一种多模态大脑影像特征学习方法技术

本发明专利技术公开了一种多模态大脑影像特征学习方法，其步骤包括：对多模态大脑影像数据分别进行预处理，得到特征矩阵；计算每种模态数据特征间的相关系数，得到特征相关矩阵，进行线性融合得到特征相关正则化；对特征矩阵进行加权融合，计算特征相邻节点得到邻接矩阵，构建特征图拉普拉斯矩阵，得到特征结构正则化；将两种正则化嵌入到引入低秩约束的多任务模型中，进行特征学习，筛选具有良好表征特征向量；随后进行线性融合，使用支持向量机对训练集进行训练，利用测试集检验模型分类性能。本发明专利技术学习多模态大脑影像特征间的潜在关系和特征局部空间几何结构，筛选关联特征，提高特征学习解释性的同时提高分类性能。征学习解释性的同时提高分类性能。征学习解释性的同时提高分类性能。

【技术实现步骤摘要】
一种多模态大脑影像特征学习方法


[0001]本专利技术涉及生物医学信息
，尤其涉及一种多模态大脑影像特征学习方法。

技术介绍

[0002]大脑是人体最复杂的器官，也是迄今为止世界上最为复杂的系统之一，至今人脑的运行机制依旧未能完全被认识。如今以研究大脑各方面为目标的脑科学研究已日渐成为自然科学研究的核心内容，脑科学研究的发展使人类可以更加全面的认识大脑。近年来随着大脑影像学技术正在不断发展，提供了一系列非侵入式的方法来获得大脑信息，常用的大脑影像学技术可以分为功能和结构影像技术。在探索大脑思维与认知状态研究中，机器学习已经被广泛用于大脑影像相关研究。由于其能够从数据中自动分析获得规律，并利用规律对未知数据进行预测以及辅助寻找可能对疾病比较敏感的脑网络特征，基于机器学习的大脑影像特征学习方法已成为大脑影像研究中的一个热点研究，吸引着越来越多的研究者。
[0003]在实际中，医生能够获取到大量结构功能各异的大脑影像，辅助医生从不同角度对被试进行诊断，加强对疾病致病因子的认识。传统单模态大脑影像仅从一种视角出发，显然忽略了不同模态大脑影本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多模态大脑影像特征学习方法，其特征在于，其步骤包括：步骤1：从样本集中选取同一受试者的结构磁共振成像和正电子发射断层扫描成像，从结构磁共振成像中提取大脑感兴趣区域的平均灰质密度作为结构磁共振成像的特征，从正电子发射断层扫描成像中提取大脑感兴趣区域的葡萄糖代谢作为正电子发射断层扫描成像的特征；步骤2：分别计算每种模态数据的特征之间的相关系数，得到对应的特征相关矩阵，并进行线性融合得到特征相关正则化；步骤3：对特征矩阵进行加权融合，计算特征相邻节点得到邻接矩阵，根据余弦距离方法，构建特征图拉普拉斯矩阵，得到特征结构正则化；步骤4：将特征相关正则化和特征结构正则化嵌入到引入低秩约束的多任务模型中，进行特征学习，得到特征学习模型；步骤5：通过特征学习模型筛选特征向量，对多模态数据提取到的特征进行线性融合，得到融合后的特征矩阵；步骤6：将样本集融合后的特征矩阵划分为测试集和训练集，使用训练集对支持向量机进行训练并生成模型，利用测试集检验模型分类性能；采用训练好的模型分类得到特征向量。2.根据权利要求1所述的多模态大脑影像特征学习方法，其特征在于：所述步骤1具体为：步骤1.1：从结构磁共振成像提取中平均灰质密度：采用标准脑模板对结构磁共振成像的原始图像进行空间标准化，将每张原始图像同一区域与模板区域一一对应，随后将图像分割为灰质、白质和脑脊液三种脑组织结构；最后使用大脑分区模版提取感兴趣区域平均灰质密度作为结构磁共振成像特征；步骤1.2：从正电子发射断层扫描成像中提取平均葡萄糖代谢：对正电子发射断层扫描成像的原始图像进行头动矫正，配准到标准脑模板进行标准化和平滑操作，最后使用大脑分区模板提取脑区平均葡萄糖代谢作为正电子发射断层扫描成像特征。3.根据权利要求1所述的多模态大脑影像特征学习方法，其特征在于：所述步骤2具体为：分别计算每种模态数据特征之间的相关系数，定义矩阵记录第i种模态的相关系数矩阵，其中p表示特征数；通过线性融合得到特征相关正则化，其计算公式为：式中，tr(
·
)表示矩阵的迹范数，表示线性融合后的相关矩阵，其中m表示模态个数，则表示特征权重矩阵。4.根据权利要求1所述的多模态大脑影像特征学习方法，其特征在于：所述步骤3具体为：步骤3.1：对特征矩阵进行加权融合，具体为：将结构磁共振成像的特征矩阵X1和正电子
发射断层扫描成像的特征矩阵X2分别进行标准化，随后进行加权融合，得到融合特征矩阵X
F
，其加权融合公式为：X
F
＝δ1X1+δ2X2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中，X1和X2为特征矩阵，δ1和δ2为加权融合系数；步骤3.2：根据融合后的特征矩阵X

【专利技术属性】
技术研发人员：焦竹青，陈思炜，石海峰，张宇涛，奚正涛，
申请(专利权)人：常州大学，
类型：发明
国别省市：