CN109344889B - 脑疾病分类装置、用户终端和计算机可读存储介质 - Google Patents

脑疾病分类装置、用户终端和计算机可读存储介质 Download PDF

Info

Publication number
CN109344889B
CN109344889B CN201811095737.0A CN201811095737A CN109344889B CN 109344889 B CN109344889 B CN 109344889B CN 201811095737 A CN201811095737 A CN 201811095737A CN 109344889 B CN109344889 B CN 109344889B
Authority
CN
China
Prior art keywords
time
point
sample
brain
network
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
CN201811095737.0A
Other languages
English (en)
Other versions
CN109344889A (zh
Inventor
雷柏英
杨鹏
汪天富
秦璟
倪东
陈思平
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN201811095737.0A priority Critical patent/CN109344889B/zh
Publication of CN109344889A publication Critical patent/CN109344889A/zh
Application granted granted Critical
Publication of CN109344889B publication Critical patent/CN109344889B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供了一种脑疾病分类方法、装置和用户终端，其中所述方法包括：通过融合稀疏网络模型构建多时间点脑功能连接网络；利用无参数中心化多任务学习方法对所述多时间点脑功能连接网络中的早期轻度认知障碍样本和晚期轻度认知障碍样本进行纵向分析，得到多时间点特征；通过相似性融合方法融合所述多时间点特征，并通过支持向量机模型完成分类。本发明所提供的分类方法的与现有技术相比，数据有效性更强，分类准确度高，可实现准确地对受试者的脑疾病情况进行诊断。

Description

脑疾病分类装置、用户终端和计算机可读存储介质
技术领域
本发明涉及图像识别技术领域，更具体地说，涉及一种脑疾病分类方法、装置和用户终端。
背景技术
阿尔茨海默病(Alzheimer’s Disease，AD，俗称老年痴呆症)是一种不可逆的慢性神经系统退行性疾病，主要临床表现为记忆力减退、认知能力下降、生活不能自理。阿尔茨海默病患者的存活期一般为3-10年，该病多发生于60岁以上的老年人，随着年龄的增长发病率逐渐增高。
可见，AD已经成为全世界共同面对的难题。然而，到目前为止AD的具体病因还不清楚，一旦患有AD将无法医治。因此，早日诊断并尽早治疗和干预是应对AD最有效的方法。阿尔茨海默病临床早期阶段表现为轻度认知障碍(Mild Cognitive Impairment,MCI)，此时为最佳诊断和干预时期。
通过静息状态功能磁共振成像技术(resting-state functional magneticresonance imaging,rs-fMRI)构建脑功能连接网络对疾病的分析和诊断至关重要。现有脑疾病分类方法主要是仅使用单个时间点rs-fMRI数据进行分类，从而实现对于AD脑疾病的诊断，但现有的分类方法存在分类准确度低、数据有效性差的缺点，无法准确的对受试者的脑疾病情况进行诊断。
发明内容
有鉴于此，本发明提供一种脑疾病分类方法、装置和用户终端以解决现有技术的不足。
为解决上述问题，本发明提供一种脑疾病分类方法，包括：通过融合稀疏网络模型构建多时间点脑功能连接网络；利用无参数中心化多任务学习方法对所述多时间点脑功能连接网络中的早期轻度认知障碍样本和晚期轻度认知障碍样本进行纵向分析，得到多时间点特征；通过相似性融合方法融合所述多时间点特征，并通过支持向量机模型完成分类。
优选地，所述“通过融合稀疏网络模型构建多时间点脑功能连接网络”之前，还包括：采集基于至少两个不同时间点的受试者的多样本rs-fMRI数据；所述多样本rs-fMRI数据包括的多样本正常人rs-fMRI数据、多样本早期轻度认知障碍rs-fMRI数据和多样本晚期轻度认知障碍rs-fMRI数据；其中，每个所述多样本rs-fMRI数据包含有140个有序测试序列；去除每个所述多样本rs-fMRI数据中的前10个有序测试序列，并对每个所述多样本rs-fMRI数据中的剩余有序测试序列进行时间点校正，以便于根据校正后的多样本rs-fMRI数据中的剩余有序测试序列构建多时间点脑功能连接网络。
优选地，所述“通过融合稀疏网络模型构建多时间点脑功能连接网络”包括：定义受试者数量为
Figure GDA00026669233600000212
Figure GDA0002666923360000021
表示第n个受试者的第r个脑区域所包含的
Figure GDA00026669233600000211
个血氧水平依赖的平均时间序列信号；
Figure GDA0002666923360000022
表示除去
Figure GDA0002666923360000023
的所有脑区域的数据；
Figure GDA0002666923360000024
表示权重系数向量；其中，
Figure GDA0002666923360000025
通过群稀疏正则化和平滑正则化来共同学习每个受试者的共享功能性脑网络；其目标函数为：
Figure GDA0002666923360000026
Figure GDA0002666923360000028
是组正则化项，
Figure GDA0002666923360000029
表示平滑项；
Figure GDA00026669233600000210
的具体形式为：
Figure GDA0002666923360000027
λ2表示平滑项参数；基于所述目标函数，通过迭代投影梯度下降算法得到多时间点脑功能连接网络。
优选地，所述“基于所述目标函数，通过迭代投影梯度下降算法得到多时间点脑功能连接网络”包括：所述目标函数中包括平滑项
Figure GDA0002666923360000031
Figure GDA0002666923360000032
和非平滑项
Figure GDA0002666923360000033
在第k次迭代中，投影梯度下降中包括两步方程：
Figure GDA00026669233600000313
在
Figure GDA0002666923360000034
处的梯度表示为
Figure GDA0002666923360000035
并且步长表示为γk，并且通过线搜索确定，第一步方程为：
Figure GDA0002666923360000036
第二步方程为：
Figure GDA0002666923360000037
利用加速梯度下降法加速所述第一步方程和第二步方程，计算搜索点；
Figure GDA0002666923360000038
Figure GDA0002666923360000039
其中，αk是预定义变量，
Figure GDA00026669233600000310
定义为
Figure GDA00026669233600000311
从而得到多时间点脑功能连接网络。
优选地，所述“利用无参数中心化多任务学习方法对所述多时间点脑功能连接网络中的早期轻度认知障碍样本和晚期轻度认知障碍样本进行纵向分析，得到多时间点特征”包括：利用加权图的局部聚类系数从每个所述多时间点脑功能连接网络中提取特征；通过无参数中心化多任务学习所述特征，识别出多时间点个性特征和多时间点共同特征，作为多时间点特征。
优选地，所述“利用加权图的局部聚类系数从每个所述多时间点脑功能连接网络中提取特征”之前，还包括：定义
Figure GDA00026669233600000312
以获得所述多时间点脑功能连接网络的对称性；其中，Z代表矩阵或者向量的转置。
优选地，所述“通过相似性融合方法融合所述多时间点特征，并通过支持向量机模型完成分类”包括：基于相似性网络的方程
Figure GDA00026669233600000314
计算得到受试者的相似性和欧氏距离；其中
Figure GDA00026669233600000315
和
Figure GDA00026669233600000316
分别代表受试者的顶点和边缘权重的相似性，两个受试者的相似性用矩阵
Figure GDA00026669233600000317
表示；在顶点
Figure GDA00026669233600000318
上构造一完整的内核和一个稀疏的内核，得到归一化权重矩阵；并且，计算得到L个近邻平均值的局部亲和度，以及非相邻点的相似度值；基于所述归一化权重矩阵，以及L个近邻平均值的局部亲和度的数量，迭代更新所述完整的内核对应的核矩阵，并计算得到多时间点状态矩阵，从而在融合过程中，使用
Figure GDA0002666923360000041
作为核矩阵来捕获图的局部结构和计算效率，并通过支持向量机模型完成分类。
此外，为解决上述问题，本发明还提供一种脑疾病分类装置，包括：网络构建模块、纵向分析模块和融合分类模块；所述网络构建模块，用于通过融合稀疏网络模型构建多时间点脑功能连接网络；所述纵向分析模块，用于利用无参数中心化多任务学习方法对所述多时间点脑功能连接网络中的早期轻度认知障碍样本和晚期轻度认知障碍样本进行纵向分析，得到多时间点特征；所述融合分类模块，用于通过相似性融合方法融合所述多时间点特征，并通过支持向量机模型完成分类。
此外，为解决上述问题，本发明还提供一种用户终端，包括存储器以及处理器，所述存储器用于存储脑疾病分类程序，所述处理器运行所述脑疾病分类程序以使所述用户终端执行如上述所述脑疾病分类方法。
此外，为解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有脑疾病分类程序，所述脑疾病分类程序被处理器执行时实现如上述所述脑疾病分类方法。
本发明提供的一种脑疾病分类方法、装置和用户终端。其中，本发明所提供的方法利用融合稀疏网络模型与无参数中心化多任务学习方法相结合，纵向分析多个时间点rs-fMRI特征数据，并通过相似性融合方法融合这些特征数据，进而完成分类，从而识别出早期和晚期的轻度认知障碍。本发明通过纵向分析更好地监测疾病进展模式，实现了基于融合稀疏网络学习纵向分析MCI的方法，进而实现对于AD的早期诊断。本发明所提供的分类方法的与现有技术相比，数据有效性更强，分类准确度高，可实现准确地对受试者的脑疾病情况进行诊断。
本发明有效地利用多时间点rs-fMRI数据对脑疾病进行纵向分析，并进行准确的分类；基于稀疏学习的方法提出融合稀疏网络的方法对脑功能连接网络进行构建，这种方法更加充分的考虑到了受试者脑功能连接网络之间的相似性；无参数中心化多任务学习方法进行特征选择，这种方法可以减少系统中参数的个数，增加稳定性的同时选择出多个时间点之间的相似性和特异性特征，有利于疾病的分析；采用相似性网络融合的方法融合与疾病最相关的多时间点特征，可以有效的增强多时间点特征的表达能力。
附图说明
图1为本发明脑疾病分类方法实施例方案涉及的硬件运行环境的结构示意图；
图2为本发明脑疾病分类方法第一实施例的流程示意图；
图3为本发明脑疾病分类方法第二实施例的流程示意图；
图4为本发明脑疾病分类方法第三实施例的流程示意图；
图5为本发明脑疾病分类方法第四实施例的步骤S130的细化流程示意图；
图6为本发明脑疾病分类方法第五实施例的流程示意图；
图7为本发明脑疾病分类方法第六实施例的流程示意图；
图8为本发明脑疾病分类装置的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面详细描述本发明的实施例，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的终端的硬件运行环境的结构示意图。
本发明实施例终端可以是的PC，也可以是智能手机、平板电脑、电子书阅读器、MP3播放器、MP4播放器、便携计算机等可移动式终端设备。
如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏、输入单元比如键盘、遥控器，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。此外，终端还包括图像采集设备1006，具体可以为摄像头，相机等。所述图像采集设备1006通过通信总线1002与所述处理器1001连接。此外，终端还包括重力传感器1007。所述重力传感器通过通信总线1002与所述处理器1001连接。可选地，终端还可以包括RF(Radio Frequency，射频)电路、音频电路、WiFi模块等等。此外，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、数据接口控制程序、网络连接程序以及脑疾病分类程序。
本发明提供的一种脑疾病分类方法、装置和用户终端。其中，所述方法通过纵向分析更好地监测疾病进展模式，实现了基于融合稀疏网络学习纵向分析MCI的方法，进而实现对于AD的早期诊断。本发明所提供的分类方法的与现有技术相比，数据有效性更强，分类准确度高，可实现准确地对受试者的脑疾病情况进行诊断。
实施例1：参照图2，本发明第一实施例提供一种脑疾病分类方法，包括：步骤S100，通过融合稀疏网络模型构建多时间点脑功能连接网络；
上述，需要说明的是，稀疏模型在机器学习和图像处理等领域发挥着越来越重要的作用，它具有变量选择功能，可以解决建模中的过拟合等问题。Tibshirani提出的Lasso使得正则化稀疏模型真正开始流行。稀疏化模型包含稀疏模型，组稀疏模型，树稀疏模型和图稀疏模型。
上述，多时间点，为对于ADNI-2数据库中的样本数据，选择不同的时间点进行处理。例如，两个时间点，或者多于两个时间点。通过实验证明，时间点越多，最终所得到的分类结果越准确。
步骤S200，利用无参数中心化多任务学习方法对所述多时间点脑功能连接网络中的早期轻度认知障碍样本和晚期轻度认知障碍样本进行纵向分析，得到多时间点特征；
上述，轻度认知障碍是介于正常衰老和痴呆之间的一种中间状态，是一种认知障碍症候群。与年龄和教育程度匹配的正常老人相比，患者存在轻度认知功能减退，但日常能力没有受到明显影响。轻度认知障碍的核心症状是认知功能的减退，根据病因或大脑损害部位的不同，可以累及记忆、执行功能、语言、运用、视空间结构技能等一项或以上，导致相应的临床症状，其认知减退要满足以下两点：
(1)认知功能下降：主诉或者知情者报告的认知损害，而且客观检查有认知损害的证据；或/和客观检查证实认知功能较以往减退。
(2)日常基本能力正常，复杂的工具性日常能力可以有轻微损害。
根据损害的认知域，轻度认知障碍症状可以分为两大类：
(1)遗忘型轻度认知障碍：患者表现有记忆力损害。根据受累的认知域数量，又可分为单纯记忆损害型(只累及记忆力)和多认知域损害型(除累及记忆力，还存在其他一项或多项认知域损害)，前者常为阿尔茨海默病的早期导致，后者可由阿尔茨海默病、脑血管病或其他疾病(如抑郁)等引起。
(2)非遗忘型轻度认知障碍：患者表现为记忆功能以外的认知域损害，记忆功能保留。也可以进一步分为非记忆单一认知域损害型和非记忆多认知域损害型，常由额颞叶变性、路易体痴呆等的早期病变导致。
上述，多时间点特征，即为通过纵向分析所得到的最具有判别力的特征。
步骤S30，通过相似性融合方法融合所述多时间点特征，并通过支持向量机模型完成分类。
上述，需要说明的是，在统计学习理论中，支持向量机是针对二值分类问题提出的，并且成功地应用子解函数回归及一类分类问题，虽然支持向量机在解决二值分类问题时获得了巨大的成功，但实际应用中的大量多值分类问题也进一步要求如何将支持向量机推广到多分类问题上。
上述，需要说明的是，支持向量机(Support Vector Machine，SVM)是CorinnaCortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。在机器学习中，支持向量机(SVM，或支持矢量网络)是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析。
本发明提供的一种脑疾病分类方法、装置和用户终端。其中，本发明所提供的方法利用融合稀疏网络模型与无参数中心化多任务学习方法相结合，纵向分析多个时间点rs-fMRI特征数据，并通过相似性融合方法融合这些特征数据，进而完成分类，从而识别出早期和晚期的轻度认知障碍。本发明通过纵向分析更好地监测疾病进展模式，实现了基于融合稀疏网络学习纵向分析MCI的方法，进而实现对于AD的早期诊断。本发明所提供的分类方法与现有技术相比，数据有效性更强，分类准确度高，可实现准确地对受试者的脑疾病情况进行诊断。
本实施例有效地利用多时间点rs-fMRI数据对脑疾病进行纵向分析，并进行准确的分类；基于稀疏学习的方法提出融合稀疏网络的方法对脑功能连接网络进行构建，这种方法更加充分的考虑到了受试者脑功能连接网络之间的相似性；无参数中心化多任务学习方法进行特征选择，这种方法可以减少系统中参数的个数，增加稳定性的同时选择出多个时间点之间的相似性和特异性特征，有利于疾病的分析；采用相似性网络融合的方法融合与疾病最相关的多时间点特征，可以有效的增强多时间点特征的表达能力。
实施例2：参照图3，本发明第二实施例提供一种脑疾病分类方法，基于上述图2所示的第一实施例，所述步骤S100“通过融合稀疏网络模型构建多时间点脑功能连接网络”之前，还包括：
步骤S400，采集基于至少两个不同时间点的受试者的多样本rs-fMRI数据；所述多样本rs-fMRI数据包括的多样本正常人rs-fMRI数据、多样本早期轻度认知障碍rs-fMRI数据和多样本晚期轻度认知障碍rs-fMRI数据；其中，每个所述多样本rs-fMRI数据包含有140个有序测试序列；
上述，两个不同的时间点，可以为ADNI-2数据库中的多时间点的数据，例如基线时间点和一年后时间点。
