CN107909117B - 基于脑功能网络特征对早晚期轻度认知障碍的分类装置 - Google Patents

基于脑功能网络特征对早晚期轻度认知障碍的分类装置 Download PDF

Info

Publication number
CN107909117B
CN107909117B CN201711291115.0A CN201711291115A CN107909117B CN 107909117 B CN107909117 B CN 107909117B CN 201711291115 A CN201711291115 A CN 201711291115A CN 107909117 B CN107909117 B CN 107909117B
Authority
CN
China
Prior art keywords
brain network
brain
feature
node
network nodes
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711291115.0A
Other languages
English (en)
Other versions
CN107909117A (zh
Inventor
李凌
赵赞赞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Publication of CN107909117A publication Critical patent/CN107909117A/zh
Application granted granted Critical
Publication of CN107909117B publication Critical patent/CN107909117B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于脑功能网络特征对早晚期轻度认知障碍的分类方法及装置，属于医学影像图像处理技术领域。本发明首先对样本数据进行预处理和提取多个脑区时间序列，采用皮尔逊相关计算脑区时间序列之间的相关系数构建脑功能网络，计算脑网络参数。其次采用逐步分析方法提取特征，并训练二分分类器，对待分类的静息态功能磁共振数据提取对应的特征向量并输入训练好的二分分类器，得到对医学影像图像分类结果。与现有方法相比，本发明的分类准确率、敏感性和特异性更好。

Description

基于脑功能网络特征对早晚期轻度认知障碍的分类装置
技术领域
本发明属于医学影像图像处理技术领域，具体涉及到利用静息态功能性磁共振成像(fMRI)技术和脑功能网络特征对早期和晚期轻度认知障碍疾病分类。
背景技术
轻度认知障碍(MCI)是介于健康衰老和痴呆之间的一种中间阶段。有研究表明每年MCI转移到老年痴呆症(AD)上的概率大概在10％～15％之间，而正常老龄人转变为AD则在1％～2％范围内。作为正常老龄化向痴呆过渡的中间阶段，MCI受到了广泛的关注。根据MCI疾病记忆损伤程度的不同，可以将MCI病人分为早期MCI患者(EMCI)和晚期MCI患者(LMCI)。但EMCI和LMCI在多维信息上存在差异，寻找有效的分类生物标记并构建分类模式对两类患者进行分类，可以更好的了解病情的发展，能够加强对引起转变因素的了解，以促进对不同程度疾病进行针对治疗。
研究表明MCI疾病与大脑特殊脑区灰质减少、皮层厚度变薄、白质连接变化等有关。在MCI疾病检测研究中，内嗅皮层，内侧颞叶，后扣带等脑区的萎缩有较高的敏感性和特异性，利用这些脑区进行分类也取得很好的分类效果。在EMCI和LMCI两组的功能脑网络研究中，发现最短路径长度随着疾病程度增加而增加，而平均聚类系数随之降低；节点中心度在两组间也存在差异性，这些差异脑区为：左侧额下回三角部分，左侧眶额下回，左侧嗅皮质等。虽然小世界参数在EMCI和LMCI统计不显著，但分别与正常老龄人与老年痴呆进行比较，发现部分参数在两两对比间存在显著性差异，但是差异的表现和区域不完全一致。
在EMCI和LMCI的研究中，人们更多的关注两组患者在大脑结构和功能上的差异，少有研究针对两组样本进行分类预测。利用认知评分，颞叶，顶叶和扣带脑区的体积参数对EMCI和LMCI进行分类，Goryawala等人报道了73.6％的分类精度，但两组样本在认知评分中存在显著性差异。在EMCI和正常人的分类中，根据先验知识，利用特定脑区的皮层厚度、皮层体积和对应脑区的新陈代谢变化进行分类，能获得较好分类结果(AUC＝0.668)。此外，MCI疾病与不同频段的灰质活动有关，根据前人研究可以将低频BOLD(Blood OxygenationLevel Dependent)信号分为：full-band(0.01-0.08hz)、slow-4(0.027-0.073hz)、slow-5(0.01-0.027hz)、slow-3(0.073-0.0198hz)和slow-2(0.0198-0.25hz)几个频段，但是大脑灰质活动主要分布在slow-4和slow-5中。已有研究表明在MCI患者中，slow-4和slow-5在后扣带、内侧前额叶和海马旁回等脑区存在显著性差异。可见分频段分类是个新的研究方向，但是少有研究利用不同频段功能网络对EMCI和LMCI进行分类预测，因而有必要提出一种利用不同频段功能网络对EMCI和LMCI进行分类预测的医学影像图像分类处理方法。
发明内容
本发明的发明目的在于：针对上述存在的问题，提供一种利用脑功能网络特征对早期和晚期轻度认知障碍的分类方法及装置。
本发明的基于脑功能网络特征对早晚期轻度认知障碍的分类方法，包括下列步骤：
步骤1：获取训练样本：
对采集的静息态功能磁共振数据(rs-fMRI)进行预处理得到训练样本(对应不同的个体)，所述预处理包括：格式转换、去时间点、时间层矫正、头动矫正、空间标准化、平滑、去线性漂移、滤波和去协变。
步骤2：对训练样本进行脑网络特征提取：
201：选择待提取的脑区，并分别提取每个脑区的时间序列(所有体素(像素)中的时间序列)的均值作为每个脑区的脑网络节点，得到M个脑网络节点构成的脑网络节点集合V，其中M为脑区数；
202：采用皮尔逊相关计算任意两个脑网络节点的相关系数，用i、j表示脑网络节点的区分符，ti、tj分别表示脑区i、j的时间序列(所有体素的时间序列)的元素，
Figure GDA0002407212430000021
分别表示脑区i、j的时间序列的均值，则可得到脑网络节点i、j间的相关系数R(i,j)为：
Figure GDA0002407212430000022
为了对区分不同的训练样本，定义训练样本n(训练样本标识符)的任意两个脑网络节点的相关系数为：
Figure GDA0002407212430000023
即将两个脑区平均时间序列之间的相关系数定义为两脑网络节点的边，由皮尔逊相关系数得出。
203：设置两个脑网络节点i和j间的连通性：若相关系数rn(i,j)大于或等于预设阈值γ(通过一定的稀疏度Cost(值为百分比)来设置，前Cost最大的相关系数的最小值作为阈值γ)，则脑网络节点i和j间为连通；否则为不连通。例如定义“0”表示非连通，“1”表示连通，若rn(i,j)≥γ，则连通性Bk(i,j)＝1；否则Bk(i,j)＝0，从而得到脑网络W＝(rij)M×M×N的二值化脑网络WCost＝(Bij)M×M×N，其中N为训练样本数。
优选，可以通过下列步骤来设置Cost的优选值Costmax：
在取值范围[8％,20％]内，基于预设步长(优选为1％)遍历NCost个稀疏度阈值Cost，并基于每个稀疏度阈值Cost脑网络节点i和j间的初始连通性：将相关系数rn(i,j)降序排序，并将前Cost对应的脑网络节点间的连通性设置为连通；其它设置为非连通；
基于对应每个稀疏度阈值Cost的脑网络节点间的初始连通性，计算四种网络参数：
(1)脑网络平均最短路径长度
Figure GDA0002407212430000031
其中Li表示脑网络节点i的最短路径长度，
Figure GDA0002407212430000032
Lij表示从脑网络节点i到脑网络节点j的最短路径数，|V|表示集合V的数目；
(2)网络平均聚类系数
Figure GDA0002407212430000033
其中脑网络节点聚类系数
Figure GDA0002407212430000034
Ki表示脑网络节点i的节点连接数，即
Figure GDA0002407212430000035
bij为二值邻接矩阵中对应i行j列位置的连通性值，ei为脑网络节点i的邻居脑网络节点组成的子网络中实际存在的边数；
(3)全局效率
Figure GDA0002407212430000036
(4)局部效率
Figure GDA0002407212430000037
Gi为与脑网络节点i相连的脑网络节点所构成的子图；
从而得到每个训练样本的NCost组网络参数；
将训练样本分为两组，一组的类别为晚期轻度认知障碍，另一组的类别为早期轻度认知障碍；采用双样本t(Student's t test)检验计算两组训练样本在关于血氧水平依赖BOLD信号的预设频段(例如full-band(0.01-0.08hz)、slow-4(0.027-0.073hz)、slow-5(0.01-0.027hz)等)下的各种网络参数的差异，获取最大差异所对应的Cost值，记为Costmax；
在双样本t检验中，用
Figure GDA0002407212430000038
分别表示两组训练样本的任意一种网络参数，则t分别为：
Figure GDA0002407212430000039
其中
Figure GDA00024072124300000310
分别表示对应
Figure GDA00024072124300000311
的方差，n1、n2分别表示
Figure GDA0002407212430000041
的训练样本数；
最后，基于降序排序的相关系数rn(i,j)序列，将前Costmax对应的脑网络节点间的连通性设置为连通，其它设置为非连通。
204：基于脑网络节点间的连通性，提取每个训练样本的脑网络特征集合{K，B,L}：
计算每个脑网络节点的节点连接数Ki，由M个脑网络节点的节点连接数Ki得到脑网络节点度集合K；
计算每个脑网络节点的中心度
Figure GDA0002407212430000042
其中Sjm表示脑网络节点m和j之间存在的最短路径个数，Sjm(i)表示脑网络节点m和j中最短路径经过节点i的个，由M个脑网络节点的中心度得到脑网络节点中心度集合B；
计算从脑网络节点i到脑网络节点j的最短路径数Lij，得到脑网络节点i的节点路径长度
Figure GDA0002407212430000043
由M个节点路径长度Li得到脑网络节点路径长度集合L。
步骤3：提取训练样本的特征向量：
由步骤2可得到每个训练样本的每个脑区的脑网络特征Ki、Bi和Li，对所有脑区的三类脑网络特征进行随机组合，得到7
Figure GDA0002407212430000044
种组合数据；并对每个训练样本的每种组合数据采用逐步分析方法进行特征筛选，并记录每一个组合所选择的特征标号(包括脑区标识符和脑网络特征类别标识符)，得到组合选择特征集
Figure GDA0002407212430000045
其中k为训练样本(个体)标识符，c为组合方式标识符；
统计所有组合中各特征标号的出现概率，取出现概率最大的前Tth(预设值，例如15)个特征标号所对应的脑网络特征作为每个训练样本的特征向量。
其中第k个训练样本的任意特征标号
Figure GDA0002407212430000046
的出现概率的计算公式可以表示为：
Figure GDA0002407212430000047
存在函数
Figure GDA0002407212430000048
j为脑区标识符，p为脑网络特征类别标识符，c为组合方式标识符。
步骤4：基于所有训练样本的特征向量训练用于区分早期和晚期轻度认知障碍的二分分类器。
例如采用基于径向基核函数进行支持向量机(SVM)分类器训练，得到支持向量机训练所述二分分类器：
首先对特征向量进行归一化预处理(分类处理时，同样需要进行相同的归一化预处理)，例如采用映射公式f:
Figure GDA0002407212430000051
对各特征向量进行归一化预处理，其中x表示特征向量的元素，即未归一化预处理的原数据，y是归一化之后的数据，xmin是原数据中最小的数据，xmax是原数据中最大的数据；
然后对训练集采用10折交叉验证法进行参数优化，采用径向基核函数进行分类训练，得到二分分类器。
步骤5：输入待分类的静息态功能磁共振数据，并采用提取训练样本的特征向量相同的方式，提取待分类的静息态功能磁共振数据的特征向量；并输入所述二分分类器得到分类结果。
本发明还公开了一种基于脑功能网络特征对早晚期轻度认知障碍的分类装置，所述装置包括：用于采集静息态功能磁共振数据的采集装置；用于接收所述静息态功能磁共振数据的计算机，所述计算机被编程以执行上述分类方法的步骤。
本发明的另一种基于脑功能网络特征对早晚期轻度认知障碍的分类装置，包括：
数据预处理模块：对采集的不同个体的静息态功能磁共振数据进行预处理；
脑网络特征提取模块：对预处理后的静息态功能磁共振数据提取脑网络特征，生成每个个体的脑网络特征集合{K，B,L}：
特征向量提取模块：基于个体的脑网络特征集合{K，B,L}生成个体的归一化特征向量；
二分分类器：用于基于个体的归一化特征向量区分早期和晚期轻度认知障碍的二分分类器，输入为个体的归一化特征向量，输出个体的轻度认知障碍的状态为早期或晚期；所述二分分类器基于基于多个训练样本的归一化特征向量进行训练得到。
即数据预处理模块将预处理后的数据发送至脑网络特征提取模块，脑网络特征提取模块再将所提取到的个体的脑网络特征集合发送给特征向量提取模块，以生成个体的归一化特征向量，再将其作为二分分类器的输入，生成待检测个体的轻度认知障碍的状态结果：早期还是晚期轻度认知障碍。
