申请/专利权人：电子科技大学

申请日：2023-11-21

公开（公告）日：2024-03-15

公开（公告）号：CN117708661A

主分类号：G06F18/241

分类号：G06F18/241;A61B5/055;A61B5/145;G06F18/25;G06F18/2411;G06F18/10;G06F17/14;G06F17/16

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.02#实质审查的生效;2024.03.15#公开

摘要：本发明公开了一种基于跨模态融合网络对BOLD‑fMRI信号的重建方法，属于生物医学成像信号处理技术领域，本发明首先得到多个模态的分子水平的连接矩阵，再对其进行信息融合，然后对融合后的矩阵进行结构限制得到跨模态融合网络；对跨模态融合网络的拉普拉斯矩阵进行谱分解得到融合网络的基；最后利用融合网络的基对功能磁共振信号进行重建。本发明基于跨模态相似网络信息，利用图傅里叶变换对功能磁共振信号进行重建，所重建的BOLD‑fMRI信号具有鲁棒性高，稳定性强等特点，对功能磁共振成像信号的重建提供了一种跨模态信息融合技术，解决了分子表达水平数据获取难度大的问题，进而能更好的获取多层级网络和大脑认知功能以及脑疾病结构、功能影像表征之间的关系。

主权项：1.基于跨模态融合网络对BOLD-fMRI信号的重建方法，其特征在于，包括下列步骤：步骤1，对BOLD-fMRI信号进行预处理，得到每个被试者的维度为N×T的功能信号数据矩阵；其中，N为感兴趣的脑区数，T为时间点个数；并对预处理后的功能信号数据矩阵进行功能连接计算，得到每个被试者的N×N功能连接矩阵；步骤2，分别构建多个模态的分子水平矩阵；其中，包括的模态数据有：全脑基因表达数据、受体表达数据、细胞构筑数据和DWI数据；对各模态数据进行数据预处理，再对预处理后的各模态数据进行相关性计算，基于相关性计算结果构建4个N×N大小的基因表达相似性矩阵、受体表达相似性矩阵、细胞构筑相似性矩阵以及结构连接矩阵；步骤3，对步骤2构建的各模态的分子水平矩阵进行相似性网络融合，得到N×N大小的融合相似性网络F；步骤4，基于结构连接矩阵对融合相似性网络F进行限制，得到结构限制下的分子水平融合矩阵W：W＝F×SC，其中，SC表示结构连接矩阵；步骤5：对分子水平融合矩阵W进行拉布拉斯变换，得到拉普拉斯矩阵L：L＝D-12AD-12；A＝D-W；其中，矩阵D为矩阵W的度矩阵；步骤6，对拉普拉斯矩阵L进行谱分解，得到谱分解的特征值和特征向量，对感兴趣的各脑区，从拉普拉斯矩阵的谱分解结果中提取前K个最小的特征值所对应的特征向量得到每个脑区的特征向量矩阵其中，K为预设值，下标i表示脑区编号；步骤7：基于特征向量矩阵对BOLD-fMRI信号进行重建，并输出重建后的BOLD-fMRI信号图；重建后的各脑区的BOLD-fMRI信号值为： 其中，t表示时刻点，表示特征向量矩阵的第j个特征向量，ajt表示第j个特征向量的权重。

全文数据：

权利要求：

百度查询： 电子科技大学 基于跨模态融合网络对BOLD-fMRI信号的重建方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD