CN115005798A - 一种基于连边功能连接的脑影像特征提取方法 - Google Patents
一种基于连边功能连接的脑影像特征提取方法 Download PDFInfo
- Publication number
- CN115005798A CN115005798A CN202210621663.XA CN202210621663A CN115005798A CN 115005798 A CN115005798 A CN 115005798A CN 202210621663 A CN202210621663 A CN 202210621663A CN 115005798 A CN115005798 A CN 115005798A
- Authority
- CN
- China
- Prior art keywords
- edge
- brain
- feature
- data
- features
- 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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- Y02A90/30—Assessment of water resources
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明公开了一种基于连边功能连接的脑影像特征提取方法,属于脑功能磁共振图像模式识别领域,具体包括以下步骤:S1:纳入受试者静息态功能磁共振数据,并对其进行图像预处理和脑区时间序列提取操作,得到每个大脑区域的平均时间序列;S2:构建连边功能连接初始特征向量;S3:对初始特征集合进行102‑104次不放回随机采样,单次采样的个数根据nFC维度灵活调整;S4:特征选择及融合;S5:将重构的特征向量作为受试者分类的最终特征送入分类器;本发明有效提高了利用影像数据识别精神疾病任务的分类准确率,解决了面对多站点、多机器等异质性数据时传统影像数据利用功能连接等方法构建的特征质量不高、不能找到异质数据背后深层次特征的问题。
Description
技术领域
本发明属于脑功能磁共振图像模式识别领域,具体为一种基于连边功能连接的脑影像特征提取方法。
背景技术
精神健康障碍由于其症状的重叠性质以及缺乏生物学特征,定义和诊断是一个困难的过程。脑成像数据的定量分析可以作为明确和量化的客观标准来提供有价值的生物标志物,从而更准确地诊断脑疾病。精神疾病患者的异常大脑波动常反映在功能扫描中,静息态功能磁共振成像(rs-fMRI)技术利用血氧水平依赖(blood oxygen level dependent,BOLD)反应即含氧血和缺氧血的磁特性的差异来实时跟踪脑信号的变化,fMRI扫描得到的数据是一组具有时序关系的图像,它一般表示为四个维度:三维的空间信息和一维的时间信息。扫描一次全脑形成一个Volume,Volume中最小的单位是体素(Voxel),每一个体素都会产生一个信号波动的时间序列。当然,由于扫描分辨率和时间采样点的客观影响,rs-fMRI数据的特征维度通常较高。因此,以往研究工作中使用了不同的脑网络构建方式用于降维并挖掘隐藏在这种高维时空图像中的重要特征。
经典的节点功能连接(nFC)通过划分感兴趣区域(ROIs)和计算互相关矩阵,降低了输入数据的维度并一定程度上描绘出了大脑各区域之间的功能关系,可以为脑部疾病诊断提供稳定和敏感的生物标志物。目前已广泛研究应用于抑郁症、阿尔茨海默病和自闭症谱系障碍等精神疾病。但最近的研究表明nFC容易受到数据集异质性的干扰,可能无法很好的捕捉大脑区域之间的复杂交互特性,以此构建的特征在机器学习分类应用中遇到了瓶颈。以自闭症识别任务为例,虽然使用单站点小样本的研究报告分类准确率超过80%,但类似模型在ABIDE I(Autism Brain Imaging Data Exchange I)这一多站点异构数据集上的识别准确率则下降明显,准确率范围为60-76%。最近研究人员也尝试使用了多种机器学习方法来提高分类精度,例如深度置信网络(DBN)、使用3D卷积神经网络(3D-CNN)的集成学习、去噪自动编码器(DAE)和图卷积神经网络(GCN)等。尽管在大多数情况下,这些方法可以很好地捕捉特征的复杂差异模式,但在ABIDE数据集上的分类结果改进并不显着,使用基于图的分类模型的最高准确率也在80%以下。因此,特征质量可能是制约分类准确率提高的重要因素。
传统节点功能连接仅关注节点之间的异常大脑功能连接,而忽略了连边之间的高阶交互作用,对多中心数据的特征提取能力出现瓶颈。连边功能连接(eFC)作为一种新的方法,通过跟踪大脑之间的交流模式随时间演变的过程并评估大脑中是否同时出现类似的模式来揭示大脑的交互工作机制。以连边为中心的角度研究功能性大脑网络数据可以被视为传统节点功能连接皮尔逊相关性度量的时间“展开”,为检测新的脑疾病生物标志物、探索个体间差异提供了新的视角和方法。实际应用中,如何使用eFC这一新的特征构建方式研究大脑特征与病理行为之间的关系,并与机器学习方法相结合用于实际问题,是当前需要研究的内容。
因此,迫切需要一种基于连边功能连接的脑影像特征提取方法来解决传统节点功能连接方法的不足。
发明内容
本发明的目的在于提供了一种基于连边功能连接的脑影像特征提取方法。
实现本发明目的的技术解决方案为:一种基于连边功能连接的脑影像特征提取方法,具体包括以下步骤:
S1:纳入受试者静息态功能磁共振数据,并对其进行图像预处理和脑区时间序列提取操作,得到每个大脑区域的平均时间序列;
S2:构建连边功能连接初始特征向量;
S3:对初始特征集合进行102-104次不放回随机采样,单次采样的个数根据nFC维度灵活调整;
S4:特征选择及融合;
S5:将重构的特征向量作为受试者分类的最终特征送入分类器,结果显示新的特征显著提高了分类性能。
更进一步的,所述S1中图像预处理包括时间层校正、头动校正、归一化、干扰信号回归、带通滤波、图像配准。
更进一步的,所述S2中构建连边功能连接初始特征向量的构建过程包括数据标准化、计算连边时间序列、计算连边功能连接矩阵和特征向量展开。
更进一步的,所述数据标准化:对步骤S1提取的脑区时间序列进行Z-score标准化,将将时间序列数据变换为均值为0、标准差为1的正态分布,再将时间序列数据变换到[0,1]的范围内,数据标准化公式如下:
式中:xi表示某个节点的BOLD时间序列,μi和σi表示该序列的平均值和标准差。
更进一步的,所述计算连边时间序列:计算N个大脑区域中两两之间时间序列的点积,点积即为连边时间序列,连边时间序列表示两个节点在每一时刻的共波动幅度;当两个区域的活动在同一时刻向同一方向偏转时,共波动值为正,当活动在相反方向偏转时为负,当活动接近基线时为零;
计算连边时间序列公式如下:
cij=[zi(1)·zj(1),...,zi(T)·zj(T)] (0-2)
式中:cij为任意两个脑区之间的连边时间序列,zi(t)和zj(t)表示两个标准化后的节点时间序列,T是时间点。
更进一步的,所述计算连边功能连接矩阵:
1)计算连边时间序列对之间进行共变关系,连边时间序列对之间进行共变关系公式如下:
式中:eFCij,uv为两对脑区之间的连边功能连接,i,j,u和v为任意四个脑区;
2)对所有连边对都进行这样的计算。
更进一步的,所述特征向量展开:取连边功能连接矩阵下三角部分的元素,再展开成一维向量作为受试者的初始特征向量。
更进一步的,所述S4具体操作步骤;
1)采样出来的特征集通过随机森林分类器得到集合内特征的重要性排序;
2)设定特征重要性阈值获得由高权重特征组成的子集,然后融合102-104次采样的特征子集以获得分类和脑区定位的最终特征。
本发明与现有技术相比,其显著优点为:
本发明有效提高了精神疾病识别任务的分类准确率,解决了面对多站点、多机器异质性数据时传统节点功能连接构建的特征质量不高的问题,其通过构建连边功能连接矩阵来提取受试者脑功能的高阶特征,将高维的eFC特征进行特征选择和特征融合,得到反映异质性数据更本质特征的具有高判别性和高互补性的特征子集,以此得到更好的分类效果和更精准的生物标志物。
本发明有效解决了传统节点功能连接作为一阶转换可能会丢失时域信息的问题,利用时间序列之间的高阶交互,通过不同连边之间交互作用来构建以区域对之间的连边为节点构造的边中心网络方法;再直接使用时间序列数据进行计算,具有更高的时间分辨率,更加适合功能脑网络数据的分析。
本发明连边时间序列用来评估两个节点(大脑区域)之间有多强的协同波动,提供了一个时变的nFC的估计,而不需要指定一个时间窗;克服了滑动窗口估计时变nFC的主要限制之一,即使用窗口会导致跨时间事件的“模糊”。
本发明在随机森林中无需执行交叉验证或单独的测试集即可获得测试集误差的无偏估计值,与过滤特征选择方法相比,随机森林模型不仅能够反映特征之间的交互作用,而且对噪声数据和缺失值数据具有更好的鲁棒性。
本发明针对高维的eFC矩阵;再通过随机采样、特征选择、特征融合三步完成了对eFC重要特征的重构;不放回的随机采样保证了每一次采样的特征不会重复利用,并且多重采样使得总体的特征可以覆盖所有的脑区,对脑网络特性有足够的代表意义;重构的eFC在其优化的可识别性方面明显优于传统的nFC。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明的模型工作框架图。
