CN115457334A - 静息态功能磁共振影像数据分类方法、系统及相关产品 - Google Patents
静息态功能磁共振影像数据分类方法、系统及相关产品 Download PDFInfo
- Publication number
- CN115457334A CN115457334A CN202211265109.9A CN202211265109A CN115457334A CN 115457334 A CN115457334 A CN 115457334A CN 202211265109 A CN202211265109 A CN 202211265109A CN 115457334 A CN115457334 A CN 115457334A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- preset
- functional magnetic
- resting state
- brain region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- 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
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Neurology (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Psychiatry (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- High Energy & Nuclear Physics (AREA)
- Fuzzy Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开一种静息态功能磁共振影像数据分类方法、系统及相关产品,所述方法包括:对静息态功能磁共振数据进行信噪比提高的预处理分析;进行脑区分割;对每个脑区进行影像学指标的特征提取;筛选有意义特征;将验证集输入到训练完成后的每种分类器模型中,得到最优分类结果;按照影像学指标的特征对分类器模型的贡献度进行排序和/或根据预设计算方式计算得到脑区的权重大小对每个脑区在分类中的重要性进行排序。本发明尽可能的利用常用的可反映大脑状态的功能与结构影像学特征,经特征降维处理后,筛选出对分类诊断具有意义的特征进行早期分类识别,增加分类精度及迁移性能,可更真实地接近并反映精神疾病大脑的状态。
Description
【技术领域】
本发明涉及磁共振技术领域,尤其涉及一种静息态功能磁共振影像数据分类方法、系统及相关产品。
【背景技术】
目前,基于影像组学的机器学习或者深度学习分类在肿瘤病灶良恶性鉴别或者真假进展复发的识别中已经得到广泛的应用。然而,由于主要涉及脑部的精神类疾病并无肿块病灶,也无法勾勒病灶组织,并提取其信号,导致影像组学在精神病灶中应用极少,从而使得精神类疾病诊断往往依靠问卷诊断及病人主诉,导致很多疾病容易被误诊、延迟诊断,这给病人身体及治疗带来很大的负面影响。
因此,寻求一种客观地诊断生物标记物将尤为重要,以便深度神经网络模型根据该生物标记物的影像学信息进行自动识别。但是,既往研究通常采用应用单一影像学指标对精神疾病展开机器学习分类研究,但取得的效果往往不好,分类精度低,不能精确地对精神类疾病进行早期诊断。
鉴于此,实有必要提供一种多影像学指标特征融合的静息态功能磁共振影像数据分类方法、系统及相关产品以克服上述缺陷。
【发明内容】
本发明的目的是提供一种静息态功能磁共振影像数据分类方法、系统及相关产品,旨在解决目前采用应用单一影像学指标在精神疾病展开机器学习分类中分类精度低的问题,更真实地接近并反映精神疾病大脑的状态,从而结合影像组学方法提升精神类疾病在早期诊断的精确性。
为了实现上述目的,本发明第一方面提供一种静息态功能磁共振影像数据分类方法,包括以下步骤:
设置病人组及与其对照的正常组;
采集所述病人组与所述正常组中每个人的静息态功能磁共振数据,并对所述静息态功能磁共振数据进行信噪比提高的预处理分析;
对预处理后的所述静息态功能磁共振数据根据预设的脑图谱模板进行脑区分割,并提取分割后的每个脑区的血氧水平依赖平均时间信号;
在预处理后的所述静息态功能磁共振数据的基础上对每个脑区进行影像学指标的特征提取;
根据预设的检验算法对所述病人组与所述正常组进行统计分析,筛选掉两组比较中显著度小于预设的显著差异阈值和/或相似度大于预设的相似度阈值的特征,然后根据LASSO回归进行交叉验证,保留系数非零的特征,得到筛选后的有意义特征;
根据预设的机器学习算法构建多种分类器模型,并将所述有意义特征按照所述病人组与所述正常组的样本拆分为训练集与验证集;
将所述训练集分别输入到每种分类器模型中进行预设轮次的训练,然后将所述验证集输入到训练完成后的每种分类器模型中,得到最优分类结果;
根据所述最优分类结果按照影像学指标的特征对所述分类器模型的贡献度进行排序和/或根据预设计算方式计算得到脑区的权重大小对每个脑区在分类中的重要性进行排序。
在一个优选实施方式中,在所述设置病人组及与其对应的正常组步骤中,包括:
