CN114334140A - 基于多关系功能连接矩阵的疾病预测系统及装置 - Google Patents
基于多关系功能连接矩阵的疾病预测系统及装置 Download PDFInfo
- Publication number
- CN114334140A CN114334140A CN202210218603.3A CN202210218603A CN114334140A CN 114334140 A CN114334140 A CN 114334140A CN 202210218603 A CN202210218603 A CN 202210218603A CN 114334140 A CN114334140 A CN 114334140A
- Authority
- CN
- China
- Prior art keywords
- matrix
- dtw
- module
- brain
- correlation coefficient
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- 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
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于多关系功能连接矩阵的疾病预测系统及装置,根据脑图谱提取的静息态功能磁共振时间序列,分别计算皮尔逊相关系数矩阵与DTW距离矩阵,并结合皮尔逊相关系数矩阵将DTW距离矩阵转换为包含相关程度及相关方向信息,且数值范围和皮尔逊系数取值范围相当的DTW'矩阵,加权联合后得到功能连接矩阵。本发明联合DTW距离信息以减弱功能连接的动态变化及不同脑区功能信号的非同步性对功能连接矩阵的影响,使计算得到的功能连接矩阵可以更好地反应不同脑区功能信号之间的相关关系。以本发明系统计算的功能连接矩阵为特征进行精神疾病预测,可以提高疾病预测的准确率以及预测模型在多中心数据的泛化能力。
Description
技术领域
本发明涉及神经影像数据分析领域,尤其涉及一种基于多关系功能连接矩阵的疾病预测系统及装置。
背景技术
功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)利用磁振造影来测量神经元活动所引发之血液动力的改变,是一种常用的神经影像学技术。因其非侵入性,无创伤,良好的时空分辨率,低成本等特性,fMRI已被广泛应用于临床医学、认知神经科学、精神疾病等领域。
静息态功能磁共振成像(Resting State Functional Magnetic ResonanceImaging,rs-fMRI)反映了大脑在没有任务时的神经基准活动,是近年来研究脑功能,特别是脑网络连接的一种重要方法,被广泛应用于神经疾病,如自闭症、癫痫、阿尔茨海默症等的研究中。
功能连接(functional connectivity,FC)可用于评估脑区之间功能关联程度,是脑影像领域的常用指标,并且其常被作为精神疾病分类的特征。其一般流程为:首先,选取一个脑区模板,如AAL(Automated Anatomical Labeling)(参见论文:Tzourio-Mazoyer etal. "Automated Anatomical Labeling of activations in SPM using a MacroscopicAnatomical Parcellation of the MNI MRI single-subject brain". NeuroImage. 15(1): 273–289.),Yeo 2011(参见论文:Yeo et al. The organization of the humancerebral cortex estimated by intrinsic functional connectivity,JNeurophysiol. 2011 Sep; 106(3): 1125–1165.) 等;其次,基于该脑区模板提取脑区平均时间信号,计算脑区平均时间信号两两之间的功能连接,获得功能连接矩阵;最后,将功能连接矩阵向量化,作为特征输入到机器学习模型或者深度学习模型中,进行疾病预测。
最常用的计算功能连接的方法是计算两两脑区的rs-fMRI时间信号的皮尔逊相关系数(Pearson correlation coefficient),进而计算得到所有脑区的相关系数(correlation, COR)矩阵。皮尔逊相关系数的取值范围为-1到1,相关系数为1时,表示两个脑区时间信号完全正相关,当相关系数为-1时,表示两个脑区时间信号完全负相关,当相关系数为0时,表示两个脑区时间信号不相关。对于两个同步信号,皮尔逊相关系数可以很好地反应两个信号之间的相关程度。当满足特定时间段内大脑功能稳定,且不同脑区功能信号同步的假设时,皮尔逊相关系数可以很好地反应不同脑区功能信号的相似性。然而研究表明,功能连接是动态改变的,且不同脑区的功能信号存在非同步性。
