CN109697718A - 一种基于图论的自闭症检测方法及装置 - Google Patents

Abstract

本发明公开了一种基于图论的自闭症检测方法及装置，属于医学图像处理技术领域。本发明首先基于本发明所设置的网络消耗最低的阈值作为二值化阈值来构建各磁共振图像所对应的脑功能网络拓扑图，再基于自闭症患者与正常人在节点度信息的差异统计信息确定有异常脑区，再提取这些被确定为异常脑区的特征信息，即脑区所对应的节点的节度信息；基于所提取的特征信息进行自闭症二分分类器的模型训练和检测，为自闭症诊断提供辅助诊断帮助。

Description

一种基于图论的自闭症检测方法及装置

技术领域

本发明属于医学图像处理技术领域，具体涉及一种基于磁共振图像的处理进行自闭症的分类处理技术。

背景技术

自闭症是一种较为常见的精神性疾病，其是一种广泛性发育障碍的亚型疾病，该病症状主要表现为不同程度的言语发育障碍，人际交往障碍、兴趣狭窄和行为方式刻板以及智能障碍等。该病在我国的发病率并不少见，但到现在为止，对于自闭症的诊断仍然没有太好的办法。目前对于自闭症的诊断大部分是通过医生对于儿童的平时生长发育史、病史及精神进行检查，并且参考当前国际公认的自闭症诊断标准DSM-5进行病症诊断。这对于医生的临床经验要求特别高，而且诊断标准也由医生进行把控，这也为自闭症的诊断产生阻碍，因此，有必要提供一种基于磁共振图像的处理进行自闭症的二分类处理技术，以便于实现辅助诊断。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种基于磁共振图像的自闭症检测方法。

本发明的检测方法采用的技术方案为：

采集训练样本数据集步骤：

通过核磁共振扫描仪采集一定数量的正常人的静息态功能磁共振数据，以及一定数量的自闭症患者的静息态功能磁共振数据，从而得到两组磁共振图像，其中一组为自闭症患者的磁共振图像，另一组为正常人的磁共振图像；

对训练样本数据集进行数据预处理步骤：

将每幅磁共振图像中的前连和的位置作为其空间坐标原点后，并进行头动校正处理；

对头动校正处理后的图像进行图像分割，分割成脑灰质、白质及脑脊液三部分；

对分割后的脑灰质图像进行空间标准化处理后，再进行空间位置校正处理；

对空间位置校正处理后的脑灰质图像进行空间平滑处理；

对数据处理后的训练样本数据集中的各灰质图像进行脑功能网络构建的步骤：

基于从脑区标准模板库中选择的脑区模板，将各灰质图像分为多个脑区；

并利用时间序列计算各个脑区间的时序相关系数，从而得到每幅脑灰质图像关于脑区的相关系数矩阵；

再基于预设的步长，在二值化的阈值范围[0.05,0.4]内查找网络效率值最大的阈值作为最优二值化阈值；

基于所述最优二值化阈值对相关系数矩阵进行二值化处理，得到脑灰质图像关于脑区的二值矩阵：若相关系数大于最优二值化阈值，则二值化结果为1；否则为0；

将每个脑区作为一个节点，基于二值矩阵得到每幅脑灰质图像的脑功能网络拓扑图；

确定异常脑区步骤：

基于各节点的节点度对正常人和自闭症患者的脑功能网络拓扑图进行统计，将差异超过预设阈值的脑区定义为异常脑区；

训练分类器步骤：

对训练样本数据集中的各训练样本进行特征提取处理，基于提取的特征对预设的用于自闭症检测的二分分类器模型进行模型训练处理，待满足预设的检测精度时，停止训练，得到训练好的分类器；

其中，个训练样本的特征信息为：异常脑区的节点度信息；

对待检测对象的检测处理步骤：

通过核磁共振扫描仪采集待检测对象的静息态功能磁共振数据，得到待检测磁共振图像；

对待检测磁共振图像进行数据预处理和脑功能网络构建处理后，得到待检测磁共振图像的脑功能网络拓扑图，并提取异常脑区的节点度信息作为待检测对象的特征信息；

将待检测对象的特征信息输入到训练好的分类器中，得到检测结果。

同时，本发明还提供了基于上述检测方法的检测装置，包括数据接收及预处理模块、脑功能网络构建模块、特征提取模块、异常脑区确定模块、分类器训练模块和分类检测模块；

其中，数据接收及预处理模块用于接收训练样本和待检测对象的磁共振图像，并对接收的磁共振图像进行数据预处理后，再发送给脑功能网络构建模块；其中，训练样本包括正常人和自闭症患者的磁共振图像；

脑功能网络构建模块，构建对应各磁共振图像的脑功能网络拓扑图，并发送给特征提取模块、异常脑区确定模块；

异常脑区确定模块，基于脑功能网络拓扑图的各节点的节点度对正常人和自闭症患者的脑功能网络拓扑图进行统计，将差异超过预设阈值的脑区定义为异常脑区；以及将异常脑区确定结果发送给特征提取模块；

特征提取模块，用于提取各脑功能网络拓扑图中的异常脑区的节点度信息，并将提取的训练样本的特征信息发送给分类器训练模块，将待检测对象的特征信息发送给分类检测模块；

分类器训练模块，用于接收用户设置的二分分类模型，并基于输入的训练样本的特征信息对二分分类模型进行自闭症检测的分类器训练，当分类检测精度满足用户设置的精度需求时，得到训练好的自闭症分类器，并发送给分类检测模块；

分类器检测模块，基于训练好的自闭症分类器和输入的待检测对象的特征信息进行自闭症的二分分类检测，输出待检测对象的检测结果。

综上所述，由于采用了上述技术方案，本发明的有益效果是：本发明首先基于本发明所设置的二值化阈值构建各磁共振图像所对应的脑功能网络拓扑图，再基于自闭症患者与正常人在节点度信息的差异统计信息确定有异常脑区，仅提取异常脑区的特征信息进行训练及检测，从而实现对特征的降维处理，通过使用节点度选择脑功能网络的特征信息进行二分分类模型的训练及检测，为自闭症诊断提供辅助诊断帮助。

附图说明

图1是ASD(自闭症)与HC(正常)功能性网络标准化聚类系数对比；

图2是ASD和HC功能性网络标准化特征路径长度对比；

图3是ASD与HC功能性网络小世界属性对比；

图4是ASD与HC功能性网络全局效率对比，其中NCE表示网络构建的成本效率；

图5是ASD与HC功能性网络局部效率对比。

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。

本发明通过磁共振成像技术及图论的理论知识，通过分析判断采集的磁共振图像所对应的大脑功能网络的特定特征信息，基于训练好的分类模型，实现对磁共振图像关于是否存在自闭症的二分分类处理，从而可以帮助医生进行自闭症的辅助诊断。

本发明的基于图论的自病症的检测方法包括下列步骤：数据采集、数据预处理、网络构建和网络检测。

其中，数据采集包括训练样本的数据采集，以及当前待检测对象的数据采集，即通过核磁共振扫描仪采集一定数量的正常人的静息态功能磁共振数据(磁共振图像)，以及相应数量的自闭症患者的静息态功能磁共振数据，并作为对应的训练样本；以及采集通过核磁共振扫描仪采集当前待检测对象的静息态功能磁共振数据。

然后对采集得到的磁共振图像进行相应的数据预处理，以减少外在因素对于训练及检测处理的干扰，所述数据预处理过程包括：

(1)通过手动设置空间坐标原点，即将空间原点设置在前连和的位置，并进行相关头动校正，对头动较大(例如超过头动在平移2mm转动2°范围)的图像数据进行排除；

(2)对所有采集数据进行图像分割，分割成脑灰质、白质及脑脊液三部分。后续处理主要针对的是分割后的脑灰质图像；

(3)对分割后的脑灰质图像进行空间标准化处理，本具体实施方式中采用MNI(Montreal Neurological Institute)空间，即将其重新配准到MNI空间；

(4)对于在空间标准化中所出现的误差进行校正处理；

(5)为了降低图像噪声的存在，对误差校正处理后的脑灰质图像再进行空间平滑处理。其中优选的方式为：8mm高斯核来进行空间平滑处理。

网络构建，及功能网络构建是利用分割得到的脑灰质图像进行构建，将预处理完的静息态核磁共振图像，使用脑区标准模板库中的Power模板将整个功能像分为264个脑区，并利用时间序列求各个脑区间的时序相关系数，从而得到每幅脑灰质图像的相关系数矩阵。为了减少网络中过多的边数，通过阈值化处理，将该相关系数矩阵变换为二值矩阵，即设置一个阈值T，如果相关系数矩阵中的值大于阈值T，就将该值设置为1，否则置为0，从而将功能性矩阵转变为二值矩阵，通过对这些二值矩阵进行拓扑分析，来描述整个网络属性的变化。本具体实施方式中，所选取二值化的阈值范围为0.05～0.4，步长为0.01，共计算了36个阈值下的网络拓扑结果，并从中选取效果最好的二值化阈值，以提高检测准确率。

功能网络构建完成后，需要提取对应的特征信息，以便于实现及其学习的二分类处理，主要是提取所构建的功能网络的网络拓扑属性信息，包括小世界属性、聚类系数、特征路径长度、全局效率、节点度、介度等。

为了提取到分类检测效果更好的特征信息，本发明首先比较两组数据(自闭症和正常)在全局网络拓扑结构上的差异性，在不同的阈值下对自闭症和正常对照组的功能像数据结果做了双样本T检验，结果表明自闭症患者和正常对照组的功能像网络都体现出小世界网络的特性，并且没有显著性差异发现(p>＝0.4157)，以及他们都具有较高的聚类系数(p>＝0.366)和较低的特征路径长度(p>＝0.312)，两组数据在网络的全局效率上也没有体现出差异性(p>＝0.1401)，局部效率也无明显差异(p>＝0.3156)，具体结果如图1～5所示。

即自闭症患者的功能网络中小世界属性、聚类系数、特征路径长度等全局网络属性相较于正常对照组间并无显著性差异。故，为了提取更为显著的特征信息，本发明通过构建网络消耗最低的阈值为研究对象，进行局部网络分析。为了描述自闭症功能性网络的局部网络变化，需要设置一个合适的阈值，来代表该网络整个阈值范围内的网络变化情况。为了选出这个合理的阈值，本发明的处理方式为：使用全局效率作为参考依据，在整个阈值范围内，查找构造网络所需最大的成本效率值，将该值作为局部网络的阈值。其中，网络效率为网络中所有节点间的最短路径的调和平均数的倒数。在网络中，效率值越高，表明在网络中进行信息交换所需要的代价越小。本具体实施方式中，网络消耗最低的阈值的计算方式为：在整个阈值范围内，按照预设的步长，分别计算每个阈值下得到的网络效率与当前阈值的差值处理，计算结果的最大值即为所求，如图4所示，在整个网络构建过程中，其值均大于0，这表明无论是自闭症还是正常对照组之间的网络构建，都满足经济节约的属性，并且可以看到在整个网络中，在第14个阈值选择点，即阈值为0.18时，整个网络构建的成本效率值(图4中所示的NCE)最大，因此，本具体实施方式所选取的阈值即为0.18。即基于阈值0.18对相关系数矩阵进行二值化处理，再基于节点度的定义(网络中与该节点直接相连的边的数目)就该阈值下的节点度进行双样本T检验，比较自闭症和对照组之间的差异性。

对于节点度，首先对于两组之间的组平均网络，进行双样本T检验，发现两组功能像的平均网络没有显著性变化(P>0.05)，但发现两组数据之间在节点度属性上存在着一些显著性差异，总共发现35个脑区出现异常，其中发现自闭症患者中有18个脑区的节点度比正常人明显增高，有17个脑区的节点度比正常人明显降低。具体结果如表1以及表2所示。

表1自闭症功能像节点度比较(自闭症<对照组)

表2自闭症功能像节点度比较(自闭症>对照组)

表1和表2中，T值为双样本T检验的检验统计量，P值为对应的显著值。

同时，通过对功能性网络的节点度分析，可以清晰的看出自闭症患者节点度出现异常的脑区分布，其中部分出现异常的脑区和之前分析的大脑局部活动中出现的差异有一致性，这为更加清晰的了解自闭症的大脑功能网络提供了帮助。其中出现显著性增高的区域中的眶额区域，在处理面部神经与表情中扮演着重要的角色，这说明了自闭症患者的负责情感处理与加工的脑区出现了异常，而对于情感处理的另一个重要的脑区是默认网络，具体体现的脑区包括颞下回、内侧额上回等区域，这些区域出现异常，对于自闭症患者在处理情感信息或者在情感表达方面可能会出现偏差。在节点度出现降低的脑区中，顶上回对于处理视觉信息接收与传递扮演着重要的角色，其属于背侧注意网络，该区域的节点度出现异常，说明在功能性网络中该区域出现异常连接，这将导致自闭症病人很难集中注意力，并且感情表达方面受到严重影响。

自闭症患者的节点度比正常人有明显增高的脑区在AAL(Anatomical AutomaticLabeling)模板上主要有：眶部额中回、回直肌、眶内额下回、楔前叶、背外侧额上回、前扣带和旁扣带脑回、眶内额上回、颞中回、枕中回、舌回、枕下回、枕下回、内侧额上回、颞下回、顶上回等脑区，自闭症患者的节点度比正常人有明显降低的脑区在AAL模板上主要有：中央后回、颞上回、中央沟盖、补充运动区、角回、额中回、丘脑、顶上回、楔前叶、颞中回等脑区。

可以看到在这两组脑区中有重合的脑区名字，即有部分脑区的节点度有增高也有降低，这是因为本具体实施方式所使用的脑区模板为Power的264个模板，为了便于对应常用的脑区命名空间，所以在脑区命名时使用的脑区模板为AAL模板，其脑区划分为116个脑区，即通过利用MNI位置来对应脑区名称，这比所划分的脑区要少一些，因此，这从一定角度上说明，使用更加细致的脑区划分，可以进一步找到一些更细微的脑区差异，也更能说明对于大脑的研究，需要进行更小尺度的研究，来查找出更加细致的差别。

通过使用节点度(网络中与该节点直接相连的边的数目)选择出来的特征，基于所选择的分类模型，通过训练样本进行模型训练，从而得到用于自闭症的二分类分类器，再将待检测数据的对应特征信息输入到训练好的分类器中，获取当前待检测对象的分类结果。本具体实施方式中，使用了多种分类模型进行模型训练，从而获得一个较优的分类器，为自闭症诊断提供帮助，结果显示，使用SVM(支持向量机)进行疾病诊断，结果可以达到81.87％的准确率。

表3基于图论的脑功能分析的自闭症诊断结果

分类模型	准确率(％)
		SVM	81.2672
逻辑回归	79.3468
		决策树	72.1245
随机森林	72.6573

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 (5)

1.一种基于图论的自闭症检测方法，其特征在于，包括下列步骤：

采集训练样本数据集步骤：

通过核磁共振扫描仪采集一定数量的正常人的静息态功能磁共振数据，以及一定数量的自闭症患者的静息态功能磁共振数据，从而得到两组磁共振图像，其中一组为自闭症患者的磁共振图像，另一组为正常人的磁共振图像；

对训练样本数据集进行数据预处理步骤：

将每幅磁共振图像中的前连和的位置作为其空间坐标原点后，并进行头动校正处理；

对头动校正处理后的图像进行图像分割，分割成脑灰质、白质及脑脊液三部分；

对分割后的脑灰质图像进行空间标准化处理后，再进行空间位置校正处理；

对空间位置校正处理后的脑灰质图像进行空间平滑处理；

对数据处理后的训练样本数据集中的各灰质图像进行脑功能网络构建步骤：

基于从脑区标准模板库中选择的脑区模板，将各灰质图像分为多个脑区；

并利用时间序列计算各个脑区间的时序相关系数，从而得到每幅脑灰质图像关于脑区的相关系数矩阵；

再基于预设的步长，在二值化的阈值范围[0.05,0.4]内查找网络效率值最大的阈值作为最优二值化阈值；

基于所述最优二值化阈值对相关系数矩阵进行二值化处理，得到脑灰质图像关于脑区的二值矩阵：若相关系数大于最优二值化阈值，则二值化结果为1；否则为0；

将每个脑区作为一个节点，基于二值矩阵得到每幅脑灰质图像的脑功能网络拓扑图；

确定异常脑区步骤：

基于各节点的节点度对正常人和自闭症患者的脑功能网络拓扑图进行统计，将差异超过预设阈值的脑区定义为异常脑区；

训练分类器步骤：

对训练样本数据集中的各训练样本进行特征提取处理，基于提取的特征对预设的用于自闭症检测的二分分类器模型进行模型训练处理，待满足预设的检测精度时，停止训练，得到训练好的分类器；

其中，训练样本的特征信息为：异常脑区的节点度信息；

对待检测对象的检测处理步骤：

通过核磁共振扫描仪采集待检测对象的静息态功能磁共振数据，得到待检测磁共振图像；

对待检测磁共振图像进行数据预处理和脑功能网络构建处理后，得到待检测磁共振图像的脑功能网络拓扑图，并提取异常脑区的节点度信息作为待检测对象的特征信息；

将待检测对象的特征信息输入到训练好的分类器中，得到检测结果。

2.如权利要求1所述的方法，其特征在于，最优二值化阈值的设置具体为：在阈值范围[0.05,0.4]内，按照预设的步长，分别计算每个阈值下得到的网络效率与当前阈值的差值，取最大差值对应的阈值为最优二值化阈值。

3.如权利要求1所述的方法，其特征在，最优二值化阈值直接设置为0.18。

4.一种基于图论的自闭症检测装置，包括数据接收及预处理模块、脑功能网络构建模块、特征提取模块、异常脑区确定模块、分类器训练模块和分类检测模块；

其中，数据接收及预处理模块用于接收训练样本和待检测对象的磁共振图像，并对接收的磁共振图像进行数据预处理后，再发送给脑功能网络构建模块；其中，训练样本包括正常人和自闭症患者的磁共振图像；数据预处理方式为权利要求1、2或3所述方法中的数据预处理步骤；

脑功能网络构建模块，构建对应各磁共振图像的脑功能网络拓扑图，并将训练样本、待检测对象的脑功能网络拓扑图发送给特征提取模块，以及训练样本的脑功能网络拓扑图发送给异常脑区确定模块；其中，脑功能网络拓扑图的具体构建方式为权利要求1、2或3所述方法中的脑功能网络构建步骤；

异常脑区确定模块，基于脑功能网络拓扑图的各节点的节点度对正常人和自闭症患者的脑功能网络拓扑图进行统计，将差异超过预设阈值的脑区定义为异常脑区；以及将异常脑区确定结果发送给特征提取模块；

特征提取模块，用于提取各脑功能网络拓扑图中的异常脑区的节点度信息，并将提取的训练样本的特征信息发送给分类器训练模块，将待检测对象的特征信息发送给分类检测模块；

分类器训练模块，用于接收用户设置的二分分类模型，并基于输入的训练样本的特征信息对二分分类模型进行自闭症检测的分类器训练，当分类检测精度满足用户设置的精度需求时，得到训练好的自闭症分类器，并发送给分类检测模块；

分类器检测模块，基于训练好的自闭症分类器和输入的待检测对象的特征信息进行自闭症的二分分类检测，输出待检测对象的检测结果。

5.如权利要求4所述的装置，其特征在于，优选的二分分类模型为基于SVM的二分分类模型。