CN112990266A - 多模态脑影像数据处理的方法、装置、设备及存储介质 - Google Patents
多模态脑影像数据处理的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112990266A CN112990266A CN202110174424.XA CN202110174424A CN112990266A CN 112990266 A CN112990266 A CN 112990266A CN 202110174424 A CN202110174424 A CN 202110174424A CN 112990266 A CN112990266 A CN 112990266A
- Authority
- CN
- China
- Prior art keywords
- image data
- brain image
- feature
- verified
- modal
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种多模态脑影像数据处理的方法、装置、设备及存储介质,本方法包括:获取待研究多模态脑影像数据和待验证多模态脑影像数据;对待研究多模态脑影像数据和待验证多模态脑影像数据进行多变量特征提取,对应得到待挖掘特征和待验证特征;对待挖掘特征进行初级特征选择得到第一特征;对第一特征进行终极特征选择得到目标生物标志物和其特征索引序号;利用目标生物标志物构建多核支持向量机分类模型;利用目标生物标志物的特征索引序号和待验证特征得到待验证生物标志物,利用待验证生物标志物和多核支持向量机分类模型得到目标验证结果。多模态脑影像数据可以结合每个模态的独特信息,为理解克罗恩病脑影像生物标志物提供更为全面的角度。
Description
技术领域
本发明属于医疗设备领域,具体涉及一种多模态脑影像数据处理的方法、装置、设备及存储介质。
背景技术
克罗恩病(CD)是一种终生特发性和复发性炎症性肠病,其特征是肠壁从黏膜到浆膜层的肉芽肿性炎症,也有肠内和肠外表现。克罗恩病在发病部位和行为方面表现出综合性和异质性,在病程中可能涉及不同的愈合和复发事件。脑肠轴(BGA)和中枢神经系统功能异常在克罗恩病的发病与发展中起着重要作用。生物标志物指正常的生物学过程、病原过程或对治疗干预的药理反应的定量指标。神经影像将疾病从主观的描述性分类转换为基于大脑的客观测量,提供了一种结合脑肠轴和脑影像生物标志物变化的方式了解克罗恩病。
多模态磁共振影像可以有效组合不同模态之间的影像信息,并在多模态生物标志物分析中提供不同的分析角度。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技术。近来,一些基于rs-fMRI的研究通过对比研究克罗恩病人与健康人对照组后发现,克罗恩患者的低频波动幅度(ALFF),区域同质性(ReHo)和功能连接性(FC)相对于正常人是异常的。弥散张量成像(DTI)是一种鲁棒的、无创的技术,它可以通过测量水分子在神经组织中的随机运动来检测白质纤维束的方向和完整性,一些研究用扩散张量成像技术研究了炎症性肠病患者的脑白质结构。基于体素形态学分析(VBM)是一种基于体素对脑结构磁共振成像自动、全面、客观的分析技术,可以在活体脑进行精确的形态学研究。VBM通过定量计算分析MRI中每个体素的脑灰质体积(GMV)的变化来反映相应解剖结构的差异,是评价脑部灰质病变的一种新的方法。
传统的克罗恩病生物标志物提取过程需要结合临床表现、内镜、影像学和病理组织学进行综合分析并随访观察,脑影像是一类非侵入性手段,使得患者免于内窥镜检查带来的痛苦。而基于单模态脑影像的克罗恩病生物标志物往往不能有效利用不同模态之间的互补信息,造成筛选得到的生物标志物可靠性不如多模态生物标志物的高。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种多模态脑影像数据处理的方法、装置、设备及存储介质。本发明要解决的技术问题通过以下技术方案实现:
本发明的一个实施例提供了一种多模态脑影像数据处理的方法,包括:
获取待研究多模态脑影像数据组和待验证多模态脑影像数据组;
对所述待研究多模态脑影像数据组和所述待验证多模态脑影像数据组分别进行多变量特征提取,对应得到待挖掘特征和待验证特征;
对所述待挖掘特征进行初级特征选择得到第一特征;
对所述第一特征进行终极特征选择得到目标生物标志物和所述目标生物标志物的特征索引序号;
利用所述目标生物标志物构建多核支持向量机分类模型;
利用所述目标生物标志物的特征索引序号和所述待验证特征得到待验证生物标志物;
利用所述待验证生物标志物和所述多核支持向量机分类模型得到目标验证结果。
在本发明的一个实施例中,对所述待挖掘特征进行初级特征选择得到第一特征,包括:
利用留一Mann-Whitney U检验法对所述待挖掘特征进行初级特征选择得到所述第一特征。
在本发明的一个实施例中,利用留一Mann-Whitney U检验法对所述待挖掘特征进行初级特征选择得到所述第一特征,包括:
对所述待挖掘特征进行Mann-Whitney U检验得到待挖掘检验值;
利用留一法框架对所述待挖掘检验值进行循环筛选得到所述待挖掘检验值的被保留次数;
利用所述待挖掘检验值的被保留次数得到所述第一特征。
在本发明的一个实施例中,对所述第一特征进行终极特征选择得到目标生物标志物,包括:
基于弹性网络模型对所述第一特征进行终极特征选择得到所述目标生物标志物。
在本发明的一个实施例中,基于弹性网络模型对所述第一特征进行终极特征选择得到所述目标生物标志物,包括:
对所述第一特征进行单次弹性网络特征选择得到第二特征;
对所述第二特征进行多次循环特征选择得到第三特征;
根据所述第三特征被保留的次数得到所述目标生物标志物。
在本发明的一个实施例中,利用所述目标生物标志物构建多核支持向量机分类模型,包括:
基于网格搜索法,利用所述目标生物标志物得到各个模态脑影像的最佳参数模型;
利用网格搜索法搜寻各个模态脑影像进行线性组合时的最佳融合系数;
利用所述最佳参数模型和所述最佳融合系数得到所述多核支持向量机分类模型。
在本发明的一个实施例中,所述待研究多模态脑影像数据组和所述待验证多模态脑影像数据组均包括:静息态功能磁共振影像模态数据组、弥散张量成像模态数据组和结构磁共振影像模态数据组。
本发明的一个实施例提供了一种多模态脑影像数据处理的装置,包括:
影像采集模块,用于获取待研究多模态脑影像数据组和待验证多模态脑影像数据组;
特征提取模块,用于对所述待研究多模态脑影像数据组和所述待验证多模态脑影像数据组分别进行多变量特征提取,对应得到待挖掘特征和待验证特征;
生物标志物提取模块,用于对所述待挖掘特征进行特征选择得到目标生物标志物,利用所述目标生物标志物构建多核支持向量机分类模型,并利用所述目标生物标志物和所述待验证特征得到待验证生物标志物;
生物标志物验证模块,用于利用所述多核支持向量机分类模型验证所述待验证生物标志物得到目标验证结果。
本发明的一个实施例提供了一种多模态脑影像数据处理的设备,包括:处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时,实现任一项所述的方法步骤。
本发明的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所述的方法步骤。
与现有技术相比,本发明的有益效果:
为了有效利用不同模态之间的互补信息,本发明公开了一种多模态脑影像数据处理的方法,利用待研究多模态脑影像数据组和待验证多模态脑影像数据组进行多变量特征提取及特征选择得到目标生物标志物,进而利用目标生物标志物构建多核支持向量机分类模型,该多核支持向量机分类模型对待验证生物标志物的各个模态进行验证得到识别克罗恩病准确性的目标验证结果。多模态脑影像数据组可以结合每个模态的独特信息,为理解克罗恩病脑影像生物标志物提供更为全面的角度。
附图说明
图1是本实施例提供的一种多模态脑影像数据处理的方法流程图;
图2是本实施例提供的一种多模态脑影像数据处理的方法示意图;
图3是本实施例提供的一种留一Mann-Whitney U检验实施方式示意图;
图4是本实施例提供的一种多模态与单模态数据对生物标志物验证准确率结果比较的示意图;
图5是本实施例提供的一种多模态脑影像数据处理的装置结构示意图;
图6是本实施例提供的一种多模态脑影像数据处理的设备的结构示意图。
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。
需要说明的是,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者更多个该特征。
实施例一
请参见图1和图2,图1是本实施例提供的一种多模态脑影像数据处理的方法流程图,图2是本实施例提供的一种多模态脑影像数据处理的方法示意图。本实施例公开了一种多模态脑影像数据处理的方法,包括:
步骤1、获取待研究多模态脑影像数据组和待验证多模态脑影像数据组。
在本实施例中,首先需要获取到待研究多模态脑影像数据组和待验证多模态脑影像数据组,待研究多模态脑影像数据组和待验证多模态脑影像数据组均包括:静息态功能磁共振影像模态数据组、弥散张量成像模态数据组和结构磁共振影像模态数据组。
具体地,通过功能性核磁共振成像获取待研究静息态功能磁共振影像数据组和待验证静息态功能磁共振影像数据组,通过弥散张量成像获得待研究弥散张量成像数据组和待验证弥散张量成像数据组,通过T1加权成像获得待研究结构磁共振影像数据组和待验证结构磁共振影像数据组。
步骤2、对待研究多模态脑影像数据组和待验证多模态脑影像数据组分别进行多变量特征提取,对应得到待挖掘特征和待验证特征。
具体地,需要对三种模态的脑影像数据组进行多变量特征提取。
待研究多模态脑影像数据组和待验证多模态脑影像数据组均分为克罗恩病人组和健康人对照组,克罗恩病人组和健康人对照组均包括静息态功能磁共振影像模态数据组、弥散张量成像模态数据组和结构磁共振影像模态数据组。
对待研究多模态脑影像数据组和待验证多模态脑影像数据组经过多变量特征提取处理分别得到待研究多模态脑影像数据组的静息态功能磁共振脑影像数据组、弥散张量成像数据组和结构磁共振影像数据组的待挖掘特征以及待验证多模态脑影像数据组的静息态功能磁共振脑影像数据组、弥散张量成像数据组和结构磁共振影像数据组的待验证特征。
静息态功能磁共振脑影像数据组对应的待挖掘特征和待验证特征均包括:低频振幅(ALFF)、局部一致性(ReHo)和功能连接度(FC);弥散张量成像数据组对应的待挖掘特征和待验证特征均包括:各向异性(FA)、平均扩散率(MD)、径向扩散系数(RD)和轴向扩散系数(AD)、各向异性矩阵(FA Matrix)、纤维束数量(Fiber Number)和纤维束长度(FiberLength)作为弥散张量成像模态数据特征;结构磁共振影像数据组对应的待挖掘特征和待验证特征均包括:灰质体积(GMV)作为结构磁共振影像模态特征。
克罗恩病人或健康人的脑区之间的功能连接度(FC)可根据皮尔森相关系数进行计算。
基于确定性追踪技术计算克罗恩病人或健康人的脑区之间纤维束上的平均各向异性指数矩阵(FA Matrix),纤维束数量(Fiber Number)和纤维束长度(Fiber Length)。
对静息态功能磁共振影像进行多变量特征提取要先将功能性核磁共振影像的前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和头部运动校正,在基于记录的运动校正时,将静息态功能磁共振影像的测试个体在每个方向上的最大平移设置为2mm,并且将该测试个体在功能性核磁共振成像期间的最大运动角度设置为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。
对弥散张量成像进行多变量特征提取包括对每个图像的涡流校正、去脑壳和配准至标准模板,然后计算生成FA、MD、RD和AD等相关数值,并基于FA值和确定性纤维追踪方法计算出每个脑区之间纤维束上的平均各向异性指数矩阵(FA Matrix)、纤维束数量(FiberNumber)和纤维束长度(Fiber Length)。其中,FA表示各向异性,MD表示平均扩散率,RD表示径向扩散系数,AD表示轴向扩散系数。
对结构磁共振脑影像进行多变量特征提取是利用仿射变换将元空间的结构MRI(Magnetic Resonance Imaging,核磁共振)图像映射到MNI152标准空间,并校正不同被测试结构磁共振脑影像在扫描过程中的大脑位置和旋转角度。然后将图像分割成体积为1.5×1.5×1.5mm3的灰质图像。对分割得到的灰质图像进行非线性变换调制以分析和校正局部灰质体积差异。最后,为了提高信噪比和减弱图像配准误差的影响,对得到的灰质图像进行(半高全宽[FWHM]=8mm)各向同性高斯核平滑处理。
步骤3、对所述待挖掘特征进行初级特征选择得到第一特征。
请参见图3,图3是本实施例提供的一种留一Mann-Whitney U检验实施方式示意图,利用留一Mann-Whitney U检验法对待挖掘特征进行初级特征选择得到第一特征。
具体地,利用留一Mann-Whitney U检验法对待挖掘特征中的克罗恩病人组和健康对照组进行初级特征选择得到克罗恩病人组的待挖掘检验值和健康对照组的待挖掘检验值,初级特征选择的特征包括:功能连接度、各向异性矩阵、纤维束数量和纤维束长度四种特征。
步骤3包括:
步骤3.1、对待挖掘特征进行Mann-Whitney U检验得到待挖掘检验值。
具体地,通过Mann-Whitney U检验方法对待挖掘特征进行检验后,会得到若干检验值,本实施例选择在预设范围内的p值对应的待挖掘特征得到的检验值为待挖掘检验值,预设范围为p值较小的范围,p值为Mann-Whitney U检验方法得到的一种统计数值,预设范围可设置为待挖掘检验值中由小到大的x%的值。
利用功能连接度、各向异性矩阵、纤维束数量和纤维束长度四种特征的每个特征单独计算克罗恩病人组和健康人对照组之间的p值,具体地,需要先对克罗恩病人组和健康人对照组的样本进行分离,然后利用Scipy科学计算库中的mannwhitneyu函数计算每个特征对于两个组别之间的p值。
步骤3.2、利用留一法框架对待挖掘检验值进行循环筛选得到待挖掘检验值的被保留次数。
具体地,设定p值为阈值,去除当前特征中实际计算得到的大于该阈值的p值对应的特征,阈值可选择的值为:0.1、0.01、0.05、0.001,对保留的待挖掘特征的索引序号进行存储。每一次被保留的特征对应一个索引序号,如第一次被保留的特征对应的索引序号为1,第二次被保留的特征对应的索引序号为2,则被保留的特征的索引序号便对应其被保留次数。
步骤3.3、利用待挖掘检验值的被保留次数得到第一特征。
具体地,保留的待挖掘检验值为第一特征。
步骤4、对第一特征进行终极特征选择得到目标生物标志物。
进一步地,基于弹性网络模型对第一特征进行终极特征选择得到目标生物标志物。
具体地,构建弹性网络模型作为潜入特征选择模型,对第一特征中与克罗恩病不相关的特征进行滤除,保留对识别克罗恩病最敏感的特征组作为目标生物标志物。