综上所述，由于采用了上述技术方案，本发明的有益效果是：本发明首先对样本数据进行预处理和提取多个脑区时间序列，采用皮尔逊相关计算脑区时间序列之间的相关系数构建脑功能网络，计算脑网络参数。其次采用逐步分析方法提取特征，并训练二分分类器，对待分类的静息态功能磁共振数据提取对应的特征向量并输入训练好的二分分类器，得到对医学影像图像分类结果。与现有方法相比，本发明的分类准确率、敏感性和特异性更好。
附图说明
图1是具体实施方式中，本发明的处理流程图；
图2是具体实施方式中，提取网络特征的流程图；
图3是本发明与最小冗余最大相关算法、费舍尔算法和基于平稳选择的线性回归特征选择算法在滤波频段为(0.01-0.027Hz)的分类结果对比图；
图4是本发明与最小冗余最大相关算法、费舍尔算法和基于平稳选择的线性回归特征选择算法在滤波频段为(0.027-0.08Hz)的分类结果对比图；
图5是本发明与最小冗余最大相关算法、费舍尔算法和基于平稳选择的线性回归特征选择算法在滤波频段为(0.01-0.08Hz)的分类结果对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。
参见图1，本发明的基于脑功能网络特征对早晚期轻度认知障碍的分类方法的具体步骤如下：
步骤一：采集数据和数据预处理：
本具体实施方式中，采用ADNI(Alzheimer's Disease NeuroimagingInitiative)数据集中的MCI数据。数据收集标准为：被试以ADNI的样本标记作为实验数据的划分标准。简易智能精神状态量表(MMSE)评分在24-30之间，痴呆评定量表(CDR)得分为0.5，有记忆和认知功能上的损伤但并未符合痴呆标准。根据标准，本具体实施方式中共包括33名EMCI和29名LMCI被试(年龄、性别和MMSE得分均无显著性差异)。利用dparsf软件对数据集进行预处理，滤波阶段包括三个频段：full-band(0.01-0.08hz)、slow-5(0.01-0.027hz)、slow-4(0.027-0.08hz)。
步骤二：构建脑功能网络和提取脑网络特征：
201：对预处理得到的三个频段的数据利用AAL(Anatomical AutomaticLabeling)模板提取90个脑区的时间序列，计算任意两个脑区平均时间序列之间的皮尔逊相关系数，构建所有样本的脑网络W＝(rij)90×90×62。采用稀疏度Cost＝15％的阈值法对W进行二值化，得二值化矩阵WCost＝(Bij)90×90×62。
202：基于脑网络节点间的连通性，提取每个训练样本的脑网络特征集合{K，B,L}；
步骤三：特征提取：
301：将三类网络特征进行随机组合，对每一种数据组合模式采用逐步判别法进行特征选择，并记录每一个组合所选择的特征标号。例如，逐步分析方法采用spss22.0中Smallest F ratio法，标准为使用F的概率。为了最大限度地保证特征的特异性和避免特征冗余，取值Fa＝0.1、Fb＝0.2。当变量使得两组计算F概率大于0.2时，变量加入模型，F概率小于0.1时，变量移除模型，记录模型中加入的变量作为本次组合所选的特征。
302：分别对7种组合模式采用逐步分析方法，统计出7种组合中出现频率最大的前15个特征作为最后用于分类的特征集合。
步骤四：分类预测：
401；随机打乱样本，选取90％的样本作为训练集，剩余10％作为测试集，并分别对其进行归一化处理，映射公式如下：f:
Figure GDA0002407212430000071
402：利用LIBSVM(用来实现支持向量机SVM的基础功能)工具箱进行分类训练与测试，采用10折交叉验证选择惩罚参数c和核函数参数g。利用得到的最佳参数和SVM进行训练与分类预测，并记录预测结果。重复打乱样本，执行参数寻优和训练预测300次，获取平均分类准确率、敏感性和特异性。
为了验证本发明方法的性能，将本发明方法(本方法)与最小冗余最大相关算法(Mrmr)、费舍尔算法(FS)和基于平稳选择的线性回归特征选择算法(SS-LR)得出的结果进行了对比。另外三种方法均是提取相同的功能网络参数，选取15个网络特征，用10折交叉验证法选择最佳惩罚参数c和核函数参数g，最后用SVM进行分类预测，对比结果如图3、4和5所示，其中各柱状图中的准确率、敏感性和特异性的值分别如表1(滤波频段为(0.01-0.027Hz))、2(滤波频段为(0.027-0.08Hz))和3(滤波频段为(0.01-0.08Hz))所示：
表1
Figure GDA0002407212430000072
Figure GDA0002407212430000081
表2
方法 准确率(标准差) 敏感性(标准差) 特异性(标准差)
本方法 81.61％(0.1575) 87.08％(0.2127) 77.77％(0.2537)
Mrmr 67.33％(0.1757) 61.83％(0.3120) 76.40％(0.2614)
SS-LR 68％(0.1920) 60.57％(0.3311) 75.47％(0.2704)
FS 57.94％(0.2075) 53.74％(0.3421) 66.93％(0.3086)
表3
方法 准确率(标准差) 敏感性(标准差) 特异性(标准差)
本方法 77.83％(0.1634) 73.93％(0.2638) 83.31％(0.2292)
Mrmr 65.72％(0.1881) 58.79％(0.3100) 76.71％(0.2692)
SS-LR 72.83％(0.1876) 68.71％(0.2972) 77.18％(0.2539)
FS 54.06％(0.2062) 50.04％(0.3523) 65.06％(0.3112)
综上可知，在相同数目特征数下，本方法能取得更好的分类效果。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (9)

