CN114187258A - 基于人脑功能磁共振影像的自闭症分类器构建方法及系统 - Google Patents
基于人脑功能磁共振影像的自闭症分类器构建方法及系统 Download PDFInfo
- Publication number
- CN114187258A CN114187258A CN202111501930.1A CN202111501930A CN114187258A CN 114187258 A CN114187258 A CN 114187258A CN 202111501930 A CN202111501930 A CN 202111501930A CN 114187258 A CN114187258 A CN 114187258A
- Authority
- CN
- China
- Prior art keywords
- training
- feature
- autism
- verification set
- parameters
- 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
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
Abstract
本发明公开了基于人脑功能磁共振影像的自闭症分类器构建方法及系统,对正常受试者和自闭症受试者大脑功能磁共振影像进行预处理得到特征向量;对特征向量的每一个特征进行基于梯度分布曲线差异的特征选择方法,得到显著特征,将所得到显著特征组成新的特征向量,并将所有受试者新的特征向量作为训练样本,所述训练样本包括训练集和验证集;采用训练集对变分自编码器进行预训练,预训练结束后,将变分自编码器的编码器参数迁移至多层感知机,并采用训练集对多层感知机进行有监督的训练,对多层感知机的参数进行微调,并在每一轮训练后采用验证集进行评估,直至训练至设定的轮数或验证集评估精度达标,将经过参数微调的多层感知机作为自闭症分类器。
Description
技术领域
本发明涉及医学影像分类领域,具体涉及一种基于人脑功能磁共振影像的自闭症分类器构建方法及系统。
背景技术
自闭症谱系障碍(ASD)是一种常见的复杂神经发育障碍,发生在儿童早期,核心特征是社交和受限的重复性感觉运动行为。传统的基于症状的分类方法不能揭示ASD背后的发病机制,因此往往是不可靠。随着神经影像学的发展,非侵入式脑成像技术成为了研究和揭示ASD一类的神经疾病的有力工具。其中,功能磁共振(rs-fMRI)测量血氧等级相关的变化信号可以帮助临床医生和神经科学家视觉评估大脑的功能特性或属性,已成为ASD早期分类的有力工具。近年来,rs-fMRI与机器学习和深度学习技术相结合用于ASD分类,取得了良好的效果,成为ASD分类最有前途的影像学方法之一。
近年来,机器学习(包括深度学习)方法已经被广泛应用于自闭症的分类。近年来,机器学习(包括深度学习)方法已经被广泛应用于细胞图像的预测和研究。Plitt等人[1]只用支持向量机对ABIDE数据集的自闭症样例和正常人样例进行分类,达到了69%的分类精度。Heinsfeld等人[2]利用堆叠自编码器(SAE)和全连接神经网络在公共数据集ABIDE I上达到了当时的最高预测精度70%。Parisot等人[3]提出一个利用成像和非成像信息可用于大规模人群的大脑分析的通用框架,该框架基于图卷积神经网络(GCN),在ABIDE数据集上达到了70.4%的分类精度。Zhi-An Huang等人[4]利用深度信念网络(DBN)在ABIDE I数据集上达到了76.4%的预测精度。此外,特征选择方法也常常与机器学习相结合使用以得到更好的分类性能。
但是目前的大脑功能磁共振影像的主要挑战在于经过预处理之后的数据含有大量的冗余信息,这会导致分类模型性能变坏,目前基于功能磁共振影像的机器学习分类模型精度还有待提高,目前的分类模型无法灵活调节灵敏度和特异度,使之不能适应于某些特定的实际需要。
1.Plitt,M.,Barnes,K.A.,and Martin,A.(2015).Functional connectivityclassification of autism identifies highly predictive brain features butfalls short of biomarker standards.YNICL 7,359–366.doi:10.1016/j.nicl.2014.12.013
2.Heinsfeld,A.S.;Franco,A.R.;Craddock,R.C.;Buchweitz,A.;Meneguzzi,F.,Identification of autism spectrum disorder using deep learning and the ABIDEdataset.NeuroImage:Clinical 2018,17,16-23.