动态时间规整(Dynamic Time Warping,DTW)(参见论文:Sakoe,H et al.Dynamic programming algorithm optimization for spoken word recognition. IEEETrans. Acoust. Speech Signal Process. 26,43–49.)可以计算两个不同长度,不同节奏的时间序列的相似性。其通过在时间轴上对时间序列进行局部缩放,使得两个序列的形态尽可能的一致,从而计算出两个序列的最大可能的相似度。DTW距离是正数,DTW距离越大,表示两个序列相似度越低,DTW距离越小,表示两个序列的相似度越大,强相关的两个序列的DTW距离接近0。对于两个脑区的非同步fMRI时间序列,可计算两者的DTW距离作为相似性度量。然而,DTW距离只能是正数,无法反映不同脑区时间序列的相关方向。此外,DTW距离的最大取值与时间序列的时间点数以及功能信号幅度有关,采样点越多,功能信号幅值越大,DTW距离越大。对于不同中心,甚至同一中心不同时间采集的静息态功能磁共振图像,计算得到的DTW距离的范围都可能是不同的,从而限制了以DTW距离为特征进行大规模,多中心静息态功能磁共振数据处理和分析。
发明内容
本发明的目的在于针对现有技术的不足,提出一种基于多关系功能连接矩阵的疾病预测系统及装置。
本发明的目的是通过以下技术方案来实现的:第一方面,本发明提供了一种基于多关系功能连接矩阵的疾病预测系统,包括疾病预测设备和存储设备;其中,所述存储设备用于存储用户的静息态脑功能磁共振图像数据;
所述疾病预测设备,包括被试获取及预处理模块、脑区时间序列提取模块、皮尔逊相关系数计算模块、动态时间规整模块、矩阵转换模块和矩阵联合模块:
所述被试获取及预处理模块用于从所述存储设备获取若干个被试预处理后的静息态脑功能磁共振图像;
所述脑区时间序列提取模块利用脑影像图谱对每个被试的预处理数据提取每个脑区的时间序列;
所述皮尔逊相关系数计算模块用于对于每个被试,计算两两脑区时间序列的皮尔逊相关系数,得到各个脑区时间序列之间的皮尔逊相关系数矩阵COR;
所述动态时间规整模块用于对于每个被试,计算两两脑区时间序列的动态时间规整DTW距离,得到原始DTW距离矩阵;
所述矩阵转换模块用于对于每个被试,结合皮尔逊相关系数计算模块计算得到的皮尔逊相关系数矩阵,对动态时间规整模块得到的DTW距离矩阵进行相应转换,得到包含相关程度及相关方向信息,且数值范围和皮尔逊系数取值范围相当的转换后的动态时间规整DTW'矩阵;
所述矩阵联合模块对于每个被试,将皮尔逊相关系数矩阵COR与DTW'矩阵进行加权联合,得到功能连接矩阵FC;通过功能连接矩阵FC得到疾病预测结果。
进一步地,所述被试获取及预处理模块中静息态功能磁共振图像的预处理过程包括:结构像去脑壳、头动矫正、时间对齐、空间平滑、图像配准和空间标准化。
进一步地,所述脑区时间序列提取模块中脑影像图谱包括脑解剖图谱、脑功能图谱和多模态脑图谱。
进一步地,所述矩阵转换模块包括第一转换子模块、标准化子模块、第二转换子模块和第三转换子模块;
所述矩阵转换模块中将DTW距离矩阵转换为DTW'矩阵,包括:
所述第一转换子模块用于对DTW距离矩阵取相反数,得到DTW相反数矩阵,即DTW_OP矩阵;
所述标准化子模块用于对DTW_OP矩阵进行正态分布拟合,得到正态分布的均值及标准差,对DTW_OP矩阵中每个值进行标准化操作,得到DTW标准化矩阵,即DTW_NORM矩阵;
所述第二转换子模块用于将DTW_NORM矩阵中的负数全部转换为0,得到去除负数的DTW矩阵,即DTW_POS矩阵;
所述第三转换子模块用于根据皮尔逊相关系数矩阵中值为正数或者负数,对DTW_POS矩阵中相应位置的值进行乘1或者-1,得到DTW'矩阵。
进一步地,在DTW'矩阵中,其数值的正负表示相应两个脑区的相关方向。
进一步地,所述矩阵联合模块中功能连接矩阵FC的联合方式为:FC=COR+ δDTW',其中δ为权重系数。
进一步地,所述矩阵联合模块中,得到功能连接矩阵FC之后,以功能连接矩阵FC为特征,输入到机器学习模型或者深度学习模型中,进行疾病预测。
第二方面,本发明提供了一种基于多关系功能连接矩阵的疾病预测装置,该装置包括被试获取及预处理模块、脑区时间序列提取模块、皮尔逊相关系数计算模块、动态时间规整模块、矩阵转换模块和矩阵联合模块;
所述被试获取及预处理模块用于获取若干个被试预处理后的静息态脑功能磁共振图像;
所述脑区时间序列提取模块利用脑影像图谱对被试获取及预处理模块得到的每个被试的预处理数据提取每个脑区的时间序列;
所述皮尔逊相关系数计算模块用于计算两两被试的脑区时间序列的皮尔逊相关系数,得到各个脑区时间序列之间的皮尔逊相关系数矩阵COR;
所述动态时间规整模块用于计算两两被试的脑区时间序列的动态时间规整DTW距离,得到原始DTW距离矩阵;
所述矩阵转换模块结合皮尔逊相关系数计算模块得到的皮尔逊相关系数矩阵,对动态时间规整模块得到的DTW距离矩阵进行相应转换,得到包含相关程度及相关方向信息,且数值范围和皮尔逊系数取值范围相当的转换后的动态时间规整矩阵,即DTW'矩阵;
所述矩阵联合模块将皮尔逊相关系数计算模块得到的皮尔逊相关系数矩阵COR与矩阵转换模块得到的DTW'矩阵进行加权联合,得到功能连接矩阵FC;通过功能连接矩阵FC得到疾病预测结果。
本发明的有益效果是,本发明通过联合皮尔逊相关系数与DTW距离信息,计算得到一种可更好地反应不同脑区功能信号之间的相关关系的功能连接矩阵。以该方法计算的功能连接矩阵为特征进行精神疾病预测,可以提高疾病预测的准确率以及预测模型在多中心数据的泛化能力。
附图说明
图1是本发明疾病预测系统中的疾病预测设备各模块实现功能的流程图。
图2是对ABIDE数据集整体随机打乱拆分测试集和训练集,在测试集上的预测结果的AUC箱线图。
图3是以ABIDE中8个扫描的数据分别单独做测试数据,在8个中心上预测结果的AUC箱线图。
图4为本发明中疾病预测装置的结构框图。
图5为本发明中疾病预测设备的结构示意图。
