CN112233805B - 基于多图谱神经影像学数据进行生物标志物的挖掘方法 - Google Patents
基于多图谱神经影像学数据进行生物标志物的挖掘方法 Download PDFInfo
- Publication number
- CN112233805B CN112233805B CN202011095325.4A CN202011095325A CN112233805B CN 112233805 B CN112233805 B CN 112233805B CN 202011095325 A CN202011095325 A CN 202011095325A CN 112233805 B CN112233805 B CN 112233805B
- Authority
- CN
- China
- Prior art keywords
- brain
- atlas
- map
- data
- sample
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- 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
- 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
Abstract
本发明公开基于多图谱神经影像学数据进行生物标志物的挖掘方法,涉及用于识别图形的方法,可以同时考虑多个图谱间高阶互补关系以及样本权重信息,采用基于权重诱导低秩学习的多图谱特征选择方法对神经影像数据进行特征分析。该方法采用一阶邻域聚合的方式,将每个脑区的所有连接强度之和作为该脑区的特征,并使用循环迭代的方式使选择出的特征更加稳定,最后利用多核支持向量机对选择后的特征进行融合分类,从而提高对阿尔茨海默病的诊断精度。本发明克服了现有的对阿尔茨海默症分类技术中,存在的无法考虑样本权重信息以及多图谱信息,容易对阿尔茨海默病诊断分类错误的缺陷。
Description
技术领域
本发明的技术方案涉及用于识别图形的方法,具体地说是基于多图谱神经影像学数据进行生物标志物的挖掘方法。
背景技术
阿尔茨海默病又称为老年痴呆症,是一种大脑神经退化性疾病,且不可逆转。它会破坏人类记忆力和其他重要的生理功能,多发病于老年人群。根据认知模型的发展和功能受损的程度,阿尔茨海默病的发作可分为三个阶段:正常人,轻度认知功能障碍和阿尔茨海默病。临床上主要表现为学习和生活能力日渐衰退,记忆损害和健忘等症状,并且常常伴有各种日常行为障碍。因此中晚期患者会遭受各种不便和无尽的痛苦,甚至会危及生命。迄今为止,尚无神经退行性疾病的治疗方法,目前的患者诊断主要依赖于临床症状、临床医生的经验与知识。同时,只有当相关生物标志物对人体造成明显症状时,才会进行临床检查。在疾病早期对敏感标志物的测量可以帮助研究人员和临床医生开发新的治疗方法并测试其有效性。因此,设计一种识别相关生物标志物的方法非常重要。
最近,大量研究表明神经影像技术有望用于这些疾病的计算机辅助诊断。由于大脑具有非常复杂的结构和功能,因此从单个大脑图谱中获取数据不能提供足够的特征信息以进行诊断。在神经影像学中,基于多图谱的方法更有希望发现疾病状况并比较群体差异,实现更准确的诊断。以往的研究,通常使用单图谱而忽略了多图谱之间的互补关系。多图谱不仅可以全面地表示大脑信息,而且可以捕获与疾病相关的判别性特征。
由于多图谱形成的脑网络矩阵数据维度较高且包含的信息量较大,并不是所有的特征都对检测分析阿尔茨海默病有帮助。因此,从脑影像大量特征中找出对分类任务显著的特征,去掉冗余的或者对分类相关性低的特征是非常重要的研究工作。CN110718301A公开了一种基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法。该方法通过大脑时间序列特征构建动态脑网络,对其进行特征选择,得到阿尔茨海默病的关键特征进而进行分类。该方法只是简单的使用了单图谱的信息,不足以解释大脑功能连接特性。CN111009324A公开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。该方法基于功能性磁共振成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,该方法对高维脑网络数据进行处理时,复杂度较高。CN109222972A公开一种基于深度学习的功能磁共振成像全脑数据分类方法,该方法通过将全脑数据进行聚合,构建用于功能磁共振成像全脑数据分类的混合多通道卷积神经网络模型并进行分类。该方法只是简单的将数据进行聚合,却不能找出脑区与脑连接之间的关系。
总之,在现有的阿尔茨海默病诊断分类技术中,目前的特征选择方法存在无法更好地利用多图谱互补关系以及考虑样本权重信息,容易对阿尔茨海默病诊断分类错误的缺陷。
发明内容
本发明的技术任务是针对以上不足,提供基于多图谱神经影像学数据进行生物标志物的挖掘方法,可以同时考虑多图谱间高阶互补关系以及样本权重信息,该方法采用一阶邻域聚合的方式,将每个脑区的所有连接强度之和作为该脑区的特征,利用多图谱融合特征挖掘生物标志物。最后使用循环迭代的方式使选择出的特征更加稳定,利用多核支持向量机对选择后的特征进行融合分类,从而提高对阿尔茨海默病的诊断精度。本发明克服了现有的对阿尔茨海默病分类技术中,存在无法考虑样本权重信息以及多图谱信息,容易对阿尔茨海默病诊断分类错误的缺陷。
本发明解决该技术问题所采用的技术方案是,提供一种基于多图谱神经影像学数据进行生物标志物的挖掘方法,该方法的具体步骤是:
第一步,数据预处理:
通过功能磁共振扫描某类脑疾病样本的整个大脑,获得整个大脑脑区在一段时间内血氧水平依赖信号的变化值,接下来将样本数据配准到多个图谱上,从而获得一个样本的多个脑图谱的功能磁共振成像数据,使用皮尔森相关系数计算任意两个脑区的相关性,得出所有脑区之间连通性强度的脑网络矩阵,获得功能性脑网络;不同的脑图谱划分脑区方式不同,如Brainnetome图谱将大脑划分为263个脑区,Power图谱将大脑划分为264个脑区,Stanford 图谱将大脑划分为470个脑区;该类脑疾病所有的样本总数为N,其中包括正常样本和不同程度的病态样本,并记录每个样本的标签信息;图谱总数为M;
第二步,使用基于一阶邻域聚合的方式进行特征表达:某个脑区的所有连接关系之和作为该脑区的特征,形成一种聚合表示,如公式(1)所示:
公式(1)中,O′n为第n个脑区所有连接关系之和,a1n为第1个脑区和第n个脑区之间的连接强度,将任意脑区所有连接关系之和作为该脑区特征;
第三步,将每个样本的每个图谱的脑区特征数据作为输入,进行多图谱的联合特征选择;目标函数如公式(2)所示:
公式(2)中,其中N为所有的样本总数,M为图谱总数,βm为第m个图谱的特征选择向量,i为任意样本,m为任意图谱;W∈RN×M为一个权重矩阵,为第i个样本的第m个图谱的权重,也就是权重矩阵W中的元素;λM为图谱约束特征稀疏的正则化参数,λR为约束多图谱关联的正则化参数,yi为样本标签信息;
第四步,优化目标函数、求解W和βm:
采用F范数||W||F来代替公式(2)中的非确定的多项式R(W),通过交替方向乘子法来进行局部最优求解,对双变量W和βm进行优化,使局部最优解来近似全局最优解,交替计算变量W和βm的解;求解的W中任意一个样本权重都是大于0的;
第五步,特征选择:
对目标函数优化求解选择出对应权重非零的特征,将选择出的权重非零的特征对应的重要脑区重新用第二步的基于一阶邻域聚合的方式进行连接关系表示,找出致病脑区,即挖掘出当前疾病相关的生物标志物,确定为每个图谱的特征选择向量βm,同时确定了脑区间的异常连接;
将上述方法挖掘到的当前疾病相关的生物标志物用于脑疾病的诊断,将样本标签以及特征选择后获得的多个图谱特征选择向量βm输入到多核支持向量机中,每个图谱的特征选择向量βm可以映射到一个更高维的特征空间,用φ(x)来表示映射后的特征向量,此时可以得到每个图谱的核矩阵,将多个图谱的核矩阵进行融合,使用多核支持向量机分类,实现正常人与患者的区分;
获取待测试样本的功能磁共振扫描样本按照上述方式进行数据预处理及一阶邻域聚合方式进行特征表达,再与上述第五步确定的每个图谱的特征选择向量βm相乘后输入到分类预测模型(即多核支持向量机)中,即可确定当前测试样本是否患有当前脑疾病。
本发明挖掘方法中,在进行求解W和βm过程中,可以使用循环迭代法,将每次选出的特征权重进行排序,删除掉特征权重较小的部分特征,剩余特征继续进行特征选择,直到特征选择向量βm输入到多核支持向量机中的多分类结果达到最优,停止循环迭代;得到最优的多个图谱特征选择向量βm。
本发明方法中共有467个样本,其中400个样本作为训练数据,67个样本作为测试数据,在测试集上的分类精度达到88%左右,训练数据中患病样本与正常样本比例接近1∶1。
本发明采用以上技术方案与现有技术相比,本发明的突出的实质性特点和显著进步如下:
(1)本发明方法提出一种有效的多图谱神经影像学数据特征分析方式,可以同时考虑多图谱之间的互补关系以及样本权重信息,首先使用皮尔森相关系数将多个图谱的fMRI数据形成脑网络矩阵,然后采用一阶邻域聚合的方式,将某个脑区的所有连接关系之和作为该脑区的特征,进行特征选择,完成生物标志物的挖掘。利用选择好的特征选择向量βm送到分类器进行分类。本发明不仅考虑了每个样本特征的权重,还考虑了不同图谱对分类的不同贡献,发明中采用循环迭代法,不仅性能稳定,还可以减少微调的过程,通过本发明挖掘方法,能够找到更具有判别性的特征。
(2)本发明方法通过低秩约束的方式,充分利用样本权重信息选择出最具有判别力的特征,相比于其他特征选择方法,考虑了每个图谱样本特征对分类的相对贡献,使病变脑区及脑连接更具判别性。
(3)本发明在进行脑网络数据处理时,采用一阶邻域聚合的方式,将连接信息聚合到脑节点上,将某个脑区的所有连接关系作为该脑区的特征,并使用权重诱导低秩学习的方式对脑区特征进行特征选择,选择出致病脑区,将选择好的脑区重新用连接关系表示,确定致病脑区间的异常连接,本发明方法不仅可以找出致病脑区,还可以找出脑区间的异常脑连接(患者某些脑区之间的相关性与正常人相比存在较大差异),为医学诊断提供帮助。
