Claims (19)
1. Способ выявления депрессии по данным структурной МРТ и функциональной МРТ (фМРТ) в состоянии покоя, содержащий:1. A method for detecting depression according to structural MRI and functional MRI (fMRI) at rest, comprising:
подготовительный этап, на котором:preparatory stage, in which:
на вычислительном устройстве получают нейровизуализационные данные структурной МРТ и фМРТ в состоянии покоя;on the computing device receive neuroimaging data structural MRI and fMRI at rest;
осуществляют предобработку полученных нейровизуализационных данных структурной МРТ и фМРТ и преобразуют предобработанные нейровизуализационные данные в формат BIDS;carry out pre-processing of the obtained neuroimaging data of structural MRI and fMRI and convert the preprocessed neuroimaging data into the BIDS format;
извлекают информативные признаки из нейровизуализационных данных:extract informative features from neuroimaging data:
для нейровизуализационных данных структурной МРТ строят векторы признаков, описывающие морфометрические признаки различных областей мозга;for neuroimaging data of structural MRI, feature vectors are constructed that describe the morphometric features of various brain regions;
для нейровизуализационных данных фМРТ все воксели фМРТ-изображения разбивают на группы, относящиеся к регионам мозга, для каждого региона мозга выбирают представляющий его временной ряд, строят корреляционную матрицу между выбранными временными рядами, строят вектор, состоящий из собственных чисел построенной матрицы;for fMRI neuroimaging data, all fMRI image voxels are divided into groups related to brain regions, a time series representing it is selected for each brain region, a correlation matrix is built between the selected time series, a vector is built consisting of the eigenvalues of the constructed matrix;
на основе построенных векторов информативных признаков и демографических данных пациента обучают модели машинного обучения с применением адаптивного метода отбора признаков, при этом на вход алгоритмов машинного обучения подаются вектора МРТ или фМРТ данных;based on the constructed vectors of informative features and demographic data of the patient, machine learning models are trained using an adaptive feature selection method, while the input of machine learning algorithms is the MRI or fMRI data vectors;
по результату обучения получают диагностический классификатор;according to the result of training, a diagnostic classifier is obtained;
рабочий этап, на котором:work phase where:
на вычислительном устройстве получают нейровизуализационных данные структурной МРТ и фМРТ;on the computing device, neuroimaging data of structural MRI and fMRI are obtained;
осуществляют предобработку полученных нейровизуализационных данных структурной МРТ и фМРТ и преобразуют нейровизуализационные данные в формат BIDS;carry out pre-processing of the received neuroimaging data of structural MRI and fMRI and convert neuroimaging data into the BIDS format;
извлекают информативные признаки из нейровизуализационных данных:extract informative features from neuroimaging data:
для нейровизуализационных данных структурной МРТ строят векторы признаков, описывающие морфометрические признаки различных областей мозга;for neuroimaging data of structural MRI, feature vectors are constructed that describe the morphometric features of various brain regions;
для нейровизуализационных данных фМРТ все воксели фМРТ-изображения разбивают на группы, относящиеся к регионам мозга, для каждого региона мозга выбирают представляющий его временной ряд, строят корреляционную матрицу между выбранными временными рядами, строят вектор, состоящий из собственных чисел построенной матрицы;for fMRI neuroimaging data, all fMRI image voxels are divided into groups related to brain regions, a time series representing it is selected for each brain region, a correlation matrix is built between the selected time series, a vector is built consisting of the eigenvalues of the constructed matrix;
на вход диагностического классификатора подают извлеченный из данных МРТ и фМРТ вектор признаков, на выходе диагностического классификатора предсказывают диагноз депрессию.the vector of features extracted from the MRI and fMRI data is fed to the input of the diagnostic classifier, and the diagnosis of depression is predicted at the output of the diagnostic classifier.
2. Способ по п. 1, отличающийся тем, что для классификации данных МРТ применяют алгоритм машинного обучения «логистическая регрессия».2. The method according to claim 1, characterized in that the machine learning algorithm "logistic regression" is used to classify the MRI data.
3. Способ по п. 1, отличающийся тем, что для классификации данных фМРТ применяют алгоритм машинного обучения «классификация методом опорных векторов».3. The method according to claim 1, characterized in that the machine learning algorithm "classification by support vector machine" is used to classify the fMRI data.
4. Способ по п. 1, отличающиеся тем, что диагностический классификатор включает решающее правило и характеристики его достоверности.4. The method according to claim 1, characterized in that the diagnostic classifier includes a decision rule and characteristics of its reliability.