CN113723485B - 一种轻微肝性脑病脑影像超图处理方法 - Google Patents

Abstract

本发明公开了一种轻微肝性脑病脑影像超图处理方法，采集被试的静息态fMRI数据并预处理，将采用AAL模板标记的大脑区域作为感兴趣区域，得到每个脑区的平均时间序列；利用每个被试的各脑区时间序列构建两种不同层次的功能连接超网络并提取特征数据；构建机器学习分类模型并用其将所提取的特征数据进行分类；利用网格搜索的方式调整优化功能连接超网络及机器学习分类模型的参数，采用优化后的功能连接超网络及机器学习分类模型，对脑影像超图进行分类处理。本发明可以表征脑区之间更为复杂的功能交互。

Description

一种轻微肝性脑病脑影像超图处理方法

技术领域

本发明涉及计算机辅助诊断技术方法，特别涉及一种轻微肝性脑病脑影像超图处理方法。

背景技术

目前，计算机辅助诊断(CAD)在轻微肝性脑病(MHE)的研究中一直是一个热门主题。当前，国内外肝性脑病诊断主要依据神经心理学量表来诊断轻微肝性脑病，但这些量表容易受年龄、教育程度及学习效应等的影响，在临床上应用的效果欠佳。故临床上通常患者出现明显肝性脑病发作才能确诊。而准确和及早地诊断出该疾病对及时治疗和降低病人风险至关重要，因此使用CAD系统及早准确地判断疾病程度对于患者的预后及治疗至关重要。

静息态功能磁共振成像(Restingstate functional magnetic resonanceimaging，Rs-fMRI),作为一种新兴的研究中枢神经系统的磁共振技术，具有高度灵敏性、超快速成像，信噪比高等特点，在研究疾病早期脑功能的改变时占有较为重要的地位。近年来，基于Rs-fMRI的肝性脑病研究越来越受到重视，为轻微肝性脑病早期诊断和病理生理机制的阐明带来了新的曙光。

结合基于图论的复杂网络理论，研究者们发现利用功能磁共振成像数据构建的脑功能网络具有很多重要的拓扑性质。而轻微肝性脑病与脑功能网络异常的拓扑变化密切相关。这些研究不仅为理解轻微肝性脑病的病理机制提供了新视角,也为疾病的早期诊断和治疗评价提供脑网络影像学标记。然而，传统的功能连接网络大多是基于不同脑区之间的两两相关得到的，只能反映成对脑区之间的相互关系，因此忽视了多个脑区之间的交互关系。但是，从神经学来讲，一个脑区会同时与多个脑区进行交互。显然，这种重要信息的丢失会影响对于疾病的诊断。

之前有研究提出利用超图方法构建大脑功能连接超网络的方法，大脑功能连接超网络可以有效地表示多个脑区之间交互作用。然而这种方法忽视了功能连接这一重要信息，大量的研究表明功能连接在大脑及其疾病研究中具有重要价值。

发明内容

本发明为解决公知技术中存在的技术问题而提供一种轻微肝性脑病脑影像超图处理方法。

本发明为解决公知技术中存在的技术问题所采取的技术方案是：一种轻微肝性脑病脑影像超图处理方法，采集被试的静息态fMRI数据并预处理，将采用AAL模板标记的大脑区域作为感兴趣区域，得到每个脑区的平均时间序列；利用每个被试的各脑区时间序列构建两种不同层次的功能连接超网络并提取特征数据；构建机器学习分类模型并用其将所提取的特征数据进行分类；利用网格搜索的方式调整优化功能连接超网络及机器学习分类模型的参数，采用优化后的功能连接超网络及机器学习分类模型，对脑影像超图进行分类处理。

进一步地，对由功能连接超网络及机器学习分类模型联合构建的模型，利用留一交叉验证法进行模型训练，设有N个样本，将其中任一个样本作为测试样本，其它N-1个样本作为训练样本，得到N个分类测试结果；采用这N个分类测试结果的平均值来评估由功能连接超网络及机器学习分类模型联合构建的模型性能。

进一步地，使用Gretna软件对采集的静息态fMRI数据进行预处理，预处理步骤如下：首先去除前5～10个时间点，然后依次进行时间层校正、头动校正、功能图像的配准、去线性漂移、带通滤波和回归协变量。

