大脑成瘾结构图谱评估方法及装置与流程

本申请属于人工智能技术领域，尤其涉及一种的大脑成瘾结构图谱评估方法及装置。

背景技术：

功能性磁共振造影(functionalmagneticresonanceimaging，fmri)是生物学实验中的一种常用数据，可以通过fmri训练脑成瘾性状识别模型，对大脑皮层中与脑成瘾相关的成瘾性状进行识别。

现有技术中，训练脑成瘾性状识别模型时，需要大量的fmri样本图像，fmri样本图像只能通过特定的设备进行采集。

但是，由于进行fmri样本图像的采集的设备价格昂贵，且采集过程复杂，实验成本高，因此无法获取足够的fmri样本图像训练模型，导致训练的脑成瘾性状识别模型识别效果不佳。

技术实现要素：

本申请实施例提供了一种的大脑成瘾结构图谱评估方法及装置，可以解决由于无法获取足够的fmri样本图像训练模型，导致训练的脑成瘾性状识别模型识别效果不佳问题。

第一方面，本申请实施例提供了一种的大脑成瘾结构图谱评估方法，包括：

获取待分类的脑部结构图，脑部结构图为脑部fmri图像，包括多个脑部区域图像。根据预设成瘾物的脑成瘾性状结构图评估模型，确定脑部fmri图像中不同区域的脑成瘾性状类型，其中，预设成瘾物的脑成瘾性状结构图评估模型是根据预设成瘾物不同浓度影响下获取到脑部的真实fmri图像、以及通过每个浓度对应的样本生成器得到的每个浓度影响下脑部的多个合成fmri图像训练预设分类模型得到的。

一些实施方式中，通过每个浓度对应的样本生成器得到的每个浓度影响下脑部的多个合成fmri图像，包括：将随机噪声向量输入每个浓度对应的样本生成器，其中，样本生成器是根据对应浓度下脑部的真实fmri图像，基于生成对抗网络训练得到的。样本生成器根据随机噪声向量生成对应浓度影响下脑部的多个合成fmri图像。

一些实施方式中，每个浓度对应的样本生成器可以通过以下步骤训练得到：使用预设的样本生成器，根据随机噪声向量生成训练fmri图像。根据训练fmri图像、待训练浓度的脑部的真实fmri图像以及样本判别器，训练样本生成器，得到对应浓度下的样本生成器，其中，样本判别器用于根据真实fmri图像确定训练fmri图像的判别结果，判别结果包括：真或假。

一些实施方式中，根据训练fmri图像、待训练浓度的脑部的真实fmri图像以及样本判别器，训练样本生成器，得到对应浓度下的样本生成器，包括：

将训练fmri图像和真实fmri图像输入样本判别器，得到训练fmri图像的判别结果。若训练fmri图像的判别结果为真，训练样本判别器，使得样本判别器确定训练fmri图像的判别结果为假，得到训练后的样本判别器。若训练fmri图像的判别结果为假，训练样本生成器，使得样本判别器确定训练fmri图像的判别结果为真，训练后的样本生成器。迭代训练样本判别器和样本生成器，直至训练后的样本生成器的损失函数小于预设阈值，得到对应浓度下的样本生成器。

一些实施方式中，训练样本判别器，使得样本判别器确定训练fmri图像的判别结果为假，包括：

根据判别结果获取样本判别器的损失函数。通过样本判别器的损失函数反向传播，训练样本判别器，直至样本判别器确定训练fmri图像的判别结果为假，得到训练后的样本判别器。

一些实施方式中，训练样本生成器，使得样本判别器确定训练fmri图像的判别结果为真，包括：

根据判别结果获取样本生成器的损失函数。通过样本生成器的损失函数反向传播，训练样本生成器，直至样本判别器确定训练fmri图像的判别结果为真，得到训练后的样本生成器。

第二方面，本申请实施例提供了一种的脑成瘾性状结构图评估装置包括：

获取模块，用于获取待分类的脑部结构图，脑部结构图为脑部fmri图像，包括多个脑部区域图像。

确定模块，用于根据预设成瘾物的脑成瘾性状结构图评估模型，确定脑部fmri图像中不同区域的脑成瘾性状类型，其中，预设成瘾物的脑成瘾性状结构图评估模型是根据预设成瘾物不同浓度影响下获取到脑部的真实fmri图像、以及通过每个浓度对应的样本生成器得到的每个浓度影响下脑部的多个合成fmri图像训练预设分类模型得到的。

