CN111414579B - 基于多角度相关关系获取脑区关联信息的方法和系统 - Google Patents
基于多角度相关关系获取脑区关联信息的方法和系统 Download PDFInfo
- Publication number
- CN111414579B CN111414579B CN202010103456.6A CN202010103456A CN111414579B CN 111414579 B CN111414579 B CN 111414579B CN 202010103456 A CN202010103456 A CN 202010103456A CN 111414579 B CN111414579 B CN 111414579B
- Authority
- CN
- China
- Prior art keywords
- feature
- vector
- brain
- magnetic resonance
- resonance image
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Multimedia (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
本发明涉及一种基于多角度相关关系获取脑区关联信息的方法和系统,直接基于提取的功能连接,先使用互信息进行形式的特征过滤,即在不改动连接值的情况下评估特征的相关度。当特征数目减少后再进行模型的训练和拟合,此时引入的不确定性会少很多。最后使用一种递归特征消除方法,即和模型相关度契合的递归特征消除方法计量通过过滤后的特征最后对模型的影响。
Description
技术领域
本发明涉及一种获取脑区关联信息的方法和系统,尤其涉及一种基于多角度相关关系获取脑区关联信息的方法和系统。
背景技术
自闭症谱系障碍(ASD)是一种神经发育障碍,以交际障碍、兴趣局限和行为重复刻板为特征。早期诊断及医疗干预,对改善患者的生活质量以及减少社会承担的经济负担至关重要。近年来使用静息态功能图像对自闭症展开研究的方案主要都是围绕皮尔森相关系数进行。通过对功能连接矩阵进行变换,从硬阈值转化为附加正则化项的软阈值,尽可能规避图像采集和图像处理过程中的噪声带来的伪连接。使用CCA方法(CanonicalCorrelation Analysis)来直接进行特征投影(Feature Projection)或融合其他模态特征。将功能连接矩阵继续进行皮尔森相关处理,进行更高阶的功能连接特征(FC Features)的提取。现有技术都是在基于皮尔森相关系数的连接矩阵的基础上展开研究,然后基于数学变换投影和矩阵迭代等操作。这一步步的迭代过程导致原始的特征-特征的相关性已经淡化。由于原始特征矩阵一般比较大,某些迭代方法引入的随机性可能导致模型最终权重收敛值的波动明显。
发明内容
本发明解决的技术问题是:提供一种基于多角度相关关系获取脑区关联信息的方法和系统,克服现有技术迭代过程导致原始的特征相关性淡化的技术问题。
本发明的技术方案是:提供一种基于多角度相关关系获取脑区关联信息的方法,包括如下步骤:
采集磁共振图像:采集脑部区域的磁共振图像;
对采集的磁共振图像进行预处理:对采集的磁共振图像进行预处理,包括对采集的磁共振图像中的干扰信息进行回归剔除、对采集的磁共振图像进行带通滤波处理、对采集的磁共振图像进行图像平滑处理、对采集的磁共振图像进行去除线性漂移处理中的一种或多种;
获取功能连接值:提取磁共振图像中定义的多个感兴趣脑功能区的血氧水平依赖信号时间序列,根据每个感兴趣脑功能区的血氧水平依赖信号序列,计算两两脑功能区信号序列的皮尔森相关系数作为功能连接值;
通过T检验进行特征过滤:将多个脑功能区的功能连接值构建成矩阵,提取主对角线右上部分展开成向量,将其作为单个样本对应的特征向量,将所述特征向量组成特征矩阵,该特征矩阵包括只含自闭症样本向量的第一特征矩阵和只含对照样本向量的第二特征矩阵;如果通过T检验判断为不接受特征k在自闭症样本的分布里的平均值与特征k在正常对照样本的分布里的平均值相同,则表明该特征在自闭症样本总体和对照样本总体间差距明显,该特征与自闭症具有很大的相关性;
通过互信息筛选进行特征过滤:通过互信息筛选方法筛选,即:按特征和类标号的互信息进行筛选,直到选定数目的特征被选中;
消除递归特征:通过支持向量机分类器消除递归特征,然后将向量从小到大输出得到无关脑区和相关脑区的信息。
本发明的进一步技术方案是:将多个脑功能区的功能连接值构建成矩阵,该矩阵以脑区为顶点,以功能连接为边的权重。
本发明的进一步技术方案是:自闭症样本的分布里的平均值和正常对照样本的分布里的平均值呈正态分布。
本发明的进一步技术方案是:通过T检验进行特征过滤时,对自闭症样本的分布里的平均值和正常对照样本的分布里的平均值使用独立双侧T检验。
本发明的进一步技术方案是:在消除递归特征步骤中,每次迭代去除一个特征完成训练。
本发明的进一步技术方案是:还包括获取相关脑区中特定连接的重要程度。
本发明的技术方案是:提供一种基于多角度相关关系获取脑区关联信息的系统,包括采集模块、预处理模块、功能连接值获取模块、T检验过滤模块、互信息筛选模块、递归特征消除模块,所述采集模块采集脑部区域的磁共振图像;所述预处理模块对采集的磁共振图像进行预处理,包括对采集的磁共振图像中的干扰信息进行回归剔除、对采集的磁共振图像进行带通滤波处理、对采集的磁共振图像进行图像平滑处理、对采集的磁共振图像进行去除线性漂移处理中的一种或多种;所述功能连接值获取模块提取磁共振图像中定义的多个感兴趣脑功能区的血氧水平依赖信号时间序列,根据每个感兴趣脑功能区的血氧水平依赖信号序列,计算两两脑功能区信号序列的皮尔森相关系数作为功能连接值;所述T检验过滤模块将多个脑功能区的功能连接值构建成矩阵,提取主对角线右上部分展开成向量,将其作为单个样本对应的特征向量,将所述特征向量组成特征矩阵,该特征矩阵包括只含自闭症样本向量的第一特征矩阵和只含对照样本向量的第二特征矩阵;如果通过T检验判断为不接受特征k在自闭症样本的分布里的平均值与特征k在正常对照样本的分布里的平均值相同,则表明该特征在自闭症样本总体和对照样本总体间差距明显,该特征与自闭症具有很大的相关性;所述互信息筛选模块通过互信息筛选方法筛选,即:按特征和类标号的互信息进行筛选,直到选定数目的特征被选中;所述递归特征消除模块通过支持向量机分类器消除递归特征,然后将向量从小到大输出得到无关脑区和相关脑区的信息。
本发明的进一步技术方案是:所述T检验过滤模块通过T检验进行特征过滤时,对自闭症样本的分布里的平均值和正常对照样本的分布里的平均值使用独立双侧T检验。
本发明的进一步技术方案是:所述递归特征消除模块每次迭代去除一个特征完成训练。
本发明的进一步技术方案是:所述T检验过滤模块进行T检验过滤时,自闭症样本的分布里的平均值和正常对照样本的分布里的平均值呈正态分布。
本发明的技术效果是:提供一种基于多角度相关关系获取脑区关联信息的方法及系统,基于多角度相关关系获取脑区关联信息的方法包括如下步骤:
采集磁共振图像:采集脑部区域的磁共振图像;对采集的磁共振图像进行预处理:对采集的磁共振图像进行预处理,包括对采集的磁共振图像中的干扰信息进行回归剔除、对采集的磁共振图像进行带通滤波处理、对采集的磁共振图像进行图像平滑处理、对采集的磁共振图像进行去除线性漂移处理中的一种或多种;获取功能连接值:提取磁共振图像中定义的多个感兴趣脑功能区的血氧水平依赖信号时间序列,根据每个感兴趣脑功能区的血氧水平依赖信号序列,计算两两脑功能区信号序列的皮尔森相关系数作为功能连接值;通过T检验进行特征过滤:将多个脑功能区的功能连接值构建成矩阵,提取主对角线右上部分展开成向量,将其作为单个样本对应的特征向量,将所述特征向量组成特征矩阵,该特征矩阵包括只含自闭症样本向量的第一特征矩阵和只含对照样本向量的第二特征矩阵;如果通过T检验判断为不接受特征k在自闭症样本的分布里的平均值与特征k在正常对照样本的分布里的平均值相同,则表明该特征在自闭症样本总体和对照样本总体间差距明显,该特征与自闭症具有很大的相关性;通过互信息筛选进行特征过滤:通过互信息筛选方法筛选,即:按特征和类标号的互信息进行筛选,直到选定数目的特征被选中;消除递归特征:通过支持向量机分类器消除递归特征,然后将向量从小到大输出得到无关脑区和相关脑区的信息。本发明直接基于提取的功能连接,先使用互信息进行形式的特征过滤,即在不改动连接值的情况下评估特征的相关度。当特征数目减少后再进行模型的训练和拟合,此时引入的不确定性会少很多。最后使用一种递归特征消除方法,即和模型相关度契合的递归特征消除方法计量通过过滤后的特征最后对模型的影响。
附图说明
图1为本发明血氧信号示意图。
图2为本发明相关系数矩阵示意图。
图3为本发明特征向量转换示意图。
图4为本发明特征矩阵转换示意图。
图5为本发明结构示意图。
具体实施方式
下面结合具体实施例,对本发明技术方案进一步说明。
本发明的技术方案是:提供一种基于多角度相关关系获取脑区关联信息的方法,包括如下步骤:
采集磁共振图像:对脑部区域进行磁共振扫描,采集脑部区域的磁共振图像。
对采集的磁共振图像进行预处理:对采集的磁共振图像进行预处理,包括对采集的磁共振图像中的干扰信息进行回归剔除、对采集的磁共振图像进行带通滤波处理、对采集的磁共振图像进行图像平滑处理、对采集的磁共振图像进行去除线性漂移处理中的一种或多种。
使用标准软件神经影像计算软件SPM8对静息态功能磁共振图像进行预处理,包括对采集的磁共振图像中的干扰信息进行回归剔除、对采集的磁共振图像进行带通滤波处理、对采集的磁共振图像进行图像平滑处理、对采集的磁共振图像进行去除线性漂移处理中的一种或多种。即:包括重采样并归一到标准MNI(Montreal Neurological Institute,简称:)空间、对原始变量的回归剔除、带通滤波、图像平滑和去线性漂移的处理。
获取功能连接值:提取磁共振图像中定义的多个感兴趣脑功能区的血氧水平依赖信号时间序列,根据每个感兴趣脑功能区的血氧水平依赖信号序列,计算两两脑功能区信号序列的皮尔森相关系数作为功能连接值。
如图1所示:本发明具体实施过程如下:使用SPM8软件,提取AAL模版定义的多个ROI(感兴趣脑功能区)的BOLD(血氧水平依赖)信号时间序列。根据每个ROI的BOLD信号序列,计算两两脑区信号序列的皮尔森相关系数Coff1,2,作为功能连接值。本技术方案中的多个感兴趣脑功能区,至少需要三个感兴趣脑功能区。
相关性计算公式:
其中:Coff1,2表示皮尔森相关系数,E表示求均值函数,Std表示求标准差函数,B1为第一血氧信号,B2为第二血氧信号。
通过T检验进行特征过滤:将多个脑功能区的功能连接值构建成矩阵,提取主对角线右上部分展开成向量,将其作为单个样本对应的特征向量,将所述特征向量组成特征矩阵,该特征矩阵包括只含自闭症样本向量的第一特征矩阵和只含对照样本向量的第二特征矩阵;如果通过T检验判断为不接受特征k在自闭症样本的分布里的平均值与特征k在正常对照样本的分布里的平均值相同,则表明该特征在自闭症样本总体和对照样本总体间差距明显,该特征与自闭症具有很大的相关性。
如图2所示,本发明具体实施例中,取116个ROI两两间的相关系数,得到116*116的相关系数矩阵M。矩阵第i行,第j列的元素Mi,j表示ROIi和ROIj的相关系数,即这两个脑区的连接值。此矩阵即为静息态全脑的全连接图,以脑区为顶点、功能连接为边的权重。
如图3所示,本发明具体实施例中,因为相关系数矩阵M为对称矩阵,提取主对角线右上部分展开成向量,向量所含元素个数为116*115/2=6670个;使用这6670个连接值作为单个样本提取的特征,即向量V为单个样本对应的特征向量。
如图4所示,本发明具体实施例中,对所有的样本(含自闭症和对照),根据计算的对应特征向量,将向量组合成特征矩阵;含所有样本向量的矩阵为X1,只含自闭症样本向量的矩阵为Xasd,只含对照样本向量的矩阵为Xtd。
对于矩阵Xasd和Xtd,特征k的取值由矩阵的第k列表示。对于特征k,假设其在自闭症样本总体和在对照样本总体的分布满足均值相同,方差未知但相同的正态分布(分布分别为:N(θ1,σ2)和N(θ2,σ2))。使用独立双侧T检验:
H0:θ1-θ2=0
检验问题
因为有6670个特征,对于每个特征,如果经过t检验判断为不接受H0,表明该特征在自闭症样本总体和对照样本总体间差距明显,与自闭症具有很大的相关性;选择这些特征,即挑选上述检验条件的列,从而把特征矩阵从X1降维成X2。
通过互信息筛选进行特征过滤:通过互信息筛选方法筛选,即:按特征和类标号的互信息进行筛选,直到选定数目的特征被选中。
按特征和类标号的互信息,按特征间的互信息选择特征;准则:最大化特征与类标号之间的相关性,而最小化特征与特征之间的相关性。
一般而言,随机变量X,Y的互信息的定义为:
算法描述:
输入:特征矩阵X2,标号向量label
输出:特征矩阵X3
(1)集合s初始化为空{}
(2)将X2按列拆分成向量集合t={vi},计算I(vi,label),将I值最大的vi从t移入集合s
(3)对于在t中的向量,计算I(vi,s)
(4)将具有max(I(vi,label)-I(vi,s))的vi从t移入集合s
(5)重复步骤(3)(4),直至选定数目的特征被选中
(6)将s按列组合成X3
消除递归特征:通过支持向量机分类器消除递归特征,然后将向量从小到大输出得到无关脑区和相关脑区的信息。
具体实施过程如下:使用向量机分类器作为分类器,向量机分类器训练权重评估特征在模型中的表现,在每次迭代中去除1个特征完成训练。
算法描述:
输入:特征矩阵X3,标号向量label
输出:特征重要度
(1)将X3按列拆分成向量集合t={vi},集合s初始化为空{}
(1)使用t和label训练svm模型clf(使用rbf核函数)
(2)计算权重w=SVs×coef,SVs表示支持向量组成的矩阵,coef为每个支持向量的系数组成的向量,SVs和coef通过clf访问,w为表示特征重要程度的向量,其中wi对应vi
(3)将具有最小wi的vi从t移入集合s
(4)重复步骤(2)(3),直至集合t为空
(5)特征的重要性按照向量移入集合s的顺序从小到大输出。
如图5所示,本发明的具体实施方式是:提供一种基于多角度相关关系获取脑区关联信息的系统,包括采集模块1、预处理模块2、功能连接值获取模块3、T检验过滤模块4、互信息筛选模块5、递归特征消除模块6,所述采集模块采集脑部区域的磁共振图像;所述预处理模块对采集的磁共振图像进行预处理,包括对采集的磁共振图像中的干扰信息进行回归剔除、对采集的磁共振图像进行带通滤波处理、对采集的磁共振图像进行图像平滑处理、对采集的磁共振图像进行去除线性漂移处理中的一种或多种;所述功能连接值获取模块提取磁共振图像中定义的多个感兴趣脑功能区的血氧水平依赖信号时间序列,根据每个感兴趣脑功能区的血氧水平依赖信号序列,计算两两脑功能区信号序列的皮尔森相关系数作为功能连接值;所述T检验过滤模块将多个脑功能区的功能连接值构建成矩阵,提取主对角线右上部分展开成向量,将其作为单个样本对应的特征向量,将所述特征向量组成特征矩阵,该特征矩阵包括只含自闭症样本向量的第一特征矩阵和只含对照样本向量的第二特征矩阵;如果通过T检验判断为不接受特征k在自闭症样本的分布里的平均值与特征k在正常对照样本的分布里的平均值相同,则表明该特征在自闭症样本总体和对照样本总体间差距明显,该特征与自闭症具有很大的相关性;所述互信息筛选模块通过互信息筛选方法筛选,即:按特征和类标号的互信息进行筛选,直到选定数目的特征被选中;所述递归特征消除模块通过支持向量机分类器消除递归特征,然后将向量从小到大输出得到无关脑区和相关脑区的信息。
具体实施过程如下:
如图1所示:本发明具体实施过程如下:使用SPM8软件,提取AAL模版定义的多个ROI(感兴趣脑功能区)的BOLD(血氧水平依赖)信号时间序列。根据每个ROI的BOLD信号序列,计算两两脑区信号序列的皮尔森相关系数Coff1,2,作为功能连接值。本技术方案中的多个感兴趣脑功能区,至少需要三个感兴趣脑功能区。
相关性计算公式:
其中:Coff1,2表示皮尔森相关系数,E表示求均值函数,Std表示求标准差函数,B1为第一血氧信号,B2为第二血氧信号。
如图2所示,本发明具体实施例中,取116个ROI两两间的相关系数,得到116*116的相关系数矩阵M。矩阵第i行,第j列的元素Mi,j表示ROIi和ROIj的相关系数,即这两个脑区的连接值。此矩阵即为静息态全脑的全连接图,以脑区为顶点、功能连接为边的权重。
如图3所示,本发明具体实施例中,因为相关系数矩阵M为对称矩阵,提取主对角线右上部分展开成向量,向量所含元素个数为116*115/2=6670个;使用这6670个连接值作为单个样本提取的特征,即向量V为单个样本对应的特征向量。
如图4所示,本发明具体实施例中,对所有的样本(含自闭症和对照),根据计算的对应特征向量,将向量组合成特征矩阵;含所有样本向量的矩阵为X1,只含自闭症样本向量的矩阵为Xasd,只含对照样本向量的矩阵为Xtd。
对于矩阵Xasd和Xtd,特征k的取值由矩阵的第k列表示。对于特征k,假设其在自闭症样本总体和在对照样本总体的分布满足均值相同,方差未知但相同的正态分布(分布分别为:N(θ1,σ2)和N(θ2,σ2))。使用独立双侧T检验:
H0:θ1-θ2=0
检验问题
因为有6670个特征,对于每个特征,如果经过t检验判断为不接受H0,表明该特征在自闭症样本总体和对照样本总体间差距明显,与自闭症具有很大的相关性;选择这些特征,即挑选上述检验条件的列,从而把特征矩阵从X1降维成X2。
按特征和类标号的互信息,按特征间的互信息选择特征;准则:最大化特征与类标号之间的相关性,而最小化特征与特征之间的相关性。
一般而言,随机变量X,Y的互信息的定义为:
算法描述:
输入:特征矩阵X2,标号向量label
输出:特征矩阵X3
(1)集合s初始化为空{}
(2)将X2按列拆分成向量集合t={vi},计算I(vi,label),将I值最大的vi从t移入集合s
(3)对于在t中的向量,计算I(vi,s)
(4)将具有max(I(vi,label)-I(vi,s))的vi从t移入集合s
(5)重复步骤(3)(4),直至选定数目的特征被选中
(6)将s按列组合成X3
使用向量机分类器作为分类器,向量机分类器训练权重评估特征在模型中的表现,在每次迭代中去除1个特征完成训练。
算法描述:
输入:特征矩阵X3,标号向量label
输出:特征重要度
(1)将X3按列拆分成向量集合t={vi},集合s初始化为空{}
(1)使用t和label训练svm模型clf(使用rbf核函数)
(2)计算权重w=SVs×coef,SVs表示支持向量组成的矩阵,coef为每个支持向量的系数组成的向量,SVs和coef通过clf访问,w为表示特征重要程度的向量,其中wi对应vi
(3)将具有最小wi的vi从t移入集合s
(4)重复步骤(2)(3),直至集合t为空
(5)特征的重要性按照向量移入集合s的顺序从小到大输出。
静息态功能连接,是一种根据静息态功能磁共振脑图像,建立的脑区连接网络。通过对功能连接网络进行研究,研究人员能发现和定位潜在异常脑区,从而揭示精神疾的发病机理。
本发明以相关关系为着眼点,使用多角度,线性及非线性的相关度量指标,考察特征、标号和模型三者的联系。基于静息态功能连接网络,以脑区连接强度为特征,以机器学习领域的特征工程为手段,结合假设检验、互信息等统计学理论,构建一套使用多角度相关关系研究自闭症谱系障碍相关脑区的方法。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于多角度相关关系获取脑区关联信息的方法,包括如下步骤:
采集脑部区域的磁共振图像;
对采集的磁共振图像进行预处理,包括对采集的磁共振图像中的干扰信息进行回归剔除、对采集的磁共振图像进行带通滤波处理、对采集的磁共振图像进行图像平滑处理、对采集的磁共振图像进行去除线性漂移处理中的一种或多种;
提取磁共振图像中定义的多个感兴趣脑功能区的血氧水平依赖信号时间序列,根据每个感兴趣脑功能区的血氧水平依赖信号序列,计算两两脑功能区信号序列的皮尔森相关系数作为功能连接值,
其中:Coff1,2表示皮尔森相关系数,E表示求均值函数,Std表示求标准差函数,B1为第一血氧信号,B2为第二血氧信号;
将多个脑功能区的功能连接值构建成矩阵,提取主对角线右上部分展开成向量,将其作为单个样本对应的特征向量,将所述特征向量组成特征矩阵,该特征矩阵包括只含自闭症样本向量的第一特征矩阵和只含对照样本向量的第二特征矩阵;如果通过T检验判断为不接受特征k在自闭症样本的分布里的平均值与特征k在正常对照样本的分布里的平均值相同,则表明该特征在自闭症样本总体和对照样本总体间差距明显,该特征与自闭症具有很大的相关性;
通过互信息筛选进行特征过滤,按特征和类标号的互信息进行筛选,直到选定数目的特征被选中,得到特征矩阵X3;
通过支持向量机分类器消除递归特征,将X3按列拆分成向量集合t={vi},集合s初始化为空,使用t和label训练svm模型,计算权重w=SVs×coef,SVs表示支持向量组成的矩阵,label表示标号向量,向量集合t={vi},coef为每个支持向量的系数组成的向量,w为表示特征重要程度的向量,其中wi对应vi,将具有最小wi的vi从t移入集合s,直至集合t为空,然后将特征的重要性按照向量移入集合s的顺序从小到大输出得到无关脑区和相关脑区的信息。
2.根据权利要求1所述基于多角度相关关系获取脑区关联信息的方法,其特征在于,将多个脑功能区的功能连接值构建成矩阵,该矩阵以脑区为顶点,以功能连接为边的权重。
3.根据权利要求1所述基于多角度相关关系获取脑区关联信息的方法,其特征在于,自闭症样本的分布里的平均值和正常对照样本的分布里的平均值呈正态分布。
4.根据权利要求1所述基于多角度相关关系获取脑区关联信息的方法,其特征在于,通过T检验进行特征过滤时,对自闭症样本的分布里的平均值和正常对照样本的分布里的平均值使用独立双侧T检验。
5.根据权利要求1所述基于多角度相关关系获取脑区关联信息的方法,其特征在于,在消除递归特征步骤中,每次迭代去除一个特征完成训练。
6.根据权利要求1所述基于多角度相关关系获取脑区关联信息的方法,其特征在于,还包括获取相关脑区中特定连接的重要程度。
7.一种基于多角度相关关系获取脑区关联信息的系统,其特征如下,包括采集模块、预处理模块、功能连接值获取模块、T检验过滤模块、互信息筛选模块、递归特征消除模块,所述采集模块采集脑部区域的磁共振图像;所述预处理模块对采集的磁共振图像进行预处理,包括对采集的磁共振图像中的干扰信息进行回归剔除、对采集的磁共振图像进行带通滤波处理、对采集的磁共振图像进行图像平滑处理、对采集的磁共振图像进行去除线性漂移处理中的一种或多种;所述功能连接值获取模块提取磁共振图像中定义的多个感兴趣脑功能区的血氧水平依赖信号时间序列,根据每个感兴趣脑功能区的血氧水平依赖信号序列,计算两两脑功能区信号序列的皮尔森相关系数作为功能连接值,
其中:Coff1,2表示皮尔森相关系数,E表示求均值函数,Std表示求标准差函数,B1为第一血氧信号,B2为第二血氧信号;
所述T检验过滤模块将多个脑功能区的功能连接值构建成矩阵,提取主对角线右上部分展开成向量,将其作为单个样本对应的特征向量,将所述特征向量组成特征矩阵,该特征矩阵包括只含自闭症样本向量的第一特征矩阵和只含对照样本向量的第二特征矩阵;如果通过T检验判断为不接受特征k在自闭症样本的分布里的平均值与特征k在正常对照样本的分布里的平均值相同,则表明该特征在自闭症样本总体和对照样本总体间差距明显,该特征与自闭症具有很大的相关性;所述互信息筛选模块通过互信息筛选方法筛选,即:按特征和类标号的互信息进行筛选,直到选定数目的特征被选中,得到特征矩阵X3;所述递归特征消除模块通过支持向量机分类器消除递归特征,将X3按列拆分成向量集合t={vi},集合s初始化为空,使用t和label训练svm模型,计算权重w=SVs×coef,SVs表示支持向量组成的矩阵,label表示标号向量,向量集合t={vi},coef为每个支持向量的系数组成的向量,w为表示特征重要程度的向量,其中wi对应vi,将具有最小wi的vi从t移入集合s,直至集合t为空,然后将特征的重要性按照向量移入集合s的顺序从小到大输出得到无关脑区和相关脑区的信息。
8.根据权利要求7所述基于多角度相关关系获取脑区关联信息的系统,其特征在于,所述T检验过滤模块通过T检验进行特征过滤时,对自闭症样本的分布里的平均值和正常对照样本的分布里的平均值使用独立双侧T检验。
9.根据权利要求7所述基于多角度相关关系获取脑区关联信息的系统,其特征在于,所述递归特征消除模块每次迭代去除一个特征完成训练。
10.根据权利要求7所述基于多角度相关关系获取脑区关联信息的系统,其特征在于,所述T检验过滤模块进行T检验过滤时,自闭症样本的分布里的平均值和正常对照样本的分布里的平均值呈正态分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103456.6A CN111414579B (zh) | 2020-02-19 | 2020-02-19 | 基于多角度相关关系获取脑区关联信息的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103456.6A CN111414579B (zh) | 2020-02-19 | 2020-02-19 | 基于多角度相关关系获取脑区关联信息的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111414579A CN111414579A (zh) | 2020-07-14 |
CN111414579B true CN111414579B (zh) | 2023-05-23 |
Family
ID=71492686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010103456.6A Active CN111414579B (zh) | 2020-02-19 | 2020-02-19 | 基于多角度相关关系获取脑区关联信息的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414579B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160890A (zh) * | 2021-03-13 | 2021-07-23 | 安徽师范大学 | 一种自适应基因调控网格构建方法及装置 |
CN116898401B (zh) * | 2023-07-17 | 2024-02-02 | 燕山大学 | 基于联合递归量化的孤独症谱系障碍亚型分类方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017210873A1 (zh) * | 2016-06-08 | 2017-12-14 | 中国科学院自动化研究所 | 基于磁共振影像的脑疾病个体化预测方法和系统 |
CN108229066A (zh) * | 2018-02-07 | 2018-06-29 | 北京航空航天大学 | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2992823B1 (en) * | 2013-05-01 | 2021-06-30 | Advanced Telecommunications Research Institute International | Brain activity training device |
CN106295709A (zh) * | 2016-08-18 | 2017-01-04 | 太原理工大学 | 基于多尺度脑网络特征的功能磁共振影像数据分类方法 |
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 |
CN110097968B (zh) * | 2019-03-27 | 2020-06-30 | 中国科学院自动化研究所 | 基于静息态功能磁共振影像的婴儿脑龄预测方法、系统 |
CN109993230B (zh) * | 2019-04-04 | 2023-04-18 | 江南大学 | 一种面向脑功能磁共振图像分类的tsk模糊系统建模方法 |
CN109948740A (zh) * | 2019-04-26 | 2019-06-28 | 中南大学湘雅医院 | 一种基于静息态脑影像的分类方法 |
CN110444248B (zh) * | 2019-07-22 | 2021-09-24 | 山东大学 | 基于网络拓扑参数的癌症生物分子标志物筛选方法及系统 |
-
2020
- 2020-02-19 CN CN202010103456.6A patent/CN111414579B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017210873A1 (zh) * | 2016-06-08 | 2017-12-14 | 中国科学院自动化研究所 | 基于磁共振影像的脑疾病个体化预测方法和系统 |
CN108229066A (zh) * | 2018-02-07 | 2018-06-29 | 北京航空航天大学 | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111414579A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886273B (zh) | 一种cmr图像分割分类系统 | |
Kazemi et al. | A deep learning pipeline to classify different stages of Alzheimer's disease from fMRI data | |
US20230301542A1 (en) | Brain atlas individualization method and system based on magnetic resonance and twin graph neural network | |
CN110236543B (zh) | 基于深度学习的阿尔茨海默病多分类诊断系统 | |
CN109522894B (zh) | 一种探测fMRI脑网络动态协变的方法 | |
Dey et al. | Healthy and unhealthy rat hippocampus cells classification: A neural based automated system for Alzheimer disease classification | |
CN111009324B (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 | |
CN111414579B (zh) | 基于多角度相关关系获取脑区关联信息的方法和系统 | |
CN113888412B (zh) | 一种用于糖尿病视网膜病变分类的图像超分辨率重建方法 | |
CN117172294B (zh) | 一种稀疏脑网络的构建方法、系统、设备和存储介质 | |
CN114170478A (zh) | 基于跨图像局部特征对齐的缺陷检测、定位的方法及系统 | |
CN112861958A (zh) | 对肾脏病免疫荧光图片进行识别分类的方法及装置 | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
CN113052800B (zh) | 一种阿尔茨海默症影像分析方法与装置 | |
CN113143247A (zh) | 一种大脑功能超网络的构建方法 | |
CN116030063B (zh) | Mri图像的分类诊断系统、方法、电子设备及介质 | |
Fournel et al. | Group analysis of self-organizing maps based on functional MRI using restricted Frechet means | |
KR102317713B1 (ko) | 기능적 연결성을 사용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치 | |
CN114821205B (zh) | 一种基于多维特征的图像处理方法、装置及设备 | |
Qendro et al. | High frequency eeg artifact detection with uncertainty via early exit paradigm | |
Jabason et al. | Missing Structural and Clinical Features Imputation for Semi-supervised Alzheimer's Disease Classification using Stacked Sparse Autoencoder | |
CN113255789B (zh) | 基于对抗网络和多被试脑电信号的视频质量评价方法 | |
CN110189299B (zh) | 一种基于MobileNet的脑血管事件自动识别方法及系统 | |
CN114266738A (zh) | 轻度脑损伤磁共振影像数据的纵向分析方法及系统 | |
CN110458058B (zh) | 表情的识别方法和装置 |
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 |