CN112043273B - 一种脑影像数据处理方法、装置、设备以及存储介质 - Google Patents

Abstract

本发明公开了一种脑影像数据处理方法、装置、设备以及存储介质，所述方法包括获取待处理的脑影像数据和对照组脑影像数据；对所述待处理的脑影像数据和所述对照组脑影像数据分别进行特征提取，得到第一待检测特征和第一待训练特征；对所述第一待检测特征和所述第一待训练特征分别进行特征选择，得到第二待检测特征和第二待训练特征；根据所述第二待训练特征构建支持向量机分类模型；根据所述第二待检测特征和所述支持向量机分类模型得到处理结果。本发明提供的脑影像数据处理方法，可精确分析出脑影像数据中的异常样本，提高了分析精度和准确率，且该方法简单，数据易于获取，提高了检查效率。

Description

一种脑影像数据处理方法、装置、设备以及存储介质

技术领域

本发明属于医疗设备技术领域，具体涉及一种脑影像数据处理方法、装置、设备以及存储介质。

背景技术

随着科技的发展，计算机技术已经被应用到了各个学科领域，且对人们的日常生活产生了很多积极影响。其中，医学影像学作为一门新兴的现代医学学科，其不仅扩大了检查范围，还提高了检查效率。

克罗恩病(Crohn Disease，CD)是一种原因不明的肠道炎症性疾病，在胃肠道的任何部位均可发生，但好发于末端回肠和右半结肠。本病和慢性非特异性溃疡性结肠炎两者统称为炎症性肠病(IBD)，主要症状和体征表现为腹痛、慢性腹泻、体重减轻和疲劳。克罗恩病造成反复发作的肠道发炎会导致生活质量低下和心理压力较大。目前，现有技术已证明了IBD活性和心理障碍具有双向作用，一些研究人员也提出了脑肠轴(BGA)的概念，其中，脑在压力处理中起着关键作用。而对于脑影像数据的处理分析直接关系到检查结果。

目前，现有的脑影像数据在进行数据分析处理时，对其中的一些异常样本无法精确地分析出来，使得分析结果不够准确，此时，便需要结合其他方面如临床表现、内镜以及病理组织学等进行综合分析，其过程较为复杂，尤其是内窥镜检查还会给患者带来一定程度的痛苦。因此，提高脑影像数据处理方法的效率及数据分析精度对于现代医学发展有着重要意义。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种脑影像数据处理方法、装置、设备以及存储介质。本发明要解决的技术问题通过以下技术方案实现：

一种脑影像数据处理方法，包括：

获取待处理的脑影像数据和对照组脑影像数据；

对所述待处理的脑影像数据和所述对照组脑影像数据分别进行特征提取，得到第一待检测特征和第一待训练特征；

对所述第一待检测特征和所述第一待训练特征分别进行特征选择，得到第二待检测特征和第二待训练特征；

根据所述第二待训练特征构建支持向量机分类模型；

根据所述第二待检测特征和所述支持向量机分类模型得到处理结果。

在本发明的一个实施例中，所述待处理的脑影像数据和所述对照组脑影像数据均为功能性核磁共振脑影像。

在本发明的一个实施例中，对所述待检测个体脑影像数据和所述对照组脑影像数据分别进行特征提取，得到第一待检测特征和第一待训练特征，包括：

对所述待处理的脑影像数据进行分析，计算所述待处理的脑影像数据中每个脑区的功能磁共振低频振幅、脑区之间的局部一致性以及脑区之间的功能连接度，得到第一待检测特征；

相应的，对所述对照组脑影像数据进行分析，计算所述对照组脑影像数据中每个脑区的功能磁共振低频振幅、脑区之间的局部一致性以及脑区之间的功能连接度，得到第一待训练特征。

