有监督的多模态脑影像融合方法技术

本发明专利技术公开了一种有监督的多模态脑影像融合方法。其中，该方法包括步骤1：计算所述各模态的特征；步骤2：对所述各模态的特征进行矩阵化和归一化；步骤3：利用奇异值分解算法，对所述各模态特征进行降维；步骤4：基于所述步骤S3得到的降维后的各模态特征，同时最大化所述各模态典型变量之间以及所述典型变量与先验信息之间的相关性平方和，并进行迭代循环，直至收敛；步骤5：将所述步骤S4得到的各模态成分串联，使用联合独立成分分析算法，计算得到所述各模态与所述先验信息显著相关的独立成分和混合矩阵，从而实现有监督的多模态脑影像融合。本发明专利技术实施例具有较好的鲁棒性，可以揭示复杂脑疾病认知功能损伤的生理病理机制。

【技术实现步骤摘要】

本专利技术实施例涉及医学图像处理
，具体涉及一种有监督的多模态脑影像融合方法。
技术介绍
近年来，使用多种非侵入式的图像技术(功能磁共振影像fMRI、结构磁共振影像sMRI、弥散张量成像DTI等)对同一个被试收集不同模态的数据已经被研究人员广泛采用。模态就是一台磁共振机器可以实现的多种成像。每一种模态从不同角度反映了大脑的功能或者结构。如fMRI基于血氧水平依赖性(blood oxygen level dependent，BOLD)信号，来反映大脑在做某种任务或者静息态时，对应脑区的神经元活动；sMRI则提供大脑的组织结构信息：如灰质(gray matter，GM)、白质(white matter，WM)、脑脊液(cerebrospinal fluid，CSF)等；弥散张量成像DTI可以研究脑白质的完整性和连接性。单独使用某一种模态的图像都不能同时获得这几种模态的图像的完整信息，而在实际应用中它们又都无法代替对方。越来越多的研究表明，多模态融合(multimodal fusion)能够结合多种模态的脑影像从多个角度理解人脑，并且具有一定的互补性，可以发现脑疾病的多模态影像共变模式[1](Sui J.,Huster R.,and Yu Q.B.et al.Function–structure associations of the brain:Evidence from multimodal connectivity and covariance studies.NeuroImage,102:11–23,2014)。现有的多模态融合方法分为：基于数据(first-level)的多模态融合方法，如：独立成分分析(ICA，independent component analysis)[2-3](Hyvarinen A.,and Oja E.Independent component analysis:algorithms and applications.Neural Networks,13:411–430,2000；Du Y.,Fan Y.Group information guided ICA for fMRI data analysis.NeuroImage,69:157-197,2013)，该方法无法获得多模态共变成分，只能单独分析各个模态。基于特征(second-level)的多模态融合方法，如：联合独立成分分析(joint ICA)[4](Calhoun V.D.,Adali T.,and Kiehl K.A.et al.A Method for Multitask fMRI Data Fusion Applied to Schizophrenia，Human Brain Mapping,27:598–610,2006)，该方法得到的各模态的混淆矩阵是相同的。MCCA+jICA[4](Sui J.,He H.,and Pearlson G.D.et al.Three-way(N-way)fusion of brain imaging data based on mCCA+jICA and its application to discriminating schizophrenia.NeuroImage,2:119–132,2013),Parallel ICA[5](pICA)(Liu J.,Pearlson G.,and Windemuth A.et al.Combining fMRI and SNP data to investigate connections between brain function and genetics using parallel ICA.Human Brain Mapping,30:241-55,2009),该方法同时保证成分的独立性以及不同模态之间的对应性，然而以上方法都是基于无监督的多模态融合。pICA-R(pICA with references)[6](Chen J.,Calhoun V.D.,and Pearlson G.D.et al.Guided exploration of genomic risk for gray matter abnormalities in schizophrenia using parallel independent component analysis with reference.Neuroimage,83:384–396,2013)，利用基因作为先验信息指导多模态的融合，然而该方法只能融合两种模态，其中必须包含基因，并且融合的效果严重依赖于基因的精确度。另一方面，利用脑影像数据来识别病人的认知损伤或症状改变的神经结构基础是一项极具临床价值的研究课题，在理解精神疾病的发病机制上具有重要意义。在临床医学中，精神分裂症(schizophrenia)是一种常见、慢性、高致残性的重型精神障碍。多起病于青壮年，常有感知、思维、情感、行为等多方面的障碍和精神活动的不协调，也有包括注意、记忆和执行功能障碍等在内的认知功能缺陷，患病率约1％。目前，我国重性精神疾病患者约为1600万，而罹患精神分裂症者多达780万。精神分裂症患者的社会功能降低，给患者、家庭及国家带来沉重的经济负担。因此如何利用现代医学成像技术，研究精神分裂症的病理机制，并对精神分裂症做出早期预警和干预具有重要意义。值得注意的是，认知功能缺失被认为是精神分裂症患者的核心特征，精神分裂症患者在认知方面的功能状态，相较于其他精神疾病的诊断，有明显的落差。虽然许多精神疾病都会出现认知功能缺失，但是精神分裂症患者的认知功能缺失，较其他类别诊断更为严重。随着药物科技的不断精进，患者的症状可以快速受到控制，让患者出院的机率大幅提高。然而，精神分裂症患者往往不能重新回归社会和适应日常生活，这主要归因于其认知功能的缺失是持久的，而认知功能缺失的严重程度，恰恰影响了精神分裂症患者心理复健的成效和适应社会生活的程度。认知能力包含多个认知子领域，比如：处理速度、注意力、工作记忆、语言学习、视觉学习、推理能力和社会认知等等。目前针对患者的症状评分或者特定认知领域评分的研究很大一部分是临床评分和药物测评，与人脑磁共振影像尤其是多模态磁共振影像相关的研究非常有限，大都是基于独立的分析然后求解相关关系，而基于有监督学习的、探索多模态神经影像(包括磁共振影像、脑电图、脑磁图)与特定临床指标相互关系的研究尚未展开。有鉴于此，特提出本专利技术。
技术实现思路
鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的一种有监督的多模态脑影像融合方法。为了实现上述目的，根据本专利技术的一个方面，提供了以下技术方案：一种有监督的多模态脑影像融合方法，所述方法至少包括：步骤1：计算所述各模态的特征；步骤2：对所述各模态的特征进行矩阵化和归一化；步骤3：利用奇异值分解算法，对所述各模态特征进行降维；步骤4：基于所述步骤S3得到的降维后的各模态特征，同时最大化所述各模态典型变量之间以及所述典型变量与先验信息之间的相关性平方和，并进行迭代循环，直至收敛；步骤5：将所述步骤S4得到的各本文档来自技高网...

