【技术实现步骤摘要】
一种基于随机位移算法脑影像组学的鲁棒性检测方法
[0001]本专利技术属于智能医学工程领域，具体涉及一种基于随机位移算法脑影像组学的鲁棒性检测方法。
技术介绍
[0002]随着脑科学的发展，神经成像技术，如：磁共振成像，脑磁图等等，都扮演着日益重要的作用。以机器学习和模式识别为主要技术方案的多变量模型分析，往往采取分类或者回归算法，得到较好的临床识别或者预测性能，并且找到对模型性能具有重要意义的脑区或者大脑体素集合，又称为大脑簇。所得到的脑区和大脑簇需要被进一步检测其鲁棒性，说明其显著性并非偶然现象。
[0003]重采样(Boostrap或者Resampleing)和置换检验(Permutationtest)是常见的来测试模型分类性能和探究所得到的生物标记物鲁棒性的方式。两种方法都是对观测数据的随机化处理。重采样通常是对样本进行一个抽取，计算统计量的采样分布。而置换检验分析常用于评估空模型，具体来说，通过打乱样本标签或者创建空模型，在构建一个随机的结果。通过大量的打乱和随机的过程，产生了一个随机结果分布，检测真实结果...
【技术保护点】
【技术特征摘要】
1.一种基于随机位移算法脑影像组学的鲁棒性检测方法，其特征在于，包括以下步骤：步骤S10，获取被研究问题中的在MNI坐标系中的感兴趣区域ROI，研究问题中的ROI被定义为原始ROI；步骤S20，对原始ROI，通过随机位移算法，得到k个随机ROI，k为随机次数；步骤S30，提取原始ROI和k个随机ROI所对应的脑影像特征；步骤S40，基于k个随机ROI的影像学特征，构建空模型，利用置换检验检测原始ROI的鲁棒性；步骤S50，利用相关分析探究随机模型性能与随机噪声程度H之间的关系，以分析模型性能随着模型噪声增加的变化。2.根据权利要求1所述的一种基于随机位移算法脑影像组学的鲁棒性检测方法，其特征在于，所述的步骤S10，对已经发现在多变量模式分析中的原始ROI进行进一步的编码和预处理，具体包括如下步骤：首先，在以体素为单位的脑影像学的多变量模式分析中，对研究问题f有重要贡献的区域，即为原始ROI；然后，统一将原始ROI区域，映射到大脑三维MNI坐标系中；最后，对原始ROI的区域进行数据清晰度的重采样，使原始ROI和所有受试者的脑影像的体素大小保持同一个维度。3.根据权利要求2所述的一种基于随机位移算法脑影像组学的鲁棒性检测方法，其特征在于，所述的MNI坐标系是以结构像的前联合作为坐标系的零点，分别在冠状面、矢状面、横截面建立X，Y，Z轴。4.根据权利要求3所述的一种基于随机位移算法脑影像组学的鲁棒性检测方法，其特征在于，所述的步骤S20，构建基于随机位移算法的随机ROI，在大脑三维MNI坐标系中，保留原始ROI的形状和体素个数，改变原始ROI在大脑位置，得到随机ROI；随机ROI的构建包括以下几个步骤：步骤S21，定义参数R，R代表最大位移的步长；步骤S22，在1到R的范围内，生成三个随机步长t1，t2，t3；随机步长t1，t2，t3定义为X，Y，Z轴上的移动步长；步骤S23，随机生成移动方向d，d为
‑
1或者1，代表了沿着坐标正方向或者负方向移动；步骤S24，原始ROI内所有体素按照移动方向d，在X，Y，Z轴上分别移动t1，t2，t3，得到随机ROI；步骤S25，检查随机ROI是否超出大脑灰质范畴，是否覆盖到了脑室区域；如果超出或者覆盖，则返回步骤S22，重新生成新的随机步长，直到确定所有随机ROI内的体素都在灰质区域内。5.根据权利要求4所述的一种基于随机位移算法脑影像组学的鲁棒性检测方法，其特征在于，所述的步骤S30，提取原始ROI和k个随机ROI所对应的脑影像特征，针对于原始ROI和k个随机ROI的所有体素，提取所有样本在对应体素中的脑影像特征；原始ROI的脑影像特征是D；第i个随机ROI对应的脑影像特征是D
′
i
，k个随机ROI的集合...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。