一种基于权值分布的阈值化方法技术

本发明专利技术适用于机器学习与医学影像处理技术领域，提供了一种基于权值分布的阈值化方法，具体包括如下步骤：S1、基于类标签将训练集样本分为两个样本组，即病人组和正常人组；S2、针对两个样本组中所有样本，将各脑区时间序列间的Pearson相关系数作为其连接权重，构建脑网络邻接矩阵；S3、基于两样本组的功能连接分布差异，针对每个脑区对构建一个阈值。通过对网络中每个功能连接，利用其权重分布自适应的构建一个最佳阈值，对不同脑区间的功能连接构建不同阈值，对整个脑网络构建了阈值矩阵，用于阈值化脑网络，从而保留了不同脑区间功能连接的多样性，解决了单一阈值或百分比方法的不足。

A Thresholding Method Based on Weight Distribution

【技术实现步骤摘要】
一种基于权值分布的阈值化方法
本专利技术属于机器学习与医学影像处理
，提供了一种基于权值分布的阈值化方法。
技术介绍
目前研究结果表明，人体大脑是基于各个脑区划分功能性连接的一个复杂系统。通常将其抽象成脑网络，即由各个脑区构成各个网络的顶点，各个脑区连接强度组成脑网络的边。脑网络分析为人类探索脑组织结构功能与预测一些脑部疾病导致结构与功能上的一些差异提供了一个有效的途径。目前已经有研究人员对阿尔兹海默症(Alzheimer’sdisease，AD)以及前期病症轻度认知障碍(Mildcognitiveimpairment，MCI)、注意力缺陷多动症(AttentionDeficitHyperactivityDisorder，ADHD)等脑部疾病展开了相关的研究。目前，机器学习方法已经应用到医学图像处理领域，研究人员基于现代核磁共振成像(magneticresonanceimaging，MRI)数据已经提出很多脑网络分析方法。在分析过程中，其中阈值化为脑网络表示中的一个重要步骤，但目前主流方法主要可为(1)单一阈值方法；(2)百分比方法。前者是基于给定的阈值来阈值化整个脑网络，而后者则首先将功能连接根据权重值进行排序，而后选择一定百分比的功能连接。目前，领域研究阈值确定方法都是基于上述两大类方法，给予一定的改进或者变化。比如基于单一阈值的多元时间序列表示的功能网络优化，功能性脑网络(不)稳定性跨域值度量等。这些方法都是在取值过程中对阈值获取过程进行优化，但最终确定的阈值都是唯一的。即在同一个网络中只用先前确定的阈值进行处理。单一阈值的处理方式在一定程度上限制了整个网络的连接性质，对于给定n个脑区，对于全连接网络来说有边数n(n-1)/2条，即实际上以一个阈值去衡量整个网络的连接权值，这样在实际场景中不合理，因为不同脑区间连接权重都有其各自的连接强弱，固定的单一阈值可能会造成强连接的差异性被忽略。而采用一定百分比来稀疏化脑网络的方法是对整体功能性脑网络连接权重排序按照从高到低依次采用1％～99％的比重阈值化网络，即依次使用此范围内的权重进行阈值化，这种方法仍然忽略掉连接强度之间(特别是强连接权重之间)多样性。另外，对单一阈值或按比例稀疏的方法，仍然没有一个好的标准去确定或定义阈值或比例。在实践中，通常尝试所有可能值来探索一个最优阈值或比例，这极大浪费计算代价。
技术实现思路
本专利技术实施例提供了一种基于权值分布的阈值化方法，对每对脑区的功能连接，充分利用其在不同样本组间的权重(即连接强度)的分布信息，自适应地构建一个特定的阈值。本专利技术是这样实现的，一种基于权值分布的阈值化方法，所述方法具体包括如下步骤：S1、基于类标签将训练集样本分为两个样本组，即病人组和正常人组；S2、针对两个样本组中所有样本，将各脑区时间序列间的Pearson相关系数作为其连接权重，构建脑网络邻接矩阵；S3、基于两样本组的功能连接分布差异，针对每个脑区对构建一个阈值。进一步的，脑区对i和j的阈值构建方法具体如下:S31、假定脑区对i和j功能性连接权值在每个样本组中的分布服从高斯分布，即和并利用两个组的样本分别估计出两个高斯分布的参数值；S32、利用Kullback-Leibler散度估计两个高斯分布之间的距离S33、若距离大于设定值δ，则计算两个高斯分布的交叉点τ，将交叉点τ作为脑区对i和j的阈值，否则移去脑区对i和j的连接边。进一步的，高斯分布的参数采用如下公式进行计算：其中，表示第t个病人网络的第i和j个脑区的功能连接权重，表示第t个正常人网络的第i和j个脑区的功能连接权重。进一步的，的计算公式具体如下：进一步的，在步骤S2之前还包括：对两个样本组中的所有样本进行预处理，获取样本中各脑区的时间序列。本专利技术提供的基于权值分布的阈值化方法具有以下效果：通过对网络中每个功能连接，利用其权重分布自适应的构建一个最佳阈值，对不同脑区间的功能连接构建不同阈值，对整个脑网络构建了阈值矩阵T，用于阈值化脑网络，从而保留了不同脑区间功能连接的多样性。解决了单一阈值或百分比方法的不足。附图说明图1为本专利技术实施例提供的基于权值分布的阈值化方法流程图；图2为本专利技术实施例提供的精准度Accuracy在MCIvs.NC数据集上随阈值的变化情况；图3为本专利技术实施例提供的精准度Accuracy在IMCIvs.eMCI数据集上随阈值的变化情况；图4为本专利技术实施例提供的精准度Accuracy在eMCIvs.NC数据集上随阈值的变化情况；图5为本专利技术实施例提供的精准度Accuracy在ADHDvs.NC数据集上随阈值的变化情况。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。图1为本专利技术实施例提供的基于权值分布的阈值化方法流程图，该方法具体包括如下步骤：S1、基于类标签将训练集样本分为两个样本组，即病人组和正常人组；S2、针对两个样本组中所有样本，使用Pearson相关系数构建各样本的脑区间功能性连接，将各脑区时间序列间的Pearson相关系数作为其连接权重，从而构建脑网络邻接矩阵，表示为其中，为第t个病人脑网络的邻接矩阵，为第t个正常人脑网络的邻接矩阵，N为病人样本组中的样本数量，M为正常人样本组中的样本数量；在步骤S2之前还包括：对两个样本组中的所有样本进行预处理，获取样本中各脑区的时间序列；S3、基于两样本组的功能连接分布差异，针对每个脑区对构建一个阈值。在本专利技术实施例中，对于给定的n个脑区，存在n(n-1)/2个脑区对，以于脑区对i和j为例进行说明，脑区对i和j的阈值构建方法具体如下：S31、假定脑区对i和j功能性连接权值在每个样本组中的分布服从高斯分布，即和并利用两个组的样本分别估计出两个高斯分布的参数值，高斯分布的参数采用如下公式进行计算：其中，表示第t个病人网络的第i和j个脑区的功能连接权重，表示第t个正常人网络的第i和j个脑区的功能连接权重。S32、利用Kullback-Leibler散度估计两个高斯分布之间的距离其计算公式具体如下：S33、若距离大于设定值δ，则计算两个高斯分布的交叉点τ，将交叉点τ作为脑区对i和j的阈值Tij，否则，认定两个高斯分布相同或相似，表明相应的功能连接并未受到疾病的影响，移去脑区对i和j的连接边(即令Tij＝1)，即：本专利技术提供的基于权值分布的阈值化方法具有以下效果：通过对网络中每个功能连接，利用其权重分布自适应的构建一个最佳阈值，对不同脑区间的功能连接构建不同阈值，对整个脑网络构建了阈值矩阵T，用于阈值化脑网络，从而保留了不同脑区间功能连接的多样性。解决了单一阈值或百分比方法的不足。在两个fMRI数据集上，即ADHD(AttentionDeficitHyperactivityDisorder)数据集与ADNI(theAlzheimer’sDiseaseNeuroimagingInitiative)数据集，验证了本专利技术提出WBT方法有效性。列举了在ADHD与ADNI数据集上评价提出方法的有效性。表1给出了这些数据集的特性。表1两个数据集的样本的统计信息MMSE＝Mini-Mental本文档来自技高网...

