CN114862834B - 一种静息态功能磁共振影像数据分类方法 - Google Patents

一种静息态功能磁共振影像数据分类方法 Download PDF

Info

Publication number
CN114862834B
CN114862834B CN202210615113.7A CN202210615113A CN114862834B CN 114862834 B CN114862834 B CN 114862834B CN 202210615113 A CN202210615113 A CN 202210615113A CN 114862834 B CN114862834 B CN 114862834B
Authority
CN
China
Prior art keywords
hypergraph
node
layer
matrix
brain
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.)
Active
Application number
CN202210615113.7A
Other languages
English (en)
Other versions
CN114862834A (zh
Inventor
杨艳丽
刘涛
郭浩
李瑶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN202210615113.7A priority Critical patent/CN114862834B/zh
Publication of CN114862834A publication Critical patent/CN114862834A/zh
Application granted granted Critical
Publication of CN114862834B publication Critical patent/CN114862834B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术，具体是一种静息态功能磁共振影像数据分类方法，基于树结构组套索超图U‑Net模型，该方法是采用如下步骤实现的：步骤S1:对静息态功能磁共振影像进行预处理；步骤S2：根据选定的标准化脑图谱对预处理后的静息态功能磁共振影像进行区域分割，并对所分割的各脑区进行平均时间序列的提取；步骤S3：采用皮尔逊相关法，计算各脑区的平均时间序列两两间的关联程度，由此得到关联矩阵，并选取矩阵上三角的相关系数值作为每个被试的脑网络特征；本发明适用于磁共振影像数据分类。

