CN115147417B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115147417B CN115147417B CN202211070002.9A CN202211070002A CN115147417B CN 115147417 B CN115147417 B CN 115147417B CN 202211070002 A CN202211070002 A CN 202211070002A CN 115147417 B CN115147417 B CN 115147417B
- Authority
- CN
- China
- Prior art keywords
- matrix
- brain
- module
- sel
- feature
- 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
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 title claims abstract description 39
- 238000001914 filtration Methods 0.000 title claims abstract description 29
- 230000006870 function Effects 0.000 claims abstract description 42
- 201000010099 disease Diseases 0.000 claims abstract description 37
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 37
- 238000003745 diagnosis Methods 0.000 claims abstract description 34
- 230000003925 brain function Effects 0.000 claims abstract description 18
- 230000000284 resting effect Effects 0.000 claims abstract description 15
- 210000004556 brain Anatomy 0.000 claims description 53
- 238000012360 testing method Methods 0.000 claims description 30
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000033001 locomotion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 1
- 208000020016 psychiatric disease Diseases 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000000540 analysis of variance Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 3
- 238000002610 neuroimaging Methods 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 206010003805 Autism Diseases 0.000 description 1
- 208000020706 Autistic disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000009126 molecular therapy Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- 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
- A61B5/72—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Veterinary Medicine (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- High Energy & Nuclear Physics (AREA)
- Algebra (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
Abstract
本发明公开了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，包括：获取被试预处理后的静息态脑功能磁共振图像；提取时间序列；计算皮尔逊相关系数，得到皮尔逊相关系数矩阵；将皮尔逊相关系数矩阵进行向量化；利用过滤法计算定量相关性指标，并基于预设阈值，选择定量相关性指标；利用与所述疾病诊断结果相关性高的对应的定量相关性指标，对选择的功能连接特征加权处理，得到功能连接矩阵；通过所述功能连接矩阵得到预测结果。本发明在以过滤法进行特征选择的基础上，以计算得到的特征与所述疾病诊断结果的定量相关性指标对所选择的特征进行加权处理，使得与所述疾病诊断结果相关性高的特征具有更高的影响权重，提高表型预测的准确率。
Description
技术领域
本发明涉及一种神经影像数据分析技术领域，尤其涉及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。
背景技术
