CN109034263B - 脑网络多频融合图核的阿尔茨海默病辅助诊断装置及方法 - Google Patents

脑网络多频融合图核的阿尔茨海默病辅助诊断装置及方法 Download PDF

Info

Publication number
CN109034263B
CN109034263B CN201810930199.6A CN201810930199A CN109034263B CN 109034263 B CN109034263 B CN 109034263B CN 201810930199 A CN201810930199 A CN 201810930199A CN 109034263 B CN109034263 B CN 109034263B
Authority
CN
China
Prior art keywords
image
frequency
core
brain
graph
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
CN201810930199.6A
Other languages
English (en)
Other versions
CN109034263A (zh
Inventor
信俊昌
汪新蕾
陈金义
王中阳
王司亓
卢思成
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.)
Northeastern University China
Original Assignee
Northeastern University 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 Northeastern University China filed Critical Northeastern University China
Priority to CN201810930199.6A priority Critical patent/CN109034263B/zh
Publication of CN109034263A publication Critical patent/CN109034263A/zh
Application granted granted Critical
Publication of CN109034263B publication Critical patent/CN109034263B/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
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供一种脑网络多频融合图核的阿尔茨海默病辅助诊断装置及方法，涉及计算机辅助诊断技术领域。该装置包括图像预处理模块、图像分频模块、图核生成模块、图核融合模块和辅助诊断模块；图像分频模块将功能核磁共振图像与AAL模板进行匹配，并进行分频处理；图核生成模块对分频后的图像构建多频脑网络，并形成一个矩阵；图核融合模块将所有图核融合成为一个图核；辅助诊断模块将融合的图核与核极限学习机结合，实现对阿尔茨海默病的诊断。本发明还提供了采用该装置进行诊断的方法。本发明提供的脑网络多频融合图核的阿尔茨海默病辅助诊断装置及方法，能够充分表示多频段下大脑活动信息差异，令功能核磁共振图像的信号信息得到充分发挥。