进一步地，采用如下方法步骤构建两种不同层次的功能连接超网络并提取特征：

步骤A1，计算每个被试的脑区间的fMRI时间序列的皮尔逊相关系数，得到脑区间的功能连接矩阵，并按照脑区顺序构建每个脑区与其他脑区之间的初阶功能连接向量FC_i＝(fc_i1,fc_i2,......,fc_in)，其中n为脑区数量；

计算每个被试的脑区间的初阶功能连接向量FC_i的皮尔逊相关系数，得到脑区间的高阶功能连接矩阵，并按照脑区顺序构建每个脑区与其他脑区之间的高阶功能连接向量HOFC_i＝(hofc_i1,......,hofc_in)，其中n为脑区数量；

步骤A2，由每个脑区的功能连接向量FC_i，计算每个脑区i与其他脑区之间的距离，取与脑区i距离最小的前k₁个脑区作为脑区i的邻居节点来构建超边；此条超边以脑区i为中心节点，其他节点作为超边中的邻居节点；以所有脑区为中心节点，重复此步骤，获得初级功能连接超网络；

步骤A3，由每个脑区的功能连接向量HOFC_i，计算每个脑区i与其他脑区之间的距离，取与脑区i距离最小的前k₂个脑区作为脑区i的邻居节点来构建超边；此条超边以脑区i为中心节点，其他节点作为超边中的邻居节点；以所有脑区为中心节点，重复此步骤，获得高级功能连接超网络；

步骤A4，设HCC₁(v)为与节点v没有连接的相邻节点的数量；设HCC₂(v)为与节点v有连接的相邻节点的数量；设HCC₃(v)为节点v的相邻超边之间的重叠数量；用HCC₁(v)、HCC₂(v)、HCC₃(v)作为表征功能连接超网络的局部聚合性特征；采用下式分别提取初、高级功能连接超网络的HCC₁(v)、HCC₂(v)、HCC₃(v)：

式中:

S(v)表示与节点v相邻的超边集，S(v)＝{e_i∈E:v∈e_i}；

N(v)表示v的邻居节点，

表示存在一条超边e_i∈E使得u,t∈e_i，但是/>

反之/>

I(u,t,v)＝1表示存在一条超边e_i∈E，u,t,v∈e_i反之I(u,t,v)＝0；

e表示一条超边，E表示超边集，V表示节点集，u，t，v表示为节点集中任意三个不同节点；

步骤A5，将初、高级功能连接超网络的HCC₁(v)、HCC₂(v)、HCC₃(v)对应拼接，得到一个组合的HCC₁(v)、HCC₂(v)、HCC₃(v)。

进一步地，k₁及k₂选取不同的值，构建多个初、高级功能连接超网络。

进一步地，利用网格搜索的方式，找到初、高级功能连接超网络中较优的k₁及k₂值。

进一步地，机器学习分类模型为支持向量机，支持向量机由scikit-learn实现，支持向量机的参数包括核函数参数和惩罚系数C，设核函数表示如下：K(x,z)＝exp(-γ||x-z||²)，其中γ为核函数参数；利用网格搜索的方式，找到合适的γ和C。

进一步地，利用scikit-learn所提供的Lasso模型进行特征选择，由Lasso模型中alpha的不同取值决定最终选择的特征数量。

进一步地，采用如下方法步骤训练优化功能连接超网络及机器学习分类模型联合构建的模型：

步骤B1,对k₁及k₂取不同的值，构建多个初、高级功能连接超网络，并提取相应特征；

步骤B2，将功能连接超网络提取的fMRI训练样本的特征数据作为支持向量机的训练集；将功能连接超网络提取的fMRI测试样本的特征数据作为支持向量机的测试集；将训练集中的特征数据归一化到均值为0方差为1的分布中，同时保存训练集的均值和方差；

步骤B3，利用Lasso模型对归一化后的训练集数据进行筛选，同时保存Lasso模型；筛选后的数据用于训练支持向量机；

步骤B4，步骤B1保存的训练集的均值和方差，用于测试样本的归一化，步骤B3中保存的Lasso模型用于测试样本的数据筛选，用测试集对训练完成的支持向量机进行测试；将测试结果和真实值进行比对，获得本次分类的判别结果；