随着科技，医疗，经济等方面的发展，全世界人民的生活水平，平均寿命都得到了提高。然而，越来越大的竞争压力，也同时给人民带来了巨大的精神压力，精神疾病的发病率逐年提高，并成为导致死亡的主要原因之一（参见论文：Van Waarde J A, Scholte H S,Van Oudheusden L J B, et al. A functional MRI marker may predict the outcomeof electroconvulsive therapy in severe and treatment-resistant depression[J].Molecular psychiatry, 2015, 20(5): 609-614.）。如何更快更好地发现，诊断，治疗精神疾病已经成为临床医生和研究者们十分关心的问题。
作为一种常用的神经影像学技术，fMRI因其非侵入性，无创伤，良好的时空分辨率，低成本等特性，已被广泛应用于临床医学、认知神经科学、精神疾病等领域，现在已经成为认知科学、神经精神病学和神经科学研究中不可或缺的工具，大大加深了人们对精神疾病复杂的发病机理和多变的临床生物学差异的理解。静息态功能磁共振成像（RestingState Functional Magnetic Resonance Imaging，rs-fMRI）可以反映大脑在没有任务时的神经基准活动，并且可以由rs-fMRI信号经过一些特定计算生成功能连接（functionalconnectivity，FC）。FC可有效地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。
由rs-fMRI信号进行精神疾病分类的常规流程为：1）选择现有的脑区模板，如AAL（Automated Anatomical Labeling）（参见论文：Tzourio-Mazoyer et al. "AutomatedAnatomical Labeling of activations in SPM using a Macroscopic AnatomicalParcellation 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 human cerebralcortex estimated by intrinsic functional connectivity，J Neurophysiol. 2011Sep; 106(3): 1125–1165. ）等；2）基于所选择的脑区模板提取被试的各个脑区的平均时间信号；3）根据各个脑区的平均时间信号计算功能连接矩阵，如计算两两脑区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；4）将功能矩阵向量化；5）对向量化后的结果进行特征选择，选择出部分与预测表型相关性高的特征；6）将特征选择之后的特征结果输入到机器学习模型或者深度学习模型中，进行疾病预测。
特征选择作为上述流程中关键性的一步，可以剔除不相关的冗余特征，减少特征个数，寻找最优的特征子集合，简化模型，减少模型运行时间，提高模型精确度。现已有很多成熟的特征选择方法，可分为过滤法，包装法，嵌入法三大类。其中比较简单常用的是过滤法，其基本思想是对于全部S个特征，计算每个特征与类别标签的相关性指标量Si，将Si按照从大到小进行排序，设定阈值，选择信息量较大的特征作为特征选择的结果。对于分类问题，度量相关性的主要方法有F检验，卡方检验，互信息。在常规基于rs-fMRI信号进行精神疾病分类的流程中，使用特征选择之后，研究者会将大于某个阈值的特征直接投入到机器学习模型中，进行疾病表型预测。然而，在特征选择时，每个特征与预测表型的相关性是由不同的定量指标进行衡量的，如果仅仅设定阈值进行特征选择，则没有充分利用相关性定量信息，每个特征对于最终预测的影响仍然是由机器学习模型决定。根据每个特征计算得到的定量指标的值，可以知道每个特征对于最终类别预测的影响应是不同的，与类别标签相关性更高的特征，对最终的预测结果应有更大的权重影响。
为此，我们提出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。
发明内容
本发明为了解决上述技术问题，在于提供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。
本发明采用的技术方案如下：
一种基于过滤法特征选择的功能连接矩阵处理系统，包括：
被试获取与预处理模块，用于获取被试预处理后的静息态脑功能磁共振图像及疾病诊断结果；
脑区时间序列提取模块，用于利用脑影像图谱提取每个被试预处理后的静息态脑功能磁共振图像中每个脑区的时间序列；
皮尔逊相关系数计算模块，用于对于每个被试，计算两两脑区的时间序列的皮尔逊相关系数，得到各个脑区的皮尔逊相关系数矩阵；
向量化矩阵模块，用于对于每个被试，将各个脑区的皮尔逊相关系数矩阵进行向量化，得到向量化皮尔逊相关系数矩阵COR；
定量相关性指标计算模块，用于利用过滤法计算所有所述向量化皮尔逊相关系数矩阵COR中各个特征与所述疾病诊断结果之间的定量相关性指标Si，并基于预设阈值，选择与所述疾病诊断结果相关性高的功能连接特征CORsel及对应的定量相关性指标RELEsel；
特征转换模块，用于利用与所述疾病诊断结果相关性高的对应的定量相关性指标RELEsel，对选择的功能连接特征CORsel加权处理，得到功能连接矩阵FC；
矩阵预测模块，用于通过所述功能连接矩阵FC得到预测结果。
进一步地，所述被试获取与预处理模块中静息态脑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/或空间标准化。
进一步地，所述脑区时间序列提取模块中所述脑影像图谱包括多模态脑图谱、脑功能图谱和/或脑解剖图谱。
进一步地，所述向量化矩阵模块中所述向量化的方式为选择皮尔逊相关系数矩阵中不包含对角线的下三角元素，并将其展平为一维向量。
进一步地，所述定量相关性指标计算模块中所述过滤法的计算方式为：
