(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 202211015362.9 (22)申请日 2022.08.24 (71)申请人 南京航空航天大 学 地址 210016 江苏省南京市江宁区将军路 29号 (72)发明人 朱旗　于婧　李胜荣　邵伟　马凯　 张道强　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 万慧华 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)A61B 5/00(2006.01) A61B 5/055(2006.01) (54)发明名称 一种基于高阶脑网络的分类方法、 系统、 电 子设备及 介质 (57)摘要 本发明公开了一种基于高阶脑网络的分类 方法、 系统、 电子设备及介质， 涉及机器学习领 域， 该方法包括： 获取待测者的人脑的功能磁共 振成像数据和弥散磁共振成像数据并进行预处 理； 计算预处理后的功能磁共振成像数据的两两 脑区时序信号的皮尔逊相似度； 提取预处理后的 弥散磁共振成像数据中两两脑区之间物理纤维 数目； 提取低阶功能脑网络数据中脑区的重要性 得到低阶功能脑网络各个脑区的重要性得分向 量； 根据结构脑网络数据和重要性得分向量得到 多模态高阶脑网络； 基于孪生神经网络构建图卷 积神经网络； 将低阶功能脑网络数据和多模态高 阶脑网络 数据输入训练好的图卷积神经网络， 得 到二分类结果。 本发明能够提高分类的准确度。 权利要求书3页 说明书11页 附图5页 CN 115359297 A 2022.11.18 CN 115359297 A 1.一种基于高阶脑网络的分类方法， 其特 征在于， 所述方法包括： 获取待测者的人脑的功能磁共 振成像数据和弥散磁共 振成像数据； 对所述功能磁共振成像数据和所述弥散磁共振成像数据进行预处理， 得到预处理后的 功能磁共 振成像数据和预处 理后的弥散磁共 振成像数据； 计算所述预处理后的功能磁共振成像数据的两两脑区时序信号的皮尔逊相似度， 得到 待测者的低阶功能脑网络数据； 提取所述预处理后的弥散磁共振成像数据中两两脑区之间物理纤维数目， 得到待测者 的结构脑网络数据； 提取所述待测者的低阶功能脑网络数据中脑区的重要性， 得到待测者的低阶功能脑网 络各个脑区的重要性得分向量； 根据所述待测者的结构脑网络数据和所述待测者的低阶功能脑网络各个脑区的重要 性得分向量， 得到待测者的多模态高阶脑网络数据； 基于孪生神经网络构建图卷积神经网络； 将所述待测者的低阶功能脑网络数据和所述待测者的多模态高阶脑网络数据输入训 练好的图卷积神经网络， 得到二分类结果。 2.根据权利要求1所述的基于 高阶脑网络的分类方法， 其特征在于， 所述对所述功能磁 共振成像数据和所述弥散磁共振成像数据进 行预处理， 得到预 处理后的功能磁共振成像数 据和预处 理后的弥散磁共 振成像数据， 具体包括： 对所述功能磁共振成像数据的切片时间进行采集、 校正、 重排和归一化， 得到初始预处 理图像数据； 利用AAL模板将所述初始预处理图像数据划分为多个脑区， 且将所有体素上的所述初 始预处理图像数据的时间序列的平均值作为各脑区的时间序列， 得到预处理后的功能磁共 振成像数据； 利用AAL模板将所述弥散磁共 振成像数据进行脑区划分， 得到各脑区图像； 获取所述各脑区图像的纤维成像， 得到预处 理后的弥散磁共 振成像数据。 3.根据权利要求1所述的基于 高阶脑网络的分类方法， 其特征在于， 所述根据 所述待测 者的结构脑网络数据和所述待测者的低阶功能脑网络各个脑区的重要性得分向量， 得到待 测者的多模态高阶脑网络数据， 具体包括： 以所述待测者的结构脑网络数据为最优传输过程的约束， 应用Kantorovich型离散最 优传输算法解算初始重要性的得分向量和所述待测 者的低阶功 能脑网络各个脑区的重要 性得分向量的关系， 得到待测者的多模态高阶脑网络数据； 所述初始重要性的得分向量为 初始状态下 所述待测者的功能磁共 振成像数据各脑区的重要性权 重。 