Description

一种静息态功能磁共振影像数据分类方法
技术领域
本发明属于图像处理技术领域，具体是一种静息态功能磁共振影像数据分类方法。
背景技术
近年来，神经影像学技术为探索人类大脑的连接提供了许多方法，特别是网络神经科学，其目标是将大脑连接建模为一个网络，其中每个节点代表一个感兴趣解剖区域(Regions Of Interest，ROI)。大脑连接是由神经成像数据，例如磁共振成像(MagneticResonance Imaging，MRI)技术产生的，并使用功能、结构或形态网络来表示。由于脑精神疾病影响大脑的认知功能，神经成像的宗旨在对精神疾病患者和正常对照组的大脑图像进行分类，帮助诊断和检测大脑疾病，已成功用于辅助脑疾病的诊断。
在传统的静息态功能磁共振分类研究中，通常将机器学习作为重要的分析工具进行脑疾病的分类诊断预测。但由于机器学习技术在训练前，需要领域专家进行专业的特征筛选工作，这导致需要花费大量的时间和精力来选取合适的输入特征。同时特征选择的评价标准在神经影像学领域中不存在唯一的金标准，这导致不同的度量标准提取出的最优特征子集则出现差别，最后影响磁共振数据的分类。基于此，研究人员提出了深度学习框架，而图神经网络其对非结构化信息的表征能力使得尤其适用于神经影像研究领域中。近年来，图神经网络已广泛应用于无侵入的脑成像技术中进行脑疾病的诊断和预测，并得到了飞跃的发展。但是在图神经网络中，仅能表述数据之间成对的连接，无法捕获样本间高阶交互关系。而研究表明，多个样本间的高阶信息对于构建一个有效的分类模型是非常关键的。基于此，有必要发明一种全新的磁共振影像数据分类方法，以解决传统磁共振影像数据分类方法存在的上述问题。
发明内容
本发明的目的在于提供一种基于树结构组套索超图U-Net模型的静息态功能磁共振影像数据分类方法，并解决传统磁共振影像数据分类方法分类准确率低的问题。
一种静息态功能磁共振影像数据分类方法，该方法是采用如下步骤实现的:
步骤S1:对静息态功能磁共振影像进行预处理；
步骤S2：根据选定的标准化脑图谱对预处理后的静息态功能磁共振影像进行区域分割，并对所分割的各脑区进行平均时间序列的提取；
步骤S3：采用皮尔逊相关法，计算各脑区的平均时间序列两两间的关联程度，由此得到关联矩阵，并选取矩阵上三角的相关系数值作为每个被试的脑网络特征；
步骤S4：设置稀疏度，依据稀疏度构建静息态脑功能网络模型，在此基础上，计算静息态脑功能二值网络的局部属性，包括节点度、节点效率以及介数中心度作为脑区特征；
步骤S5：基于脑网络特征和脑区特征，利用tree structured group Lasso方法进行超图构建并将初始超图转换为超图拉普拉斯矩阵；
步骤S6：以脑网络特征、脑区特征和超图拉普拉斯矩阵作为分类模型的输入，并将超图池化层和反池化层与超图卷积层叠加，构建树结构组套索超图U-Net神经网络框架(tree structured group Lasso Hypergraph U-Net，tgLassoHGU-Net)分类模型；
步骤S7:利用交叉验证方法对构建的tgLassoHGU-Net分类模型进行验证评估。
本发明公开一种基于树结构组套索超图U-Net模型的静息态功能磁共振影像数据分类方法，以脑网络特征和脑区特征为基础，利用基于tree structured group Lasso方法在表征样本间先验知识的基础上构建超图，然后将超图作为输入，进行超图神经网络模型的构建，从而进行脑疾病的分类诊断。该方法在考虑到传统机器学习特征筛选计算消耗较大和评价标准不一致的基础上，同时还引入了基于先验知识的数据样本间的高阶信息，以构建更有效的神经网络模型，提高脑疾病的分类准确率。
附图说明
图1是本发明实施例的功能磁共振影像数据分类方法流程图。
图2是本发明与传统磁共振影像数据分类方法的对比示意图。
具体实施方式
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，都属于本发明保护的范围。
基于树结构组套索超图U-Net模型的静息态功能磁共振影像数据分类方法，该方法具体包括以下步骤进行：
步骤S1:对静息态功能磁共振影像进行预处理；
步骤S2：根据选定的标准化脑图谱对预处理后的静息态功能磁共振影像进行区域分割，并对所分割的各脑区进行平均时间序列的提取；
步骤S3：采用皮尔逊相关法，计算各脑区的平均时间序列两两间的关联程度，由此得到关联矩阵，并选取矩阵上三角的相关系数值作为每个被试的脑网络特征；
步骤S4：设置稀疏度，依据稀疏度构建静息态脑功能网络模型，在此基础上，计算静息态脑功能二值网络的局部属性，包括节点度、节点效率以及介数中心度作为脑区特征；
步骤S5：基于脑网络特征和脑区特征，利用tree structured group Lasso方法进行超图构建并将初始超图转换为超图拉普拉斯矩阵；
