CN116959714A - 一种自闭症谱系障碍分类方法、电子设备及存储介质 - Google Patents
一种自闭症谱系障碍分类方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116959714A CN116959714A CN202310952504.2A CN202310952504A CN116959714A CN 116959714 A CN116959714 A CN 116959714A CN 202310952504 A CN202310952504 A CN 202310952504A CN 116959714 A CN116959714 A CN 116959714A
- Authority
- CN
- China
- Prior art keywords
- brain network
- feature
- tested
- autism spectrum
- blood flow
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 208000029560 autism spectrum disease Diseases 0.000 title claims abstract description 64
- 210000004556 brain Anatomy 0.000 claims abstract description 136
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 230000017531 blood circulation Effects 0.000 claims abstract description 30
- 238000013145 classification model Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 27
- 230000003727 cerebral blood flow Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012353 t test Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 10
- 238000000692 Student's t-test Methods 0.000 claims abstract description 7
- 238000010187 selection method Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 52
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000010276 construction Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000002490 cerebral effect Effects 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims description 4
- 210000004369 blood Anatomy 0.000 claims description 4
- 230000002739 subcortical effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 5
- 210000001367 artery Anatomy 0.000 abstract 1
- 238000003384 imaging method Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 208000035478 Interatrial communication Diseases 0.000 description 3
- 206010003664 atrial septal defect Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004927 fusion Effects 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
- 208000024891 symptom Diseases 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 206010003805 Autism Diseases 0.000 description 1
- 208000020706 Autistic disease Diseases 0.000 description 1
- 241001112696 Clostridia Species 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06V10/80—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
-
- 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
Abstract
本发明涉及一种自闭症谱系障碍分类方法、电子设备及存储介质，该方法包括步骤：对测试集每个被试的T1结构磁共振图像、伪连续动脉自旋图像进行处理，获得特征向量，实现结构脑网络特征、血流脑网络特征的构建；通过结构脑网络特征和血流脑网络特征，构建多模态脑网络特征；将多模态脑网络特征输入最优分类模型，获得分类结果。本发明采用T1结构磁共振图像和伪连续动脉自旋标记图像，构建结构脑网络和血流脑网络特征，反映不同脑区之间皮层厚度变化及脑血流变化的相关性，并将其作为机器学习分类模型的输入；通过t检验方法和最小冗余最大相关特征选择方法，筛选出具有显著性的特征，提高自闭症谱系障碍分类的准确率。
Description
技术领域
本发明涉及医学影像处理技术领域，特别涉及一种自闭症谱系障碍分类方法、电子设备及存储介质。
背景技术
自闭症谱系障碍(autism spectrum disorder，ASD)是一种神经发育障碍，涉及社交、情感和认知方面的大脑连接异常，影响日常生活。ASD在临床中诊断的问题是，其确诊年龄是3-6岁，但是1-3岁时已经有相关症状，只是这些症状不容易辨别，且没有客观依据。因此，目前临床中亟需研究客观、定量的自闭症谱系障碍辅助诊断方法。
磁共振成像(magnetic resonance imaging,MRI)技术能够为自闭症谱系障碍患者大脑结构和功能提供影像学依据，在自闭症谱系障碍辅助诊断方面具有优势。多模态磁共振主要包括T1结构磁共振、扩散加权磁共振、功能磁共振、伪连续动脉自旋标记成像等。目前，已有技术基于不同模态的磁共振影像进行自闭症谱系障碍的辅助诊断。例如，研究人员使用T1结构磁共振影像，构建高阶脑网络特征，提出一种机器学习方法，用以区分自闭症谱系障碍患者组和正常对照组；另外，有研究人员提出了基于功能磁共振脑网络特征的自闭症谱系障碍识别方法，使用逻辑回归、支持向量机和K最近邻等机器学习模型，对自闭症谱系障碍患者和正常对照受试者进行分类；研究人员基于动脉自旋标记成像比较自闭症谱系障碍患者和对照组儿童的在不同脑区的CBF血流值。上述方案基于单模态磁共振影像特征难以全面表征自闭症谱系障碍大脑结构和功能异常特性，从而限制分类方法准确率提升的问题。
申请号为CN202111050081.2，发明名称为一种自闭症谱系障碍的自动判别系统、存储介质及设备的中国发明专利(下述简称现有技术方案1)，以及申请号为CN202211000237.0，发明名称为一种基于核磁共振图像预测自闭症并寻找生物标记的方法的中国发明专利(下述简称现有技术方案2)都是基于磁共振影像进行自闭症谱系障碍辅助诊断，现有技术方案1是从功能磁共振和扩散加权磁共振两种模态影像提取功能连接及脑白质连接特征，现有技术方案2是从T1结构磁共振和功能磁共振两种模态影像提取脑网络特征。两种技术方案虽然涉及多模态磁共振，但是没有使用到伪连续动脉自旋标记成像,不能反映自闭症谱系障碍患者大脑血流情况变化。而有研究表明自闭症谱系障碍患者的脑血流情况低于正常人，尤其是颞上沟等区域的脑血流情况显著降低。此外，自闭症谱系障碍患者在神经元系统中的多个区域，如脑岛、额下回、岛下回、左顶上小叶、颞上回、颞中回的脑血流情况也显著降低。另外，一些研究还发现ASD患者在双侧梭状回和颞下回的CBF较低。因此，急需一种采用多模态影像技术融合不同影像信息，可以对脑部结构和脑血流进行深入分析，全面了解自闭症谱系障碍患者脑结构和功能的变化特点的自闭症谱系障碍分类方法。
发明内容
为了实现本发明的上述目的和其他优点，本发明的第一目的是提供一种自闭症谱系障碍分类方法，包括以下步骤：
对测试集每个被试的T1结构磁共振图像进行处理，获得测试集每个被试的特征向量，实现结构脑网络特征的构建；
对测试集每个被试的伪连续动脉自旋图像进行处理，获得测试集每个被试的特征向量，实现血流脑网络特征的构建；
通过所述结构脑网络特征和所述血流脑网络特征，构建测试集的多模态脑网络特征；
将多模态脑网络特征输入训练好的最优分类模型，获得测试集的分类结果。
进一步地，所述最优分类模型的构建包括以下步骤：
对训练集每个被试的T1结构磁共振图像进行处理，获得训练集每个被试的特征向量，实现结构脑网络特征的构建；
对训练集每个被试的伪连续动脉自旋标记磁共振图像进行处理，获得训练集每个被试的特征向量，实现血流脑网络特征的构建；
通过所述结构脑网络特征和所述血流脑网络特征，构建训练集的多模态脑网络特征；
将多模态脑网络特征作为RVFL分类模型的输入进行RVFL分类模型训练，得到最优分类模型。
进一步地，所述通过所述结构脑网络特征和所述血流脑网络特征，构建训练集的多模态脑网络特征还包括以下步骤：
采用t检验方法和最小冗余最大相关特征选择方法对训练集的多模态脑网络特征进行筛选，得到优化的特征子集。
进一步地，所述采用t检验方法和最小冗余最大相关特征选择方法对训练集的多模态脑网络特征进行筛选包括以下步骤：
利用t检验方法从正常组和自闭症谱系障碍组的数据中，筛选出显著差异的特征，其中，p值小于预设值被视为统计显著；
通过最小冗余最大相关方法对筛选出的显著差异的特征进一步降维，得到优化的特征子集。
进一步地，所述通过所述结构脑网络特征和所述血流脑网络特征，构建测试集的多模态脑网络特征还包括以下步骤：
根据训练集筛选出的优化的特征子集对测试集的多模态脑网络特征进行筛选，得到筛选后的特征。
进一步地，所述结构脑网络特征的构建包括以下步骤：
对训练集或测试集中每个被试的T1结构磁共振图像进行预处理；
计算预处理后每个脑区的皮层厚度均值和标准差，利用皮尔逊相关计算，得到相关性特征矩阵；
通过所述相关性特征矩阵的上三角来获得训练集或测试集中每个被试的特征向量，实现结构脑网络特征的构建。
进一步地，所述血流脑网络特征的构建包括以下步骤：
对训练集或测试集中每个被试的伪连续动脉自旋标记磁共振图像进行预处理；
计算预处理后每个脑区的脑血流值，利用皮尔逊相关计算，得到相关性特征矩阵；
通过所述相关性特征矩阵的上三角来获得训练集或测试集中每个被试的特征向量，实现血流脑网络特征的构建。
进一步地，所述对训练集或测试集中每个被试的T1结构磁共振图像进行预处理包括以下步骤：
以AAL 90模板为基础，去除若干个皮层下的脑区域。
进一步地，所述对训练集或测试集中每个被试的伪连续动脉自旋标记磁共振图像进行预处理包括以下步骤：
采用AAL 90模板，通过配准方法将AAL 90模板配准到伪连续动脉自旋标记磁共振图像上；
计算每个脑区的脑血流值，并通过皮尔逊相关计算脑区之间脑血流变化的相关情况。
进一步地，所述将多模态脑网络特征作为RVFL分类模型的输入进行RVFL分类模型训练，得到最优分类模型包括以下步骤：
给定训练集{(xi,yi)|xi∈Rd,yi∈Rm,i＝1,2…n}，其中，xi表示被试的多模态脑网络特征向量，yi表示xi的标签；
采用sine函数作为激活函数，原始输入特征X经过RVFL激活函数g(ωj·xi+bj)非线性变换和增强矩阵Haug的拼接得到矩阵H，其中，权重ωj和偏置bj(j＝1,2,…r)是随机生成的，隐藏节点数r为自定义的参数；
利用拼接矩阵和标签矩阵Y，通过Hβ＝Y计算输出权重β；
采用L2范数正则化最小二乘法计算输出权重β；
将计算得到的输出权重β代入拼接矩阵H，获得最优的分类结果；
按顺序将被试的多模态脑网络特征向量和相应标签输入构建好的RVFL分类模型中进行训练，获得最优的预测值。
本发明的第二目的是提供一种电子设备，包括：存储器，其上存储有程序代码；处理器，其与所述存储器连接，并且当所述程序代码被所述处理器执行时，实现自闭症谱系障碍分类方法。
本发明的第三目的是提供一种计算机可读存储介质，其上存储有程序指令，所述程序指令被执行时实现自闭症谱系障碍分类方法。
与现有技术相比，本发明的有益效果是：
本发明提供基于多模态脑网络特征的自闭症谱系障碍分类方法，采用T1结构磁共振图像和伪连续动脉自旋标记图像，构建结构脑网络和血流脑网络特征，用以反映不同脑区之间皮层厚度变化的相关性，反映不同脑区之间脑血流变化的相关性，并将其作为分类模型的输入；通过t检验方法和最小冗余最大相关特征选择方法，筛选出具有显著性的特征，探究自闭症谱系障碍患者与健康儿童多模态脑网络之间的差异，从而提高自闭症谱系障碍分类的准确率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为实施例1的自闭症谱系障碍分类方法流程图；
图2为实施例1的自闭症谱系障碍分类方法原理图；
图3为实施例2的电子设备示意图；
图4为实施例3的存储介质示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例1
一种自闭症谱系障碍分类方法，如图1、图2所示，包括以下步骤：
在训练阶段构建最优分类模型，具体包括以下步骤：
对训练集每个被试的T1结构磁共振图像进行处理，获得训练集每个被试的特征向量，实现结构脑网络特征的构建；具体包括以下步骤：
对训练集中每个被试的T1结构磁共振图像进行预处理；本实施例以AAL 90模板为基础，去除12个皮层下的脑区域。
计算剩余每个脑区的皮层厚度均值和标准差，利用皮尔逊相关计算，得到78*78的相关性特征矩阵；
通过相关性特征矩阵的上三角来获得训练集中每个被试3003维的特征向量，实现结构脑网络特征的构建。
对训练集每个被试的伪连续动脉自旋标记磁共振图像(ASL图像)进行处理，其中，通过ASL图像可以直接、无创地测量脑血流(CBF)，获得训练集每个被试的特征向量，实现血流脑网络特征的构建；具体包括以下步骤：
对训练集中每个被试的伪连续动脉自旋标记磁共振图像进行预处理；本实施例采用AAL 90模板，通过配准方法将AAL 90模板配准到伪连续动脉自旋标记磁共振图像上，计算每个脑区的脑血流值，并通过皮尔逊相关计算脑区之间脑血流变化的相关情况。
计算剩余每个脑区的脑血流值，利用皮尔逊相关计算，得到78*78的相关性特征矩阵；
通过相关性特征矩阵的上三角来获得训练集中每个被试3003维的特征向量，实现血流脑网络特征的构建。
通过结构脑网络特征和血流脑网络特征，构建训练集的多模态脑网络特征。
本发明基于多模态脑网络特征的自闭症谱系障碍分类方法，以实现高准确度的分类。为实现该目标，采用伪连续动脉自旋图像数据的时间序列来计算相对的脑血流图，同时还结合了常用T1序列图像，从而获取更全面、多维度的脑影像信息，并构建多模态脑网络特征，以分析自闭症谱系障碍患者在脑区连接之间的差异和相关性。
本实施例采用t检验方法和最小冗余最大相关特征选择方法对6006维训练集的多模态脑网络特征进行筛选，得到优化的特征子集。首先，利用t检验方法从正常组和自闭症谱系障碍组的数据中，筛选出显著差异的特征，其中，p值小于预设值被视为统计显著，预设值为0.05；
在t检验的基础上，通过最小冗余最大相关方法对筛选出的显著差异的特征进一步降维，得到优化的特征子集，找到50个最能反应自闭症谱系障碍组的特征。
为了提高特征的辨识度和分类准确率，采用了特征降维的策略从高维数据中选择最优的子集，进而选择能够识别和刻画自闭症谱系障碍患者的特征。
通过利用此类特征，基于机器学习构建的分类模型能够有效地获取自闭症谱系障碍患者多模态分类信息，为自闭症谱系障碍患者的诊断提供辅助评价指标。
将特征选择后的多模态脑网络特征作为RVFL分类模型的输入进行RVFL分类模型训练，得到最优分类模型。具体包括以下步骤：
给定训练集{(xi,yi)|xi∈Rd,yi∈Rm,i＝1,2…n}，其中，xi表示被试的多模态脑网络特征向量，yi表示xi的标签；
采用sine函数作为RVFL分类器的激活函数，原始输入特征X经过RVFL激活函数g(ωj·xi+bj)非线性变换和增强矩阵Haug的拼接得到矩阵H，其中，权重ωj和偏置bj(j＝1,2,…r)是随机生成的，隐藏节点数r为自定义的参数，它控制着非线性映射的复杂程度，本实施例设置为35。
利用拼接矩阵和标签矩阵Y，通过式Hβ＝Y计算输出权重β；
采用L2范数正则化最小二乘法计算输出权重β；
通过计算得到输出权重β，并将得到的输出权重β代入拼接矩阵H，获得最优的分类结果；
按顺序将被试的多模态脑网络特征向量和相应标签输入构建好的RVFL分类模型中进行训练，获得最优的预测值。
在测试阶段，对测试集每个被试的T1结构磁共振图像进行处理，获得测试集每个被试的特征向量，实现结构脑网络特征的构建；具体包括以下步骤：
对测试集中每个被试的T1结构磁共振图像进行预处理；本实施例以AAL 90模板为基础，去除12个皮层下的脑区域。
计算剩余每个脑区的皮层厚度均值和标准差，利用皮尔逊相关计算，得到78*78的相关性特征矩阵；
通过相关性特征矩阵的上三角来获得测试集中每个被试3003维的特征向量，实现结构脑网络特征的构建。
对测试集每个被试的伪连续动脉自旋图像进行处理，获得测试集每个被试的特征向量，实现血流脑网络特征的构建；具体包括以下步骤：
对测试集中每个被试的伪连续动脉自旋标记磁共振图像进行预处理；本实施例采用AAL 90模板，通过配准方法将AAL 90模板配准到伪连续动脉自旋标记磁共振图像上，计算每个脑区的脑血流值，并通过皮尔逊相关计算脑区之间脑血流变化的相关情况。
计算剩余每个脑区的脑血流值，利用皮尔逊相关计算，得到78*78的相关性特征矩阵；
通过相关性特征矩阵的上三角来获得测试集中每个被试3003维的特征向量，实现血流脑网络特征的构建。
通过结构脑网络特征和血流脑网络特征，构建测试集的多模态脑网络特征；本实施例根据训练集筛选出的优化的特征子集对测试集的多模态脑网络特征进行筛选，得到筛选后的特征。
将筛选后的多模态脑网络特征输入训练好的最优分类模型，获得测试集的分类结果。
本发明基于伪连续动脉自旋标记成像的脑网络分析方法进行自闭症谱系障碍分类，并且融合上述不同模态磁共振影像特征进行自闭症谱系障碍分类，解决了基于单模态磁共振影像特征难以全面表征自闭症谱系障碍大脑结构和功能异常特性，从而限制分类方法准确率提升的问题。
本实施例基于T1结构脑网络特征、血流脑网络特征、以及T1结构脑网络特征与血流脑网络特征融合的特征分别进行了自闭症谱系障碍分类实验，实验结果如表1所示，结果表明，基于T1结构脑网络特征与血流脑网络特征融合的特征进行自闭症谱系障碍分类的准确性、敏感性、特异性、F1得分、精度、AUC值都有明显提升。
表1实验结果
本发明采用多模态影像技术融合不同影像信息，能够对脑部结构和功能进行深入分析，全面了解自闭症谱系障碍患者脑结构和功能的变化特点；采用机器学习算法对高维脑网络特征进行特征选择，能够自动学习和判断对于区分自闭症谱系障碍患者和正常人有用的特征，提高特征学习的准确性。
本发明提供的基于多模态脑网络特征的自闭症谱系障碍分类方法，对于揭示自闭症谱系障碍患者与健康儿童在脑网络差异，以及自闭症谱系障碍辅助诊断和康复疗效评估方面提供新方法，有助于提高自闭症谱系障碍的早期诊断和干预效果。
实施例2
一种电子设备200，如图3所示，包括但不限于：存储器201，其上存储有程序代码；处理器202，其与存储器连接，并且当程序代码被处理器执行时，实现自闭症谱系障碍分类方法。关于方法的详细描述，可以参照上述方法实施例中的对应描述，在此不再赘述。
实施例3
一种计算机可读存储介质，如图4所示，其上存储有程序指令，程序指令被执行时实现的自闭症谱系障碍分类方法。关于方法的详细描述，可以参照上述方法实施例中的对应描述，在此不再赘述。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上仅为本说明书实施例而已，并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变换。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的权利要求范围之内。
Claims (12)
1.一种自闭症谱系障碍分类方法，其特征在于，包括以下步骤：
对测试集每个被试的T1结构磁共振图像进行处理，获得测试集每个被试的特征向量，实现结构脑网络特征的构建；
对测试集每个被试的伪连续动脉自旋图像进行处理，获得测试集每个被试的特征向量，实现血流脑网络特征的构建；
通过所述结构脑网络特征和所述血流脑网络特征，构建测试集的多模态脑网络特征；
将多模态脑网络特征输入训练好的最优分类模型，获得测试集的分类结果。
2.如权利要求1所述的一种自闭症谱系障碍分类方法，其特征在于，所述最优分类模型的构建包括以下步骤：
对训练集每个被试的T1结构磁共振图像进行处理，获得训练集每个被试的特征向量，实现结构脑网络特征的构建；
对训练集每个被试的伪连续动脉自旋标记磁共振图像进行处理，获得训练集每个被试的特征向量，实现血流脑网络特征的构建；
通过所述结构脑网络特征和所述血流脑网络特征，构建训练集的多模态脑网络特征；
将多模态脑网络特征作为RVFL分类模型的输入进行RVFL分类模型训练，得到最优分类模型。
3.如权利要求2所述的一种自闭症谱系障碍分类方法，其特征在于：所述通过所述结构脑网络特征和所述血流脑网络特征，构建训练集的多模态脑网络特征还包括以下步骤：
采用t检验方法和最小冗余最大相关特征选择方法对训练集的多模态脑网络特征进行筛选，得到优化的特征子集。
4.如权利要求3所述的一种自闭症谱系障碍分类方法，其特征在于：所述采用t检验方法和最小冗余最大相关特征选择方法对训练集的多模态脑网络特征进行筛选包括以下步骤：
利用t检验方法从正常组和自闭症谱系障碍组的数据中，筛选出显著差异的特征，其中，p值小于预设值被视为统计显著；
通过最小冗余最大相关方法对筛选出的显著差异的特征进一步降维，得到优化的特征子集。
5.如权利要求4所述的一种自闭症谱系障碍分类方法，其特征在于：所述通过所述结构脑网络特征和所述血流脑网络特征，构建测试集的多模态脑网络特征还包括以下步骤：
根据训练集筛选出的优化的特征子集对测试集的多模态脑网络特征进行筛选，得到筛选后的特征。
6.如权利要求2所述的一种自闭症谱系障碍分类方法，其特征在于：所述结构脑网络特征的构建包括以下步骤：
对训练集或测试集中每个被试的T1结构磁共振图像进行预处理；
计算预处理后每个脑区的皮层厚度均值和标准差，利用皮尔逊相关计算，得到相关性特征矩阵；
通过所述相关性特征矩阵的上三角来获得训练集或测试集中每个被试的特征向量，实现结构脑网络特征的构建。
7.如权利要求2所述的一种自闭症谱系障碍分类方法，其特征在于：所述血流脑网络特征的构建包括以下步骤：
对训练集或测试集中每个被试的伪连续动脉自旋标记磁共振图像进行预处理；
计算预处理后每个脑区的脑血流值，利用皮尔逊相关计算，得到相关性特征矩阵；
通过所述相关性特征矩阵的上三角来获得训练集或测试集中每个被试的特征向量，实现血流脑网络特征的构建。
8.如权利要求6所述的一种自闭症谱系障碍分类方法，其特征在于：所述对训练集或测试集中每个被试的T1结构磁共振图像进行预处理包括以下步骤：
以AAL 90模板为基础，去除若干个皮层下的脑区域。
9.如权利要求7所述的一种自闭症谱系障碍分类方法，其特征在于：所述对训练集或测试集中每个被试的伪连续动脉自旋标记磁共振图像进行预处理包括以下步骤：
采用AAL 90模板，通过配准方法将AAL 90模板配准到伪连续动脉自旋标记磁共振图像上；
计算每个脑区的脑血流值，并通过皮尔逊相关计算脑区之间脑血流变化的相关情况。
10.如权利要求2所述的一种自闭症谱系障碍分类方法，其特征在于：所述将多模态脑网络特征作为RVFL分类模型的输入进行RVFL分类模型训练，得到最优分类模型包括以下步骤：
给定训练集{(xi,yi)|xi∈Rd,yi∈Rm,i＝1,2…n}，其中，xi表示被试的多模态脑网络特征向量，yi表示xi的标签；
采用sine函数作为激活函数，原始输入特征X经过RVFL激活函数g(ωj·xi+bj)非线性变换和增强矩阵Haug的拼接得到矩阵H，其中，权重ωj和偏置bj(j＝1,2,…r)是随机生成的，隐藏节点数r为自定义的参数；
利用拼接矩阵和标签矩阵Y，通过Hβ＝Y计算输出权重β；
采用L2范数正则化最小二乘法计算输出权重β；
将计算得到的输出权重β代入拼接矩阵H，获得最优的分类结果；
按顺序将被试的多模态脑网络特征向量和相应标签输入构建好的RVFL分类模型中进行训练，获得最优的预测值。
11.一种电子设备，其特征在于，包括：存储器，其上存储有程序代码；处理器，其与所述存储器连接，并且当所述程序代码被所述处理器执行时，实现如权利要求1～10任一项所述的方法。
12.一种计算机可读存储介质，其特征在于，其上存储有程序指令，所述程序指令被执行时实现如权利要求1～10任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310952504.2A CN116959714A (zh) | 2023-07-31 | 2023-07-31 | 一种自闭症谱系障碍分类方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310952504.2A CN116959714A (zh) | 2023-07-31 | 2023-07-31 | 一种自闭症谱系障碍分类方法、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116959714A true CN116959714A (zh) | 2023-10-27 |
Family
ID=88442458
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310952504.2A Pending CN116959714A (zh) | 2023-07-31 | 2023-07-31 | 一种自闭症谱系障碍分类方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116959714A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117312971A (zh) * | 2023-11-29 | 2023-12-29 | 北京邮电大学 | 一种孤独症谱系障碍个体识别装置 |
-
2023
- 2023-07-31 CN CN202310952504.2A patent/CN116959714A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117312971A (zh) * | 2023-11-29 | 2023-12-29 | 北京邮电大学 | 一种孤独症谱系障碍个体识别装置 |
| CN117312971B (zh) * | 2023-11-29 | 2024-04-02 | 北京邮电大学 | 一种孤独症谱系障碍个体识别装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108288070B (zh) | 一种神经指纹提取分类方法及系统 | |
| JP7276915B2 (ja) | 脳機能地図のサル－ヒト種間移行に基づいて精神疾患の個別的予測を行う方法およびシステム | |
| Buvaneswari et al. | Deep learning-based segmentation in classification of Alzheimer’s disease | |
| Sato et al. | Identification of psychopathic individuals using pattern classification of MRI images | |
| CN108257657B (zh) | 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 | |
| CN109770903A (zh) | 功能磁共振影像的分类预测方法、系统、装置 | |
| CN116959714A (zh) | 一种自闭症谱系障碍分类方法、电子设备及存储介质 | |
| Chen et al. | Recent advances of deep learning in psychiatric disorders | |
| Fareed et al. | ADD-Net: an effective deep learning model for early detection of Alzheimer disease in MRI scans | |
| Liu et al. | An ensemble hybrid feature selection method for neuropsychiatric disorder classification | |
| Dai et al. | Gradually evaluating of suicidal risk in depression by semi-supervised cluster analysis on resting-state fMRI | |
| Xi et al. | Brain Functional Networks with Dynamic Hypergraph Manifold Regularization for Classification of End-Stage Renal Disease Associated with Mild Cognitive Impairment. | |
| CN115337000B (zh) | 基于脑结构影像评估疾病引起大脑衰老的机器学习方法 | |
| Supriyanti et al. | Coronal slice segmentation using a watershed method for early identification of people with Alzheimer's | |
| Benabdallah et al. | An autism spectrum disorder adaptive identification based on the Elimination of brain connections: a proof of long-range underconnectivity | |
| CN116597214A (zh) | 基于多模态超图注意网络的阿尔茨海默症分类方法及系统 | |
| CN115424067A (zh) | 基于多重融合脑网络图技术实现抑郁症亚型分类处理的系统、方法、处理器及其存储介质 | |
| CN112052882B (zh) | 磁共振脑结构影像的分类模型构建、分类与可视化方法 | |
| Demirci et al. | Functional magnetic resonance imaging–implications for detection of schizophrenia | |
| Li et al. | Diagnosis of Alzheimer's disease by feature weighted-LSTM: a preliminary study of temporal features in brain resting-state fMRI | |
| Hernández-Capistran et al. | Machine and Deep Learning Algorithms for ADHD Detection: A Review | |
| CN116364221B (zh) | 一种用于阿尔茨海默症研究的脑影像数据处理方法和系统 | |
| CN116030941B (zh) | 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 | |
| Elakkiya | Toward improving the accuracy in the diagnosis of schizophrenia using functional magnetic resonance imaging (fMRI) | |
| Guo et al. | Pattern recognition of schizophrenia based on multidimensional spatial feature fusion |
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 |