3.Parisot,S.;Ktena,S.I.;Ferrante,E.;Lee,M.;Guerrero,R.;Glocker,B.;Rueckert,D.,Disease prediction using graph convolutional networks:applicationto autism spectrum disorder and Alzheimer’s disease.Medical imageanalysis2018,48,117-130.
4.Huang,Z.-A.;Zhu,Z.;Yau,C.H.;Tan,K.C.,Identifying autism spectrumdisorder from resting-state fMRI using deep belief network.IEEE Transactionson Neural Networks and Learning Systems 2020.
发明内容
本发明的目的在于提供一种基于人脑功能磁共振影像的自闭症分类器构建方法及系统,以克服现有技术的缺陷,本发明能够选出比以往常用方法更精炼的有用特征,且具备较高的精度、灵敏度、特异度和训练速度。
为达到上述目的,本发明采用如下技术方案:
基于人脑功能磁共振影像的自闭症分类器构建方法,包括:
对正常受试者和自闭症受试者大脑功能磁共振影像进行预处理得到特征向量;
对特征向量的每一个特征进行基于梯度分布曲线差异的特征选择,得到显著特征,将所得到显著特征组成新的特征向量,并将所有受试者新的特征向量作为训练样本,所述训练样本包括训练集和验证集;
采用训练集对变分自编码器进行预训练,预训练结束后,将变分自编码器的编码器参数迁移至多层感知机,并采用训练集对多层感知机进行有监督的训练,对多层感知机的参数进行微调,并在每一轮训练后采用验证集进行评估,直至训练至设定的轮数,将经过参数微调的多层感知机作为自闭症分类器。
进一步地,所述对正常受试者和自闭症受试者大脑功能磁共振影像进行预处理得到特征向量的过程具体为:基于从人脑功能磁共振影像中提取出的时间序列计算感兴趣区域之间功能连接,所有功能连接组成一个特征向量,每个功能连接作为特征向量的一个特征;
所述功能连接的具体计算方法为:计算所有两两不同的感兴趣区域所对应的时间序列的皮尔森相关系数。
进一步地,所述对特征向量的每一个特征进行基于梯度分布曲线差异的特征选择,得到显著特征,具体为:
针对特征向量中每一个特征,计算DSDC分数;
将DSDC分数大于预设阈值的特征选为显著特征,并丢弃DSDC分数小于等于预设阈值的特征。
进一步地,所述针对特征向量中每一个特征,计算DSDC分数,具体为:
将所有特征向量中的特征所在范围划分为若干个等长的子区间;
通过如下公式计算特征的DSDC分数:
式中,b0和b1为特征的取值下界和上界;δ为子区间的长度;i代表第i个子区间,ni +和ni -为落在[i-δ,i)区间的自闭症受试者和正常受试者的数量,N+和N–为训练集中自闭症受试者和正常受试者的数量。
进一步地,所述采用训练集对多层感知机进行有监督的训练具体为无约束条件训练、使用灵敏度约束条件训练或使用特异度约束条件训练;
当采用无约束条件训练时,在每一轮训练后采用验证集进行评估,如果验证集的评估精度提高,则保存经过该轮训练的参数,否则不保存;
当采用灵敏度约束条件训练时,在每一轮训练后采用验证集进行评估,如果验证集的评估精度提高、验证集的评估灵敏度和验证集的评估特异度之差提高且提高值小于预设值,则保存经过该轮训练的参数,否则不保存;
当采用特异度约束条件训练时,在每一轮训练后采用验证集进行评估,如果验证集的评估精度提高、验证集的评估特异度和验证集的评估灵敏度之差提高且提高值小于预设值,则保存经过该轮训练的参数,否则不保存。
基于人脑功能磁共振影像的自闭症分类器构建系统,包括预处理模块、训练集获取模块和训练模块,其中:
预处理模块:用于对正常受试者和自闭症受试者大脑功能磁共振影像进行预处理得到特征向量;
训练集获取模块:用于对特征向量的每一个特征进行基于梯度分布曲线差异的特征选择,得到显著特征,将所得到显著特征组成新的特征向量,并将所有受试者新的特征向量作为训练样本,所述训练样本包括训练集和验证集;
训练模块:用于采用训练集对变分自编码器进行预训练,预训练结束后,将变分自编码器的编码器参数迁移至多层感知机,并采用训练集对多层感知机进行有监督的训练,对多层感知机的参数进行微调,并在每一轮训练后采用验证集进行评估,直至训练至设定的轮数,将经过参数微调的多层感知机作为自闭症分类器。
进一步地,所述对正常受试者和自闭症受试者大脑功能磁共振影像进行预处理得到特征向量的过程具体为:基于从人脑功能磁共振影像中提取出的时间序列计算感兴趣区域之间功能连接,所有功能连接组成一个特征向量,每个功能连接作为特征向量的一个特征;
所述功能连接的具体计算方法为:计算所有两两不同的感兴趣区域所对应的时间序列的皮尔森相关系数。
进一步地,所述对特征向量的每一个特征进行基于梯度分布曲线差异的特征选择,得到显著特征,具体为:
针对特征向量中每一个特征,计算DSDC分数;
将DSDC分数大于预设阈值的特征选为显著特征,并丢弃DSDC分数小于等于预设阈值的特征。
进一步地,所述针对特征向量中每一个特征,计算DSDC分数,具体为:
将所有特征向量中的特征所在范围划分为若干个等长的子区间;
通过如下公式计算特征的DSDC分数:
式中,b0和b1为特征的取值下界和上界;δ为子区间的长度;i代表第i个子区间,ni +和ni -为落在[i-δ,i)区间的自闭症受试者和正常受试者的数量,N+和N–为训练集中自闭症受试者和正常受试者的数量。
进一步地,所述采用训练集对多层感知机进行有监督的训练具体为无约束条件训练、使用灵敏度约束条件训练或使用特异度约束条件训练;
当采用无约束条件训练时,在每一轮训练后采用验证集进行评估,如果验证集的评估精度提高,则保存经过该轮训练的参数,否则不保存;
当采用灵敏度约束条件训练时,在每一轮训练后采用验证集进行评估,如果验证集的评估精度提高、验证集的评估灵敏度和验证集的评估特异度之差提高且提高值小于预设值,则保存经过该轮训练的参数,否则不保存;
当采用特异度约束条件训练时,在每一轮训练后采用验证集进行评估,如果验证集的评估精度提高、验证集的评估特异度和验证集的评估灵敏度之差提高且提高值小于预设值,则保存经过该轮训练的参数,否则不保存。
与现有技术相比,本发明具有以下有益的技术效果:
首先,本发明方法采用基于阶梯分布曲线差异(DSDC)的特征选择方法能够选出比以往常用方法更精炼的有用特征;其次,本发明构建的分类器的精度、灵敏度、特异度和训练速度均超过了基于相同数据集的以往研究中最先进的实验结果;最后,本发明可以通过在训练过程中施加约束条件,灵活调整分类器的灵敏度和特异度,使得模型能够使用不同的实际应用需求。
附图说明
说明书附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明方法的流程示意图。
具体实施方式
以下结合附图及具体实施例对本发明进行进一步详细说明。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明提供一种基于人脑功能磁共振影像的自闭症分类器构建方法,具体包括:
第一步、对455个正常受试者和477个自闭症受试者大脑功能磁共振影像进行预处理得到特征向量,具体地:基于从人脑功能磁共振影像中提取出的时间序列计算感兴趣区域之间功能连接,每个功能连接作为一个特征,所有功能连接组成一个特征向量。功能连接的具体计算方法为:计算所有两个不同感兴趣区域所对应的时间序列的皮尔森相关系数。
第二步、基于第一步得到的特征向量,进行基于梯度分布曲线差异的特征选择方法。针对每一个特征,计算该特征的DSDC分数:首先将所有特征向量中的特征的所在范围划分为20个等长的子区间,然后统计特征落在每个子区间样例数量,并将该数量除以所属分类的样例总数做归一化,并按照每个区间样本数量经过归一化的值生成阶梯形分布曲线。该过程相当于对该特征的原有分布曲线的一个粗粒度拟合,即通过如下公式计算该特征的DSDC分数。
公式中,b0和b1为特征的取值下界和上界;δ为子区间的长度;i代表第i个子区间,i的取值为[1,20]范围内的整数;ni +和ni -为落在[i-δ,i)区间的自闭症受试者和正常受试者数量,N+和N–为训练集中自闭症受试者和正常受试者的数量。
本发明预先设置一个过滤阈值,将DSDC分数大于该阈值的特征选为显著特征,丢弃掉DSDC分数小于等于该阈值的特征,并将所有受试者新的特征向量作为训练样本,所述训练样本包括训练集和验证集。
第三步、本发明对变分自编码器的编码器结构进行简化,使用同一个神经网络生成潜在空间的两个参数,采用训练集对变分自编码器进行预训练。
第四步、预训练结束后,将变分自编码器的编码器参数迁移至多层感知机,并采用训练集对多层感知机进行有监督的训练,对多层感知机的参数进行微调,并在每一轮训练后采用验证集进行评估,直至训练至设定的轮数,将经过参数微调的多层感知机作为自闭症分类器,用于自闭症分类。在多层感知机训练过程中,本发明设计了两个约束条件(灵敏度约束和特异度约束)作为可选项。在在多层感知机的训练过程中,增加灵敏度约束和特异度约束可以以少量的精度降低为代价,分别大幅提升灵敏度和特异度。