步骤B5，重复步骤B1至步骤B4，直至计算出全部测试样本的判别结果，评估机器学习分类模型的性能；

步骤B6，利用网格搜索的方式，获得最佳的k₁、k₂、γ、C以及Lasso模型的alpha系数。

本发明具有的优点和积极效果是：本发明相对于其他基于图论的计算机辅助检测方法，解决了模型只能表示脑区之间两两关系而不能表示多个脑区之间关系的问题，显著的提高了构建的机器学习模型在小样本集上识别准确率与稳健性。

本发明提出的方法与现有的方法相比有几个主要的改进：1)本发明用超图来构建大脑区域之间的交互模型，可以表示多个脑区之间的功能交互，解决了传统基于图论的分析方法只能反映两个脑区之间交互的问题；2)本发明利用功能连接以及高阶功能连接向量的相似性来表示不同脑区之间交互关系，相对于传统的只基于血液氧合信号关系来刻画脑区交互的方法，可以表征脑区之间更为复杂的功能交互。

本发明基于功能连接信息来构建大脑功能连接超网络，在保留了功能连接这一重要信息的前提下，又可以有效的表示多个脑区之间的交互。因此，本发明所提出的方法可以帮助我们更深入的了解大脑及脑疾病的机理。

附图说明

图1是本发明的一种轻微肝性脑病脑影像超图处理方法的流程框图。

图2为超边构造流程图。图2中，i、j、k表示脑区节点。

图3为机器学习分类模型的ROC曲线。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹列举以下实施例，并配合附图详细说明如下：

下述词语中的英文单词及缩写中文释义如下：

fMRI：功能磁共振成像。

R-fMRI：静息态功能磁共振成像。

AAL:自动解剖标记图谱。

Gretna软件:用于脑影像连接组学的图论网络分析工具箱。

scikit-learn:针对Python编程语言的免费软件机器学习库。

Lasso模型:一种采用了L1正则化的线性回归方法，采用了L1正则会使得部分学习到的特征权值为0，从而达到稀疏化和特征选择的目的。

alpha系数；Lasso模型的参数，用来控制选择特征的数量。

ROC曲线：受试者工作特征曲线。

请参见图1至图3，一种轻微肝性脑病脑影像超图处理方法，采集被试的静息态fMRI数据并预处理，将采用AAL模板标记的大脑区域作为感兴趣区域，得到每个脑区的平均时间序列；利用每个被试的各脑区时间序列构建两种不同层次的功能连接超网络并提取特征数据；构建机器学习分类模型并用其将所提取的特征数据进行分类；利用网格搜索的方式调整优化功能连接超网络及机器学习分类模型的参数，采用优化后的功能连接超网络及机器学习分类模型，对脑影像超图进行分类处理。

优选地，对由功能连接超网络及机器学习分类模型联合构建的模型，可利用留一交叉验证法进行模型训练，设有N个样本，将其中任一个样本作为测试样本，其它N-1个样本作为训练样本，得到N个分类测试结果；可采用这N个分类测试结果的平均值来评估由功能连接超网络及机器学习分类模型联合构建的模型性能。

优选地，可使用Gretna软件对采集的静息态fMRI数据进行预处理，预处理步骤可如下：首先去除前5～10个时间点，然后依次进行时间层校正、头动校正、功能图像的配准、去线性漂移、带通滤波和回归协变量。

优选地，可采用如下方法步骤构建两种不同层次的功能连接超网络并提取特征：

步骤A1，可计算每个被试的脑区间的fMRI时间序列的皮尔逊相关系数，得到脑区间的功能连接矩阵，并按照脑区顺序构建每个脑区与其他脑区之间的初阶功能连接向量FC_i＝(fc_i1,fc_i2,......,fc_in)，其中n为脑区数量；

可计算每个被试的脑区间的初阶功能连接向量FC_i的皮尔逊相关系数，得到脑区间的高阶功能连接矩阵，并按照脑区顺序构建每个脑区与其他脑区之间的高阶功能连接向量HOFC_i＝(hofc_i1,......,hofc_in)，其中n为脑区数量；

