时间模型查找目标时间序列中不合格的时间点；去除目标时间序列中不合格的时间点所在的子时间序列，得到更新后的目标时间序列；基于更新后的目标时间序列对时间模型进行更新。

通过上述实施方式，根据公式(1)的计算可以去除时间模型中不合格的子时间序列，进而提高时间模型的质量。

在一种具体的实施方式中，该公式可以通过对矩阵中预设的正则化参数的自校准进行优化，进一步确定时间点的数量。同时，再利用偏相方法，对数据进行拟合，得到另一种时间模型建立公式(2)为：

此公式可以简化为公式(3)：

minw,p||px-pxw||²+λrank(w)-μ‖p‖1(3)

公式(1)、(2)、(3)均可以完成时间模型的建立。通过控制公式的最后项中的参数μ，进而控制pt的数量，然后控制整个公式中数据的质量以进行自校准。

在具体实施时，根据时间模型查找目标时间序列中不合格的时间点的步骤，包括：如果pt＝0，确定第t个时间点为目标时间序列中不合格的时间点。统计查找到的不合格的时间点的数量；基于不合格的时间点的数量调整时间模型建立公式中的正则化参数。

通过上述实施方式，可以确定具体哪一个时间点的时间序列不合格，准确无误的去除不合格的时间序列。

在一种具体的实施方式中，正则化参数μ与不合格的时间点的数量相关。比如在一种实施方法中，将μ设置在0-0.2之间，则每个公式中的最后一项无论为何值，所对应的时间点均为不合格的时间点；将μ设置为1时，则每个公式中的最后一项，除pt＝0时的时间点外均为合格的时间点。

在具体实施时，目标拓扑结构中包括多个网络节点，不同网络节点之间通过纤维束相连；其中，每个网络节点对应一个脑区域；基于目标拓扑结构建立空间模型的步骤包括：获取不同所述网络节点之间的连接权重；获取相邻的脑区域之间的间隔表面积；基于连接权重、纤维束的数量和间隔表面积，采用空间模型建立公式建立空间模型，空间模型建立公式(4)为：

其中，i,j∈n＝{1,2,…,90}，n(f)为纤维束数量，ai和aj均为间隔表面积，为连接权重的误差。

通过上述实施方式，根据公式(4)的计算调整误差，建立空间模型。

在一种具体的实施方式中，每对脑区域之间的白质纤维束的连接可以认为是脑区域的边缘，每个边缘之间会有间隔。网络节点之间的连接可以定义一个数值，每个网络节点之间的连接平均值称为连接权重。

实施例二：

参照图3所示的一种脑图像分类方法流程图，该方法可以由诸如计算机、处理器等电子设备执行，包括：

步骤s201，获取待处理的脑图像数据。本实施例中的脑图像数据均为人体脑内部的图像。

步骤s202，对脑图像数据进行预处理，得到目标时间序列和目标拓扑结构。其中，对脑图像数据进行预处理的方法与实施例一中的方法相同。

步骤s203，基于目标时间序列和目标拓扑结构，采用实施例一中的方法建立脑网络模型。

步骤s204，采用脑网络模型提取脑图像数据中的特征信息，并按照预设类型对特征信息进行分类，得到脑图像数据的分类结果。

本实施例中提取脑图像数据中的特征信息是通过低秩正则化器来执行样本的子空间学习，并且联合非凸正则化器进行多任务学习进而提取特征信息的。

本实施例采用上述脑网络模型建立方法建立得到质量更佳的脑网络模型质量，从而使该脑网络模型能够更好地提取脑图像数据中的特征信息，从而有效提升了基于特征信息进行分类后所得的数据分类效果。

在具体实施时，对脑图像数据进行预处理，得到目标时间序列和目标拓扑结构的步骤包括：将脑图像数据划分为多个脑区域，每个脑图像对应一个时间点和一个网络节点；基于时间点确定目标时间序列；基于网络节点确定目标拓扑结构。

通过上述实施方式，可以将脑图像数据划分为两个维度，以便于脑网络模型的建立。

在具体实施时，参照图4所示的特征信息提取过程示意图，采用脑网络模型提取脑图像数据中的特征信息的步骤，包括：采用脑网络模型对脑图像数据进行多模态机器学习，得到脑图像数据中的特征信息。其中，采用脑网络模型对脑图像数据进行多模态机器学习，得到脑图像数据中的特征信息的步骤，包括：采用脑网络模型确定脑图像数据对应的目标函数；基于目标函数提取脑图像数据中的特征信息；

其中，目标函数为公式(5)：

其中，w为预设的系数矩阵，σi(w)为w的第i个奇异值，γ为第二预设参数，xi为脑网络模型集合，yi为预设的标签向量，wi为预设的系数向量，k为脑网络模型中子模型的数量，d为所述特征信息的维度。

