CN112634214A - 一种结合节点属性与多层次拓扑的脑网络分类方法 - Google Patents
一种结合节点属性与多层次拓扑的脑网络分类方法 Download PDFInfo
- Publication number
- CN112634214A CN112634214A CN202011480046.XA CN202011480046A CN112634214A CN 112634214 A CN112634214 A CN 112634214A CN 202011480046 A CN202011480046 A CN 202011480046A CN 112634214 A CN112634214 A CN 112634214A
- Authority
- CN
- China
- Prior art keywords
- brain
- network
- node
- brain network
- sub
- 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 142
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012353 t test Methods 0.000 claims abstract description 7
- 238000002372 labelling Methods 0.000 claims abstract description 4
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000004886 head movement Effects 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 238000000692 Student's t-test Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 9
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 201000000980 schizophrenia Diseases 0.000 abstract description 7
- 230000002146 bilateral effect Effects 0.000 description 14
- 238000012706 support-vector machine Methods 0.000 description 11
- 210000001320 hippocampus Anatomy 0.000 description 9
- 238000011160 research Methods 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 210000004326 gyrus cinguli Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 230000000971 hippocampal effect Effects 0.000 description 5
- 230000008451 emotion Effects 0.000 description 4
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 210000003478 temporal lobe Anatomy 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000002360 prefrontal effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000005153 frontal cortex Anatomy 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004763 bicuspid Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000003931 cognitive performance Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002197 limbic effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000001543 one-way ANOVA Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007310 pathophysiology Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000008925 spontaneous activity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开一种结合节点属性与多层次拓扑的脑网络分类方法，包括以下步骤：S1获取功能性磁共振大脑影像数据，并进行预处理；S2基于预处理后的数据，使用自动化解剖标记模板生成全脑网络功能连接矩阵，以DMN为感兴趣区域，利用Kruskal算法构造无偏脑网络；S3在无偏脑网络上提取脑区节点介数作为局部属性特征，使用双样本t检验方法抽取具有组间显著差异的脑区特征；S4在无偏脑网络上使用子网络核提取多层次拓扑特征，生成子网络核矩阵，使用核主成分分析方法抽取最优拓扑特征；本方法显著提高了分类性能，既能发现异常的脑区，也能捕获到脑区节点的多层次拓扑特征，对精神分裂症的临床辅助诊断有重要意义。
Description
技术领域
本发明属于技术领域，尤其涉及一种结合节点属性与多层次拓扑的脑网络分类方法。
背景技术
精神分裂症(SchiZophrenia，SZ)是一种严重的慢性脑损伤性精神疾病。脑网络分类在脑科学研究和脑疾病诊断等领域成为学者们的研究热点。通过对SZ的脑网络分类研究可以有效提高患者的诊断准确率，对医学辅助诊断有重要意义。
关于SZ的脑网络分类方法很多，传统的分类方法是从脑网络中提取单一局部属性特征，如介数、特征路径长度、聚类系数等，组成一个长特征向量，训练支持向量机(SupportVector Machines，SVM)分类器进行分类。比如，Cheng等提取介数中心性最高的前10个节点作为特征，采用线性SVM算法对SZ患者和正常对照组(Normal Controls，NC)进行分类。为了更准确的捕获特征，研究者提取多种局部属性特征进行分类，如Xiang等提取节点度、介数、聚类系数、局部效率、参与系数五种局部属性特征，在特征选择中考虑同一脑区内五种属性存在一定关系，根据相应的脑区对多视图属性进行分组，并应用稀疏group Lasso来识别基于该特征分组的判别性特征结构，利用线性SVM分类器对SZ和NC进行分类。Moghimi等计算度、介数、局部效率、特征路径长度等25种网络度量属性使用双交叉验证方案在SVM上对SZ和NC进行分类。
上述这些度量方法都是根据常规图的理论来定义，忽略了脑网络中每个节点都表示特定的大脑区域，在脑网络中每个节点都是唯一的而且是固定不变的，未能充分考虑脑网络中节点的多层次拓扑特性，限制了分类性能的进一步提升。
发明内容
本发明提供一种结合节点属性与多层次拓扑的脑网络分类方法，旨在解决上述存在的问题。
本发明是这样实现的，一种结合节点属性与多层次拓扑的脑网络分类方法，包括以下步骤：
S1获取功能性磁共振大脑影像数据，并进行预处理；
S2基于预处理后的数据，使用自动化解剖标记模板生成全脑网络功能连接矩阵，以DMN为感兴趣区域，利用Kruskal算法构造无偏脑网络；
S3在无偏脑网络上提取脑区节点介数作为局部属性特征，使用双样本t检验方法抽取具有组间显著差异的脑区特征；
S4在无偏脑网络上使用子网络核提取多层次拓扑特征，生成子网络核矩阵，使用核主成分分析方法抽取最优拓扑特征；
S5组合步骤S3和S4中获取的特征，使用线性SVM分类器对SZ患者组和NC对照组进行分类。
进一步的，步骤S1中，预处理步骤中，使用DPARSF工具包对影像数据进行预处理，具体包括：删除前10个时间点数据，时间片校正、头动校正；使用DARTEL配准方法将数据配准到标准空间，期间重新采样为3×3×3mm3体素；再进行平滑处理以去除协变量的影响；最后进行滤波去噪，频率范围0.01～0.08Hz。
进一步的，步骤S2中，利用Kruskal算法构造无偏脑网络的步骤包括：首先对DMN功能连接矩阵中所有边的权重进行降序排序，然后逐条添加权重最大的边；在添加的过程中，如果添加的边形成了循环，则丢弃这条边，直到包含所有的节点，则终止Kruskal算法。
进一步的，步骤S3中，通过节点i的所有最短路径的数量定义为节点i的介数bci，如下：
其中，
表示通过节点i的节点h与节点j之间的最短路径数目；phj表示节点h和节点j之间的最短路径数目；n表示节点数；V表示节点集。
进一步的，步骤S4中，使用子网络核提取多层次拓扑特征，具体包括：
在脑网络G＝(V,E)与网络H＝(V,E′)的每个节点Vi上分别定义两组子网络，如下所示：
其中，Vi j＝{<v∈V|S(v,vi)≤j>}，
其中S(·,vi)表示节点vi到其它节点之间最短路径长度，t表示所有S(·,vi)的最大值，也是子网集
和与
所包含的子网个数；
对于由n个节点组成的脑网络，可以得到n组子网络，如下所示：
脑网络G与H中同一节点的相似度就是两个网络中同一节点的所有子网络的相似度，如下所示：
其中，
表示一对子网络
和
的相似性，其值等于对应协方差矩阵
和
之间的相似度，如下所示：
其中，|·|表示行列式；
分别是在子网络
上的相应协方差矩阵；d表示幂迭代的数目：
其中，cov表示两个向量间的协方差；Wie表示给定的初始向量e上的邻接矩阵W的第i次幂迭代；||·||1是向量的l1范式；W是子网络的邻接矩阵；e是元素都为1的向量；C∈Rd ×d是协方差矩阵；d表示幂迭代的数目；
脑网络G与H的图核就是脑网络中所有节点对应子网络对的相似度，如下所示：
其中，n表示脑网络中的节点数目。
进一步的，在步骤S3中，提取脑网络的节点介数属性，并使用双样本t检验从训练集中抽取具有显著差异的脑区，所有差异脑区对应的介数构成一个特征向量，表示相应被试脑网络的节点属性特征。
进一步的，在步骤S4中，使用KPCA进行降维以获得最优拓扑特征具体包括：①使用Sub-network Kernel函数，得到核矩阵K；②计算核矩阵K的特征值λ1、λ2、···、λN和特征向量v1、v2、···、vN；③确定m，当m满足公式
N是网络数，使得累积方差贡献率达到90％；在核主成分分析中，选用特征值较大的前m个主要成分作为分类特征，特征将包含足够的判别信息。
与现有技术相比，本发明的有益效果是：本发明提出一种节点属性特征和多层次拓扑特征相结合的精神分裂症分类方法，发现DMN的脑区连接发生了显著变化，主要包括：双侧楔前叶区PCUN、左侧海马区HIP.L和双侧海马旁回PHG、双侧后扣带回PCG、颞叶及眶额皮层；且本方法显著提高了分类性能，既能发现异常的脑区，也能捕获到脑区节点的多层次拓扑特征，对精神分裂症的临床辅助诊断有重要意义。
附图说明
图1为本发明方法流程图；
图2为本发明中节点B的两个子网络集构建过程图；
图3为本发明中SZ(a)与NC(b)的无偏脑网络结构图；
图4为本发明中组间显著差异脑区；
图5为本发明中ROC曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
请参阅图1，本发明提供一种技术方案：一种结合节点属性与多层次拓扑的脑网络分类方法，包括：①先对功能性磁共振大脑影像(functional Magnetic ResonanceImaging，fMRI)数据做预处理，使用自动化解剖标记(Automated Anatomical Labeling，AAL)模板生成全脑网络功能连接矩阵，以DMN为感兴趣区域，利用Kruskal算法构造无偏脑网络。②在无偏脑网络上提取脑区节点介数作为局部属性，使用双样本t检验方法抽取具有组间显著差异的脑区特征。③在无偏脑网络上使用子网络核提取多层次拓扑特征，生成子网络核矩阵，使用核主成分分析方法(Kernel Principal Component Analysis,KPCA)抽取最优拓扑特征，最后组合两种不同类型的特征，使用线性SVM分类器对SZ患者组和NC对照组进行分类。
使用DPARSF(Data Processing Assistant for Resting-State fMRI)工具包对fMRI图像数据进行预处理，比如，删除前10个时间点数据，时间片的校正、头动的校正，本发明使用DARTEL(Diffeomorphic Anatomical Registration Through Exponentiated Liealgebra)配准方法将数据配准到标准空间，期间重新采样为3×3×3mm3体素，再进行平滑处理以去除协变量的影响，最后，进行滤波去噪，频率范围[0.01～0.08Hz]，以减少高频和极低频生理噪声影响而且这样能较好的反映神经元自发活动。
大量研究证实，在静息态功能脑网络中默认网络能保持相对稳定的状态，通过DMN可以研究功能脑网络连接的异常。本发明使用AAL图谱，从中找到DMN所包含的32个脑区，脑区名称如表1所示。
表1 DMN包含的脑区
脑网络的节点由上述32个脑区定义，节点的时间序列取脑区内所有体素时间序列的平均值，节点之间的连接权值由节点时间序列间的皮尔逊相关系数定义。
本发明使用Kruskal算法将加权全连接网络转换成稀疏度最小且权重最大的全连通无偏脑网络。
无偏脑网络的构建过程为:首先对加权全连接网络中所有边的权重进行降序排序，然后逐条添加权重最大的边。在添加的过程中，如果添加的边形成了循环，则丢弃这条边，直到包含所有的节点，则终止Kruskal算法。此时，完成SZ患者和NC对照组无偏脑网络的构建。
脑网络的节点属性与拓扑结构反映脑复杂系统的信息传输能力，它的异常可能与SZ病理特征相关。本发明将提取脑网络的局部属性和拓扑结构两方面特征。