步骤A2，可由每个脑区的功能连接向量FC_i，计算每个脑区i与其他脑区之间的距离，可取与脑区i距离最小的前k₁个脑区作为脑区i的邻居节点来构建超边；此条超边以脑区i为中心节点，其他节点作为超边中的邻居节点；以所有脑区为中心节点，重复此步骤，可获得初级功能连接超网络；

步骤A3，可由每个脑区的功能连接向量HOFC_i，计算每个脑区i与其他脑区之间的距离，可取与脑区i距离最小的前k₂个脑区作为脑区i的邻居节点来构建超边；此条超边以脑区i为中心节点，其他节点作为超边中的邻居节点；以所有脑区为中心节点，重复此步骤，可获得高级功能连接超网络；

步骤A4，可设HCC₁(v)为与节点v没有连接的相邻节点的数量；设HCC₂(v)为与节点v有连接的相邻节点的数量；设HCC₃(v)为节点v的相邻超边之间的重叠数量；可用HCC₁(v)、HCC₂(v)、HCC₃(v)作为表征功能连接超网络的局部聚合性特征；可采用下式分别提取初、高级功能连接超网络的HCC₁(v)、HCC₂(v)、HCC₃(v)：

式中:

S(v)表示与节点v相邻的超边集，S(v)＝{e_i∈E:v∈e_i}；

N(v)表示v的邻居节点，

表示存在一条超边e_i∈E使得u,t∈e_i，但是/>

反之/>

I(u,t,v)＝1表示存在一条超边e_i∈E，u,t,v∈e_i反之I(u,t,v)＝0；

e表示一条超边，E表示超边集，V表示节点集，u，t，v表示为节点集中任意三个不同节点；

步骤A5，可将初、高级功能连接超网络的HCC₁(v)、HCC₂(v)、HCC₃(v)对应拼接，得到一个组合的HCC₁(v)、HCC₂(v)、HCC₃(v)。对于每个被试而言，由初级功能连接超网络获得特征向量为

n为脑区数量，由高级功能连接超网络获得的特征向量为：

n为脑区数量。

则最终的特征向量为：

其中n为脑区数量。

优选地，k₁及k₂可选取不同的值，可构建多个初、高级功能连接超网络。

优选地，可利用网格搜索的方式，找到初、高级功能连接超网络中较优的k₁及k₂值。

优选地，机器学习分类模型可为支持向量机，支持向量机可由scikit-learn实现，支持向量机的参数可包括核函数参数和惩罚系数C，支持向量机核函数为高斯核函数，可设核函数表示如下：K(x,z)＝exp(-γ||x-z||²)，其中γ为核函数参数；γ大于0，γ隐含地决定了数据映射到新的特征空间后的分布，γ越大，支持向量越少，γ越小，支持向量越多。除了核函数中的参数外，支持向量机中还包含一个重要惩罚系数C，惩罚系数C可以平衡支持向量机的复杂度和误分类率之间的关系。可利用网格搜索的方式，找到合适的γ和C。

优选地，可利用scikit-learn所提供的Lasso模型进行特征选择，可由Lasso模型中alpha的不同取值决定最终选择的特征数量。

优选地，可采用如下方法步骤训练优化功能连接超网络及机器学习分类模型联合构建的模型：

步骤B1,对k₁及k₂取不同的值，构建多个初、高级功能连接超网络，并提取相应特征；

步骤B2，可将功能连接超网络提取的fMRI训练样本的特征数据作为支持向量机的训练集；可将功能连接超网络提取的fMRI测试样本的特征数据作为支持向量机的测试集；可将训练集中的特征数据归一化到均值为0方差为1的分布中，同时保存训练集的均值和方差；

步骤B3，可利用Lasso模型对归一化后的训练集数据进行筛选，同时保存Lasso模型；筛选后的数据用于训练支持向量机；

步骤B4，步骤B1保存的训练集的均值和方差，可用于测试样本的归一化，步骤B3中保存的Lasso模型可用于测试样本的数据筛选，可用测试集对训练完成的支持向量机进行测试；可将测试结果和真实值进行比对，获得本次分类的判别结果；