【技术保护点】
一种有监督的多模态脑影像融合方法，其特征在于，所述方法至少包括：步骤1：计算所述各模态的特征；步骤2：对所述各模态的特征进行矩阵化和归一化；步骤3：利用奇异值分解算法，对所述各模态特征进行降维；步骤4：基于所述步骤S3得到的降维后的各模态特征，同时最大化所述各模态典型变量之间以及所述典型变量与先验信息之间的相关性平方和，并进行迭代循环，直至收敛；步骤5：将所述步骤S4得到的各模态成分串联，使用联合独立成分分析算法，计算得到所述各模态与所述先验信息显著相关的独立成分和混合矩阵，从而实现有监督的多模态脑影像融合。

【技术特征摘要】
1.一种有监督的多模态脑影像融合方法，其特征在于，所述方法至少包括：步骤1：计算所述各模态的特征；步骤2：对所述各模态的特征进行矩阵化和归一化；步骤3：利用奇异值分解算法，对所述各模态特征进行降维；步骤4：基于所述步骤S3得到的降维后的各模态特征，同时最大化所述各模态典型变量之间以及所述典型变量与先验信息之间的相关性平方和，并进行迭代循环，直至收敛；步骤5：将所述步骤S4得到的各模态成分串联，使用联合独立成分分析算法，计算得到所述各模态与所述先验信息显著相关的独立成分和混合矩阵，从而实现有监督的多模态脑影像融合。2.根据权利要求1所述的方法，其特征在于，所述步骤3具体包括：根据以下公式对各模态特征进行降维：Yk＝XkEk其中，所述Yk表示降维后的特征矩阵；所述X...

【专利技术属性】
技术研发人员：隋婧，戚世乐，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11