节点介数是脑网络中一个重要的局部属性，被认为是SZ与NC分类中最相关的特征，可以用于SZ与NC脑网络的比较。因此，本发明使用节点介数来表征脑网络的局部属性，通过节点i的所有最短路径的数量定义为节点i的介数bci，如下：
其中，
表示通过节点i的节点h与节点j之间的最短路径数目；phj表示节点h和节点j之间的最短路径数目；n表示节点数；V表示节点集。
本发明采用子网络核方法捕获脑网络的拓扑结构特征，子网络核方法简要描述如下：
在每个网络节点上构建一组子网络，以便反映脑网络在多层次上的连通性。
G＝(V,E)和H＝(V,E′)表示一对脑网络，其中V代表脑网络的节点集，E和E′分别表示G与H的边集，各个脑网络拥有相同的大脑区域，即它们有相同的节点。
为了表达脑网络的多层次拓扑特性，在脑网络G＝(V,E)与网络H＝(V,E′)的每个节点Vi上分别定义两组子网络，如下所示：
其中，Vi j＝{<v∈V|S(v,vi)≤j>}，
其中S(·,vi)表示节点vi到其它节点之间最短路径长度，t表示所有S(·,vi)的最大值，也是子网集
和与
所包含的子网个数；
请参阅图2，图2描述了子网络核捕获脑网络G和H中节点B的多层次拓扑特征的过程(t＝3)。
是在节点B上构造的两个子网络集，
是由节点B及到节点B最短路径长度小于等于j的其它节点组成。
对于由n个节点组成的脑网络，可以得到n组子网络，如下所示：
脑网络G与H中同一节点的相似度就是两个网络中同一节点的所有子网络的相似度，如下所示：
其中，
表示一对子网络
和
的相似性，其值等于对应协方差矩阵
和
之间的相似度，如下所示：
其中，|·|表示行列式；
分别是在子网络
上的相应协方差矩阵；d表示幂迭代的数目：
其中，cov表示两个向量间的协方差；Wie表示给定的初始向量e上的邻接矩阵W的第i次幂迭代；||·||1是向量的l1范式；W是子网络的邻接矩阵；e是元素都为1的向量；C∈Rd ×d是协方差矩阵；d表示幂迭代的数目；
脑网络G与H的图核就是脑网络中所有节点对应子网络对的相似度，如下所示：
其中，n表示脑网络中的节点数目。
提取脑网络的节点介数属性，并使用双样本t检验从训练集中抽取具有显著差异的脑区(P<0.05)，所有差异脑区对应的介数构成一个特征向量，表示相应被试脑网络的节点属性特征。
主成分分析方法通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，即将多余重复的变量删去，使得新变量两两不相关，而且这些新变量还要保持原有的信息。因此，使用KPCA进行降维以获得最优拓扑特征。
KPCA的基本过程如下：①使用Sub-network Kernel函数，得到核矩阵K；②计算核矩阵K的特征值λ1、λ2、···、λN和特征向量v1、v2、···、vN；③确定m，当m满足公式
N是网络数，使得累积方差贡献率达到90％；在核主成分分析中，选用特征值较大的前m个主要成分作为分类特征，特征将包含足够的判别信息。
试验例
该实验数据来自于openfMRI数据库(https://www.openfmri.org/)，经筛选，满足数据收集条件的有99名，其中包含50名SZ患者与49名NC对照组。扫描参数：重复时间(Repetition Time，TR)为2000ms；回波时间(Echo Time，TE)为30ms；翻转角度为90度；切片厚度为4mm；切片数量为34；时间点数为152个。被试的基本信息统计情况如表2所示。
表2被试基本信息统计表
备注：a表示单因素方差分析。
本发明使用线性SVM分类器对SZ和NC进行分类。所有实验均采用10折交叉验证。具体地，被试数据集被随机分成10份，其中一份作为测试集，而其余九份作为训练集。10折交叉验证执行10次，将10次的算术平均值作为最终分类结果。
在实验中，使用子网络核提取脑网络的多层次拓扑特征，该方法中参数d与t都设置为3，d表示幂迭代的次数，t表示子网络集所包含的子网个数；为了使累积方差贡献率达到90％，在KPCA中，选用特征值较大的前m＝38个主要成分作为分类特征。
使用Kruskal算法得到SZ与NC所有被试的MST无偏脑网络，每个被试脑网络仅有32个节点、31条连边。该网络使用最少的连接，具有最高连通效能。其中SZ(No.01)与NC(No.01)的无偏脑网络如图3所示。
从图3看出，SZ患者和正常人的大脑在楔前叶区PCUN、左侧海马区HIP.L、双侧海马旁回PHG和后扣带回PCG的功能连接存在明显的差异。
使用双样本t检验，得到17个具有显著差异的脑区，如图4所示。
从图4可以看出，SZ组相对于NC组介数属性显著异常的脑区有：双侧楔前叶PCUN.L(P＝0.00214)和PCUN.R(P＝0.00003)、左侧海马HIP.L(P＝0.00041)、双侧海马旁回PHG.L(P＝0.03639)和PHG.R(P＝0.00540)、双侧后扣带回PCG.L(P＝0.00077)和PCG.R(P＝0.00004)、左侧额中回MFG.L(P＝0.00041)、眶部额中回ORBmid.L(P＝0.03612)和ORBmid.R(P＝0.00227)、颞中回MTG.L(P＝0.00279)和MTG.R(P＝0.00152)、颞极：颞中回TPOmid.L(P＝0.00081)和TPOmid.R(P＝0.00043)、右侧颞下回ITG.R(P＝0.00240)。
在本实验中，将局部介数属性和子网络核拓扑特征结合用于对SZ和NC进行分类。分类性能使用准确率、灵敏率、特异率和接收机工作特性曲线(Receiver OperatingCharacteristic，ROC)下面积(Area Under Curve，AUC)进行评价。为了对分类效果进行分析，本发明参考了他人的研究结果，如表3所示。
表3不同方法的分类性能
在同样的数据集下，本发明将提出的方法与仅使用单一特征的分类方法进行比较。(1)使用介数属性作为特征进行分类，用BP表示。(2)使用子网络核拓扑特征进行分类，用TP表示。三种特征的分类性能如表4所示，ROC曲线如图5所示。
表4三种特征分类性能
如图4所示，17个节点的介数属性均存在显著组间差异，与NC对照组相比，SZ患者在双侧楔前叶脑区有显著异常。该发现与目前关于SZ和DMN的研究结果相一致，比如：大尺度脑网络的研究发现，楔前叶区是整个大脑复杂系统全局通信的核心区域，参与多项重要的高水平认知加工整合功能，是大脑功能模块中DMN的核心区域，其拓扑性质与认知性能的个体和群体差异有关。文献]发现SZ患者在楔前叶区的网络连接存在显著异常,这种异常可能在SZ的病理生理学中起关键作用。
本研究还发现SZ患者左侧海马区HIP.L和双侧海马旁回PHG的介数属性和NC对照组存在显著差异。已有研究指出，SZ患者在海马区域存在异常的功能变化，海马区结构异常是SZ患者疾病早期的重要标记特征。
后扣带回PCG是DMN的中枢节点，参与脑网络的各种功能，它在疼痛和记忆中起重要作用,是情绪回路的重要组成部分，参与情感和自我评价等过程。SZ的异常脑区主要分布在扣带回、额叶回、楔前叶、缘上回等。扣带回和DMN的功能连接异常与SZ患者临床症状相关。
眶额皮层与产生愉快、尴尬、愤怒、悲伤等情绪有关，眶额皮层的损伤会导致严重的情绪失控。文献发现SZ左侧楔前叶、右侧眶额叶等区域的节点度和介数中心度均显著低于NC对照组。
此外，SZ患者组相对于NC对照组在颞中回MTG,颞极：颞中回TPOmid和右侧颞下回ITG.R介数属性显著异常，这些区域负责处理听觉信息，同时也与记忆、情感有关。最新文献证实SZ患者额叶和颞叶的连通性受损，颞叶病变常会引起精神类疾病。
总之，本发明发现的显著差异脑区包括双侧楔前叶、左侧海马区、双侧海马旁回、后扣带回等均为SZ患者的关键脑区，可以推测其异常的脑连接与其本身症状紧密相关。本发明的研究结果与已有的研究结论是一致的，这些区域的连接异常可能是SZ易患性生物学特征，对医学辅助诊断有重要意义。
为了评价KPCA在特征选择中的作用，本发明做了两方面的比较：1)在脑网络上仅执行子网络核算法，生成拓扑特征矩阵，输入线性SVM进行分类；2)在脑网络上执行子网络核算法并使用KPCA对特征矩阵降维，然后输入线性SVM进行分类，即本发明的TP方法。分类性能如表5所示。
从表5可以看出，子网络核特征矩阵使用KPCA降维后，分类准确率、灵敏率、特异率和AUC值显著提高。结果表明，KPCA在分类过程中起重要作用。这是因为KPCA能够对特征数据进行降维，从而去除噪声、保留相对重要的拓扑特征信息。此外，已有文献也证实在图核上使用KPCA可以进一步提高线性SVM的分类性能。
表5子网络核和TP的分类性能
如表3所示，与他人的分类结果相比，本发明的分类性能显著提高。Cheng使用介数属性作为分类特征，Xiang等人提取介数、聚类系数等五种属性作为分类特征，Moghimi使用度、介数、局部效率、特征路径长度等25种网络度量属性进行分类。以上文献都是以网络度量属性为特征进行分类，未充分考虑脑区之间的拓扑信息，可能会对分类有影响。Jie和Du选取子网特征进行分类，对单个脑区的变化不太敏感，丢失了属性特征。而Jie将向量核和图核特征融合后进行分类，分类准确率显著提高，但是该方法需要构建多个阈值网络，这就会涉及到阈值的选择。本发明使用MST构建无偏脑网络，避免了传统阈值选择的问题，而且将局部介数属性特征和子网络核多层次拓扑特征相结合，有效弥补了二者之不足。
如表4所示，本发明所提方法在准确率、灵敏率、特异率和AUC方面表现最出色。三种方法中，BP方法使用脑网络的介数属性作为特征进行分类，分类的准确率达85.09％。但是，BP方法尚未充分考虑脑区节点的多层次拓扑信息，可能影响到分类性能的进一步提升。