在本发明的一个实施例中，对所述第一待检测特征和所述第一待训练特征分别进行特征选择，得到第二待检测特征和第二待训练特征，包括：

通过双样本t检验分别对所述第一待检测特征和所述第一待训练特征进行特征选择，得到第三待检测特征和第三待训练特征；

通过回归模型分别对所述第三待检测特征和所述第三待训练特征进行特征选择，得到第二待检测特征和第二待训练特征。

在本发明的一个实施例中，通过双样本t检验分别对所述第一待检测特征和所述第一待训练特征进行特征选择，得到第三待检测特征和第三待训练特征，包括：

根据双样本t检验方法，计算所述第一待训练特征中异常样本组和非异常样本组之间功能连接度特征的p值；

根据计算得到的p值分别对所述第一待检测特征和所述第一待训练特征中p值大于预设阈值的功能连接度特征进行过滤，得到第三待检测特征和第三待训练特征。

在本发明的一个实施例中，通过回归模型分别对所述第三待检测特征和所述第三待训练特征进行特征选择，得到第二待检测特征和第二待训练特征，包括：

根据所述第三待训练特征，构建多个LASSO回归特征选择模型；

采用十折交叉验证法对所述多个LASSO回归特征选择模型进行验证，确定最优LASSO回归特征选择模型；

根据所述最优LASSO回归特征选择模型分别对所述第三待检测特征和所述第三待训练特征进行特征选择，得到第二待检测特征和第二待训练特征。

在本发明的一个实施例中，根据所述第二待训练特征构建支持向量机分类模型，包括：

根据所述第二待训练特征构建多个初级支持向量机分类模型；

对所述多个初级支持向量机分类模型进行分类能力评估得到支持向量机分类模型。

本发明的另一个实施例提供了一种脑影像数据处理装置，包括：

数据采集模块，用于获取待处理的脑影像数据和对照组脑影像数据；

特征提取模块，连接所述数据采集模块，用于对所述待检测个体脑影像数据和所述对照组脑影像数据分别进行特征提取，得到第一待检测特征和第一待训练特征；

特征选择模块，连接所述特征提取模块，用于对所述第一待检测特征和所述第一待训练特征分别进行特征选择，得到第二待检测特征和第二待训练特征；

模型建立模块，连接所述特征选择模块，用于根据所述第二待训练特征构建支持向量机分类模型；

数据分析模块，连接所述特征选择模块和所述模型建立模块，用于根据所述第二待检测特征和所述支持向量机分类模型得到分析结果。

本发明的又一个实施例提供了一种脑影像数据处理设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现上述实施例所述的方法步骤。

本发明的再一个实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例所述的方法步骤。

本发明的有益效果：

1、本发明提供的脑影像数据处理方法通过对待处理的脑影像数据和对照组脑影像数据进行提取特征，然后使用特征选择方法过滤部分特征，再建立支持向量机分类模型，最后将待测样本的待测特征组合输入支持向量机分类模型得到处理结果，其可以精确地分析出脑影像数据中的异常情况，得到较准确的分析结果；

2、本发明提供的脑影像数据分析装置可用在医疗设备上，其能够较快的为医生提供精确地检查结果以供参考；此外，该方法简单，且脑影像数据易于获取，提高了检查效率。

以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

图1是本发明实施例提供的一种脑影像数据处理方法的流程示意图；

图2是本发明实施例提供的支持向量机分类模型交叉验证实施方式示意图；

图3是本发明实施例提供的一种脑影像数据处理装置的结构示意图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

实施例一

请参见图1，图1是本发明实施例提供的一种脑影像数据处理方法的流程示意图，包括：

S1：获取待处理的脑影像数据和对照组脑影像数据。

在本实施例中，待处理的影像数据和对照组脑影像数据均为功能性核磁共振脑影像。

具体地，本实施例通过功能性核磁共振成像获得待处理的脑影像数据和对照组脑影像数据时，还需要先对待处理的脑影像和对照脑影像进行预处理。在预处理时，要先将功能性核磁共振脑影像的前5个时间序列去除以避免信号不稳定并使受试者适应扫描噪声，再对脑影像进行事件曾校正以及头部运动校正，在基于记录的运动校正时，将被测试个体在每个方向上的最大平移设置为2mm，并且对被测个体在功能性核磁共振成像期间的最大角运动设置为2°；将全部功能图像标准化到MNI152模板，并用各向同性高斯核(半高全宽[FWHM]＝4mm)平滑以去除功能性核磁共振脑影像的线性趋势；使用时间滤波器降低功能性核磁共振脑影像的低频漂移和高频生理噪声；使用白质和脑脊液作为协变量进行滋扰回归，最终得到待处理的脑影像数据和对照组脑影像数据，其中，对照组脑影像数据的样本包括异常样本组和非异常样本组两部分。