设置两个及两个以上的样本中心,每个样本中心均包括病人组及与其对照的正常组;将样本量较大的样本中心的样本数据拆分为训练集与验证集,将样本量较小的样本中心的样本数据作为测试集。
在一个优选实施方式中,在对所述静息态功能磁共振数据进行信噪比提高的预处理分析步骤中,包括以下步骤:
S101,将原始数据的DICOM格式转换为NIFIT格式;
S102,去除前n个时间点;其中,n为预设的大于等于1的正整数;
S103,进行时间校正;
S104,对根据预设的多个头动参数及其对应的一阶导数进行头动校正;
S105,将空间标准化到蒙特利尔标准空间;
S106,进行空间平滑处理;
S107,进行去线性漂移处理;
S108,进行去除协变量处理;
S109,进行低频滤波处理。
在一个优选实施方式中,在根据预设的检验算法对所述病人组与所述正常组进行统计分析,筛选掉两组比较中显著度小于预设的显著差异阈值和/或相似度大于预设的相似度阈值的特征,然后根据LASSO回归进行交叉验证,保留系数非零的特征,得到筛选后的有意义特征步骤中,包括;
利用非参数t检验或Mann–Whitney U检验,剔除掉所述病人组与所述正常组之间显著度小于预设的显著差异阈值的特征;
对所述病人组与所述正常组的特征进行pair-wise成对相关,剔除掉相关r的绝对值大于预设的r阈值的特征;
通过LASSO回归方法进行十折或者五折交叉验证,在训练分类模型中,保留系数非零的特征,最终得到筛选后的有意义特征。
在一个优选实施方式中,所述影像学指标包括低频振幅、低频振幅分数、局部一致性、波动幅度百分比、静息态功能连接、度中心性与镜像同伦功能连接中的一种或多种。
在一个优选实施方式中,在所述根据所述最优分类结果按照影像学指标的特征对所述分类器模型的贡献度进行排序和/或根据预设计算方式计算得到脑区的权重大小对每个脑区在分类中的重要性进行排序步骤中,包括:
采用Relief算法根据目标特征与每个特征和类别的相关性,通过预设的特征权重公式赋予所述目标特征对应的权重,然后对所有特征的权重进行排序;其中,所述特征权重公式如下:
Wi=Wi-(xi-Hi)2+(xi-Mi)2,#
H为最近的同类别实例,M为最近的不同类别实例。
在一个优选实施方式中,还包括:
根据每个脑区的不同影像学指标的特征权重的总和来计算每个脑区权重Fi,然后根据所述脑区权重对所有脑区进行重要性排序;其中,Fi的计算公式如下:
本发明第二方面提供一种静息态功能磁共振影像数据分类系统,包括:
数据预处理模块,用于采集病人组与正常组中每个人的静息态功能磁共振数据,并对所述静息态功能磁共振数据进行信噪比提高的预处理分析;
脑区分割模块,用于对预处理后的所述静息态功能磁共振数据根据预设的脑图谱模板进行脑区分割,并提取分割后的每个脑区的血氧水平依赖平均时间信号;
特征提取模块,用于在预处理后的所述静息态功能磁共振数据的基础上对每个脑区进行影像学指标的特征提取;
特征筛选模块,用于根据预设的检验算法对所述病人组与所述正常组进行统计分析,筛选掉两组成对比较中显著度小于预设的显著差异阈值和/或相似度大于预设的相似度阈值的特征,然后根据LASSO回归进行十折或五折交叉验证,保留系数非零的特征,得到筛选后的有意义特征;
模型构建模块,用于根据预设的机器学习算法构建多种分类器模型;
机器学习模块,用于将所述训练集分别输入到每种分类器模型中进行预设轮次的训练,然后将所述验证集输入到训练完成后的每种分类器模型中,得到最优分类结果;
权重排序模块,用于根据所述最优分类结果按照影像学指标的特征对所述分类器模型的贡献度进行排序和/或根据预设计算方式计算得到脑区的权重大小对每个脑区在分类中的重要性进行排序。
本发明第三方面提供一种终端,所述终端包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上述实施方式任一项所述的静息态功能磁共振影像数据分类方法的各个步骤。
本发明第四方面提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施方式任一项所述的静息态功能磁共振影像数据分类方法的各个步骤。
本发明第五方面提供一种计算机程序产品,包括计算机程序或者指令,所述计算机程序或者指令被处理器执行时实现如上述实施方式任一项所述的静息态功能磁共振影像数据分类方法的各个步骤。
本发明提供的静息态功能磁共振影像数据分类方法、系统及相关产品,尽可能的利用常用的可反映大脑状态的功能与结构影像学特征,通过对脑区进行分割然后特征提取,并经特征降维处理后,筛选出对分类诊断具有意义的特征进行早期分类识别,增加分类精度及迁移性能,可更真实地接近并反映精神疾病大脑的状态。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明提供的静息态功能磁共振影像数据分类方法的流程图;
图2为本发明提供的静息态功能磁共振影像数据分类方法的流程简图;
图3为图1所示静息态功能磁共振影像数据分类方法中步骤S200的流程图;
图4为本发明提供的静息态功能磁共振影像数据分类系统的框架图。
【具体实施方式】
为了使本发明的目的、技术方案和有益技术效果更加清晰明白,以下结合附图和具体实施方式,对本发明进行进一步详细说明。应当理解的是,本说明书中描述的具体实施方式仅仅是为了解释本发明,并不是为了限定本发明。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
实施例一
在本发明的实施例中,提供一种静息态功能磁共振影像数据分类方法,用于将常用的涉及到精神类疾病的多个影像学指标特征进行融合,以得到对识别诊断具有高贡献的生物标记物,筛选出对分类诊断具有意义的特征进行早期分类识别,增加分类精度及迁移性能,更真实地接近并反映精神疾病大脑的状态。
如图1与图2所示,静息态功能磁共振影像数据分类方法包括以下步骤S100-S800。
步骤S100,设置病人组及与其对照的正常组。
其中,病人组包括多个经临床诊断为有精神类疾病的病人,正常组则包括相同数量且年龄与性别相匹配的正常人,该正常人经临床诊断为不具有精神类疾病。因此,通过设置病人组与正常组对照,来找出病人组相对于正常组具有显著差异的影像学指标特征,以便于后续针对这些具有显著差异的影像学指标特征来进行机器学习或深度网络训练,从而提升自动识别的精确性。
进一步的,可设置两个及两个以上的样本中心,每个样本中心均包括病人组及与其对照的正常组。举例来说,可对数据来源设置两个不同中心,中心A包括100个病人及100个年龄、性别匹配的正常人(Discovery组),中心B包括65个病人及65个年龄、性别匹配的正常人(Replication组)。
步骤S200,采集病人组与正常组中每个人的静息态功能磁共振数据,并对静息态功能磁共振数据进行信噪比提高的预处理分析。
在本步骤中,首先对病人组与正常组中的每个人在相同条件进行静息态功能磁共振数据采集,以得到包含对应数量份数的原始数据。需要说明的是,静息态功能磁共振数据在采集过程中,往往会因为设备、头动、生物噪声等因素造成一定的信号干扰,从而降低图像的信噪比。因此,为了最大程度地去除信号干扰、在不损害影像资料的前提下尽可能提高信噪比,如图3所示,主要包括以下预处理步骤:
S101,将原始数据的DICOM格式转换为NIFIT格式。
S102,去除前n个时间点;其中,n为预设的大于等于1的正整数,一般而言,n=10。
S103,进行时间校正。
S104,对根据预设的多个头动参数及其对应的一阶导数进行头动校正;在本实施例中,对24个头动参数进行校正,包括6个平动头动参数及6个转动头动参数,以及它们对应的的一阶导数。
S105,将空间标准化到蒙特利尔标准空间;在本实施例中,重采样成3×3×3mm。
S106,进行空间平滑处理;在本实施例中,可采用6mm*6mm*6mm或者8mm*8mm*8mm最大值半宽高斯滤波核。
S107,进行去线性漂移处理;
S108,进行去除协变量处理;在本实施例中,包括上述24个头动参数以及脑白质信号与脑脊液信号。
S109,进行低频滤波处理。在本实施例中,可基于0.01-0.1Hz带宽滤波器进行处理。需要说明的是,在对原始数据进行预处理分析的过程中,可依次按照步骤序号进行,也可只取其中部分步骤的组合进行,因此,上述的每个步骤以及若干个步骤的任意组合均在本发明的保护范围之内。
步骤S300,对预处理后的静息态功能磁共振数据根据预设的脑图谱模板进行脑区分割,并提取分割后的每个脑区的血氧水平依赖(Blood Oxygen Level Dependent,BOLD)平均时间信号。
在本步骤中,可根据预定义标准化脑图谱模板进行脑区分割划分,例如AutomatedAnatomical Labelling(AAL)_116、Dosenbach_Science_160、Brainnetome Atlas、Power_Neuron_264。在本实施例中,对预处理后的数据进行脑区分割至标准化AAL脑图谱模板,全脑被分割为116个脑区。
步骤S400,在预处理后的静息态功能磁共振数据的基础上对每个脑区进行影像学指标的特征提取。
具体的,本示例中用于静息态功能磁共振数据分析的指标包括:低频振幅(Amplitude of low-frequency fluctuation,ALFF)、低频振幅分数(fractionalamplitude of low-frequency fluctation,fALFF)、局部一致性(Regional homogeneity,ReHo)、波动幅度百分比(Percent amplitude of fluctuation,PerAF)、静息态功能连接(Functional connectivity,FC)、度中心性(degree centrality,DC)、和功能连接密度、镜像同伦功能连接(voxel-mirrored homotopic connectivity,VMHC、动态功能连接、格兰杰因果分析、小世界网络属性(Small world network,SWN)、基于体素形态学测量(Voxel-based morphometry,VBM)、束示踪的空间统计分析(Tract-Based Spatial Statistics,TBSS)、动脉自旋标记影像(arterial spin labeling imaging,ASL)中的脑血流(cerebralblood flow,CBF)等。其中,ALFF、fALFF、PerAF、ReHo研究的是静态网络(Resting-statenetworks,RSNs)的分布特点,可用于异常脑区的检测。
需要说明的是,功能连接指空间上分离的部位在神经生理活动过程中的相互关系,其度量的是脑区间是否存在连接关系以及连接关系的强弱,可用于RSNs的构建。VBM是一种体素水平的全脑自动化形态测量技术,能够发现cMRI不能检测的细微结构改变所导致的大脑形态变化,可对组内或组间活体脑组织成分的密度及体积进行定量分析。SWN模型是目前用来研究整个功能网络拓扑特性常用的复杂网络模型。弥散张量成像(Diffusiontensor imaging,DTI)是在弥散加权成像(Diffusion weighted imaging,DWI)的基础上发展起来的一种无创的磁共振成像技术。通过弥散张量的特征值和特征相量反映体素内水分子的弥散特性。DTI的三维重建又称纤维束示踪方法(如TBSS),是目前唯一能在活体、无创和个体化地提供人脑白质纤维结构位置和走行特点的影像学技术。结合这些技术能够给功能性磁共振成像(functional magnetic resonance imaging,FMRI)研究增添许多色彩,有助于从多方位、多模态了解精神类疾病的神经生理学机制。
在本步骤中,选取的影像学指标均可获得AAL模板下的116个相应脑区特征。
步骤S500,根据预设的检验算法对病人组与所述正常组进行统计分析,筛选掉两组成对比较中显著度小于预设的显著差异阈值和/或相似度大于预设的相似度阈值的特征,然后利用pair-wise成对相关分析删除两组高度相似的特征,最后根据LASSO回归进行十折或五折交叉验证,保留系数非零的特征,得到筛选后的有意义特征。
即,对多模态、多指标特征进行融合,利用非参数t检验或者Mann–Whitney U检验、成对(pair-wise)相关以及LASSO回归(Least absolute shrinkage and selectionoperator回归)方法进行数据降维及特征筛选。具体的,包括:
首先,利用非参数t检验或Mann–Whitney U检验,剔除掉病人组与正常组之间显著度小于预设的显著差异阈值的特征。其中,显著差异阈值p可设置为p<0.1或p<0.05,主要为了剔除病人组和正常组间无显著差异的一些特征。
其次,对病人组与正常组的特征进行pair-wise成对相关,剔除掉相关r的绝对值大于预设的r阈值的特征。其中,可设置r=0.65或r=0.7或r=0.8等阈值,剔除相关r绝对值大于此阈值的特征。
最后,通过LASSO回归方法进行十折或者五折交叉验证,在训练分类模型中,保留系数非零的特征,最终得到筛选后的有意义特征。其中,特征筛选剩余的有意义特征用于机器学习分类。
步骤S600,根据预设的机器学习算法构建多种分类器模型,并将有意义特征按照病人组与正常组的样本拆分为训练集与验证集。
其中,分类器模型包括:线性支持向量机算法(Support Vector Machine,SVM)、非线性SVM、K近邻算法、线性判别分析(Linear Discriminant Analysis,LDA)、随机森林算法(Random forest,RF)、Logistic回归或朴素贝叶斯模型(Naive Bayes Model,NBM)中任意一种或者多种组合。
进一步的,对于多中心样本,可将样本分为训练集、验证集和测试集。举例来说,若样本为两个中心(中心A和中心B),可将样本量较大样本(如中心A)拆分为训练集和验证集,样本拆分比例可根据实际样本数量按9:1、8:2、7:3、6:4或5:5进行。具体的,可将样本量较大的样本中心的样本数据拆分为训练集与验证集,将样本量较小的样本中心的样本数据作为测试集。
进一步的,对于单中心样本,可将样本拆分为训练集和验证集。举例来说,样本拆分比例可根据实际样本数量按9:1、8:2、7:3、6:4或5:5进行。
步骤S700,将训练集分别输入到每种分类器模型中进行预设轮次的训练,然后将验证集输入到训练完成后的每种分类器模型中,得到最优分类结果。
具体的,优化参数,在最优结果下训练模型,选取训练集及验证集的最优分类结果。分类结果评价指标主要包括分类正确率、敏感性、特异性、曲线下面积(Area Under TheCurve,AUC)。
进一步的,固定上述训练集模型和/或上述训练集模型的特征,将中心B数据用于测试该模型,获得最终测试集分类结果。
进一步地,对于单中心样本,在最优参数下训练分类器模型,使用K-fold十折或五折交叉验证返回各模型的分类准确率,最后获得所有平均模型的平均分类正确率、平均敏感性、平均特异性、平均AUC。
步骤S800,根据最优分类结果按照影像学指标的特征对分类器模型的贡献度进行排序和/或根据预设计算方式计算得到脑区的权重大小对每个脑区在分类中的重要性进行排序。
进一步的,固定上述训练集模型,按特征对分类器的贡献度进行排序。具体的,采用Relief算法根据目标特征与每个特征和类别的相关性,通过预设的特征权重公式赋予目标特征对应的权重,然后对所有特征的权重进行排序;其中,特征权重公式如下:
Wi=Wi-(xi-Hi)2+(xi-Mi)2,
H为最近的同类别实例,M为最近的不同类别实例。
进一步的,根据每个脑区的不同影像学指标的特征权重的总和来计算每个脑区权重Fi,然后根据脑区权重对所有脑区进行重要性排序;其中,Fi的计算公式如下:
需要说明的是,在本实施例中,影像学指标为以下七种:低频振幅、低频振幅分数、局部一致性、波动幅度百分比、静息态功能连接、度中心性与镜像同伦功能连接,因此每个脑区权重为7个特征权重的总和,故公式的上标为7,若选取的特征数量为其他数值,则该上标为相应的数值,以对所有选取的特征权重进行加和。
能够理解的是,某脑区权重越大,说明该脑区对疾病分类诊断模型越重要。
综上所述,本发明提供的静息态功能磁共振影像数据分类方法,尽可能的利用常用的可反映大脑状态的功能与结构影像学特征,通过对脑区进行分割然后特征提取,并经特征降维处理后,筛选出对分类诊断具有意义的特征进行早期分类识别,增加分类精度及迁移性能,可更真实地接近并反映精神疾病大脑的状态。
为了进一步对本实施例方法进行充分说明,如下为一个示例性的具体实施例。
在本实施例中,本示例数据来源于两个不同中心。中心A包括100个病人及100个年龄、性别匹配的正常人(Discovery组),中心B包括65个病人及65个年龄、性别匹配的正常人(Replication组)。
(1)如上步骤S101-S109所述,对原始静息态功能磁共振数据按步骤顺序进行预处理分析。
(2)对预处理后的数据进行脑区分割至标准化AAL脑图谱模板,全脑被分割为116个脑区。
(3)在预处理后的数据基础上进行特征提取。本示例提取静息态FC、ALFF、fALFF、DC、ReHo、VMHC、PerAF七种影像学指标,分别获得6670、116、116、116、116、116和116个脑区特征,共计7356个特征。
(4)对7356个特征进行降维:
首先,利用Mann-Whitney U检验对病人组和正常组进行统计分析,共有2880个特征在两组比较中无显著差异(显著差异阈值设置为p<0.1);
其次,利用pair-wise相关去除两组高度相似的特征。其中,293个特征符合r<0.65,未被排除;
最后,通过10-fold LASSO回归进一步用于特征筛选,其中45个特征被保留用于后续分析。
(5)选择非线性SVM、线性SVM、RF、LDA、LR五种分类器,分别进行如下四种分析:
一、利用五种分类器对中心A样本(Discovery组)进行分类诊断,分别随机将中心A样本中病人组及正常组的80%纳入训练集,余下20%纳入测试集。如表1所述,五种分类器对Discovery组和正常组的区分正确率分别为90%、87.5%、82.5%及72.5%。如表1所述,敏感性、特异性及AUC值均较高。
表1为机器学习分类结果:
表2为特征权重排序:
进一步地,如表2所述,采用Relief算法对如上Discovery组所选特征进行排序,根据特征与每个特征和类别的相关性,赋予这些特征不同的权重,然后根据脑区的权重大小,对脑区在分类中的重要性进行排序。
二、利用五种分类器对中心B样本(Replication组)进行分类诊断,分别随机将中心B样本中病人组及正常组的80%纳入训练集,余下20%纳入测试集。如表1所述,分类准确率、敏感性、特异性及AUC值与中心A相当。
三、将中心A和中心B的样本合并,利用五种分类器在合并样本(combination组)上进行分类诊断,分别随机将两中心样本中病人组及正常组的80%纳入训练集,余下20%纳入测试集。如表1所述,分类准确率、敏感性、特异性及AUC值与中心A和中心B相当。
四、固定Discovery组所选特征,迁移至Replication样本中进行分类诊断。如表1所述,特征获得较高的特征效能,其中分类准确率高达76.92%。
实施例二
本发明提供一种静息态功能磁共振影像数据分类系统100,用于将常用的涉及到精神类疾病的多个影像学指标特征进行融合,以得到对识别诊断具有高贡献的生物标记物,筛选出对分类诊断具有意义的特征进行早期分类识别,增加分类精度及迁移性能。需要说明的是,静息态功能磁共振影像数据分类系统100的实现原理及实施方式与上述的静息态功能磁共振影像数据分类方法一一对应,故以下不再赘述。
如图4所示,静息态功能磁共振影像数据分类系统100包括:
数据预处理模块10,用于采集病人组与正常组中每个人的静息态功能磁共振数据,并对静息态功能磁共振数据进行信噪比提高的预处理分析;
脑区分割模块20,用于对预处理后的所述静息态功能磁共振数据根据预设的脑图谱模板进行脑区分割,并提取分割后的每个脑区的血氧水平依赖平均时间信号;
特征提取模块30,用于在预处理后的静息态功能磁共振数据的基础上对每个脑区进行影像学指标的特征提取;
特征筛选模块40,用于根据预设的检验算法对病人组与正常组进行统计分析,筛选掉两组比较中显著度小于预设的显著差异阈值和/或相似度大于预设的相似度阈值的特征,然后根据LASSO回归进行交叉验证,保留系数非零的特征,得到筛选后的有意义特征;
模型构建模块50,用于根据预设的机器学习算法构建多种分类器模型,并将有意义特征按照病人组与正常组的样本拆分为训练集与验证集;
机器学习模块60,用于将训练集分别输入到每种分类器模型中进行预设轮次的训练,然后将验证集输入到训练完成后的每种分类器模型中,得到最优分类结果;
权重排序模块70,用于根据最优分类结果按照影像学指标的特征对分类器模型的贡献度进行排序和/或根据预设计算方式计算得到脑区的权重大小对每个脑区在分类中的重要性进行排序。
实施例三
本发明提供一种终端,所述终端包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上述实施方式任一项所述的静息态功能磁共振影像数据分类方法的各个步骤。
实施例四
本发明提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施方式任一项所述的静息态功能磁共振影像数据分类方法的各个步骤。
实施例五
本发明提供一种计算机程序产品,包括计算机程序或者指令,所述计算机程序或者指令被处理器执行时实现如上述实施方式任一项所述的静息态功能磁共振影像数据分类方法的各个步骤。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述系统的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的系统或装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的系统或装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,系统或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
本发明并不仅仅限于说明书和实施方式中所描述,因此对于熟悉领域的人员而言可容易地实现另外的优点和修改,故在不背离权利要求及等同范围所限定的一般概念的精神和范围的情况下,本发明并不限于特定的细节、代表性的设备和这里示出与描述的图示示例。
Claims (10)
1.一种静息态功能磁共振影像数据分类方法,其特征在于,包括以下步骤:
设置病人组及与其对照的正常组;
采集所述病人组与所述正常组中每个人的静息态功能磁共振数据,并对所述静息态功能磁共振数据进行信噪比提高的预处理分析;
对预处理后的所述静息态功能磁共振数据根据预设的脑图谱模板进行脑区分割,并提取分割后的每个脑区的血氧水平依赖平均时间信号;
在预处理后的所述静息态功能磁共振数据的基础上对每个脑区进行影像学指标的特征提取;
根据预设的检验算法对所述病人组与所述正常组进行统计分析,筛选掉两组比较中显著度小于预设的显著差异阈值和/或相似度大于预设的相似度阈值的特征,然后根据LASSO回归进行交叉验证,保留系数非零的特征,得到筛选后的有意义特征;
根据预设的机器学习算法构建多种分类器模型,并将所述有意义特征按照所述病人组与所述正常组的样本拆分为训练集与验证集;
将所述训练集分别输入到每种分类器模型中进行预设轮次的训练,然后将所述验证集输入到训练完成后的每种分类器模型中,得到最优分类结果;
根据所述最优分类结果按照影像学指标的特征对所述分类器模型的贡献度进行排序和/或根据预设计算方式计算得到脑区的权重大小对每个脑区在分类中的重要性进行排序。
2.如权利要求1所述的静息态功能磁共振影像数据分类方法,其特征在于,在所述设置病人组及与其对应的正常组步骤中,包括:
设置两个及两个以上的样本中心,每个样本中心均包括病人组及与其对照的正常组;将样本量较大的样本中心的样本数据拆分为训练集与验证集,将样本量较小的样本中心的样本数据作为测试集。
3.如权利要求1所述的静息态功能磁共振影像数据分类方法,其特征在于,在对所述静息态功能磁共振数据进行信噪比提高的预处理分析步骤中,包括以下步骤:
S101,将原始数据的DICOM格式转换为NIFIT格式;
S102,去除前n个时间点;其中,n为预设的大于等于1的正整数;
S103,进行时间校正;
S104,对根据预设的多个头动参数及其对应的一阶导数进行头动校正;
S105,将空间标准化到蒙特利尔标准空间;
S106,进行空间平滑处理;
S107,进行去线性漂移处理;
S108,进行去除协变量处理;
S109,进行低频滤波处理。
4.如权利要求1所述的静息态功能磁共振影像数据分类方法,其特征在于,在根据预设的检验算法对所述病人组与所述正常组进行统计分析,筛选掉两组比较中显著度小于预设的显著差异阈值和/或相似度大于预设的相似度阈值的特征,然后根据LASSO回归进行交叉验证,保留系数非零的特征,得到筛选后的有意义特征步骤中,包括;
利用非参数t检验或Mann–Whitney U检验,剔除掉所述病人组与所述正常组之间显著度小于预设的显著差异阈值的特征;
对所述病人组与所述正常组的特征进行pair-wise成对相关,剔除掉相关r的绝对值大于预设的r阈值的特征;
通过LASSO回归方法进行十折或者五折交叉验证,在训练分类模型中,保留系数非零的特征,最终得到筛选后的有意义特征。
5.如权利要求1所述的静息态功能磁共振影像数据分类方法,其特征在于,所述影像学指标包括低频振幅、低频振幅分数、局部一致性、波动幅度百分比、静息态功能连接、度中心性与镜像同伦功能连接中的一种或多种。
6.如权利要求5所述的静息态功能磁共振影像数据分类方法,其特征在于,在所述根据所述最优分类结果按照影像学指标的特征对所述分类器模型的贡献度进行排序和/或根据预设计算方式计算得到脑区的权重大小对每个脑区在分类中的重要性进行排序步骤中,包括:
采用Relief算法根据目标特征与每个特征和类别的相关性,通过预设的特征权重公式赋予所述目标特征对应的权重,然后对所有特征的权重进行排序;其中,所述特征权重公式如下:
Wi=Wi-(xi-Hi)2+(xi-Mi)2,
H为最近的同类别实例,M为最近的不同类别实例。
8.一种静息态功能磁共振影像数据分类系统,其特征在于,包括:
数据预处理模块,用于采集病人组与正常组中每个人的静息态功能磁共振数据,并对所述静息态功能磁共振数据进行信噪比提高的预处理分析;
脑区分割模块,用于对预处理后的所述静息态功能磁共振数据根据预设的脑图谱模板进行脑区分割,并提取分割后的每个脑区的血氧水平依赖平均时间信号;
特征提取模块,用于在预处理后的所述静息态功能磁共振数据的基础上对每个脑区进行影像学指标的特征提取;
特征筛选模块,用于根据预设的检验算法对所述病人组与所述正常组进行统计分析,筛选掉两组比较中显著度小于预设的显著差异阈值和/或相似度大于预设的相似度阈值的特征,然后根据LASSO回归进行交叉验证,保留系数非零的特征,得到筛选后的有意义特征;
模型构建模块,用于根据预设的机器学习算法构建多种分类器模型,并将所述有意义特征按照所述病人组与所述正常组的样本拆分为训练集与验证集;
机器学习模块,用于将所述训练集分别输入到每种分类器模型中进行预设轮次的训练,然后将所述验证集输入到训练完成后的每种分类器模型中,得到最优分类结果;
权重排序模块,用于根据所述最优分类结果按照影像学指标的特征对所述分类器模型的贡献度进行排序和/或根据预设计算方式计算得到脑区的权重大小对每个脑区在分类中的重要性进行排序。
9.一种终端,其特征在于,所述终端包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-7任一项所述的一种静息态功能磁共振影像数据分类方法的各个步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的一种静息态功能磁共振影像数据分类方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211265109.9A CN115457334A (zh) | 2022-10-17 | 2022-10-17 | 静息态功能磁共振影像数据分类方法、系统及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211265109.9A CN115457334A (zh) | 2022-10-17 | 2022-10-17 | 静息态功能磁共振影像数据分类方法、系统及相关产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115457334A true CN115457334A (zh) | 2022-12-09 |
Family
ID=84310925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211265109.9A Pending CN115457334A (zh) | 2022-10-17 | 2022-10-17 | 静息态功能磁共振影像数据分类方法、系统及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115457334A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503680A (zh) * | 2023-06-30 | 2023-07-28 | 之江实验室 | 基于脑图谱的脑影像结构化分析和脑疾病分类系统 |
CN116883396A (zh) * | 2023-09-06 | 2023-10-13 | 天津医科大学 | 一种基于人工智能的静息态磁共振图像分析方法与系统 |
-
2022
- 2022-10-17 CN CN202211265109.9A patent/CN115457334A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503680A (zh) * | 2023-06-30 | 2023-07-28 | 之江实验室 | 基于脑图谱的脑影像结构化分析和脑疾病分类系统 |
CN116503680B (zh) * | 2023-06-30 | 2023-08-29 | 之江实验室 | 基于脑图谱的脑影像结构化分析和脑疾病分类系统 |
CN116883396A (zh) * | 2023-09-06 | 2023-10-13 | 天津医科大学 | 一种基于人工智能的静息态磁共振图像分析方法与系统 |
CN116883396B (zh) * | 2023-09-06 | 2023-11-28 | 天津医科大学 | 一种基于人工智能的静息态磁共振图像分析方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alqudah | AOCT-NET: a convolutional network automated classification of multiclass retinal diseases using spectral-domain optical coherence tomography images | |
Danelakis et al. | Survey of automated multiple sclerosis lesion segmentation techniques on magnetic resonance imaging | |
Shoeibi et al. | Applications of deep learning techniques for automated multiple sclerosis detection using magnetic resonance imaging: A review | |
Miranda et al. | A survey of medical image classification techniques | |
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 | |
US10303986B2 (en) | Automated measurement of brain injury indices using brain CT images, injury data, and machine learning | |
KR102125127B1 (ko) | 딥러닝 기반 뇌 질환 진단 방법 | |
CN115359045B (zh) | 基于多模态磁共振成像的图卷积神经网络疾病预测系统 | |
CN110236543B (zh) | 基于深度学习的阿尔茨海默病多分类诊断系统 | |
Ahirwar | Study of techniques used for medical image segmentation and computation of statistical test for region classification of brain MRI | |
CN115457334A (zh) | 静息态功能磁共振影像数据分类方法、系统及相关产品 | |
CN109522894B (zh) | 一种探测fMRI脑网络动态协变的方法 | |
CN113592836B (zh) | 一种深度多模态图卷积的脑图分类方法 | |
CN113610808B (zh) | 基于个体脑连接图的群体脑图谱个体化方法、系统和设备 | |
Vocaturo et al. | On the usefulness of pre-processing step in melanoma detection using multiple instance learning | |
CN112614126A (zh) | 基于机器学习的磁共振图像脑区划分方法、系统和装置 | |
Velmurugan et al. | Multimodality image fusion using centre-based genetic algorithm and fuzzy logic | |
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 | |
CN115484864A (zh) | 脑功能连接相关值的聚类装置、脑功能连接相关值的聚类系统、脑功能连接相关值的聚类方法、脑功能连接相关值的分类器程序、脑活动标记物分类系统以及脑功能连接相关值的聚类分类器模型 | |
Glorindal et al. | A simplified approach for melanoma skin disease identification | |
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 | |
Waheed et al. | Computer aided histopathological classification of cancer subtypes | |
Belkacem-Boussaid et al. | Extraction of color features in the spectral domain to recognize centroblasts in histopathology | |
Pallawi et al. | Study of Alzheimer’s disease brain impairment and methods for its early diagnosis: a comprehensive survey | |
Mahalaxmi et al. | A Comparison and Survey on Brain Tumour Detection Techniques Using MRI 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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230406 Address after: No. 502 Shenxin Road, Shengang Street, Jiangyin City, Wuxi City, Jiangsu Province, 214443 Applicant after: Wuxi Anshun Technology Co.,Ltd. Address before: 5-429, Floor 5, Yunxi Valley Digital Industrial Park, No. 168, Youyou Road, Xiangzhou District, Zhuhai City, Guangdong Province (Block B, Meixi Commercial Plaza) (centralized office area) Applicant before: Zhuhai Longyuan Medical Technology Co.,Ltd. |