步骤S6：以脑网络特征、脑区特征和超图拉普拉斯矩阵作为分类模型的输入，并将超图池化层和反池化层与超图卷积层叠加，构建树结构组套索超图U-Net神经网络框架(tree structured group Lasso Hypergraph U-Net，tgLassoHGU-Net)分类模型；
步骤S7:利用交叉验证方法对构建的tgLassoHGU-Net分类模型进行验证评估。
所述步骤S1中，对静态功能磁共振成像数据进行预处理，以最大程度地去除采集过程中由于设备、头动、生物噪声等造成的干扰信号，完整地保留影像细节，提高了信噪比。并通过仿射变换和局部非线性变换方法将影响同一化到所选取的标准控件。预处理步骤包括时间层校正，头部校正，联合配准、空间标准化以及低频滤波。
所述步骤S2中，利用所选定的标准化脑图谱，对预处理后的影像数据进行区域分割。所选择的标准化脑图谱，是国际通用的解剖标记模板(Automated AnatomicalLabeling，AAL)。模板将全脑共分割90个感兴趣解剖区域区域，其中左右半脑各45个脑区。
对所划分的各脑区，进行平均时间序列的提取。步骤包括：提取每个脑区所包含的所有体素在不同时间点上的激活信号，再将各体素在不同时间点上的激活信号进行算术平均，得到脑区的平均时间序列。激活信号指的是不同时间点上的血氧水平依赖(BloodOxygenation Level Dependent，BOLD)强度。
所述步骤S3中，假设静息态功能磁共振成像数据的平均时间序列是针对第l个被试的第p个ROI，采用皮尔逊相关法计算第l位被试中两两ROI之间的相关度。计算公式具体表示如下：
Figure GDA0004012543750000041
其中，对于第l个被试，
Figure GDA0004012543750000042
表示第p个ROI的时间序列，
Figure GDA0004012543750000043
表示第q个ROI的时间序列，
Figure GDA0004012543750000044
表示皮尔逊相关系数，由此得到该被试的相关矩阵。基于相关矩阵，将上三角的相关系数值作为脑网络特征。
所述步骤S4中，静息态脑功能网络模型具体构建如下：
基于相关矩阵，设定稀疏度范围为(8％，40％)，并以5％作为步长，分别构建每个稀疏度下的静息态二值脑功能网络。即若为两脑区的相关系数位于特定的稀疏度空间中，则将该连接设为1，认为这两脑区间存在交互；否则设为0，认为两者不存在交互。接着分别计算该二值脑网络的局部属性：节点度、局部效率以及介数中心度作为脑区特征，以更加全面多角度捕获脑网络的拓扑信息。局部属性具体的计算公式如下：
节点度被表示一个节点的边数，是测量一个节点与其他节点连接情况最简单的办法。其公式表示为：
Figure GDA0004012543750000045
在公式(2)中，fi表示节点i的节点度；
Figure GDA0004012543750000048
表示二值网络中节点i和j的连接，存在即为1，不存在则为0；N表示网络中的节点个数。
节点效率表示节点在网络中信息的传递能力，其公式表示为：
Figure GDA0004012543750000046
在公式(3)中，ei表示节点i的节点效率，dij表示为vi和vj之间的最短路径长度；N表示网络中的节点个数。
介数中心度指的是通过该节点的最短路径的个数。其公式表示为：
Figure GDA0004012543750000047
在公式(4)中，C(vi)表示通过vi的最短路径的个数；gh表示从顶点vj到vh的所有最短路径数目；gh(i)表示这些最短路径中通过节点vi的数目；N表示网络中的节点个数。
所属步骤S5中，超图模型构建步骤如下：
在现有的超图神经网络模型研究中，研究人员均是对超图神经网络模型框架进行了相应的改进，却忽略了其超图本身对于超图神经网络模型有效性的影响。大多采用k近邻方法生成超边，将每个样本和它的k个最近邻组成超边。但是k近邻算法对于选取一个合适的最近邻居数是有一定挑战的，也就是不具有在不同数据规模下的自然邻居特性，即缺乏数据自适应能力，同时对噪声比较敏感，从而导致所构建的超图可能会失去一些重要的信息表征，最后影响超图神经网络模型的构建。因此，基于以上问题，本发明提出了treestructured group Lasso方法构建超图模型以更好地表征样本间复杂的高阶问题，尤其是数据中隐藏的组结构这一关键信息，从而构建更加有效的超图神经网络模型。
Tree structured group Lasso方法是通过求解稀疏回归模型，来构建超图。主要是通过引入惩罚项，将某个样本变量通过其余样本变量的线性组合来表征，同时将与该样本变量无关的样本变量惩罚为0，以此刻画该样本与其余样本的交互关系。由此可见并不需要设定一个最近邻居数，来捕获样本间的交互信息。而是基于样本的特征数据，引入惩罚项，进而计算该样本与其余样本的交互关系。这一流程则可克服k近邻算法的局限性，从而包含数据自适应能力以及噪声鲁棒性的特性。此外，研究表明样本数据中存在隐藏的组结构信息，而该方法为预设组选择方法，即在该方法的惩罚项中，主要引入了组级罚函数，而且是可以根据先验知识获取相关性较高的样本变量从而将其定义为一组样本变量。同时在组内，也可以根据先验知识选取特定变量与该组内一些相关性较高的变量，从而多层次地实现变量间组结构信息的表达。总的来说，该方法既弥补了k近邻算法数据自适应能力以及噪声鲁棒性的缺陷，同时还加入了数据中隐藏的组结构这一关键信息。
因为tree structured group Lasso是预设组选择方法，因此利用该方法构建超图前，首先需要对样本变量进行聚类，本专利使用层次聚类方法对样本进行聚类，接着利用tree structured group Lasso方法进行超图的构建。其正则化目标函数优化模型如下：
Figure GDA0004012543750000051
公式(5)中：xn为第n个受试者的特征向量，An＝[x1,...,xn-1,0,xn+1,...,xN]表示第n个受试者的数据矩阵(也就是，除了第n个受试者的所有的特征向量，且对应第n个受试者的特征向量设置为0)。αn表示系数向量，量化了从其他受试者到第n个受试者的影响程度。αn中非零元素的表示的是与特定的受试者产生关联的其他的受试者，零元素表示与特定的受试者无相关特征的受试者。d表示树组结构的层数，本发明将树组结构设置为3层，0≤i≤d，即d＝2。k表示为树组结构中的第二层节点，即具有高度相关特征的被试分为一组，且0≤j≤k。
Figure GDA0004012543750000065
表示具有树形结构特点的节点，即当前节点所在的层数与组别。λ＞0为控制连接矩阵稀疏性的正则化参数，用来调整组级稀疏性。值得注意的是，不同的λ值对应不同的稀疏度。λ值越大，连接网络越稀疏，也就是说，在αn中有更多的零元素。反之，值越小，连接网络越密集，换句话说，在αn中有更多的非零元素。基于该方法构建的超图模型，节点表示一个被试，超边表示具有高度相关特征的被试的集合，通过计算αn，得到αn中的非零元素组成一条超边。进一步地说，对于每一个被试，变换λ值从0.1～0.9，步长设为0.1，使得每个被试生成一组超边。最后，基于tree structured group Lasso方法，计算所有被试对应的权重向量，得到所有被试产生的超边，并将其组合成所有被试的超图模型。
基于构建的超图模型，利用tree structured group Lasso方法进行超图拉普拉斯矩阵的构建。具体计算公式如下:
Figure GDA0004012543750000061
公式(6)中：|V|×|E|维关联矩阵H用于表示超图：
Figure GDA0004012543750000062
公式(7)中，H(v,e)表示关联矩阵中对应的元素，v∈V表示节点，e∈E表示超边关联矩阵行元素为节点，列元素为超边。若节点v属于超边e，则H(v,e)＝1，如果节点v不属于超边e，则H(v,e)＝0。
基于H,每个顶点v的节点度表示为：
Figure GDA0004012543750000063
在公式(8)中，v∈V表示节点，e∈E表示超边关联矩阵行元素为节点。
超边e的边度表示为：
Figure GDA0004012543750000064
在公式(9)中，v∈V表示节点，e∈E表示超边关联矩阵行元素为节点。
其中，Dv和De分别表示节点度d(v)和超边度d(e)的对角矩阵，W为超边权重的对称矩阵，H'是H的转置。
所述步骤S6中，构建tgLassoHGU-Net分类模型步骤如下：
近年来，由于图神经网络对非结构化信息的表征能力使得其成功用于神经影像学领域中。但在图神经网络中，仅能表征数据成对间的连接，忽视了样本间的高阶关系。因此，超图神经网络模型被引入，但仍处于探索阶段。目前主要的关于超图的神经网络模型包括超图神经网络(Hypergraph Neural Network，HGNN)、超图U-Net(Hypergraph U-net，HU-net)等。尽管传统的超图学习方法通常面临较高的计算成本，但是超图神经网络可以通过设计超边卷积操作成功地消除了这一挑战，尽管如此，它也有局限性：超图神经网络仅能从设计好的超图卷积运算来进行节点嵌入，这导致构建的分类模型对于数据的处理能力不具有普遍性。而HU-net模型利用U-Net架构通过池化和反池化操作来改进局部特征聚合，同时仍然利用超图卷积操作来学习更有代表性的特征嵌入，它可以在挖掘数据样本之间高阶结构的同时，进行节点嵌入的推理和聚合，更能观察真实数据的复杂性。因此本发明引入HU-net模型的核心原理，从而构建了tgLassoHGU-Net神经网络框架。
tgLassoHGU-Net神经网络框架将超图池化层和反池化层与超图卷积层叠加。超图卷积层在每个超图池化层的后面，利用节点的一阶局部邻居更新节点的特征，然后利用超图反池化层填充添加回来的节点特征。tgLassoHGU-Net神经网络框架的具体步骤如下所示：
为了增强局部特征聚合，本发明首先采用了一个超图池化层来对归一化后的拉普拉斯超图矩阵进行下采样来取代将图的邻接矩阵直接传递给池化层。超图池化层的目的是为了选择超图节点的子集，而这些子集会形成一个更小的超图，且尽可能地保留住原有超图地高阶信息关系。为了学习如何选择这样的节点，本发明使用一个可训练的投影向量