一些实施方式中，该装置还包括合成模块，用于将随机噪声向量输入每个浓度对应的样本生成器，其中，样本生成器是根据对应浓度下脑部的真实fmri图像，基于生成对抗网络训练得到的。样本生成器根据随机噪声向量生成对应浓度影响下脑部的多个合成fmri图像。

一些实施方式中，该装置还包括训练模块，用于使用预设的样本生成器，根据随机噪声向量生成训练fmri图像。根据训练fmri图像、待训练浓度的脑部的真实fmri图像以及样本判别器，训练样本生成器，得到对应浓度下的样本生成器，其中，样本判别器用于根据真实fmri图像确定训练fmri图像的判别结果，判别结果包括：真或假。

一些实施方式中，训练模块，具体用于将训练fmri图像和真实fmri图像输入样本判别器，得到训练fmri图像的判别结果。若训练fmri图像的判别结果为真，训练样本判别器，使得样本判别器确定训练fmri图像的判别结果为假，得到训练后的样本判别器。若训练fmri图像的判别结果为假，训练样本生成器，使得样本判别器确定训练fmri图像的判别结果为真，训练后的样本生成器。迭代训练样本判别器和样本生成器，直至训练后的样本生成器的损失函数小于预设阈值，得到对应浓度下的样本生成器。

一些实施方式中，训练模块，具体用于根据判别结果获取样本判别器的损失函数。通过样本判别器的损失函数反向传播，训练样本判别器，直至样本判别器确定训练fmri图像的判别结果为假，得到训练后的样本判别器。

一些实施方式中，训练模块，具体用于根据判别结果获取样本生成器的损失函数。通过样本生成器的损失函数反向传播，训练样本生成器，直至样本判别器确定训练fmri图像的判别结果为真，得到训练后的样本生成器。

第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如第一方面提供的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如第一方面提供的方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面提供的方法。

可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

本申请实施例与现有技术相比存在的有益效果是：

获取待分类的脑部fmri图像，脑部fmri图像中包括多个脑部区域图像。根据预设成瘾物的脑成瘾性状结构图评估模型，确定脑部fmri图像中不同区域的脑成瘾性状类型，预设成瘾物的的脑成瘾性状结构图评估模型是根据预设成瘾物不同浓度影响下获取到脑部的真实fmri图像、以及通过每个浓度对应的样本生成器得到的每个浓度影响下脑部的多个合成fmri图像训练预设分类模型得到的。由于在训练预设的脑成瘾性状结构图评估模型时，使用了每个浓度对应的样本生成器得到的每个浓度影响下脑部的多个合成fmri图像，合成的fmri图像有效扩充了训练样本，利用扩充后的训练样本训练得到的脑成瘾性状结构图评估模型能够更加精准评估待分类的脑部fmri图像，提高了脑成瘾性状结构图评估模型的分类效果。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提供的的大脑成瘾结构图谱评估方法应用场景示意图；

图2是本申请一实施例提供的的大脑成瘾结构图谱评估方法的流程示意图；

图3是本申请另一实施例提供的的大脑成瘾结构图谱评估方法的流程示意图；

图4是本申请另一实施例提供的的大脑成瘾结构图谱评估方法的流程示意图；

图5是本申请另一实施例提供的的大脑成瘾结构图谱评估方法中生成对抗网络的结构示意图；

图6是本申请另一实施例提供的的大脑成瘾结构图谱评估方法的流程示意图；

图7是本申请另一实施例提供的的大脑成瘾结构图谱评估方法的流程示意图；

图8是本申请另一实施例提供的的大脑成瘾结构图谱评估方法的流程示意图；

图9是本申请一实施例提供的的脑成瘾性状结构图评估装置的结构示意图；

图10是本申请另一实施例提供的的脑成瘾性状结构图评估装置的结构示意图；

图11是本申请另一实施例提供的的脑成瘾性状结构图评估装置的结构示意图；

图12是本申请实施例提供的终端设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

在本申请说明书中描述的参考“一个实施方式”或“一些实施方式”等意味着在本申请的一个或多个实施方式中包括结合该实施方式描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施方式中”、“在一些实施方式中”、“在其他一些实施方式中”、“在另外一些实施方式中”等不是必然都参考相同的实施方式，而是意味着“一个或多个但不是所有的实施方式”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

图1示出了本申请一实施例提供的的大脑成瘾结构图谱评估方法应用场景示意图。

如图1所示，在该场景中，包括fmri图像获取设备11，终端设备12，一种可能的实施方式中，fmri图像获取设备11可以为磁共振成像系统(mri)，mri一般由三部分构成，包括磁铁系统、射频系统、计算机成像系统，磁铁系统用于提供一个恒定的磁场，将待成像的部位(如头部)置于磁场中，然后通过射频系统发射射频场通过脉冲，作用于待成像部位，然后接收待成像部位产生的磁共振信息号，转换成数字信号，通过计算机成像系统得到fmri图像。

仅作为示例而非限定，终端设备12可以是具有计算能力的设备，例如，台式电脑、笔记本电脑、平板电脑、智能手机、服务器、云端服务器等，在此不做限制。终端设备12可以通过网络与fmri图像获取设备11中的计算机成像系统通信，以获取待分类的脑部fmri图像。终端设备12用于执行本申请提供的的尼古丁成瘾性状分类方法。

图2示出了一种的大脑成瘾结构图谱评估方法的流程示意图，作为示例而非限定，该方法可以应用于上述终端设备12。

s21、获取待分类的脑部结构图，脑部结构图为脑部fmri图像，包括多个脑部区域图像。

一些实施方式中，脑部fmri图像可以通过上述fmri图像获取设备获取，待分类的脑部fmri图像中包括多个脑部区域的图像，每个脑部区域在不同浓度的成瘾物注射刺激后，会有不同的反应，并呈现在fmri图像上。

s22、根据预设成瘾物的脑成瘾性状结构图评估模型，确定脑部fmri图像中不同区域的脑成瘾性状类型。

其中，预设成瘾物的脑成瘾性状结构图评估模型是根据预设成瘾物不同浓度影响下获取到脑部的真实fmri图像、以及通过每个浓度对应的样本生成器得到的每个浓度影响下脑部的多个合成fmri图像训练预设分类模型得到的。

一些实施方式中，预设成瘾物可以是尼古丁，在不同尼古丁浓度影响下获取到脑部的真实fmri图像表示了在不同浓度的尼古丁注射刺激后，每个脑部区域的对应的反应，相应的，每个浓度对应的样本生成器得到的每个浓度影响下脑部的多个合成fmri图像，提供了在该浓度下的脑部区域的仿真图像。

仅作为示例而非限定，可以大鼠尼古丁成瘾性状分类为例，例如，利用高、低浓度尼古丁作用下的大鼠实验对照组，采集不同浓度尼古丁注射前后一段时间的fmri影像。采集后的原始数据集可以一共包含30段真实fmri图像，将30段真实fmri图像分三组，每组10段真实fmri图像，一组为高浓度尼古丁注射后采集的真实fmri图像，一组为低浓度尼古丁注射后采集的真实fmri图像，一组为无尼古丁的盐水注射后采集的真实fmri图像。

然后采用每个浓度对应的样本生成器生成每个浓度下一定数量的合成fmri图像，合成的数量以实际需求为准，在此不做限制。

其中，预设成瘾物的脑成瘾性状结构图评估模型依次包括3d卷积层、3d平均池化层、第一3d密集连接块、第一二阶池化模块、第一过渡层、第二3d密集连接块、第二二阶池化模块、第二过渡层、第三3d密集连接块、第三二阶池化模块和全连接层，以提取待分类的脑部fmri图像全局特征图。然后，在全连接层后设置一个softmax函数，得到由0和1组成的独热编码，该独热编码可以用于表示大脑受不同浓度尼古丁注射后，每个区域性能和机制的分类。

一些实施方式中，脑成瘾性状结构图评估模型的反向传播训练过程中，可以先根据分类模型的损失函数c_loss计算梯度，再通过梯度下降法更新分类模型网络层的可学习参数。

其中，损失函数c_loss为有监督的损失，即真实fmri图像和合成fmri图像进行分类任务的交叉熵，可表示为：

其中，y为分类标注信息、(xlabel,y)～p(x,y)表示图像标注对服从图像x和标注y的联合概率分布，p(y|xlabel)表示在图像xlabel的条件下是标注信息y的条件概率。

在本实施例中，获取待分类的脑部fmri图像，脑部fmri图像中包括多个脑部区域图像。根据预设成瘾物的脑成瘾性状结构图评估模型，确定脑部fmri图像中不同区域的脑成瘾性状类型，预设成瘾物的的脑成瘾性状结构图评估模型是根据预设成瘾物不同浓度影响下获取到脑部的真实fmri图像、以及通过每个浓度对应的样本生成器得到的每个浓度影响下脑部的多个合成fmri图像训练预设分类模型得到的。由于在训练预设的脑成瘾性状结构图评估模型时，使用了每个浓度对应的样本生成器得到的每个浓度影响下脑部的多个合成fmri图像，合成的fmri图像有效扩充了训练样本，利用扩充后的训练样本训练得到的脑成瘾性状结构图评估模型能够更加精准评估待分类的脑部fmri图像，提高了脑成瘾性状结构图评估模型的分类效果。

图3示出了另一种的大脑成瘾结构图谱评估方法的流程示意图。

一些实施方式中，如图3所示，通过每个浓度对应的样本生成器得到的每个浓度影响下脑部的多个合成fmri图像，包括：

s31、将随机噪声向量输入每个浓度对应的样本生成器。

其中，样本生成器是根据对应浓度下脑部的真实fmri图像，基于生成对抗网络训练得到的。

一些实施方式中，随机噪声向量可以是具有高斯分布的一维随机噪声向量，样本生成器则可以为由4层3d反卷积层组成的生成器。

其中，如s22中所示，每个浓度对应的样本生成器是根据该浓度尼古丁注射后采集的真实fmri图像，例如，高浓度尼古丁对应的样本生成器对应的则是根据将高浓度尼古丁注射给大鼠后，采集的大鼠脑部的真实fmri图像，训练得到的。

s32、样本生成器根据随机噪声向量生成对应浓度影响下脑部的多个合成fmri图像。

需要说明的是，使用样本生成器生成的合成fmri图像和真实fmri图像之间的差异很小，因此可以将合成fmri图像和真实fmri图像一起，用作训练尼古丁成瘾性状分类模型。

图4示出了另一种的大脑成瘾结构图谱评估方法的流程示意图。

一些实施方式中，如图4所示，每个浓度对应的样本生成器可以通过以下步骤训练得到：

s41、使用预设的样本生成器，根据随机噪声向量生成训练fmri图像。

图5示出了一种的大脑成瘾结构图谱评估方法中生成对抗网络的结构示意图。

在本申请中，每个浓度对应的样本生成器均通过对抗生成网络训练得到。

如图5所示，对抗生成网络包括样本生成器52，以及输入样本生成器52的噪声向量51，样本生成器52根据噪声向量51生成训练fmri图像53，其中，样本生成器52在未经训练时，生成的训练fmri图像53十分粗糙，能够轻易地分辨出其为合成图像。

其中，样本生成器的前三个反卷积层可以采用向量卷积运算层(conv)—渗漏的修正线性单元层(leakyrectifiedlinearunit,leakyrelu)—批标准化层(batchnormalization)的次序，并在最后一层移除batchnormalization，采用双曲正切(tanh)激活函数。经过4层3d反卷积后，可从随机噪声中生成与真实fmri图像尺寸大小相同的合成fmri图像。

s42、根据训练fmri图像、待训练浓度的脑部的真实fmri图像以及样本判别器，训练样本生成器，得到对应浓度下的样本生成器。

其中，样本判别器用于根据真实fmri图像确定训练fmri图像的判别结果，判别结果包括：真或假。

一些实施方式中，请继续参考图5，将训练fmri图像53和真实fmri图像54输入样本判别器54中，其中，样本判别器54包括4层3d卷积层和一层全连接层，判别器的3d卷积层采用conv—leakyrelu—batchnormalization的次序，并在第一层和最后一层移除batchnormalization，以保持输入输出的独立性。样本判别器54通过4层3d卷积层对输入的训练fmri图像53和真实fmri图像54分别进行特征提取，随后通过一个全连接层分别对提取的局部特征进行整合，得到训练fmri图像53的全局特征和真实fmri图像54的全局特征。最后，通过一个sigmoid函数，将上述全局特征归一化，得到归一化的特征值，并将归一化的特征值作为样本判别器54对输入的fmri图像的判别，其中若判别为真，则归一化特征值为1，反之，若判别为假，则归一化特征值为0。

图6示出了一种的大脑成瘾结构图谱评估方法的流程示意图。

一些实施方式中，如图6所示，根据训练fmri图像、待训练浓度的脑部的真实fmri图像以及样本判别器，训练样本生成器，得到对应浓度下的样本生成器，包括：

s421、将训练fmri图像和真实fmri图像输入样本判别器，得到训练fmri图像的判别结果。

一些实施方式中，可以先将真实fmri图像进行预处理，例如，可以真实fmri图像进行归一化预处理，将每个体素值归一化到[-1,1]之间，并通过旋转、随机剪裁等计算机视觉处理常用的方法进行对真实fmri图像中的数据进行增强。

将预处理后的真实fmri图像和训练fmri图像以高阶张量的形式分别输入到样本判别器中，得到训练fmri图像的判别结果。

s422、若训练fmri图像的判别结果为真，训练样本判别器，使得样本判别器确定训练fmri图像的判别结果为假，得到训练后的样本判别器。

s423、若训练fmri图像的判别结果为假，训练样本生成器，使得样本判别器确定训练fmri图像的判别结果为真，训练后的样本生成器。

本申请的实施方式中，采用的生成对抗网络，需要先训练样本判别器，提高判别能力，其目的在于将训练fmri图像判别为假，然后再训练样本生成器，提高生成能力，其目的在于使得样本判别器将训练fmri图像判别为真，通过样本判别器和样本生成器对抗训练，迭代一定次数后，样本判别器判别通过训练后的样本生成器生成的训练fmri图像为真和为假的概率趋近50％，即样本判别器无法准确识别训练fmri图像的真假，也就是说训练fmri图像以及足够逼真，可以用作训练脑成瘾性状结构图评估模型。

s424、迭代训练样本判别器和样本生成器，直至训练后的样本生成器的损失函数小于预设阈值，得到对应浓度下的样本生成器。

一些实施方式中，样本生成器与样本判别器的训练均通过反向传播算法实现。其中，预设阈值可以根据实际应用时，所需的精度进行设置，在此不做限制。

图7示出了一种的大脑成瘾结构图谱评估方法的流程示意图。

一些实施方式中，如图7所示，训练样本判别器，使得样本判别器确定训练fmri图像的判别结果为假，包括：

s4221、根据判别结果获取样本判别器的损失函数。

在反向传播过程中，先根据样本判别器的损失函数d_loss计算梯度，再通过梯度下降法更新样本判别器网络层中的可学习参数。

s4222、通过样本判别器的损失函数反向传播，训练样本判别器，直至样本判别器确定训练fmri图像的判别结果为假，得到训练后的样本判别器。

其中，样本判别器的目标是判别真实fmri图像为真，判别由训练fmri图像为假。因此，其损失函数由两部分构成，可表示为：

其中，x为输入的图像，d(x)为样本判别器判别图像x为真的概率，z为随机噪声向量，g(z)表示从随机噪声向量z生成的合成fmri图像,d(g(z))表示样本别器判别生成图像g(z)为真的概率，θd表示样本判别器网络层的参数，x～real表示图像x服从真实数据分布，z～noise表示随机噪声向量z服从随机正态分布。

图8示出了一种的大脑成瘾结构图谱评估方法的流程示意图。

一些实施方式中，如图8所示，训练样本生成器，使得样本判别器确定训练fmri图像的判别结果为真，包括：

s4223、根据判别结果获取样本生成器的损失函数。

一些实施方式中，在样本生成器的反向传播过程中，可以先根据样本生成器的损失函数g_loss计算梯度，再通过梯度下降法更新样本生成器网络层的可学习参数。

s4224、通过样本生成器的损失函数反向传播，训练样本生成器，直至样本判别器确定训练fmri图像的判别结果为真，得到训练后的样本生成器。

其中，样本生成器的目标是通过模拟真实的脑部fmri特征，生成能够欺骗样本判别器的训练fmri图像。对于我们的样本生成器，其损失函数包含两部分，一部分为欺骗样本判别器使其判别训练fmri图像为真，另一部分为真实fmri图像与训练fmri图像之间的重建损失，使生成图像更接近真实图像，则样本生成器的损失函数g_loss可表示为：

其中，xreal表示真实fmri图像，λ为l1损失函数权重参数，θg为样本生成器网络层的参数。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

对应于上文实施例的的大脑成瘾结构图谱评估方法，图9示出了本申请实施例提供的的脑成瘾性状结构图评估装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图9，该装置包括：

获取模块61，用于获取待分类的脑部结构图，脑部结构图为脑部fmri图像，包括多个脑部区域图像。

确定模块62，用于根据预设成瘾物的脑成瘾性状结构图评估模型，确定脑部fmri图像中不同区域的脑成瘾性状类型，其中，预设成瘾物的脑成瘾性状结构图评估模型是根据预设成瘾物不同浓度影响下获取到脑部的真实fmri图像、以及通过每个浓度对应的样本生成器得到的每个浓度影响下脑部的多个合成fmri图像训练预设分类模型得到的。

图10示出了另一种的的脑成瘾性状结构图评估装置的结构框图。

一些实施方式中，如图10所示，该装置还包括合成模块63，用于将随机噪声向量输入每个浓度对应的样本生成器，其中，样本生成器是根据对应浓度下脑部的真实fmri图像，基于生成对抗网络训练得到的。样本生成器根据随机噪声向量生成对应浓度影响下脑部的多个合成fmri图像。

图11示出了另一种的的脑成瘾性状结构图评估装置的结构框图。

一些实施方式中，如图11所示，该装置还包括训练模块64，用于使用预设的样本生成器，根据随机噪声向量生成训练fmri图像。根据训练fmri图像、待训练浓度的脑部的真实fmri图像以及样本判别器，训练样本生成器，得到对应浓度下的样本生成器，其中，样本判别器用于根据真实fmri图像确定训练fmri图像的判别结果，判别结果包括：真或假。

一些实施方式中，训练模块64，具体用于将训练fmri图像和真实fmri图像输入样本判别器，得到训练fmri图像的判别结果。根据训练fmri图像的判别结果，训练样本生成器或样本判别器，直至样本生成器的损失函数小于预设阈值，得到对应浓度下的样本生成器。

一些实施方式中，训练模块64，具体用于若样本判别器确定训练fmri图像的判别结果为真，则根据判别结果获取样本判别器的损失函数。通过样本判别器的损失函数训练样本判别器，直至样本判别器确定训练fmri图像的判别结果为假。

一些实施方式中，训练模块64，具体用于若样本判别器确定训练fmri图像的判别结果为假，则根据判别结果获取样本生成器的损失函数。通过样本生成器的损失函数训练样本生成器，直至样本判别器确定训练fmri图像的判别结果为真。

需要说明的是，上述装置中各模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供了一种终端设备，图12示出了终端设备的结构示意图。

如图12所示，终端设备7包括存储器72、处理器71以及存储在存储器7中并可在处理器71上运行的计算机程序73，处理器71执行计算机程序73时实现上述的的大脑成瘾结构图谱评估方法。

处理器71可以是中央处理单元(centralprocessingunit，cpu)，该处理器71还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。

存储器72在一些实施例中可以是终端设备7的内部存储单元，例如终端设备7的硬盘、闪存或内存。存储器72在另一些实施例中也可以是终端设备7的外部存储设备，例如终端设备7上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，存储器72还可以既包括终端设备7的内部存储单元也包括外部存储设备。存储器72用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如计算机程序73的程序代码、视频等。存储器72还可以用于暂时地存储已经输出或者将要输出的数据。

本申请实施例还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存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。