基于高阶超网络的静息态功能磁共振影像数据分类方法技术

本发明专利技术属于磁共振影像技术领域，公开了一种基于高阶超网络的静息态功能磁共振影像数据分类方法，对采集的静息态功能磁共振影像进行预处理后，对磁共振图像进行组织分类，并提取分类特征；选择分类特征并构建分类器；对所选特征在分类器中的重要度和冗余度进行量化，然后根据量化结果对所选特征进行二次筛选，由此对高阶超网络进行优化。本发明专利技术基于该综合得分的分布相似性度量磁共振脑结构影像质量对病理水平的影响关系的高阶特征，提升了最终用于脑发育水平及脑疾病筛查的磁共振脑结构影像分类模型的鲁棒性和准确性；同时，解决了相关技术中的组织分类方法对主磁场均匀性要求高的问题，降低了组织分类方法对主磁场均匀性的要求。的要求。的要求。

Classification method of resting fMRI data based on high-order hypernetwork

【技术实现步骤摘要】
基于高阶超网络的静息态功能磁共振影像数据分类方法


[0001]本专利技术属于磁共振影像
，尤其涉及一种基于高阶超网络的静息态功能磁共振影像数据分类方法。

技术介绍

[0002]核磁共振成像(英语：Nuclear Magnetic Resonance Imaging，简称NMRI)，又称自旋成像(英语：spin imaging)，也称磁共振成像(Magnetic Resonance Imaging，简称MRI)，是利用核磁共振(nuclear magnetic resonance，简称NMR)原理，依据所释放的能量在物质内部不同结构环境中不同的衰减，通过外加梯度磁场检测所发射出的电磁波，即可得知构成这一物体原子核的位置和种类，据此可以绘制成物体内部的结构图像。然而，现有基于高阶超网络的静息态功能磁共振影像数据分类方法也结合了机器学习、基于已度量的影像特征，构建了以疾病诊断为目标的映射模型，但这些已有方法并没有考虑到磁共振影像质量、也没有考虑以及其自身间相互作用关系对疾病度量指标的可区分性的影响，从而影响了自动疾病诊断模型的算法准确性；同时，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高阶超网络的静息态功能磁共振影像数据分类方法，其特征在于，所述基于高阶超网络的静息态功能磁共振影像数据分类方法包括以下步骤：步骤一，通过医用磁共振成像设备采集磁共振影像数据；对静息态功能磁共振影像进行预处理；所述对静息态功能磁共振影像进行预处理的步骤包括：获取磁共振影像数据，对磁共振影像数据进行分割处理，得到分割后的磁共振影像；对分割后的磁共振影像通过二维卷积神经网络和三维卷积神经网络进行二次分割，得到分割后的异常信息图像；将分割后的异常信息图像输入随机森林模型进行图像融合，输出融合后的异常信息图像；将融合后的异常信息图像通过机器学习和深度学习算法进行异常信息的特征分析，并输出特征分析后的异常特图像；步骤二，构建磁共振脑结构影像的分类模型；步骤三，对磁共振图像的组织分类；并提取分类特征；步骤四，选择分类特征并构建分类器；对所选特征在分类器中的重要度和冗余度进行量化，然后根据量化结果对所选特征进行二次筛选，由此对高阶超网络进行优化。2.如权利要求1所述的基于高阶超网络的静息态功能磁共振影像数据分类方法，其特征在于，所述构建磁共振脑结构影像的分类模型方法如下：(1)通过医用磁共振成像设备获取多个有标注的磁共振脑结构影像，所述有标注的磁共振脑结构影像包括下列模态：T1加权影像和T2加权影像，所述标注分为有病和无病。(2)提取各所述磁共振脑结构影像的病理水平监测指标和多类别的影像质量监测指标，从而确定各影像融合特征指标；(3)基于各所述磁共振脑结构影像的标注与所述影像融合特征指标，利用机器学习的方法构建磁共振脑结构影像的分类模型。3.如权利要求1所述的基于高阶超网络的静息态功能磁共振影像数据分类方法，其特征在于，所述对磁共振影像数据进行分割处理的方法包括：提取磁共振影像数据中的图像特征；利用预设的分类器对图像特征进行解析处理，得到分割结果；根据构成分割对象的所有类别的图像特征，分类器的个数与组件的类别数相同；利用不同分类器解析不同类别的组件的图像特征，所述分割结果包括所有类别的组件的分割结果。4.如权利要求3所述的基于高阶超网络的静息态功能磁共振影像数据分类方法，其特征在于，所述病理水平监测指标至少包括下列之一：病理形态学指标、病理白质髓鞘化指标；所述病理形态学指标至少包括下列基于所述磁共振脑结构影像提取的下列指标之一：皮层厚度、表面积、灰质体积和密度、白质体积和密度、脑室容积；所述病理形态学指标还包括基于所述磁共振脑结构影像提取的每个体素的白质密度数据对每个体素的位置序号回归后确定的所有体素的白质密度回归的误差和；所述病理白质髓鞘化指标至少包括下列指标之一：脑区信号掩模内各体素的脑区信号
比值的均值、标准差、设定的分位差；其中，所述脑区信号掩模为基于T1加权影像提取，所述脑区信号掩模内各体素的所述脑区信号比值等于基于T1加权影像提取所述脑区信号掩模内相应体素的脑区第一信号值除以基于T2加权影像提取所述脑区信号掩模内相应体素的脑区第二信号值的商；所述设定的分位差是将所述各体素的所述脑区信号比值从小到大排序后分成若干等份且取其中两个等份的上位点所对应的所述脑区信号比值的差值。5.如权利要求2所述的基于高阶超网络的静息态功能磁共振影像数据分类方法，其特征在于，所述影像融合特征指标包括所述病理水平监测指标和影像质量对病理水平影响指标；所述影像质量对病理水平影响指标对应的矩阵等于影像质量对病理水平影响系数矩阵与影像质量综合得分对应的矩阵的乘积；其中，所述影像质量综合得分对应的...

【专利技术属性】
技术研发人员：邱淦滨，廖伟雄，胡昊，
申请(专利权)人：肇庆医学高等专科学校，
类型：发明
国别省市：