(4)本发明在确定每个图谱的特征选择向量βm时,可采用循环迭代的方式,提高了模型的稳定性。
(5)CN110718301A公开了一种基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法。该方法通过大脑时间序列特征构建动态脑网络,对其进行特征选择,得到阿尔茨海默病的关键特征进而进行分类。该方法只是简单使用单个模板信息,不足以解释大脑功能连接特性。与CN110718301A相比,本发明方法使用多图谱脑网络信息,可以充分提供图谱间的互补关系,提供更加丰富信息。
(6)CN111009324A公开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。该方法基于功能磁共振成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,该方法对于处理高维脑网络数据,复杂度较高。与CN111009324A相比,本发明方法采用一阶邻域聚合方式,对于高维脑网络信息具有较快的处理速度。
(7)由于正常人与患者脑区所携带的信息不同,任意两个脑区之间连接也可能不同,因此本发明方法可以较准确的对正常人以及阿尔茨海默病患者进行分类,如设置分类标签阿尔茨海默病患者、轻度认知障碍个体以及正常人三类,完成诊断分类。
(8)CN109222972A公开一种基于深度学习的fMRI全脑数据分类方法,该方法通过将全脑数据进行聚合,构建用于fMRI全脑数据分类的混合多通道卷积神经网络模型并进行分类。该方法只是简单的将数据进行融合,无法找出脑区与脑连接之间的关系。与CN109222972A 方法相比,本发明方法不仅可以找出患者病变脑区,还可以找出病变脑连接采用一阶邻域聚合的方式,将某个脑区的所有连接关系作为该脑区的特征,并使用权重诱导低秩学习的特征选择方式对脑区特征进行特征选择,将选择出的重要脑区重新用连接关系表示,因此也能够实现对连接关系进行特征选择,不仅可以找出致病脑区,还可以找出脑区间的异常连接。
(9)本发明方法,在进行目标函数优化过程中,认为每个样本的权重是不一样的,使用数据驱动方式,利用标签信息达到更好的分类效果。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明方法基于WILL方法和多核支持向量机进行多图谱神经影像学数据的处理流程示意图。
具体实施方式
图1所示实施例表明,本发明方法基于WILL特征选择方式和多核支持向量机进行多图谱神经影像学数据特征分析处理流程是:多图谱神经影像学数据预处理→基于一阶邻域聚合的方式进行特征表达→使用WILL的多图谱特征选择方式进行特征分析→目标函数优化、求解W和βm→特征选择→多核支持向量机融合→分类与预测。
图谱是对大脑的一种简单表示,根据结构和功能的特性划分若干脑区,不同的划分方式形成了不同的脑图谱模板。本发明中的多图谱指至少两种大脑图谱同时进行本申请的特征分析,大脑图谱一般有10种左右,本实施例中选取常用的三种图谱的数据进行说明。相关生物标志,指与某种脑疾病发病有关的一些生物标志,如病变的大脑区域,可以区分患者与正常人的显著特征。
上文中,“权重诱导低秩学习”的英文为“Weight Induced Low-rank Learning”,可简称为“WILL”。在本申请中针对多图谱神经影像学数据分析确定相关脑疾病的相关生物标志物,并建立了多图谱的神经影像学数据模型(也就是优化确定的每个图谱的特征选择向量βm的过程),能够自动学习出每个图谱的判别性特征信息,提高疾病诊断分类精度。
本发明挖掘方法不仅可用于阿尔茨海默病,还可以用于抑郁症、孤独症、精神分裂症等其他脑疾病的诊断及分析中等。
实施例
本实施例的基于多图谱神经影像学数据进行生物标志物的挖掘方法,是使用WILL的多图谱神经影像学特征选择方式进行生物标志物的挖掘,再使用多核支持向量机进行融合分类,具体步骤如下:
第一步,多图谱神经影像数据预处理:
通过功能磁共振扫描样本的整个大脑,获得整个大脑脑区在一段时间内血氧水平依赖信号的变化值,接下来将样本数据配准到三个脑图谱上,从而获得三个脑图谱的功能磁共振成像数据,并通过皮尔森相关系数构建功能性脑网络;三个脑图谱是:Brainnetome图谱将大脑划分为263个脑区,Power图谱将大脑划分为264个脑区,Stanford图谱将大脑划分为470个脑区。在进行配准前需要对神经影像数据进行预处理,具体处理方式为现有技术。本实施例针对的是阿尔茨海默病的大脑影像数据,该类脑疾病所有的样本总数为N,其中包括正常样本和不同程度的病态样本,并记录每个样本的标签信息;图谱总数为M;
第二步,使用基于一阶邻域聚合的方式进行特征表达:
在第一步中,通过计算任意两个脑区之间的皮尔森相关系数,得出所有脑区之间连通性强度的脑网络矩阵(即功能性脑网络),由于三个图谱的脑区个数较多,形成的脑网络矩阵维度大,直接进行特征选择会有很大的计算量,因此,本发明方法采用一种基于一阶邻域聚合的方式,将某个脑区的所有连接关系之和近似作为该脑区的特征,形成一种聚合表示,如公式(1)所示:
