一种功能磁共振影像的分类预测系统的制作方法

1.本发明属于磁共振影像领域，具体是一种功能磁共振影像的分类预测系统。


背景技术：

2.作为一种非侵入性的成像技术，功能磁共振成像技术通过采集血氧水平依赖(bloodoxygenleveldependent,bold)信号来反映大脑处于任务态或者静息态的神经元活动。具有无创伤，时间空间分辨率都较好的特性。目前普遍应用的针对功能磁共振影像的时间序列特征提取方法主要分为两类：第一类是基于预定义的脑模板的特征提取方法；第二类是基于数据驱动的特征提取方法；基于模板的特征提取方法一般是基于固定的、预定义的模板(例如automatedanatomicallabelling(aal)，brainnetomeatlas)来进行脑区划分，进而提取每个脑区的时间序列，这种方法的优势在于稳定性好，容易在不同数据之间进行迁移，缺点是预定义的脑区与真实数据之间往往会有偏差；基于数据驱动的特征提取方法(独立成分分析等)可以直接从数据中提取有效的特征脑区，这种方法一般能够找到比基于脑模板更有针对性的功能网络，缺点是在于需要人工挑选特征，不容易在不同数据及之间进行迁移学习。
3.在提取时间序列之后，之前的研究往往会计算不同脑区的时间序列的相关性，进而构建功能连接网络，并以此作为分类模型的输入特征，这类方法在很大程度上损失了原始信号中隐含的时间序列信息。伴随着深度学习技术的迅猛发展，深度学习模型(循环神经网络等)在分析时间序列(例如语音信号、自然语言处理)上的表现已经明显超过传统时间序列模型(如隐马尔科夫模型等)，然而目前国内外尚未有使用深度学习进行功能磁共振时间序列分析的研究。此外，深度学习的黑箱性质使得很难对其分类诊断结果进行有效的解释，因而在很大程度上阻碍了其在临床上的应用。
4.为了解决上述问题，中国专利公告号为cn 109770903 b的专利公开了一种功能磁共振影像的分类预测系统，旨在为了解决解决包含时间序列信息的功能磁共振影像分类问题。本发明系统包括：获取模块，获取被测对象的功能磁共振影像组，包括多个功能磁共振影像；特征提取模块，分别对每个功能磁共振影像的各脑区进行特征降维，并基于功能磁共振影像组中各功能磁共振影像的时间序列，构建脑区-时序特征矩阵；分类预测模块，将所述脑区-时序特征矩阵，通过预先训练好的分类模型进行分类预测。
5.该系统通过计算机手段快速、便捷的实现了包含时间序列信息的功能磁共振影像分类。但是，该系统在运行时需进行自主学习，为了保证自主学习系统的稳定性和精度，需要积累大量的训练数据和模型参数，这可能会对储存空间造成一定的负担。此外，由于自主学习是一个迭代过程，所以每次更新时都需要保存先前训练好的模型，这也增加了系统的存储负担。并且，在自主学习过程中，系统需要不断地处理大量的数据和算法模型以获取最佳的分类预测结果。这可能会导致训练时间较长，影响系统的实时性和响应速度。因此，本方案提出了一种功能磁共振影像的分类预测系统，提高系统进行功能磁共振影像的分类预测效率。


技术实现要素：

6.为了解决上述系统在运行时需进行自主学习影响系统的实时性和响应速度的问题，本发明提供一种功能磁共振影像的分类预测系统，以提高系统进行功能磁共振影像的分类预测效率。
7.为了实现上述目的，本发明的技术方案如下：一种功能磁共振影像的分类预测系统，包括脑区分类和特征提取模块、升维处理模块、区域检测模块、数据分析模块、参数对比模块和反馈输出模块；
8.分类和特征提取模块，用于使用计算机视觉技术，将磁共振影像分为多个不同区域，并从每个区域提取相关特征；
9.升维处理模块，用于利用升维插值算法，将二维磁共振影像升维至三维，以便更准确地构建脑部结构模型；
10.区域检测模块，用于通过对单个区域内数据进行预处理、增强和好重建等操作，利用机器学习中监督或非监督的异常检测算法，实现区域内异常点检测和识别；