步骤B5，重复步骤B1至步骤B4，直至计算出全部测试样本的判别结果，评估机器学习分类模型的性能；

步骤B6，可利用网格搜索的方式，获得最佳的k₁、k₂、γ、C以及Lasso模型的alpha系数等参数。

下面以本发明的一个优选实施例来进一步说明本发明的工作流程及工作原理：

本发明提供了一种轻微肝性脑病脑影像超图处理方法，其可用于分析处理轻微肝性脑病脑影像。如图1所示，该方法主要包括以下步骤：

步骤(1)，fMRI数据获取：获取由天津市第一中心医院提供的被试者fMRI数据，数据包括患有轻微肝性脑病的肝硬化患者36名及未患有轻微肝性脑病的肝硬化患者36名。

步骤(2)，通过Gretna软件对所获取的R-fMRI脑影像数据进行预处理。具体包括：

1)去除前10个时间点使磁场达到稳态以及受试者适应扫描环境。

2)时间层校正。

3)头动校正，包括：(a)基于spm内置的刚体变换的头动矫正。(b)剔除头动大于2mm和1弧度的被试；(c)计算帧位移FD，剔除FD>0.2的被试；(d)后续协变量回归减小头动影响。

4)功能图像的配准。

5)去线性漂移和带通滤波。

6)回归协变量(白质信号、脑脊液信号和头动参数)。

步骤(3)，预处理后的fMRI脑影像数据对照生理学AAL模板将整个大脑组织分割成116个不同功能的脑区，并提取每个脑区的平均体素时间序列。

步骤(4.1)，构建超边的流程如图2所示，对同一大脑影像中的各个脑区的时间序列，两两计算相关系数，得到每个脑区i与其他所有脑区的功能连接向量FC_i＝(fc_i1,fc_i2,......,fc_in)，n为116。

步骤(4.2)，以每个脑区i为中心节点，利用功能连接向量FC_i，计算中心节点与其他所有节点的距离，取与中心节点距离最小的前k₁个节点构成一条超边。超边的集合构成了第一个大脑功能连接超网络。

步骤(4.3)，对同一大脑影像中的各个脑区的功能连接向量，再次两两计算相关系数，得到每个脑区与其他所有脑区之间的高阶功能连接向量HOFC_i＝(hofc_i1,......,hofc_in)。步骤(4.4)：以每个脑区为中心节点，利用高阶功能连接向量，计算中心节点与其他所有节点的距离，取与中心节点距离最小的前k₂个节点构成一条超边。超边的集合构成了第二个大脑功能连接超网络。

步骤(4.5)，利用不同的k₁及k₂取值，构建了多个功能连接超网络。

步骤(5)。特征提取：在两个不同层次的超网络上分别提取三种局部聚集系数作为特征，对于每个被试，由第一个大脑功能连接超网络可以获得特征向量

n为116，由第二个大脑功能连接超网络可以获得特征向量/>

n为116，将此两个特征向量进行拼接，获得每个被试的最终特征向量

n为116。

步骤(6)：特征数据通过留一法进行交叉验证，获得最终模型。其算法实现的具体描述如下：

步骤(6.1)：假设样本数据集S中的样本个数为s，每一次从中任选第i个样本作为测试集，其他s-1个样本构建的子集作为训练集。相应的训练集称作{Train_1,Train_2,...,Train_j,...,Train_s}。

步骤(6.2)：在训练集上执行归一化操作，将数据归一化到均值为0方差为1的分布中，同时保存训练集的均值和方差。利用Lasso模型对归一化后的数据进行筛选，同时保存Lasso模型。筛选后的数据用于训练支持向量机(SVM)。

步骤(6.3)：将步骤(6.2)中保存的数据用于测试样本的归一化，将保存的Lasso模型用于数据筛选，将训练模型应用到测试集i上，得到该测试样本i的预测结果，将该预测结果和真实值进行比对，获得本次分类的判别结果。

步骤(6.4)：重复步骤6.1-6.3，直至计算出全部s个样本的判别结果，评估分类器的性能。

步骤(7)：基于网格搜索的分类参数调优。利用网格搜索的方式，找到模型中合适的分类参数，包括k₁及k₂的值、Lasso模型的系数alpha等。

计算每个被试的脑区间的时间序列皮尔逊相关系数，得到脑区间的功能连接矩阵，该矩阵中的每个元素都表示相应两个脑区之间的功能连接情况，并按照脑区顺序构成每个脑区的初阶功能连接向量FC_i＝(fc_i1,fc_i2,......,fc_in)，其中n为脑区数量。