将经过Mann-Whitney U检验法检验的功能连接度、各向异性矩阵、纤维束数量和纤维束长度四种特征与其余特征进行一维拼接,使用Scikit-learn机器学习库中的弹性网络函数构建多个弹性网络模型,通过十折交叉验证法选出最佳参数弹性网络模型,并基于该最佳参数弹性网络模型对输入特征进行特征选择,即本实施例中涉及的弹性网络模型为该最佳参数弹性网络模型。
步骤4包括:
步骤4.1、对第一特征进行单次弹性网络特征选择得到第二特征。
具体地,对弹性网络模型的L1惩罚项参数和L2惩罚项参数规定最佳参数搜索范围,为每个独立弹性网络模型的L1惩罚项参数和L2惩罚项参数的组合赋值,直到最佳参数搜索范围内的值穷尽为止,对于每个独立的弹性网络模型,将全部数据集以9:1的比例分为十折,轮流将其中9折作为训练集,剩余1折作为测试集来评估模型,以最小二乘法损失值作为评估指标,求解弹性网络模型。
对每个弹性网络重复上述求解弹性网络模型的过程十次,将十次评估指针的平均值作为该独立弹性网络模型的十折交叉验证结果。
利用弹性网络模型对第二特征进行单次弹性网络特征选择得到第三特征。
步骤4.2、对第二特征进行多次循环特征选择得到第三特征。
具体地,对每个弹性网络重复上述求解弹性网络模型的过程十次得到十折交叉验证结果,将评估指标最高弹性网络模型所赋L1惩罚项参数和L2惩罚项参数作为最佳参数组合,基于最佳参数组合的弹性网络模型重新对一维拼接后的模型进行特征选择,得到单次弹性网络模型特征选择结果。
即对第二特征进行上述重复过程的弹性网络模型的求解得到十折交叉验证结果,该十折交叉验证结果即为第三特征。
步骤4.3、根据第三特征的被保留次数得到目标生物标志物。
具体地,对上述重复求解弹性网络模型的过程循环100次,每次循环前对所有样本顺序及相应的标签顺序进行打乱,对每次循环筛选得到的第三特征的特征索引序号进行存储,利用第三特征进行上述重复求解弹性网络模型的过程循环100次,最终得到第三特征被保留的特征索引序号,第三特征被保留的特征索引序号为其被保留的次数。
待100次循环结束后统计第三特征出现的频率来进行最终特征筛选,频率为第三特征被保留次数和总统计次数的比值,例如选择频率为1、0.9、0.8等值的第三特征。最终得到符合频率要求的所有第三特征组成的特征组作为克罗恩病特异性生物标志物,此克罗恩病特异性生物标志物为目标生物标志物。
步骤5、利用目标生物标志物构建多核支持向量机分类模型。
请参见图4,图4是本实施例提供的一种多模态与单模态数据对生物标志物验证准确率结果比较的示意图,其中,横坐标中的参数含义为:Multi-kernel为多核方法,Concatenate为特征拼接方法,rs-fMRI为单独静息态功能磁共振模态,DTI为单独弥散张量成像模态,sMRI为单独结构磁共振影像模态,fALFF为单独低频波动的分数幅度特征,FC为单独功能连接度特征,ReHo为单独局部一致性特征,FA为单独各项异性系数特征,MD为单独平均弥散系数特征,RD为单独径向弥散系数特征,AD为单独轴向弥散系数特征,FA Matrix为单独各项异性系数矩阵特征,Fiber Number为单独纤维束数量特征,Fiber Length为单独纤维束长度特征。纵坐标中的参数含义为:Accuracy为分类准确率。
进一步地,步骤5包括:
步骤5.1、基于网格搜索法,利用目标生物标志物得到各个模态脑影像的最佳参数模型。
在本实施例中,根据目标生物标志物将三种模态的生物标志物分离为单个模态的生物标志物,即静息态功能磁共振影像生物标志物、弥散张量成像影像生物标志物和结构磁共振影像组生物标志物,对每种模态的生物标志物使用网格搜索法寻找最佳参数模型。
具体地,将三个模态的生物标志物特征矩阵分离为三个独立模态的特征矩阵,作为每个模态基级支持向量机分类模型的输入;设定基级支持向量机分类模型的参数范围,核函数类型设定选择范围为linear、poly、rbf,然后设置其他超参数范围(gamma,C);使用Scikit-learn机器学习库中的支持向量机模型,结合十折交叉验证超参数网格搜索框架,将评价指标设置为分类准确率,确定各个基级分类器的超参数组合;对三种模态分类模型都进行上述步骤超参数网格搜索步骤,确定每个模态的基级最佳参数组合支持向量机模型。
步骤5.2、利用网格搜索法搜寻各个模态脑影像进行线性组合时的最佳融合系数。
在本实施例中,根据三种模态独立的最优参数基级支持向量机分类模型,使用线性组合方式融合三种模态的核矩阵得到多模态核矩阵,使用网格搜索法确定三种模态的最佳融合系数。
具体地,利用最优参数基级支持向量机分类模型和生物标志物特征矩阵计算每个模态的核矩阵,得到三个模态各自的核矩阵;使用线性融合方式对三个模态的核矩阵进行融合,每个核矩阵都会赋值一个0到1之间的小数作为融合系数,将各自模态下的核矩阵与该线性融合系数相乘后,再将三个相乘后的矩阵相加,得到多模态核矩阵;将得到的多模态核矩阵作为多核支持向量机的核矩阵,结合十折交叉验证法训练该线性融合系数下的多核支持向量机模型,取十次交叉验证结果的平均值作为该线性融合系数下的多核支持向量机模型性能;规定每个模态线性融合系数的范围,并保证三个模态的融合系数相加等于1。对每种线性融合系数下的多核支持向量机通过多模态核矩阵和多核支持向量机模型性能的计算分类准确率,并取其中分类准确率最高的多核支持向量机模型融合系数作为最佳融合系数。
步骤5.3、利用最佳参数模型和最佳融合系数得到多核支持向量机分类模型。
在本实施例中,将最优融合系数和多模态核矩阵作为最优多核支持向量机分类模型的参数组合,并重新使用该模型对经过生物标志物特征矩阵进行训练,得到多核支持向量机分类模型。
步骤6、利用目标生物标志物的特征索引序号和待验证特征得到待验证生物标志物。
基于目标生物标志物的特征索引序号,在待验证特征中选取该特征索引序号的特征作为待验证生物标志物。
步骤7、利用待验证生物标志物和多核支持向量机分类模型得到目标验证结果。
具体地,基于十折交叉验证法,根据待验证生物标志物和多核支持向量机分类模型进行生物标志物验证得到目标验证结果,包括:
步骤7.1、获取待验证生物标志物;
步骤7.2、基于径向基函数,利用目标生物标志物的特征矩阵和待验证生物标志物的特征矩阵得到待验证核矩阵;
步骤7.3、利用线性组合方式和最佳融合系数对每个模态下的待验证核矩阵进行计算得到待验证多模态核矩阵;
步骤7.4、根据待验证多模态核矩阵与多核支持向量机分类模型计算得到待验证生物标志物的分类结果,该待验证生物标志物的分类结果为识别克罗恩病准确性的验证结果,该验证结果为目标验证结果。
综上所述,本实施例利用待研究多模态脑影像数据和待验证多模态脑影像数据进行多变量特征提取及特征选择得到目标生物标志物,进而利用目标生物标志物构建多核支持向量机分类模型,该多核支持向量机分类模型对待验证生物标志物的各个模态进行验证得到识别克罗恩病准确性的目标验证结果。多模态脑影像数据可以结合每个模态的独特信息,为理解克罗恩病脑影像生物标志物提供更为全面的角度。
实施例二
请参见图5,图5是本实施例提供的一种多模态脑影像数据处理的装置结构示意图。本实施例公开了一种多模态脑影像数据处理的装置,包括:
影像采集模块1,用于获取待研究多模态脑影像数据和待验证多模态脑影像数据;
特征提取模块2,用于对待研究多模态脑影像数据和待验证多模态脑影像数据分别进行多变量特征提取,对应得到待挖掘特征和待验证特征;
生物标志物提取模块3,用于对待挖掘特征进行特征选择得到目标生物标志物,利用目标生物标志物构建多核支持向量机分类模型,并利用目标生物标志物和待验证特征得到待验证生物标志物;
生物标志物验证模块4,用于利用多核支持向量机分类模型验证待验证生物标志物得到目标验证结果。
在本实施例中,影像采集模块1用于获取待研究多模态脑影像数据和待验证多模态脑影像数据,待研究多模态脑影像数据和待验证多模态脑影像数据均包括:静息态功能磁共振影像模态数据、弥散张量成像模态数据和结构磁共振影像模态数据。
特征提取模块2用于对待研究多模态脑影像数据和待验证多模态脑影像数据分别进行多变量特征提取,对应得到待挖掘特征和待验证特征。需要对三种模态的脑影像数据进行多变量特征提取,三种模态分别为静息态功能磁共振影像模态数据、弥散张量成像模态数据和结构磁共振影像模态数据。
生物标志物提取模块3用于对待挖掘特征进行特征选择得到目标生物标志物,并利用目标生物标志物构建多核支持向量机分类模型,然后利用目标生物标志物和待验证特征得到待验证生物标志物。
生物标志物验证模块4用于利用多核支持向量机分类模型验证待验证生物标志物得到目标验证结果。具体地,基于十折交叉验证法,根据待验证生物标志物和多核支持向量机分类模型进行生物标志物验证得到目标验证结果。
实施例三
请参见图6,图6是本实施例提供的一种多模态脑影像数据处理的设备的结构示意图。本实施例公开了一种多模态脑影像数据处理的设备,包括:处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时,实现本实施例中任一项的方法步骤。
本发明实施例提供的一种多模态脑影像数据处理的设备,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
实施例四
本实施例公开了一种计算机可读存储介质,其上存储有计算机程序,上述计算机程序被处理器执行时实现以下方法步骤:
步骤1、获取待研究多模态脑影像数据组和待验证多模态脑影像数据组;
步骤2、对所述待研究多模态脑影像数据组和所述待验证多模态脑影像数据组分别进行多变量特征提取,对应得到待挖掘特征和待验证特征;
步骤3、对所述待挖掘特征进行初级特征选择得到第一特征;
步骤4、对所述第一特征进行终极特征选择得到目标生物标志物和所述目标生物标志物的特征索引序号;
步骤5、利用所述目标生物标志物构建多核支持向量机分类模型;
步骤6、利用所述目标生物标志物的特征索引序号和所述待验证特征得到待验证生物标志物;
步骤7、利用所述待验证生物标志物和所述多核支持向量机分类模型得到目标验证结果。
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)
1.一种多模态脑影像数据处理的方法,其特征在于,包括:
获取待研究多模态脑影像数据组和待验证多模态脑影像数据组;
对所述待研究多模态脑影像数据组和所述待验证多模态脑影像数据组分别进行多变量特征提取,对应得到待挖掘特征和待验证特征;
