基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测模型制造技术

本发明专利技术属于图像处理和信号处理技术领域，特别涉及一种功能核磁共振影像数据的抑郁症转为双相情感障碍的风险预测模型，1)利用功能核磁共振技术，提取静息态功能信号；2)构建大脑动态功能网络，并对其进行稀疏化；3)构建多层模块化网络，计算动态模块化矩阵；4)计算模块化后的属性作为特征；5)运用支持向量机，采取非线性高斯核函数，构建单相患者转为双相情感障碍的风险预测模型，用以判断当前抑郁发作、无躁狂或轻躁狂发作历史的抑郁症患者是否具有转为双相情感障碍的风险；本发明专利技术形成的模型优点为纯数据驱动，完全由患者脑区信号来构建模型用于甄别抑郁症患者是否转为双相情感障碍的风险，避免了主观因素带来的误差。

【技术实现步骤摘要】
基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测模型
本专利技术属于图像处理和信号处理
，特别涉及一种功能核磁共振影像数据的抑郁症转为双相情感障碍的风险预测模型。
技术介绍
双相情感障碍是一种复发性疾病，伴有认知和功能障碍、情绪状态和能量的波动以及行为的改变。临床上，双相情感障碍和单相抑郁症患者难以区分，因为双相情感障碍的症状包括反复发作的抑郁和躁狂/轻躁狂，但抑郁状态是病程中最常见的情绪状态。此外，阈下躁狂症状也使得两种疾病相互双混淆。将双相情感障碍误诊为抑郁症可能导致不恰当的治疗，预后较差，自杀倾向增加等不良事件。目前，只有五分之一的双相情感障碍患者寻求治疗的第一年得到正确的诊断。众多临床已经采取措施来识别单相抑郁症转为双相情感障碍的风险：包括一些临床特点,如起病年龄早(小于25岁)，双相障碍或者自杀家族史，更频繁的抑郁发作，伴有精神症状，存在药物滥用；此外，许多临床评分量表被用来识别阈下躁狂/轻躁狂症状，以帮助早期识别双相障碍，如情绪障碍问卷，轻躁狂量表，双相情感障碍症状量表，抑郁症极性筛查评估。尽管上述临床措施具有一定的效用，上述策略仍然缺乏足够的特异性来减少诊断的不确定性，严重依赖于医生的专业知识和主观判断。根据目前功能核磁共振的血氧水平信号是不平稳的，本专利技术对信号进行动态划分，以大脑脑区之间的动态交互为基础，量化大脑的功能活动；进一步将满足五年随访期的抑郁症患者(有文献表明其转为双相情感障碍的几率极低)和扫描时被诊断为抑郁症后在随访过程中转为双相情感障碍的患者纳入研究，以期寻找到客观的生物标记用以判断抑郁症是否具有转相的风险。
技术实现思路
本专利技术解决现有技术中存在的上述技术问题，提供一种基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测模型，从大脑的动态交互性出发量化脑区之间的交互活动，有效预测抑郁症患者是否具有转为双相情感障碍的风险，从而辅助诊断，减少主观因素的干扰。为解决上述问题，本专利技术的技术方案如下：一种基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测模型，所述风险预测模型的构建方法包括以下步骤：步骤1，利用功能核磁共振成像技术，在患者的大脑功能影像上提取患者的静息态血氧依赖水平信号，所述信号为时间序列形式；步骤2，根据静息态血氧依赖水平信号时间序列，采用滑动时间窗的方式计算全脑动态功能连接，构建大脑的动态功能网络；步骤3，对步骤2中所得的大脑的动态功能网络，按时序构建多层模块化网络，计算动态模块化矩阵；步骤4，根据动态模块化矩阵，计算模块忠诚度矩阵作为后续模型建立的特征矩阵；步骤5，运用主成分分析(PCA)对特征矩阵进行特征降维，运用支持向量机，采取非线性高斯核函数，构建抑郁症患者转为双相情感障碍的风险预测模型。优选地，步骤1所述静息态血氧依赖水平信号时间序列提取方法为：根据将人脑划分的95个感兴趣区域，将大脑网络定义为95个节点；利用这些脑区峰值点的空间坐标，以6mm为半径对大脑影像数据以挖球的方式提取时间序列信号，即将球内所有体素(类似于图片中的像素)的平均信号作为该脑区的时间序列信号。