S2：对待处理的脑影像数据和对照组脑影像数据分别进行特征提取，得到第一待检测特征和第一待训练特征，具体包括：

S21：对待处理的脑影像数据进行分析，计算待处理的脑影像数据中每个脑区的功能磁共振低频振幅(ALFF)、脑区之间的局部一致性(ReHo)以及脑区之间的功能连接度(FC)，得到第一待检测特征。

S22：对对照组脑影像数据进行分析，计算对照组脑影像数据中每个脑区的功能磁共振低频振幅、脑区之间的局部一致性以及脑区之间的功能连接度，得到第一待训练特征。

具体地，首先基于已有的AAL模板计算待处理的脑影像数据中的ALFF和ReHo，然后再根据皮尔森相关系数计算参数FC，将所得的参数ALFF、ReHo以及FC作为特征值，得到第一待检测特征。

相应的，对对照组脑影像数据采用同样的方法计算其参数ALFF、ReHo以及FC，并作为第一待训练特征。

在本实施例中，由于对照组脑影像数据包括异常样本组和非异常样本组，因此，第一待训练特征也包括异常样本组和非异常样本组。

S3：对第一待检测特征和第一待训练特征分别进行特征选择，得到第二待检测特征和第二待训练特征，具体包括：

S31：通过双样本t检验分别对第一待检测特征和第一待训练特征进行特征选择，得到第三待检测特征和第三待训练特征。

首先，根据双样本t检验方法，计算第一待训练特征中异常样本组和非异常样本组之间功能连接度特征的p值。

具体地，将所提取的第一待训练特征中的功能连接度特征矩阵的每个单独特征进行异常样本和非异常样本之间p值计算，对每个单独特征进行异常样本和非异常样本分离，在Scipy科学计算库中调用ttest_ind函数，对每个单独特征计算这两个样本集合之间的p值。

然后，根据计算得到的p值分别对第一待检测特征和第一待训练特征中p值大于预设阈值的功能连接度特征进行过滤，得到第三待检测特征和第三待训练特征。

具体地，根据Scipy科学计算库得到p值后，划定p值待选阈值，一般默认阈值选择包括0.01、0.05、0.001等。设定好阈值之后，对第一待训练特征中大于该阈值的特征进行删除，将小于该阈值的特征重新进行组合，得到第三待训练特征，也即经过双样本t检验的待训练特征。

相应的，采用同样的方法和相同的阈值对第一待检测特征进行处理，得到第三待检测特征，也即经过双样本t检验的待检测特征。

S32：通过回归模型分别对第三待检测特征和第三待训练特征进行特征选择，得到第二待检测特征和第二待训练特征。

首先，根据第三待训练特征，构建多个LASSO回归特征选择模型。具体地，将第三待训练特征进行拼接，以拼接后的特征矩阵作为输入，患病样本组和健康样本组的类别作为标签，在Scikit-learn机器学习库中调用LASSO回归函数构建多个特征选择模型，并通过交叉验证选择最佳LASSO回归特征选择模型，通过剔除特征之间相关性较高的特征来优化特征数量，也即对于相互之间存在线性关系的特征组合，保留特征组合中的一个，其余特征进行滤除，以此来优化特征数量。

然后，采用十折交叉验证法对多个LASSO回归特征选择模型进行验证，确定最优LASSO回归特征选择模型。

具体地，在本实施例中，设置对照组有105例样本，其中，异常样本组中有65例样本，非异常对照组中有40例样本，使用十折交叉验证来网格搜索最佳惩罚参数，随即确定最优LASSO回归特征选择模型，具体如下：