对所述待挖掘特征进行初级特征选择得到第一特征;
对所述第一特征进行终极特征选择得到目标生物标志物和所述目标生物标志物的特征索引序号;
利用所述目标生物标志物构建多核支持向量机分类模型;
利用所述目标生物标志物的特征索引序号和所述待验证特征得到待验证生物标志物;
利用所述待验证生物标志物和所述多核支持向量机分类模型得到目标验证结果。
2.根据权利要求1所述的多模态脑影像数据处理的方法,其特征在于,对所述待挖掘特征进行初级特征选择得到第一特征,包括:
利用留一Mann-Whitney U检验法对所述待挖掘特征进行初级特征选择得到所述第一特征。
3.根据权利要求2所述的多模态脑影像数据处理的方法,其特征在于,利用留一Mann-Whitney U检验法对所述待挖掘特征进行初级特征选择得到所述第一特征,包括:
对所述待挖掘特征进行Mann-Whitney U检验得到待挖掘检验值;
利用留一法框架对所述待挖掘检验值进行循环筛选得到所述待挖掘检验值的被保留次数;
利用所述待挖掘检验值的被保留次数得到所述第一特征。
4.根据权利要求1所述的多模态脑影像数据处理的方法,其特征在于,对所述第一特征进行终极特征选择得到目标生物标志物,包括:
基于弹性网络模型对所述第一特征进行终极特征选择得到所述目标生物标志物。
5.根据权利要求4所述的多模态脑影像数据处理的方法,其特征在于,基于弹性网络模型对所述第一特征进行终极特征选择得到所述目标生物标志物,包括:
对所述第一特征进行单次弹性网络特征选择得到第二特征;
对所述第二特征进行多次循环特征选择得到第三特征;
根据所述第三特征的被保留次数得到所述目标生物标志物。
6.根据权利要求1所述的多模态脑影像数据处理的方法,其特征在于,利用所述目标生物标志物构建多核支持向量机分类模型,包括:
基于网格搜索法,利用所述目标生物标志物得到各个模态脑影像的最佳参数模型;
利用网格搜索法搜寻各个模态脑影像进行线性组合时的最佳融合系数;
利用所述最佳参数模型和所述最佳融合系数得到所述多核支持向量机分类模型。
7.根据权利要求1所述的多模态脑影像数据处理的方法,其特征在于,所述待研究多模态脑影像数据组和所述待验证多模态脑影像数据组均包括:静息态功能磁共振影像模态数据组、弥散张量成像模态数据组和结构磁共振影像模态数据组。
8.一种多模态脑影像数据处理的装置,其特征在于,包括:
影像采集模块(1),用于获取待研究多模态脑影像数据组和待验证多模态脑影像数据组;
特征提取模块(2),用于对所述待研究多模态脑影像数据组和所述待验证多模态脑影像数据组分别进行多变量特征提取,对应得到待挖掘特征和待验证特征;
生物标志物提取模块(3),用于对所述待挖掘特征进行特征选择得到目标生物标志物,利用所述目标生物标志物构建多核支持向量机分类模型,并利用所述目标生物标志物和所述待验证特征得到待验证生物标志物;
生物标志物验证模块(4),用于利用所述多核支持向量机分类模型验证所述待验证生物标志物得到目标验证结果。
9.一种多模态脑影像数据处理的设备,其特征在于,包括:处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时,实现权利要求1-7任一项所述的方法步骤。
10.一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权利要求1-7任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110174424.XA CN112990266B (zh) | 2021-02-07 | 2021-02-07 | 多模态脑影像数据处理的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110174424.XA CN112990266B (zh) | 2021-02-07 | 2021-02-07 | 多模态脑影像数据处理的方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990266A true CN112990266A (zh) | 2021-06-18 |
CN112990266B CN112990266B (zh) | 2023-08-15 |
Family
ID=76347788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110174424.XA Active CN112990266B (zh) | 2021-02-07 | 2021-02-07 | 多模态脑影像数据处理的方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990266B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114722950A (zh) * | 2022-04-14 | 2022-07-08 | 武汉大学 | 一种多模态的多变量时间序列自动分类方法及装置 |
CN116309336A (zh) * | 2023-01-20 | 2023-06-23 | 首都医科大学宣武医院 | 一种血管认知障碍的关键影像标记物的提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017106498A1 (en) * | 2015-12-16 | 2017-06-22 | The Medical College Of Wisconsin, Inc. | Systems and methods for quantitatively characterizing alzheimer's disease risk events based on multimodal biomarker data |
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 |
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 |
CN110603592A (zh) * | 2017-05-12 | 2019-12-20 | 国立研究开发法人科学技术振兴机构 | 生物标志物检测方法、疾病判断方法、生物标志物检测装置和生物标志物检测程序 |
CN110833414A (zh) * | 2019-11-28 | 2020-02-25 | 广州中医药大学第一附属医院 | 一种鼻咽癌放疗后放射性脑损伤生物标志物的多模态分子成像策略 |
CN112043273A (zh) * | 2020-09-07 | 2020-12-08 | 西安电子科技大学 | 一种脑影像数据处理方法、装置、设备以及存储介质 |
-
2021
- 2021-02-07 CN CN202110174424.XA patent/CN112990266B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017106498A1 (en) * | 2015-12-16 | 2017-06-22 | The Medical College Of Wisconsin, Inc. | Systems and methods for quantitatively characterizing alzheimer's disease risk events based on multimodal biomarker data |
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 |
CN110603592A (zh) * | 2017-05-12 | 2019-12-20 | 国立研究开发法人科学技术振兴机构 | 生物标志物检测方法、疾病判断方法、生物标志物检测装置和生物标志物检测程序 |
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 |
CN110833414A (zh) * | 2019-11-28 | 2020-02-25 | 广州中医药大学第一附属医院 | 一种鼻咽癌放疗后放射性脑损伤生物标志物的多模态分子成像策略 |
CN112043273A (zh) * | 2020-09-07 | 2020-12-08 | 西安电子科技大学 | 一种脑影像数据处理方法、装置、设备以及存储介质 |
Non-Patent Citations (3)
Title |
---|
朱静;徐维国;肖欢;周莹;: "影像组学联合预测模型在预测非小细胞肺癌淋巴结转移中的建立和应用价值", 四川大学学报(医学版), no. 03 * |
王鑫;高原;王彬;孙婕;相洁;: "多模态网络融合在轻度认知障碍分类中的应用", 计算机应用, no. 12 * |
雷炳业;潘嘉瑜;吴逢春;陆小兵;宁玉萍;陈军;吴凯;: "基于机器学习的神经精神疾病辅助诊断研究进展", 中国医学物理学杂志, no. 02 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114722950A (zh) * | 2022-04-14 | 2022-07-08 | 武汉大学 | 一种多模态的多变量时间序列自动分类方法及装置 |
CN114722950B (zh) * | 2022-04-14 | 2023-11-07 | 武汉大学 | 一种多模态的多变量时间序列自动分类方法及装置 |
CN116309336A (zh) * | 2023-01-20 | 2023-06-23 | 首都医科大学宣武医院 | 一种血管认知障碍的关键影像标记物的提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112990266B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Raffelt et al. | Connectivity-based fixel enhancement: Whole-brain statistical analysis of diffusion MRI measures in the presence of crossing fibres | |