1.一种基于脑功能网络特征对早晚期轻度认知障碍的分类装置，其特征在于，所述装置包括：用于采集静息态功能磁共振数据的采集装置；用于接收所述静息态功能磁共振数据的计算机，所述计算机被编程以执行下述步骤：
步骤1：对采集的静息态功能磁共振数据进行预处理得到训练样本；
步骤2：对训练样本进行脑网络特征提取：
201：选择待提取的脑区，并分别提取每个脑区的时间序列的均值作为每个脑区的脑网络节点，得到M个脑网络节点构成的脑网络节点集合V，其中M为脑区数；
202：计算任意两个脑网络节点的相关系数
Figure FDA0002407212420000011
其中i、j表示脑网络节点区分符，ti、tj分别表示脑网络节点i、j的时间序列的元素，
Figure FDA0002407212420000012
分别表示脑网络节点i、j的时间序列的均值，n为训练样本标识符；
203：设置两个脑网络节点i和j间的连通性：若相关系数rn(i,j)大于或等于预设阈值γ，则脑网络节点i和j间为连通；否则为不连通；
204：基于脑网络节点间的连通性，提取每个训练样本的脑网络特征集合{K，B,L}：
计算每个脑网络节点的节点连接数Ki，由M个脑网络节点的节点连接数Ki得到脑网络节点度集合K；
计算每个脑网络节点的中心度
Figure FDA0002407212420000013
其中Sjm表示脑网络节点m和j之间存在的最短路径个数，Sjm(i)表示脑网络节点m和j中最短路径经过节点i的个数，由M个脑网络节点的中心度得到脑网络节点中心度集合B；
计算从脑网络节点i到脑网络节点j的最短路径数Lij，其中j≠i∈V，得到脑网络节点i的节点路径长度
Figure FDA0002407212420000014
V|表示集合V的数目，由M个节点路径长度Li得到脑网络节点路径长度集合L；
步骤3：提取训练样本的特征向量：
对每个训练样本的每个脑区的脑网络特征Ki、Bi和Li，对所有脑区的三类脑网络特征进行随机组合，得到7种组合数据；
对每个训练样本的每种组合数据采用逐步分析方法进行特征筛选，并记录每一个组合所选择的特征标号，得到组合选择特征集
Figure FDA0002407212420000021
其中k为训练样本标识符，c为组合方式标识符；所述特征标号包括脑区标识符和脑网络特征类别标识符；
统计所有组合中各特征标号的出现概率，取出现概率最大的前Tth个特征标号所对应的脑网络特征作为每个训练样本的特征向量，其中阈值Tth为预设值；
步骤4：分别对各训练样本的特征向量进行归一化预处理后，训练用于区分早期和晚期轻度认知障碍的二分分类器；
步骤5：输入待分类的静息态功能磁共振数据，并采用提取训练样本的特征向量相同的方式，提取待分类的静息态功能磁共振数据的特征向量；对提取的特征向量进行归一化预处理后输入所述二分分类器得到分类结果。
2.如权利要求1所述的装置，其特征在于，步骤203中，设置两个脑网络节点i和j间的连通性具体为：
在取值范围[8％,20％]内，基于预设的步长遍历NCost个稀疏度阈值Cost，并基于每个稀疏度阈值Cost设置脑网络节点i和j间的初始连通性：将相关系数rn(i,j)降序排序，并将前Cost对应的脑网络节点间的连通性设置为连通；其它设置为非连通；
基于对应每个稀疏度阈值Cost的脑网络节点间的初始连通性，计算四种网络参数：脑网络平均最短路径长度LG、网络平均聚类系数CG、全局效率Eg和局部效率El，得到每个训练样本的NCost组网络参数；
将训练样本分为两组，一组的类别为晚期轻度认知障碍，另一组的类别为早期轻度认知障碍；采用双样本t检验计算两组训练样本在关于血氧水平依赖BOLD信号的预设频段下的各种网络参数的差异，获取最大差异所对应的Cost值，记为Costmax；
基于降序排序的相关系数rn(i,j)序列，将前Costmax对应的脑网络节点间的连通性设置为连通，其它设置为非连通；
其中，所述脑网络平均最短路径长度
Figure FDA0002407212420000022
其中Li表示脑网络节点i的最短路径长度；所述网络平均聚类系数
Figure FDA0002407212420000031
其中脑网络节点聚类系数
Figure FDA0002407212420000032
Ki表示脑网络节点i的节点连接数，ei为脑网络节点i的邻居脑网络节点组成的子网络中实际存在的边数；所述全局效率
Figure FDA0002407212420000033
所述局部效率
Figure FDA0002407212420000034
Gi为与脑网络节点i相连的脑网络节点所构成的子图，函数E(Gi)表示子图Gi内所有节点对的最短路径长度的均值。
3.如权利要求1所述的装置，其特征在于，步骤203中，步长设置为1％。
4.如权利要求1所述的装置，其特征在于，步骤203中，设置两个脑网络节点i和j间的连通性具体为：
将相关系数rn(i,j)降序排序，并将前15％对应的脑网络节点间的连通性设置为连通；其它设置为非连通。
5.如权利要求1所述的装置，其特征在于，步骤1中，所述预处理包括：格式转换、去时间点、时间层矫正、头动矫正、空间标准化、平滑、去线性漂移、滤波和去协变。
6.如权利要求1所述的装置，其特征在于，步骤3中，所述逐步分析方法具体为：
采用Smallest F ratio法，标准是使用F的概率，若F＞Fb，则加入特征，若F＜Fa则剔除该特征，其中Fa和Fb为预设阈值。
7.如权利要求1所述的装置，其特征在于，步骤4中，采用基于径向基核函数进行支持向量机分类器训练，得到支持向量机训练所述二分分类器。
8.如权利要求1所述的装置，其特征在于，步骤4中，采用映射公式f:
Figure FDA0002407212420000035
对各特征向量进行归一化预处理，其中x表示特征向量的元素，即未归一化预处理的原数据，y是归一化之后的数据，xmin是原数据中最小的数据，xmax是原数据中最大的数据。
9.一种基于脑功能网络特征对早晚期轻度认知障碍的分类装置，其特征在于，包括：
数据预处理模块：对采集的不同个体的静息态功能磁共振数据进行预处理；
脑网络特征提取模块：对预处理后的静息态功能磁共振数据提取脑网络特征，生成每个个体的脑网络特征集合：
(1)选择待提取的脑区，并分别提取每个脑区的时间序列的均值作为每个脑区的脑网络节点，得到M个脑网络节点构成的脑网络节点集合V，其中M为脑区数；
(2)根据公式
Figure FDA0002407212420000041
计算脑网络节点集合V中的任意两个脑网络节点的相关系数R(i,j)，其中i、j表示脑网络节点区分符，ti、tj分别表示脑网络节点i、j的时间序列的元素，
Figure FDA0002407212420000042
分别表示脑网络节点i、j的时间序列的均值；
(3)设置两个脑网络节点i和j间的连通性：若相关系数R(i,j)大于或等于预设阈值γ，则脑网络节点i和j间为连通；否则为不连通；
(4)基于脑网络节点间的连通性，生成每个个体的脑网络特征集合{K，B,L}：
计算每个脑网络节点的节点连接数Ki，由M个脑网络节点的节点连接数Ki得到脑网络节点度集合K；
计算每个脑网络节点的中心度
Figure FDA0002407212420000043
其中Sjm表示脑网络节点m和j之间存在的最短路径个数，Sjm(i)表示脑网络节点m和j中最短路径经过节点i的个数，由M个脑网络节点的中心度得到脑网络节点中心度集合B；
计算从脑网络节点i到脑网络节点j的最短路径数Lij，其中j≠i∈V，得到脑网络节点i的节点路径长度
Figure FDA0002407212420000044
|V|表示集合V的数目，由M个节点路径长度Li得到脑网络节点路径长度集合L；
特征向量提取模块：基于个体的脑网络特征集合{K，B,L}生成个体的归一化特征向量：
基于每个脑区的脑网络特征Ki、Bi和Li，对个体的M个脑区对应的三类脑网络特征进行随机组合，得到7种组合数据；
对每种组合数据采用逐步分析方法进行特征筛选，并记录每一个组合所选择的特征标号，得到组合选择特征集
Figure FDA0002407212420000045
其中k为个体标识符，c为组合方式标识符；所述特征标号包括脑区标识符和脑网络特征类别标识符；
统计所有组合中各特征标号的出现概率，取出现概率最大的前Tth个特征标号所对应的脑网络特征作为个体的特征向量，并对特征向量进行归一化处理，生成个体的归一化特征向量，其中阈值Tth为预设值；
二分分类器：用于基于个体的归一化特征向量区分早期和晚期轻度认知障碍的二分分类器，输入为个体的归一化特征向量，输出个体的轻度认知障碍的状态为早期或晚期；所述二分分类器基于多个训练样本的归一化特征向量进行训练得到。
CN201711291115.0A 2017-09-26 2017-12-08 基于脑功能网络特征对早晚期轻度认知障碍的分类装置 Active CN107909117B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2017108798719 2017-09-26
CN201710879871 2017-09-26