例如，从ADNI-2数据库中获得基线和一年后时间点的数据，其中包含29个NC(正常受试者)，29个EMCI和18个LMCI受试者的rs-fMRI数据。
其中，ADNI-2数据库，为Alzheimer’s Disease Neuroimaging Initiative(ADNI)的公开的数据库，可通过其中数据库进行多样本数据的获取。其中的数据，所有受试者均由3.0T Philips Achieva在不同中心扫描，参数定义如下：TR/TE＝3000/30mm，翻转角＝80°，包含有140个rs-fMRI有序测试序列，成像矩阵＝64×64，共48片，体厚＝3.3毫米。
其中，rs-fMRI数据是一个时间序列的四维数据。即一个三维数据BOLD信号+一个时间维度，每隔3秒扫描一次，共扫描140次，得到140个时间序列数据。
步骤S500，去除每个所述多样本rs-fMRI数据中的前10个有序测试序列，并对每个所述多样本rs-fMRI数据中的剩余有序测试序列进行时间点校正，以便于根据校正后的多样本rs-fMRI数据中的剩余有序测试序列构建多时间点脑功能连接网络。
上述，使用基于SPM12的标准预处理程序对rs-fMRI数据进行预处理。在进行处理之前，丢弃每个受试者的前10个rs-fMRI有序测试序列，以保持磁化强度相等。
上述，剩余的130个有序测试序列通过切片收集的交错序列进行校正，其利用回波平面扫描来确保每个切片上的数据对应于一致的时间点。
插值时间点设置为TR/2，以便每个TR的相对误差最小。使用刚体空间变换和最小二乘法，其在重新获得时间延迟之后重新调整切片定时以校正每个对象的rs-fMRI时间序列。为了去除头部运动，每个受试者的最后第二个时间序列的图像用作所有后续时间序列的图像重新对齐的参考。需要说明的是，数据处理前需要进行数据配准，做配准需要选择一个标准，在本实施例中，以倒数第二个作为标准。
上述，本实施例中，通过使用自动解剖标记(AAL)模板将rs-fMRI分成90个脑区域。我们使用DPARSF软件预处理数据。高通滤波器用于细化每个脑区域的平均rs-fMRI时间序列。此外，去除头部运动参数，脑脊液和白质的平均血氧合度依赖(Blood OxygenationLevel Dependent，BOLD)时间序列。提取90个脑区域(ROI)中的BOLD信号的平均值作为原始rs-fMRI信号(即，90个脑区域)。本实施例，通过对于rs-fMRI数据进行采集和预处理，从而实现数据对齐和校正，从而减少数据统计误差，提高分类的准确度。
实施例3：参照图4，本发明第三实施例提供一种脑疾病分类方法，基于上述图3所示的第二实施例，所述步骤S100“通过融合稀疏网络模型构建多时间点脑功能连接网络”包括：
步骤S110，定义受试者数量为
Figure GDA00026669233600001220
Figure GDA0002666923360000121
表示第n个受试者的第r个脑区域所包含的
Figure GDA00026669233600001219
个血氧水平依赖的平均时间序列信号；
Figure GDA0002666923360000122
表示除去
Figure GDA0002666923360000123
的所有脑区域的数据；
Figure GDA0002666923360000124
表示权重系数向量；其中，
Figure GDA0002666923360000125
需要说明的是，在本实施例中，矩阵用粗体大写字母表示，向量用粗体小写字母表示，标量用普通斜体字母表示。其中，R代表：实数集M代表：血氧水平依赖的平均时间序列信号的个数。
上述，在本实施例中，矩阵用粗体大写字母表示，向量用粗体小写字母表示，标量用普通斜体字母表示。例如，假设有
Figure GDA00026669233600001221
个受试者，
Figure GDA0002666923360000126
是输入的数据，用自动解剖标记(AAL)模板把大脑分割成为
Figure GDA00026669233600001222
个ROIs。
Figure GDA0002666923360000127
表示第n个受试者的第r个ROI所包含的M个血氧水平依赖的平均时间序列信号。
Figure GDA0002666923360000128
表示除去
Figure GDA0002666923360000129
的所有ROIs的数据。
Figure GDA00026669233600001210
表示权重系数向量。其中，
Figure GDA00026669233600001211
目前，基于稀疏学习的方法提出了很多构建脑功能连接的模型。最典型的模型之一是组约束稀疏(GCS)网络，其定义如下：
Figure GDA00026669233600001212
Figure GDA00026669233600001213
其中，
Figure GDA00026669233600001216
是组正则化项，定义如下：
Figure GDA00026669233600001214
λ1是组正则化项参数
Figure GDA00026669233600001217
表示
Figure GDA00026669233600001215
的l2-范数之和。具体的，用l2-范数来约束行向量，也就是所有受试者第r个特征。用l1-范数来约束R-1ROIs的权重，进行联合选择。GCS是构造稀疏脑网络的一种方法，这种方法保证在同一个组的所有模型有相同的连接方式。l2-范数被强加在不相等的矩阵
Figure GDA00026669233600001218
上的相同元素上。这使得对应于跨越不同受试者的连接的权重被组合在一起。约束在受试者之间强加了公共连接拓扑，并利用它们之间的连接权重的变化。如此，该模型能够通过剩余的ROI重建目标ROI。此外，每个ROI的重建独立于其他ROI。然而，现有的GCS模型忽略了模型中不同受试者的平滑特性。
步骤S120，通过群稀疏正则化和平滑正则化来共同学习每个受试者的共享功能性脑网络；其目标函数为：
Figure GDA0002666923360000131
Figure GDA0002666923360000132
Figure GDA0002666923360000138
是组正则化项，
Figure GDA0002666923360000139
表示平滑项；
Figure GDA00026669233600001310
的具体形式为：
Figure GDA0002666923360000133
λ2表示平滑项参数；
为解决上述问题，本实施例提供一种新模型，通过群稀疏正则化和平滑正则化来共同学习每个受试者的共享功能性脑网络。其目标函数如下：
Figure GDA0002666923360000134
Figure GDA00026669233600001315
是组正则化项，
Figure GDA00026669233600001312
表示平滑项；
Figure GDA00026669233600001311
的具体形式如下：
Figure GDA00026669233600001314
Figure GDA00026669233600001313
表示平滑项参数。
第二项
Figure GDA0002666923360000135
将来自相同组的两个连续加权矢量之间的多样性约束为尽可能小。当λ2为0的时候，本实施例中提出的方法就可以变为GCS功能连接网络方法。由于在平滑项中使用了l1-范数因此鼓励权重向量差异，因为在加权的不平等向量中将出现许多零分量。换句话说，由于平滑约束，来自相邻权重向量的大量分量将是相同的。由于我们的任务中的权重非零，因此将选择信息功能。我们引入平滑项来平滑受试者的连通系数。此外，融合该学习模型中的正则化项，以施加高水平的约束。综上，将这种稀疏学习模型称为融合稀疏网络(FSN)。
步骤S130，基于所述目标函数，通过迭代投影梯度下降算法得到多时间点脑功能连接网络。
迭代求解方程得到的结果为
Figure GDA0002666923360000136
即为用R-1个ROIs表达第r个ROI的结果，表示第r个ROI与其它R-1个ROIs之间的关系。计算R次，得到R个W_r，组成
Figure GDA0002666923360000137
由于第r个ROI与第r个ROI之间的关系无意义，所以补0，最终得到
Figure GDA0002666923360000141
则第n个受试者的脑功能连接网络为
Figure GDA00026669233600001415
其中，
Figure GDA0002666923360000142
上述，迭代法也称辗转法，是一种不断用变量的旧值递推新值的过程，跟迭代法相对应的是直接法(或者称为一次解法)，即一次性解决问题。迭代算法是用计算机解决问题的一种基本方法，它利用计算机运算速度快、适合做重复性操作的特点，让计算机对一组指令(或一定步骤)进行重复执行，在每次执行这组指令(或这些步骤)时，都从变量的原值推出它的一个新值，迭代法又分为精确迭代和近似迭代。比较典型的迭代法如“二分法”和"牛顿迭代法”属于近似迭代法。
实施例4：参照图5，本发明第四实施例提供一种脑疾病分类方法，基于上述图4所示的第三实施例，所述步骤S130“基于所述目标函数，通过迭代投影梯度下降算法得到多时间点脑功能连接网络”包括：
步骤S131，所述目标函数中包括平滑项
Figure GDA0002666923360000143
Figure GDA0002666923360000144
和非平滑项
Figure GDA00026669233600001416
需要说明的是，在本实施例中，矩阵用粗体大写字母表示，向量用粗体小写字母表示，标量用普通斜体字母表示。
在第k次迭代中，投影梯度下降中包括两步方程：
Figure GDA00026669233600001417
在
Figure GDA0002666923360000145
处的梯度表示为
Figure GDA0002666923360000146
并且步长表示为γk，并且通过线搜索确定，第一步方程为：
Figure GDA0002666923360000147
第二步方程为：
Figure GDA0002666923360000148
上述，在第k次迭代中，投影梯度下降中包含两个步骤。
Figure GDA00026669233600001418
在
Figure GDA0002666923360000149
处的梯度表示为
Figure GDA00026669233600001410
并且步长表示为γk，并且通过线搜索确定。
第一步表示为：
Figure GDA00026669233600001411
第二步表示为：
Figure GDA00026669233600001412
Figure GDA00026669233600001413
对于方程
Figure GDA00026669233600001414
Figure GDA0002666923360000151
中的非平滑项
Figure GDA00026669233600001520
可通过顺序计算与组Lasso和融合Lasso约束相关的近端算子得出。其中，组Lasso,如上式：
Figure GDA0002666923360000152
Figure GDA0002666923360000153
需要说明的是，目前组Lasso主要用在特征选择，用于构建脑功能连接网络较少；融合Lasso是在组Lasso的基础上加一些约束项，如上式：
Figure GDA0002666923360000154
近端算子：与凸函数相关的算子，优化凸函数的一种术语，本实施例中的目标函数是一个凸函数；
上述，近端算子、组Lasso、凸函数等为机器学习中术语。步骤S132，利用加速梯度下降法加速所述第一步方程和第二步方程，计算搜索点；
Figure GDA0002666923360000155
其中，αk是预定义变量，
Figure GDA0002666923360000156
定义为
Figure GDA0002666923360000157
从而得到多时间点脑功能连接网络。
加速梯度下降法用于进一步加速上述梯度。计算搜索点
Figure GDA0002666923360000158
而不是基于
Figure GDA0002666923360000159
执行梯度下降。
Figure GDA00026669233600001510
其中αk是预定义变量，
Figure GDA00026669233600001511
定义如下：
Figure GDA00026669233600001512
最后，获得了新的近似解。
具体的，解决方案的算法的步骤可以如下：
输入:
Figure GDA00026669233600001513
λ2；
输出:
Figure GDA00026669233600001514
1、初始化k＝0,
Figure GDA00026669233600001515
为单位矩阵；
2、重复；
3、求解方程(第一步方程)，更新
Figure GDA00026669233600001516
4、求解方程
Figure GDA00026669233600001517
更新
Figure GDA00026669233600001518
5、求解方程(第二步方程)，更新
Figure GDA00026669233600001519
6、k＝k+1；
7、直到收敛或者满足停止的标准。
在本实施例中，通过目标函数中的平滑项和非平滑项进行第k次迭代，投影梯度下降中包括两步方程，并将该两步方程进行利用加速梯度下降法加速，从而得到多时间点脑功能连接网络。本实施例中，目的是利用多时间点rs-fMRI数据对AD、MCI进行纵向分析诊断(疾病是发展进行性的)，构建脑功能连接网络是利用rs-fMRI数据进行分析的必要步骤。其优点可以为如下两点：1、多时间点脑功能连接网络可以纵向分析，分析疾病发展状态；2、综合多时间信息可以有利于疾病的诊断。
实施例5：参照图6，本发明第五实施例提供一种脑疾病分类方法，基于上述图2所示的第一实施例，所述步骤S200“利用无参数中心化多任务学习方法对所述多时间点脑功能连接网络中的早期轻度认知障碍样本和晚期轻度认知障碍样本进行纵向分析，得到多时间点特征”包括：
步骤S210，利用加权图的局部聚类系数从每个所述多时间点脑功能连接网络中提取特征；
需要说明的是，在本实施例中，矩阵用粗体大写字母表示，向量用粗体小写字母表示，标量用普通斜体字母表示。
上述，需要说明的是，聚集系数是表示一个图形中节点聚集程度的系数，证据显示，在现实的网络中，尤其是在特定的网络中，由于相对高密度连接点的关系，节点总是趋向于建立一组严密的组织关系。在现实世界的网络，这种可能性往往比两个节点之间随机设立了一个连接的平均概率更大。这种相互关系可以利用聚类系数进行量化表示。
上述，加权图的局部聚类系数为一种从BFCN中提取特征的方法。其中，BFCN为BFCN(Brain functional connectivity network)，是‘脑功能连接网络’的缩写。
步骤S220，通过无参数中心化多任务学习所述特征，识别出多时间点个性特征和多时间点共同特征，作为多时间点特征。
上述，为了克服使用单个时间点的数据的缺点，使用用于纵向分析的多时间点信息来提高疾病的诊断准确性。本实施例通过共同学习具有多个时间点的特征，以同时识别特定和共同的特征，这有助于分析疾病的发展。不同时间点的具体特征表征疾病进展的差异，而共同特征描述疾病进展的相互作用。这些不同时间点的组合作相互帮助以提高识别性能。在建立的多时间点模型中，有可能发现更多具有生物学意义的生物标志物。
设
Figure GDA0002666923360000171
为具有
Figure GDA00026669233600001710
时间点的FSN特征矩阵。将每个时间点的特征划分为一个组。每组数据都被视为一项任务，并且有
Figure GDA00026669233600001713
务。令
Figure GDA0002666923360000172
为第t任务的标签向量，
Figure GDA00026669233600001711
为受试者数，
Figure GDA00026669233600001712
为特征维。权重矩阵是
Figure GDA0002666923360000173
通过最小平方损失函数来选择信息特征的多任务学习被定义为：
Figure GDA0002666923360000174
其中γ表示控制稀疏比的非负参数。在本实施例中，中心正则化用于惩罚系数向量的方差，即，中心正则化用于约束权重向量的差异，这可以使不同的任务相互协助。
目标函如下：
Figure GDA0002666923360000175
为了便于优化并找到变量
Figure GDA0002666923360000179
和
Figure GDA0002666923360000176
重新设计并改进上述函数
Figure GDA0002666923360000177
即为：
Figure GDA0002666923360000178
Figure GDA0002666923360000181
通过相对于变量
Figure GDA00026669233600001821
和
Figure GDA0002666923360000182
顺序取导数来优化αt。因此，解决了等式
Figure GDA0002666923360000183
通过交替更新等式
Figure GDA0002666923360000184
和等式
Figure GDA0002666923360000185
为了优化，重新设计等式
Figure GDA0002666923360000186
为：
Figure GDA0002666923360000187
Figure GDA0002666923360000188
其中
Figure GDA0002666923360000189
被初始化为
Figure GDA00026669233600001810
Figure GDA00026669233600001811
是一个单位矩阵，
Figure GDA00026669233600001812
是所有
Figure GDA00026669233600001822
的平均值，
Figure GDA00026669233600001813
t＝1,2,…,T.αt和βt可以当作是中心正则化项的权重系数。需要说明的是，αt和βt可以自动的被调节，αtβt是控制
Figure GDA00026669233600001823
其在
Figure GDA00026669233600001814
中变化尽可能的小，这使得所有任务相似。αtβt用于衡量
Figure GDA00026669233600001824
的多样性和灵活性。如果
Figure GDA00026669233600001826
更类似于其他任务，则αtβt的值应该足够大以推动
Figure GDA00026669233600001825
更接近
Figure GDA00026669233600001815
在这种情况下，
Figure GDA00026669233600001827
具有较小的灵活性和更高的稳定性。
上述等式
Figure GDA00026669233600001816
Figure GDA00026669233600001817
Figure GDA00026669233600001818
和
Figure GDA00026669233600001828
组合为：
Figure GDA00026669233600001819
可以写成如下形式：
Figure GDA00026669233600001820
上述等式是一个标准的多任务稀疏学习目标函数，利用MALSAR工具包解目标方程，从而实现通过无参数中心化多任务学习所述特征，识别出多时间点个性特征和多时间点共同特征，作为多时间点特征。此过程为PFC特征选择，选择出最具有判别性的特征。其中，MALSAR工具包为一种多任务学习算法的工具箱。
述步骤S210，“利用加权图的局部聚类系数从每个所述多时间点脑功能连接网络中提取特征”之前，还包括：
步骤S230，定义
Figure GDA0002666923360000191
以获得所述多时间点脑功能连接网络的对称性；其中，Z代表矩阵或者向量的转置。
不对称脑功能连接网络会影响最终分类准确性。因此，定义
Figure GDA0002666923360000192
以获得对称性。利用加权图的局部聚类系数从每个建立的脑功能连接网络中提取特征。
具体地，在网络中计算每个节点的聚类系数，以量化节点连接到相邻节点的概率。假设网络中有R个节点，
Figure GDA0002666923360000194
是边的权重，它将顶点i连接到顶点j。
Figure GDA00026669233600001911
表示直接连接到顶点i的顶点集，并且
Figure GDA0002666923360000199
中的元素数定义为
Figure GDA00026669233600001910
我们将顶点i的集群系数定义为：
Figure GDA0002666923360000193
本实施例中，具有90个ROI(脑区域)的自动解剖标记(AAL)图谱被用于脑部分割。因此，每个多时间点脑功能连接网络生成包含90个聚类系数的特征向量。其中，
Figure GDA00026669233600001912
维的脑功能连接网络，提取得到
Figure GDA00026669233600001914
的特征，
Figure GDA00026669233600001913
是受试者个数。
实施例6：参照图7，本发明第五实施例提供一种脑疾病分类方法，所述步骤S300“通过相似性融合方法融合所述多时间点特征，并通过支持向量机模型完成分类”包括：
步骤S310，基于相似性网络的方程
Figure GDA0002666923360000195
计算得到受试者的相似性和欧氏距离；其中
Figure GDA0002666923360000196
和
Figure GDA0002666923360000197
分别代表受试者的顶点和边缘权重的相似性，两个受试者的相似性用矩阵
Figure GDA0002666923360000198
表示；
需要说明的是，在本实施例中，矩阵用粗体大写字母表示，向量用粗体小写字母表示，标量用普通斜体字母表示。
上述，需要说明的是，欧几里得度量(也称欧氏距离)是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。
步骤S320，在顶点
Figure GDA0002666923360000201
上构造一完整的内核和一个稀疏的内核，得到归一化权重矩阵；并且，计算得到L个近邻平均值的局部亲和度，以及非相邻点的相似度值；
上述，归一化，因为得出的特征向量之和不一定是1，所以要将特征向量分别除以这几个向量之和，重新得出的数就是权重向量。比如：得到的特征向量为(0.68530.22130.0933)，它们的和是0.9999，并不是1，所以要对其进行归一化处理。分别用0.6853/0.9999；0.2213/0.9999；0.0933/0.9999。然后四舍五入，最后得出的数为(0.6854 0.22130.0933)，这些数值的和为1，所以叫归一化处理。
亲和度是用来表示一个实体与其他实体之间的亲和程度。假设有两个实体E1和E2，如果他们从来没有被相同的活动使用，则他们的亲和度E(E1,E2)＝0；如果他们总是同时被每一个活动所使用，则他们的亲和度E(E1,E2)＝1。如果仅被某些活动一起使用，则其亲和度E(E1,E2)在(0,1)的区间内。
步骤S330，基于所述归一化权重矩阵，以及L个近邻平均值的局部亲和度的数量，迭代更新所述完整的内核对应的核矩阵，并计算得到多时间点状态矩阵，从而在融合过程中，使用
Figure GDA0002666923360000204
作为核矩阵来捕获图的局部结构和计算效率，并通过支持向量机模型完成分类。
需要说明的是，其中，
Figure GDA0002666923360000211
和
Figure GDA0002666923360000212
分别代表第i和第j个受试者的特征。
Figure GDA0002666923360000213
代表了相似性网络，其
Figure GDA0002666923360000214
和
Figure GDA0002666923360000215
分别代表受试者的顶点和边缘权重的相似性，两个受试者的相似性用矩阵
Figure GDA00026669233600002135
表示，其计算公式如下：
Figure GDA0002666923360000216
Figure GDA0002666923360000217
Figure GDA0002666923360000218
Figure GDA0002666923360000219
和
Figure GDA00026669233600002110
分别指的是受试者的相似性和欧氏距离。μ是一个超参数。εi,j被定义为：
Figure GDA00026669233600002111
Figure GDA00026669233600002112
表示特征
Figure GDA00026669233600002113
在图
Figure GDA00026669233600002114
中的一系列相邻的特征，
Figure GDA00026669233600002115
表示
Figure GDA00026669233600002116
到近邻的平均距离。
在顶点集
Figure GDA00026669233600002117
上构造一个完整的内核和一个稀疏的内核。
Figure GDA00026669233600002118
是归一化权重矩阵，
Figure GDA00026669233600002119
具体表示如下：
Figure GDA00026669233600002120
Figure GDA00026669233600002139
个最近邻居的平均值的局部亲和度定义为：
Figure GDA00026669233600002121
非相邻点的相似度值是基于远程相似性不如本地相似性的假设来设置的。这里
Figure GDA00026669233600002122
具有完整信息，而
Figure GDA00026669233600002123
仅包含每个受试者最相似的信息。这里
Figure GDA00026669233600002124
具有完整信息，而
Figure GDA00026669233600002125
仅包含每个受试者最相似的信息。假设有T个时间点，
Figure GDA00026669233600002126
和
Figure GDA00026669233600002137
Figure GDA00026669233600002128
是
Figure GDA00026669233600002129
时的初试状态矩阵。
然后，如下所示迭代地更新完整的核矩阵：
Figure GDA00026669233600002130
Figure GDA00026669233600002138
其中Z代表矩阵或者向量的转置。
Figure GDA00026669233600002132
表示
Figure GDA00026669233600002133
迭代后第t个时间点数据的状态矩阵。然后计算所有时间点的状态矩阵：
Figure GDA00026669233600002134
SNF从
Figure GDA0002666923360000221
开始作为初始状态，并在融合过程中使用
Figure GDA0002666923360000222
作为核矩阵来捕获图的局部结构和计算效率。从而在融合过程中，使用
Figure GDA0002666923360000223
作为核矩阵来捕获图的局部结构和计算效率，并通过支持向量机模型完成分类通过上述融合计算，最终得到的是，多个时间点最具有判别性的特征进行融合的结果。
在本实施例中，通过相似性性网络方程，计算得出受试者的相似性和欧氏距离，并得到归一化权重矩阵，计算L个近邻均值的局部亲和度以及非相邻点的相似度，并基于上述参数迭代更新完整内核对应的核矩阵，计算得到多时间点的状态矩阵，从而实现融合，并在融合过程中，使用
Figure GDA0002666923360000225
作为核矩阵来捕获图的局部结构和计算效率，并通过支持向量机模型完成分类，通过迭代融合，实现了融合所被选择的多个时间点特征，融合后的特征被送进支持向量机模型进行分类，从而使最终的分类结果更加准确。
此外，参考图8，本发明还提供一种脑疾病分类装置，包括：网络构建模块10、纵向分析模块20和融合分类模块30；所述网络构建模块10，用于通过融合稀疏网络模型构建多时间点脑功能连接网络；所述纵向分析模块20，用于利用无参数中心化多任务学习方法对所述多时间点脑功能连接网络中的早期轻度认知障碍样本和晚期轻度认知障碍样本进行纵向分析，得到多时间点特征；所述融合分类模块30，用于通过相似性融合方法融合所述多时间点特征，并通过支持向量机模型完成分类。
此外，本发明还提供一种用户终端，包括存储器以及处理器，所述存储器用于存储脑疾病分类程序，所述处理器运行所述脑疾病分类程序以使所述用户终端执行如上述所述脑疾病分类方法。
此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有脑疾病分类程序，所述脑疾病分类程序被处理器执行时实现如上述所述脑疾病分类方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (18)

1.一种脑疾病分类装置，其特征在于，包括：网络构建模块、纵向分析模块和融合分类模块；
所述网络构建模块，用于通过融合稀疏网络模型构建多时间点脑功能连接网络；
所述通过融合稀疏网络模型构建多时间点脑功能连接网络，包括：
定义受试者数量为N；
Figure FDA0002762100080000011
表示第n个受试者的第r个脑区域所包含的M个血氧水平依赖的平均时间序列信号；
Figure FDA0002762100080000012
表示除去
Figure FDA0002762100080000013
的所有脑区域的数据；
Figure FDA0002762100080000014
表示权重系数向量；其中，
Figure FDA0002762100080000015
通过组稀疏正则化和平滑正则化来共同学习每个受试者的共享功能性脑网络；其目标函数为：
Figure FDA0002762100080000016
Figure FDA0002762100080000017
Rg(Wr)是组正则化项，Rs(Wr)表示平滑项；Rs(Wr)的具体形式为：
Figure FDA0002762100080000018
λ2表示平滑项参数；
基于所述目标函数，通过迭代投影梯度下降算法得到多时间点脑功能连接网络；
所述纵向分析模块，用于利用无参数中心化多任务学习方法对所述多时间点脑功能连接网络中的早期轻度认知障碍样本和晚期轻度认知障碍样本进行纵向分析，得到多时间点特征；
所述融合分类模块，用于通过相似性融合方法融合所述多时间点特征，并通过支持向量机模型完成分类。
2.如权利要求1所述脑疾病分类装置，其特征在于，所述通过融合稀疏网络模型构建多时间点脑功能连接网络之前，还包括：
采集基于至少两个不同时间点的受试者的多样本rs-fMRI数据；所述多样本rs-fMRI数据包括的多样本正常人rs-fMRI数据、多样本早期轻度认知障碍rs-fMRI数据和多样本晚期轻度认知障碍rs-fMRI数据；其中，每个所述多样本rs-fMRI数据包含有140个有序测试序列；
去除每个所述多样本rs-fMRI数据中的前10个有序测试序列，并对每个所述多样本rs-fMRI数据中的剩余有序测试序列进行时间点校正，以便于根据校正后的多样本rs-fMRI数据中的剩余有序测试序列构建多时间点脑功能连接网络。
3.如权利要求1所述脑疾病分类装置，其特征在于，所述基于所述目标函数，通过迭代投影梯度下降算法得到多时间点脑功能连接网络，包括：
所述目标函数中包括平滑项
Figure FDA0002762100080000021
和非平滑项
Figure FDA0002762100080000022
在第k次迭代中，投影梯度下降中包括两步方程：
s(Wr)在
Figure FDA0002762100080000023
处的梯度表示为
Figure FDA0002762100080000024
并且步长表示为γk，并且通过线搜索确定，第一步方程为：
Figure FDA0002762100080000025
第二步方程为：
Figure FDA0002762100080000026
利用加速梯度下降法加速所述第一步方程和第二步方程，计算搜索点；
Figure FDA0002762100080000027
其中，αk是预定义变量，
Figure FDA0002762100080000028
定义为
Figure FDA0002762100080000029
从而得到多时间点脑功能连接网络。
4.如权利要求1所述脑疾病分类装置，其特征在于，所述利用无参数中心化多任务学习方法对所述多时间点脑功能连接网络中的早期轻度认知障碍样本和晚期轻度认知障碍样本进行纵向分析，得到多时间点特征，包括：
利用加权图的局部聚类系数从每个所述多时间点脑功能连接网络中提取特征；
通过无参数中心化多任务学习所述特征，识别出多时间点个性特征和多时间点共同特征，作为多时间点特征。
5.如权利要求4所述脑疾病分类装置，其特征在于，所述利用加权图的局部聚类系数从每个所述多时间点脑功能连接网络中提取特征之前，还包括：
定义
Figure FDA0002762100080000031
以获得所述多时间点脑功能连接网络的对称性；其中，Z代表矩阵或者向量的转置。
6.如权利要求1所述脑疾病分类装置，其特征在于，所述通过相似性融合方法融合所述多时间点特征，并通过支持向量机模型完成分类，包括：
基于相似性网络的方程G＝(V,E)，计算得到受试者的相似性和欧氏距离；其中V和E分别代表受试者的顶点和边缘权重的相似性，两个受试者的相似性用矩阵S表示；
在顶点V上构造一完整的内核和一个稀疏的内核，得到归一化权重矩阵；并且，计算得到L个近邻平均值的局部亲和度，以及非相邻点的相似度值；
基于所述归一化权重矩阵，以及L个近邻平均值的局部亲和度的数量，迭代更新所述完整的内核对应的核矩阵，并计算得到多时间点状态矩阵，从而在融合过程中，使用H作为核矩阵来捕获图的局部结构和计算效率，并通过支持向量机模型完成分类。
7.一种用户终端，其特征在于，包括存储器以及处理器，所述存储器用于存储脑疾病分类程序，所述脑疾病分类程序在所述处理器运行时执行如下过程：
通过融合稀疏网络模型构建多时间点脑功能连接网络；
所述通过融合稀疏网络模型构建多时间点脑功能连接网络，包括：
定义受试者数量为N；
Figure FDA0002762100080000032
表示第n个受试者的第r个脑区域所包含的M个血氧水平依赖的平均时间序列信号；
Figure FDA0002762100080000041
表示除去
Figure FDA0002762100080000042
的所有脑区域的数据；
Figure FDA0002762100080000043
表示权重系数向量；其中，
Figure FDA0002762100080000044
通过组稀疏正则化和平滑正则化来共同学习每个受试者的共享功能性脑网络；其目标函数为：
Figure FDA0002762100080000045
Figure FDA0002762100080000046
Rg(Wr)是组正则化项，Rs(Wr)表示平滑项；Rs(Wr)的具体形式为：
Figure FDA0002762100080000047
λ2表示平滑项参数；
基于所述目标函数，通过迭代投影梯度下降算法得到多时间点脑功能连接网络；
利用无参数中心化多任务学习方法对所述多时间点脑功能连接网络中的早期轻度认知障碍样本和晚期轻度认知障碍样本进行纵向分析，得到多时间点特征；
通过相似性融合方法融合所述多时间点特征，并通过支持向量机模型完成分类。
8.如权利要求7所述用户终端，其特征在于，所述通过融合稀疏网络模型构建多时间点脑功能连接网络之前，还包括：
采集基于至少两个不同时间点的受试者的多样本rs-fMRI数据；所述多样本rs-fMRI数据包括的多样本正常人rs-fMRI数据、多样本早期轻度认知障碍rs-fMRI数据和多样本晚期轻度认知障碍rs-fMRI数据；其中，每个所述多样本rs-fMRI数据包含有140个有序测试序列；
去除每个所述多样本rs-fMRI数据中的前10个有序测试序列，并对每个所述多样本rs-fMRI数据中的剩余有序测试序列进行时间点校正，以便于根据校正后的多样本rs-fMRI数据中的剩余有序测试序列构建多时间点脑功能连接网络。
9.如权利要求7所述用户终端，其特征在于，所述基于所述目标函数，通过迭代投影梯度下降算法得到多时间点脑功能连接网络，包括：
所述目标函数中包括平滑项
Figure FDA0002762100080000051
和非平滑项
Figure FDA0002762100080000052
在第k次迭代中，投影梯度下降中包括两步方程：
s(Wr)在
Figure FDA0002762100080000053
处的梯度表示为
Figure FDA0002762100080000054
并且步长表示为γk，并且通过线搜索确定，第一步方程为：
Figure FDA0002762100080000055
第二步方程为：
Figure FDA0002762100080000056
利用加速梯度下降法加速所述第一步方程和第二步方程，计算搜索点；
Figure FDA0002762100080000057
其中，αk是预定义变量，
Figure FDA0002762100080000058
定义为
Figure FDA0002762100080000059
从而得到多时间点脑功能连接网络。
10.如权利要求7所述用户终端，其特征在于，所述利用无参数中心化多任务学习方法对所述多时间点脑功能连接网络中的早期轻度认知障碍样本和晚期轻度认知障碍样本进行纵向分析，得到多时间点特征，包括：
利用加权图的局部聚类系数从每个所述多时间点脑功能连接网络中提取特征；
通过无参数中心化多任务学习所述特征，识别出多时间点个性特征和多时间点共同特征，作为多时间点特征。
11.如权利要求10所述用户终端，其特征在于，所述利用加权图的局部聚类系数从每个所述多时间点脑功能连接网络中提取特征之前，还包括：
定义
Figure FDA00027621000800000510
以获得所述多时间点脑功能连接网络的对称性；其中，Z代表矩阵或者向量的转置。
12.如权利要求7所述用户终端，其特征在于，所述通过相似性融合方法融合所述多时间点特征，并通过支持向量机模型完成分类，包括：
基于相似性网络的方程G＝(V,E)，计算得到受试者的相似性和欧氏距离；其中V和E分别代表受试者的顶点和边缘权重的相似性，两个受试者的相似性用矩阵S表示；
在顶点V上构造一完整的内核和一个稀疏的内核，得到归一化权重矩阵；并且，计算得到L个近邻平均值的局部亲和度，以及非相邻点的相似度值；
基于所述归一化权重矩阵，以及L个近邻平均值的局部亲和度的数量，迭代更新所述完整的内核对应的核矩阵，并计算得到多时间点状态矩阵，从而在融合过程中，使用H作为核矩阵来捕获图的局部结构和计算效率，并通过支持向量机模型完成分类。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有脑疾病分类程序，所述脑疾病分类程序在处理器上运行时执行如下过程：
通过融合稀疏网络模型构建多时间点脑功能连接网络；
所述通过融合稀疏网络模型构建多时间点脑功能连接网络，包括：
定义受试者数量为N；
Figure FDA0002762100080000061
表示第n个受试者的第r个脑区域所包含的M个血氧水平依赖的平均时间序列信号；
Figure FDA0002762100080000062
表示除去
Figure FDA0002762100080000063
的所有脑区域的数据；
Figure FDA0002762100080000064
表示权重系数向量；其中，
Figure FDA0002762100080000065
通过组稀疏正则化和平滑正则化来共同学习每个受试者的共享功能性脑网络；其目标函数为：
Figure FDA0002762100080000066
Figure FDA0002762100080000067
Rg(Wr)是组正则化项，Rs(Wr)表示平滑项；Rs(Wr)的具体形式为：
Figure FDA0002762100080000068
λ2表示平滑项参数；
基于所述目标函数，通过迭代投影梯度下降算法得到多时间点脑功能连接网络；
利用无参数中心化多任务学习方法对所述多时间点脑功能连接网络中的早期轻度认知障碍样本和晚期轻度认知障碍样本进行纵向分析，得到多时间点特征；
通过相似性融合方法融合所述多时间点特征，并通过支持向量机模型完成分类。
14.如权利要求13所述计算机可读存储介质，其特征在于，所述通过融合稀疏网络模型构建多时间点脑功能连接网络之前，还包括：
采集基于至少两个不同时间点的受试者的多样本rs-fMRI数据；所述多样本rs-fMRI数据包括的多样本正常人rs-fMRI数据、多样本早期轻度认知障碍rs-fMRI数据和多样本晚期轻度认知障碍rs-fMRI数据；其中，每个所述多样本rs-fMRI数据包含有140个有序测试序列；
去除每个所述多样本rs-fMRI数据中的前10个有序测试序列，并对每个所述多样本rs-fMRI数据中的剩余有序测试序列进行时间点校正，以便于根据校正后的多样本rs-fMRI数据中的剩余有序测试序列构建多时间点脑功能连接网络。
15.如权利要求13所述计算机可读存储介质，其特征在于，所述基于所述目标函数，通过迭代投影梯度下降算法得到多时间点脑功能连接网络，包括：
所述目标函数中包括平滑项
Figure FDA0002762100080000071
和非平滑项
Figure FDA0002762100080000072
在第k次迭代中，投影梯度下降中包括两步方程：
s(Wr)在
Figure FDA0002762100080000073
处的梯度表示为
Figure FDA0002762100080000074
并且步长表示为γk，并且通过线搜索确定，第一步方程为：
Figure FDA0002762100080000075
第二步方程为：
Figure FDA0002762100080000076
利用加速梯度下降法加速所述第一步方程和第二步方程，计算搜索点；
Figure FDA0002762100080000081
其中，αk是预定义变量，
Figure FDA0002762100080000082
定义为
Figure FDA0002762100080000083
从而得到多时间点脑功能连接网络。
16.如权利要求13所述计算机可读存储介质，其特征在于，所述利用无参数中心化多任务学习方法对所述多时间点脑功能连接网络中的早期轻度认知障碍样本和晚期轻度认知障碍样本进行纵向分析，得到多时间点特征，包括：
利用加权图的局部聚类系数从每个所述多时间点脑功能连接网络中提取特征；
通过无参数中心化多任务学习所述特征，识别出多时间点个性特征和多时间点共同特征，作为多时间点特征。
17.如权利要求16所述计算机可读存储介质，其特征在于，所述利用加权图的局部聚类系数从每个所述多时间点脑功能连接网络中提取特征之前，还包括：
定义
Figure FDA0002762100080000084
以获得所述多时间点脑功能连接网络的对称性；其中，Z代表矩阵或者向量的转置。
18.如权利要求13所述计算机可读存储介质，其特征在于，所述通过相似性融合方法融合所述多时间点特征，并通过支持向量机模型完成分类，包括：
基于相似性网络的方程G＝(V,E)，计算得到受试者的相似性和欧氏距离；其中V和E分别代表受试者的顶点和边缘权重的相似性，两个受试者的相似性用矩阵S表示；
在顶点V上构造一完整的内核和一个稀疏的内核，得到归一化权重矩阵；并且，计算得到L个近邻平均值的局部亲和度，以及非相邻点的相似度值；
基于所述归一化权重矩阵，以及L个近邻平均值的局部亲和度的数量，迭代更新所述完整的内核对应的核矩阵，并计算得到多时间点状态矩阵，从而在融合过程中，使用H作为核矩阵来捕获图的局部结构和计算效率，并通过支持向量机模型完成分类。
CN201811095737.0A 2018-09-19 2018-09-19 脑疾病分类装置、用户终端和计算机可读存储介质 Active CN109344889B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811095737.0A CN109344889B (zh) 2018-09-19 2018-09-19 脑疾病分类装置、用户终端和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811095737.0A CN109344889B (zh) 2018-09-19 2018-09-19 脑疾病分类装置、用户终端和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109344889A CN109344889A (zh) 2019-02-15
CN109344889B true CN109344889B (zh) 2021-01-29

Family

ID=65306036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811095737.0A Active CN109344889B (zh) 2018-09-19 2018-09-19 脑疾病分类装置、用户终端和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109344889B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110263880B (zh) * 2019-07-12 2021-08-03 深圳大学 脑疾病分类模型的构建方法、装置及智能终端
CN110428012A (zh) * 2019-08-06 2019-11-08 深圳大学 脑网络模型建立方法、脑图像分类方法、装置及电子设备
CN110619348A (zh) * 2019-08-07 2019-12-27 合肥工业大学 一种基于个性化判别的特征学习算法
CN111753947B (zh) * 2020-06-08 2024-05-03 深圳大学 静息态脑网络构建方法、装置、设备及计算机存储介质
CN112037914B (zh) * 2020-08-11 2021-06-01 深圳大学 一种强迫症风险评估模型的构建方法、系统及设备
CN114190884B (zh) * 2020-09-18 2024-05-28 深圳大学 一种脑疾病数据的纵向分析方法、系统及装置
CN112450947B (zh) * 2020-11-20 2022-08-02 杭州电子科技大学 一种针对情绪唤醒度的动态脑网络分析方法
CN116738240B (zh) * 2023-08-14 2023-12-01 北京智精灵科技有限公司 认知训练的建模方法、建模系统及认知训练任务推送方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722727B (zh) * 2012-06-11 2014-03-05 杭州电子科技大学 基于脑功能网络邻接矩阵分解的脑电特征提取方法
CN103093087B (zh) * 2013-01-05 2015-08-26 电子科技大学 一种基于多任务学习的多模态脑网络特征融合方法
CN103616187B (zh) * 2013-10-15 2016-06-01 北京化工大学 一种基于多维度信息融合的故障诊断方法
CN104750951A (zh) * 2013-11-21 2015-07-01 上海联影医疗科技有限公司 一种医疗图像数据的分析处理方法及装置
CN103886328B (zh) * 2014-03-19 2015-07-29 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
CN104715261A (zh) * 2015-03-23 2015-06-17 南京工业大学 fMRI动态脑功能子网络构建及并联SVM加权识别方法
IL239191A0 (en) * 2015-06-03 2015-11-30 Amir B Geva Image sorting system
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
CN106127769A (zh) * 2016-06-22 2016-11-16 南京航空航天大学 一种基于脑连接网络的脑龄预测方法
CN106650768A (zh) * 2016-09-27 2017-05-10 北京航空航天大学 基于高斯图模型的脑网络建模与模式分类方法
CN108257657B (zh) * 2016-12-28 2023-07-07 复旦大学附属华山医院 基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法
CN107909117B (zh) * 2017-09-26 2020-06-16 电子科技大学 基于脑功能网络特征对早晚期轻度认知障碍的分类装置
CN108345903B (zh) * 2018-01-25 2019-06-28 中南大学湘雅二医院 一种基于模态距离约束的多模态融合图像分类方法
CN108420429A (zh) * 2018-04-19 2018-08-21 北京工业大学 一种基于多视角深度特征融合的脑电癫痫自动识别方法

Also Published As

Publication number Publication date
CN109344889A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN109344889B (zh) 脑疾病分类装置、用户终端和计算机可读存储介质
CN109447183A (zh) 模型训练方法、装置、设备以及介质
JP7058941B2 (ja) 辞書生成装置、辞書生成方法、及びプログラム
CN116503680B (zh) 基于脑图谱的脑影像结构化分析和脑疾病分类系统
CN107437252B (zh) 用于黄斑病变区域分割的分类模型构建方法和设备
Tan et al. A transfer learning approach to breast cancer classification in a federated learning framework
CN108664986B (zh) 基于lp范数正则化的多任务学习图像分类方法及系统
Zhang et al. Feature-transfer network and local background suppression for microaneurysm detection
WO2021212715A1 (zh) 精神分裂症分类识别方法、运行控制装置及医疗设备
CN115272295A (zh) 基于时域-空域联合状态的动态脑功能网络分析方法及系统
Jin et al. Label-efficient deep learning in medical image analysis: Challenges and future directions
Thual et al. Aligning individual brains with fused unbalanced Gromov Wasserstein
CN111341408A (zh) 影像报告模板的生成方法、计算机设备和存储介质
Zhang et al. Lesa: longitudinal elastic shape analysis of brain subcortical structures
CN107590806B (zh) 一种基于大脑医学成像的检测方法和系统
Asgharzadeh-Bonab et al. An alzheimer’s disease classification method using fusion of features from brain magnetic resonance image transforms and deep convolutional networks
CN115937129B (zh) 基于多模态磁共振影像的左右半脑关系的处理方法及装置
Huang et al. Sparse low-rank constrained adaptive structure learning using multi-template for autism spectrum disorder diagnosis
Zhang et al. Group-wise learning for aurora image classification with multiple representations
Kushol et al. Domain adaptation of mri scanners as an alternative to mri harmonization
Kim et al. Incremental expectation maximization principal component analysis for missing value imputation for coevolving EEG data
CN112561935B (zh) 一种大脑影像智能分类方法、装置和设备
Khalid et al. FGR-Net: Interpretable fundus image gradeability classification based on deep reconstruction learning
Alharthi et al. Do it the transformer way: A comprehensive review of brain and vision transformers for autism spectrum disorder diagnosis and classification
Onal Ertugrul et al. Encoding the local connectivity patterns of fMRI for cognitive task and state classification

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