首发精神分裂症个体化预测模型的构建方法技术

本发明专利技术属于精神医学、神经影像及人工智能领域，其公开了一种首发精神分裂症个体化预测模型的构建方法，解决现有SCH脑结构网络模型的辅助诊断的正确率低下的问题。该方法包括以下步骤：A、获取首发精神分裂症患者弥散张量图像；B、对获取的所述弥散张量图像进行预处理；C、基于预处理后的图像构建稀疏脑结构网络；D、采用相似网络融合方法构建每个被试稀疏后的多阈值融合脑结构网络；E、提取多阈值融合脑结构网络拓扑属性特征，然后进行特征筛选；F、基于筛选后的特征，采用分类器进行分类训练，获得首发精神分裂症个体化预测模型；G、对训练获得的首发精神分裂症个体化预测模型进行性能验证评估。

【技术实现步骤摘要】
首发精神分裂症个体化预测模型的构建方法
本专利技术属于精神医学、神经影像及人工智能领域，具体涉及一种首发精神分裂症个体化预测模型的构建方法。
技术介绍
精神分裂症(Schizophrenia，SCH)是一种高致残、致死性精神障碍，世界卫生组织将其列为全球疾病负担排行榜居前的十大疾病之一，然而其脑机制仍未完全厘清，诊断缺乏客观标准，治愈率低。寻求一种客观有效、方便可行的生物学标记对SCH进行早期个体化分类诊断和治疗成为亟待解决的临床问题。脑结构网络改变是SCH神经解剖异常的重要生物学基础，机器学习方法作为基于数据驱动的预测与分析工具，能够充分利用生物标志数据内在的结构信息构建SCH个体化脑结构网络模型。目前SCH脑结构网络模型的研究现状是：1)直接提取原始网络中结构连接值作为特征，纳入了权重较低的伪连接；2)基于单一固定阈值来稀疏网络的方法存在不同级别的噪声影响，且单一阈值的选择具有主观性；3)直接应用原始的结构连接值作为低层次结构信息特征，忽视大脑拓扑复杂的网络重要属性。因此，现有SCH脑结构网络模型基于脑结构网络特征寻找精神分本文档来自技高网...

【技术保护点】
1.首发精神分裂症个体化预测模型的构建方法,其特征在于，包括以下步骤：/nA、获取首发精神分裂症患者弥散张量图像；/nB、对获取的所述弥散张量图像进行预处理；/nC、基于预处理后的图像构建稀疏脑结构网络；/nD、采用相似网络融合方法构建每个被试稀疏后的多阈值融合脑结构网络；/nE、提取多阈值融合脑结构网络拓扑属性特征，然后进行特征筛选；/nF、基于筛选后的特征，采用分类器进行分类训练，获得首发精神分裂症个体化预测模型；/nG、对训练获得的首发精神分裂症个体化预测模型进行性能验证评估。/n

【技术特征摘要】
1.首发精神分裂症个体化预测模型的构建方法,其特征在于，包括以下步骤：
A、获取首发精神分裂症患者弥散张量图像；
B、对获取的所述弥散张量图像进行预处理；
C、基于预处理后的图像构建稀疏脑结构网络；
D、采用相似网络融合方法构建每个被试稀疏后的多阈值融合脑结构网络；
E、提取多阈值融合脑结构网络拓扑属性特征，然后进行特征筛选；
F、基于筛选后的特征，采用分类器进行分类训练，获得首发精神分裂症个体化预测模型；
G、对训练获得的首发精神分裂症个体化预测模型进行性能验证评估。


2.如权利要求1所述的首发精神分裂症个体化预测模型的构建方法,其特征在于，
步骤A中，利用核磁共振成像扫描机采用单次激发平面回波成像技术扫描获取首发精神分裂症患者的弥散张量图像。


3.如权利要求1所述的首发精神分裂症个体化预测模型的构建方法,其特征在于，
步骤B中，所述对获取的弥散张量图像进行预处理，具体包括：
B1、利用MRIconvert将DICOM数据格式的弥散张量图像转换为NIFTI格式的图像；
B2、对数据格式转换后的弥散张量图像进行涡流校正和头动校正；
B3、应用FSL的BrainExtractionTool去除头骨，移除非脑组织图像。


4.如权利要求1所述的首发精神分裂症个体化预测模型的构建方法,其特征在于，
步骤C中，所述基于预处理后的图像构建稀疏脑结构网络，具体包括：
C1、在弥散张量空间用旋转和平移的线性配准法将各被试预处理后的脑图像配准到b0像；然后将配准后的b0像配准到标准MNI空间中的T1像；通过转换矩阵求逆，利用得到的逆矩阵将AAL模板从MNI空间变换到弥散张量空间，获得每个被试基于AAL模板划分的90个脑区网络节点；
C2、使用概率纤维束成像方法，基于BEDPOSTX工具进行弥散参数的抽样贝叶斯估计，用马尔可夫链蒙特卡罗抽样方法来给每个体素的弥散参数建立分布，将大脑每个体素都预设为纤维交叉模型，并自动判别有多少种交叉通过的纤维束；
C3、基于PROBTRACKX工具进行概率追踪纤维束重建，通过对每个体素的主弥散方向的分布中进行反复抽样，每次从抽取的局部样本中生成流线，通过多次抽样建立起流线位置后验分布的统计图，得到两两脑区间结构连接概率的分布情形；将每个边的权重定义为两两节点区域之间的纤维束连接概率，则每个被试获得一个对称的90×90的纤维束连接概率的加权网络矩阵；
C4、设定纤维束连接概率阈值，超过阈值的两个脑区存在结构连接，测试不同稀疏度阈值对融合效果的影响，采用相对更窄的阈值范围来构建稀疏结构网络。


5.如权利要求1所述的首发精神分裂症个体化预测模型的构建方法,其特征在于，
步骤D中，所述采用相似网络融合方法构建每个被试稀疏后的多阈值融合脑结构网络，具体包括：
D1、以稀疏后结构连接矩阵定义为全核矩阵对于第i个被试第j个阈值下的全核矩阵进一步构建对应的稀疏核矩阵：
令δu为全核矩阵中节点u的k近邻，则稀疏核矩阵被定义为：



D2、基于全核矩阵对应的稀疏核矩阵进行全核矩阵的迭代更新：



其中(Wic)(m)表示第m次迭代时第i个被试第c个阈值下的全核矩阵，(Wij)(m+1)表示第m+1次迭代时的全核矩阵，N为总的稀疏阈值个数；
D3、判断是否满足迭代收敛条件，若是，则执行步骤D4，否则继续迭代；
其中，所述收敛条件为：||(Wij)(m+1)-(Wij)(m)||≤0.01；
D4、将更新后的N个阈值对应的全核矩阵进行平均，从而为每个被试构建平均的全核矩阵：

<...

【专利技术属性】
技术研发人员：张程程，李涛，
申请(专利权)人：四川大学华西医院，
类型：发明
国别省市：四川;51