联合N个所述向量化皮尔逊相关系数矩阵COR，矩阵维度为N*S，其中S表示向量化之后的特征维度数，分别计算每个特征与所述疾病诊断结果之间的定量相关性指标Si；
将相关性指标量Si按照从大到小进行排序，预设阈值，选择与所述疾病诊断结果相关性高的Ssub个特征作为功能连接特征，记为CORsel，其矩阵维度为N*Ssub；
记录所选择的与所述疾病诊断结果相关性高的特征的定量相关性指标，记为RELEsel，其维度为1*Ssub。
进一步地，所述特征转换模块中所述加权处理的方式为：FC=CORsel*δ*RELEsel，其中δ为缩放系数。
进一步地，所述缩放系数δ的取值为0.01~0.05。
进一步地，所述矩阵预测模块具体为：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，进行表型预测。
本发明还提供一种基于过滤法特征选择的功能连接矩阵处理装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述实施例任一项所述的一种基于过滤法特征选择的功能连接矩阵处理系统。
本发明还提供一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现上述实施例任一项所述的一种基于过滤法特征选择的功能连接矩阵处理系统。
本发明的有益效果是：本发明在以过滤法进行特征选择的基础上，以计算得到的特征所述疾病诊断结果的定量相关性指标对所选择的特征进行进一步加权处理，以更好地区分不同特征对于所述疾病诊断结果的影响效果，使得与所述疾病诊断结果相关性高的特征初始具有更高的影响权重，将加权处理后的特征投入到机器学习模型进行表型预测，以提高表型预测的准确率。
附图说明
图1为本发明一种基于过滤法特征选择的功能连接矩阵处理系统的功能流程图；
图2为实施例对ABIDE数据集整体随机打乱拆分测试集和训练集，使用不同特征进行预测，在测试集上的预测结果的AUC值所绘制的箱线图；
图3为本发明一种基于过滤法特征选择的功能连接矩阵处理装置的结构图。
具体实施方式
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作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。
参见图1，一种基于过滤法特征选择的功能连接矩阵处理系统，包括：
被试获取与预处理模块，用于获取被试预处理后的静息态脑功能磁共振图像；
所述被试获取与预处理模块中静息态脑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/或空间标准化；
脑区时间序列提取模块，用于利用脑影像图谱提取每个被试预处理后的静息态脑功能磁共振图像中每个脑区的时间序列；
所述脑区时间序列提取模块中所述脑影像图谱包括多模态脑图谱、脑功能图谱和/或脑解剖图谱；
皮尔逊相关系数计算模块，用于对于每个被试，计算两两脑区的时间序列的皮尔逊相关系数，得到各个脑区的皮尔逊相关系数矩阵；
向量化矩阵模块，用于对于每个被试，将各个脑区的皮尔逊相关系数矩阵进行向量化，得到向量化皮尔逊相关系数矩阵COR；
所述向量化矩阵模块中所述向量化的方式为选择皮尔逊相关系数矩阵中不包含对角线的下三角元素，并将其展平为一维向量；
定量相关性指标计算模块，用于利用过滤法计算所有所述向量化皮尔逊相关系数矩阵COR中各个特征与所述疾病诊断结果之间的定量相关性指标Si，并基于预设阈值，选择与所述疾病诊断结果相关性高的功能连接特征CORsel及对应的定量相关性指标RELEsel；
所述定量相关性指标计算模块中所述过滤法的计算方式为：
联合N个所述向量化皮尔逊相关系数矩阵COR，矩阵维度为N*S，其中S表示向量化之后的特征维度数，分别计算每个特征与所述疾病诊断结果之间的定量相关性指标Si；
将相关性指标量Si按照从大到小进行排序，预设阈值，选择与所述疾病诊断结果相关性高的Ssub个特征作为功能连接特征，记为CORsel，其矩阵维度为N*Ssub；
记录所选择的与所述疾病诊断结果相关性高的特征的定量相关性指标，记为RELEsel，其维度为1*Ssub。
特征转换模块，用于利用与所述疾病诊断结果相关性高的对应的定量相关性指标RELEsel，对选择的功能连接特征CORsel加权处理，得到功能连接矩阵FC；
所述特征转换模块中所述加权处理的方式为：FC=CORsel*δ*RELEsel，其中δ为缩放系数；
所述缩放系数δ的取值为0.01~0.05；
矩阵预测模块，用于通过所述功能连接矩阵FC得到预测结果；
所述矩阵预测模块具体为：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，进行表型预测。
实施例：一种基于过滤法特征选择的功能连接矩阵处理系统，包括：
被试获取与预处理模块，用于收集来自ABIDE(Autism Brain Imaging DataExchange) 的预处理后的静息态脑功能磁共振图像数据，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，得到被试预处理后的静息态脑功能磁共振图像数据；
ABIDE数据集共包含866个被试的数据，其中464个被试为正常被试，402个被试为自闭症患者。
脑区时间序列提取模块，用于利用脑影像图谱提取每个被试预处理后的静息态脑功能磁共振图像中每个脑区的时间序列；
所述脑区时间序列提取模块中所述脑影像图谱包括多模态脑图谱、脑功能图谱和/或脑解剖图谱；
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表示静息态脑功能磁共振图像的时间序列长度。
皮尔逊相关系数计算模块，用于对于每个被试，计算两两脑区的时间序列的皮尔逊相关系数，得到各个脑区的皮尔逊相关系数矩阵；
计算两两脑区的时间序列之间的皮尔逊相关系数，得到一个116*116的皮尔逊相关系数矩阵，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。