Description

脑网络多频融合图核的阿尔茨海默病辅助诊断装置及方法
技术领域
本发明涉及计算机辅助诊断技术领域，尤其涉及一种脑网络多频融合图核的阿尔茨海默 病辅助诊断装置及方法。
背景技术
近些年来，神经影像技术特别是功能影像学取得了飞速的进步，这为研究患有阿尔茨海 默病病人各个脑区具有的功能提供了相应的技术。功能磁共振成像作为其中一种成熟的功能 影像学检测技术，它的优势在于无创监测大脑功能和活动，时空分辨率较高。使用基于血氧 水平依赖方法来测量大脑各个区域之间的相关性已被证明是研究大脑功能组织的有力工具。 在静息态功能核磁共振图像(functional Magnetic ResonanceImaging，即fMRI)中，可以看出人 脑的各个脑区在此时存在着有序的功能活动，被认为是一个多层次的复杂网络，近些年随着 研究的深入，越来越多的研究开始将图论中的复杂网络应用于脑网络，通过对脑网络的构建 和分析可以更好地描述大脑的活动状态以及各个神经元或脑区之间的交互。
在fMRI数据中，不同频段下的信号包含了不同频段的大脑活动信息，而现有研究中的 脑网络均是基于时域信号构建的，忽略了频域中各个频段下的差异信息，由此得到的图核也 不能更准确地描述大脑的频域信息。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种脑网络多频融合图核的 阿尔茨海默病辅助诊断装置及方法，对功能核磁共振图像进行脑网络的分类，进而能够对阿 尔茨海默病进行辅助诊断。
脑网络多频融合图核的阿尔茨海默病辅助诊断装置，包括图像预处理模块、图像分频模 块、图核生成模块、图核融合模块和辅助诊断模块；所述图像预处理模块将功能核磁共振图 像进行预处理，并将其传送到图像分频模块；所述图像分频模块将功能核磁共振图像与具有 90个脑区的AAL模板进行匹配，使预处理后的功能核磁共振图像包括90个感兴趣区域，并 对匹配后的图像进行分频处理；所述图核生成模块对分频后的图像构建多频脑网络，然后计 算每个频段脑网络之间的图核，并将每个频段中所有脑网络之间的图核形成一个矩阵；所述 图核融合模块为每个频段的图核分配权值，然后将所有频段得到的图核融合成为一个图核； 所述辅助诊断模块将融合的图核与核极限学习机结合，并进行数据训练，最终实现对阿尔茨 海默病的诊断。
优选地，所述图像预处理模块包括依次连接的时间片校正器、头动校正器和平滑降噪器； 所述时间片校正器用于将输入的功能核磁图像进行时间片校正，得到一系列功能核磁共振图 像(I0，I-1，I-2，...，I-i-1)；所述头动校正器用于将时间片校正后的功能核磁共振图像进行头动校 正，得到一系列功能核磁共振图像(H0，H-1，H-2，...，H-i-1)；所述平滑降噪器用于将头动校正后 的功能核磁共振图像进行平滑降噪，得到一系列功能核磁共振图像(S0，S-1，S-2，...，S-i-1)。
优选地，所述图像分频模块包括模板匹配器和图像分频器；所述模板匹配器用于将预处 理后功能核磁共振图像(S0，S-1，S-2，...，S-i-1)与90个脑区的标准AAL模板进行匹配得到匹配后 的图像(A0，A-1，A-2，...，A-i-1)；所述图像分频器用于将匹配后的所有功能核磁共振图像进行分频 处理，每个图像得到了K个分频后的图像(F-1，F-2，...，F-K)。
优选地，所述图核生成模块包括互信息计算器、脑网络构建器、图核器和图核矩阵生成 器；所述互信息计算器计算分频后的功能核磁共振图像上任意两个脑区之间的互信息以表示 脑区间的关联性；所述脑网络构建器通过计算的互信息值将分频后的n幅图像构建脑网络得 到K个频段的脑网络
Figure BDA0001766400710000021
所述图核器对对应频段下的任意两个脑网络计算图核，由此得到一系列图核
Figure BDA0001766400710000022
所述图核矩阵 生成器用于将每个频段下所有的图核组合成一个矩阵，由此得到了K个频段下的图核矩阵 (X-1，X-2，...，X-K)；
所述图核融合模块包括权值生成器和图核融合器；所述权值生成器利用多核学习的方法 对每个频段的图核矩阵分配权值；所述图核融合器根据每个频段下分配的权值通过线性组合 的方式对图核进行融合，由此得到了多频融合图核X；
所述辅助诊断模块包括数据训练器和辅助诊断器；所述数据训练器在核极限学习机分类 中，用图核构成的矩阵替换核极限学习机的核函数并进行对功能核磁共振图像数据的训练； 所述辅助诊断器利用核极限学习机的原理及训练后的数据，实现在核极限学习机上对阿尔茨 海默病的辅助诊断。
本发明还提供一种采用本发明的脑网络多频融合图核的阿尔茨海默病辅助诊断装置进行 阿尔茨海默病辅助诊断的方法，包括以下步骤：
步骤1、图像预处理模块对输入的功能核磁共振图像进行预处理，得到包含90个脑区的 图像；
输入的功能核磁共振图像通过时间片校正器得到图像(I-1，I-2，...，I-i，I-i-1)，然后对时间片 校正后的图像通过头动校正器，得到图像(H0，H-1，H-2，...，H-i-1)，然后将其通过平滑降噪器得 到图像(S0，S-1，...，S-i-1)，最后通过模板匹配器得到图像(A0，A-1，A-2，...，A-i-1)；
步骤1.1、将功能磁共振图像通过时间片校正器得到(I-1，I-2，...，I-i，I-i-1)；
步骤1.2、对时间片校正器输出的图像进行头动校正，通过头动校正器得到 (H0，H-1，H-2，...，H-i-1)；
步骤1.3、对头动校正器输出的图像进行滤波处理，通过平滑降噪器得到 (S0，S-1，S-2，...，S-i-1)；
步骤1.4、对平滑降噪器输出的图像与AAL模板进行匹配，得到包含90个脑区的图像 (A0，A-1，A-2，...，A-i-1)；
步骤2、通过预处理后的图像构建脑功能网络；
步骤2.1、将处理后的图像通过图像分频器，将图像分为K个频段，得到(F-1，F-2，...，F-K)；
步骤2.2、通过互信息计算器计算分频后的图像上任意两个脑区之间的互信息；
步骤2.3、对分频后每个频段的图像依次通过脑网络构建器，构造脑功能网络，得到
Figure BDA0001766400710000031
步骤3、对分频构造出的脑功能网络计算图核，并最终得到多频融合图核；
步骤3.1、将每个频段的脑网络通过图核器，得到每个频段下任意两个图像之间的图核
Figure BDA0001766400710000032
步骤3.2、将每个频段下计算出的所有图核通过图核矩阵生成器，得到K个频段下的图 核矩阵(X-1，X-2，...，X-K)；
步骤3.3、将K个频段的图核矩阵通过权值生成器，为每个频段下的图核生成一个权值；
步骤3.4、将生成权值后的图核矩阵通过图核融合器，将所有频段的图核融合成为一个图 核矩阵X，得到多频融合图核；
步骤4、运用生成的多频融合图核实现对阿尔茨海默病进行辅助诊断；
步骤4.1、利用得到的多频融合图核与核极限学习机结合并通过数据训练器进行阿尔茨海 默病是否患病的训练；
步骤4.2、利用训练的数据并通过辅助诊断器实现阿尔茨海默病的辅助诊断。
采用上述技术方案所产生的有益效果在于：本发明提供的脑网络多频融合图核的阿尔茨 海默病辅助诊断装置及方法，克服了以往的脑功能网络及图核无法表示多频段下信息差异的 缺陷，使得对大脑活动信息进行分频表示成为可能，令功能核磁共振图像的信号信息得到充 分发挥，起到了更好的为医疗辅助诊断服务的效果。
附图说明
图1为本发明实施例提供的脑网络多频融合图核的阿尔茨海默病辅助诊断装置的结构框 图；
图2为本发明实施例提供的采用脑网络多频融合图核的阿尔茨海默病辅助诊断装置进行 阿尔茨海默病辅助诊断方法的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于 说明本发明，但不用来限制本发明的范围。
脑网络多频融合图核的阿尔茨海默病辅助诊断装置，如图1所示，包括图像预处理模块、 图像分频模块、图核生成模块、图核融合模块和辅助诊断模块；所述图像预处理模块将功能 核磁共振图像进行预处理，并将其传送到图像分频模块；所述图像分频模块将功能核磁共振 图像与具有90个脑区的AAL模板进行匹配，使预处理后的功能核磁共振图像包括90个感兴 趣区域，并对匹配后的图像进行分频处理；所述图核生成模块对分频后的图像构建多频脑网 络，然后计算每个频段脑网络之间的图核，并将每个频段中所有脑网络之间的图核形成一个 矩阵；所述图核融合模块为每个频段的图核分配权值，然后将所有频段得到的图核融合成为 一个图核；所述辅助诊断模块将融合的图核与核极限学习机结合，并进行数据训练，最终实 现对阿尔茨海默病的诊断。
优选地，所述图像预处理模块包括依次连接的时间片校正器、头动校正器和平滑降噪器； 所述时间片校正器用于将输入的功能核磁图像进行时间片校正，得到一系列功能核磁共振图 像(I0，I-1，I-2，...，I-i-1)；所述头动校正器用于将时间片校正后的功能核磁共振图像进行头动校 正，得到一系列功能核磁共振图像(H0，H-1，H-2，...，H-i-1)；所述平滑降噪器用于将头动校正后 的功能核磁共振图像进行平滑降噪，得到一系列功能核磁共振图像(S0，S-1，S-2，...，S-i-1)。
优选地，所述图像分频模块包括模板匹配器和图像分频器；所述模板匹配器用于将预处 理后功能核磁共振图像(S0，S-1，S-2，...，S-i-1)与90个脑区的标准AAL模板进行匹配得到匹配后 的图像(A0，A-1，A-2，...，A-i-1)；所述图像分频器用于将匹配后的所有功能核磁共振图像进行分频 处理，每个图像得到了K个分频后的图像(F-1，F-2，...，F-K)。
优选地，所述图核生成模块包括互信息计算器、脑网络构建器、图核器和图核矩阵生成 器；所述互信息计算器计算分频后的功能核磁共振图像上任意两个脑区之间的互信息以表示 脑区间的关联性；所述脑网络构建器通过计算的互信息值将分频后的n幅图像构建脑网络得 到K个频段的脑网络
Figure BDA0001766400710000051
所述图核器对对应频段下的任意两个脑网络计算图核，由此得到一系列图核
Figure BDA0001766400710000052
所述图核矩阵 生成器用于将每个频段下所有的图核组合成一个矩阵，由此得到了K个频段下的图核矩阵 (X-1，X-2，...，X-K)。
所述图核融合模块包括权值生成器和图核融合器；所述权值生成器利用多核学习的方法 对每个频段的图核矩阵分配权值；所述图核融合器根据每个频段下分配的权值通过线性组合 的方式对图核进行融合，由此得到了多频融合图核X。
所述辅助诊断模块包括数据训练器和辅助诊断器；所述数据训练器在核极限学习机分类 中，用图核构成的矩阵替换核极限学习机的核函数并进行对功能核磁共振图像数据的训练； 所述辅助诊断器利用核极限学习机的原理及训练后的数据，实现在核极限学习机上对阿尔茨 海默病的辅助诊断。
本发明还提供一种采用本发明的脑网络多频融合图核的阿尔茨海默病辅助诊断装置进行 阿尔茨海默病辅助诊断的方法，如图2所示，包括以下步骤：
步骤1、图像预处理模块对输入的功能核磁共振图像进行预处理，得到包含90个脑区的 图像；