优选地，步骤2所述构建大脑的动态功能网络的方法为：采用滑动时间窗的方法对脑区的时间序列进行分割；选择窗长为30个时间点，步长为1个时间点，共98个窗；为了提高时间窗的稳定性，计算全脑的动态功能连接时加入了L1范数正则项来稀疏。优选地，具体的计算方法为：1)根据每个窗口的时间序列，计算两两节点间的协方差矩阵Σ；2)运用基于高斯图模型的LASSO算法来估计协方差矩阵的稀疏模式，该算法的目的是发现一个正定阵使以下式最大化：J＝L(Ω)-λ||Ω||1＝log(detΩ)-tr(Ω∑)-λ||Ω||1det和tr分别表示行列式的对数和矩阵的迹，||·||1为矩阵的L1范数，λ是控制Ω稀疏度的正则化参数，Ω即为每个窗口稀疏后的功能连接网络，∑是协方差矩阵。优选地，步骤3所述动态模块化矩阵计算方法为：(1)动态模块划分依据由以下质量函数Q定义：其中，l，r表示不同的时间层(时间窗)，i，j表示不同的节点；Aijl表示第l个时间层中节点i和节点j间的功能连接，γl是l层的结构分辨率参数；是定义的零模型，表示l层中节点i和节点j间边的期望权值，其中(‘+’和‘-’分别表示所有的正连接和负连接)；δlr是狄利克雷函数：当l＝r时，δlr＝1；否则为0；δij,δ(gil,gjl)用法与δlr相同，即：当i＝j时，δij＝1；否则为0；δ(gil,gjl)＝1；否则为0；ωjlr是层间耦合参数，也可称为时间分辨率参数；gil(gjr)表示第l(r)层的节点i(j)被划分到某个模块；μ表示为网络的边权值之和，定义为其中|·|表示边权值的绝对值；2)动态模块化划分的实现过程就是要将衡量网络模块化的质量函数Q最大化，这样可以将多层网络划分到多个社区，模块内部的总边权值就尽可能大。优选地，步骤4所述模块忠诚度矩阵的计算方法为：具体计算方法如下：其中MAij表示节点i和节点j间的模块忠诚度的值，gil，gjl分别表示第l次最优结果中节点i和节点j模块的归属，δ(gil，gjl)是狄利克雷函数；故最终每个被试可以得到一个95×95的对称矩阵，即为模块忠诚度矩阵。MA表示两个节点被归属到同一个模块的概率，两节点间的MA值越大，表示两个节点之间的亲密度越强。优选地，步骤5所述构建抑郁症患者转为双相情感障碍的风险预测模型的具体过程为：1)选择训练样本，纳入两组被试：a)扫描时仅为抑郁发作、且其病史中未有过躁狂或者轻躁狂发作，但在其后续观察中转为双相情感障碍的患者，这里定义为转相患者；b)抑郁症患者，在五年观察期内未转为双相情感障碍的患者，此类患者根据既往研究其在未来转为双相情感障碍患者的概率极低；2)利用功能核磁共振技术对患者的脑影像进行扫描，对其进行预处理，并按照以上步骤计算MA矩阵；3)因输入特征的维数远大于样本的数量，采用主成分分析(PCA)对特征矩阵进行特征降维；4)迭代选择前k个主成分，即PCA降维后形成的前k个特征作支持向量机(SVM)的输入，采用RBF核函数，建立最优的基于功能核磁共振影响数据的抑郁症转为双相情感障碍的风险预测模型，对抑郁发作个体进行是否具有转为双相情感障碍的风险预测。相对于现有技术，本专利技术的优点如下，本专利技术提出了基于静息态功能磁共振影像数据的抑郁症转为双相情感障碍风险预测模型，以客观的影像学数据来辅助疾病的诊断，采用本专利技术的技术方案，具有如下优点：(1)纯数据驱动，通过全脑影像学信号构建动态模块化结构模型，并量化大脑脑区之间的动态交互来判断当前抑郁发作的患者是否具有转为双相情感障碍的风险，此过程没有人工判断参与，避免了主观因素带来的误差。(2)为抑郁症和双相情感障碍的鉴别提供帮助，加深对两种疾病生理机制上差异的理解，并为临床诊断提供辅助判断信息。附图说明图1是本专利技术提出的基于静息态功能磁共振影像数据的抑郁症转为双相情感障碍风险预测模型的构建流程示意图；图2是新样本进入模型获得客观评估的流程示意图；图3是社区探测算法多层网络示意图。具体实施方式实施例1：一种基于静息态功能磁共振影像数据的抑郁症转为双相情感障碍风险预测模型，具体包括如下步骤，如附图1所本文档来自技高网...