图2为本发明的eFC计算流程图。
图3为本发明的采样特征分布图。
图4为本发明的单次采样中19900个特征使用随机数量算法得到的特征重要性排序图。
具体实施方式
为了更加清楚地描述本发明的思想,技术方案和优点,具体实施方式通过实施例和附图来表明。显然地,所描述的实施例是本发明的一部分实施例,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未付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。
实施例
一种基于连边功能连接的脑影像特征提取方法,具体包括以下步骤:
S1:纳入受试者静息态功能磁共振数据,并对其进行图像预处理和脑区时间序列提取操作,得到每个大脑区域的平均时间序列;
图像预处理包括时间层校正、头动校正、归一化、干扰信号回归、带通滤波、图像配准。
S2:构建连边功能连接初始特征向量;
构建连边功能连接初始特征向量的构建过程包括数据标准化、计算连边时间序列、计算连边功能连接矩阵和特征向量展开。
所述数据标准化:对步骤S1提取的脑区时间序列进行Z-score标准化,将时间序列数据变换为均值为0、标准差为1的正态分布,再将时间序列数据变换到[0,1]的范围内,数据标准化公式如下:
式中:xi表示某个节点的BOLD时间序列,μi和σi表示该序列的平均值和标准差。
所述计算连边时间序列:计算N个大脑区域中两两之间时间序列的点积,点积即为连边时间序列,连边时间序列表示两个节点在每一时刻的共波动幅度;当两个区域的活动在同一时刻向同一方向偏转时,共波动值为正,当活动在相反方向偏转时为负,当活动接近基线时为零;
计算连边时间序列公式如下:
cij=[zi(1)·zj(1),...,zi(T)·zj(T)] (0-2)
式中:cij为任意两个脑区之间的连边时间序列,zi(t)和zj(t)表示两个标准化后的节点时间序列,T是时间点。
所述计算连边功能连接矩阵:
1)计算连边时间序列对之间进行共变关系,连边时间序列对之间进行共变关系公式如下:
式中:eFCij,uv为两对脑区之间的连边功能连接,i,j,u和v为任意四个脑区;
2)对所有连边对都进行这样的计算。
当N较大时,对这个连边为中心的矩阵的计算的代价将是更大的,意味着需要大量的内存来存储和操作;探索降维方法来为给定的任务保留最相关的特征;
所述特征向量展开:取连边功能连接矩阵下三角部分的元素,再展开成一维向量作为受试者的初始特征向量。
S3:对初始特征集合进行1000次不放回随机采样,单次采样的个数根据nFC维度灵活调整;
S4:特征选择及融合;
特征选择及融合具体操作步骤;
1)采样出来的特征集通过随机森林分类器得到集合内特征的重要性排序,具体来说,森林分类器算法根据精度平均降低给出的可变重要性对所有特征进行排名;在对所有功能进行初始运行后,使用变量重要性度量来选择排名靠前的信息丰富的特征;
2)设定特征重要性阈值获得由高权重特征组成的子集,然后融合102-104次采样的特征子集以获得分类和脑区定位的最终特征。
S5:将重构的特征向量作为受试者分类的最终特征送入分类器,结果显示新的特征显著提高了分类性能。
具体实验
1.1实验环境
实验所用硬件环境和软件环境的相关详细信息如表1所示:
表1 实验环境
1.2实验数据
实验数据来自名为自闭症脑成像交换(ABIDE)的多站点数据库,该数据库由17个国际影像中心(站点)组成。数据库包含了基于自闭症和正常被试的多种模态数据(结构像、静息态功能像、表型数据等)。本实验通过对数据的质量检查(主要针对大脑覆盖不完整、运动峰值高、重影和其他扫描仪伪影),选择了863个被试数据(399个自闭症患者和464个正常对照)。每名被试只使用了静息态功能像数据和对应的标签信息。实验中,自闭症识别问题被视为二元分类问题,实验时将正常对照标记为“0”,将自闭症患者标记为“1”。采用10折交叉验证来评估所提出方法的性能。特别地,来自每个成像中心的每个类别的被试被随机分成十份。然后从每个成像中心提取九个子集以生成训练集。剩余的子集用于测试。此外,为了避免折数选择带来的偏差结果,重复10次交叉验证过程十次并报告结果的平均值。
用于连接组分析的可配置管道(C-PAC)用于预处理。预处理包括切片时间校正、运动校正、全局平均强度归一化、干扰信号回归以消除由头部运动、呼吸、心脏搏动和扫描仪漂移引起的信号波动、带通滤波(0.01–0.1Hz)、功能图像配准和标准空间配准。值得一提的是,每个站点使用不同的参数和协议来扫描数据。重复时间(TR)、回波时间(TE)、体素数、体积数、扫描时眼睛的张开或闭合等参数因站点而异。为了划分预处理fMRI数据的区域以提取区域时间序列,我们选择了Craddock 200(CC200)脑图谱,因为它在以前使用ABIDE数据集的研究中表现出色。CC200有200个ROI,这些区域使用空间约束光谱聚类算法以生成200个功能同质的区域。
