脑部异常分析模型的训练方法、装置和计算机设备

本技术涉及图分析，特别是涉及一种脑部异常分析模型的训练方法、装置和计算机设备。

背景技术：

1、注意力缺陷多动障碍(adhd)和自闭症谱系障碍(asd)是在儿童时期出现并可能持续到成年的神经发育障碍。由于这种长期影响，早期诊断和干预至关重要。目前通过功能性脑网络进行诊断的技术逐渐发展，已经超越神经影像方法而受到越来越多的关注。而在小规模、多源功能磁共振成像数据集上实现准确诊断需要对功能性脑网络的功能连接图进行分析处理，才能实现上述诊断目标。因此如何分析功能连接图(以下简称fc图)是分析脑部异常的重要方法。

2、现有的fc图诊断方法通过基于识别fc图的单个图谱信息，从而将大脑划分为多个特定区域，再分析脑部异常的脑部异常分析模型。然而，仅使用单个图谱无法识别fc图的全量数据信息，从而导致训练的脑部异常分析模型的分析精准度较低。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种脑部异常分析模型的训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种脑部异常分析模型的训练方法。所述方法包括：

3、获取不同用户的大脑磁共振图像、以及每个用户的脑部异常标签信息，并将各所述大脑磁共振图像进行时间序列拆分处理，得到每个用户的脑部功能连接图；

4、通过不同的大脑图谱拆分策略，将每个用户的各所述脑部功能连接图进行多视角转化处理，得到各所述用户的每个大脑图谱对应的各脑部视图，并基于各所述大脑图谱对应的每个用户的各脑部视图，通过对比学习策略，训练初始脑部特征识别器，得到脑部特征识别器；

5、基于所述脑部特征识别器，识别各所述用户的每个大脑图谱对应的各脑部视图的脑部特征，并基于可见矩阵的注意力特征融合网络，分别将每个用户的不同大脑图谱对应的各脑部视图的脑部特征进行融合处理，得到每个用户对应的脑部特征集合；

6、针对每两个用户，基于所述两个用户的脑部特征集合，通过特征相似度映射策略，识别所述两个用户的各相似脑部特征，并建立所述两个用户的脑部特征集合中的各相似脑部特征之间的对应关系；

7、基于各所述用户的脑部异常标签信息、各所述用户对应的脑部特征集合、以及各所述用户之间的各相似脑部特征之间的对应关系，训练初始脑部异常分类器，得到脑部异常分类器，并将所述脑部特征识别器、以及所述脑部异常分类器，作为脑部异常分析模型。

8、可选的，所述将各所述大脑磁共振图像进行时间序列拆分处理，得到每个用户的脑部功能连接图，包括：

9、针对每个大脑磁共振图像，识别所述大脑磁共振图像在时间序列中的各大脑区域图像；

10、在各所述大脑区域图像中，筛选与其他各所述大脑区域图像不存在重叠图像的目标大脑区域图像，并将各所述目标大脑区域图像，按照各所述目标大脑区域图像所属的大脑区域进行连接处理，得到所述大脑磁共振图像对应的用户的脑部功能连接图。

11、可选的，所述通过不同的大脑图谱拆分策略，将每个用户的各所述脑部功能连接图进行多视角转化处理，得到各所述用户的每个大脑图谱对应的各脑部视图，包括：

12、获取不同的大脑图谱，并识别每个大脑图谱对应的各图像视角；

13、针对每个大脑图谱，基于所述大脑图谱对应的各图像视角，识别每个用户的各所述脑部功能连接图对应的脑部图像，并针对每个用户，将所述大脑图谱对应的所述用户的各所述脑部功能连接图对应的脑部图像，作为所述用户的所述大脑图谱对应的各脑部视图。

14、可选的，所述基于各所述大脑图谱对应的每个用户的各脑部视图，通过对比学习策略，训练初始脑部特征识别器，得到脑部特征识别器，包括：

15、针对每个用户，识别所述用户的脑部异常标签信息中的每个大脑图谱对应的各脑部视图的样本脑部特征；

16、基于所述用户的每个大脑图谱对应的各脑部视图，构建所述用户的脑部视图矩阵、并基于所述用户的每个大脑图谱对应的各脑部视图的样本脑部特征，构建所述用户的样本脑部特征矩阵；

17、将所述用户的脑部视图矩阵、以及所述用户的样本脑部特征矩阵，输入初始脑部特征识别器，通过对比学习策略，训练所述初始脑部特征识别器，得到脑部特征识别器。

18、可选的，所述基于可见矩阵的注意力特征融合网络，分别将每个用户的不同大脑图谱对应的各脑部视图的脑部特征进行融合处理，得到每个用户对应的脑部特征集合，包括：

19、基于每个用户的不同大脑图谱对应的各脑部视图的脑部特征，构建所有用户的第一特征矩阵，并基于所述第一特征矩阵，通过注意力特征融合网络，分别将各所述用户的每个大脑图谱对应的各脑部视图的脑部特征进行特征融合处理，得到各所述用户的每个大脑图谱对应的融合脑部特征；

20、将所述用户的所有大脑图谱对应的融合脑部特征，作为所述用户对应的脑部特征集合。

21、可选的，所述基于所述两个用户的脑部特征集合，通过特征相似度映射策略，识别所述两个用户的各相似脑部特征，包括：

22、基于各所述用户的每个大脑图谱的融合脑部特征，构建各所述用户的每个大脑图谱对应的特征矩阵，并针对每个大脑图谱，将每两个用户在所述大脑图谱的特征矩阵进行矩阵映射处理，得到每两个用户的所述大脑图谱对应的映射矩阵；

23、计算每两个用户的各大脑图谱对应的映射矩阵的相似度值，并筛选大于相似度阈值的相似度值对应的映射矩阵所属的每两个用户的融合脑部特征，作为每两个用户的相似脑部特征。

24、第二方面，本技术提供了一种脑部异常分析方法。所述方法包括：

25、获取目标用户的目标大脑磁共振图像，并将所述大脑磁共振图像进行时间序列拆分处理，得到所述目标用户的脑部功能连接图；

26、将所述目标用户的脑部功能连接图进行转化处理，得到所述目标用户的每个大脑图谱对应的各脑部视图，并通过脑部异常分析模型中的脑部特征识别器，识别所述目标用户的每个大脑图谱对应的各脑部视图的脑部特征；

27、将所述目标用户的每个大脑图谱对应的各脑部视图的脑部特征，通过可见矩阵的注意力特征融合网络进行特征融合处理，得到所述目标用户对应的脑部特征集合；

28、基于所述目标用户对应的脑部特征集合，通过所述脑部异常分析模型中的脑部异常分类器，确定所述目标用户的脑部异常信息；

29、其中，所述脑部异常分析模型通过第一方面所述的脑部异常分析模型的训练方法训练得到。

30、第三方面，本技术还提供了一种脑部异常分析模型的训练装置。所述装置包括：

31、第一获取模块，用于获取不同用户的大脑磁共振图像、以及每个用户的脑部异常标签信息，并将各所述大脑磁共振图像进行时间序列拆分处理，得到每个用户的脑部功能连接图；

32、第一训练模块，用于通过不同的大脑图谱拆分策略，将每个用户的各所述脑部功能连接图进行多视角转化处理，得到各所述用户的每个大脑图谱对应的各脑部视图，并基于各所述大脑图谱对应的每个用户的各脑部视图，通过对比学习策略，训练初始脑部特征识别器，得到脑部特征识别器；

33、特征融合模块，用于基于所述脑部特征识别器，识别各所述用户的每个大脑图谱对应的各脑部视图的脑部特征，并基于可见矩阵的注意力特征融合网络，分别将每个用户的不同大脑图谱对应的各脑部视图的脑部特征进行融合处理，得到每个用户对应的脑部特征集合；

34、相似识别模块，用于针对每两个用户，基于所述两个用户的脑部特征集合，通过特征相似度映射策略，识别所述两个用户的各相似脑部特征，并建立所述两个用户的脑部特征集合中的各相似脑部特征之间的对应关系；

35、第二训练模块，用于基于各所述用户的脑部异常标签信息、各所述用户对应的脑部特征集合、以及各所述用户之间的各相似脑部特征之间的对应关系，训练初始脑部异常分类器，得到脑部异常分类器，并将所述脑部特征识别器、以及所述脑部异常分类器，作为脑部异常分析模型。

36、可选的，所述第一获取模块，具体用于：

37、针对每个大脑磁共振图像，识别所述大脑磁共振图像在时间序列中的各大脑区域图像；

38、在各所述大脑区域图像中，筛选与其他各所述大脑区域图像不存在重叠图像的目标大脑区域图像，并将各所述目标大脑区域图像，按照各所述目标大脑区域图像所属的大脑区域进行连接处理，得到所述大脑磁共振图像对应的用户的脑部功能连接图。

39、可选的，所述第一训练模块，具体用于：

40、获取不同的大脑图谱，并识别每个大脑图谱对应的各图像视角；

41、针对每个大脑图谱，基于所述大脑图谱对应的各图像视角，识别每个用户的各所述脑部功能连接图对应的脑部图像，并针对每个用户，将所述大脑图谱对应的所述用户的各所述脑部功能连接图对应的脑部图像，作为所述用户的所述大脑图谱对应的各脑部视图。

42、可选的，所述第一训练模块，具体用于：

43、针对每个用户，识别所述用户的脑部异常标签信息中的每个大脑图谱对应的各脑部视图的样本脑部特征；

44、基于所述用户的每个大脑图谱对应的各脑部视图，构建所述用户的脑部视图矩阵、并基于所述用户的每个大脑图谱对应的各脑部视图的样本脑部特征，构建所述用户的样本脑部特征矩阵；