TP方法是通过在脑网络上执行子网络核算法并使用KPCA进行降维。从表4可以看出，与BP方法相比，该方法的分类性能有所提高，分类准确率达93.06％。这说明，SZ患者功能磁共振网络的拓扑和空间结构显著破坏，子网络核方法能有效捕获大脑的多层次拓扑特征，这与文献的发现相一致。但是TP方法无法发现对于医学界普遍关心的与病理相关的脑区变化。
与前两种方法相比，本发明提出的分类方法准确率是95.79％，灵敏率是100％，特异率是91.88％，AUC是0.89，分类性能明显好于BP和TP方法。这主要是因为节点属性和多层次拓扑结构从不同的角度捕获脑网络的特征，将二者有效的结合可以更好的描述脑网络之间的差异。
本发明提出一种节点属性特征和多层次拓扑特征相结合的精神分裂症分类模型。研究发现：①DMN的脑区连接发生了显著变化，主要包括：双侧楔前叶区PCUN、左侧海马区HIP.L和双侧海马旁回PHG、双侧后扣带回PCG、颞叶及眶额皮层。②本发明提出的方法显著提高了分类性能，既能发现异常的脑区，也能捕获到脑区节点的多层次拓扑特征，对精神分裂症的临床辅助诊断有重要意义。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种结合节点属性与多层次拓扑的脑网络分类方法，其特征在于，包括以下步骤：
S1获取功能性磁共振大脑影像数据，并进行预处理；
S2基于预处理后的数据，使用自动化解剖标记模板生成全脑网络功能连接矩阵，以DMN为感兴趣区域，利用Kruskal算法构造无偏脑网络；
S3在无偏脑网络上提取脑区节点介数作为局部属性特征，使用双样本t检验方法抽取具有组间显著差异的脑区特征；
S4在无偏脑网络上使用子网络核提取多层次拓扑特征，生成子网络核矩阵，使用核主成分分析方法抽取最优拓扑特征；
S5组合步骤S3和S4中获取的特征，使用线性SVM分类器对SZ患者组和NC对照组进行分类。
2.根据权利要求1所述的分类方法，其特征在于，步骤S1中，预处理步骤中，使用DPARSF工具包对影像数据进行预处理，具体包括：删除前10个时间点数据，时间片校正、头动校正；使用DARTEL配准方法将数据配准到标准空间，期间重新采样为3×3×3mm3体素；再进行平滑处理以去除协变量的影响；最后进行滤波去噪，频率范围0.01～0.08Hz。
3.根据权利要求1所述的分类方法，其特征在于，步骤S2中，利用Kruskal算法构造无偏脑网络的步骤包括：首先对DMN功能连接矩阵中所有边的权重进行降序排序，然后逐条添加权重最大的边；在添加的过程中，如果添加的边形成了循环，则丢弃这条边，直到包含所有的节点，则终止Kruskal算法。
4.根据权利要求1所述的分类方法，其特征在于，步骤S3中，通过节点i的所有最短路径的数量定义为节点i的介数bci，如下：
其中，
表示通过节点i的节点h与节点j之间的最短路径数目；phj表示节点h和节点j之间的最短路径数目；n表示节点数；V表示节点集。
5.根据权利要求1所述的分类方法，其特征在于，步骤S4中，使用子网络核提取多层次拓扑特征，具体包括：
在脑网络G＝(V,E)与网络H＝(V,E′)的每个节点Vi上分别定义两组子网络，如下所示：
其中，Vi j＝{<v∈V|S(v,vi)≤j>}，Vi′j＝{<v∈V|S(v,vi)≤j>}，
其中S(·,vi)表示节点vi到其它节点之间最短路径长度，t表示所有S(·,vi)的最大值，也是子网集
和与
所包含的子网个数；
对于由n个节点组成的脑网络，可以得到n组子网络，如下所示：
脑网络G与H中同一节点的相似度就是两个网络中同一节点的所有子网络的相似度，如下所示：
其中，
表示一对子网络
和
的相似性，其值等于对应协方差矩阵
和
之间的相似度，如下所示：
其中，|·|表示行列式；
分别是在子网络
上的相应协方差矩阵；d表示幂迭代的数目：
其中，cov表示两个向量间的协方差；Wie表示给定的初始向量e上的邻接矩阵W的第i次幂迭代；||·||1是向量的l1范式；W是子网络的邻接矩阵；e是元素都为1的向量；C∈Rd×d是协方差矩阵；d表示幂迭代的数目；
脑网络G与H的图核就是脑网络中所有节点对应子网络对的相似度，如下所示：
其中，n表示脑网络中的节点数目。
6.根据权利要求1所述的分类方法，其特征在于，在步骤S3中，提取脑网络的节点介数属性，并使用双样本t检验从训练集中抽取具有显著差异的脑区，所有差异脑区对应的介数构成一个特征向量，表示相应被试脑网络的节点属性特征。
7.根据权利要求1所述的分类方法，其特征在于，在步骤S4中，使用KPCA进行降维以获得最优拓扑特征具体包括：①使用Sub-network Kernel函数，得到核矩阵K；②计算核矩阵K的特征值λ1、λ2、...、λN和特征向量v1、v2、...、vN；③确定m，当m满足公式
N是网络数，使得累积方差贡献率达到90％；在核主成分分析中，选用特征值较大的前m个主要成分作为分类特征，特征将包含足够的判别信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011480046.XA CN112634214A (zh) | 2020-12-15 | 2020-12-15 | 一种结合节点属性与多层次拓扑的脑网络分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011480046.XA CN112634214A (zh) | 2020-12-15 | 2020-12-15 | 一种结合节点属性与多层次拓扑的脑网络分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112634214A true CN112634214A (zh) | 2021-04-09 |
Family
ID=75313166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011480046.XA Pending CN112634214A (zh) | 2020-12-15 | 2020-12-15 | 一种结合节点属性与多层次拓扑的脑网络分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112634214A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344883A (zh) * | 2021-06-10 | 2021-09-03 | 华南师范大学 | 一种多层形态学脑网络构建方法、智能终端及存储介质 |
| CN113706459A (zh) * | 2021-07-15 | 2021-11-26 | 电子科技大学 | 一种自闭症患者异常脑区的检测及模拟修复装置 |
| CN115715677A (zh) * | 2021-08-24 | 2023-02-28 | 深圳先进技术研究院 | 情绪识别模型的训练方法、训练装置、设备及存储介质 |
| CN117357132A (zh) * | 2023-12-06 | 2024-01-09 | 之江实验室 | 一种基于多层脑网络节点参与系数的任务执行方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110162549A (zh) * | 2019-04-01 | 2019-08-23 | 深圳市中电数通智慧安全科技股份有限公司 | 一种火灾数据分析方法、装置、可读存储介质及终端设备 |
-
2020
- 2020-12-15 CN CN202011480046.XA patent/CN112634214A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110162549A (zh) * | 2019-04-01 | 2019-08-23 | 深圳市中电数通智慧安全科技股份有限公司 | 一种火灾数据分析方法、装置、可读存储介质及终端设备 |
Non-Patent Citations (2)
| Title |
|---|
| 崔晓红: ""无偏脑网络分析方法研究及其在阿尔茨海默症中的应用"", 《中国优秀博硕士学位论文全文数据库(博士)基础科学辑》 * |
| 肖继海: ""节点属性和拓扑信息相结合的脑网络聚类模型"", 《计算机工程与科学》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344883A (zh) * | 2021-06-10 | 2021-09-03 | 华南师范大学 | 一种多层形态学脑网络构建方法、智能终端及存储介质 |
| CN113706459A (zh) * | 2021-07-15 | 2021-11-26 | 电子科技大学 | 一种自闭症患者异常脑区的检测及模拟修复装置 |
| CN113706459B (zh) * | 2021-07-15 | 2023-06-20 | 电子科技大学 | 一种自闭症患者异常脑区的检测及模拟修复装置 |
| CN115715677A (zh) * | 2021-08-24 | 2023-02-28 | 深圳先进技术研究院 | 情绪识别模型的训练方法、训练装置、设备及存储介质 |
| CN115715677B (zh) * | 2021-08-24 | 2023-07-07 | 深圳先进技术研究院 | 情绪识别模型的训练方法、训练装置、设备及存储介质 |
| CN117357132A (zh) * | 2023-12-06 | 2024-01-09 | 之江实验室 | 一种基于多层脑网络节点参与系数的任务执行方法及装置 |
| CN117357132B (zh) * | 2023-12-06 | 2024-03-01 | 之江实验室 | 一种基于多层脑网络节点参与系数的任务执行方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107909117B (zh) | 基于脑功能网络特征对早晚期轻度认知障碍的分类装置 | |
| CN112634214A (zh) | 一种结合节点属性与多层次拓扑的脑网络分类方法 | |
| 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 | |
| CN110598793B (zh) | 一种大脑功能网络特征分类方法 | |
| CN111524606A (zh) | 一种基于随机森林算法的肿瘤数据统计方法 | |
| CN113040715A (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
| CN112002428B (zh) | 以独立成分网络为参照的全脑个体化脑功能图谱构建方法 | |
| CN107358022A (zh) | 一种大脑功能网络的模块化分析方法 | |
| CN112418337B (zh) | 基于脑功能超网络模型的多特征融合数据分类方法 | |
| CN110084381A (zh) | 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 | |
| CN116503680B (zh) | 基于脑图谱的脑影像结构化分析和脑疾病分类系统 | |
| CN113693563A (zh) | 一种基于超图注意力网络的脑功能网络分类方法 | |
| CN117172294B (zh) | 一种稀疏脑网络的构建方法、系统、设备和存储介质 | |
| CN113947157A (zh) | 一种基于层次聚类和结构方程模型的动态脑效应连接网络生成方法 | |
| CN115272295A (zh) | 基于时域-空域联合状态的动态脑功能网络分析方法及系统 | |
| Lei et al. | Longitudinal study of early mild cognitive impairment via similarity-constrained group learning and self-attention based SBi-LSTM | |
| CN107256408B (zh) | 一种大脑功能网络的关键路径搜索方法 | |
| CN113283465B (zh) | 一种弥散张量成像数据分析方法及装置 | |
| CN113516186A (zh) | 一种面向脑疾病分类的模块化特征选择方法 | |
| CN114287910A (zh) | 一种基于多阶段图卷积融合的脑功能连接分类方法 | |
| CN112883905A (zh) | 基于粗粒度时频特征与多层级融合学习的人体行为识别方法 | |
| Wang et al. | Effective graph kernels for evolving functional brain networks | |
| CN112784886A (zh) | 一种基于多层最大生成树图核的脑图像分类方法 | |
| CN113298038B (zh) | 用于辅助诊断ad的多频脑网络区分子网络对的构建方法 | |
| CN114862834B (zh) | 一种静息态功能磁共振影像数据分类方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Cui Xiaohong Inventor after: Xiao Jihai Inventor after: Li Dandan Inventor after: Xiang Jie Inventor after: Li Haifang Inventor after: Xiao Dong Inventor before: Xiao Jihai Inventor before: Cui Xiaohong Inventor before: Xiao Dong Inventor before: Li Dandan Inventor before: Xiang Jie Inventor before: Li Haifang |
|
| CB03 | Change of inventor or designer information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210409 |
|
| RJ01 | Rejection of invention patent application after publication |