公式(1)中,O′n为第n个脑区所有连接关系之和,a1n为第1个脑区和第n个脑区之间的连接强度,将任意脑区所有连接关系之和作为该脑区特征,并进行特征选择;
第三步,使用WILL的多图谱神经影像学特征选择方式进行特征分析:
将每个样本的每个图谱的脑区特征数据作为输入,进行多图谱的联合特征选择;目标函数如公式(2)所示:
公式(2)中,其中N为所有的样本总数,M为图谱总数(本实施例中M=3),βm为第m个图谱的特征选择向量,W∈RN×M为一个权重矩阵,λM为图谱约束特征稀疏的正则化参数,λR为约束多图谱关联的正则化参数,yi为样本标签信息,本实施例中可以设置标签信息为两类,用0代表正常,1代表患病,根据实际情况,也可以将标签信息设置为多种不同程度的病症分别标注;λM=0.1,λR=10,W初始化维度为467×3的随机矩阵;
第四步,优化目标函数、求解W和βm:
由于目标函数不可微且不平滑,因此无法计算目标函数某些点的梯度,因此该方程无法用梯度下降法求解,本文采用F范数||W||F来代替非确定的多项式R(W),通过交替方向乘子法来进行局部最优求解,通过重复多次搜索算法,使局部的最优解来近似全局最优解,如公式 (3)所示;
s.t.-W+A=0,J=W,
上述公式(3)中进一步得优化了目标函数,其中公式(3)中的为和βm的乘积,A为一个非负松弛的变量,进一步简单表示,将公式(3)中的三项分别表示为f1(U)、f2({βm})、f3(J) 用增广拉格朗日形式表示如公式(4)所示:
上述公式(4)中我们用三个函数代替了原来目标函数的三顶,其中上式pm,Q,R为拉格朗日乘子,μ,ρ,ξ为增广拉格朗日项的三个参数,其中Um为由变量从1到N按行排列而构成的对应于不同图谱的矩阵,所有图谱矩阵Um为按照矩阵的列排列拼接而成的一个跨图谱矩阵U,<X1,X2>为矩阵X1 TX2的迹,而非负松弛变量A的解是解析解,可以为 其中Qim为第i个样本的第m个图谱的拉格朗日乘子,将其带入公式(4),消去A,如公式(5)所示:
交替方向乘子法求解框架可以写成如公式(6)所示:
由此完成交替计算变量W和βm的解,接下来,使用循环迭代法,将每次选出的特征权重进行排序,删除掉特征权重较小的部分特征,剩余特征继续进行特征选择,直到分类结果达到最优,停止循环迭代;求解的W中任意一个样本权重都是大于0的;
第五步,特征选择:
对目标函数求解选择出对应权重非零的特征,将选择出的权重非零的特征对应的重要脑区重新用第二步的基于一阶邻域聚合的方式进行连接关系表示,找出致病脑区,即挖掘出当前疾病相关的生物标志物,确定为每个图谱的特征选择向量βm,同时确定了脑区间的异常连接;
第六步,多核支持向量机融合:
将样本标签以及通过特征选择后获得的多个图谱特征选择向量βm构成的特征矩阵输入到多核支持向量机中,每个图谱的特征选择向量可以映射到一个更高维的特征空间,用φ(x) 来表示映射后的特征向量,此时可以得到每个图谱的核矩阵,其中所用的核为线性核,第m 个图谱的核函数如公式(7)所示:
将多个图谱的核矩阵进行融合,如公式(8)所示:
由此可以得到多核支持向量机的对偶形式,如公式(9)所示:
在本文中,采用LIBSVM工具包来实现多核支持向量机分类器,核函数为线性核,其中每个图谱特征选择向量βm通过在训练中进行交叉验证得到,然后对其求解即可,其中α为拉格朗日乘子;
第七步,分类与预测:
在公式(9)中,通过交替方向乘子法优化出每个图谱的特征向量βm,βm是一个稀疏的向量,其中,不为0的元素是所选择出的判别性特征;在本发明方法中,样本数据个数为467,其中400个样本作为训练数据,67个样本作为测试数据。使用本发明方法中所提出的基于WILL的特征选择方式在训练集上进行参数的调整和优化,然后将选择出的每个图谱的特征向量βm用于测试集,最终得出测试结果,最终在测试集上的分类精度达到88%左右。可以区分正常人与患者;
给定一个新的测试样本x0,决定样本标签的决策函数如公式(10)所示:
其中核函数采用线性核,b为偏置,由训练多核支持向量机得到,cm为通过网格搜索在训练集上交叉验证得到的,搜索范围是一个立体网格,cm带表了三个参数,每一个参数有固定范围,分别代表三个图谱融合权重,最终通过在三个参数所组成的网格中寻找三个图谱最好的线性组合;由此多核支持向量机分类器训练完毕;
至此完成使用WILL的多图谱神经影像学数据特征分析进行特征选择,并使用多核支持向量机法分类进行多图谱神经影像学特征的处理。
本发明未述及之处适用于现有技术。
Claims (4)
1.一种基于多图谱神经影像学数据进行生物标志物的挖掘方法,该方法的具体步骤是:
第一步,数据预处理:
通过功能磁共振扫描某类脑疾病样本的整个大脑,获得整个大脑脑区在一段时间内血氧水平依赖信号的变化值,接下来将样本数据配准到多个图谱上,从而获得一个样本的多个脑图谱的功能磁共振成像数据,使用皮尔森相关系数计算任意两个脑区的相关性,得出所有脑区之间连通性强度的脑网络矩阵,获得功能性脑网络;该类脑疾病所有的样本总数为N,其中包括正常样本和不同程度的病态样本,并记录每个样本的标签信息;图谱总数为M;