可按照AAL模板将大脑划分为116脑区后，再可将每个被试的包含175个时间点的功能磁共振成像时间序列进行脑区内体素平均，如此，每个脑区可对应一个平均时间序列，从而每个被试得到116个脑区的平均时间序列，对应116×175的矩阵。可通过计算每个被试脑区间的皮尔逊相关系数，得到116×116功能连接矩阵，该矩阵中的每个元素都表示相应两个脑区之间的功能连接情况。

为了说明本发明所述方法的有益效果，在具体实施过程中，我们分别构造了另外两种模型进行对比实验。首先，我们利用本发明提供的方法构建了大脑功能连接超网络模型1。然后，利用之前研究中所提到的Lasso模型构建了另外一种大脑功能连接超网络模型2，最后我们构建了基于皮尔逊相关系数的经典的大脑功能连接网络模型3。我们在模型1和模型2提取了相同的特征，然后采用了相同的特征选择方法和机器学习算法。我们在相同的数据集上进行了模型训练，实验结果表明，使用本发明的肝性脑病检测方法在72个样本上(有无轻微肝性脑病的患者各一半)的最终分类准确率为88.89％，其对应的特异度和灵敏度分别为94.44％和83.33％。而基于模型2所构建的轻微肝性检测方法其分类准确率只有81.9％。我们利用相同的数据构建了模型3，并利用节点度作为模型3的特征。基于模型3所构建的轻微肝性检测方法中所包含的特征选择方法和机器学习算法均与之前方法保持一致，其最佳分类准确率仅为65.3％。

为了进一步验证机器学习分类模型的性能，我们绘制了三个机器学习分类模型的ROC曲线，三个机器学习分类模型的AUC值分别为0.9、0.84和0.59，该值充分说明了本发明所提供的分类器性能良好。三种模型的ROC曲线的对比结果如图3所示。

以上所述的实施例仅用于说明本发明的技术思想及特点，其目的在于使本领域内的技术人员能够理解本发明的内容并据以实施，不能仅以本实施例来限定本发明的专利范围，即凡本发明所揭示的精神所作的同等变化或修饰，仍落在本发明的专利范围内。

Claims (8)

1.一种轻微肝性脑病脑影像超图处理方法，其特征在于，采集被试的静息态fMRI数据并预处理，将采用AAL模板标记的大脑区域作为感兴趣区域，得到每个脑区的平均时间序列；利用每个被试的各脑区时间序列构建两种不同层次的功能连接超网络并提取特征数据；构建机器学习分类模型并用其将所提取的特征数据进行分类；利用网格搜索的方式调整优化功能连接超网络及机器学习分类模型的参数，采用优化后的功能连接超网络及机器学习分类模型，对脑影像超图进行分类处理；

采用如下方法步骤构建两种不同层次的功能连接超网络并提取特征：

步骤A1，计算每个被试的脑区间的fMRI时间序列的皮尔逊相关系数，得到脑区间的功能连接矩阵，并按照脑区顺序构建每个脑区与其他脑区之间的初阶功能连接向量FC_i＝(fc_i1,fc_i2,......,fc_in)，其中n为脑区数量；

计算每个被试的脑区间的初阶功能连接向量FC_i的皮尔逊相关系数，得到脑区间的高阶功能连接矩阵，并按照脑区顺序构建每个脑区与其他脑区之间的高阶功能连接向量HOFC_i＝(hofc_i1,......,hofc_in)，其中n为脑区数量；

步骤A2，由每个脑区的功能连接向量FC_i，计算每个脑区i与其他脑区之间的距离，取与脑区i距离最小的前k₁个脑区作为脑区i的邻居节点来构建超边；此条超边以脑区i为中心节点，其他节点作为超边中的邻居节点；以所有脑区为中心节点，重复此步骤，获得初级功能连接超网络；

步骤A3，由每个脑区的功能连接向量HOFC_i，计算每个脑区i与其他脑区之间的距离，取与脑区i距离最小的前k₂个脑区作为脑区i的邻居节点来构建超边；此条超边以脑区i为中心节点，其他节点作为超边中的邻居节点；以所有脑区为中心节点，重复此步骤，获得高级功能连接超网络；

步骤A4，设HCC₁(v)为与节点v没有连接的相邻节点的数量；设HCC₂(v)为与节点v有连接的相邻节点的数量；设HCC₃(v)为节点v的相邻超边之间的重叠数量；用HCC₁(v)、HCC₂(v)、HCC₃(v)作为表征功能连接超网络的局部聚合性特征；采用下式分别提取初、高级功能连接超网络的HCC₁(v)、HCC₂(v)、HCC₃(v)：

式中:

S(v)表示与节点v相邻的超边集，S(v)＝{e_i∈E:v∈e_i}；

N(v)表示v的邻居节点，

表示存在一条超边e_i∈E使得u,t∈e_i，但是/>

反之/>

I(u,t,v)＝1表示存在一条超边e_i∈E，u,t,v∈e_i反之I(u,t,v)＝0；

e表示一条超边，E表示超边集，V表示节点集，u，t，v表示为节点集中任意三个不同节点；

步骤A5，将初、高级功能连接超网络的HCC₁(v)、HCC₂(v)、HCC₃(v)对应拼接，得到一个组合的HCC₁(v)、HCC₂(v)、HCC₃(v)。

2.根据权利要求1所述的轻微肝性脑病脑影像超图处理方法，其特征在于，对由功能连接超网络及机器学习分类模型联合构建的模型，利用留一交叉验证法进行模型训练，设有N个样本，将其中任一个样本作为测试样本，其它N-1个样本作为训练样本，得到N个分类测试结果；采用这N个分类测试结果的平均值来评估由功能连接超网络及机器学习分类模型联合构建的模型性能。

3.根据权利要求1所述的轻微肝性脑病脑影像超图处理方法，其特征在于，使用Gretna软件对采集的静息态fMRI数据进行预处理，预处理步骤如下：首先去除前5～10个时间点，然后依次进行时间层校正、头动校正、功能图像的配准、去线性漂移、带通滤波和回归协变量计算。

4.根据权利要求1所述的轻微肝性脑病脑影像超图处理方法，其特征在于，k₁及k₂选取不同的值，构建多个初、高级功能连接超网络。

5.根据权利要求4所述的轻微肝性脑病脑影像超图处理方法，其特征在于，利用网格搜索的方式，找到初、高级功能连接超网络中较优的k₁及k₂值。

6.根据权利要求5所述的轻微肝性脑病脑影像超图处理方法，其特征在于，机器学习分类模型为支持向量机，支持向量机由scikit-learn实现，支持向量机的参数包括核函数参数和惩罚系数C，设核函数表示如下：K(x,z)＝exp(-γ||x-z||²)，其中γ为核函数参数；利用网格搜索的方式，找到合适的γ和C。

7.根据权利要求6所述的轻微肝性脑病脑影像超图处理方法，其特征在于，利用scikit-learn所提供的Lasso模型进行特征选择，由Lasso模型中alpha系数的不同取值决定最终选择的特征数量。

8.根据权利要求7所述的轻微肝性脑病脑影像超图处理方法，其特征在于，采用如下方法步骤训练优化功能连接超网络及机器学习分类模型联合构建的模型：

步骤B1,对k₁及k₂取不同的值，构建多个初、高级功能连接超网络，并提取相应特征；

步骤B2，将功能连接超网络提取的fMRI训练样本的特征数据作为支持向量机的训练集；将功能连接超网络提取的fMRI测试样本的特征数据作为支持向量机的测试集；将训练集中的特征数据归一化到均值为0方差为1的分布中，同时保存训练集的均值和方差；

步骤B3，利用Lasso模型对归一化后的训练集数据进行筛选，同时保存Lasso模型；筛选后的数据用于训练支持向量机；

步骤B4，步骤B1保存的训练集的均值和方差，用于测试样本的归一化，步骤B3中保存的Lasso模型用于测试样本的数据筛选，用测试集对训练完成的支持向量机进行测试；将测试结果和真实值进行比对，获得本次分类的判别结果；

步骤B5，重复步骤B1至步骤B4，直至计算出全部测试样本的判别结果，评估机器学习分类模型的性能；

步骤B6，利用网格搜索的方式，获得最佳的k₁、k₂、γ、C以及Lasso模型的alpha系数。

Images