Figure GDA0004012543750000071
并将超图中的每个节点的特征量化为一个分数，每个节点的分数代表经过P向量投影后保留的信息量，分数越高，保留的信息量越大，反之，分数越低，保留的信息越少。随后使用Top-k算法对每个节点的分数进行排序，并选出最大的ρ个节点一次来构成新的超图。
具体步骤如下所示：
Figure GDA0004012543750000072
在公式(10)中，
Figure GDA0004012543750000073
表示Xc在P上的投影的输出；
Figure GDA0004012543750000074
表示tgLassoHGU-Net分类模型中c层的特征矩阵，
Figure GDA0004012543750000075
表示tgLassoHGU-Net分类模型中c层的超图拉普拉斯矩阵，xc表示tgLassoHGU-Net分类模型中c层节点的特征向量。
Figure GDA0004012543750000081
在公式(11)中，
Figure GDA0004012543750000082
表示Xc在P上的投影的输出使用Top-k算法返回的分数最大的ρ个节点的索引。
Figure GDA0004012543750000083
在公式(12)中，从
Figure GDA0004012543750000084
中选择最大的维数并用一个sigmoid函数用来产生新的
Figure GDA0004012543750000085
Figure GDA0004012543750000086
在公式(13)中，将得到的c层的ρ的节点的特征向量合并成新的特征矩阵
Figure GDA0004012543750000087
Figure GDA0004012543750000088
在公式(14)中，通过元素的乘法公式将
Figure GDA0004012543750000089
得到输入到下一层的tgLassoHGU-Net分类模型中的特征矩阵Xc+1。
Lc+1＝Lc[indexes,indexes]  (15)
在公式(15)中，将c层得到的ρ个节点重新构造一个新的超图矩阵
Figure GDA00040125437500000810
并将其输入到下一层的tgLassoHGU-Net分类模型中。
随后，为了对之前在超图池化层进行池化操作的超图进行上采样，需要对超图进行一个反池化操作。因此，本发明采用超图反池化层，将该层从与tgLassoHGU-Net分类模型的同一级别的超图池化层获取有关于原超图中以删除节点的特征信息并重建超图。
传统的图卷积网络通过图的拉普拉斯矩阵的特征值和特征向量来研究图的性质，但其仅能表征出节点间二阶关系，忽视了数据样本间存在的多对多的高阶特征关系。因而，在本发明中，使用超图卷积来学习更具代表性的样本特征。超图卷积计算公式具体如下：
Fc＝LcXcΘc  (16)
公式(16)中,Fc是tgLassoHGU-Net分类模型中c层的超图卷积运算；
Figure GDA00040125437500000811
表示tgLassoHGU-Net分类模型中的c层超图拉普拉斯矩阵，Nc表示c层tgLassoHGU-Net分类模型框架中c层超图的节点数；
Figure GDA00040125437500000812
为c层的特征矩阵，xc是c层tgLassoHGU-Net分类模型中c层节点的特征向量，Xc与Lc一起作为前一个池化或反池化层的输入。超图特征矩阵Xc首先由嵌入函数
Figure GDA00040125437500000813
进行变换，通过c层的超图卷积层来提取xc+1输出节点的特征向量，然后通过Lc扩散，在包含这些特征的的超边之间聚合嵌入的节点特征。
Figure GDA0004012543750000091
为新生成的特征矩阵和Lc+1作为下一层tgLassoHGU-Net分类模型框架的输入。
所述步骤S7中,采用交叉验证方法对构建的tgLassoHGU-Net分类模型进行评估。
检验步骤具体包括：从样本集中随机选择90％的样本作为训练集，剩余10％的样本作为测试集，由此进行分类测试并得到分类准确率；将重复进行100次分类测试后得到的分类准确率进行算术平均，然后将算术平均值作为分类器的分类准确率。
本发明的有益效果：与传统磁共振影像数据分类方法相比，基于脑网络特征和脑区特征，利用tree structured group Lasso方法构建超图模型，并引入超图U-net模型构建tsgLasso-HGUNet分类模型框架。本发明在考虑到在传统机器学习方法上进行特征筛选时需要较大的计算成本以及缺乏统一的特征评价标准这一局限性，同时还引入了基于先验知识的数据样本间的高阶信息，以构建更有效的神经网络模型，提高脑疾病的分类准确率。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (7)

1.一种静息态功能磁共振影像数据分类方法，基于树结构组套索超图U-Net神经网络模型，其特征在于，包括如下步骤：
步骤S1:对静息态功能磁共振影像数据进行预处理；
步骤S2：根据选定的标准化脑图谱，对预处理后的静息态功能磁共振影像数据进行区域分割，并对所分割的各脑区进行平均时间序列的提取；
步骤S3：采用皮尔逊相关法，计算各脑区平均时间序列两两间的关联程度，得到关联矩阵，并选取关联矩阵上三角的相关系数值作为每个被试的脑网络特征；
步骤S4：基于关联矩阵，设置稀疏度，构建静息态脑功能二值网络模型，计算静息态脑功能二值网络的局部属性作为脑区特征，包括节点度、节点效率以及介数中心度；
步骤S5：基于脑网络特征和脑区特征，利用treestructuredgroupLasso方法进行超图构建并将初始超图转换为超图拉普拉斯矩阵；
步骤S6：以脑网络特征、脑区特征和超图拉普拉斯矩阵作为分类模型的输入，并将超图池化层和反池化层与超图卷积层叠加，构建tgLassoHGU-Net分类模型；
步骤S7:利用交叉验证方法对tgLassoHGU-Net分类模型进行验证评估；
在步骤S6中，构建tgLassoHGU-Net分类模型的具体步骤包括：
将超图池化层和反池化层与超图卷积层叠加，超图卷积层在每个超图池化层的后面，利用节点的一阶局部邻居更新节点的特征，然后利用超图反池化层填充添加回来的节点特征；
采用一个超图池化层来对归一化后的拉普拉斯超图矩阵进行下采样，使用一个可训练的投影向量
Figure FDA0004093436040000011
并将超图中的每个节点的特征量化为一个分数，每个节点的分数代表经过P向量投影后保留的信息量，分数越高，保留的信息量越大；随后使用Top-k算法对每个节点的分数进行排序，并选出最大的ρ个节点一次来构成新的超图，具体步骤如下所示：
Figure FDA0004093436040000012
在公式(10)中，
Figure FDA0004093436040000013
表示Xc在P上的投影的输出；
Figure FDA0004093436040000014
表示为tgLassoHGU-Net分类模型中c层的特征矩阵，
Figure FDA0004093436040000015
表示为tgLassoHGU-Net分类模型中c层的超图拉普拉斯矩阵，xc表示tgLassoHGU-Net分类模型中c层节点的特征向量；
Figure FDA0004093436040000016
在公式(11)中，
Figure FDA0004093436040000021
表示Xc在P上的投影的输出使用Top-k算法返回的分数最大的ρ个节点的索引；
Figure FDA0004093436040000022
在公式(12)中，从
Figure FDA0004093436040000023
中选择最大的维数并用一个sigmoid函数用来产生新的
Figure FDA0004093436040000024
Figure FDA0004093436040000025
在公式(13)中，将得到的c层的ρ的节点的特征向量合并成新的特征矩阵
Figure FDA0004093436040000026
Figure FDA0004093436040000027
在公式(14)中，通过元素的乘法公式将
Figure FDA0004093436040000028
得到输入到下一层的tgLassoHGU-Net分类模型中的特征矩阵Xc+1；
Lc+1＝Lc[indexes,indexes](15)
在公式(15)中，将c层得到的ρ个节点重新构造一个新的超图矩阵
Figure FDA0004093436040000029
并将其输入到下一层的tgLassoHGU-Net分类模型中；
为了对之前在池化层进行池化操作的超图进行上采样，采用超图反池化层，将该层从与tgLassoHGU-Net分类模型的同一级别的池化层获取有关于原超图中以删除节点的特征信息并重建超图；
采用超图卷积来学习更具代表性的样本特征，超图卷积计算公式具体如下：
Fc＝LcXcΘc(16)
在公式(16)中,Fc是tgLassoHGU-Net分类模型中c层的超图卷积运算；
Figure FDA00040934360400000210
表示tgLassoHGU-Net分类模型中的c层超图拉普拉斯矩阵，Nc表示c层tgLassoHGU-Net分类模型框架中c层超图的节点数；
Figure FDA00040934360400000211
为c层的特征矩阵，xc是c层tgLassoHGU-Net分类模型中c层节点的特征向量，Xc与Lc一起作为前一个池化或反池化层的输入；
超图特征矩阵Xc首先由嵌入函数
Figure FDA00040934360400000212
进行变换，通过c层的超图卷积层来提取xc+1输出节点的特征向量，然后通过Lc扩散，在包含这些特征的的超边之间聚合嵌入的节点特征，
Figure FDA00040934360400000213
为新生成的特征矩阵和Lc+1作为下一层tgLassoHGU-Net分类模型框架的输入。
2.根据权利要求1所述的一种静息态功能磁共振影像数据分类方法，其特征在于，在步骤S1中，预处理步骤包括时间层校正，头部校正，空间标准化和低频滤波。
3.根据权利要求1所述的一种静息态功能磁共振影像数据分类方法，其特征在于，在步骤S2中，所述标准化脑图谱为国际通用的解剖标记模板，将全脑共分割90个感兴趣解剖区域，其中左右半脑各45个脑区。
4.根据权利要求1所述的一种静息态功能磁共振影像数据分类方法，其特征在于，在步骤S3中,假设静息态功能磁共振成像数据的平均时间序列是针对第l个被试的第p个ROI，采用皮尔逊相关法计算第l位被试中两两ROI之间的相关度，计算公式具体表示如下：
Figure FDA0004093436040000031
其中，对于第l个被试，
Figure FDA0004093436040000032
表示第p个ROI的时间序列，
Figure FDA0004093436040000033
表示第q个ROI的时间序列，
Figure FDA0004093436040000034
表示皮尔逊相关系数。
5.根据权利要求1所述的一种静息态功能磁共振影像数据分类方法，其特征在于，在步骤S4中，构建静息态脑功能二值网络模型的具体步骤包括：
基于关联矩阵，设定稀疏度范围为(8％，40％)，并以5％作为步长，分别构建每个稀疏度下的静息态二值脑功能网络；即若为两脑区的相关系数位于特定的稀疏度空间中，则将该连接设为1，认为这两脑区间存在交互；若为两脑区的相关系数不位于特定的稀疏度空间中，则将该连接设为0，认为两者不存在交互；
计算静息态脑功能二值网络的局部属性具体包括：
节点度被表示一个节点的边数，其公式表示为：
Figure FDA0004093436040000035
在公式(2)中，fi表示节点i的节点度；
Figure FDA0004093436040000036
表示二值网络中节点i和j的连接，存在即为1，不存在则为0；N表示网络中的节点个数；
节点效率表示节点在网络中信息的传递能力，其公式表示为：
Figure FDA0004093436040000037
在公式(3)中，ei表示节点i的节点效率，dij表示为vi和vj之间的最短路径长度；N表示网络中的节点个数；
介数中心度表示通过节点的最短路径的个数，其公式表示为：
Figure FDA0004093436040000041
在公式(4)中，C(vi)表示通过vi的最短路径的个数；gh表示从顶点vj到vh的所有最短路径数目；gh(i)表示这些最短路径中通过节点vi的数目；N表示网络中的节点个数。
6.根据权利要求1所述的一种静息态功能磁共振影像数据分类方法，其特征在于，在步骤S5中，超图模型构建的具体步骤包括：
使用层次聚类方法对脑区进行聚类，利用treestructuredgroupLasso方法求解稀疏回归模型，来构建超图，其正则化目标函数优化模型如下：
Figure FDA0004093436040000042
在公式(5)中，xn为第n个受试者的特征向量，An＝[x1,...,xn-1,0,xn+1,...,xN]表示第n个受试者的数据矩阵；αn表示系数向量，αn中非零元素表示的是与特定受试者产生关联的其他受试者，零元素表示与特定受试者无相关特征的受试者；d表示树组结构的层数，0≤i≤d，d＝2；k表示为树组结构中的第二层节点，且0≤j≤k；
Figure FDA0004093436040000043
表示具有树形结构特点的节点；λ＞0为控制连接矩阵稀疏性的正则化参数，用来调整组级稀疏性；
其中，不同的λ值对应不同的稀疏度，λ值越大，连接网络越稀疏，在αn中有更多的零元素；λ值越小，连接网络越密集，在αn中有更多的非零元素；
构建的超图模型中，节点表示一个被试，超边表示具有高度相关特征的被试的集合，通过计算αn，得到αn中的非零元素组成一条超边；
对于每一个被试，变换λ值从0.1～0.9，步长设为0.1，使得每个被试生成一组超边；最后基于treestructuredgroupLasso方法，计算所有被试对应的权重向量，得到所有被试产生的超边，并将其组合成所有被试的超图模型；
基于构建的超图模型，利用treestructuredgroupLasso方法进行超图拉普拉斯矩阵的构建，具体计算公式如下：
Figure FDA0004093436040000054
公式(6)中：|V|×|E|维关联矩阵H用于表示超图：
Figure FDA0004093436040000051
公式(7)中，H(v,e)表示关联矩阵中对应的元素，v∈V表示节点，e∈E表示超边关联矩阵行元素为节点，列元素为超边；若节点v属于超边e，则H(v,e)＝1，如果节点v不属于超边e，则H(v,e)＝0；
基于H，每个顶点v的节点度表示为：
Figure FDA0004093436040000052
在公式(8)中，v∈V表示节点，e∈E表示超边关联矩阵行元素为节点；
超边e的边度表示为：
Figure FDA0004093436040000053
在公式(9)中，v∈V表示节点，e∈E表示超边关联矩阵行元素为节点；
其中，Dv和De分别表示节点度d(v)和超边度d(e)的对角矩阵，W为超边权重的对称矩阵，H'是H的转置。
7.根据权利要求1所述的一种静息态功能磁共振影像数据分类方法，其特征在于：在步骤S7中，采用交叉验证方法对构建的tgLassoHGU-Net分类模型进行评估，具体步骤包括：
从样本集中随机选择90％的样本作为训练集，剩余10％的样本作为测试集，由此进行分类测试并得到分类准确率；将重复进行100次分类测试后得到的分类准确率进行算术平均，然后将算术平均值作为分类器的分类准确率。
CN202210615113.7A 2022-05-31 2022-05-31 一种静息态功能磁共振影像数据分类方法 Active CN114862834B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210615113.7A CN114862834B (zh) 2022-05-31 2022-05-31 一种静息态功能磁共振影像数据分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210615113.7A CN114862834B (zh) 2022-05-31 2022-05-31 一种静息态功能磁共振影像数据分类方法

Publications (2)

Publication Number Publication Date
CN114862834A CN114862834A (zh) 2022-08-05
CN114862834B true CN114862834B (zh) 2023-04-25

Family

ID=82640778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210615113.7A Active CN114862834B (zh) 2022-05-31 2022-05-31 一种静息态功能磁共振影像数据分类方法

Country Status (1)

Country Link
CN (1) CN114862834B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858543A (zh) * 2019-01-25 2019-06-07 天津大学 基于低秩稀疏表征和关系推断的图像可记忆度预测方法
CN112839577A (zh) * 2018-10-11 2021-05-25 株式会社国际电气通信基础技术研究所 脑功能连接相关值的调整方法、脑功能连接相关值的调整系统、脑活动分类器的协调方法、脑活动分类器的协调系统以及脑活动生物标记物系统
CN113888532A (zh) * 2021-11-09 2022-01-04 推想医疗科技股份有限公司 一种基于平扫ct数据的医学图像分析方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295709A (zh) * 2016-08-18 2017-01-04 太原理工大学 基于多尺度脑网络特征的功能磁共振影像数据分类方法
CN106548206B (zh) * 2016-10-27 2019-08-02 太原理工大学 基于最小生成树的多模态磁共振影像数据分类方法
CN111754395B (zh) * 2020-07-01 2022-07-08 太原理工大学 一种脑功能超网络模型的鲁棒性评估方法
CN112418337B (zh) * 2020-11-27 2021-11-02 太原理工大学 基于脑功能超网络模型的多特征融合数据分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112839577A (zh) * 2018-10-11 2021-05-25 株式会社国际电气通信基础技术研究所 脑功能连接相关值的调整方法、脑功能连接相关值的调整系统、脑活动分类器的协调方法、脑活动分类器的协调系统以及脑活动生物标记物系统
CN109858543A (zh) * 2019-01-25 2019-06-07 天津大学 基于低秩稀疏表征和关系推断的图像可记忆度预测方法
CN113888532A (zh) * 2021-11-09 2022-01-04 推想医疗科技股份有限公司 一种基于平扫ct数据的医学图像分析方法及装置

Also Published As

Publication number Publication date
CN114862834A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN113040715B (zh) 一种基于卷积神经网络的人脑功能网络分类方法
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
CN109376751B (zh) 一种基于卷积神经网络的人脑功能网络分类方法
CN111563533B (zh) 基于图卷积神经网络融合多种人脑图谱的受试者分类方法
CN110236543B (zh) 基于深度学习的阿尔茨海默病多分类诊断系统
CN113724880A (zh) 一种异常脑连接预测系统、方法、装置及可读存储介质
CN107133651B (zh) 基于超网络判别子图的功能磁共振影像数据分类方法
CN111090764B (zh) 基于多任务学习和图卷积神经网络的影像分类方法及装置
CN112418337B (zh) 基于脑功能超网络模型的多特征融合数据分类方法
CN111738363B (zh) 基于改进的3d cnn网络的阿尔茨海默病分类方法
CN114242236A (zh) 结构-功能脑网络双向映射模型构建方法及脑网络双向映射模型
CN111009321A (zh) 一种机器学习分类模型在青少年孤独症辅助诊断中的应用方法
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
CN105117731A (zh) 一种大脑功能网络的社团划分方法
CN111009324A (zh) 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法
Zhang et al. Jointly analyzing Alzheimer's disease related structure-function using deep cross-model attention network
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
Pei et al. Data augmentation for fMRI-based functional connectivity and its application to cross-site ADHD classification
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
Feng et al. A review of methods for classification and recognition of ASD using fMRI data
CN115474939A (zh) 一种基于深度展开神经网络的孤独症谱系障碍识别模型
CN115496953A (zh) 基于时空图卷积的脑网络分类方法
Xi et al. Brain Functional Networks with Dynamic Hypergraph Manifold Regularization for Classification of End-Stage Renal Disease Associated with Mild Cognitive Impairment.
CN113255734A (zh) 一种基于自监督学习和迁移学习的抑郁症分类方法
Li et al. Alzheimer's level classification by 3D PMNet using PET/MRI multi-modal images

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