本公开涉及生物信息,尤其涉及神经影像数据处理方法、装置、电子设备及存储介质。
背景技术:
1、人脑作为一个高度复杂的神经生物学系统,在协调人类行为和认知方面起着至关重要的作用。大脑的活动在不同脑区之间存在着相互作用和调控关系,同时还受到时间上的动态变化影响。研究人员通过各种神经成像技术,如磁共振成像(mri)、脑电图(eeg)、功能性近红外光谱(fnirs)等,来捕捉人类的大脑活动,并采用时空图神经网络提取医学影像数据中的时空特征信息。
2、时空图神经网络(stgnn)是gnn的一个新兴分支,用于处理时间序列数据,它在捕获大脑活动随时间的动态变化方面显示出巨大的前景。然而,直接将stgnn应用于脑网络分析有一些固有的局限性需要解决。首先,现有的stgnn独立或交替地对空间和时间依赖性的建模方法,虽然能捕捉到空间依赖和时间依赖,但却无法同时捕捉时间和空间维度之间的内部依赖关系。第二,stgnn通常利用一维卷积神经网络(1dcnn)来捕捉时间维度上的动态依赖。然而,由于卷积运算的核大小有限,这些模型无法捕获超出卷积核感受野的长距离依赖关系,从而导致神经影像全局表征的缺失。第三,由于大脑活动是一个动态过程,大脑区域之间的连接随着时间的推移而变化,现有的stgnn无法捕获不同大脑区域的时间依赖性。以上三个问题均导致现有的stgnn无法获取完整且准确的时空特征信息。
技术实现思路
1、根据本公开的第一方面,提供了一种神经影像数据处理方法,包括:
2、获取目标神经影像数据;
3、将所述目标神经影像数据转换为时间序列信号和动态图;所述时间序列信号包括所述目标神经影像数据的时间依赖关系,所述动态图包括所述目标神经影像数据的时间依赖关系以及空间依赖关系;
4、把所述时间序列信号和所述动态图输入时空图特征提取模型,获得所述目标神经影像数据的全尺度图表征信息;所述全尺度图表征信息包括所述目标神经影像数据的时空特征信息。
5、根据本公开的第二方面,提供了一种神经影像数据处理装置,包括:
6、数据获取模块,用于获取目标神经影像数据;
7、数据处理模块,用于将所述目标神经影像数据转换为时间序列信号和动态图;所述时间序列信号包括所述目标神经影像数据的时间依赖关系,所述动态图包括所述目标神经影像数据的时间依赖关系以及空间依赖关系;
8、所述数据处理模块,还用于把所述时间序列信号和所述动态图输入时空图特征提取模型,获得所述目标神经影像数据的全尺度图表征信息;所述全尺度图表征信息包括所述目标神经影像数据的时空特征信息。
9、根据本公开的第三方面,提供了一种电子设备,包括:
10、处理器;以及,
11、存储程序的存储器;
12、其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据本公开示例性实施例所述的方法。
13、根据本公开的第四方面,提供了一种非瞬时计算机可读存储介质,所述非瞬时计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行根据本公开示例性实施例所述的方法。
14、本公开实施例中提供的一个或多个技术方案,先将目标神经影像数据转换为时间序列信号和动态图。时间序列信号包括目标神经影像数据在时间维度上的演变关系,动态图包括目标神经影像数据在时间和空间维度上的演变关系。然后,将时间序列信号和动态图输入到时空图特征提取模型中,以获得目标神经影像数据的全尺度图表征信息。全尺度图表征信息包含了从目标神经影像数据中提取的丰富时空特征信息,能够捕捉时间和空间维度之间的内在依赖关系以及不同大脑区域之间的时间依赖关系。这些特征信息有助于更深入地理解目标神经影像数据的时空特性,并为后续的分类和预测任务提供了重要的基础。
1.一种神经影像数据处理方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述时空图特征提取模型包括动态自适应相邻图卷积网络、全局时空双重注意网络、基于对比学习的时空特征融合模块以及门控融合模块;
3.根据权利要求2所述的方法,其特征在于,包括:
4.根据权利要求3所述的方法,其特征在于,包括:
5.根据权利要求4所述的方法,其特征在于,所述时空特征融合模块还包括损失函数
6.根据权利要求2所述的方法,其特征在于,包括:
7.根据权利要求6所述的方法,其特征在于,所述动态自适应相邻图卷积网络包括邻接图卷积模块;
8.一种神经影像数据处理装置,其特征在于,包括:
9.一种电子设备,其特征在于,包括:
10.一种非瞬时计算机可读存储介质,其特征在于,所述非瞬时计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。