1.3实验流程
本实验基于常规的脑影像机器学习分类模型,并在此基础上引入了以连边为中心分析方法和一种用于特征降维的特征重构策略。连边功能连接作为一种高阶的网络结构携带了重要的特定被试信息,在自闭症多中心异质性数据集上更好地捕捉网络的特质。在特征重构的过程中,使用不放回随机采样在大幅降低了特征维度的同时,保留了各脑区之间的特性分布;通过随机森林自有验证集和高鲁棒性的特性,有效获得了每个特征的平均权重;设定阈值以融合重要性较高的特征,保留特征之间的交互作用的同时,大幅降低特征维度,便于后续的计算分析。
如图1所示,首先将预处理好的rs-fMRI数据按cc200图集进行区域平均时间序列的提取,然后对每个被试构建其连边功能连接矩阵,具体步骤如下:
1)对区域时间序列进行Z-score标准化,将将时间序列数据变换为均值为0、标准差为1的正态分布,再将时间序列数据变换到[0,1]的范围内,数据标准化公式如下:
上式中xi表示某个节点的BOLD时间序列,μi和σi表示该序列的平均值和标准差;
2)计算200个大脑区域中两两之间时间序列的点积,得到连边时间序列,它表示两个节点在每一时刻的共波动幅度,计算连边时间序列公式如下:
cij=[zi(1)·zj(1),...,zi(T)·zj(T)]
cuv=[zu(1)·zv(1),...,zu(T)·zv(T)]
图2是构建连边功能连接的示意图,i,j,v,u代表任意4个脑区;
3)计算连边时间序列对之间进行共变关系,连边时间序列对之间进行共变关系公式如下:
对所有连边对都进行这样的计算,得到一个逐边矩阵即连边功能连接矩阵;
为了使用相关矩阵中的值作为特征,删除了上三角值;这些值重复下三角形的值;还去掉了矩阵的主对角线,因为它表示一个与自身相关的区域。然后将剩下的三角形(即将其折叠成一维向量)展平以检索特征向量,目的是将其用于受试者分类。结果特征的数量由以下等式定义:S=(M-1)M/2,其中M表示连边的数目。使用CC200感兴趣区图谱产生19900条连边和相应的197,995,050个特征。
对初始特征集合进行1000次不放回随机采样,多重采样可以确保采样到的特征涉及到每个脑区,参考传统nFC的特征维度,单次采样的个数为19900,图3为1000次采样后,采样的特征在总特征空间的分布,图4为单次采样中19900个特征使用随机数量算法得到的特征重要性排序图,展示了排名前20的特征及其相对重要性数值;每一次采样出来的特征集通过随机森林得到集合内特征的重要性排序,如图3所示,在此设定特征重要性阈值(70%/80%/90%/),融合1000次采样后的特征子集维度分别为8860/4033/1906。将重构的特征向量作为受试者分类的最终特征送入SVM分类器,结果显示新的特征显著提高了分类性能。
1.4效果分析
为了定量估计本文中所提方法的诊断性能,本实验报告了评估其分类性能的准确性(ACC)、敏感性(SEN)和特异性(SPE)。准确性衡量正确分类的受试者的比例(实际自闭症分类为自闭症,实际健康分类为健康)。敏感性表示被正确分类为自闭症的实际自闭症受试者的比例,而特异性衡量被分类为健康的实际健康受试者的比例。令TP、TN、FP和FN分别表示真阳性、真阴性、假阳性和假阴性,那么我们可以定义ACC、SEN和SPE为:
以连边为中心的特征构建分类模型在10折交叉验证中的平均分类准确率为96.4%(敏感度98.3%,特异度94.2%)根据文献,这是迄今为止最高的分类准确率,具体见表2。
表2
为了进一步验证本发明在异质性数据上的优异表现,如表3所示,使用留一站点交叉验证来测试方法在不同站点间的泛化性能。
表3
本发明结果表明,重构的eFC特征表现出了高度的被试特异性,并且突破异质性数据的限制,在10折交叉验证和留一站点交叉验证中都取得了高水平的分类性能,突出了以边缘为中心的网络模型在捕获有意义的特定受试者特征方面的实用性,并为未来使用以边缘为中心的模型研究个体差异奠定了基础。
有效解决了传统节点功能连接作为一阶转换可能会丢失时域信息的问题,利用时间序列之间的高阶交互,通过不同连边之间交互作用来构建以区域对之间的连边为节点构造的边中心网络方法;再直接使用时间序列数据进行计算,具有更高的时间分辨率,更加适合功能脑网络数据的分析。
本发明连边时间序列用来评估两个节点(大脑区域)之间有多强的协同波动,提供了一个时变的nFC的估计,而不需要指定一个时间窗;克服了滑动窗口估计时变nFC的主要限制之一,即使用窗口会导致跨时间事件的“模糊”。
本发明在随机森林中无需执行交叉验证或单独的测试集即可获得测试集误差的无偏估计值,与过滤特征选择方法相比,随机森林模型不仅能够反映特征之间的交互作用,而且对噪声数据和缺失值数据具有更好的鲁棒性。
本发明针对高维的eFC矩阵;再通过随机采样、特征选择、特征融合三步完成了对eFC重要特征的重构;不放回的随机采样保证了每一次采样的特征不会重复利用,并且多重采样使得总体的特征可以覆盖所有的脑区,对脑网络特性有足够的代表意义;重构的eFC在其优化的可识别性方面明显优于传统的nFC。
本发明有效提高了精神疾病识别任务的分类准确率,解决了面对多站点、多机器异质性数据时传统节点功能连接构建的特征质量不高的问题,其通过构建连边功能连接矩阵来提取受试者脑功能的高阶特征,将高维的eFC特征进行特征选择和特征融合,得到反映异质性数据更本质特征的具有高判别性和高互补性的特征子集,以此得到更好的分类效果和更精准的生物标志物。
上述所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于连边功能连接的脑影像特征提取方法,其特征在于,具体包括以下步骤:
S1:纳入受试者静息态功能磁共振数据,并对其进行图像预处理和脑区时间序列提取操作,得到每个大脑区域的平均时间序列;
S2:构建连边功能连接初始特征向量;
S3:对初始特征集合进行102-104次不放回随机采样,单次采样的个数根据nFC维度灵活调整;
S4:特征选择及融合;
S5:将重构的特征向量作为受试者分类的最终特征送入分类器,结果显示新的特征显著提高了分类性能。
2.根据权利要求1所述的基于连边功能连接的脑影像特征提取方法,其特征在于,所述S1中图像预处理包括时间层校正、头动校正、归一化、干扰信号回归、带通滤波、图像配准。
3.根据权利要求2所述的基于连边功能连接的脑影像特征提取方法,其特征在于,所述S2中构建连边功能连接初始特征向量的构建过程包括数据标准化、计算连边时间序列、计算连边功能连接矩阵和特征向量展开。
5.根据权利要求4述的基于连边功能连接的脑影像特征提取方法,其特征在于,所述计算连边时间序列:计算N个大脑区域中两两之间时间序列的点积,点积即为连边时间序列,连边时间序列表示两个节点在每一时刻的共波动幅度;当两个区域的活动在同一时刻向同一方向偏转时,共波动值为正,当活动在相反方向偏转时为负,当活动接近基线时为零;
计算连边时间序列公式如下:
cij=[zi(1)·zj(1),...,zi(T)·zj(T)] (0-2)
式中:cij为任意两个脑区之间的连边时间序列,zi(t)和zj(t)表示两个标准化后的节点时间序列,T是时间点。
8.根据权利要求7所述的基于连边功能连接的脑影像特征提取方法,其特征在于,所述特征向量展开:取连边功能连接矩阵下三角部分的元素,再展开成一维向量作为受试者的初始特征向量。
9.根据权利要求8所述的基于连边功能连接的脑影像特征提取方法,其特征在于,所述S4具体操作步骤;
1)采样出来的特征集通过随机森林分类器得到集合内特征的重要性排序;
2)设定特征重要性阈值获得由高权重特征组成的子集,然后融合102-104次采样的特征子集以获得分类和脑区定位的最终特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210621663.XA CN115005798B (zh) | 2022-06-02 | 2022-06-02 | 一种基于连边功能连接的脑影像特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210621663.XA CN115005798B (zh) | 2022-06-02 | 2022-06-02 | 一种基于连边功能连接的脑影像特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115005798A true CN115005798A (zh) | 2022-09-06 |
CN115005798B CN115005798B (zh) | 2023-05-05 |
Family
ID=83072806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210621663.XA Active CN115005798B (zh) | 2022-06-02 | 2022-06-02 | 一种基于连边功能连接的脑影像特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115005798B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030941A (zh) * | 2023-03-30 | 2023-04-28 | 北京科技大学 | 基于以边为中心的效应连接网络的阿尔茨海默病诊断方法 |
CN116434950A (zh) * | 2023-06-05 | 2023-07-14 | 山东建筑大学 | 基于数据分簇和集成学习的孤独症谱系障碍的诊断系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109770903A (zh) * | 2018-12-29 | 2019-05-21 | 中国科学院自动化研究所 | 功能磁共振影像的分类预测方法、系统、装置 |
US20210015366A1 (en) * | 2019-07-19 | 2021-01-21 | Brainsight Technology Private Limited | System for analysing an activity of brain using magnetic resonance imaging (mri) data |
CN112465905A (zh) * | 2019-09-06 | 2021-03-09 | 四川大学华西医院 | 基于深度学习的磁共振成像数据的特征脑区定位方法 |
CN113077456A (zh) * | 2021-04-20 | 2021-07-06 | 北京大学 | 基于功能性磁共振成像构建网络模型的训练方法和装置、计算机设备以及存储介质 |
CN113616184A (zh) * | 2021-06-30 | 2021-11-09 | 北京师范大学 | 基于多模态磁共振图像的脑网络建模与个体预测方法 |
-
2022
- 2022-06-02 CN CN202210621663.XA patent/CN115005798B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109770903A (zh) * | 2018-12-29 | 2019-05-21 | 中国科学院自动化研究所 | 功能磁共振影像的分类预测方法、系统、装置 |
US20210015366A1 (en) * | 2019-07-19 | 2021-01-21 | Brainsight Technology Private Limited | System for analysing an activity of brain using magnetic resonance imaging (mri) data |
CN112465905A (zh) * | 2019-09-06 | 2021-03-09 | 四川大学华西医院 | 基于深度学习的磁共振成像数据的特征脑区定位方法 |
CN113077456A (zh) * | 2021-04-20 | 2021-07-06 | 北京大学 | 基于功能性磁共振成像构建网络模型的训练方法和装置、计算机设备以及存储介质 |
CN113616184A (zh) * | 2021-06-30 | 2021-11-09 | 北京师范大学 | 基于多模态磁共振图像的脑网络建模与个体预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030941A (zh) * | 2023-03-30 | 2023-04-28 | 北京科技大学 | 基于以边为中心的效应连接网络的阿尔茨海默病诊断方法 |
CN116030941B (zh) * | 2023-03-30 | 2023-08-25 | 北京科技大学 | 基于以边为中心的效应连接网络的阿尔茨海默病诊断方法 |
CN116434950A (zh) * | 2023-06-05 | 2023-07-14 | 山东建筑大学 | 基于数据分簇和集成学习的孤独症谱系障碍的诊断系统 |
CN116434950B (zh) * | 2023-06-05 | 2023-08-29 | 山东建筑大学 | 基于数据分簇和集成学习的孤独症谱系障碍的诊断系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115005798B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102125127B1 (ko) | 딥러닝 기반 뇌 질환 진단 방법 | |
CN113040715B (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
CN110188836B (zh) | 一种基于变分自编码器的脑功能网络分类方法 | |
Thirion et al. | Detection of signal synchronizations in resting-state fMRI datasets | |
Ahmed et al. | Single volume image generator and deep learning-based ASD classification | |
CN115005798B (zh) | 一种基于连边功能连接的脑影像特征提取方法 | |
Glomb et al. | Connectome spectral analysis to track EEG task dynamics on a subsecond scale | |
Tanno et al. | Uncertainty quantification in deep learning for safer neuroimage enhancement | |
CN110232332A (zh) | 动态功能连接局部线性嵌入特征的提取及脑状态分类方法和系统 | |
US11693071B2 (en) | Systems and methods for mapping neuronal circuitry and clinical applications thereof | |
CN112002428B (zh) | 以独立成分网络为参照的全脑个体化脑功能图谱构建方法 | |
CN103942781B (zh) | 一种基于脑影像的脑网络构造方法 | |
CN113947157B (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 | |
WO2021212715A1 (zh) | 精神分裂症分类识别方法、运行控制装置及医疗设备 | |
Gallos et al. | Construction of embedded fMRI resting-state functional connectivity networks using manifold learning | |
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 | |
Shrivastava et al. | Control or autism-classification using convolutional neural networks on functional MRI | |
Sadiq et al. | Non-oscillatory connectivity approach for classification of autism spectrum disorder subtypes using resting-state fMRI | |
Onal et al. | A new representation of fMRI signal by a set of local meshes for brain decoding | |
CN114596306A (zh) | 基于机器学习诊断帕金森疾病的系统 | |
CN114266738A (zh) | 轻度脑损伤磁共振影像数据的纵向分析方法及系统 | |
Palraj et al. | Predicting the abnormality of brain and compute the cognitive power of human using deep learning techniques using functional magnetic resonance images | |
Abdulmunem | Brain MR Images Classification for Alzheimer’s Disease | |
CN114376522B (zh) | 构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法 | |
Ingle et al. | Advancing ASD Diagnostic Classification with Features of Continuous Wavelet Transform of fMRIand 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |