检索历史 清除

摘要大脑作为人的神经中枢，控制着人体的各种活动，因此理解大脑组成结构以及运行机理显得尤为重要。功能磁共振成像技术(FunctionalMagneticResonanceImaging,fMRI)因其具有无放射性和非侵入性等优点，在大脑研究中得到了广泛的应用。大脑图谱解码是从采集到的大脑响应活动中预测出外界的刺激信息，而外界刺激信息中，视觉信息是重要来源之一。对基于视觉刺激的功能磁共振图像进行解码有助于了解大脑视觉神经工作机制以及对相关疾病的诊断和治疗。<br>　　大脑图谱解码方法主要分为三类:早期传统的方法、基于机器学习的方法和基于深度学习的方法。早期传统方法需要手动构建数学模型，但fMRI数据为四维图像数据包含信息量大，手动构建数学模型难度很大且匹配度不高。机器学习方法通常是浅层模型且需要人工提取特征，容易导致信息丢失。常用的基于卷积神经网络的深度学习方法往往忽视了大脑不同区域之间功能相关性特征。因此针对以上存在的问题以及fMRI数据的特点，本文提出了一种基于图卷积神经网络的大脑图谱解码算法，主要工作如下:<br>　　(1)根据大脑视觉神经分区以及对外界视觉刺激的响应程度选取了11个感兴趣区域(Regionofinterest,ROI),然后在原始的fMRI图像分割出这11个区域输入到网络进行处理，这样能够减少信息量且避免了大脑非视觉区域的噪声干扰。<br>　　(2)提出了一种深度三维卷积神经网络来进行特征提取。因为一共有11个ROI所以采用11个三维卷积神经网络并联的方式，其能够有效地提取到深层次的特征，并且多个时间点的fMRI图像同时输入保证了数据包含的时变信息不被丢失。<br>　　(3)采用图卷积神经网络(graphconvolutionalnetwork,GCN)来提取不同区域之间的功能相关性特征。考虑到图卷积神经网络的层数过多时会出现过度平滑的问题，因此本文采用了残差连接的方式使得图卷积神经网络能够有更深的网络结构，并且有助于融合不同层次的特征从而提高网络的准确率。<br>　　本文算法在开源数据集上进行了测试，总体正确率达到了94.37％。并且与3D-CNN(3dimensionalconvolutionalneuralnetworks)、C3d-LSTM(3DCNN-LSTM)、ResNet(residualneuralnetworks)、cGCN(connectivity-basedgraphconvolutionalnetwork)等算法进行了对比，本文算法取得了最优的表现。