具体实施方式
为了使本领域的人员更好地理解本申请中的技术方案,下面将结合附图对本发明作进一步的说明。但这仅仅是本申请的一部分实施例,而不是全部的实施例。基于本申请所述的具体实施例,本领域的其他人员在没有做出创造性劳动的前提下所获得的其他实施例,都应当落在本发明的构思范围之内。
以下参考附图描述本发明的优选实施例。
本发明提出一种基于多关系功能连接矩阵的疾病预测系统,根据脑图谱提取的静
息态功能磁共振时间序列,分别计算皮尔逊相关系数矩阵与DTW距离矩阵,并结合皮尔逊相
关系数矩阵将DTW距离矩阵转换为包含相关程度及相关方向信息,且数值范围和皮尔逊系
数取值范围相当的DTW矩阵,然后将皮尔逊相关系数矩阵与转换后的DTW矩阵加权联合,
计算得到功能连接矩阵,其结构框图如图1所示。通过该系统计算得到的功能连接矩阵,以
皮尔逊相关系数为基础,进一步联合DTW距离信息以减弱功能连接的动态变化及不同脑区
功能信号的非同步性对功能连接矩阵的影响,使计算得到的功能连接矩阵可以更好地反应
不同脑区功能信号之间的相关关系。以该系统计算的功能连接矩阵为特征进行精神疾病预
测,可以提高疾病预测的准确率以及预测模型在多中心数据的泛化能力。疾病预测系统包
括疾病预测设备和存储设备;其中,所述存储设备用于存储用户的静息态脑功能磁共振图
像数据;
所述疾病预测设备,包括被试获取及预处理模块、脑区时间序列提取模块、皮尔逊相关系数计算模块、动态时间规整模块、矩阵转换模块和矩阵联合模块;
所述被试获取及预处理模块用于收集来自ABIDE(Autism Brain Imaging DataExchange)的866个被试的预处理后的静息态功能磁共振数据,并进行结构像去脑壳,头动矫正,时间对齐,空间平滑,图像配准和空间标准化等预处理。ABIDE数据集的866个被试中,有402个被试患有自闭症,464个被试为正常被试。其静息态功能磁共振数据采集自20个不同的扫描中心,每个中心采集的被试类型及数量如下表所示:
所述脑区时间序列提取模块利用现有的脑影像图谱,包括脑解剖图谱、脑功能图谱和多模态脑图谱等,对所有被试的预处理数据提取每个脑区的时间序列。优选地,选择AAL模板进行每个脑区时间序列的提取。AAL模板共包含116个脑区,提取时间序列之后,得到N*116的时间序列矩阵,其中N表示静息态功能磁共振影像的时间序列长度。
所述皮尔逊相关系数计算模块用于对于每个被试,使用其时间序列矩阵,计算两两脑区时间序列之间的皮尔逊相关系数,得到一个116*116的对称的皮尔逊相关系数矩阵COR。皮尔逊相关系数的计算公式如下:
其中r表示皮尔逊相关系数,表示其中一个脑区的时间序列X的第i个时间点信
号,表示另外一个脑区的时间序列Y的第i个时间点信号,表示时间序列X的平均值,表
示时间序列Y的平均值,i=1,2,…,n,n表示时间序列信号的数量。
所述动态时间规整模块用于对于每个被试,使用其时间序列矩阵,计算每两个脑区时间序列之间的DTW距离,得到一个116*116的对称的DTW矩阵。计算两个时间序列的DTW距离,需计算两个序列各个点之间的距离矩阵,该矩阵中各个位置值的计算公式如下所示:
表示DTW矩阵中第i行第j列的元素,表示时间序列X的第i个时间点信
号,表示时间序列Y的第j个时间点信号。表示,的欧几里得距离。计算X,Y距离
矩阵后,寻找一条从矩阵左上角到右下角的路径,使得路径上的元素和最小,则该路径上所
有值之和,即为X,Y的DTW距离。
所述矩阵转换模块用于对于每个被试,结合皮尔逊相关系数计算模块计算得到的
皮尔逊相关系数矩阵,对动态时间规整模块得到的DTW距离矩阵进行相应转换,转换为包含
相关程度及相关方向信息,且数值范围和皮尔逊系数取值范围相当的DTW矩阵;矩阵转换
模块包括第一转换子模块、标准化子模块、第二转换子模块和第三转换子模块;
所述第一转换子模块用于对DTW距离矩阵取相反数,得到DTW相反数矩阵,即DTW_OP矩阵,在该矩阵中,数值越大,则表示两个脑区相关性越高;
所述标准化子模块用于对DTW_OP矩阵进行正态分布拟合,得到该分布的均值及标准差,对DTW_OP矩阵中每个值减去所计算的均值,并除以标准差,进行标准化操作,得到DTW标准化矩阵,即DTW_NORM矩阵,在该矩阵中,整体数值服从标准正态分布;
所述第二转换子模块用于对于DTW_NORM矩阵中数值小于0位置,可认为两个脑区之间没有相关关系,将DTW_NORM矩阵中的负数全部转换为0,得到去除负数的DTW矩阵,即DTW_POS矩阵;
所述第三转换子模块用于根据皮尔逊相关系数矩阵中值为正数或者负数,对DTW_
POS矩阵中相应位置的值乘1或者-1,得到DTW矩阵,即完成了对于DTW距离矩阵的转换。在
DTW矩阵中,其数值的正负可表示相应两个脑区的相关方向。
所述矩阵联合模块用于对于每个被试,将皮尔逊相关系数矩阵COR与DTW矩阵进
行加权联合,得到功能连接矩阵FC,具体联合方式为:,其中为权重系
数,取值为0.1。以计算得到的FC为特征,输入到机器学习模型或者深度学习模型中,可进行
疾病预测,得到疾病预测结果。
为验证该系统得到的功能连接矩阵FC有效性,作了如下两个验证:
验证一:验证相比较于皮尔逊相关系数矩阵COR,原始的DTW距离矩阵以及转换后
的DTW矩阵,该系统计算得到的功能连接矩阵FC是否可以提高自闭症预测的效果。对于所
有被试,将皮尔逊相关系数矩阵COR, DTW距离矩阵,转换后的DTW矩阵以及功能连接矩阵
FC做相同的如下处理:1)取不包含对角线的下三角数值,并将其序列化展平为一维向量,得
