基于荟萃分析的脑疾病判断系统和判断装置制造方法及图纸

本发明专利技术公开了一种基于荟萃分析的脑疾病判断系统，包括：重要种子点确定模块，用于采用文献荟萃分析法确定与指定脑疾病相关的重要种子点；大脑损伤环路建立模块，用于对同一重要种子点对应的大脑簇并集采用MKDA算法估计收敛域；所有收敛域的并集构成大脑损伤环路；聚类模块，用于对大脑损伤环路中的体素进行聚类；低维特征空间构建模块，用于根据每个被试的功能连接信息，通过降维构建低维特征空间；测试者低维特征向量获取模块，用于根据测试者功能连接信息获取低维特征向量；分类器，用于根据测试者低维特征向量判断是否有指定脑疾病。该系统能够克服小样本和全脑数据驱动的机器学习模型鲁棒性和泛化性较差的缺陷，对指定脑疾病进行判断。脑疾病进行判断。脑疾病进行判断。

【技术实现步骤摘要】
基于荟萃分析的脑疾病判断系统和判断装置


[0001]本专利技术属于文献和脑成像数据挖掘
，具体涉及一种基于荟萃分析的脑疾病判断系统和判断装置。

技术介绍

[0002]随着神经影像和机器学习的发展，将人工智能模型用于辅助临床决策作为一个新的科技发展热点。神经影像包括磁共振成像、脑电图、脑磁图等。通过这些神经影像技术可以对大脑的结构和功能进行定量测量和描述，具备非侵入式，空间分辨率高等优势。这些方法的优势在于可以利用医学脑成像技术来找到临床所急缺的生物学标记物，而机器学习的强大的计算分析技术能够在此基础上实现精准治疗。
[0003]但是，对于一些非器质性损伤的精神类疾病，如抑郁症等，无法像癫痫、卒中等其他神经疾病一张找到具体的损伤靶点。另外，由于脑影像学受限于扫描仪器、扫描参数，小样本等原因，脑影像的指标结果一致性不高，无法通过脑影像直接进行临床诊断。

技术实现思路

[0004]专利技术目的：本专利技术旨在提供一种脑疾病的判断系统，该系统能够解决现有小样本和全脑数据驱动的机器学习模型的鲁棒性和泛化性较差的问题，对指定脑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于荟萃分析的脑疾病判断系统，其特征在于，包括：重要种子点确定模块(1)，用于采用文献荟萃分析法确定与指定脑疾病相关的重要种子点，以及每个重要种子点对应的大脑簇及大脑簇中体素的坐标点；将所有坐标点转换到统一的坐标系下；所述重要种子点为文献荟萃分析法检索到的文献列表中，至少N个文献报告的种子点；大脑损伤环路建立模块(2)，用于对同一重要种子点对应的大脑簇并集采用MKDA算法估计收敛域；所有重要种子点对应的收敛域的并集构成大脑损伤环路；聚类模块(3)，用于对大脑损伤环路中的体素进行聚类，得到多个体素社团；低维特征空间构建模块(4)，用于根据每个被试每个体素社团的功能连接信息，采用PCA算法降维构建低维特征空间；测试者低维特征向量获取模块(5)，用于根据测试者每个体素社团的功能连接信息获取低维特征向量；分类器(6)，用于根据测试者低维特征向量判断是否有指定脑疾病；所述分类器由每个被试的低维特征向量和对应的类别标签所构成的训练集训练；所述类别标签为二值变量，表示是否有指定脑疾病。2.根据权利要求1所述的基于荟萃分析的脑疾病判断系统，其特征在于，所述重要种子点确定模块(1)采用文献荟萃分析法确定与指定脑疾病相关的重要种子点的步骤为：S1.1、设置检索条件，在生物医学数据库中检索与指定脑疾病相关的文献；所述检索条件为同时满足如下C1
‑
C3三个条件：C1、基于静息态功能磁共振数据；C2、统计比较的两组分别为：患有指定脑疾病的患者和健康对照组；C3、计算的指标为基于种子点的全脑功能连接；S1.2、选择S1.1检索的文献中具有显著性结果的文献构成检索文献列表；S1.3、统计检索文献列表中报告的种子点和对应的大脑簇，至少有N个文献报告的种子点为重要种子点。3.根据权利要求1所述的基于荟萃分析的脑疾病判断系统，其特征在于，所述聚类模块(3)根据如下步骤对大脑损伤环路中的体素进行聚类：S3.1、构建大脑损伤环路的相似性矩阵：大脑损伤环路的相似性矩阵G为P
×
P方阵，其中第m行n列元素g
m,n
为大脑损伤环路中体素σ
m
与体素σ
n
之间的欧氏距离；m,n∈{1,2,
…
,P}，P为大脑损伤环路中体素的总数；S3.2、根据相似性矩阵构建大脑损伤环路的邻接矩阵；对相似性矩阵G进行二值化，得到二值化矩阵G
′
，G
′
为P
×
P方阵，其中第m行n列元素g
′
m,n
为：其中ξ为预设的欧氏距离阈值；G
′
即为大脑损伤环路的邻接矩阵；S3.3、根据邻接矩阵G
′
生成损伤体素网络：损伤体素网络中的节点为大脑损伤环路中的体素，如果g
′
m,n
＝1，则体素σ
m
与体素σ
n
之
间有直连边；否则，体素σ
m
与体素σ
n
之间不直连；S3.4、对损伤体素网络进行聚类，得到多个体素社团。4.根据权利要求1所述的基于荟萃分析的脑疾病判断系统，其特征在于，所述低维特征空间构建模块(4)构建低维特征空间的步骤为：S4.1、提取每个被试每个体素社团的功能连接信息，拼接为该被试的第一功能连接特征，所有被试的第一功能连接特征构成第一功能连接特征矩阵；对于第h个被试，其在第i个体素社团的功能连接信息为：其中Ni为第i个体素社团中体素的数量，为第h个被试的体素j与体素j对应的种子点的功能连接；第h个被试的第一功能连接特征为X
h
＝(x
h,1
,
…
,x
h,i
,
…
,x
h,I
)
T
，I为聚类模块(3)得到的体素社团数量，i＝1,2,
…
,I；第一功能连...

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