(1)将对照组样本(65例异常样本个体，40例非异常样本)随机以9:1的比例划分为十折(D1、D2、D3、D4、D5、D6、D7、D8、D9、D10)。

(2)设置多个LASSO回归模型的惩罚参数，每个惩罚参数作为一个独立的LASSO回归特征选择模型，作为网格搜索法的独立模型。

(3)使用其中一个LASSO回归模型，轮流将九折作为训练集构建回归模型，以一折作为验证集评估模型。以添加L1正则项的最小二乘法损失值作为评估指标，使用坐标下降法求解LASSO回归模型。

(4)重复步骤(3)十次，每一折都作为一次验证集，最终平均十次的评估指标作为该惩罚参数所代表的LASSO回归模型。

(5)对每个惩罚参数所代表的模型都使用上述步骤进行性能评估，最终选择评估指标最优的模型作为最优LASSO回归特征选择模型。

最后，根据最优LASSO回归特征选择模型分别对第三待检测特征和第三待训练特征进行特征选择，得到第二待检测特征和第二待训练特征。

具体地，将第三待检测特征和第三待训练特征中最优LASSO回归特征选择模型代表的惩罚参数作为最终参数，得到第二待检测特征和第二待训练特征，也即经过两次特征选择后的待检测特征和待训练特征。

S4：根据第二待训练特征构建支持向量机分类模型，包括：

S41：根据第二待训练特征构建多个初级支持向量机分类模型。

具体地，将经过特征选择的待训练特征重新进行排列组成新的特征矩阵作为输入，异常样本组和非异常样本组的类别属性作为标签，使用Scikit-learn机器学习库中支持向量机模型，构建多个初级支持向量机分类模型。

S42：对多个初级支持向量机分类模型进行分类能力评估得到支持向量机分类模型。

优选的，本实施例采用交叉验证框架评估各初级支持向量机分类模型。请参见图2，图2是本发明实施例提供的支持向量机分类模型交叉验证实施方式示意图；使用十折交叉验证框架网格搜索支持向量机分类模型最佳参数组合(gamma，c)，随即确定最佳支持向量机分类模型。具体如下：

(a)将对照组样本(包括65例异常样本，40例非异常样本)以3:1的比例随机划分为训练集和测试集，同时保证训练集和测试集中的异常样本与非异常样本的比例相同，即训练集中包含49例异常样本、16例非异常样本，测试集中包含30例异常样本、10例非异常样本。

(b)设置多个参数gamma和参数c的参数组合，每种参数组合作为一个独立的支持向量机分类模型，作为网格搜索法的独立模型。

(c)将训练集随机以9:1的比例划分为十折(D1、D2、D3、D4、D5、D6、D7、D8、D9、D10)。

(d)轮流将十折中的一折作为验证集，另外九折作为训练集，以分类准确度accuracy作为分类效果评估指标，评估每个独立的支持向量机分类模型分类效果。

(e)重复步骤(d)十次，每一折都作为一次验证集，最终平均十次的评估指标作为该参数组合所代表的支持向量机分类模型。

(f)对每种参数组合所代表的模型都使用上述步骤进行分类效果评估，最终选择分类准确度accuracy最高的模型代表的参数组合作为最终支持向量机分类模型。

(g)将最终确定的支持向量机分类模型在测试集上进行分类，获得分类评估指标作为该分类模型最终的分类效果指标。

S5：根据第二待检测特征和支持向量机分类模型得到处理结果。

具体地，将第二待检测特征组合输入步骤S4得到的支持向量机分类模型，可以得到待处理的脑影像数据的处理结果，并根据结果判断数据为异常数据或者非异常数据。

本实施例提供的脑影像数据处理方法通过对待处理的脑影像数据和对照组脑影像数据进行提取特征，然后使用特征选择方法过滤部分特征，再建立支持向量机分类模型，最后将待测样本的待测特征组合输入支持向量机分类模型得到处理结果，其可以精确地分析出脑影像数据中的异常情况，准确率较高。

实施例二

在上述实施例一的基础上，本实施例提供了一种脑影像数据处理装置，请参见图3，图3是本发明实施例提供的一种脑影像数据处理装置的结构示意图，其包括：

数据采集模块1，用于获取待处理的脑影像数据和对照组脑影像数据；

特征提取模块2，连接数据采集模块1，用于对待处理的脑影像数据和对照组脑影像数据分别进行特征提取，得到第一待检测特征和第一待训练特征；

特征选择模块3，连接特征提取模块2，用于对第一待检测特征和第一待训练特征分别进行特征选择，得到第二待检测特征和第二待训练特征；

模型建立模块4，连接特征选择模块3，用于根据第二待训练特征构建支持向量机分类模型；

数据分析模块5，连接特征选择模块3和模型建立模块4，用于根据第二待检测特征和支持向量机分类模型得到处理结果。

进一步地，特征提取模块2包括第一数据分析计算单元21和第二数据分析计算单元22，其中，

第一数据分析计算单元21用于对待处理的脑影像数据进行分析，计算待处理的脑影像数据中每个脑区的功能磁共振低频振幅、脑区之间的局部一致性以及脑区之间的功能连接度，得到第一待检测特征；

第二数据分析计算单元22用于对对照组脑影像数据进行分析，计算对照组脑影像数据中每个脑区的功能磁共振低频振幅、脑区之间的局部一致性以及脑区之间的功能连接度，得到第一待训练特征。

进一步地，特征选择模块3包括双样本t检验单元31和LASSO回归特征选择单元32，其中，

双样本t检验单元31用于通过双样本t检验分别对第一待检测特征和第一待训练特征进行特征选择，得到第三待检测特征和第三待训练特征；

LASSO回归特征选择单元32用于通过回归模型分别对第三待检测特征和第三待训练特征进行特征选择，得到第二待检测特征和第二待训练特征。

进一步地，模型建立模块4包括初级模型构建单元41和初级模型评估单元42，其中，

初级模型构建单元41用于根据第二待训练特征构建多个初级支持向量机分类模型；

初级模型评估单元42用于对多个初级支持向量机分类模型进行分类能力评估得到支持向量机分类模型。

本实施例提供的脑影像数据处理装置可实现上述实施例一所述的脑影像数据处理方法，具体过程在此不再赘述。

实施例三

在上述实施例一的基础上，本实施例还提供了一种脑影像数据处理设备，其包括处理器和存储器，存储器中存储有计算机程序，处理器执行所述计算机程序时，可实现上述实施例一所述的方法步骤。

实施例四

在上述实施例一的基础上，本实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例一所述的方法步骤。

实施例五

下面提供一种上述实施例二所述的脑影像数据处理装置在医疗设备上的应用实例。

由于静息状态功能磁共振成像(rs-fMRI)是研究大脑静息状态下疾病与功能活动之间关系的一项强大技术。且近年来，一些rs-fMRI案例通过对比研究克罗恩病人与健康人对照组后发现，克罗恩患者的每个脑区的低频波动幅度(ALFF)、局部一致性(ReHo)和功能连接度(FC)相对于未患克罗恩病的人是异常的。因此，本实施例采用功能性核磁共振脑影像作为研究对象为医生提供克罗恩病的一些参考。

本实施例中的待处理脑影像数据为待检查个体的脑影像数据，对照组脑影像数据包括异常样本跟非异常样本。此处的异常样本指的是已经确认的患有克罗恩病的个体的脑影像数据，非异常样本指的是确认未患克罗恩病的个体的脑影像数据。

具体地，先通过实施例二提供的装置中的数据采集模块获取待检查个体的脑影像数据和对照组脑影像数据。然后，利用该装置的特征提取模块对待检测个体的脑影像数据和对照组脑影像数据分别进行特征提取，得到第一待检测特征和第一待训练特征；利用该装置的特征选择模块，对第一待检测特征和第一待训练特征分别进行特征选择，得到第二待检测特征和第二待训练特征；利用该装置的模型建立模块构建支持向量机分类模型。

最后，通过数据分析模块进行分析处理，得到分析结果。

通过该分析结果可以准确判断出待检测个体的脑影像数据属于异常的还是非异常的，从而将检查结果提供给医生，供其参考。

本实施例将上述实施例二提供的脑影像数据处理装置用在了克罗恩病的医疗设备上，辅助医生进行医学检查，由于方法简单，处理效率高，能够较快的为医生提供精确地检查结果以供参考，节省了检查时间，提高了检查效率。此外，由于脑影像数据易于获取，相比现有的内镜和病理组织检查，还减轻了患者在就医过程中的痛苦。

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 (3)

1.一种脑影像数据处理装置，其特征在于，包括：

数据采集模块(1)，用于获取待处理的脑影像数据和对照组脑影像数据；其中，所述待处理的脑影像数据和所述对照组脑影像数据均为功能性核磁共振脑影像；

特征提取模块(2)，连接所述数据采集模块(1)，用于对所述待处理的脑影像数据和所述对照组脑影像数据分别进行特征提取，得到第一待检测特征和第一待训练特征；

特征选择模块(3)，连接所述特征提取模块(2)，用于对所述第一待检测特征和所述第一待训练特征分别进行特征选择，得到第二待检测特征和第二待训练特征；

模型建立模块(4)，连接所述特征选择模块(3)，用于根据所述第二待训练特征构建支持向量机分类模型；

数据分析模块(5)，连接所述特征选择模块(3)和所述模型建立模块(4)，用于根据所述第二待检测特征和所述支持向量机分类模型得到分析结果；

其中，所述特征提取模块(2)具体用于：

21)、对所述待处理的脑影像数据进行分析，计算所述待处理的脑影像数据中每个脑区的功能磁共振低频振幅、脑区之间的局部一致性以及脑区之间的功能连接度，得到第一待检测特征；

22)、相应的，对所述对照组脑影像数据进行分析，计算所述对照组脑影像数据中每个脑区的功能磁共振低频振幅、脑区之间的局部一致性以及脑区之间的功能连接度，得到第一待训练特征；

所述特征选择模块(3)具体用于：

31)、通过双样本t检验方法分别对所述第一待检测特征和所述第一待训练特征进行特征选择，得到第三待检测特征和第三待训练特征；

32)、通过回归模型分别对所述第三待检测特征和所述第三待训练特征进行特征选择，得到第二待检测特征和第二待训练特征；

其中，31)包括31a)和31b)：

31a)、根据双样本t检验方法，计算所述第一待训练特征中异常样本组和非异常样本组之间功能连接度特征的p值；

31b)、根据计算得到的p值分别对所述第一待检测特征和所述第一待训练特征中p值大于预设阈值的功能连接度特征进行过滤，得到第三待检测特征和第三待训练特征；

其中，32)包括32a)、32b)和32c)：

32a)、根据所述第三待训练特征，构建多个LASSO回归特征选择模型；

32b)、采用十折交叉验证法对所述多个LASSO回归特征选择模型进行验证，确定最优LASSO回归特征选择模型；

32c)、根据所述最优LASSO回归特征选择模型分别对所述第三待检测特征和所述第三待训练特征进行特征选择，得到第二待检测特征和第二待训练特征。

2.一种脑影像数据处理设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如下方法步骤：

步骤1)、获取待处理的脑影像数据和对照组脑影像数据；其中，所述待处理的脑、影像数据和所述对照组脑影像数据均为功能性核磁共振脑影像；

步骤2)、对所述待处理的脑影像数据和所述对照组脑影像数据分别进行特征提取，得到第一待检测特征和第一待训练特征；

步骤3)、对所述第一待检测特征和所述第一待训练特征分别进行特征选择，得到第二待检测特征和第二待训练特征；

步骤4)、根据所述第二待训练特征构建支持向量机分类模型；

步骤5)、根据所述第二待检测特征和所述支持向量机分类模型得到处理结果；

其中，步骤2)包括步骤21)和步骤22)：

步骤21)、对所述待处理的脑影像数据进行分析，计算所述待处理的脑影像数据中每个脑区的功能磁共振低频振幅、脑区之间的局部一致性以及脑区之间的功能连接度，得到第一待检测特征；

步骤22)、相应的，对所述对照组脑影像数据进行分析，计算所述对照组脑影像数据中每个脑区的功能磁共振低频振幅、脑区之间的局部一致性以及脑区之间的功能连接度，得到第一待训练特征；

步骤3)包括步骤31)和步骤32)：

步骤31)、通过双样本t检验方法分别对所述第一待检测特征和所述第一待训练特征进行特征选择，得到第三待检测特征和第三待训练特征；

步骤32)、通过回归模型分别对所述第三待检测特征和所述第三待训练特征进行特征选择，得到第二待检测特征和第二待训练特征；

其中，步骤31)还包括31a)和31b)：

31a)根据双样本t检验方法，计算所述第一待训练特征中异常样本组和非异常样本组之间功能连接度特征的p值；

31b)根据计算得到的p值分别对所述第一待检测特征和所述第一待训练特征中p值大于预设阈值的功能连接度特征进行过滤，得到第三待检测特征和第三待训练特征；

步骤32)还包括32a)、32b)和32c)：

32a)根据所述第三待训练特征，构建多个LASSO回归特征选择模型；

32b)采用十折交叉验证法对所述多个LASSO回归特征选择模型进行验证，确定最优LASSO回归特征选择模型；

32c)根据所述最优LASSO回归特征选择模型分别对所述第三待检测特征和所述第三待训练特征进行特征选择，得到第二待检测特征和第二待训练特征。

3.一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内存储有计算机程序，所述计算机程序被处理器执行时实现如下方法步骤：

步骤1)、获取待处理的脑影像数据和对照组脑影像数据；其中，所述待处理的脑影像数据和所述对照组脑影像数据均为功能性核磁共振脑影像；

步骤2)、对所述待处理的脑影像数据和所述对照组脑影像数据分别进行特征提取，得到第一待检测特征和第一待训练特征；

步骤3)、对所述第一待检测特征和所述第一待训练特征分别进行特征选择，得到第二待检测特征和第二待训练特征；

步骤4)、根据所述第二待训练特征构建支持向量机分类模型；

步骤5)、根据所述第二待检测特征和所述支持向量机分类模型得到处理结果；

其中，步骤2)包括步骤21)和步骤22)：

步骤21)、对所述待处理的脑影像数据进行分析，计算所述待处理的脑影像数据中每个脑区的功能磁共振低频振幅、脑区之间的局部一致性以及脑区之间的功能连接度，得到第一待检测特征；

步骤22)、相应的，对所述对照组脑影像数据进行分析，计算所述对照组脑影像数据中每个脑区的功能磁共振低频振幅、脑区之间的局部一致性以及脑区之间的功能连接度，得到第一待训练特征；

步骤3)包括步骤31)和步骤32)：

步骤31)、通过双样本t检验方法分别对所述第一待检测特征和所述第一待训练特征进行特征选择，得到第三待检测特征和第三待训练特征；

步骤32)、通过回归模型分别对所述第三待检测特征和所述第三待训练特征进行特征选择，得到第二待检测特征和第二待训练特征；

其中，步骤31)还包括31a)和31b)：

31a)根据双样本t检验方法，计算所述第一待训练特征中异常样本组和非异常样本组之间功能连接度特征的p值；

31b)根据计算得到的p值分别对所述第一待检测特征和所述第一待训练特征中p值大于预设阈值的功能连接度特征进行过滤，得到第三待检测特征和第三待训练特征；

步骤32)还包括32a)、32b)和32c)：

32a)根据所述第三待训练特征，构建多个LASSO回归特征选择模型；

32b)采用十折交叉验证法对所述多个LASSO回归特征选择模型进行验证，确定最优LASSO回归特征选择模型；

32c)根据所述最优LASSO回归特征选择模型分别对所述第三待检测特征和所述第三待训练特征进行特征选择，得到第二待检测特征和第二待训练特征。

Images