11.数据分析模块，用于将多个区域的磁共振影像数据组合在一起，生成训练数据，利用机器学习算法构建分类模型或回归模型，以区分正常和异常数据，并从孤立森林等算法中获取异常分数，发现可能存在的风险因素；
12.参数对比模块，用于通过将实验结果与理论模型的差别作为参数来发现被害点；利用统计方法比较实验结果和理论预测，并确定哪些区域具有较高的概率可以成为疾病或异常行为的起始点；
13.反馈输出模块，用于收集参数对比模块中的结果并输出诊断结论，向使用者提供参考意见，并适时更新知识库来提高系统精度和效能，将所有结果汇总并呈现出来。
14.采用上述方案的原理及有益效果：1、该系统可以将磁共振影像分为多个区域，并从每个区域提取相关特征，使得分析更加细致、全面；同时利用升维插值算法将二维图像升维至三维，可视化效果更佳，能够更准确地构建脑部结构模型。
15.2、该系统利用机器学习中监督或非监督的异常检测算法实现区域内异常点的检测和识别，提高了检测精度。该系统利用机器学习算法构建分类或回归模型，从孤立森林等算法中获取异常分数，可以快速地发现风险因素和提前预警异常情况。参数对比模块可通过统计方法比较实验结果和理论预测，确定哪些区域具有较高的概率可以成为疾病或异常行为的起始点，帮助医生更准确地定位问题所在。反馈输出模块能够收集所有参数对比模块中的结果并输出诊断结论，为使用者提供参考意见，并适时更新知识库提高系统的精度和效能。
16.3、在训练数据时，通过将多个区域的影像数据组合在一起，构建更加完整和准确的脑部结构模型，训练得到的分类模型或回归模型也能够更好地识别和定位异常点。因此，在整个系统中各个模块的协同作用下，可以有效地解决各个区域的协同问题。该系统利用升维插值算法、可监督或非监督的异常检测算法和机器学习算法进行数据分析和异常检测。通过将磁共振影像分为多个不同区域，并从每个区域提取相关特征，在数据分析模块中组合在一起，实现了对多个区域协同点行为的监测和诊断。在参数对比模块中，通过利用统计方法比较实验结果和理论预测，并确定哪些区域具有较高的概率可以成为疾病或异常行为的起始点，来发现被害点和风险因素。因此，该系统能够有效地解决各个区域的协同点问
题。
17.4、该系统所进行的网络构建，可以不需要进行自主学习，直接进行实测。避免使用复杂的卷积神经网络，在理想状态下直接用理想模型通路，在实测模型中直接运行，看理想通路中的量和实测量的差异性，节省神经网络训练步骤，节省了功能磁共振影像的分类预测的时间，提高了系统进行功能磁共振影像的分类预测效率。
18.进一步，数据分析模块模块中，将多个区域的磁共振影像数据组合在一起时，将其进行模型重叠，把正常运作的介质和路径替换到实测生成的模型中，当偏离幅度越大，颜色越深。
19.有益效果：将多个区域的磁共振影像数据组合起来，综合考虑不同脑部区域之间的关联性和协同性，从而捕获异常信息。通过将实际生成的模型与正常运作的介质和路径进行比较，可以检测并量化各个区域之间的差异和偏离程度，进而快速准确地定位异常点或异常行为，为临床医生提供可靠的诊断依据。同时，可以经过分析不同区域之间的相关性和影响因素，发现可能导致脑部异常的风险因素和病理机制，有助于深入了解相关疾病的发生、发展和治疗方案设计等方面。这些结果对于精确定位疾病、制定个性化的治疗方案和评估治疗效果等方面都具有重要的意义。
20.进一步，利用升维插值算法将二维磁共振影像升维至三维时，利用双线性插值通过对每个像素按一定比例进行加权计算，从而获得新的像素值；经过升维插值后，将三维数据空间，根据任务需求，进行三维重构、表面提取、分割等一系列操作，以构建更精准的脑部结构模型。
21.有益效果：升维插值算法能够获取更多的层次信息，在三维重构中能够还原出更真实、更具代表性的脑部结构；通过对每个像素进行加权计算，升维插值算法可以增加空间分辨率并提高数据精度，从而生成更加精细的脑部结构模型。在升维插值后，可以针对任务需求进行三维重构、表面提取、分割等一系列操作，因此该方法可以根据不同的应用场景和目标需要制定更加灵活有效的分析策略。与单纯的二维图像相比，三维模型能够提供更全面的信息，包括形态、大小、空间位置等多个维度的信息，这些信息对于医学研究和诊断都具有重要意义。