【技术保护点】
1.一种基于权值分布的阈值化方法，其特征在于，所述方法具体包括如下步骤：S1、基于类标签将训练集样本分为两个样本组，即病人组和正常人组；S2、针对两个样本组中所有样本，将各脑区时间序列间的Pearson相关系数作为其连接权重，构建脑网络邻接矩阵；S3、基于两样本组的功能连接分布差异，针对每个脑区对构建一个阈值。

【技术特征摘要】
1.一种基于权值分布的阈值化方法，其特征在于，所述方法具体包括如下步骤：S1、基于类标签将训练集样本分为两个样本组，即病人组和正常人组；S2、针对两个样本组中所有样本，将各脑区时间序列间的Pearson相关系数作为其连接权重，构建脑网络邻接矩阵；S3、基于两样本组的功能连接分布差异，针对每个脑区对构建一个阈值。2.如权利要求1所述基于权值分布的阈值化方法，其特征在于，脑区对i和j的阈值构建方法具体如下:S31、假定脑区对i和j功能性连接权值在每个样本组中的分布服从高斯分布，即和并利用两个组的样本分别估计出两个高斯分布的参数值；S32、利用Kullback-Leibler散度估计两...

【专利技术属性】
技术研发人员：接标，王正东，卞维新，丁新涛，周文，左开中，陈付龙，罗永龙，
申请(专利权)人：安徽师范大学，
类型：发明
国别省市：安徽,34