【技术实现步骤摘要】
一种基于人工神经网络的MRI数据特征提取和分类识别方法
[0001]本专利技术属于数据分类领域,具体涉及到一种基于人工神经网络的磁共振脑数据分类识别的方法。
技术介绍
[0002]磁共振成像(MRI,Magnetic Resonance Imaging)技术能利用磁共振现象从人体中获得电磁信号并重建出人体信息。凭借其较高的空间分辨率、无侵入、无辐射伤害等优点而被广泛应用于脑功能的研究当中。
[0003]人工神经网络相较与传统的机器学习算法(支持向量机、决策树等)具有精确度高、鲁棒性好、能够无限逼近任何函数等优点,近年来已经在模式识别、自然语言处理、机器视觉等领域得到广泛应用。
[0004]但MRI数据样本量少、单样本数据维度大,直接利用人工神经网络处理MRI数据的计算量大、训练时间长且易于陷入过拟合导致正确率低。因此如何利用人工神经网络对MRI数据进行高效准确的分类仍然是一个亟待解决的问题。
技术实现思路
[0005]结合背景和已有研究成果的不足之处,本文提出了一种基于人工神经网络的MRI数据特征提取和分类识别方法。结合结构磁共振成像(sMRI,structural Magnetic Resonance Imaging)与静息态功能磁共振成像(rs
‑
fMRI,resting
‑
state functional Magnetic Resonance Imaging)同时利用图论的方式提取、融合、选择关键特征,并利用人工神经网络进行分类,人工神经网络的 ...
【技术保护点】
【技术特征摘要】
1.一种基于人工神经网络的MRI数据特征提取和分类识别方法,该方法包括:步骤1:采集被试数据、数据预处理并添加标签;采集目标的sMRI与rs
‑
fMRI数据;sMRI数据的预处理方法包括:自动Talairach空间变换、校正图像强度的非均匀性、去除非脑组织、灰度归一化、脑组织分割、拓扑修正、表面变形生成灰质/白质边界、灰质/脑脊液边界和脑皮层的分片;rs
‑
fMRI数据的预处理方法包括:去时间点、时间层矫正、头动矫正、空间标准化、平滑、去线性漂移和滤波;给预处理后的数据添加二分类标签,标签分为正样本和负样本两种类型,标签矩阵记为Y;步骤2:对sMRI与rs
‑
fMRI数据进行多维特征提取、融合与选择;步骤2.1:多维特征提取、融合具体步骤如下:步骤2.1.1:对预处理后的sMRI数据提取多维结构特征:基于模板将sMRI数据划分为M1个脑区,提取每个脑区的皮层厚度、皮层体积以及皮层表面积;步骤2.1.2:对sMRI数据提取多维节点特征:构建M1个脑区的皮层厚度网络矩阵:其中CT
k
(i)表示第k名目标第i个脑区的CT值,α为内核宽度参数;构建的脑网络采用稀疏度Cost阈值法对脑网络W进行二值化,得二值化脑网络Cost范围8%
‑
44%,步进为1%;提取节点路径长度、节点度;第i个节点的路径长度的计算公示为:式中V表示节点集合的大小,L
ij
表示从节点i出发到节点j结束必须要走的最少的边的个数;第i个节点的节点度的计算公示为:K
i
=∑
j∈V
b
ij
,式中b
ij
为二值化网络矩阵中位于i行j列的值;步骤2.1.3:对rs
‑
fMRI提取多维节点特征:基于模板将rs
‑
MRI数据划分为M2个脑区,提取M2个脑区中所有体素中的时间序列平均值作为对应脑区的时间序列;脑区时间序列均值作为网络节点,任意两个脑区平均时间序列之间的相关系数定义为两节点的边,由皮尔逊相关系数得出;则第k个被试节点i与j之间的边计算公式如下:i,j=1,2,...,M2,式中t
i
和t
j
分别为节点i与j的时间序列,与分别为节点i与j时间序列的平均值;构建的脑网络为:采用稀疏度(Cost)阈值法对脑网络W进行二值化,得二值化脑网络提取节点路径长度、节点度、节点中心度;其中第i个节点的节点中心度的计算公示为:式中S
jm
表示从节点j出发到节点m结束所走的最少边的路径个数,S
jm
(i)表示从节点j出发到节点m结束所走的最少边的路径中经过i的个数;步骤2.1.4:合并步骤2.1.1得到的皮层厚度、皮层体积和皮层表面积,步骤2.1.2得到的节点路径长度和节点度,步骤2.1.3得到的节点路径长度、节点度和节点中心度,最后得到融合后的特征矩阵,记为Z,用于后续处理;
步骤2.2:多维特征选择具体步骤如下:步骤2.2.1:采用基于平稳选择的系数线性回归特征选择方法对融合后的特征矩阵与标签矩阵{Z,Y}进行特征选择;步骤2.2.2:对各特征的频率进行从大到小排序;选取前A个特征得到{Z
A
,Y}用于后续处理;步骤3:...
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。