第二步,使用基于一阶邻域聚合的方式进行特征表达:某个脑区的所有连接关系之和作为该脑区的特征,形成一种聚合表示,如公式(1)所示:
公式(1)中,O'n为第n个脑区所有连接关系之和,a1n为第1个脑区和第n个脑区之间的连接强度,将任意脑区所有连接关系之和作为该脑区特征;
公式(2)中,其中N为所有的样本总数,M为图谱总数,βm为第m个图谱的特征选择向量;W∈RN×M为一个权重矩阵,为第i个样本的第m个图谱的权重,也就是权重矩阵W中的元素;λM为图谱约束特征稀疏的正则化参数,λR为约束多图谱关联的正则化参数,yi为样本标签信息;
第四步,优化目标函数、求解W和βm:
采用F范数||W||F来代替公式(2)中的非确定的多项式R(W),通过交替方向乘子法来进行局部最优求解,对双变量W和βm进行优化,使局部最优解来近似全局最优解,交替计算变量W和βm的解;
第五步,特征选择:
对目标函数优化求解选择出对应权重非零的特征,将选择出的权重非零的特征对应的重要脑区重新用第二步的基于一阶邻域聚合的方式进行连接关系表示,找出致病脑区,即挖掘出当前疾病相关的生物标志物,确定为每个图谱的特征选择向量βm,同时确定了脑区间的异常连接。
2.根据权利要求1所述的挖掘方法,其特征在于,在进行求解W和βm过程中,使用循环迭代法,将每次选出的特征权重进行排序,删除掉特征权重较小的部分特征,剩余特征继续进行特征选择,直到特征选择向量βm输入到多核支持向量机中的多分类结果达到最优,停止循环迭代;得到最优的多个图谱特征选择向量βm。
3.根据权利要求1所述的挖掘方法,其特征在于,所述样本总数N为467,其中400个样本作为训练数据,67个样本作为测试数据;所述图谱总数M为三个:Brainnetome图谱将大脑划分为263个脑区,Power图谱将大脑划分为264个脑区,Stanford图谱将大脑划分为470个脑区。
4.根据权利要求1所述的挖掘方法,其特征在于,该挖掘方法能用于阿尔茨海默病、抑郁症、孤独症、精神分裂症的分析中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011095325.4A CN112233805B (zh) | 2020-10-14 | 2020-10-14 | 基于多图谱神经影像学数据进行生物标志物的挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011095325.4A CN112233805B (zh) | 2020-10-14 | 2020-10-14 | 基于多图谱神经影像学数据进行生物标志物的挖掘方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112233805A CN112233805A (zh) | 2021-01-15 |
CN112233805B true CN112233805B (zh) | 2022-03-01 |
Family
ID=74112676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011095325.4A Active CN112233805B (zh) | 2020-10-14 | 2020-10-14 | 基于多图谱神经影像学数据进行生物标志物的挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112233805B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114376558B (zh) * | 2022-03-24 | 2022-07-19 | 之江实验室 | 基于磁共振和孪生图神经网络的脑图谱个体化方法及系统 |
CN115063419B (zh) * | 2022-08-16 | 2022-11-22 | 广东工业大学 | 基于可解释集成3dcnn的神经影像学生物标志物的提取方法 |
Citations (10)
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 |
KR20140136077A (ko) * | 2013-05-16 | 2014-11-28 | 연세대학교 산학협력단 | 고주파 백그라운드 활성을 이용한 뇌 조직 내 목표 위치의 실―시간 확인 방법 |
CN108288070A (zh) * | 2018-01-12 | 2018-07-17 | 迈格生命科技(深圳)有限公司 | 一种神经指纹提取分类方法及系统 |
CN108403112A (zh) * | 2018-04-02 | 2018-08-17 | 东北电力大学 | 基于嗅觉脑电波和gs-svm进行感官物质分类的方法 |
CN109770932A (zh) * | 2019-02-21 | 2019-05-21 | 河北工业大学 | 多模态脑部神经影像特征的处理方法 |
CN110223298A (zh) * | 2019-05-27 | 2019-09-10 | 东南大学 | 基于点云局部结构的语义分割改进算法 |
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 |
CN110580452A (zh) * | 2019-08-08 | 2019-12-17 | 宁波中国科学院信息技术应用研究院 | 一种基于视频的人脸识别系统中的多模板人脸自动录入方法 |
CN111009324A (zh) * | 2019-11-25 | 2020-04-14 | 东北大学 | 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法 |
CN111563533A (zh) * | 2020-04-08 | 2020-08-21 | 华南理工大学 | 基于图卷积神经网络融合多种人脑图谱的受试者分类方法 |
-
2020
- 2020-10-14 CN CN202011095325.4A patent/CN112233805B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140136077A (ko) * | 2013-05-16 | 2014-11-28 | 연세대학교 산학협력단 | 고주파 백그라운드 활성을 이용한 뇌 조직 내 목표 위치의 실―시간 확인 방법 |
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 |
CN108288070A (zh) * | 2018-01-12 | 2018-07-17 | 迈格生命科技(深圳)有限公司 | 一种神经指纹提取分类方法及系统 |
CN108403112A (zh) * | 2018-04-02 | 2018-08-17 | 东北电力大学 | 基于嗅觉脑电波和gs-svm进行感官物质分类的方法 |
CN109770932A (zh) * | 2019-02-21 | 2019-05-21 | 河北工业大学 | 多模态脑部神经影像特征的处理方法 |
CN110223298A (zh) * | 2019-05-27 | 2019-09-10 | 东南大学 | 基于点云局部结构的语义分割改进算法 |
CN110580452A (zh) * | 2019-08-08 | 2019-12-17 | 宁波中国科学院信息技术应用研究院 | 一种基于视频的人脸识别系统中的多模板人脸自动录入方法 |
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 |
CN111009324A (zh) * | 2019-11-25 | 2020-04-14 | 东北大学 | 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法 |
CN111563533A (zh) * | 2020-04-08 | 2020-08-21 | 华南理工大学 | 基于图卷积神经网络融合多种人脑图谱的受试者分类方法 |
Non-Patent Citations (3)
Title |
---|
"Relationship Induced Multi-Template Learning for Diagnosis of Alzheimer"s Disease and Mild Cognitive Impairment";Liu Mingxia etc.;《IEEE TRANSACTIONS ON MEDICAL IMAGING》;20160630;第35卷(第6期);全文 * |
"基于sparse group Lasso方法的脑功能超网络构建与特征融合分析";李瑶等;《计算机应用》;20200131;第40卷(第1期);全文 * |
"基于随机森林算法的阿尔茨海默症医学影像分类";李长胜等;《中国医学物理学杂志》;20200831;第37卷(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112233805A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | Auto-metric graph neural network based on a meta-learning strategy for the diagnosis of Alzheimer's disease | |
CN109770932B (zh) | 多模态脑部神经影像特征的处理方法 | |
CN108288070B (zh) | 一种神经指纹提取分类方法及系统 | |
Guo et al. | Resting state fMRI and improved deep learning algorithm for earlier detection of Alzheimer’s disease | |
Kaur et al. | Diagnosis of Parkinson’s disease using deep CNN with transfer learning and data augmentation | |
Yang et al. | A deep neural network study of the ABIDE repository on autism spectrum classification | |
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 | |
WO2021103287A1 (zh) | 基于弱监督多任务矩阵补全的脑疾病进程预测方法及系统 | |
CN112674720B (zh) | 基于3d卷积神经网络的阿尔茨海默症的预判断方法 | |
CN112233805B (zh) | 基于多图谱神经影像学数据进行生物标志物的挖掘方法 | |
CN106127263A (zh) | 基于三维特征提取的人脑磁共振图像分类识别方法及系统 | |
Alkabawi et al. | Computer-aided classification of multi-types of dementia via convolutional neural networks | |
Zhu et al. | Deep multi-modal discriminative and interpretability network for alzheimer’s disease diagnosis | |
Wang et al. | Computer-aided dementia diagnosis based on hierarchical extreme learning machine | |
Qiu et al. | Spiculation sign recognition in a pulmonary nodule based on spiking neural p systems | |
Manimurugan | Classification of Alzheimer's disease from MRI Images using CNN based Pre-trained VGG-19 Model | |
Xi et al. | Brain Functional Networks with Dynamic Hypergraph Manifold Regularization for Classification of End-Stage Renal Disease Associated with Mild Cognitive Impairment. | |
Pallawi et al. | Study of Alzheimer’s disease brain impairment and methods for its early diagnosis: a comprehensive survey | |
Rathore et al. | Prediction of stage of Alzheimer's disease Densenet Deep learning model | |
Lu et al. | Learning multi-modal biomarker representations via globally aligned longitudinal enrichments | |
Goenka et al. | Patch-based classification for Alzheimer disease using sMRI | |
Liu et al. | Multi-task spare group lasso for characterizing Alzheimers disease | |
Fan et al. | BGL-Net: A brain-inspired global-local information fusion network for Alzheimer’s disease based on sMRI | |
Shetty et al. | Alzheimer’s Diseases Detection by using Convolution Neural Network | |
Khachnaoui et al. | Enhanced Parkinson’s Disease Diagnosis Through Convolutional Neural Network Models Applied to SPECT DaTSCAN Images |
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 |