通过上述实施方式，可以根据目标函数对脑网络模型中的特征信息进行准确分类。

在一种具体的实施方式中，联合非凸多任务学习模型，可以自动学习不同模态之间的关系，即多模态机器学习。对于多模态机器学习是现有技术中的一种方法，本实施例将不再赘述。此种方法可以减少不同模态信息的不同噪声水平的影响，并获得最稳定和具有辨别力的特征。其中，本实施例脑网络模型中子模型的数量为2，即k的数值为2。

实施例三：

参照图5所示的一种脑网络模型的建立装置示意图，该装置包括：

目标获取模块501，用于获取目标时间序列和目标拓扑结构；

时间模型建立模块502，用于基于预设正则化参数和目标时间序列建立时间模型；

空间模型建立模块503，用于基于目标拓扑结构建立空间模型；

脑网络模型建立模块504，用于根据时间模型和空间模型完成建立脑网络模型。

在一种实施方式中，目标时间序列包括多个子时间序列，每个子时间序列即是一个时间点，每个时间点对应一个脑区域，上述时间模型建立模块502还用于：基于预设的正则化参数和目标时间序列，采用时间模型建立公式建立时间模型，时间模型建立公式为：

其中，w为预设的权重矩阵，λ和μ均为预设的正则化参数，t为时间点，n为脑区域的数量，t为时间点的数量，pt为第一预设参数，x为脑区域矩阵；t＝{1,2,…,t},i＝{1,2,…,n}。

在一种实施方式中，上述装置还用于根据时间模型查找目标时间序列中不合格的时间点；去除目标时间序列中不合格的时间点所在的子时间序列，得到更新后的目标时间序列；基于更新后的目标时间序列对时间模型进行更新。

在一种实施方式中，上述根据时间模型查找目标时间序列中不合格的时间点还用于：如果pt＝0，确定第t个时间点为目标时间序列中不合格的时间点。

在一种实施方式中，上述装置还用于：统计查找到的不合格的时间点的数量；基于不合格的时间点的数量调整时间模型建立公式中的正则化参数。

在一种实施方式中，目标拓扑结构中包括多个网络节点，不同网络节点之间通过纤维束相连；其中，每个网络节点对应一个脑区域。上述空间模型建立模块503还用于：获取不同网络节点之间的连接权重；获取相邻的脑区域之间的间隔表面积；基于连接权重、纤维束的数量和间隔表面积，采用空间模型建立公式建立空间模型，空间模型建立公式为：

其中，i,j∈n＝{1,2,…,90}，n(f)为纤维束数量，ai和aj均为间隔表面积，为连接权重的误差。

实施例四：

参照图6所示的一种脑图像分类装置示意图，该装置包括：

数据获取模块601，用于获取待处理的脑图像数据；

预处理模块602，用于对脑图像数据进行预处理，得到目标时间序列和目标拓扑结构；

应用模块603，用于基于目标时间序列和目标拓扑结构，采用实施例一中的方法建立脑网络模型；

分类模块604，用于采用脑网络模型提取脑图像数据中的特征信息，并按照预设类型对特征信息进行分类，得到脑图像数据的分类结果。

在一种实施方式中，上述预处理模块602还用于：将脑图像数据划分为多个脑区域，每个脑图像对应一个时间点和一个网络节点；基于时间点确定目标时间序列；基于网络节点确定目标拓扑结构。

在一种实施方式中，上述分类模块604还用于：采用脑网络模型对脑图像数据进行多模态机器学习，得到脑图像数据中的特征信息。

在一种实施方式中，上述采用脑网络模型对脑图像数据进行多模态机器学习，得到脑图像数据中的特征信息还用于：采用脑网络模型确定脑图像数据对应的目标函数；基于目标函数提取脑图像数据中的特征信息；

其中，目标函数为：

其中，w为预设的系数矩阵，σi(w)为w的第i个奇异值，γ为第二预设参数，xi为脑网络模型集合，yi为预设的标签向量，wi为预设的系数向量，k为脑网络模型中子模型的数量，d为特征信息的维度。

本发明实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现实施例一通信链路的建立方法的步骤。

图7为本发明实施例提供的一种服务器的结构示意图，该服务器包括：处理器700，存储器701，总线702和通信接口703，所述处理器700、通信接口703和存储器701通过总线702连接；处理器700用于执行存储器701中存储的可执行模块，例如计算机程序。

其中，存储器701可能包含高速随机存取存储器(ram，randomaccessmemory)，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。通过至少一个通信接口703(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线702可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器701用于存储程序，所述处理器700在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器700中，或者由处理器700实现。

处理器700可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器700中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器700可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现成可编程门阵列(field-programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器701，处理器700读取存储器701中的信息，结合其硬件完成上述方法的步骤。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其中，计算机程序被处理器运行时执行实施例一通信链路的建立方法的步骤。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。