Publications (2)

Publication Number Publication Date
CN107909117A CN107909117A (zh) 2018-04-13
CN107909117B true CN107909117B (zh) 2020-06-16

Family

ID=61854851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711291115.0A Active CN107909117B (zh) 2017-09-26 2017-12-08 基于脑功能网络特征对早晚期轻度认知障碍的分类装置

Country Status (1)

Country Link
CN (1) CN107909117B (zh)

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960341B (zh) * 2018-07-23 2022-03-01 安徽师范大学 一种面向脑网络的结构化特征选择方法
CN109344889B (zh) * 2018-09-19 2021-01-29 深圳大学 脑疾病分类装置、用户终端和计算机可读存储介质
CN109359403B (zh) * 2018-10-29 2023-04-18 上海市同济医院 一种基于面孔表情识别磁共振成像的精神分裂症早期诊断模型及其应用
CN109697718A (zh) * 2018-12-25 2019-04-30 电子科技大学 一种基于图论的自闭症检测方法及装置
CN109840554B (zh) * 2018-12-26 2023-05-02 贵州联科卫信科技有限公司 一种基于svm-rfe-mrmr算法的阿兹海默症mri图像分类方法
CN109875509B (zh) * 2019-02-27 2024-06-28 京东方科技集团股份有限公司 阿尔茨海默症患者康复训练效果的测试系统和方法
CN113902732A (zh) * 2019-05-07 2022-01-07 上海联影智能医疗科技有限公司 脑图像分析方法、计算机设备和可读存储介质
CN110298479B (zh) * 2019-05-20 2021-09-03 北京航空航天大学 一种基于脑功能网络的脑体积萎缩预测方法
CN110522448B (zh) * 2019-07-12 2023-04-11 东南大学 一种基于图卷积神经网络的脑网络分类方法
CN110647905B (zh) * 2019-08-02 2022-05-13 杭州电子科技大学 一种基于伪脑网络模型下的涉恐场景识别方法
CN110491501B (zh) * 2019-08-14 2023-05-02 电子科技大学 一种青少年孤独症大脑功能网络模型分析方法
CN110522463B (zh) * 2019-08-28 2022-07-01 常州大学 一种基于脑功能连接分析的抑郁症辅助诊断系统
CN110584684B (zh) * 2019-09-11 2021-08-10 五邑大学 一种驾驶疲劳相关的eeg功能连接动态特性的分析方法
CN110826633A (zh) * 2019-11-11 2020-02-21 山东建筑大学 一种人脑mri数据的持久图像分类处理方法及其实现系统与应用
CN110838173B (zh) * 2019-11-15 2023-06-02 天津医科大学 基于三维纹理特征的个体化脑共变网络构建方法
CN111063423B (zh) * 2019-12-16 2022-05-20 哈尔滨工程大学 阿尔茨海默病和轻度认知障碍脑网络特异性结构提取方法
CN111414579B (zh) * 2020-02-19 2023-05-23 深圳市儿童医院 基于多角度相关关系获取脑区关联信息的方法和系统
CN111710415A (zh) * 2020-06-18 2020-09-25 中南大学 一种基于Granger神经疾病全脑有向网络分析方法
CN111631715B (zh) * 2020-07-08 2023-03-14 上海海事大学 一种阿尔茨海默症早期认知功能下降预测方法
CN111949812A (zh) * 2020-07-10 2020-11-17 上海联影智能医疗科技有限公司 脑图像分类方法和存储介质
CN112043273B (zh) * 2020-09-07 2022-11-08 西安电子科技大学 一种脑影像数据处理方法、装置、设备以及存储介质
CN112068056B (zh) * 2020-09-14 2023-03-10 中国计量大学 一种确定fmri动态脑功能时间窗口的方法
CN112418337B (zh) * 2020-11-27 2021-11-02 太原理工大学 基于脑功能超网络模型的多特征融合数据分类方法
CN112991335B (zh) * 2021-04-23 2024-04-26 合肥中聚源智能科技有限公司 一种想像能力评估方法、系统及可读存储介质
CN113344883B (zh) * 2021-06-10 2022-06-24 华南师范大学 一种多层形态学脑网络构建方法、智能终端及存储介质
CN113469046A (zh) * 2021-06-30 2021-10-01 上海全景医学影像诊断中心有限公司 一种主观认知能力下降辅助诊断方法
CN113616184B (zh) * 2021-06-30 2023-10-24 北京师范大学 基于多模态磁共振图像的脑网络建模与个体预测方法
CN113516186B (zh) * 2021-07-12 2024-01-30 聊城大学 一种面向脑疾病分类的模块化特征选择方法
CN113628167B (zh) * 2021-07-13 2024-04-05 深圳市神经科学研究院 个体化结构脑网络构建方法、系统、电子设备及存储介质
CN113616209B (zh) * 2021-08-25 2023-08-04 西南石油大学 基于时空注意力机制的精神分裂症患者甄别方法
CN113786185B (zh) * 2021-09-18 2024-05-07 安徽师范大学 一种基于卷积神经网络的静态脑网络特征提取方法和系统
CN114417238B (zh) * 2022-03-24 2022-06-10 阿呆科技（北京）有限公司 认知偏向矫正系统
CN117357132B (zh) * 2023-12-06 2024-03-01 之江实验室 一种基于多层脑网络节点参与系数的任务执行方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886328A (zh) * 2014-03-19 2014-06-25 太原理工大学 基于脑网络模块结构特征的功能磁共振影像数据分类方法
CN104207778A (zh) * 2014-10-11 2014-12-17 上海海事大学 一种基于静息态功能磁共振成像技术的心理健康检测方法
CN105726026A (zh) * 2016-01-28 2016-07-06 电子科技大学 基于脑网络与脑结构信息的轻度认知障碍疾病分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886328A (zh) * 2014-03-19 2014-06-25 太原理工大学 基于脑网络模块结构特征的功能磁共振影像数据分类方法
CN104207778A (zh) * 2014-10-11 2014-12-17 上海海事大学 一种基于静息态功能磁共振成像技术的心理健康检测方法
CN105726026A (zh) * 2016-01-28 2016-07-06 电子科技大学 基于脑网络与脑结构信息的轻度认知障碍疾病分类方法

Also Published As

Publication number Publication date
CN107909117A (zh) 2018-04-13

Similar Documents

Publication Publication Date Title
CN107909117B (zh) 基于脑功能网络特征对早晚期轻度认知障碍的分类装置
Song et al. Graph convolutional neural networks for Alzheimer’s disease classification
Yagis et al. Generalization performance of deep learning models in neurodegenerative disease classification
Bhattacharjee et al. Robust technique for the detection of acute lymphoblastic leukemia
Tan et al. A transfer learning approach to breast cancer classification in a federated learning framework
Beheshti et al. Histogram-based feature extraction from individual gray matter similarity-matrix for Alzheimer’s disease classification
CN111783887B (zh) 基于fMRI小世界脑网络计算机分类测谎识别方法
Naveen et al. Identification of calcification in MRI brain images by k-means algorithm
Ranjitha et al. Detection of blood cancer-leukemia using k-means algorithm
CN112634214A (zh) 一种结合节点属性与多层次拓扑的脑网络分类方法
CN107045624B (zh) 一种基于最大加权团的脑电信号预处理与分类方法
Buvaneswari et al. Detection and Classification of Alzheimer’s disease from cognitive impairment with resting-state fMRI
Behara et al. Artificial intelligence in medical diagnostics: A review from a South African context
Salama et al. Enhancing Medical Image Quality using Neutrosophic Fuzzy Domain and Multi-Level Enhancement Transforms: A Comparative Study for Leukemia Detection and Classification
Alagarsamy et al. Identification of Brain Tumor using Deep Learning Neural Networks
CN115310491A (zh) 一种基于深度学习的类不平衡磁共振全脑数据分类方法
Thewsuwan et al. Texture classification by local spatial pattern mapping based on complex network model
Ahmed et al. Predicting skin cancer melanoma using stacked convolutional neural networks model
Zhang et al. Group-wise learning for aurora image classification with multiple representations
Malviya Tumor detection in MRI images using modified multi-level Otsu Thresholding (MLOT) and cross-correlation of principle components
CN117195027A (zh) 基于成员选择的簇加权聚类集成方法
Rathore et al. CBISC: a novel approach for colon biopsy image segmentation and classification
Wang et al. Combining multiple network features for mild cognitive impairment classification
Kaur et al. Deep Learning Model for Lung Cancer Detection On CT Scan Image
CN104778479B (zh) 一种基于稀疏编码提取子的图像分类方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant