CN111009324A - 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法 - Google Patents
脑网络多特征分析的轻度认知障碍辅助诊断系统及方法 Download PDFInfo
- Publication number
- CN111009324A CN111009324A CN201911162069.3A CN201911162069A CN111009324A CN 111009324 A CN111009324 A CN 111009324A CN 201911162069 A CN201911162069 A CN 201911162069A CN 111009324 A CN111009324 A CN 111009324A
- Authority
- CN
- China
- Prior art keywords
- brain
- module
- network
- diagnosis
- classification
- 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.)
- Granted
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 126
- 238000003745 diagnosis Methods 0.000 title claims abstract description 50
- 208000010877 cognitive disease Diseases 0.000 title claims abstract description 38
- 208000027061 mild cognitive impairment Diseases 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000010276 construction Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 7
- 238000003706 image smoothing Methods 0.000 claims description 6
- 239000002184 metal Substances 0.000 claims description 3
- 208000024827 Alzheimer disease Diseases 0.000 abstract description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 7
- 238000004195 computer-aided diagnosis Methods 0.000 abstract description 4
- 238000013399 early diagnosis Methods 0.000 abstract description 2
- 230000002427 irreversible effect Effects 0.000 abstract description 2
- 230000001131 transforming effect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000005481 NMR spectroscopy Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000284 resting effect Effects 0.000 description 3
- 208000014644 Brain disease Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008506 pathogenesis Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000003557 neuropsychological effect Effects 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种脑网络多特征分析的轻度认知障碍辅助诊断系统及方法,涉及计算机辅助诊断技术领域。本系统包括输入模块、预处理模块、脑网络构建模块、特征提取模块、分类诊断模块以及输出模块;本发明综合考虑脑网络和轻度认知障碍疾病的各种特性,基于rs‑fMRI图像数据和复杂网络理论计算出多种特征进行分析,利用极限学习机进行分类,从而实现对轻度认知障碍进行辅助诊断,能够为医生分担工作量并提高诊断准确率,实现轻度认知障碍的早发现、早诊断、早治疗,降低患者向不可逆的阿尔兹海默病转化的风险,进而降低阿尔兹海默病的发病率。
Description
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特征分析的轻度认知障碍辅助诊断系统及方法。
背景技术
轻度认知障碍是介于正常老化和阿尔茨海默病之间的过渡阶段,患者属于阿尔茨海默病的高风险人群。阿尔茨海默病由于发病机制不明确,目前尚无有效的治疗方法,而对于轻度认知障碍,临床上已有方法可延缓甚至阻断病情发展。由于轻度认知障碍疾病临床表征轻微、致病因素复杂、病情反复等特点给医生的诊断造成了很大困难,目前临床上主要采用经验观察和神经心理学量表测验对轻度认知障碍进行诊断,然而这种方法主观性强且准确性低。因此,实现对轻度认知障碍的准确诊断可以尽早对其患者进行治疗并有效降低阿尔茨海默病的发病率,这在人口老龄化日趋严峻的今天尤为重要。
近年来,神经影像学的快速发展为大脑相关疾病的研究提供了新的思路,功能核磁共振成像是其中的一种有效、无创、安全的技术。基于静息态下的功能核磁共振影像(resting-state functional Magnetic Resonance Image,rs-fMRI)运用图论构建出的脑网络可以分析大脑各脑区间功能上的关联,对于预防脑疾病以及分析其发病机理具有重要的应用价值。人脑网络是极为复杂的,而现有研究中多将脑网络的各边直接作为特征进行分析,少有提取脑网络的多种特性进行整体分析,这样只考虑了脑区间的两两联系,难以反映大脑的整体交互情况。
极限学习机(Extreme Learning Machine,ELM)是一种基于前馈神经网络的学习算法,相较于传统的机器学习算法,具有学习速度快、泛化能力强、准确率高的优点,近年来已在许多研究领域广泛运用。由于脑网络数据量较大,且在不同个体间存在固有的差异,极限学习机的优势可以在此发挥,但现有的脑网络分类研究多采用传统机器学习算法,这是本发明的另一创新。
发明内容
针对现有技术的不足,本发明综合考虑脑网络和轻度认知障碍疾病的各种特性,提供一种脑网络多特征分析的轻度认知障碍辅助诊断系统及方法,基于rs-fMRI图像数据和复杂网络理论计算出多种特征进行分析,利用极限学习机(Extreme Learning Machine,ELM)进行分类,由此给予医生科学的可参考信息,有助于提高轻度认知障碍诊断的准确度和效率。
本发明所采取的技术方案是:
一方面,本发明提供脑网络多特征分析的轻度认知障碍辅助诊断系统,包括输入模块、预处理模块、脑网络构建模块、特征提取模块、分类诊断模块以及输出模块;
所述输入模块用于接收用户输入的大脑fMRI图像,然后将其传递到预处理模块;
所述预处理模块用于对接受的fMRI图像进行时间层校正、头动校正、噪声去除、空间标准化和图像平滑,并传递到网络构建模块;
所述脑网络构建模块用于对大脑fMRI图像进行脑区划分、计算每个脑区的平均时间序列和脑区间的相关系数,以脑区作为节点以相关系数作为边得到脑网络,对其阈值化后传递给特征提取模块;
所述特征提取模块用于从构建好的脑网络中提取出网络特征,并将其作为分类的直接依据传递给分类诊断模块;
所述分类诊断模块用于将待诊断被试脑网络的网络特征矩阵进行归一化后输入构建好的ELM分类器中分类得到分类结果,并将分类结果传递给输出模块;
所述输出模块用于接收分类诊断结果,并将其显示给用户。
另一方面,本发明提供一种脑网络多特征分析的轻度认知障碍辅助诊断方法,通过前述脑网络多特征分析的轻度认知障碍辅助诊断系统实现,其步骤包括:
步骤1:将待诊断被试的头部fMRI图像通过输入模块输入系统;
步骤2:对输入的fMRI图像进行时间层校正、头动校正、噪声去除、空间标准化和图像平滑五项预处理;
步骤3:把经过预处理的fMRI图像与AAL脑模板进行匹配,得到脑区作为脑网络的节点,计算每个节点的平均时间序列和所有节点间的皮尔逊相关系数,以节点间的皮尔逊系数作为边建立矩阵,将矩阵进行阈值化后建立脑网络;
步骤4:从建立的脑网络中提取出度中心性、介数中心性、聚类系数、效率、网页排名中心性、以及匹配特征六种特征,计算这些特征的曲线下面积作为特征集,并对其进行筛选得到高区分度的特征子集作为分类诊断时的输入特征;
步骤5:对于训练数据,将被试的上述特征子集及对应标签通过ELM算法训练分类器模型;对于待诊断数据,将被试的上述特征子集输入分类器中进行分析得到分类结果;
步骤6:输出轻度认知障碍辅助诊断结果。
采用上述技术方案所产生的有益效果在于:
本发明综合考虑脑网络和轻度认知障碍疾病的各种特性,基于rs-fMRI图像数据和复杂网络理论计算出多种特征进行分析,利用极限学习机进行分类,从而实现对轻度认知障碍进行辅助诊断,能够为医生分担工作量并提高诊断准确率,实现轻度认知障碍的早发现、早诊断、早治疗,降低患者向不可逆的阿尔兹海默病转化的风险,进而降低阿尔兹海默病的发病率。
附图说明
图1为本发明中脑网络多特征分析的轻度认知障碍辅助诊断系统的结构示意图;
图2为本发明中脑网络多特征分析的轻度认知障碍辅助诊断方法的流程图;
图3为本发明实施方式中预处理图像步骤的过程示意图;
图4本发明实施方式中构建脑网络步骤的过程示意图。
具体实施方式
下面结合附图对本发明具体实施方式加以详细的说明。
一种网络多特征分析的轻度认知障碍辅助诊断系统,如图1所示,包括输入模块、预处理模块、脑网络构建模块、特征提取模块、分类诊断模块以及输出模块;
所述输入模块用于接收用户输入的大脑fMRI图像,然后将其传递到预处理模块;
所述预处理模块用于对接受的fMRI图像进行时间层校正、头动校正、噪声去除、空间标准化和图像平滑,并传递到网络构建模块;
所述脑网络构建模块用于对大脑fMRI图像进行脑区划分、计算每个脑区的平均时间序列和脑区间的相关系数,以脑区作为节点以相关系数作为边得到脑网络,对其阈值化后传递给特征提取模块;
所述特征提取模块用于从构建好的脑网络中提取出网络特征,并将其作为分类的直接依据传递给分类诊断模块;
所述分类诊断模块用于将待诊断被试脑网络的网络特征矩阵进行归一化后输入构建好的ELM分类器中分类得到分类结果,并将分类结果传递给输出模块;
所述输出模块用于接收分类诊断结果,并将其显示给用户。
另一方面,本发明提供一种脑网络多特征分析的轻度认知障碍辅助诊断方法,通过前述脑网络多特征分析的轻度认知障碍辅助诊断系统实现,如图2所示,其步骤包括:
步骤1:将待诊断被试的头部fMRI图像通过输入模块输入系统;
步骤2:对输入的fMRI图像进行时间层校正、头动校正、噪声去除、空间标准化和图像平滑五项预处理,如图3所示;首先对功能核磁共振图像进行预处理,由此可以减少噪声和被试间个体差异对辅助诊断结果的影响,提高功能核磁共振图像的信噪比;
具体包括以下步骤:
步骤2.1:时间层校正,利用数学算法将所有被试的fMRI图像进行时间层校正,使得每个时间层图像在同一时间点获取,得到所有被试的经过时间层校正后的fMRI图像(I0,I1,I2,...,In);
步骤2.2:头动校正,将时间片校正后的fMRI图像进行头动校正,其本质是使用数学算法,将每份fMRI数据的图像序列中,除第一幅影像外的其他影像进行变换、切片、分割后配准到该图像序列的第一幅影像上去,生成新的图像序列,从而得到所有被试的经过头动校正后的fMRI图像(R0,R1,R2,...,Rn);
步骤2.3:噪声去除,将头动校正后的fMRI图像进行去噪处理,提高原始图像的信噪比,从而得到所有被试的经过噪声去除后的fMRI图像(D0,D1,D2,...,Dn);
步骤2.4:空间标准化,将噪声去除后的fMRI图像进行空间标准化,首先将被试的结构像变化到功能像空间;其次转换后的结构像分割为灰质、白质和脑脊液,得到由功能像转到标准空间的转换矩阵,最后将转换矩阵写入功能像。从而得到所有被试的经过空间标准化后的fMRI图像(N0,N1,N2,...,Nn);
步骤2.5:图像平滑,将经过空间标准化后的功能核磁图像进行平滑处理,使用高斯核函数对目标进行卷积,以消除图像重建时产生的误差和被试间结构上的一些细微差别,得到所有被试的经过平滑后的fMRI图像(S0,S1,S2,...,Sn)。
步骤2.6:输出预处理后的fMRI图像;
步骤3:把经过预处理的fMRI图像与AAL脑模板进行匹配,得到脑区作为脑网络的节点,计算每个节点的平均时间序列和所有节点间的皮尔逊相关系数,以节点间的皮尔逊系数作为边建立矩阵,将矩阵进行阈值化后建立脑网络,如图4所示;
具体包括以下步骤:
步骤3.1:输入预处理后的图像;
步骤3.2:将预处理后的图像与AAL脑模板进行匹配,将大脑分割为90个脑区,再计算出每个脑区的平均时间序列,以脑区平均时间序列之间的同步性表示脑区间的功能关系。本实施例中的脑区基于常规的AAL(Automated Anatomical Labeling atlas)标准脑模板分割,根据蒙特利尔神经研究所(Montreal Neurological Institute,MNI)给出的脑区坐标,AAL标准脑模板将大脑分割为116个脑区,其中26个区域为小脑区,其余90个左右对称,区域为大脑区,每个半球各45个。这里只针对90个大脑区进行网络构建。
步骤3.3:计算各脑区之间的皮尔逊偏相关系数,得到带权值的脑网络邻接矩阵。网络任意两节点的边定义为这两个节点所代表得脑区时间序列之间的相关系数。第k个被试节点i与j之间的边计算公式如下:
步骤3.4:将邻接矩阵阈值化,这样做可以简化计算,使节点之间的联系变得清晰。首先需要将矩阵对角线元素置零,这么做是为了消除节点之间自连接。本发明采用稀疏度阈值法对网络进行阈值化,得到只有0、1的二值矩阵作为该阈值下的无权脑网络。使用稀疏度阈值法可以保证同一阈值下的每一个邻接矩阵0与1的比例相同。但由于不同的阈值可能会导致不同的脑网络,最后使分类受到影响,故而,本方法采用选择一系列阈值,最后对不同阈值下的脑网络提取到的特征进行综合。
步骤3.5:输出经过阈值化的矩阵作为脑网络。
步骤4:从建立的脑网络中提取出度中心性、介数中心性、聚类系数、效率、网页排名中心性、以及匹配特征六种特征,计算这些特征的曲线下面积作为特征集,并对其进行筛选得到高区分度的特征子集作为分类诊断时的输入特征;
具体包括以下步骤:
步骤4.1:从建立的脑网络中提取出度中心性、介数中心性、聚类系数、效率、网页排名中心性、以及匹配特征六种特征:
(1)度中心性(Degree Centrality,DC)
节点的度是该节点与其他节点连接的边的个数,将度归一化可得度中心性,节点i的度中心性的定义式如下:
式中Di为节点i的度,N为网络中节点总数,这里具体为90。
(2)介数中心性(Betweenness Centrality,BC)
节点i介数中心性表现了该节点信息流向其他节点的效率,介数中心性越大表示该节点对网络中信息通信越重要。其定义式如下:
(3)聚类系数(Clustering Coefficient,CC)
节点i的聚类系数刻画了节点i与邻居节点聚集在一起的紧密程度。定义式如下:
式中Ri为节点i及其周边ki个临节点组成的网络的边数和。
如果想要表示整个网络节点的紧密程度,就要把网络中的所有节点的聚类系数平均化,得到平均聚类系数。
(4)效率(Efficiency,E)
网络的效率衡量了网络中信息交换的效率。而针对节点i而言,则量化为i被移除时其邻居节点信息交流的效率,反映网络的局部信息传输能力。节点i的局部效率定义如下:
(5)网页排名中心性(PageRank Centrality,PR)
网页排名中心性起初是用来根据网站的外部链接和内部链接的数量和质量来衡量网站的价值,该特征可以从概率的角度衡量一个节点在网络中的重要性。简而言之,某个节点的网页排名中心性越大,网络连接到该节点的可能性就越大,该节点在网络中的重要程度就越大。
(6)匹配特征(Assortativity,A)
匹配特性是一个全局特征,计算了网络中所有节点度的相关系数,正向的匹配系数说明节点倾向于连接到具有一定相似程度的其他节点。网络的匹配特性计算式如下:
式中Di为节点i的度,Dj为节点j的度,N为网络中节点总数,这里具体为90。
为了消除不同大脑间的个体随机差异,本实施例计算匹配特征的标准分数:构造100个与样本脑网络节点数与边数相同的随机网络,计算它们的匹配特性,以及这些匹配特性的平均值u与方差σ,匹配特征的标准分数计算公式如下:
需要注意的是上述特征中除了匹配特征是网络全局特征及每个脑网络只会得到一个特征值,其他特征均是节点特征,脑网络中的每一个节点都会得到一个特征值,对于本方法中使用的AAL脑模板,每个脑网络就有90个节点,即为90个特征。
步骤4.2:因为同一个有权脑网络在不同的阈值下会得到不同的无权脑网络,以此提取出的特征也都有差别,采用对不同阈值下的特征进行积分,得到曲线下面积(AreaUnder The Curve,AUC),以此来综合不同阈值下的各个特征,提取脑网络特征集,AUC的计算公式如下:
其中S1和Sn代表设定阈值的上下边界,ΔS代表阈值的步长,Y(S)代表在阈值S网络特征值。
步骤4.3:对上述步骤4.2提取到的脑网络特征集进行筛选,得到具有高区分度的特征子集。本步骤对构建分类器至关重要,有效的特征选择能够降低数据处理量,节省时间,避免数据冗余,减轻噪声影响,有助于快速建立分类模型并提高分类效果。
本实施例采用的是LASSO(least absolute shrinkage and selectionoperator)算子以选择具有高区分性的特征子集。LASSO是一种基于稀疏线性回归方法的算子,通过向线性模型中加入L1惩罚项,将值很小的系数压缩至0,实现稀疏化,并将这部分系数所对应的特征变量舍弃,通过改变正则化参数Lambda的大小来确定稀疏的程度,从而实现对被试数据的特征选择。
本实施例中,采用ELM分类算法进行分类诊断,其中的ELM技术原理具体如下:
在此实施例中,相较于传统机器学习算法,极限学习机具有易于使用和有效的特点,此外,大量的实验和研究证明,ELM在分类准确率和计算速度上和传统机器学习算法相比具有较为明显的优势,所以提出使用极限学习机的方法进行轻度认知障碍的计算机辅助诊断。
对于单隐层神经网络,ELM可以随机初始化输入权重和偏置并得到相应的输出权重。在一个单隐层神经网络中,假设有N个任意的样本(Xi,ti),其中:
Xi=[xi1,xi2,...,xin]T∈Rn,ti=[ti1,ti2,...,tim]T∈Rm
则有L个隐层节点的单隐层神经网络可用以下形式表现:
在上式中,βi为输出权重Wi=[wi1,wi2,...,win]T为输入权重,Wi·Xj表示Wi和Xj的内积,bi是第i个隐层单元的偏置,g(x)为激活函数,oj=[oj1,oj2,...,ojm]T表示的是该单隐层神经网络的第j个输出样本。
同时,ELM单隐层神经网络学习的目的是使得输出的误差最小,可以表示为:
所以有βi,Wi和,bi使得
其矩阵可以表示为:
Hβ=T
式中,β为输出权重,T为期望输出,H是隐层节点的输出,。
其中g(Wi,Xj,bi)(Wi和bi是隐藏层节点参数)是激活函数,是一个满足ELM通用逼近能力定理得的非线性分段连续函数,常用的有Sigmoid函数,Gaussian函数等。
其等价于最小化损失函数:
和一些传统算法不同的是,ELM算法不需要每次都在迭代的过程中不断地调整各项参数,而只要随机确定了输入权重Wi和隐层的偏置bi,就能获得唯一的输出矩阵H。其网络训练过程能够作为一个线性系统Hβ=T的求解,其最小二乘最优解即为输出权重:
此实施方式是对轻度认知障碍患者的静息态功能核磁共振图像进行计算机辅助诊断,从而辅助医生诊断。
步骤5:对于训练数据,将被试的上述特征子集及对应标签通过ELM算法训练分类器模型;对于待诊断数据,将被试的上述特征子集输入分类器中进行分析得到分类结果;
利用ELM算法构建分类器用于轻度认知障碍的辅助诊断。构建分类器首先需要将训练数据在上述步骤4得到的特征子集及对应标签通过ELM算法训练分类器,然后将测试数据的特征子集输入训练好的分类器中进行测试。
训练分类器首先需要一组诊断好的轻度认知障碍大脑和正常大脑的静息态功能核磁共振数据。数据量需要足够多,以使得分类器受到充分的训练。将这些数据通过步骤2处理,通过步骤3到各阈值下的脑网络,通过步骤4取出特征并筛选出具有高区分度的特征子集。
为防止训练分类器时梯度不收敛,还需要将这些特征归一化。本实施例采用的归一化方法为L2范数归一化法。对于一个特征向量X(x1,x2...xn),其L2范数为本实施例将X归一化到单位L2范数,即归一化后的X'的L2范数为1,其计算公式为即特征向量中的每一个特征值都除于该特征的L2范数。这样以来每个样本都会有一组特征数值范围是从0到1,这组特征将会成为分类的依据。
在训练分类器模型前需要设置好分类器的预设参数,包括隐含层节点数,激活函数的选用,这一步骤在构建分类器中至关重要,但往往没有规律可循,只能凭经验设置,训练过程中需要通过验证来判断设置的训练器参数是否合适。设置好参数后便可开始训练分类器。
由于在设置分类器参数时具有一定的盲目性,故而需要在训练过程中验证分类器的性能,这样可以快速地找到分类模型对于这个问题的最优参数设置,减少测试分类器的工程量。本实施例采用的验证方式是留一法交叉验证:首先从训练集中抽出一个样本作为验证集,不参与分类器训练,在训练完成后用这个样本测试,记录分类结果;而后将这个样本放回训练集并抽出另一个样本再做验证集,循环上述步骤,直至训练集中的所有样本都做过验证集。假如我们有n个样本,这样我们就得到了n个分类结果,这些结果相互独立,因为完全来自不同样本训练出的分类器,而这些分类器又彼此相似,因为彼此之间只差了一个训练样本。于是我们就可以近似将这n个结果当成对用全部训练样本训练的分类器所作的n次测试而不需要用到新的样本,将这n个结果作为判断一个分类器好坏的初步标准。这种验证方式较为准确,而且最大化的利用训练集来验证分类器,唯一的不足是速度较慢,这是因为对于一个包含n个样本的训练集就要训练n次,但是ELM的速度较其他分类模型快很多,就可以使用这种方法更加高效的找出最优参数。
测试分类器是构建分类器的另一重要步骤,训练好分类器之后,还需要将一组全新,即未参与训练的轻度认知障碍患者和正常对照组的数据输入分类器,模拟真实的情况,测试这个分类器是否真正有效。
测试数据需要是一组未参与训练的轻度认知障碍患者和正常人的静息态功能核磁共振数据。将这些数据通过步骤2处理,通过步骤3到各阈值下的脑网络,通过步骤4.1及4.2提取出这组数据的特征集并筛选出具有高区分度的特征子集。注意,此处特征子集的筛选无需经过上述步骤4.3,而是需要将此分类器对应训练数据的特征子集中的特征向量在训练数据中对应筛选出来。之后,要将测试数据除以训练数据的L2范数,确保参数设置一致。接下来便可使用处理好的测试数据对分类器进行测试,将测试结果与真实值进行比较和统计,由此判断分类器是否有效。
步骤6:输出轻度认知障碍辅助诊断结果。
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权利要求所限定的范围。
Claims (2)
1.一种脑网络多特征分析的轻度认知障碍辅助诊断系统,其特征在于:包括输入模块、预处理模块、脑网络构建模块、特征提取模块、分类诊断模块以及输出模块;
所述输入模块用于接收用户输入的大脑fMRI图像,然后将其传递到预处理模块;
所述预处理模块用于对接受的fMRI图像进行时间层校正、头动校正、噪声去除、空间标准化和图像平滑,并传递到网络构建模块;
所述脑网络构建模块用于对大脑fMRI图像进行脑区划分、计算每个脑区的平均时间序列和脑区间的相关系数,以脑区作为节点以相关系数作为边得到脑网络,对其阈值化后传递给特征提取模块;
所述特征提取模块用于从构建好的脑网络中提取出网络特征,并将其作为分类的直接依据传递给分类诊断模块;
所述分类诊断模块用于将待诊断被试脑网络的网络特征矩阵进行归一化后输入构建好的ELM分类器中分类得到分类结果,并将分类结果传递给输出模块;
所述输出模块用于接收分类诊断结果,并将其显示给用户。
2.一种脑网络多特征分析的轻度认知障碍辅助诊断方法,通过权利要求1所述脑网络多特征分析的轻度认知障碍辅助诊断系统实现,其步骤包括:
步骤1:将待诊断被试的头部fMRI图像通过输入模块输入系统;
步骤2:对输入的fMRI图像进行时间层校正、头动校正、噪声去除、空间标准化和图像平滑五项预处理;
步骤3:把经过预处理的fMRI图像与AAL脑模板进行匹配,得到脑区作为脑网络的节点,计算每个节点的平均时间序列和所有节点间的皮尔逊相关系数,以节点间的皮尔逊系数作为边建立矩阵,将矩阵进行阈值化后建立脑网络;
步骤4:从建立的脑网络中提取出度中心性、介数中心性、聚类系数、效率、网页排名中心性、以及匹配特征六种特征,计算这些特征的曲线下面积作为特征集,并对其进行筛选得到高区分度的特征子集作为分类诊断时的输入特征;
步骤5:对于训练数据,将被试的上述特征子集及对应标签通过ELM算法训练分类器模型;对于待诊断数据,将被试的上述特征子集输入分类器中进行分析得到分类结果;
步骤6:输出轻度认知障碍辅助诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911162069.3A CN111009324B (zh) | 2019-11-25 | 2019-11-25 | 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911162069.3A CN111009324B (zh) | 2019-11-25 | 2019-11-25 | 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111009324A true CN111009324A (zh) | 2020-04-14 |
CN111009324B CN111009324B (zh) | 2023-11-28 |
Family
ID=70112889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911162069.3A Active CN111009324B (zh) | 2019-11-25 | 2019-11-25 | 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111009324B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233805A (zh) * | 2020-10-14 | 2021-01-15 | 河北工业大学 | 基于多图谱神经影像学数据进行生物标志物的挖掘方法 |
CN113080847A (zh) * | 2021-03-17 | 2021-07-09 | 天津大学 | 基于图的双向长短期记忆模型诊断轻度认知障碍的装置 |
CN113345572A (zh) * | 2021-05-13 | 2021-09-03 | 东南大学 | 基于荟萃分析的脑疾病判断系统和判断装置 |
CN113786185A (zh) * | 2021-09-18 | 2021-12-14 | 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 |
CN114334130A (zh) * | 2021-12-25 | 2022-04-12 | 浙江大学 | 一种基于脑对称性的pet分子影像计算机辅助诊断系统 |
CN114446466A (zh) * | 2021-12-22 | 2022-05-06 | 山东师范大学 | 基于表面形态学测量的认知障碍辅助诊断系统 |
CN114864051A (zh) * | 2022-07-06 | 2022-08-05 | 北京智精灵科技有限公司 | 一种基于神经网络的认知提升方法及系统 |
CN116386857A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市森盈智能科技有限公司 | 一种病理分析系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050215884A1 (en) * | 2004-02-27 | 2005-09-29 | Greicius Michael D | Evaluation of Alzheimer's disease using an independent component analysis of an individual's resting-state functional MRI |
CN103646183A (zh) * | 2013-12-24 | 2014-03-19 | 张擎 | 一种基于人工神经网络和多模态mri的阿尔茨海默病智能判别分析方法 |
CN110084381A (zh) * | 2019-04-22 | 2019-08-02 | 天津工业大学 | 一种基于权值特征属性融合与新型图核的脑网络分类方法 |
CN110459317A (zh) * | 2019-08-13 | 2019-11-15 | 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 |
-
2019
- 2019-11-25 CN CN201911162069.3A patent/CN111009324B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050215884A1 (en) * | 2004-02-27 | 2005-09-29 | Greicius Michael D | Evaluation of Alzheimer's disease using an independent component analysis of an individual's resting-state functional MRI |
CN103646183A (zh) * | 2013-12-24 | 2014-03-19 | 张擎 | 一种基于人工神经网络和多模态mri的阿尔茨海默病智能判别分析方法 |
CN110084381A (zh) * | 2019-04-22 | 2019-08-02 | 天津工业大学 | 一种基于权值特征属性融合与新型图核的脑网络分类方法 |
CN110459317A (zh) * | 2019-08-13 | 2019-11-15 | 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 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233805B (zh) * | 2020-10-14 | 2022-03-01 | 河北工业大学 | 基于多图谱神经影像学数据进行生物标志物的挖掘方法 |
CN112233805A (zh) * | 2020-10-14 | 2021-01-15 | 河北工业大学 | 基于多图谱神经影像学数据进行生物标志物的挖掘方法 |
CN113080847A (zh) * | 2021-03-17 | 2021-07-09 | 天津大学 | 基于图的双向长短期记忆模型诊断轻度认知障碍的装置 |
CN113345572B (zh) * | 2021-05-13 | 2024-03-15 | 东南大学 | 基于荟萃分析的脑疾病判断系统和判断装置 |
CN113345572A (zh) * | 2021-05-13 | 2021-09-03 | 东南大学 | 基于荟萃分析的脑疾病判断系统和判断装置 |
CN113786185A (zh) * | 2021-09-18 | 2021-12-14 | 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 |
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 |
CN114446466A (zh) * | 2021-12-22 | 2022-05-06 | 山东师范大学 | 基于表面形态学测量的认知障碍辅助诊断系统 |
CN114334130B (zh) * | 2021-12-25 | 2023-08-22 | 浙江大学 | 一种基于脑对称性的pet分子影像计算机辅助诊断系统 |
CN114334130A (zh) * | 2021-12-25 | 2022-04-12 | 浙江大学 | 一种基于脑对称性的pet分子影像计算机辅助诊断系统 |
CN114864051B (zh) * | 2022-07-06 | 2022-10-04 | 北京智精灵科技有限公司 | 一种基于神经网络的认知提升方法及系统 |
CN114864051A (zh) * | 2022-07-06 | 2022-08-05 | 北京智精灵科技有限公司 | 一种基于神经网络的认知提升方法及系统 |
CN116386857A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市森盈智能科技有限公司 | 一种病理分析系统及方法 |
CN116386857B (zh) * | 2023-06-07 | 2023-11-10 | 深圳市森盈智能科技有限公司 | 一种病理分析系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111009324B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111009324A (zh) | 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法 | |
Zanjani et al. | Stain normalization of histopathology images using generative adversarial networks | |
CN113616184B (zh) | 基于多模态磁共振图像的脑网络建模与个体预测方法 | |
Fedorov et al. | End-to-end learning of brain tissue segmentation from imperfect labeling | |
CN113040715A (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
CN111090764B (zh) | 基于多任务学习和图卷积神经网络的影像分类方法及装置 | |
Senan et al. | Classification of PH2 images for early detection of skin diseases | |
CN112418337B (zh) | 基于脑功能超网络模型的多特征融合数据分类方法 | |
CN112446891A (zh) | 基于U-Net网络脑胶质瘤的医学图像分割方法 | |
Mandache et al. | Basal cell carcinoma detection in full field OCT images using convolutional neural networks | |
CN112348059A (zh) | 基于深度学习的多种染色病理图像分类方法及系统 | |
CN115147600A (zh) | 基于分类器权重转换器的gbm多模态mr图像分割方法 | |
Obaid | An efficient systematized approach for the detection of cancer in kidney | |
CN115131503A (zh) | 一种虹膜三维识别的健康监测方法及其系统 | |
Kesuma et al. | Classification of Covid-19 Diseases Through Lung CT-Scan Image Using the ResNet-50 Architecture | |
El-Shafai et al. | An Efficient CNN-Based Automated Diagnosis Framework from COVID-19 CT Images. | |
SJ et al. | A Features Fusion Approach for Neonatal and Pediatrics Brain Tumor Image Analysis Using Genetic and Deep Learning Techniques. | |
Prajapati et al. | Un-supervised mri segmentation using self organised maps | |
Kanse et al. | HG-SVNN: harmonic genetic-based support vector neural network classifier for the glaucoma detection | |
Nurrahmadayeni et al. | Analysis of deep learning methods in diabetic retinopathy disease identification based on retinal fundus image | |
Santosh et al. | Ret-GAN: Retinal image enhancement using generative adversarial networks | |
CN113786185B (zh) | 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 | |
Eftekheri et al. | Microaneurysm detection in fundus images using a two-step convolutional neural networks | |
CN114224354A (zh) | 心律失常分类方法、装置及可读存储介质 | |
Jadah et al. | Breast Cancer Image Classification Using Deep Convolutional Neural Networks |
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 |