一种以杏仁核为核心的脑功能网络多指标融合的图像分类方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种以杏仁核为核心的脑功能网络多指标融合的图像分类方法、装置、设备及介质，方法：获取待分类的头部核磁共振影像数据，并对其进行预处理；根据预处理后的核磁共振影像，分别提取以杏仁核为核心的静态脑功能网络连接值特征向量和动态脑功能网络变异系数特征向量；对提取到的静态脑功能网络连接值特征向量和动态脑功能网络变异系数特征向量，均进行降维处理，得到两种模态的最优特征向量；将两种模态的最优特征向量输入至预训练好的基于多核支持向量机模型的图像分类器，输出得到核磁共振影像数据的类别。本发明专利技术可以提升头部核磁共振影像的分类准确率。升头部核磁共振影像的分类准确率。升头部核磁共振影像的分类准确率。

【技术实现步骤摘要】
一种以杏仁核为核心的脑功能网络多指标融合的图像分类方法、装置、设备及介质


[0001]本专利技术涉及与医疗辅助研究相关的图像处理
，特别是涉及一种以杏仁核为核心的脑功能网络多指标融合的图像分类方法、装置、设备及介质。

技术介绍

[0002]抑郁症是以心境低落、认知受损和社会功能障碍为特征的致残性疾病。2017年，世界卫生组织(WHO)发布的世界卫生报告估计全球有近3.22亿抑郁患者，并预计到2030年抑郁症将成为世界首位疾病负担源，给患者和社会都带来了沉重的负担。抑郁症临床症状复杂多样，其中自杀是最严重的后果之一。流行病学研究表明，抑郁症患者的终生自杀率为2％
‑
12％，导致了严重的社会问题和巨大的经济损失。自杀作为全球关注的公共卫生话题，具有重要研究意义。
[0003]但是，目前识别抑郁中自杀风险采用的是医生问诊和量表相结合的方式，主观偏向性过强。因此，找到可识别抑郁伴高自杀风险的客观神经生物学标记是非常有必要的。

技术实现思路

[0004]本专利技术提供一种以杏仁核为核心的脑功能网络多指标融合的图像分类方法，可以提升头部核磁共振影像的分类准确率。
[0005]为实现上述技术目的，本专利技术采用如下技术方案：
[0006]一种以杏仁核为核心的脑功能网络多指标融合的图像分类方法，包括：
[0007]获取待分类的头部核磁共振影像数据，并对其进行预处理；
[0008]根据预处理后的核磁共振影像，分别提取以杏仁核为核心的静态脑功能网络连接值特征向量和动态脑功能网络变异系数特征向量；
[0009]对提取到的静态脑功能网络连接值特征向量和动态脑功能网络变异系数特征向量，均进行降维处理，得到两种模态的最优特征向量；
[0010]将两种模态的最优特征向量输入至预训练好的基于多核支持向量机模型的图像分类器，输出得到核磁共振影像数据的类别。
[0011]进一步地，所述以杏仁核为核心的静态脑功能网络特征向量，提取方法为：
[0012]首先，根据其预处理后的静息态核磁共振数据，以左外侧杏仁核、右外侧杏仁核、左内侧杏仁核、右内侧杏仁核这4个杏仁核亚区为种子点；分别计算每个杏仁核亚区的BOLD时间序列与全脑各体素的BOLD时间序列之间的皮尔森相关系数r，记为杏仁核亚区与全脑体素之间的功能连接值，从而生成4组以杏仁核亚区为种子点的脑功能网络连接图谱；
[0013]然后，采用Brainnetome Atlas的划分方法，将每组脑功能网络图谱划分成274个脑区；提取每组脑功能网络图谱的每个脑区的平均连接值；
[0014]最后，将每组脑功能网络图谱各274个脑区的平均连接值，整合成一个274
×
4的静态脑功能网络连接值特征向量。
[0015]进一步地，以杏仁核为核心的动态脑功能网络特征向量，提取方法为：
[0016]首先，根据其预处理后的静息态核磁共振数据，以左外侧杏仁核、右外侧杏仁核、左内侧杏仁核、右内侧杏仁核这4个杏仁核亚区为种子点；将每个杏仁核亚区与全脑各体素的时间序列按照时间窗进行划分，计算各时间窗内的每个杏仁核亚区与全脑各体素时间序列之间的皮尔森相关系数，记为杏仁核亚区与全脑体素之间的功能连接值，从而生成4组以杏仁核亚区为种子点的动态脑功能网络时序图谱；
[0017]然后，计算每组动态脑功能网络时序图谱的时序变异系数CV：
[0018][0019]式中：表示在所有时间窗口内，体素n与杏仁核亚区种子点之间的功能连接值的平均值；σ
n
表示在所有时间窗口内，体素n与杏仁核亚区种子点之间的功能连接值的标准差；
[0020]随后，采用Brainnetome Atlas的划分方法，将每组时序变异系数图谱划分成274个脑区；提取每组时序变异系数图谱的每个脑区的平均变异值；
[0021]最后，将每组时序变异系数图谱各274个脑区的平均变异值，整合成一个274
×
4的动态脑功能网络变异系数特征向量。
[0022]进一步地，静态脑功能网络连接值特征向量和动态脑功能网络变异系数特征向量，均采用PCA降维方法进行降维处理。
[0023]进一步地，所述预训练好的基于多核支持向量机模型的图像分类器，其模型为：
[0024][0025]其中：F(x)为待分类头部核磁共振影像数据x的类别标签；sgn()表示符号函数；i用于区分不同的训练样本，S表示训练样本的数量；y
i
为多核支持向量机模型的训练样本x
i
的类别标签，a
i
为训练样本x
i
对应的拉格朗日乘子，为待优化参数；e用于区分输入的两种模态的最优特征向量；β
e
表示第e模态最优特征向量的权重因子，且满足是训练样本x
i
和待分类头部核磁共振影像数据x的第e模态最优特征向量的核函数；b为偏差，通过训练样本训练得到。
[0026]进一步地，训练多核支持向量机模型得到图像分类器的方法为：通过求解以下目标函数得到待优化的参数a
i
和b：
[0027][0028][0029]0≤a
i
≤C，i＝1，...，S
[0030]式中，C为惩罚因子。
[0031]一种基于脑功能网络多指标融合的图像分类装置，其特征在于，包括：
[0032]数据预处理模块，用于：获取待分类的头部核磁共振影像数据，并对其进行预处
理；
[0033]特征向量提取模块，用于：根据预处理后的核磁共振影像，分别提取以杏仁核为核心的静态脑功能网络连接值特征向量和动态脑功能网络变异系数特征向量；
[0034]降维模块，用于：对提取到的静态脑功能网络连接值特征向量和动态脑功能网络变异系数特征向量，均进行降维处理，得到两种模态的最优特征向量；
[0035]图像分类器模块，基于多核支持向量机模型训练得到，用于：根据降维处理模块得到的两种模态的最优特征向量，输出得到核磁共振影像数据的类别。
[0036]一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现上述任一项所述的图像分类方法。
[0037]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的图像分类方法。
[0038]有益效果
[0039]本专利技术考虑了以杏仁核为核心的脑功能网络多个不同层面上的模式，并融合了静态和动态网络提取出的特征，可提升对是否存在抑郁伴高自杀风险的分类准确率；采用本专利技术从静态和动态层面上观察以杏仁核为核心的脑功能网络异常模式更为全面，可信性更强。
[0040]而且，本专利技术选择的脑功能网络特征同时考虑了以杏仁核为核心的脑功能网络在静态和动态两种层面上与疾病的相关性，因此本专利技术探索出的以杏仁核为核心的脑功能网络特征更为全面和深入，对于揭示伴高自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种以杏仁核为核心的脑功能网络多指标融合的图像分类方法，其特征在于，包括：获取待分类的头部核磁共振影像数据，并对其进行预处理；根据预处理后的核磁共振影像，分别提取以杏仁核为核心的静态脑功能网络连接值特征向量和动态脑功能网络变异系数特征向量；对提取到的静态脑功能网络连接值特征向量和动态脑功能网络变异系数特征向量，均进行降维处理，得到两种模态的最优特征向量；将两种模态的最优特征向量输入至预训练好的基于多核支持向量机模型的图像分类器，输出得到核磁共振影像数据的类别。2.根据权利要求1所述的图像分类方法，其特征在于，所述以杏仁核为核心的静态脑功能网络特征向量，提取方法为：首先，根据其预处理后的静息态核磁共振数据，以左外侧杏仁核、右外侧杏仁核、左内侧杏仁核、右内侧杏仁核这4个杏仁核亚区为种子点；分别计算每个杏仁核亚区的BOLD时间序列与全脑各体素的BOLD时间序列之间的皮尔森相关系数r，记为杏仁核亚区与全脑体素之间的功能连接值，从而生成4组以杏仁核亚区为种子点的脑功能网络连接图谱；然后，采用Brainnetome Atlas的划分方法，将每组脑功能网络图谱划分成274个脑区；提取每组脑功能网络图谱的每个脑区的平均连接值；最后，将每组脑功能网络图谱各274个脑区的平均连接值，整合成一个274
×
4的静态脑功能网络连接值特征向量。3.根据权利要求1所述的图像分类方法，其特征在于，以杏仁核为核心的动态脑功能网络特征向量，提取方法为：首先，根据其预处理后的静息态核磁共振数据，以左外侧杏仁核、右外侧杏仁核、左内侧杏仁核、右内侧杏仁核这4个杏仁核亚区为种子点；将每个杏仁核亚区与全脑各体素的时间序列按照时间窗进行划分，计算各时间窗内的每个杏仁核亚区与全脑各体素时间序列之间的皮尔森相关系数，记为杏仁核亚区与全脑体素之间的功能连接值，从而生成4组以杏仁核亚区为种子点的动态脑功能网络时序图谱；然后，计算每组动态脑功能网络时序图谱的时序变异系数CV：式中：表示在所有时间窗口内，体素n与杏仁核亚区种子点之间的功能连接值的平均值；σ
n
表示在所有时间窗口内，体素n与杏仁核亚区种子点之间的功能连接值的标准差；随后，采用BrainnetomeAtlas的划分方法，将每组时序变异系数图谱划分成274个脑区；提取每组时序变异系数图谱的每个脑区的平均变异值；最后，将每组时序变异系数图谱各274个脑区的平均变异值，...

【专利技术属性】
技术研发人员：阳洁，杨隽，刘哲宁，
申请(专利权)人：中南大学湘雅二医院，
类型：发明
国别省市：