灵敏度约束和特异度约束的主要功能在于确定分类器经过每一轮训练所得到的参数是否被保存。本发明将训练集中的数据取出十分之一作为验证集,验证集主要用来对每一轮的训练模型进行评估,不参与训练过程。在未加约束条件时,经过某一轮训练,如果验证集的评估精度有所提高,则经过该轮训练的参数将被保存,否则不被保存。使用灵敏度约束时,经过某一轮训练,如果验证集的评估精度有所提高、验证集的评估灵敏度与验证集的评估特异度之差有所提高且小于0.3,则经过该轮训练的参数将被保存,否则不被保存。使用特异度约束时,经过某一轮训练,如果验证集的评估精度有所提高、验证集的评估特异度与验证集的评估灵敏度之差有所提高且小于0.3,则经过该轮训练的参数将被保存,否则不被保存。使用灵敏度约束有助于提高模型灵敏度;使用特异度约束有助于提高模型特异度。
本发明还提供一种基于人脑功能磁共振影像的自闭症分类器构建系统,包括预处理模块、训练集获取模块和训练模块,其中:
预处理模块:用于对正常受试者和自闭症受试者大脑功能磁共振影像进行预处理得到特征向量;
训练集获取模块:用于对特征向量的每一个特征进行基于梯度分布曲线差异的特征选择方法,得到显著特征,将所得到显著特征组成新的特征向量,并将所有受试者新的特征向量作为训练样本,所述训练样本包括训练集和验证集;
训练模块:用于采用训练集对变分自编码器进行预训练,预训练结束后,将变分自编码器的编码器参数迁移至多层感知机,并采用训练集对多层感知机进行有监督的训练,对多层感知机的参数进行微调,并在每一轮训练后采用验证集进行评估,直至训练至设定的轮数,将经过参数微调的多层感知机作为自闭症分类器。
利用本发明在ABIDE I数据集上经过了实验和测试,实验结果显示,本发明构建的分类器的精度(78.12%)(不使用约束条件)、灵敏度(87.20%)(使用灵敏度约束)、特异度(88.55%)(使用特异度约束)和训练速度(10折交叉验证耗时85秒)均超过了基于相同数据集的以往研究中最先进的实验结果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在发明待批的权利要求保护范围之内。
Claims (10)
1.基于人脑功能磁共振影像的自闭症分类器构建方法,其特征在于,包括:
对正常受试者和自闭症受试者大脑功能磁共振影像进行预处理得到特征向量;
对特征向量的每一个特征进行基于梯度分布曲线差异的特征选择,得到显著特征,将所得到显著特征组成新的特征向量,并将所有受试者新的特征向量作为训练样本,所述训练样本包括训练集和验证集;
采用训练集对变分自编码器进行预训练,预训练结束后,将变分自编码器的编码器参数迁移至多层感知机,并采用训练集对多层感知机进行有监督的训练,对多层感知机的参数进行微调,并在每一轮训练后采用验证集进行评估,直至训练至设定的轮数,将经过参数微调的多层感知机作为自闭症分类器。
2.根据权利要求1所述的基于人脑功能磁共振影像的自闭症分类器构建方法,其特征在于,所述对正常受试者和自闭症受试者大脑功能磁共振影像进行预处理得到特征向量的过程具体为:基于从人脑功能磁共振影像中提取出的时间序列计算感兴趣区域之间功能连接,所有功能连接组成一个特征向量,每个功能连接作为特征向量的一个特征;
所述功能连接的具体计算方法为:计算所有两两不同的感兴趣区域所对应的时间序列的皮尔森相关系数。
3.根据权利要求1所述的基于人脑功能磁共振影像的自闭症分类器构建方法,其特征在于,所述对特征向量的每一个特征进行基于梯度分布曲线差异的特征选择,得到显著特征,具体为:
针对特征向量中每一个特征,计算DSDC分数;
将DSDC分数大于预设阈值的特征选为显著特征,并丢弃DSDC分数小于等于预设阈值的特征。
5.根据权利要求1所述的基于人脑功能磁共振影像的自闭症分类器构建方法,其特征在于,所述采用训练集对多层感知机进行有监督的训练具体为无约束条件训练、使用灵敏度约束条件训练或使用特异度约束条件训练;
当采用无约束条件训练时,在每一轮训练后采用验证集进行评估,如果验证集的评估精度提高,则保存经过该轮训练的参数,否则不保存;
当采用灵敏度约束条件训练时,在每一轮训练后采用验证集进行评估,如果验证集的评估精度提高、验证集的评估灵敏度和验证集的评估特异度之差提高且提高值小于预设值,则保存经过该轮训练的参数,否则不保存;
当采用特异度约束条件训练时,在每一轮训练后采用验证集进行评估,如果验证集的评估精度提高、验证集的评估特异度和验证集的评估灵敏度之差提高且提高值小于预设值,则保存经过该轮训练的参数,否则不保存。