到维度为866*6670特征矩阵;2)使用方差分析计算F值进行特征选择,选其中5% 的特征,得
到维度为866*334的特征矩阵;3)将特征选择后的特征矩阵按被试随机打乱,拆分成测试集
(75%)和训练集(25%),将训练集用于分类器训练,训练完成后,在测试集上进行预测,计算
AUC(Area under the ROC Curve)值。优选地,所使用的分类器为线性SVC分类器,其主要参
数设置为:正则化参数为L2,损失函数为squared_hinge,损失函数的惩罚系数为1,停止迭
代的容许偏差为0.0001,最大迭代次数为1000;4)重复第3)步500次,分别取COR,DTW,DTW,
FC四种特征在测试集上预测得到的AUC值前1/3,绘制箱线图,计算均值并使用T检验验证均
值差异,验证该系统得到的FC对于疾病预测效果的提升。四种特征在预测集上AUC值分布的
箱线图如图2所示,其均值如下表所示:
验证二:验证相比较于皮尔逊相关系数矩阵COR,原始的DTW距离矩阵以及转换后
的DTW矩阵,该系统计算得到的功能连接矩阵FC是否可以更好地削弱多中心数据差异的影
响。ABIDE数据集中866例被试的数据采集自20个扫描中心,其中单个扫描中心采集被试数
目大于40例的有8个,分别为USM,UM_1,MAX_MUN,TRINTY,PITT,UCLA_1,YALE,NYU。对于所有
被试,将皮尔逊相关系数矩阵COR,DTW距离矩阵,转换后的DTW矩阵以及功能连接矩阵FC做
相同的如下处理:1)取不包含对角线的下三角数值,并将其序列化展平为一维向量,得到维
度为866*6670特征矩阵;2)使用方差分析计算F值进行特征选择,选其中5% 的特征,得到维
度为866*334的特征矩阵;3)从采集被试数据大于40例的8个中心中选择1个中心的数据作
为测试集,剩余中心的数据作为训练集,将训练集数据用于分类器训练,训练完成后,在测
试集上进行预测,计算AUC值。优选地,所使用的分类器为线性SVC分类器,其主要参数设置
为:正则化参数为L2,损失函数为squared_hinge,损失函数的惩罚系数为1,停止迭代的容
许偏差为0.0001,最大迭代次数为1000;4)重复第3)步500次,COR,DTW,DTW,FC四种特征在
测试集上预测得到的AUC值前1/3,绘制箱线图,计算均值并使用T检验验证均值差异,验证
该系统得到的FC对于疾病预测效果的提升。5)从采集被试数据大于40例的8个中心另选一
个中心的数据作为测试集,重复第3)步和第4)步操作,直到8个中心的数据均分别单独作为
测试集进行了测试。四种特征在8个中心的测试集上计算得到的AUC值分布的箱线图如图3
所示,其均值如下表所示:
由箱线图,均值表以及T检验统计表可知,相比较于COR,FC在6个中心的自闭症的
预测的AUC值是显著提高的;相比较于原始的DTW矩阵,FC在7个中心的自闭症的预测的AUC
值是显著提高的;相比较于转换的DTW矩阵,FC在4个中心的自闭症的预测的AUC值是显著
提高的。
本申请实施例还提供了一种疾病预测装置。该装置可包括用于执行前述图1的系统中设备相应功能的模块。请参见图4,是本申请实施例提供的一种疾病预测装置的结构示意图。本实施例中所描述的疾病预测装置,可配置于疾病预测设备中,如图4所示,本实施例的疾病预测装置可以包括:被试获取及预处理模块、脑区时间序列提取模块、皮尔逊相关系数计算模块、动态时间规整模块、矩阵转换模块和矩阵联合模块;
所述被试获取及预处理模块用于获取若干个被试预处理后的静息态脑功能磁共振图像;
所述脑区时间序列提取模块利用脑影像图谱对被试获取及预处理模块得到的每个被试的预处理数据提取每个脑区的时间序列;
所述皮尔逊相关系数计算模块用于计算两两被试的脑区时间序列的皮尔逊相关系数,得到各个脑区时间序列之间的皮尔逊相关系数矩阵COR;
所述动态时间规整模块用于计算两两被试的脑区时间序列的动态时间规整DTW距离,得到原始DTW距离矩阵;
所述矩阵转换模块结合皮尔逊相关系数计算模块得到的皮尔逊相关系数矩阵,对动态时间规整模块得到的DTW距离矩阵进行相应转换,得到包含相关程度及相关方向信息,且数值范围和皮尔逊系数取值范围相当的转换后的动态时间规整矩阵,即DTW'矩阵;
所述矩阵联合模块将皮尔逊相关系数计算模块得到的皮尔逊相关系数矩阵COR与矩阵转换模块得到的DTW'矩阵进行加权联合,得到功能连接矩阵FC;通过功能连接矩阵FC得到疾病预测结果。
可以理解的是,本实施例的疾病预测装置的各功能模块可根据上述系统实施例图1中的流程具体实现,其具体实现过程可以参照上述系统实施例图1的相关描述,此处不再赘述。
请参见图5,图5是本申请实施例提供的一种疾病预测设备的结构示意图。如图5所示,该疾病预测设备可包括:处理器和存储器。可选的,该疾病预测设备还可包括通信接口。上述处理器、存储器和通信接口可通过总线或其他方式连接,在本申请实施例所示图5中以通过总线连接为例。其中,通信接口可受所述处理器的控制用于收发消息。
在一些实施例中,所述存储设备为区块链节点;所述处理器还可以执行以下步骤:
通过通信接口向所述存储设备发送静息态脑功能磁共振图像数据获取请求,所述静息态脑功能磁共振图像数据获取请求中携带目标被试的标识,以使所述存储设备对所述疾病预测设备的身份进行校验,若校验通过,则所述存储设备根据所述目标被试的标识查询获取所述目标被试的静息态脑功能磁共振图像数据,并向所述疾病预测设备发送所述静息态脑功能磁共振图像数据;
通过通信接口接收所述存储设备发送的所述目标被试的静息态脑功能磁共振图像数据。
应当理解,在本申请实施例中,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如,存储器还可以存储用户的静息态脑功能磁共振图像数据。
该通信接口可以包括输入设备和/或输出设备,例如该输入设备是可以是控制面板、麦克风、接收器等,输出设备可以是显示屏、发送器等,此处不一一列举。
具体实现中,本申请实施例中所描述的处理器、存储器和通信接口可执行本申请实施例提供的图1所述的系统实施例所描述的实现方式,也可执行本申请实施例所描述的疾病预测装置的实现方式,在此不再赘述。
以上所揭露的仅为本申请一种较佳实施例而已,当然不能以此来限定本申请之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本申请权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (8)
1.一种基于多关系功能连接矩阵的疾病预测系统,其特征在于,包括疾病预测设备和存储设备;其中,所述存储设备用于存储用户的静息态脑功能磁共振图像数据;
所述疾病预测设备,包括被试获取及预处理模块、脑区时间序列提取模块、皮尔逊相关系数计算模块、动态时间规整模块、矩阵转换模块和矩阵联合模块;
所述被试获取及预处理模块用于从所述存储设备获取若干个被试预处理后的静息态脑功能磁共振图像;
所述脑区时间序列提取模块利用脑影像图谱对每个被试的预处理数据提取每个脑区的时间序列;
所述皮尔逊相关系数计算模块用于对于每个被试,计算两两脑区时间序列的皮尔逊相关系数,得到各个脑区时间序列之间的皮尔逊相关系数矩阵COR;
所述动态时间规整模块用于对于每个被试,计算两两脑区时间序列的动态时间规整DTW距离,得到原始DTW距离矩阵;
所述矩阵转换模块用于对于每个被试,结合皮尔逊相关系数计算模块计算得到的皮尔逊相关系数矩阵,对动态时间规整模块得到的DTW距离矩阵进行相应转换,得到包含相关程度及相关方向信息,且数值范围和皮尔逊系数取值范围相当的转换后的动态时间规整DTW'矩阵;
所述矩阵联合模块用于对于每个被试,将皮尔逊相关系数矩阵COR与DTW'矩阵进行加权联合,得到功能连接矩阵FC;通过功能连接矩阵FC得到疾病预测结果。
2.根据权利要求1所述的一种基于多关系功能连接矩阵的疾病预测系统,其特征在于,所述被试获取及预处理模块中静息态功能磁共振图像的预处理过程包括:结构像去脑壳、头动矫正、时间对齐、空间平滑、图像配准和空间标准化。
3.根据权利要求1所述的一种基于多关系功能连接矩阵的疾病预测系统,其特征在于,所述脑区时间序列提取模块中脑影像图谱包括脑解剖图谱、脑功能图谱和多模态脑图谱。
4.根据权利要求1所述的一种基于多关系功能连接矩阵的疾病预测系统,其特征在于,所述矩阵转换模块包括第一转换子模块、标准化子模块、第二转换子模块和第三转换子模块;
所述矩阵转换模块中将DTW距离矩阵转换为DTW'矩阵,包括:
所述第一转换子模块用于对DTW距离矩阵取相反数,得到DTW相反数矩阵,即DTW_OP矩阵;
所述标准化子模块用于对DTW_OP矩阵进行正态分布拟合,得到正态分布的均值及标准差,对DTW_OP矩阵中每个值进行标准化操作,得到DTW标准化矩阵,即DTW_NORM矩阵;
所述第二转换子模块用于将DTW_NORM矩阵中的负数全部转换为0,得到去除负数的DTW矩阵,即DTW_POS矩阵;
所述第三转换子模块用于根据皮尔逊相关系数矩阵中值为正数或者负数,对DTW_POS矩阵中相应位置的值进行乘1或者-1,得到DTW'矩阵。
5.根据权利要求4所述的一种基于多关系功能连接矩阵的疾病预测系统,其特征在于,在DTW'矩阵中,其数值的正负表示相应两个脑区的相关方向。
6.根据权利要求1所述的一种基于多关系功能连接矩阵的疾病预测系统,其特征在于,所述矩阵联合模块中功能连接矩阵FC的联合方式为:FC=COR+ δDTW',其中δ为权重系数。
7.根据权利要求1所述的一种基于多关系功能连接矩阵的疾病预测系统,其特征在于,所述矩阵联合模块中,得到功能连接矩阵FC之后,以功能连接矩阵FC为特征,输入到机器学习模型或者深度学习模型中,进行疾病预测。
8.一种基于多关系功能连接矩阵的疾病预测装置,其特征在于,该装置包括被试获取及预处理模块、脑区时间序列提取模块、皮尔逊相关系数计算模块、动态时间规整模块、矩阵转换模块和矩阵联合模块;
所述被试获取及预处理模块用于获取若干个被试预处理后的静息态脑功能磁共振图像;
所述脑区时间序列提取模块利用脑影像图谱对被试获取及预处理模块得到的每个被试的预处理数据提取每个脑区的时间序列;
所述皮尔逊相关系数计算模块用于计算两两被试的脑区时间序列的皮尔逊相关系数,得到各个脑区时间序列之间的皮尔逊相关系数矩阵COR;
所述动态时间规整模块用于计算两两被试的脑区时间序列的动态时间规整DTW距离,得到原始DTW距离矩阵;
所述矩阵转换模块结合皮尔逊相关系数计算模块得到的皮尔逊相关系数矩阵,对动态时间规整模块得到的DTW距离矩阵进行相应转换,得到包含相关程度及相关方向信息,且数值范围和皮尔逊系数取值范围相当的转换后的动态时间规整矩阵,即DTW'矩阵;
所述矩阵联合模块将皮尔逊相关系数计算模块得到的皮尔逊相关系数矩阵COR与矩阵转换模块得到的DTW'矩阵进行加权联合,得到功能连接矩阵FC;通过功能连接矩阵FC得到疾病预测结果。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210218603.3A CN114334140B (zh) | 2022-03-08 | 2022-03-08 | 基于多关系功能连接矩阵的疾病预测系统及装置 |