向量化矩阵模块，用于对于每个被试，将各个脑区的皮尔逊相关系数矩阵进行向量化，得到向量化皮尔逊相关系数矩阵COR；
所述向量化矩阵模块中所述向量化的方式为选择皮尔逊相关系数矩阵中不包含对角线的下三角元素，并将其展平为一维向量；所有被试向量化皮尔逊相关系数矩阵的维度为866*6786。
定量相关性指标计算模块，用于利用过滤法计算所有所述向量化皮尔逊相关系数矩阵COR中各个特征与所述疾病诊断结果之间的定量相关性指标Si，并基于预设阈值，选择与所述疾病诊断结果相关性高的功能连接特征CORsel及对应的定量相关性指标RELEsel；
所述定量相关性指标计算模块中所述过滤法的计算方式为：
联合N个所述向量化皮尔逊相关系数矩阵COR，矩阵维度为N*S，其中S表示向量化之后的特征维度数，分别计算每个特征与所述疾病诊断结果之间的定量相关性指标Si；
将相关性指标量Si按照从大到小进行排序，预设阈值，选择与所述疾病诊断结果相关性高的Ssub个特征作为功能连接特征，记为CORsel，其矩阵维度为N*Ssub；
向量化操作后，使用过滤法进行特征选择，优选地，使用方差分析F检验，对于向量化后的每个特征，基于类别标签，计算方差分析的F值，F值越大，表明该特征与所述疾病诊断结果越相关。设定阈值，选择F值较大的特征。优选地，将所有特征F值的10%分位数作为阈值，选择得到10%的特征，记为CORsel，其维度为866*679，进行后续计算。
记录所选择的与所述疾病诊断结果相关性高的特征的定量相关性指标，记为RELEsel，其维度为1*Ssub。
特征转换模块，用于利用与所述疾病诊断结果相关性高的对应的定量相关性指标RELEsel，对选择的功能连接特征CORsel加权处理，得到功能连接矩阵FC；
对于所选择的功能连接特征CORsel，使用代表每个特征相应的方差分析F值进行加权处理，得到功能连接矩阵FC。F值可以表示每个特征与所述疾病诊断结果之间的相关性，用RELEsel表示,其维度为1*679。
所述特征转换模块中所述加权处理的方式为：FC=CORsel*δ*RELEsel，其中δ为缩放系数，所述缩放系数δ的取值为0.01，得到功能连接矩阵FC的维度为866*679。
矩阵预测模块，用于通过所述功能连接矩阵FC得到预测结果；
所述矩阵预测模块具体为：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，进行表型预测。
对所有被试，将所选择的功能连接特征CORsel与计算得到的功能连接矩阵FC分别当做预测特征进行相同如下处理：将所有特征按被试随机打乱，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（Areaunder the ROC Curve）值。重复上述处理步骤100次，分别取以功能连接特征CORsel与功能连接矩阵FC为特征在测试集上得到的AUC值，绘制箱线图，计算均值并使用T检验验证均值差异，从而验证该方法得到的功能连接矩阵FC对于疾病预测效果的提升。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L1，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；
以功能连接特征CORsel与功能连接矩阵FC分别作为特征在预测集上AUC值分布的箱线图参见图2所示，其均值如下表所示：
| COR<sub>sel</sub> | FC | |
| AUC 均值 | 0.659 | 0.709 |
以功能连接特征CORsel与计算得到的功能连接矩阵FC为特征在预测集上进行100次测试结果得到的AUC值进行T检验计算，计算得到的T值为-11.440，P值为1.358e-23。
由箱线图，均值及T检验结果可知，以本发明提出的方法得到的FC为特征进行表型预测，可以有效提高其预测效果。
与前述一种基于过滤法特征选择的功能连接矩阵处理系统的实施例相对应，本发明还提供了一种基于过滤法特征选择的功能连接矩阵处理装置的实施例。
参见图3，本发明实施例提供的一种基于过滤法特征选择的功能连接矩阵处理装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述实施例中的一种基于过滤法特征选择的功能连接矩阵处理系统。
本发明一种基于过滤法特征选择的功能连接矩阵处理装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本发明一种基于过滤法特征选择的功能连接矩阵处理装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的一种基于过滤法特征选择的功能连接矩阵处理系统。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于过滤法特征选择的功能连接矩阵处理系统，其特征在于，包括：
被试获取与预处理模块，用于获取被试预处理后的静息态脑功能磁共振图像及疾病诊断结果；
脑区时间序列提取模块，用于利用脑影像图谱提取每个被试预处理后的静息态脑功能磁共振图像中每个脑区的时间序列；
皮尔逊相关系数计算模块，用于对于每个被试，计算两两脑区的时间序列的皮尔逊相关系数，得到各个脑区的皮尔逊相关系数矩阵；
向量化矩阵模块，用于对于每个被试，将各个脑区的皮尔逊相关系数矩阵进行向量化，得到向量化皮尔逊相关系数矩阵COR；
定量相关性指标计算模块，用于利用过滤法计算所有所述向量化皮尔逊相关系数矩阵COR中各个特征与所述疾病诊断结果之间的定量相关性指标Si，并基于预设阈值，选择与所述疾病诊断结果相关性高的功能连接特征CORsel及对应的定量相关性指标RELEsel；
特征转换模块，用于利用与所述疾病诊断结果相关性高的对应的定量相关性指标RELEsel，对选择的功能连接特征CORsel加权处理，得到功能连接矩阵FC；
矩阵预测模块，用于通过所述功能连接矩阵FC得到预测结果。
2.如权利要求1所述的一种基于过滤法特征选择的功能连接矩阵处理系统，其特征在于，所述被试获取与预处理模块中静息态脑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/或空间标准化。
3.如权利要求1所述的一种基于过滤法特征选择的功能连接矩阵处理系统，其特征在于，所述脑区时间序列提取模块中所述脑影像图谱包括多模态脑图谱、脑功能图谱和/或脑解剖图谱。
4.如权利要求1所述的一种基于过滤法特征选择的功能连接矩阵处理系统，其特征在于，所述向量化矩阵模块中所述向量化的方式为选择皮尔逊相关系数矩阵中不包含对角线的下三角元素，并将其展平为一维向量。
5.如权利要求1所述的一种基于过滤法特征选择的功能连接矩阵处理系统，其特征在于，所述定量相关性指标计算模块中所述过滤法的计算方式为：
联合N个所述向量化皮尔逊相关系数矩阵COR，矩阵维度为N*S，其中S表示向量化之后的特征维度数，分别计算每个特征与所述疾病诊断结果之间的定量相关性指标Si；
将相关性指标量Si按照从大到小进行排序，预设阈值，选择与所述疾病诊断结果相关性高的Ssub个特征作为功能连接特征，记为CORsel，其矩阵维度为N*Ssub；
记录所选择的与所述疾病诊断结果相关性高的特征的定量相关性指标，记为RELEsel，其维度为1*Ssub。
6.如权利要求1所述的一种基于过滤法特征选择的功能连接矩阵处理系统，其特征在于，所述特征转换模块中所述加权处理的方式为：FC=CORsel*δ*RELEsel，其中δ为缩放系数。
7.如权利要求6所述的一种基于过滤法特征选择的功能连接矩阵处理系统，其特征在于，所述缩放系数δ的取值为0.01~0.05。
8.如权利要求1所述的一种基于过滤法特征选择的功能连接矩阵处理系统，其特征在于，所述矩阵预测模块具体为：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，进行表型预测。
9.一种基于过滤法特征选择的功能连接矩阵处理装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-8中任一项所述的一种基于过滤法特征选择的功能连接矩阵处理系统。
10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-8中任一项所述的一种基于过滤法特征选择的功能连接矩阵处理系统。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211070002.9A CN115147417B (zh) | 2022-09-02 | 2022-09-02 | 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 |
| US18/360,796 US11989883B2 (en) | 2022-09-02 | 2023-07-27 | Functional connectivity matrix processing system and device based on feature selection using filtering method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211070002.9A CN115147417B (zh) | 2022-09-02 | 2022-09-02 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115147417A CN115147417A (zh) | 2022-10-04 |
| CN115147417B true CN115147417B (zh) | 2022-11-15 |
Family
ID=83416127
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211070002.9A Active CN115147417B (zh) | 2022-09-02 | 2022-09-02 | 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 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11989883B2 (zh) |
| CN (1) | CN115147417B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118247682B (zh) * | 2024-05-24 | 2024-08-16 | 武汉大学 | 基于启明星一号卫星的土地覆盖分类方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108257657A (zh) * | 2016-12-28 | 2018-07-06 | 复旦大学附属华山医院 | 基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法 |
| WO2019069955A1 (ja) * | 2017-10-03 | 2019-04-11 | 株式会社国際電気通信基礎技術研究所 | 判別装置、うつ症状の判別方法、うつ症状のレベルの判定方法、うつ病患者の層別化方法、うつ症状の治療効果の判定方法及び脳活動訓練装置 |
| CN109886498A (zh) * | 2019-03-01 | 2019-06-14 | 北京邮电大学 | 一种基于特征选择的emd-gru短期电力负荷预测方法 |
| CN114334140A (zh) * | 2022-03-08 | 2022-04-12 | 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 |
| CN114816321A (zh) * | 2022-04-22 | 2022-07-29 | 吉林大学 | 一种无监督的用户感知指标重要度确定方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6722845B2 (ja) * | 2017-10-03 | 2020-07-15 | 株式会社国際電気通信基礎技術研究所 | 判別装置、うつ症状の判別方法、うつ症状のレベルの判定方法、うつ病患者の層別化方法、うつ症状の治療効果の判定方法及び脳活動訓練装置 |
| US20210401289A1 (en) * | 2018-10-11 | 2021-12-30 | Advanced Telecommunications Research Institute International | Brain functional connectivity correlation value adjustment method, brain functional connectivity correlation value adjustment system, brain activity classifier harmonization method, brain activity classifier harmonization system, and brain activity biomarker system |
| EP3977463A1 (en) * | 2019-06-03 | 2022-04-06 | Biomax Informatics AG | Computing a pathological condition |
| WO2021205996A1 (ja) * | 2020-04-06 | 2021-10-14 | 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クラスタリング装置、脳機能結合相関値のクラスタリングシステム、脳機能結合相関値のクラスタリング方法、脳機能結合相関値の分類器プログラム、脳活動マーカー分類システムおよび脳機能結合相関値のクラスタリング分類器モデル |
| EP4157080A4 (en) * | 2020-05-29 | 2024-06-19 | The Board of Regents of the University of Texas System | NETWORK-BASED FUNCTIONAL IMAGING OUTPUT TO ASSESS MULTIPLE SCLEROSIS |
-
2022
- 2022-09-02 CN CN202211070002.9A patent/CN115147417B/zh active Active
-
2023
- 2023-07-27 US US18/360,796 patent/US11989883B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108257657A (zh) * | 2016-12-28 | 2018-07-06 | 复旦大学附属华山医院 | 基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法 |
| WO2019069955A1 (ja) * | 2017-10-03 | 2019-04-11 | 株式会社国際電気通信基礎技術研究所 | 判別装置、うつ症状の判別方法、うつ症状のレベルの判定方法、うつ病患者の層別化方法、うつ症状の治療効果の判定方法及び脳活動訓練装置 |
| CN109886498A (zh) * | 2019-03-01 | 2019-06-14 | 北京邮电大学 | 一种基于特征选择的emd-gru短期电力负荷预测方法 |
| CN114334140A (zh) * | 2022-03-08 | 2022-04-12 | 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 |
| CN114816321A (zh) * | 2022-04-22 | 2022-07-29 | 吉林大学 | 一种无监督的用户感知指标重要度确定方法 |
Non-Patent Citations (4)
| Title |
|---|
| Abnormal Local Brain Activity Beyond the Pain Matrix in Postherpetic Neuralgia Patients: A Resting-State Functional MRI Study;Song Cao等;《Pain Physician》;20170228;第E303-E314页 * |
| Attentional Connectivity-based Prediction of Autism Using Heterogeneous rs-fMRI Data from CC200 Atlas;Yaya Liu等;《Experimental Neurobiology》;20200128;第27-37页 * |
| 基于高阶最小生成树的脑网络分析及对阿兹海默氏症患者的分类;郭浩等;《计算机应用》;20171110(第11期);第3339-3344页 * |
| 阿尔茨海默病患者脑功能连接变化分析及分类研究;杜宇航;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20200815;E071-10 * |
Also Published As
| Publication number | Publication date |
|---|---|
| US20240078678A1 (en) | 2024-03-07 |
| US11989883B2 (en) | 2024-05-21 |
| CN115147417A (zh) | 2022-10-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Janghel et al. | Deep convolution neural network based system for early diagnosis of Alzheimer's disease | |
| Liu et al. | Towards clinical diagnosis: Automated stroke lesion segmentation on multi-spectral MR image using convolutional neural network | |
| CN108288070B (zh) | 一种神经指纹提取分类方法及系统 | |
| Gull et al. | Artificial intelligence in brain tumor detection through MRI scans: advancements and challenges | |
| Pan et al. | Characterization multimodal connectivity of brain network by hypergraph GAN for Alzheimer’s disease analysis | |
| Sato et al. | Identification of psychopathic individuals using pattern classification of MRI images | |
| Sun et al. | Dual-functional neural network for bilateral hippocampi segmentation and diagnosis of Alzheimer’s disease | |
| Al-Adhaileh | Diagnosis and classification of Alzheimer's disease by using a convolution neural network algorithm | |
| Zhao et al. | Feature fusion via hierarchical supervised local CCA for diagnosis of autism spectrum disorder | |
| CN103942567A (zh) | 一种基于支持向量机的轻度认知障碍自动判别分析方法 | |
| Collazos-Huertas et al. | Instance-based representation using multiple kernel learning for predicting conversion to Alzheimer disease | |
| CN115147417B (zh) | 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 | |
| Yang et al. | Diagnosis of Parkinson’s disease based on 3D ResNet: The frontal lobe is crucial | |
| Sarkar et al. | Computational Intelligence Approach to improve the Classification Accuracy of Brain Tumour Detection | |
| Janghel | Deep-learning-based classification and diagnosis of Alzheimer's disease | |
| CN116759096B (zh) | 基于多重比较功能连接矩阵的疾病预测系统 | |
| CN114373095A (zh) | 基于影像信息的阿尔茨海默病分类系统及方法 | |
| Davuluri et al. | A survey of different machine learning models for Alzheimer disease prediction | |
| Erdaş et al. | A deep learning method to detect Parkinson’s disease from MRI slices | |
| Stasiak et al. | Application of convolutional neural networks with anatomical knowledge for brain MRI analysis in MS patients | |
| CN112561935A (zh) | 一种阿尔兹海默症的识别方法、装置和设备 | |
| Matlani | BiLSTM-ANN: early diagnosis of Alzheimer’s disease using hybrid deep learning algorithms | |
| CN111938644A (zh) | 基于lle的阿尔茨海默病早期诊断方法、装置、系统 | |
| CN111951228B (zh) | 一种融合梯度激活映射和深度学习模型的癫痫灶定位系统 | |
| Padole et al. | Early Detection of Alzheimer’s Disease Using Graph Signal Processing and Deep Learning. |
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 |