CN103908256B (zh) | 用于支持多参数图像的获取的设备和方法 | |
Peled et al. | Geometrically constrained two-tensor model for crossing tracts in DWI | |
US9424644B2 (en) | Methods and systems for evaluating bone lesions | |
El-Rafei et al. | Glaucoma classification based on visual pathway analysis using diffusion tensor imaging | |
US10307139B2 (en) | System, method and computer-accessible medium for diffusion imaging acquisition and analysis | |
CN112036678B (zh) | 一种磁共振影像的综合质量评价体系构建方法及质控方法 | |
CN112990266B (zh) | 多模态脑影像数据处理的方法、装置、设备及存储介质 | |
JP5591687B2 (ja) | 画像処理方法 | |
WO2013086026A1 (en) | System and method of automatically detecting tissue abnormalities | |
CN113298758A (zh) | 阿尔兹海默症的辅助诊断系统、其数据处理方法及终端 | |
Zhang et al. | Learning-based structurally-guided construction of resting-state functional correlation tensors | |
Dong et al. | Identifying carotid plaque composition in MRI with convolutional neural networks | |
CN112043273B (zh) | 一种脑影像数据处理方法、装置、设备以及存储介质 | |
Yang et al. | Diagnosis of Parkinson’s disease based on 3D ResNet: The frontal lobe is crucial | |
Li et al. | Attention-based and micro designed EfficientNetB2 for diagnosis of Alzheimer’s disease | |
Aja-Fernández et al. | Validation of deep learning techniques for quality augmentation in diffusion MRI for clinical studies | |
US20070036409A1 (en) | System and method for automatic segmentation of vessels in breast MR sequences | |
KR102503646B1 (ko) | 뇌경색 볼륨 계산 기반의 뇌경색 예측 방법 및 그를 위한 장치 | |
WO2020056196A1 (en) | Fully automated personalized body composition profile | |
CN112184613A (zh) | 基于人工智能的磁共振肺部影像识别装置及方法 | |
KR102447400B1 (ko) | 딥러닝 모델을 이용한 병변 영역 추출 기반의 뇌경색 예측 방법 및 그를 위한 장치 | |
Ugurlu et al. | Neighborhood resolved fiber orientation distributions (NRFOD) in automatic labeling of white matter fiber pathways | |
Nugroho et al. | Quad Convolutional Layers (QCL) CNN Approach for Classification of Brain Stroke in Diffusion Weighted (DW)-Magnetic Resonance Images (MRI). | |
Yu et al. | Local tests for identifying anisotropic diffusion areas in human brain with DTI |
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 |