CN109948740A - 一种基于静息态脑影像的分类方法 - Google Patents
一种基于静息态脑影像的分类方法 Download PDFInfo
- Publication number
- CN109948740A CN109948740A CN201910346333.2A CN201910346333A CN109948740A CN 109948740 A CN109948740 A CN 109948740A CN 201910346333 A CN201910346333 A CN 201910346333A CN 109948740 A CN109948740 A CN 109948740A
- Authority
- CN
- China
- Prior art keywords
- tranquillization state
- brain image
- tranquillization
- brain
- characteristic
- 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.)
- Pending
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 175
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000003925 brain function Effects 0.000 claims abstract description 37
- 238000012706 support-vector machine Methods 0.000 claims abstract description 17
- 239000000284 extract Substances 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 201000010099 disease Diseases 0.000 claims description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000002224 dissection Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 11
- 238000002599 functional magnetic resonance imaging Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 3
- 208000020016 psychiatric disease Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 208000024714 major depressive disease Diseases 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000010386 affect regulation Effects 0.000 description 1
- 210000004227 basal ganglia Anatomy 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002197 limbic effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 210000002442 prefrontal cortex Anatomy 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 210000001103 thalamus Anatomy 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于静息态脑影像的分类方法,涉及机器学习技术领域,方法包括:获取静息态脑影像;构建静息态脑影像对应的全脑功能连接网络;基于全脑功能连接网络及预设的F分值算式,提取静息态脑影像的分类特征;采用支持向量机SVM对所述分类特征进行分类学习,得到能够预测静息态脑影像的分类结果的分类器。本发明从基于静息态脑影像构建的全脑功能连接网络中,通过F分值算式提取出分类特征,能够利用静息态的功能磁共振成像信号之间的相关性度量的连接关系,使得训练得到的分类器对新的静息态脑影像进行预测后,得到的分类结果更加准确,从而提高病情识别的准确性。
Description
技术领域
本发明涉及机器学习技术领域,尤其是涉及一种基于静息态脑影像的分类方法。
背景技术
精神疾病的可靠诊断一直是当前医学领域的难题之一。目前临床上大多是医生根据症状学对精神疾病进行评估,缺乏客观的评判标准,主观性强,误诊率较高。随着医学成像技术的迅猛发展和精准医学时代的到来,基于影像学的精准医学逐渐成为了一个新兴的科学领域。研究发现,抑郁症存在与情感加工相关的神经解剖环路的异常,所涉及情感调节神经解剖环路主要包括边缘系统-皮质-纹状体-苍白球-丘脑环路。前额叶皮质、前扣带回、海马、杏仁核、丘脑和基底神经节是抑郁症研究中的热点核团或部位。因此可以通过机器学习的方法挖掘脑影像中与疾病相关的图像特征,并将其作为定量指标对精神疾病进行分类。
然而,现有的基于机器学习对精神疾病进行分类的方法中,大多将每个脑区视为单独的一个节点,导致从脑影像中挖掘出的图像特征不够全面准确,从而影响最终的分类结果准确性。
发明内容
本发明的目的在于提供一种基于静息态脑影像的分类方法,以缓解现有技术中分类器分类结果准确性不高的技术问题。
本发明提供的一种基于静息态脑影像的分类方法,包括:
获取静息态脑影像样本集;样本集中的样本包括基于第一人群和第二人群采集的静息态脑影像;第一人群中各个人体的脑部处于患病状态;第二人群中各个人体的脑部处于正常状态;
构建静息态脑影像对应的全脑功能连接网络;
基于全脑功能连接网络及预设的F分值算式,提取静息态脑影像的分类特征;
采用支持向量机SVM对所述分类特征进行分类学习,得到能够预测静息态脑影像的分类结果的分类器,并采用留一法评估分类器的性能。
进一步的,构建静息态脑影像对应的全脑功能连接网络的步骤,包括:
对静息态脑影像学数据进行预处理;预处理包括时间校正、头动校正、空间标准化、去线性化和带通滤波处理;
根据预设的自动解剖标识模板,将预处理后的静息态脑影像分割为多个脑区;
计算每个脑区的平均时间序列,回归平均时间序列中的伪信号,并计算多个脑区之间的Pearson相关系数,得到静息态脑影像对应的静息功能连接矩阵;
将静息功能连接矩阵作为静息态脑影像对应的全脑功能连接网络。
进一步的,基于全脑功能连接网络及预设的F分值算式,提取静息态脑影像的分类特征的步骤,包括:
提取全脑功能连接网络中静息功能连接矩阵的上三角矩阵元素作为基础分类特征;
利用F分值算式对基础分类特征中的多个特征进行特征区分力降序排列;
选取指定排序靠前的特征区分力对应的特征作为静息态脑影像的分类特征。
进一步的,利用F分值算式对基础分类特征中的多个特征进行特征区分力降序排列的步骤,包括:
利用F分值算式,计算基础分类特征中的每个特征的F分值;
将多个特征的F分值按照从大到小进行排列,得到基础分类特征中的多个特征的特征区分力降序排列结果。
进一步的,F分值算式如下:
其中,n+表示病人样本,正样本的数量,n-表示正常人样本,负样本的数量,F(i)表示第i个特征的F分值,和分别表示第i个特征的总体平均值、正类平均值和负类平均值;表示第k个正样本的第i个特征,表示第k个负样本的第i个特征。
进一步的,在采用支持向量机SVM对所述分类特征进行分类学习,得到能够预测静息态脑影像的分类结果的分类器的步骤之后,还包括:
获取待分类静息态脑影像;
将待分类静息态脑影像输入到分类器中,预测得到待分类静息态脑影像对应的分类结果。
进一步的,该方法还包括:
基于静息态脑影像样本集中的样本,利用留一交叉验证法对分类器的性能进行验证。
本发明还提供一种基于静息态脑影像的分类装置,包括:
数据获取模块,用于获取静息态脑影像样本集;样本集中的样本包括基于第一人群和第二人群采集的静息态脑影像;第一人群中各个人体的脑部处于患病状态;第二人群中各个人体的脑部处于正常状态;
网络构建模块,用于构建静息态脑影像对应的全脑功能连接网络;
特征提取模块,用于基于全脑功能连接网络及预设F分值算式,提取静息态脑影像的分类特征;
分类特征学习模块,采用支持向量机SVM对分类特征进行分类学习,得到能够预测静息态脑影像的分类结果的分类器。
本发明还提供一种电子设备,包括:处理器、存储介质和总线,存储介质存储有处理器可执行的机器可读指令,当电子设备运行时,处理器与存储介质之间通过总线通信,处理器执行机器可读指令,以执行如上述基于静息态脑影像的分类方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述基于静息态脑影像的分类方法的步骤。
本发明提供的基于静息态脑影像的分类方法,首先获取静息态脑影像样本集;样本集中的样本包括基于第一人群和第二人群采集的静息态脑影像;第一人群中各个人体的脑部处于患病状态;第二人群中各个人体的脑部处于正常状态;然后构建静息态脑影像对应的全脑功能连接网络;基于全脑功能连接网络及预设的F分值算式,提取静息态脑影像的分类特征;最后采用支持向量机SVM对所述分类特征进行分类学习,得到能够预测静息态脑影像的分类结果的分类器。本发明从基于静息态脑影像构建的全脑功能连接网络中,通过F分值算式提取出分类特征,能够利用静息态的功能磁共振成像信号之间的相关性度量的连接关系,使得训练得到的分类器对新的静息态脑影像进行预测后,得到的分类结果更加准确,从而提高病情识别的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于静息态脑影像的分类方法的流程图;
图2为本发明实施例提供的另一种基于静息态脑影像的分类方法的流程图;
图3为本发明实施例提供的另一种基于静息态脑影像的分类方法的流程图;
图4为本发明实施例提供的一种基于静息态脑影像的分类装置的结构图;
图5为本发明实施例提供的另一种基于静息态脑影像的分类装置的结构图;
图6为本发明实施例提供的一种电子设备的结构图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的一种基于静息态脑影像的分类方法,该方法训练出的分类器可以用于多种精神疾病患者的鉴别,尤其是对于重度抑郁症患者的识别。参见图1所示,该方法可以包括以下步骤:
步骤S102,获取静息态脑影像样本集;样本集中的样本包括基于第一人群和第二人群采集的静息态脑影像;第一人群中各个人体的脑部处于患病状态;第二人群中各个人体的脑部处于正常状态。
具体应用时,首先通过一些专业仪器采集大量人群中每个人体的脑部的静息态脑影像,组成静息态脑影像样本集,并将脑部处于患病状态的样本标记为1,将脑部处于正常的样本标记为-1。样本集中的全部样本可以用来作为训练数据进行分类器的训练,也可以选择其中一部分数据进行训练,在此不做具体限定。
步骤S104,构建静息态脑影像对应的全脑功能连接网络。
基于上述采集的病患的静息态脑影像,通过多种方式可以构建出对应的全脑功能连接网络,比如,先进行预处理过程,然后通过AAL模板进行脑区分割,最后再通过计算多节点之间的连接强度,确定出全脑功能连接网络。该全脑功能网络实际上是一种静息功能连接矩阵,该矩阵中的元素对应于每个脑区中计算出的连接强度。
步骤S106,基于全脑功能连接网络及预设的F分值算式,提取静息态脑影像的分类特征。
在构建好全脑功能连接网络后,进一步从中提取出有利于分类器识别的分类特征。提取特征的方式有种,本发明实施例中通过预设的F分值算式计算每个特征的分值,F分值越大,其特征区别力越大,从而可以依据F分值的大小对特征的重要性进行排序和筛选,得到最合适的分类特征。
步骤S108,采用支持向量机SVM对所述分类特征进行分类学习,得到能够预测静息态脑影像的分类结果的分类器。
在提取出最合适的分类特征后,将该分类特征输入到支持向量机中进行回归分析,通过支持向量机的不断学习,可以训练出分类效果较好的分类器。该分类器即可用于病人静息态脑影像的识别,也就是该病患是否患病的结果。上述分类器是通过对大量的样本数据进行训练而成的,其预测的准确性相对较高。
本发明实施例中使用SVM作为分类器,其在小样本大特征问题上具有良好的分类能力。因为SVM的训练过程是基于有标签的样本集。在分类过程中,将病人标记为1,正常人标记为-1。分类过程分为两个阶段:训练和测试。在训练阶段,SVM找到一个用于区分训练样本的决策面。一旦确定这个决策面,它将用于预测新样本的标签,为降低过拟合的风险并且能够直接提取分类特征的权重。
本发明实施例提供的基于静息态脑影像的分类方法,首先获取静息态脑影像样本集;样本集中的样本包括基于第一人群和第二人群采集的静息态脑影像;第一人群中各个人体的脑部处于患病状态;第二人群中各个人体的脑部处于正常状态;然后构建静息态脑影像对应的全脑功能连接网络;基于全脑功能连接网络及预设的F分值算式,提取静息态脑影像的分类特征;最后采用支持向量机SVM对所述分类特征进行分类学习,得到能够预测静息态脑影像的分类结果的分类器。本发明从基于静息态脑影像构建的全脑功能连接网络中,通过F分值算式提取出分类特征,能够利用静息态的功能磁共振成像信号之间的相关性度量的连接关系,使得训练得到的分类器对新的静息态脑影像进行预测后,得到的分类结果更加准确,从而提高病情识别的准确性。
下面列举一个具体的应用实例,以重度抑郁症病患的识别为例,参见图2所示,该基于静息态脑影像的分类方法具体包括以下步骤:
步骤S202,获取静息态脑影像样本集;样本集中的样本包括基于第一人群和第二人群采集的静息态脑影像;第一人群中各个人体的脑部处于患病状态;第二人群中各个人体的脑部处于正常状态。
该步骤具体过程同上述步骤S102,在此不再赘述。
步骤S204,对静息态脑影像进行预处理;预处理包括时间校正、头动校正、空间标准化、去线性化和带通滤波处理。
在本实施例中,采用SPM(Statistical Parametric Mapping)系列软件(比如SPM5、SPM8、SPM12)进行上述预处理的过程,上述带通滤波频率为0.01-0.08HZ。
步骤S206,根据预设的自动解剖标识模板,将预处理后的静息态脑影像分割为多个脑区。