【技术保护点】
1.一种基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测模型，其特征在于，所述风险预测模型的构建方法包括以下步骤：步骤1，利用功能核磁共振成像技术，在患者的大脑功能影像上提取患者的静息态血氧依赖水平信号，所述信号为时间序列形式；步骤2，根据静息态血氧依赖水平信号时间序列，采用滑动时间窗的方式计算全脑动态功能连接，构建大脑的动态功能网络；步骤3，对步骤2中所得的大脑的动态功能网络，按时序构建多层模块化网络，计算动态模块化矩阵；步骤4，根据动态模块化矩阵，计算模块忠诚度矩阵作为后续模型建立的特征矩阵；步骤5，运用主成分分析对特征矩阵进行特征降维，运用支持向量机，采取非线性高斯核函数，构建抑郁症患者转为双相情感障碍的风险预测模型。

【技术特征摘要】
1.一种基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测模型，其特征在于，所述风险预测模型的构建方法包括以下步骤：步骤1，利用功能核磁共振成像技术，在患者的大脑功能影像上提取患者的静息态血氧依赖水平信号，所述信号为时间序列形式；步骤2，根据静息态血氧依赖水平信号时间序列，采用滑动时间窗的方式计算全脑动态功能连接，构建大脑的动态功能网络；步骤3，对步骤2中所得的大脑的动态功能网络，按时序构建多层模块化网络，计算动态模块化矩阵；步骤4，根据动态模块化矩阵，计算模块忠诚度矩阵作为后续模型建立的特征矩阵；步骤5，运用主成分分析对特征矩阵进行特征降维，运用支持向量机，采取非线性高斯核函数，构建抑郁症患者转为双相情感障碍的风险预测模型。2.如权利要求1所述的基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测模型，其特征在于，步骤1所述静息态血氧依赖水平信号时间序列提取方法为：将人脑划分的95个感兴趣区域，将大脑网络定义为95个节点；利用这些脑区峰值点的空间坐标，以6mm为半径对大脑影像数据以挖球的方式提取时间序列信号，即将球内所有体素的平均信号作为该脑区的时间序列信号。3.如权利要求2所述的基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测模型，其特征在于，步骤2所述构建大脑的动态功能网络的方法为：采用滑动时间窗的方法对脑区的时间序列进行分割；选择窗长为30个时间点，步长为1个时间点，共98个窗；为了提高时间窗的稳定性，计算全脑的动态功能连接时加入了L1范数正则项来稀疏。4.如权利要求3所述的基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测模型，其特征在于，所述步骤2具体的计算方法为：1)根据每个窗口的时间序列，计算两两节点间的协方差矩阵Σ；2)运用基于高斯图模型的LASSO算法来估计协方差矩阵的稀疏模式，该算法的目的是发现一个正定阵使以下式最大化：J＝L(Ω)-λ||Ω||1＝log(detΩ)-tr(Ω∑)-λ||Ω||1det和tr分别表示行列式的对数和矩阵的迹，||·||1为矩阵的L1范数，λ是控制Ω稀疏度的正则化参数，Ω即为每个窗口稀疏后的功能连接网络，∑是协方差矩阵。5.如权利要求4所述的基...

【专利技术属性】
技术研发人员：卢青，姚志剑，邵俊能，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32