4.根据权利要求1所述的基于 高阶脑网络的分类方法， 其特征在于， 所述图卷积神经网 络的训练过程具体包括： 获取受试者的人脑的功能磁共 振成像数据和弥散磁共 振成像数据； 对受试者的所述功能磁共振成像数据和所述弥散磁共振成像数据进行预处理， 得到受 试者预处 理后的功能磁共 振成像数据和受试者预处 理后的弥散磁共 振成像数据； 根据所述受试者预处理后的功能磁共振成像数据， 利用皮尔逊相似度， 得到受试者低 阶功能脑网络数据；权　利　要　求　书 1/3 页 2 CN 115359297 A 2提取所述受试者预处理后的弥散磁共振成像数据中两两脑区之间物理纤维数目， 得到 受试者结构脑网络数据； 采用PageRank算法提取所述受试者低阶功能脑网络数据中脑区的重要性， 得到受试者 低阶功能脑网络各个脑区的重要性得分向量； 根据所述受试者结构脑网络数据和所述受试者低阶功能脑网络各个脑区的重要性得 分向量， 得到受试者多模态高阶脑网络数据； 以所述受试者低阶功能脑网络各个脑区的重要性得分向量和所述受试者多模态高阶 脑网络数据为输入， 以专家 根据所述受试者的功能磁共振成像数据和所述受试者弥散磁共 振成像数据的二分类结果为输出， 对所述图卷积神经网络进行训练， 得到训练好的图卷积 神经网络 。 5.根据权利要求1所述的基于 高阶脑网络的分类方法， 其特征在于， 所述将所述待测者 的低阶功 能脑网络数据和所述待测 者的多模态高阶脑网络数据输入训练好的图卷积神经 网络， 得到二分类结果， 具体包括： 将所述待测者的低阶功能脑网络数据输入训练好的图卷积神经网络的第 一子通道， 得 到待测者的低阶功能脑网络特 征； 将所述待测者的多模态高阶脑网络数据输入训练好的图卷积神经网络的第 二子通道， 得到待测者的多模态高阶脑网络特 征； 对所述待测者的低阶功能脑网络特征和所述待测者的多模态高阶脑网络特征进行融 合， 得到融合后的整图特 征； 根据所述融合后的整图特 征， 利用多层感知机， 得到二分类结果。 6.根据权利要求1所述的基于 高阶脑网络的分类方法， 其特征在于， 所述提取所述待测 者的低阶功能脑网络数据中脑区的重要性， 采用的算法为Pa geRank算法。 7.一种基于高阶脑网络的分类系统， 其特 征在于， 所述系统包括： 获取模块， 用于获取待测者的人脑的功能磁共 振成像数据和弥散磁共 振成像数据； 预处理模块， 用于对所述功能磁共振成像数据和所述弥散磁共振成像数据进行预处 理， 得到预处 理后的功能磁共 振成像数据和预处 理后的弥散磁共 振成像数据； 计算模块， 用于计算所述预处理后的功能磁共振成像数据的两两脑区时序信号的皮尔 逊相似度， 得到待测者的低阶功能脑网络数据； 第一提取模块， 用于提取所述预处理后的弥散磁共振成像数据中两两脑区之间物理纤 维数目， 得到待测者的结构脑网络数据； 第二提取模块， 用于提取所述待测者的低阶功能脑网络数据中脑区的重要性， 得到待 测者的低阶功能脑网络各个脑区的重要性得分向量； 高阶脑网络数据确定模块， 用于根据 所述待测者的结构脑网络数据和所述待测者的低 阶功能脑网络各个脑区的重要性得分向量， 得到待测者的多模态高阶脑网络数据； 构建模块， 用于基于 孪生神经网络构建图卷积神经网络； 分类模块， 用于将所述待测者的低阶功能脑网络数据和所述待测者的多模态高阶脑网 络数据输入训练好的图卷积神经网络， 得到二分类结果。 8.一种电子设备， 其特征在于， 包括存储器及处理器， 所述存储器用于存储计算机程 序， 所述处理器运行所述计算机程序以使 所述电子 设备执行根据权利要求 1至6中任一项 所权　利　要　求　书 2/3 页 3 CN 115359297 A 3