接着针对每个样本的预处理后的静息态脑影像所对应的脑空间,根据特定的脑模板,如Automated Anatomical Labeling(AAL)模板或脑网络组图谱,将每个样本的脑空间分割为116或246个脑区。
步骤S208,计算每个脑区的平均时间序列,回归平均时间序列中的伪信号,并计算上述多个脑区之间的Pearson相关系数,得到静息态脑影像对应的静息功能连接矩阵。
这里,Pearson相关系数(Pearson CorrelationCoefficient)是用来衡量两个数据集合是否在一条线上面,它用来衡量定距变量间的线性关系。
在对每个样本分割成116或246个脑区后,计算每个脑区的平均时间序列,为了减少伪信号的影响,将头动参数、白质信号、脑脊液信号作为协变量对平均时间序列进行回归,回归后残余量作为新的时间序列,然后计算两两之间的Pearson相关系数,作为脑区间的连接强度。以该连接强度为矩阵元素,即可组成静息态功能连接矩阵,从而获得基于全脑的功能性连接网络,如下一个步骤。
步骤S210,将静息功能连接矩阵作为静息态脑影像对应的全脑功能连接网络。
步骤S212,提取全脑功能连接网络中静息功能连接矩阵的上三角矩阵元素作为基础分类特征。
对于每个样本,在得到116×116、246×246的静息功能连接矩阵后,提取上三角矩阵元素作为基础分类特征(移除对角线元素),即分类特征空间是6670、30315维特征向量。
步骤S214,利用F分值算式对基础分类特征中的多个特征进行特征区分力降序排列。
具体的,首先利用F分值算式,计算基础分类特征中的每个特征的F分值。F分值算式如下:
其中,n+表示病人样本,正样本的数量,n_表示正常人样本,负样本的数量,F(i)表示第i个特征的F分值,和分别表示第i个特征的总体平均值、正类平均值和负类平均值;表示第k个正样本的第i个特征,表示第k个负样本的第i个特征。分母表示正类样本和负类样本组内区分力之和,分子表示两类样本间的区分力。显然,该特征的F分值越大,就越具有区分力。
然后将的多个特征的F分值按照从大到小进行排列,得到基础分类特征中的多个特征的特征区分力降序排列结果。
步骤S216,选取指定排序靠前的特征区分力对应的特征作为静息态脑影像的分类特征。
本实施例中,在上述基础分类特征中,通过F分值对特征进行降序排列,选择保留前250个区分力最大的特征作为下一步分类器学习的特征。
步骤S218,采用支持向量机SVM对所述分类特征进行分类学习,得到能够预测静息态脑影像的分类结果的分类器。
在提取出最合适的分类特征后,将该分类特征输入到支持向量机中进行回归分析,通过支持向量机的不断学习,可以训练出分类效果较好的分类器。该分类器即可用于病人静息态脑影像的识别,也就是该病患是否患病的结果。上述分类器是通过对大量的样本数据进行训练而成的,其预测的准确性相对较高。
下面介绍一下分类器的使用过程,也就是在采用支持向量机SVM对所述分类特征进行分类学习,得到能够预测静息态脑影像的分类结果的分类器的步骤之后,还包括以下步骤,参见图3所示:
步骤S302,获取待分类静息态脑影像。
步骤S304,将所述待分类静息态脑影像输入到分类器中,预测得到待分类静息态脑影像对应的分类结果。
通过上述分类器对新的待分类静息态脑影像进行预测,得到的分类结果更加准确,可靠。
进一步的,上述方法还包括对分类器的性能验证过程,具体包括以下步骤:
基于静息态脑影像验证样本集中的样本,利用留一交叉验证法对分类器的性能进行验证。
上述留一交叉验证法,是指分类器将K个样本划分为K个子集,每个子集包含一个样本,每一折留下一个样本作为验证集,其他子集作为训练集训练分类器,留下的子集作为验证集与真实标签进行比较从而得到准确率,综合分析不同折的准确率得到最终的准确率。根据信号检测论,真实类别与分类器预测类别标签会出现四种组合情况:击中(TruePositive,TP)、虚报(False Positive,FP)、漏报(False Negative,FN),正确否认(TrueNegative,TN)。本申请中采用准确率(Accuracy,ACC),敏感度(Sensitivity,SEN)和特异度(Specificity,SPE)用于对分类器的性能好坏进行量化评估,其定义如下所示:
基于上述方法,本发明实施例还提供一种基于静息态脑影像的分类装置,参见图4所示,该装置包括:数据获取模块402、网络构建模块404、特征提取模块406和分类特征学习模块408。
其中,数据获取模块402,用于数据获取模块,用于获取静息态脑影像样本集;样本集中的样本包括基于第一人群和第二人群采集的静息态脑影像;第一人群中各个人体的脑部处于患病状态;第二人群中各个人体的脑部处于正常状态;网络构建模块404,用于构建静息态脑影像对应的全脑功能连接网络;特征提取模块406,用于基于全脑功能连接网络及预设F分值算式,提取静息态脑影像的分类特征;分类特征学习模块408,采用支持向量机SVM对分类特征进行分类学习,得到能够预测静息态脑影像的分类结果的分类器。
在发明实施例提供的基于静息态脑影像的分类装置中,从基于静息态脑影像构建的全脑功能连接网络中,通过F分值算式提取出分类特征,能够利用静息态的功能磁共振成像信号之间的相关性度量的连接关系,使得训练得到的分类器对新的静息态脑影像进行预测后,得到的分类结果更加准确,从而提高病情识别的准确性。
在另一种装置实施例中,上述基于静息态脑影像的分类装置除了包括与上一实施例类似的数据获取模块502、网络构建模块504、特征提取模块506和分类特征学习模块508外,还包括:分类模块510和性能验证模块512,参见图5所示。
其中,上述分类模块510,用于获取待分类静息态脑影像;将待分类静息态脑影像输入到分类器中,预测得到待分类静息态脑影像对应的分类结果。
上述性能验证模块512,用于基于静息态脑影像样本集中的样本,利用留一交叉验证法对分类器的性能进行验证。进一步的,上述网络构建模块504还用于,对静息态脑影像进行预处理;预处理包括时间校正、头动校正、空间标准化、去线性化和带通滤波处理;根据预设的自动解剖标识模板,将预处理后的静息态脑影像分割为多个脑区;计算每个脑区的平均时间序列,回归平均时间序列中的伪信号,并计算上述多个脑区之间的Pearson相关系数,得到静息态脑影像对应的静息功能连接矩阵;将静息功能连接矩阵作为静息态脑影像对应的全脑功能连接网络。
进一步的,上述特征提取模块506还用于,提取全脑功能连接网络中静息功能连接矩阵的上三角矩阵元素作为基础分类特征;利用预设的F分值算式对基础分类特征中的多个特征进行特征区分力降序排列;选取指定排序靠前的特征区分力对应的特征作为静息态脑影像的分类特征。
进一步的,利上述特征提取模块506还用于,利用F分值算式,计算基础分类特征中的每个特征的F分值;将多个特征的F分值按照从大到小进行排列,得到基础分类特征中的多个特征的特征区分力降序排列结果。
进一步的,上述F分值算式如下:
其中,n+表示病人样本,正样本的数量,n-表示正常人样本,负样本的数量,F(i)表示第i个特征的F分值,和分别表示第i个特征的总体平均值、正类平均值和负类平均值;表示第k个正样本的第i个特征,表示第k个负样本的第i个特征。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等,或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接,或其任意组合。两个或更多个模块可以组合为单个模块,并且任何一个模块可以分成两个或更多个单元。
为便于理解,图6示出根据本申请的一些实施例的可以实现本申请思想的电子设备600的示例性硬件和软件组件的示意图。例如,处理器620可以用于电子设备600上,并且用于执行本申请中的功能。
电子设备600可以是通用计算机或特殊用途的计算机,两者都可以用于实现本申请的基于静息态脑影像的分类方法。本申请尽管仅示出了一个计算机,但是为了方便起见,可以在多个类似平台上以分布式方式实现本申请描述的功能,以均衡处理负载。
例如,电子设备600可以包括连接到网络的网络端口610、用于执行程序指令的一个或多个处理器620、通信总线630和不同形式的存储介质640,例如,磁盘、ROM或RAM,或其任意组合。示例性地,计算机平台还可以包括存储在ROM、RAM或其他类型的非暂时性存储介质或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备600还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output,I/O)接口650。
为了便于说明,在电子设备600中仅描述了一个处理器。然而,应当注意,本申请中的电子设备600还可以包括多个处理器,因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如,若电子设备600的处理器执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一处理器和第二处理器共同执行步骤A和B。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述交易数据的同步方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请的描述中,需要说明的是,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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:其依然可以对前述各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各实施例技术方案的范围。
Claims (10)
1.一种基于静息态脑影像的分类方法,其特征在于,包括:
获取静息态脑影像样本集;所述样本集中的样本包括基于第一人群和第二人群采集的静息态脑影像;所述第一人群中各个人体的脑部处于患病状态;所述第二人群中各个人体的脑部处于正常状态;构建所述静息态脑影像对应的全脑功能连接网络;
基于所述全脑功能连接网络及预设的F分值算式,提取所述静息态脑影像的分类特征;
采用支持向量机SVM对所述分类特征进行分类学习,得到能够预测静息态脑影像的分类结果的分类器。
2.根据权利要求1所述的方法,其特征在于,构建所述静息态脑影像对应的全脑功能连接网络的步骤,包括:
对所述静息态脑影像进行预处理;所述预处理包括时间校正、头动校正、空间标准化、去线性化和带通滤波处理;
根据预设的自动解剖标识模板,将预处理后的静息态脑影像分割为多个脑区;
计算每个所述脑区的平均时间序列,回归平均时间序列中的伪信号,并计算多个所述脑区之间的Pearson相关系数,得到所述静息态脑影像对应的静息功能连接矩阵;
将所述静息功能连接矩阵作为所述静息态脑影像对应的全脑功能连接网络。
3.根据权利要求1所述的方法,其特征在于,基于所述全脑功能连接网络及预设的F分值算式,提取所述静息态脑影像的分类特征的步骤,包括:
提取所述全脑功能连接网络中静息功能连接矩阵的上三角矩阵元素作为基础分类特征;
利用所述F分值算式对所述基础分类特征中的多个特征进行特征区分力降序排列;
选取指定排序靠前的特征区分力对应的特征作为所述静息态脑影像的分类特征。
4.根据权利要求3所述的方法,其特征在于,利用所述F分值算式对所述基础分类特征中的多个特征进行特征区分力降序排列的步骤,包括:
利用所述F分值算式,计算所述基础分类特征中的每个特征的F分值;
将多个特征的F分值按照从大到小进行排列,得到所述基础分类特征中的多个特征的特征区分力降序排列结果。
5.根据权利要求3所述的方法,其特征在于,所述F分值算式如下:
其中,n+表示病人样本,正样本的数量,n-表示正常人样本,负样本的数量,F(i)表示第i个特征的F分值,和分别表示第i个特征的总体平均值、正类平均值和负类平均值;表示第k个正样本的第i个特征,表示第k个负样本的第i个特征。
6.根据权利要求1所述的方法,其特征在于,在采用支持向量机SVM对所述分类特征进行分类学习,得到能够预测静息态脑影像的分类结果的分类器的步骤之后,还包括:
获取待分类静息态脑影像;
将所述待分类静息态脑影像输入到所述分类器中,预测得到所述待分类静息态脑影像对应的分类结果。
7.根据权利要求1所述的方法,其特征在于,还包括:
基于所述静息态脑影像样本集中的样本,利用留一交叉验证法对所述分类器的性能进行验证。
8.一种基于静息态脑影像的分类装置,其特征在于,包括:
数据获取模块,用于获取静息态脑影像样本集;所述样本集中的样本包括基于第一人群和第二人群采集的静息态脑影像;所述第一人群中各个人体的脑部处于患病状态;所述第二人群中各个人体的脑部处于正常状态;
网络构建模块,用于构建所述静息态脑影像对应的全脑功能连接网络;
特征提取模块,用于基于所述全脑功能连接网络及预设F分值算式,提取所述静息态脑影像的分类特征;
分类特征学习模块,采用支持向量机SVM对所述分类特征进行分类学习,得到能够预测静息态脑影像的分类结果的分类器。
9.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至7任一所述的基于静息态脑影像的分类方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至7任一所述的基于静息态脑影像的分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910346333.2A CN109948740A (zh) | 2019-04-26 | 2019-04-26 | 一种基于静息态脑影像的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910346333.2A CN109948740A (zh) | 2019-04-26 | 2019-04-26 | 一种基于静息态脑影像的分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109948740A true CN109948740A (zh) | 2019-06-28 |
Family
ID=67016441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910346333.2A Pending CN109948740A (zh) | 2019-04-26 | 2019-04-26 | 一种基于静息态脑影像的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948740A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263880A (zh) * | 2019-07-12 | 2019-09-20 | 深圳大学 | 脑疾病分类模型的构建方法、装置及智能终端 |
CN110610487A (zh) * | 2019-08-29 | 2019-12-24 | 上海杏脉信息科技有限公司 | 一种测量心影增大的方法与装置 |
CN110720906A (zh) * | 2019-09-25 | 2020-01-24 | 上海联影智能医疗科技有限公司 | 脑图像处理方法、计算机设备和可读存储介质 |
CN111414579A (zh) * | 2020-02-19 | 2020-07-14 | 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 |
CN112926459A (zh) * | 2021-02-26 | 2021-06-08 | 首都师范大学 | 基于静息态脑功能图像的性别角色识别方法及装置 |
CN112991335A (zh) * | 2021-04-23 | 2021-06-18 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种想像能力评估方法、系统及可读存储介质 |
CN114138552A (zh) * | 2021-11-11 | 2022-03-04 | 苏州浪潮智能科技有限公司 | 数据动态重删方法、系统、终端及存储介质 |
CN114842254A (zh) * | 2022-05-05 | 2022-08-02 | 中南大学湘雅二医院 | 一种以杏仁核为核心的脑功能网络多指标融合的图像分类方法、装置、设备及介质 |
Citations (3)
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 |
CN108109140A (zh) * | 2017-12-18 | 2018-06-01 | 复旦大学 | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统 |
CN109509552A (zh) * | 2018-12-05 | 2019-03-22 | 中南大学 | 一种基于功能连接网络的多层次特征融合的精神病自动判别方法 |
-
2019
- 2019-04-26 CN CN201910346333.2A patent/CN109948740A/zh active Pending
Patent Citations (3)
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 |
CN108109140A (zh) * | 2017-12-18 | 2018-06-01 | 复旦大学 | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统 |
CN109509552A (zh) * | 2018-12-05 | 2019-03-22 | 中南大学 | 一种基于功能连接网络的多层次特征融合的精神病自动判别方法 |
Cited By (13)
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 |
CN110263880A (zh) * | 2019-07-12 | 2019-09-20 | 深圳大学 | 脑疾病分类模型的构建方法、装置及智能终端 |
CN110610487A (zh) * | 2019-08-29 | 2019-12-24 | 上海杏脉信息科技有限公司 | 一种测量心影增大的方法与装置 |
CN110720906A (zh) * | 2019-09-25 | 2020-01-24 | 上海联影智能医疗科技有限公司 | 脑图像处理方法、计算机设备和可读存储介质 |
CN110720906B (zh) * | 2019-09-25 | 2022-07-05 | 上海联影智能医疗科技有限公司 | 脑图像处理方法、计算机设备和可读存储介质 |
CN111414579A (zh) * | 2020-02-19 | 2020-07-14 | 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 |
CN112926459A (zh) * | 2021-02-26 | 2021-06-08 | 首都师范大学 | 基于静息态脑功能图像的性别角色识别方法及装置 |
CN112926459B (zh) * | 2021-02-26 | 2023-09-22 | 首都师范大学 | 基于静息态脑功能图像的性别角色识别方法及装置 |
CN112991335A (zh) * | 2021-04-23 | 2021-06-18 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种想像能力评估方法、系统及可读存储介质 |
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 |
CN114138552A (zh) * | 2021-11-11 | 2022-03-04 | 苏州浪潮智能科技有限公司 | 数据动态重删方法、系统、终端及存储介质 |
CN114138552B (zh) * | 2021-11-11 | 2024-01-12 | 苏州浪潮智能科技有限公司 | 数据动态重删方法、系统、终端及存储介质 |
CN114842254A (zh) * | 2022-05-05 | 2022-08-02 | 中南大学湘雅二医院 | 一种以杏仁核为核心的脑功能网络多指标融合的图像分类方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948740A (zh) | 一种基于静息态脑影像的分类方法 | |
Novaković et al. | Evaluation of classification models in machine learning | |
CN106611052B (zh) | 文本标签的确定方法及装置 | |
CN109528197B (zh) | 基于脑功能图谱进行精神疾病的个体化预测方法和系统 | |
CN109086756A (zh) | 一种基于深度神经网络的文本检测分析方法、装置及设备 | |
CN103714261B (zh) | 二阶段混合模型的智能辅助医疗决策支持方法 | |
CN108416364A (zh) | 分包融合集成学习数据分类方法 | |
CN110517253A (zh) | 基于3d多目标特征学习的肺结节良恶性分类的方法 | |
CN110321968B (zh) | 一种超声图像分类装置 | |
CN109993230A (zh) | 一种面向脑功能磁共振图像分类的tsk模糊系统建模方法 | |
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 | |
EP3968337A1 (en) | Target object attribute prediction method based on machine learning and related device | |
CN105117708A (zh) | 人脸表情识别的方法和装置 | |
CN105976393A (zh) | 大脑局灶性病变自动探测方法及装置 | |
WO2021212715A1 (zh) | 精神分裂症分类识别方法、运行控制装置及医疗设备 | |
CN108764361A (zh) | 基于集成学习的游梁式抽油机示功图的工况识别方法 | |
CN110288028A (zh) | 心电检测方法、系统、设备及计算机可读存储介质 | |
CN111932522A (zh) | 一种基于脑成像大数据深度学习的阿尔兹海默症分类器 | |
CN108805181B (zh) | 一种基于多分类模型的图像分类装置及分类方法 | |
CN107045624A (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
Cao et al. | 3D convolutional neural networks fusion model for lung nodule detection onclinical CT scans | |
CN117095222A (zh) | 基于坐标注意力和bdc度量的小样本图像分类方法、系统、装置及介质 | |
CN112561935B (zh) | 一种大脑影像智能分类方法、装置和设备 | |
CN113627522A (zh) | 基于关系网络的图像分类方法、装置、设备及存储介质 | |
KR102499776B1 (ko) | 경쟁사 지식재산권 모니터링 방법, 장치 및 프로그램 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190628 |
|
WD01 | Invention patent application deemed withdrawn after publication |