PCT/CN2022/113907 WO2023168912A1 (zh) | 2022-03-08 | 2022-08-22 | 一种基于多关系功能连接矩阵的疾病预测系统及装置 |
US18/129,754 US20230290514A1 (en) | 2022-03-08 | 2023-03-31 | Disease prediction system and apparatus based on multi-relation functional connectivity matrix |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210218603.3A CN114334140B (zh) | 2022-03-08 | 2022-03-08 | 基于多关系功能连接矩阵的疾病预测系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114334140A true CN114334140A (zh) | 2022-04-12 |
CN114334140B CN114334140B (zh) | 2022-07-19 |
Family
ID=81033837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210218603.3A Active CN114334140B (zh) | 2022-03-08 | 2022-03-08 | 基于多关系功能连接矩阵的疾病预测系统及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114334140B (zh) |
WO (1) | WO2023168912A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147417A (zh) * | 2022-09-02 | 2022-10-04 | 之江实验室 | 一种基于过滤法特征选择的功能连接矩阵处理系统及装置 |
CN115359045A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 基于多模态磁共振成像的图卷积神经网络疾病预测系统 |
WO2023168912A1 (zh) * | 2022-03-08 | 2023-09-14 | 之江实验室 | 一种基于多关系功能连接矩阵的疾病预测系统及装置 |
CN116759096A (zh) * | 2023-08-22 | 2023-09-15 | 之江实验室 | 基于多重比较功能连接矩阵的疾病预测系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150932B (zh) * | 2023-10-30 | 2024-01-26 | 浙江威格泵业有限公司 | 一种变频增压屏蔽泵的能效评价方法 |
CN117679048B (zh) * | 2023-12-14 | 2024-05-24 | 太极计算机股份有限公司 | 矫形功效评估方法、系统、装置和电子设备 |
CN117726902A (zh) * | 2023-12-19 | 2024-03-19 | 中国科学院空天信息创新研究院 | 一种基于Sentinel2时序曲线分布的大豆样本生成方法和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120050379A (ko) * | 2010-11-10 | 2012-05-18 | 삼성전자주식회사 | MRI및 fMRI를 이용한 뇌 질환 분석 장치 및 방법 |
CN107256332A (zh) * | 2017-05-24 | 2017-10-17 | 上海交通大学 | 基于眼动数据的脑电实验评估系统及方法 |
CN108596228A (zh) * | 2018-04-13 | 2018-09-28 | 江南大学 | 一种基于无监督模糊系统的脑功能磁共振图像分类方法 |
CN109330595A (zh) * | 2018-11-15 | 2019-02-15 | 郑州轻工业学院 | 基于连接强度分析的脑核团动态可变性测量方法 |
WO2020075737A1 (ja) * | 2018-10-11 | 2020-04-16 | 株式会社国際電気通信基礎技術研究所 | 脳機能結合相関値の調整方法、脳機能結合相関値の調整システム、脳活動分類器のハーモナイズ方法、脳活動分類器のハーモナイズシステム、及び脳活動バイオマーカシステム |
CN111241683A (zh) * | 2020-01-14 | 2020-06-05 | 济南浪潮高新科技投资发展有限公司 | 一种基于动态时间规整的设备工况故障预测方法和系统 |
CN111583181A (zh) * | 2020-04-08 | 2020-08-25 | 深圳市神经科学研究院 | 个体化脑功能图谱构建方法及系统 |
CN111863244A (zh) * | 2020-07-28 | 2020-10-30 | 中国人民解放军国防科技大学 | 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 |
US20210041953A1 (en) * | 2019-08-06 | 2021-02-11 | Neuroenhancement Lab, LLC | System and method for communicating brain activity to an imaging device |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107658018B (zh) * | 2017-10-12 | 2019-07-05 | 太原理工大学 | 一种基于结构连接和功能连接的融合脑网络构建方法 |
CN109192298B (zh) * | 2018-07-27 | 2021-11-23 | 南京航空航天大学 | 基于脑网络的深度脑疾病诊断算法 |
CN110097968B (zh) * | 2019-03-27 | 2020-06-30 | 中国科学院自动化研究所 | 基于静息态功能磁共振影像的婴儿脑龄预测方法、系统 |
CN111540467B (zh) * | 2020-04-21 | 2023-03-31 | 五邑大学 | 精神分裂症分类识别方法、运行控制装置及医疗设备 |
CN114334140B (zh) * | 2022-03-08 | 2022-07-19 | 之江实验室 | 基于多关系功能连接矩阵的疾病预测系统及装置 |
-
2022
- 2022-03-08 CN CN202210218603.3A patent/CN114334140B/zh active Active
- 2022-08-22 WO PCT/CN2022/113907 patent/WO2023168912A1/zh unknown
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120050379A (ko) * | 2010-11-10 | 2012-05-18 | 삼성전자주식회사 | MRI및 fMRI를 이용한 뇌 질환 분석 장치 및 방법 |
CN107256332A (zh) * | 2017-05-24 | 2017-10-17 | 上海交通大学 | 基于眼动数据的脑电实验评估系统及方法 |
CN108596228A (zh) * | 2018-04-13 | 2018-09-28 | 江南大学 | 一种基于无监督模糊系统的脑功能磁共振图像分类方法 |
WO2020075737A1 (ja) * | 2018-10-11 | 2020-04-16 | 株式会社国際電気通信基礎技術研究所 | 脳機能結合相関値の調整方法、脳機能結合相関値の調整システム、脳活動分類器のハーモナイズ方法、脳活動分類器のハーモナイズシステム、及び脳活動バイオマーカシステム |
CN109330595A (zh) * | 2018-11-15 | 2019-02-15 | 郑州轻工业学院 | 基于连接强度分析的脑核团动态可变性测量方法 |
US20210041953A1 (en) * | 2019-08-06 | 2021-02-11 | Neuroenhancement Lab, LLC | System and method for communicating brain activity to an imaging device |
CN111241683A (zh) * | 2020-01-14 | 2020-06-05 | 济南浪潮高新科技投资发展有限公司 | 一种基于动态时间规整的设备工况故障预测方法和系统 |
CN111583181A (zh) * | 2020-04-08 | 2020-08-25 | 深圳市神经科学研究院 | 个体化脑功能图谱构建方法及系统 |
CN111863244A (zh) * | 2020-07-28 | 2020-10-30 | 中国人民解放军国防科技大学 | 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 |
Non-Patent Citations (2)
Title |
---|
RASMUS RØGE 等: ""Whole brain functional connectivity predicted by indirect structural connections"", 《2017 INTERNATIONAL WORKSHOP ON PATTERN RECOGNITION IN NEUROIMAGING》 * |
杜宇航: ""阿尔茨海默病患者脑功能连接变化分析及分类研究"", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023168912A1 (zh) * | 2022-03-08 | 2023-09-14 | 之江实验室 | 一种基于多关系功能连接矩阵的疾病预测系统及装置 |
CN115147417A (zh) * | 2022-09-02 | 2022-10-04 | 之江实验室 | 一种基于过滤法特征选择的功能连接矩阵处理系统及装置 |
CN115147417B (zh) * | 2022-09-02 | 2022-11-15 | 之江实验室 | 一种基于过滤法特征选择的功能连接矩阵处理系统及装置 |
US11989883B2 (en) | 2022-09-02 | 2024-05-21 | Zhejiang Lab | Functional connectivity matrix processing system and device based on feature selection using filtering method |
CN115359045A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 基于多模态磁共振成像的图卷积神经网络疾病预测系统 |
CN115359045B (zh) * | 2022-10-19 | 2023-03-17 | 之江实验室 | 基于多模态磁共振成像的图卷积神经网络疾病预测系统 |
CN116759096A (zh) * | 2023-08-22 | 2023-09-15 | 之江实验室 | 基于多重比较功能连接矩阵的疾病预测系统 |
CN116759096B (zh) * | 2023-08-22 | 2023-12-08 | 之江实验室 | 基于多重比较功能连接矩阵的疾病预测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114334140B (zh) | 2022-07-19 |
WO2023168912A1 (zh) | 2023-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114334140B (zh) | 基于多关系功能连接矩阵的疾病预测系统及装置 | |
US20230225649A1 (en) | Graph model-based brain functional alignment method | |
CN110503187B (zh) | 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 | |
CN107944490B (zh) | 一种基于半多模态融合特征约简框架的图像分类方法 | |
CN106023194A (zh) | 基于静息态功能连接的杏仁核谱聚类分割方法 | |
CN104715241B (zh) | 一种基于张量分解的fMRI特征提取与识别方法 | |
CN113298831B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN110811622A (zh) | 一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法 | |
CN109086809A (zh) | 基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法 | |
CN113160138B (zh) | 一种脑部核磁共振图像分割方法及系统 | |
CN112465771B (zh) | 脊柱核磁共振图像的分析方法、装置和计算机设备 | |
Zhu et al. | Discovering dense and consistent landmarks in the brain | |
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 | |
CN113936172A (zh) | 一种基于集成学习融合多模式特征的疾病分类方法及设备 | |
Reisert et al. | HAMLET: hierarchical harmonic filters for learning tracts from diffusion MRI | |
CN110751664B (zh) | 一种基于超体素匹配的脑组织分割方法 | |
CN114066798A (zh) | 一种基于深度学习的脑肿瘤核磁共振影像数据合成方法 | |
US20230290514A1 (en) | Disease prediction system and apparatus based on multi-relation functional connectivity matrix | |
Zhu et al. | Whole‐brain functional MRI registration based on a semi‐supervised deep learning model | |
Esmaeil-Zadeh et al. | SPHARM-based shape analysis of hippocampus for lateralization in mesial temporal lobe epilepsy | |
CN114494014A (zh) | 一种磁共振图像超分辨率重建方法及装置 | |
CN107316065A (zh) | 基于分部式子空间模型的稀疏特征提取和分类方法 | |
CN116759096B (zh) | 基于多重比较功能连接矩阵的疾病预测系统 | |
US11989883B2 (en) | Functional connectivity matrix processing system and device based on feature selection using filtering method | |
Fralenko et al. | Tools for automatically finding and visualizing interest areas in MRI data to support decision making by medical researchers |
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 |