输入的功能核磁共振图像通过时间片校正器得到图像(I-1，I-2，...，I-i，I-i-1)，然后对时间片 校正后的图像通过头动校正器，得到图像(H0，H-1，H-2，...，H-i-1)，然后将其通过平滑降噪器得 到图像(S0，S-1，...，S-i-1)，最后通过模板匹配器得到图像(A0，A-1，A-2，...，A-i-1)；
步骤1.1、将功能磁共振图像通过时间片校正器得到(I-1，I-2，...，I-i，I-i-1)；
步骤1.2、对时间片校正器输出的图像进行头动校正，通过头动校正器得到 (H0，H-1，H-2，...，H-i-1)；
步骤1.3、对头动校正器输出的图像进行滤波处理，通过平滑降噪器得到 (S0，S-1，S-2，...，S-i-1)；
步骤1.4、对平滑降噪器输出的图像与AAL模板进行匹配，得到包含90个脑区的图像(A0，A-1，A-2，...，A-i-1)；
步骤2、通过预处理后的图像构建脑功能网络；
步骤2.1、将处理后的图像通过图像分频器，将图像分为K个频段，得到(F-1，F-2，...，F-K)；
本实施例中，采用小波变换的方法对每幅图像进行分频，将功能核磁共振图像转化到频 域并逐层分解成K个频段。将这些图像分别输入到低通滤波器及高通滤波器中得到相应高、 低频率范围的结果，然后通过降采样得到这一级进行频率分解后的图像，随后对图像的低频 信号进行逐层分解，最终得到各层分频后的输出图像。
步骤2.2、通过互信息计算器计算分频后的图像上任意两个脑区之间的互信息；
根据每个功能核磁共振图像在每个频段上得到的分频结果，对分频得到图像的各个节点 之间的匹配关系进行计算，确定在该频段下的脑网络中边的表示，采用互信息的方法来计算 各个节点之间的相关关系，并将其构成关联矩阵。
步骤2.3、对分频后每个频段的图像依次通过脑网络构建器，构造脑功能网络，得到
Figure BDA0001766400710000061
计算出功能核磁共振图像任意两个节点的互信息并得到关联矩阵后，设置互信息的阈值 T，将互信息值与设定所取的阈值T进行比较，当互信息值比设定的阈值T大时，将脑功能 网络的边设为1，即两节点之间有关联，否则将其边设为0，即无关联，由此将关联矩阵转化 为邻接矩阵，构建出脑功能网络。
步骤3、对分频构造出的脑功能网络计算图核，并最终得到多频融合图核；
步骤3.1、将每个频段的脑网络通过图核器，得到每个频段下任意两个图像之间的图核
Figure BDA0001766400710000062
步骤3.2、将每个频段下计算出的所有图核通过图核矩阵生成器，得到K个频段下的图 核矩阵(X-1，X-2，...，X-K)；
步骤3.3、将K个频段的图核矩阵通过权值生成器，为每个频段下的图核生成一个权值；
步骤3.4、将生成权值后的图核矩阵通过图核融合器，将所有频段的图核融合成为一个图 核矩阵X，得到多频融合图核；
步骤4、运用生成的多频融合图核实现对阿尔茨海默病进行辅助诊断；
步骤4.1、利用得到的多频融合图核与核极限学习机结合并通过数据训练器进行阿尔茨海 默病是否患病的训练；
核极限学习机算法属于一种机器学习算法，这个算法属于单层前馈神经网络算法，与支 持向量机方法进行对比，它在获得比SVM更好或与SVM相似的分类准确度的基础上具有更 快的计算速度，因此，使用基于核函数的极限学习机方法进行阿尔茨海默病的辅助诊断。
在基本极限学习机算法中，其神经网络函数可表示为：
f(x)＝h(x)β
其中，f(x)为神经网络函数，h(x)为神经网络隐藏层中神经元，β为神经元的权重；
为了保证极限学习机预测的准确性，将核极限学习机的输出误差进行最小化，即：
Figure BDA0001766400710000071
其中，L表示为隐藏层中神经元h(x)的个数，fO(x)为需要进行预测的函数。
同时，为了保证极限学习机对新样本的适应能力，需要通过最小二乘法对权重β进行最 小化，即：
Figure BDA0001766400710000072
其中，H为神经网络隐藏层矩阵，H
Figure BDA0001766400710000075
为H的逆矩阵，O为待预测向量，C为以使结果 更加稳定常数。
此时极限学习机的输出函数为：
Figure BDA0001766400710000073
在核极限学习机分类中，将图核构成的矩阵表示为核极限学习机的核矩阵，因此核极限 学习机的核函数可以表示为：
ΩELM＝HHT：ΩELM＝h(xi)·h(xj)＝K(p，q)
其中，K(p，q)为核矩阵K的第p行第q列元素表示的第p个脑网络xp与第q个脑网络xp计算得到的图核。
当引入核函数后，极限学习机输出函数变为：
Figure BDA0001766400710000074
在这种特殊情况下，不需要知道数据的特征映射，只需要给出相应的核即可，因此图核 函数可以直接应用到核极限学习机中。
本实施例中，多频融合图核与核极限学习机相结合的具体方法为：
步骤4.1.1、将每个频段的脑网络通过图核器，得到每个频段下任意两个图像之间的图核；
以脑网络χ中的每个节点i为中心，j为最短路径，其中j＝1，2，…，h，分别构造子网
Figure BDA0001766400710000081
根据脑网络的性质可以计算在第m个频段上各个子网络组中每个对应子网χm和ζm之间的相 似性：
Figure BDA0001766400710000082
其中，|·|表示对矩阵做行列式计算，
Figure BDA0001766400710000083
cov表示协方差，e表示所有元素都是1的向量，Axe表示在给定向量e上对矩阵A的第x次 幂迭代，l表示幂迭代的次数，同理
Figure BDA0001766400710000084
也是定义在子网
Figure BDA0001766400710000085
上的对称半正定矩阵。
由此得到图核为：
Figure BDA0001766400710000086
步骤4.1.2、将每个频段下计算出的所有图核通过图核矩阵生成器，得到K个频段下的图 核矩阵；
核矩阵K的第p行第q列元素可以表示为第p个脑网络xp与第q个脑网络xq计算得到的图核，即K(p，q)＝k(xp，xq)＝k(χ，ξ)。
步骤4.1.3、将K个频段的图核矩阵通过权值生成器，为每个频段下的图核生成一个权值；
图核表示为
Figure BDA0001766400710000087
其中，km(χm，ξm)表示构建在第m频段脑网络的 图核，χm和ζm对应着第m个频段下的脑网络，K是频段的个数，μm是一个非负权重向量， 满足约束
Figure BDA0001766400710000088
采用网格搜索的方法来确定每个图核矩阵的μm，将多个频段下的图核融合成为一个图核。
步骤4.1.4、将生成权值后的图核矩阵通过图核融合器，将所有频段的图核融合成为一个 图核矩阵X；
对每个频段的图核生成权值后，图核可以表示为
Figure BDA0001766400710000089
步骤4.1.5、在核极限学习机分类中，通过数据训练器运用图核构成的矩阵替换核极限学 习机的核函数并进行对功能核磁共振图像数据的训练。
步骤4.2、利用训练的数据并通过辅助诊断器实现阿尔茨海默病的辅助诊断。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照 前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前 述实施例所记载的技术方案进行修改，或者对其中部分或者全部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发明权利要求所限定的范围。

Claims (2)

1.一种脑网络多频融合图核的阿尔茨海默病辅助诊断装置，其特征在于：包括图像预处理模块、图像分频模块、图核生成模块、图核融合模块以及辅助诊断模块；所述图像预处理模块将功能核磁共振图像进行预处理，并将其传送到图像分频模块；所述图像分频模块将功能核磁共振图像与具有90个脑区的AAL模板进行匹配，使预处理后的功能核磁共振图像包括90个感兴趣区域，并对匹配后的图像进行分频处理；所述图核生成模块对分频后的图像构建多频脑网络，然后计算每个频段脑网络之间的图核，并将每个频段中所有脑网络之间的图核形成一个矩阵；所述图核融合模块为每个频段的图核分配权值，然后将所有频段得到的图核融合成为一个图核；所述辅助诊断模块将融合的图核与核极限学习机结合，并进行数据训练，最终实现对阿尔茨海默病的诊断；
所述图像预处理模块包括依次连接的时间片校正器、头动校正器和平滑降噪器；所述时间片校正器用于将输入的功能核磁图像进行时间片校正，得到一系列功能核磁共振图像(I0，I-1，I-2，...，I-i-1)；所述头动校正器用于将时间片校正后的功能核磁共振图像进行头动校正，得到一系列功能核磁共振图像(H0，H-1，H-2，...，H-i-1)；所述平滑降噪器用于将头动校正后的功能核磁共振图像进行平滑降噪，得到一系列功能核磁共振图像(S0，S-1，S-2，...，S-i-1)；
所述图像分频模块包括模板匹配器和图像分频器；所述模板匹配器用于将预处理后功能核磁共振图像与90个脑区的标准AAL模板进行匹配得到匹配后的图像(A0，A-1，A-2，...，A-i-1)；所述图像分频器用于将匹配后的所有功能核磁共振图像进行分频处理，每个图像得到了K个分频后的图像(F-1，F-2，...，F-K)；
所述图核生成模块包括互信息计算器、脑网络构建器、图核器和图核矩阵生成器；所述互信息计算器计算分频后的功能核磁共振图像上任意两个脑区之间的互信息以表示脑区间的关联性；所述脑网络构建器通过计算的互信息值将分频后的n幅图像构建脑网络得到K个频段的脑网络
Figure FDA0003138775310000011
所述图核器对对应频段下的任意两个脑网络计算图核，由此得到一系列图核
Figure FDA0003138775310000012
所述图核矩阵生成器用于将每个频段下所有的图核组合成一个矩阵，由此得到了K个频段下的图核矩阵(X-1，X-2，...，X-K)；
所述图核融合模块包括权值生成器和图核融合器；所述权值生成器利用多核学习的方法对每个频段的图核矩阵分配权值；所述图核融合器根据每个频段下分配的权值通过线性组合的方式对图核进行融合，由此得到了多频融合图核X；
所述辅助诊断模块包括数据训练器和辅助诊断器；所述数据训练器在核极限学习机分类中，用图核构成的矩阵替换核极限学习机的核函数并进行对功能核磁共振图像数据的训练；所述辅助诊断器利用核极限学习机的原理及训练后的数据，实现在核极限学习机上对阿尔茨海默病的辅助诊断。
2.采用权利要求1所述的脑网络多频融合图核的阿尔茨海默病辅助诊断装置进行阿尔茨海默病辅助诊断的方法，其特征在于：包括以下步骤：
步骤1、图像预处理模块对输入的功能核磁共振图像进行预处理，得到包含90个脑区的图像；
输入的功能核磁共振图像通过时间片校正器得到图像(I-1,I-2,…,I-i,I-i-1)，然后对时间片校正后的图像通过头动校正器，得到图像(H0,H-1,H-2,…,H-i-1)，然后将其通过平滑降噪器得到图像(S0,S-1,…,S-i-1)，最后通过模板匹配器得到图像(A0,A-1,A-2,…,A-i-1)；
步骤1.1、将功能磁共振图像通过时间片校正器得到(I-1,I-2,…,I-i,I-i-1)；
步骤1.2、对时间片校正器输出的图像进行头动校正，通过头动校正器得到(H0,H-1,H-2,…,H-i-1)；
步骤1.3、对头动校正器输出的图像进行滤波处理，通过平滑降噪器得到(S0,S-1,S-2,…,S-i-1)；
步骤1.4、对平滑降噪器输出的图像与AAL模板进行匹配，得到包含90个脑区的图像(A0,A-1,A-2,…,A-i-1)；
步骤2、通过预处理后的图像构建脑功能网络；
步骤2.1、将处理后的图像通过图像分频器，将图像分为K个频段，得到(F-1,F-2,…,F-K)；
步骤2.2、通过互信息计算器计算分频后的图像上任意两个脑区之间的互信息；
步骤2.3、对分频后每个频段的图像依次通过脑网络构建器，构造脑功能网络，得到
Figure FDA0003138775310000021
步骤3、对分频构造出的脑功能网络计算图核，并最终得到多频融合图核；
步骤3.1、将每个频段的脑网络通过图核器，得到每个频段下任意两个图像之间的图核
Figure FDA0003138775310000022
步骤3.2、将每个频段下计算出的所有图核通过图核矩阵生成器，得到K个频段下的图核矩阵(X-1,X-2,…,X-K)；
步骤3.3、将K个频段的图核矩阵通过权值生成器，为每个频段下的图核生成一个权值；
步骤3.4、将生成权值后的图核矩阵通过图核融合器，将所有频段的图核融合成为一个图核矩阵X，得到多频融合图核；
步骤4、运用生成的多频融合图核实现对阿尔茨海默病进行辅助诊断；
步骤4.1、利用得到的多频融合图核与核极限学习机结合并通过数据训练器进行阿尔茨海默病是否患病的训练；
步骤4.2、利用训练的数据并通过辅助诊断器实现阿尔茨海默病的辅助诊断。
CN201810930199.6A 2018-08-15 2018-08-15 脑网络多频融合图核的阿尔茨海默病辅助诊断装置及方法 Active CN109034263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810930199.6A CN109034263B (zh) 2018-08-15 2018-08-15 脑网络多频融合图核的阿尔茨海默病辅助诊断装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810930199.6A CN109034263B (zh) 2018-08-15 2018-08-15 脑网络多频融合图核的阿尔茨海默病辅助诊断装置及方法

Publications (2)

Publication Number Publication Date
CN109034263A CN109034263A (zh) 2018-12-18
CN109034263B true CN109034263B (zh) 2021-08-10

Family

ID=64630475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810930199.6A Active CN109034263B (zh) 2018-08-15 2018-08-15 脑网络多频融合图核的阿尔茨海默病辅助诊断装置及方法

Country Status (1)

Country Link
CN (1) CN109034263B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109767435B (zh) * 2019-01-07 2022-04-19 哈尔滨工程大学 一种基于持续同调技术的阿尔兹海默症脑网络特征提取方法
CN110459317B (zh) * 2019-08-13 2023-03-24 东北大学 基于动态脑网络图核的阿尔茨海默病辅助诊断系统及方法
CN110916615B (zh) * 2019-12-05 2020-09-25 四川大学 阿兹海默症检测装置及计算机设备
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
CN113538333B (zh) * 2021-06-08 2022-06-17 中南民族大学 基于脑部块特征加权表达的阿尔茨海默症诊断方法
CN113298038B (zh) * 2021-06-21 2023-09-19 东北大学 用于辅助诊断ad的多频脑网络区分子网络对的构建方法
CN116343915B (zh) * 2023-03-15 2023-11-24 电子科技大学长三角研究院(衢州) 生物序列集成分类器的构建方法及生物序列预测分类方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092887A (zh) * 2017-04-21 2017-08-25 重庆邮电大学 一种基于Multi‑bands FDBN的运动想象脑电信号的特征提取方法
CN107569228A (zh) * 2017-08-22 2018-01-12 北京航空航天大学 基于频带信息和支持向量机的颅内脑电信号特征波识别装置
CN107967943A (zh) * 2017-12-13 2018-04-27 东南大学 一种基于功能核磁共振图像的儿童多动症分析系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092887A (zh) * 2017-04-21 2017-08-25 重庆邮电大学 一种基于Multi‑bands FDBN的运动想象脑电信号的特征提取方法
CN107569228A (zh) * 2017-08-22 2018-01-12 北京航空航天大学 基于频带信息和支持向量机的颅内脑电信号特征波识别装置
CN107967943A (zh) * 2017-12-13 2018-04-27 东南大学 一种基于功能核磁共振图像的儿童多动症分析系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Classification of Brain MRI using the LH and HL Wavelet Transform Sub-bands";Salim Lahmiri et.al.;《2011 IEEE International Symposium of Circuits and Systems (ISCAS)》;20111231;全文 *
"基于机器学习的脑网络分析方法及应用";张道强等;《数据采集与处理》;20151231;第30卷(第1期);全文 *
"面向脑网络的新型图核及其在MCI分类上的应用";接标等;《计算机学报》;20160831;第39卷(第8期);文献第1、4节 *

Also Published As

Publication number Publication date
CN109034263A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN109034263B (zh) 脑网络多频融合图核的阿尔茨海默病辅助诊断装置及方法
Wang et al. Single slice based detection for Alzheimer’s disease via wavelet entropy and multilayer perceptron trained by biogeography-based optimization
Noreen et al. A deep learning model based on concatenation approach for the diagnosis of brain tumor
Li et al. Brain age prediction based on resting-state functional connectivity patterns using convolutional neural networks
Yang et al. A deep neural network study of the ABIDE repository on autism spectrum classification
Yang et al. Autism spectrum disorder diagnosis using graph attention network based on spatial-constrained sparse functional brain networks
Bagherzadeh et al. Detection of schizophrenia using hybrid of deep learning and brain effective connectivity image from electroencephalogram signal
Gong et al. Generative AI for brain image computing and brain network computing: a review
Liu et al. An enhanced multi-modal brain graph network for classifying neuropsychiatric disorders
Hong et al. Longitudinal prediction of infant diffusion MRI data via graph convolutional adversarial networks
Pan et al. DecGAN: Decoupling generative adversarial network detecting abnormal neural circuits for Alzheimer's disease
Tomassini et al. An end-to-end 3D ConvLSTM-based framework for early diagnosis of Alzheimer's disease from full-resolution whole-brain sMRI scans
Pei et al. Data augmentation for fMRI-based functional connectivity and its application to cross-site ADHD classification
Wein et al. Forecasting brain activity based on models of spatiotemporal brain dynamics: A comparison of graph neural network architectures
Avberšek et al. Deep learning in neuroimaging data analysis: Applications, challenges, and solutions
Mouches et al. Unifying brain age prediction and age-conditioned template generation with a deterministic autoencoder
Lamani et al. Multi-atlas graph convolutional networks and convolutional recurrent neural networks-based ensemble learning for classification of autism spectrum disorders
Ma et al. Multi-Scale Dynamic Graph Learning for Brain Disorder Detection with Functional MRI
Jung et al. Inter-regional high-level relation learning from functional connectivity via self-supervision
Zuo et al. Alzheimer’s Disease Prediction via Brain Structural-Functional Deep Fusing Network
Qu et al. A graph convolutional network based on univariate neurodegeneration biomarker for alzheimer’s disease diagnosis
Afshar et al. Age prediction based on brain mri images using extreme learning machine
Shah et al. EMED-UNet: an efficient multi-encoder-decoder based UNet for medical image segmentation
Wang et al. Leveraging Brain Modularity Prior for Interpretable Representation Learning of fMRI
Zhang et al. Deep Linear Modeling of Hierarchical Functional Connectivity in the Human Brain

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