22.进一步，预处理包括归一化和去噪等；监督异常检测算法包括支持向量机和朴素贝叶斯等，非监督异常检测算法包括基于密度的离群点检测和孤立森林等；该模块能够将检测到的异常点进行归类、整理和分析，并将其展示给使用者或记录到数据库中。
23.有益效果：通过采用监督或非监督的异常检测算法，该模块可以在磁共振影像数据中准确地检测到异常点，从而提高了诊断结果的准确性和可靠性；该模块对不同的异常点进行归类、整理和分析，以便医生能够更好地理解和利用这些信息，并针对性地开展后续的分析治疗工作。同时，其预处理步骤也使得异常处理结果更加可靠和规范。异常检测与处理是医学领域中重要的组成部分，可以为临床诊断提供重要参考。该模块的应用，能显著提高疾病早期筛查的准确度和效率，从而在保障人民群众身体健康方面起到了积极作用。
24.进一步，利用机器学习算法构建分类模型或回归模型时，根据具体任务收集并整理相关数据，包括正负样本数据和特征数据，提取出数据中最有代表性和最关键的特征，或将原始特征转化成更易于算法处理的新特征；根据任务需求选定适合的模型，并通过交叉验证等方法确定最优模型；将所选的模型应用于数据集进行训练，其中一份数据作为模型
的训练集，另一份数据作为测试集用于评估模型的性能；根据测试结果调整模型超参数，通过各种评价指标如准确性、召回率、f1值等来衡量模型的性能，将优化后的模型应用于未知数据进行分类或回归预测。
25.有益效果：通过机器学习算法可以自动进行特征提取、模型选择、参数调整等一系列操作，大大缩短了人工建模的时间；通过交叉验证等方法评估模型的性能，可以更加客观地反映模型的泛化能力和稳定性，减少由于过拟合等问题导致的性能下降；通过对数据集的分析与挖掘，仅选择出最有代表性和最关键的数据特征，在保证预测/分类准确率的同时提高了运行效率；机器学习算法可以在不同的任务中寻找最佳的模型，可以适应不同的领域，并为该领域提供最佳的预测和分类结果；因为采用了通用的自动特征提取和机器学习算法，该方法可以快速适应处理不同类型的数据集，并随着新数据的输入进行不断地迭代和改进。
26.进一步，相关特征包括颜色、纹理、形状、大小和密度等。
27.有益效果：不同特征对于样本的描述性能不同，合理选择相关特征有利于准确地区分不同类别的样本，更加全面准确地描述数据；颜色、纹理等视觉特征是人类感知世界的核心手段，同时也被广泛应用于计算机视觉领域，可以适应处理不同类型的图像数据集，并为该领域提供最佳的预测和分类结果。
28.进一步，实验结果与理论模型的差别为理论模型的预测结果与实际观察结果之间的差异，该差异包括误差、偏差、噪声或其它因素，并通过比较实验结果和理论模型来检查和分析。
29.有益效果：通过比较实验结果和理论模型，可以验证理论是否正确。如果实验结果与理论模型不符，则需要检查理论模型是否有问题，以提出新的或改进现有的理论模型。差异分析包括误差、偏差、噪声等方面的考虑，可以更全面地评估理论模型的准确性和适用性；通过评估误差和偏差的大小和方向，可以定量地描述理论模型的误差程度，从而为研究人员提供了更详细的信息；分析差异可以帮助指导下一步的实验设计，从而更好地理解实验数据，并从中提取更多的信息；通过比较实验结果和理论模型，可以发现实验中噪声和系统误差等不确定因素，从而提高实验的可靠性并减小其不确定性。
30.进一步，反馈输出模块的诊断结论包括参数对比结果的总体趋势及其可靠性、不同条件下的参数对比结果、参数之间的相关性和影响因素、和针对参数对比结果提出的建议和改进措施。
31.有益效果：通过对不同参数对比结果的分析和总体趋势的解释，可以评估不同条件下系统或模型的表现，而这对于进一步的改进和优化至关重要；反馈输出的可靠性取决于各个参数结果之间的相关性和影响因素如何影响总体趋势。与此同时，该模块能提供这些结果并存储数据，以满足后续需求；反馈输出结果综合了所有参考数据的信息，并考虑了这些参数之间的复杂关系，比较全面地描述了系统的特征；通过比较实验结果和理论模型，可以定量地描述不同条件下系统的表现，从而为研究人员提供了更详细的信息；针对分析结果，根据对参数表达能力和参数质量的评估提出改进建议和措施，以便为用户提供更准确的数据及分析结果。
附图说明
32.图1为本发明实施例的功能磁共振影像的分类预测系统示意图。
具体实施方式
33.下面通过具体实施方式进一步详细说明：
34.实施例一
35.实施例基本如附图1所示：
36.一种功能磁共振影像的分类预测系统，包括脑区分类和特征提取模块、升维处理模块、区域检测模块、数据分析模块、参数对比模块和反馈输出模块。
37.分类和特征提取模块，用于使用计算机视觉技术，将磁共振影像分为多个不同区域，并从每个区域提取相关特征。
38.升维处理模块，用于利用升维插值算法，将二维磁共振影像升维至三维，以便更准确地构建脑部结构模型。
39.区域检测模块，用于通过对单个区域内数据进行预处理、增强和好重建等操作，利用机器学习中监督或非监督的异常检测算法，实现区域内异常点检测和识别。
40.数据分析模块，用于将多个区域的磁共振影像数据组合在一起，生成训练数据，利用机器学习算法构建分类模型或回归模型，以区分正常和异常数据，并从孤立森林等算法中获取异常分数，发现可能存在的风险因素。
41.参数对比模块，用于通过将实验结果与理论模型的差别作为参数来发现被害点；利用统计方法比较实验结果和理论预测，并确定哪些区域具有较高的概率可以成为疾病或异常行为的起始点
42.反馈输出模块，用于收集参数对比模块中的结果并输出诊断结论，向使用者提供参考意见，并适时更新知识库来提高系统精度和效能，将所有结果汇总并呈现出来。再以实验结果与理论模型的差别作为参数，使用统计方法比较实验结果和理论预测，确定哪些区域具有较高概率成为疾病或异常行为的起始点。收集参数对比模块中的结果并输出诊断结论，向使用者提供参考意见，并适时更新知识库来提高系统精度和效能。将所有结果汇总并呈现出来供用户参考。
43.具体实施过程如下：使用该功能磁共振影像的分类预测时利用分类和特征提取模块，使用计算机视觉技术，将磁共振影像分为多个不同区域，并从每个区域提取相关特征；利用升维处理模块中的升维插值算法，将二维磁共振影像升维至三维，以便更准确地构建脑部结构模型
44.利用区域检测模块对单个区域内数据进行预处理、增强和好重建等操作，再利用机器学习中监督或非监督的异常检测算法，实现区域内异常点检测和识别；利用数据分析模块，将多个区域的磁共振影像数据组合在一起，生成训练数据，利用机器学习算法构建分类模型或回归模型，以区分正常和异常数据，并从孤立森林等算法中获取异常分数，发现可能存在的风险因素；利用参数对比模块，通过将实验结果与理论模型的差别作为参数来发现被害点；利用统计方法比较实验结果和理论预测，并确定哪些区域具有较高的概率可以成为疾病或异常行为的起始点。
45.利用反馈输出模块，收集参数对比模块中的结果并输出诊断结论，向使用者提供
参考意见，并适时更新知识库来提高系统精度和效能，将所有结果汇总并呈现出来。再以实验结果与理论模型的差别作为参数，使用统计方法比较实验结果和理论预测，确定哪些区域具有较高概率成为疾病或异常行为的起始点。收集参数对比模块中的结果并输出诊断结论，向使用者提供参考意见，并适时更新知识库来提高系统精度和效能。将所有结果汇总并呈现出来供用户参考。
46.实施例二
47.本实施例与上述实施例的区别在于：数据分析模块模块中，将多个区域的磁共振影像数据组合在一起时，将其进行模型重叠，把正常运作的介质和路径替换到实测生成的模型中，当偏离幅度越大，颜色越深。
48.具体实施过程如下：将不同磁共振影像扫描数据进行预处理，包括图像归一化、去除噪声等，以保证后续的模型计算准确性与稳定性。利用计算机视觉技术将经过预处理的图像进行脑区分类和划分，并从每个分区提取相关特征。该过程包括使用深度神经网络模型自动识别磁共振影像中的不同部位和类型，如灰质、白质等，并进一步提取特征表示脑部结构的特征向量。将上述得出的特征向量存储到一个特征矩阵中，并利用机器学习算法构建分类模型或回归模型，以区分正常和异常数据，并利用孤立森林等算法获取异常分数，发现可能存在的风险因素。再将模型重叠到实测生成的模型，将正常运作的介质和路径替换到实测生成的模型中，当偏离幅度越大，颜色越深。这通常包括将磁共振影像映射到三维空间，并在欧几里得坐标系下计算每个区域之间的空间距离和相对位置关系。最后，使用可视化工具呈现与分析结果，如显示重叠图、3d脑部解剖模型等。通过此过程，医生可以获得更加精准的脑部结构检测和异常诊断结果，提高患者的治疗效果和生活质量。
49.实施例三
50.本实施例与上述实施例的区别在于：利用升维插值算法将二维磁共振影像升维至三维时，利用双线性插值通过对每个像素按一定比例进行加权计算，从而获得新的像素值；经过升维插值后，将三维数据空间，根据任务需求，进行三维重构、表面提取、分割等一系列操作，以构建更精准的脑部结构模型。
51.具体实施过程如下：获取二维磁共振影像数据，并将其转换为灰度图像。各个像素点代表不同的密度和强度信息。利用升维插值算法将二维图像升维至三维，这里采用双线性插值算法进行计算。该算法通过对每个像素按一定比例进行加权计算，从而获得新的像素值。在进行插值时，需要对缺失的像素点进行估计并填充，以使图像质量更好、更完整。对升维插值后的三维数据空间进行三维重构、表面提取、分割等一系列操作，以进一步处理得到精确有效的脑部结构模型。例如，在任务需要的情况下，可以利用可视化工具将3d数据可视化呈现来帮助医学诊断，也可以使用图像分割等方法，自动或者半自动地确定感兴趣的区域，便于提取特征信息辅助诊断等。最后，完成数据处理和可视化后，可以使用人工智能算法进行数据挖掘分析、模型训练等实用应用。这些步骤能够提高准确性和工作效率，为开发和使用医疗影像系统提供了有力保障。
52.实施例四
53.本实施例与上述实施例的区别在于：预处理包括归一化和去噪等；监督异常检测算法包括支持向量机和朴素贝叶斯等，非监督异常检测算法包括基于密度的离群点检测和孤立森林等；该模块能够将检测到的异常点进行归类、整理和分析，并将其展示给使用者或
记录到数据库中。
54.具体实施过程如下：首先对输入的数据进行预处理，包括归一化和去噪等操作。其中，归一化可以使不同特征的取值范围相同，减少计算误差；去噪可以剔除掉明显的随机噪声或孤立点，使后续异常检测更加准确。根据任务需求，选择合适的监督或非监督异常检测算法进行检测。监督异常检测算法包括支持向量机和朴素贝叶斯等，需要有已知标记的训练集来进行训练和分类；非监督异常检测算法包括基于密度的离群点检测和孤立森林等，不需要有事先标记好的训练样本，更具有普适性。将检测到的异常点进行归类和整理，例如可以按照不同的异常类型或者特征分布将其归类。这样做有助于更好地理解数据中存在的异常点，并进一步进行分析和处理。最后，通过图表、报警或记录数据库等方式，将检测到的异常点进行可视化展示或记录。这样可以使使用者更直观地了解异常情况，并及时采取相应的措施以进一步优化数据、提升系统性能和工作效率。
55.实施例五
56.本实施例与上述实施例的区别在于：利用机器学习算法构建分类模型或回归模型时，根据具体任务收集并整理相关数据，包括正负样本数据和特征数据，提取出数据中最有代表性和最关键的特征，或将原始特征转化成更易于算法处理的新特征；根据任务需求选定适合的模型，并通过交叉验证等方法确定最优模型；将所选的模型应用于数据集进行训练，其中一份数据作为模型的训练集，另一份数据作为测试集用于评估模型的性能；根据测试结果调整模型超参数，通过各种评价指标如准确性、召回率、f1值等来衡量模型的性能，将优化后的模型应用于未知数据进行分类或回归预测。
57.具体实施过程如下：根据具体任务需求，收集并整理相关数据，包括正负样本数据和特征数据，并将数据进行预处理。其中，数据预处理包括数据清洗、数据集成、数据转换和数据规约等步骤，以提高数据质量。从原始特征中筛选出最有代表性和最关键的特征，或将原始特征转化成更易于算法处理的新特征。特征工程是整个机器学习算法中非常重要的一环。根据任务需求，在已有的机器学习算法中选择适合的分类或回归模型，并通过交叉验证等方法确定最优模型。使用数据集对所选的模型进行训练，其中一份数据作为模型的训练集，另一份数据作为测试集用于评估模型的性能。此外，为了避免过拟合或欠拟合问题，需要采用正则化、提前终止等技术对模型进行调整。通过各种评价指标如准确性、召回率、f1值等来衡量模型的性能，并根据测试结果对模型超参数进行调整，使其达到更好的分类或回归效果。将优化后的模型应用于未知数据进行分类或回归预测。此外，在进行实际应用时还需要考虑模型存储、更新和服务化等问题，以确保模型持续稳定地工作。
58.实施例六
59.本实施例与上述实施例的区别在于：相关特征包括颜色、纹理、形状、大小和密度等。
60.具体实施过程如下：基于颜色、纹理、形状、大小和密度等相关特征的分析通常需要先进行数据采集和预处理，然后提取有效的特征，选择适合的分类器或回归模型，并对模型进行训练和评估，最后对模型进行性能优化。
61.实施例七
62.本实施例与上述实施例的区别在于：实验结果与理论模型的差别为理论模型的预测结果与实际观察结果之间的差异，该差异包括误差、偏差、噪声或其它因素，并通过比较
实验结果和理论模型来检查和分析。
63.具体实施过程如下：先定义误差指标，选择合适的误差度量指标，如均方根误差、平均绝对误差、相关系数等，来衡量理论模型预测值与实际观察值之间的差异。再搜集实验数据，需要收集足够多、准确的实验数据，在不同条件下进行实验，并记录相关数据。再对预测结果和实际数据进行分析，将理论模型的预测结果与实际观察结果进行比较，利用定义的误差度量指标计算出误差值。可以采用图形展示的方式，将两者的结果进行可视化比较，以更直观地反映它们之间的差异。分析误差来源，通过误差分析方法，分析误差的来源，如偏差、噪声等因素，并尝试优化模型，改善其预测能力。例如，可以考虑增加其他特征、优化处理流程，或者改进算法模型等方法，从而提高模型的预测精度。
64.实施例八
65.本实施例与上述实施例的区别在于：反馈输出模块的诊断结论包括参数对比结果的总体趋势及其可靠性、不同条件下的参数对比结果、参数之间的相关性和影响因素、和针对参数对比结果提出的建议和改进措施。
66.具体实施过程如下：首先，需要定义具体的参数对比指标，并将原始数据进行处理和计算。例如，可以通过统计方法、回归分析等方法，计算出不同条件下的各种指标值，并比较它们之间的差异和共性。针对参数对比结果，需要进行总体趋势分析。可以汇总数据，利用数据可视化的方式展示总体结果的变化趋势，并得出总体趋势的结论。参数对比结果的可靠性至关重要。因此，在进行数据分析时，需要使用统计方法评估其可靠性，并对数据进行相关性检验和误差分析。针对参数对比结果，需要了解参数之间的相关性和影响因素。可以使用相关系数矩阵和因子分析等方法，分析参数之间的关联关系，进一步探究参数变化的原因和影响因素。基于前面的分析结果，可以针对参数对比结果提出建议和改进措施，以改善模型的可靠性和精度。这些建议和改进措施可以涉及模型的结构、输入数据质量、算法调整等方面。
67.以上所述的仅是本发明的实施例，方案中公知的具体结构和/或特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本技术要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

技术特征：
1.一种功能磁共振影像的分类预测系统，其特征在于：包括脑区分类和特征提取模块、升维处理模块、区域检测模块、数据分析模块、参数对比模块和反馈输出模块；分类和特征提取模块，用于使用计算机视觉技术，将磁共振影像分为多个不同区域，并从每个区域提取相关特征；升维处理模块，用于利用升维插值算法，将二维磁共振影像升维至三维，以便更准确地构建脑部结构模型；区域检测模块，用于通过对单个区域内数据进行预处理、增强和好重建等操作，利用机器学习中监督或非监督的异常检测算法，实现区域内异常点检测和识别；数据分析模块，用于将多个区域的磁共振影像数据组合在一起，生成训练数据，利用机器学习算法构建分类模型或回归模型，以区分正常和异常数据，并从孤立森林等算法中获取异常分数，发现可能存在的风险因素；参数对比模块，用于通过将实验结果与理论模型的差别作为参数来发现被害点；利用统计方法比较实验结果和理论预测，并确定哪些区域具有较高的概率可以成为疾病或异常行为的起始点；反馈输出模块，用于收集参数对比模块中的结果并输出诊断结论，向使用者提供参考意见，并适时更新知识库来提高系统精度和效能，将所有结果汇总并呈现出来。2.根据权利要求1所述的功能磁共振影像的分类预测系统，其特征在于：数据分析模块模块中，将多个区域的磁共振影像数据组合在一起时，将其进行模型重叠，把正常运作的介质和路径替换到实测生成的模型中，当偏离幅度越大，颜色越深。3.根据权利要求2所述的功能磁共振影像的分类预测系统，其特征在于：利用升维插值算法将二维磁共振影像升维至三维时，利用双线性插值通过对每个像素按一定比例进行加权计算，从而获得新的像素值；经过升维插值后，将三维数据空间，根据任务需求，进行三维重构、表面提取、分割等一系列操作，以构建更精准的脑部结构模型。4.根据权利要求3所述的功能磁共振影像的分类预测系统，其特征在于：预处理包括归一化和去噪等；监督异常检测算法包括支持向量机和朴素贝叶斯等，非监督异常检测算法包括基于密度的离群点检测和孤立森林等；该模块能够将检测到的异常点进行归类、整理和分析，并将其展示给使用者或记录到数据库中。5.根据权利要求4所述的功能磁共振影像的分类预测系统，其特征在于：利用机器学习算法构建分类模型或回归模型时，根据具体任务收集并整理相关数据，包括正负样本数据和特征数据，提取出数据中最有代表性和最关键的特征，或将原始特征转化成更易于算法处理的新特征；根据任务需求选定适合的模型，并通过交叉验证等方法确定最优模型；将所选的模型应用于数据集进行训练，其中一份数据作为模型的训练集，另一份数据作为测试集用于评估模型的性能；根据测试结果调整模型超参数，通过各种评价指标如准确性、召回率、f1值等来衡量模型的性能，将优化后的模型应用于未知数据进行分类或回归预测。6.根据权利要求5所述的功能磁共振影像的分类预测系统，其特征在于：相关特征包括颜色、纹理、形状、大小和密度等。7.根据权利要求6所述的功能磁共振影像的分类预测系统，其特征在于：实验结果与理论模型的差别为理论模型的预测结果与实际观察结果之间的差异，该差异包括误差、偏差、噪声或其它因素，并通过比较实验结果和理论模型来检查和分析。
8.根据权利要求7所述的功能磁共振影像的分类预测系统，其特征在于：反馈输出模块的诊断结论包括参数对比结果的总体趋势及其可靠性、不同条件下的参数对比结果、参数之间的相关性和影响因素、和针对参数对比结果提出的建议和改进措施。

技术总结
本发明公开了磁共振影像领域的一种功能磁共振影像的分类预测系统，包括脑区分类和特征提取模块、升维处理模块、区域检测模块、数据分析模块、参数对比模块和反馈输出模块。该系统可以将磁共振影像分为多个区域，并从每个区域提取相关特征；同时利用升维插值算法将二维图像升维至三维，可视化效果更佳，能够更准确地构建脑部结构模型。该系统所进行的网络构建，可以不需要进行自主学习，直接进行实测。避免使用复杂的卷积神经网络，在理想状态下直接用理想模型通路，在实测模型中直接运行，看理想通路中的量和实测量的差异性，节省神经网络训练步骤，节省了功能磁共振影像的分类预测的时间，提高了系统进行功能磁共振影像的分类预测效率。测效率。测效率。


技术研发人员：冯宇宁 张瀚文 廖泽冰 刘晓蕾 林帆
受保护的技术使用者：深圳市第二人民医院（深圳市转化医学研究院）
技术研发日：2023.05.31
技术公布日：2023/9/14