45、将所述用户的脑部视图矩阵、以及所述用户的样本脑部特征矩阵，输入初始脑部特征识别器，通过对比学习策略，训练所述初始脑部特征识别器，得到脑部特征识别器。

46、可选的，所述特征融合模块，具体用于：

47、基于每个用户的不同大脑图谱对应的各脑部视图的脑部特征，构建所有用户的第一特征矩阵，并基于所述第一特征矩阵，通过注意力特征融合网络，分别将各所述用户的每个大脑图谱对应的各脑部视图的脑部特征进行特征融合处理，得到各所述用户的每个大脑图谱对应的融合脑部特征；

48、将所述用户的所有大脑图谱对应的融合脑部特征，作为所述用户对应的脑部特征集合。

49、可选的，所述相似识别模块，具体用于：

50、基于各所述用户的每个大脑图谱的融合脑部特征，构建各所述用户的每个大脑图谱对应的特征矩阵，并针对每个大脑图谱，将每两个用户在所述大脑图谱的特征矩阵进行矩阵映射处理，得到每两个用户的所述大脑图谱对应的映射矩阵；

51、计算每两个用户的各大脑图谱对应的映射矩阵的相似度值，并筛选大于相似度阈值的相似度值对应的映射矩阵所属的每两个用户的融合脑部特征，作为每两个用户的相似脑部特征。

52、第四方面，本技术还提供了一种脑部异常分析装置。所述装置包括：

53、第二获取模块，用于获取目标用户的目标大脑磁共振图像，并将所述大脑磁共振图像进行时间序列拆分处理，得到所述目标用户的脑部功能连接图；

54、特征识别模块，用于将所述目标用户的脑部功能连接图进行转化处理，得到所述目标用户的每个大脑图谱对应的各脑部视图，并通过脑部异常分析模型中的脑部特征识别器，识别所述目标用户的每个大脑图谱对应的各脑部视图的脑部特征；

55、目标融合模块，用于将所述目标用户的每个大脑图谱对应的各脑部视图的脑部特征，通过可见矩阵的注意力特征融合网络进行特征融合处理，得到所述目标用户对应的脑部特征集合；

56、异常分类模块，用于基于所述目标用户对应的脑部特征集合，通过所述脑部异常分析模型中的脑部异常分类器，确定所述目标用户的脑部异常信息；

57、其中，所述脑部异常分析模型通过第一方面所述的脑部异常分析模型的训练方法训练得到。

58、第五方面，本技术提供了一种计算机设备。所述计算机设备包括：存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现第一方面或第二方面中任一项所述的方法的步骤。

59、第六方面，本技术提供了一种计算机可读存储介质。所述存储介质包括：其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现第一方面或第二方面中任一项所述的方法的步骤。

60、第七方面，本技术提供了一种计算机程序产品。所述计算机程序产品包括：计算机程序，其特征在于，该计算机程序被处理器执行时实现第一方面或第二方面中任一项所述的方法的步骤。

61、上述脑部异常分析模型的训练方法、装置和计算机设备，通过获取不同用户的大脑磁共振图像、以及每个用户的脑部异常标签信息，并将各所述大脑磁共振图像进行时间序列拆分处理，得到每个用户的脑部功能连接图；通过不同的大脑图谱拆分策略，将每个用户的各所述脑部功能连接图进行多视角转化处理，得到各所述用户的每个大脑图谱对应的各脑部视图，并基于各所述大脑图谱对应的每个用户的各脑部视图，通过对比学习策略，训练初始脑部特征识别器，得到脑部特征识别器；基于所述脑部特征识别器，识别各所述用户的每个大脑图谱对应的各脑部视图的脑部特征，并基于可见矩阵的注意力特征融合网络，分别将每个用户的不同大脑图谱对应的各脑部视图的脑部特征进行融合处理，得到每个用户对应的脑部特征集合；针对每两个用户，基于所述两个用户的脑部特征集合，通过特征相似度映射策略，识别所述两个用户的各相似脑部特征，并建立所述两个用户的脑部特征集合中的各相似脑部特征之间的对应关系；基于各所述用户的脑部异常标签信息、各所述用户对应的脑部特征集合、以及各所述用户之间的各相似脑部特征之间的对应关系，训练初始脑部异常分类器，得到脑部异常分类器，并将所述脑部特征识别器、以及所述脑部异常分类器，作为脑部异常分析模型。本方案，通过经每个用户的脑部功能连接图，拆分为不同大脑图谱的不同视角的脑部视图，使得在训练脑部特征识别器时，通过包含用户的脑部全量数据信息的多个脑部视图进行训练，提升了脑部特征识别器的特征识别精准度。然后，通过将不同大脑图谱的脑部特征融合后再识别两个用户间在不同大脑图谱的相似脑部特征，以训练脑部异常分类器，使得通过不同脑部异常信息之间的相似脑部特征训练该脑部异常分类器对各脑部异常信息的分类效果，提升了脑部异常分类器的分类精准度。最后，本方案通过用户的脑部全量数据信息训练脑部特征识别器、通过不同脑部异常信息之间的相似脑部特征训练该脑部异常分类器，不仅提升了识别用户的脑部特征的全面性和精准度，也提升了对不同脑部异常信息的分类精准度，从而综合提升了训练的脑部异常分析模型的分析精准度。