6.基于人脑功能磁共振影像的自闭症分类器构建系统,其特征在于,包括预处理模块、训练集获取模块和训练模块,其中:
预处理模块:用于对正常受试者和自闭症受试者大脑功能磁共振影像进行预处理得到特征向量;
训练集获取模块:用于对特征向量的每一个特征进行基于梯度分布曲线差异的特征选择,得到显著特征,将所得到显著特征组成新的特征向量,并将所有受试者新的特征向量作为训练样本,所述训练样本包括训练集和验证集;
训练模块:用于采用训练集对变分自编码器进行预训练,预训练结束后,将变分自编码器的编码器参数迁移至多层感知机,并采用训练集对多层感知机进行有监督的训练,对多层感知机的参数进行微调,并在每一轮训练后采用验证集进行评估,直至训练至设定的轮数,将经过参数微调的多层感知机作为自闭症分类器。
7.根据权利要求6所述的基于人脑功能磁共振影像的自闭症分类器构建系统,其特征在于,所述对正常受试者和自闭症受试者大脑功能磁共振影像进行预处理得到特征向量的过程具体为:基于从人脑功能磁共振影像中提取出的时间序列计算感兴趣区域之间功能连接,所有功能连接组成一个特征向量,每个功能连接作为特征向量的一个特征;
所述功能连接的具体计算方法为:计算所有两两不同的感兴趣区域所对应的时间序列的皮尔森相关系数。
8.根据权利要求6所述的基于人脑功能磁共振影像的自闭症分类器构建系统,其特征在于,所述对特征向量的每一个特征进行基于梯度分布曲线差异的特征选择,得到显著特征,具体为:
针对特征向量中每一个特征,计算DSDC分数;
将DSDC分数大于预设阈值的特征选为显著特征,并丢弃DSDC分数小于等于预设阈值的特征。
10.根据权利要求6所述的基于人脑功能磁共振影像的自闭症分类器构建系统,其特征在于,所述采用训练集对多层感知机进行有监督的训练具体为无约束条件训练、使用灵敏度约束条件训练或使用特异度约束条件训练;
当采用无约束条件训练时,在每一轮训练后采用验证集进行评估,如果验证集的评估精度提高,则保存经过该轮训练的参数,否则不保存;
当采用灵敏度约束条件训练时,在每一轮训练后采用验证集进行评估,如果验证集的评估精度提高、验证集的评估灵敏度和验证集的评估特异度之差提高且提高值小于预设值,则保存经过该轮训练的参数,否则不保存;
当采用特异度约束条件训练时,在每一轮训练后采用验证集进行评估,如果验证集的评估精度提高、验证集的评估特异度和验证集的评估灵敏度之差提高且提高值小于预设值,则保存经过该轮训练的参数,否则不保存。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111501930.1A CN114187258A (zh) | 2021-12-09 | 2021-12-09 | 基于人脑功能磁共振影像的自闭症分类器构建方法及系统 |
PCT/CN2022/137730 WO2023104173A1 (zh) | 2021-12-09 | 2022-12-08 | 基于人脑功能磁共振影像的自闭症分类器构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111501930.1A CN114187258A (zh) | 2021-12-09 | 2021-12-09 | 基于人脑功能磁共振影像的自闭症分类器构建方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114187258A true CN114187258A (zh) | 2022-03-15 |
Family
ID=80604154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111501930.1A Pending CN114187258A (zh) | 2021-12-09 | 2021-12-09 | 基于人脑功能磁共振影像的自闭症分类器构建方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114187258A (zh) |
WO (1) | WO2023104173A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115359305A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 一种大脑纤维束异常区域精准定位系统 |
WO2023104173A1 (zh) * | 2021-12-09 | 2023-06-15 | 深圳先进技术研究院 | 基于人脑功能磁共振影像的自闭症分类器构建方法及系统 |
CN116453702A (zh) * | 2023-03-24 | 2023-07-18 | 北京大学第六医院 | 孤独症行为特征集的数据处理方法、设备、系统及介质 |
CN116994743A (zh) * | 2023-07-11 | 2023-11-03 | 南通大学 | 基于序贯三支的置信图卷积神经网络的自闭症分类方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452593B (zh) * | 2023-06-16 | 2023-09-05 | 武汉大学中南医院 | 血管性认知障碍的ai评估模型的构建方法、装置及系统 |
CN116563646B (zh) * | 2023-06-28 | 2023-10-13 | 广东技术师范大学 | 一种基于离散化数据的大脑影像分类方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018005814A1 (en) * | 2016-06-29 | 2018-01-04 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for utilizing functional connectivity brain imaging for diagnosis of a neurobehavioral disorder |
CN109697718A (zh) * | 2018-12-25 | 2019-04-30 | 电子科技大学 | 一种基于图论的自闭症检测方法及装置 |
CN110188836B (zh) * | 2019-06-21 | 2021-06-11 | 西安交通大学 | 一种基于变分自编码器的脑功能网络分类方法 |
CN111325268A (zh) * | 2020-02-18 | 2020-06-23 | 中南大学 | 基于多层次特征表示和集成学习的影像分类方法及装置 |
CN111914994B (zh) * | 2020-06-18 | 2024-01-12 | 北京百度网讯科技有限公司 | 多层感知机的生成方法、装置、电子设备及存储介质 |
CN114187258A (zh) * | 2021-12-09 | 2022-03-15 | 深圳先进技术研究院 | 基于人脑功能磁共振影像的自闭症分类器构建方法及系统 |
-
2021
- 2021-12-09 CN CN202111501930.1A patent/CN114187258A/zh active Pending
-
2022
- 2022-12-08 WO PCT/CN2022/137730 patent/WO2023104173A1/zh unknown
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023104173A1 (zh) * | 2021-12-09 | 2023-06-15 | 深圳先进技术研究院 | 基于人脑功能磁共振影像的自闭症分类器构建方法及系统 |
CN115359305A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 一种大脑纤维束异常区域精准定位系统 |
CN115359305B (zh) * | 2022-10-19 | 2023-01-10 | 之江实验室 | 一种大脑纤维束异常区域精准定位系统 |
CN116453702A (zh) * | 2023-03-24 | 2023-07-18 | 北京大学第六医院 | 孤独症行为特征集的数据处理方法、设备、系统及介质 |
CN116453702B (zh) * | 2023-03-24 | 2023-11-17 | 北京大学第六医院 | 孤独症行为特征集的数据处理方法、设备、系统及介质 |
CN116994743A (zh) * | 2023-07-11 | 2023-11-03 | 南通大学 | 基于序贯三支的置信图卷积神经网络的自闭症分类方法 |
CN116994743B (zh) * | 2023-07-11 | 2024-04-09 | 南通大学 | 基于序贯三支的置信图卷积神经网络的自闭症分类方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023104173A1 (zh) | 2023-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114187258A (zh) | 基于人脑功能磁共振影像的自闭症分类器构建方法及系统 | |
Wang et al. | Ensemble of 3D densely connected convolutional network for diagnosis of mild cognitive impairment and Alzheimer’s disease | |
He et al. | Global-local transformer for brain age estimation | |
CN109447183B (zh) | 预测模型训练方法、装置、设备以及介质 | |
CN109697718A (zh) | 一种基于图论的自闭症检测方法及装置 | |
CN111738363B (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
CN111738302B (zh) | 一种基于多模态数据对阿尔茨海默病进行分类诊断的系统 | |
CN113558603B (zh) | 一种基于深度学习的多模态认知障碍识别方法 | |
Liu et al. | Voxelhop: Successive subspace learning for als disease classification using structural mri | |
CN111863244B (zh) | 基于稀疏池化图卷积的功能连接精神疾病分类方法和系统 | |
Chandrasekaran et al. | Fuzzy KNN Implementation for Early Parkinson's Disease Prediction | |
CN115662576B (zh) | 关联认知障碍病症的神经反馈训练范式的生成方法和系统 | |
Ouyang et al. | Longitudinal pooling & consistency regularization to model disease progression from MRIs | |
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 | |
Zhou et al. | A lightweight segmented attention network for sleep staging by fusing local characteristics and adjacent information | |
CN114842969A (zh) | 一种基于关键纤维束的轻度认知障碍症评估方法 | |
CN113705670A (zh) | 基于磁共振成像和深度学习的脑部图像分类方法及设备 | |
Tang et al. | Multi-site diagnostic classification of autism spectrum disorder using adversarial deep learning on resting-state fMRI | |
CN114983341A (zh) | 基于多模态特征融合的阿尔茨海默病多分类预测系统 | |
Semerjian et al. | White blood cells classification using built-in customizable trained convolutional neural network | |
Moguilner et al. | Deep Learning classification based on raw MRI images | |
CN115064260A (zh) | 一种基于核磁数据的多连接模式融合的轻度认知障碍预测方法 | |
Li et al. | An automatic sleep staging model combining feature learning and sequence learning | |
CN113197578A (zh) | 一种基于多中心模型的精神分裂症分类方法及系统 | |
Shaffi et al. | Multi-Planar MRI-Based Classification of Alzheimer's Disease Using Tree-Based Machine Learning Algorithms |
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 |