一种基于连边功能连接的脑影像特征提取方法技术

本发明专利技术公开了一种基于连边功能连接的脑影像特征提取方法，属于脑功能磁共振图像模式识别领域，具体包括以下步骤：S1：纳入受试者静息态功能磁共振数据，并对其进行图像预处理和脑区时间序列提取操作，得到每个大脑区域的平均时间序列；S2：构建连边功能连接初始特征向量；S3：对初始特征集合进行102‑

【技术实现步骤摘要】
一种基于连边功能连接的脑影像特征提取方法


[0001]本专利技术属于脑功能磁共振图像模式识别领域，具体为一种基于连边功能连接的脑影像特征提取方法。

技术介绍

[0002]精神健康障碍由于其症状的重叠性质以及缺乏生物学特征，定义和诊断是一个困难的过程。脑成像数据的定量分析可以作为明确和量化的客观标准来提供有价值的生物标志物，从而更准确地诊断脑疾病。精神疾病患者的异常大脑波动常反映在功能扫描中，静息态功能磁共振成像(rs
‑
fMRI)技术利用血氧水平依赖(blood oxygen level dependent,BOLD)反应即含氧血和缺氧血的磁特性的差异来实时跟踪脑信号的变化，fMRI扫描得到的数据是一组具有时序关系的图像，它一般表示为四个维度：三维的空间信息和一维的时间信息。扫描一次全脑形成一个Volume，Volume中最小的单位是体素(Voxel)，每一个体素都会产生一个信号波动的时间序列。当然，由于扫描分辨率和时间采样点的客观影响，rs
‑
fMRI数据的特征维度通常较高。因此，以往研究工作中使用了不同的脑网络构建方式用于降维并挖掘隐藏在这种高维时空图像中的重要特征。
[0003]经典的节点功能连接(nFC)通过划分感兴趣区域(ROIs)和计算互相关矩阵，降低了输入数据的维度并一定程度上描绘出了大脑各区域之间的功能关系，可以为脑部疾病诊断提供稳定和敏感的生物标志物。目前已广泛研究应用于抑郁症、阿尔茨海默病和自闭症谱系障碍等精神疾病。但最近的研究表明nFC容易受到数据集异质性的干扰，可能无法很好的捕捉大脑区域之间的复杂交互特性，以此构建的特征在机器学习分类应用中遇到了瓶颈。以自闭症识别任务为例，虽然使用单站点小样本的研究报告分类准确率超过80％，但类似模型在ABIDE I(Autism Brain Imaging Data Exchange I)这一多站点异构数据集上的识别准确率则下降明显，准确率范围为60
‑
76％。最近研究人员也尝试使用了多种机器学习方法来提高分类精度，例如深度置信网络(DBN)、使用3D卷积神经网络(3D
‑
CNN)的集成学习、去噪自动编码器(DAE)和图卷积神经网络(GCN)等。尽管在大多数情况下，这些方法可以很好地捕捉特征的复杂差异模式，但在ABIDE数据集上的分类结果改进并不显着，使用基于图的分类模型的最高准确率也在80％以下。因此，特征质量可能是制约分类准确率提高的重要因素。
[0004]传统节点功能连接仅关注节点之间的异常大脑功能连接，而忽略了连边之间的高阶交互作用，对多中心数据的特征提取能力出现瓶颈。连边功能连接(eFC)作为一种新的方法，通过跟踪大脑之间的交流模式随时间演变的过程并评估大脑中是否同时出现类似的模式来揭示大脑的交互工作机制。以连边为中心的角度研究功能性大脑网络数据可以被视为传统节点功能连接皮尔逊相关性度量的时间“展开”，为检测新的脑疾病生物标志物、探索个体间差异提供了新的视角和方法。实际应用中，如何使用eFC这一新的特征构建方式研究大脑特征与病理行为之间的关系，并与机器学习方法相结合用于实际问题，是当前需要研究的内容。
[0005]因此，迫切需要一种基于连边功能连接的脑影像特征提取方法来解决传统节点功能连接方法的不足。

技术实现思路

[0006]本专利技术的目的在于提供了一种基于连边功能连接的脑影像特征提取方法。
[0007]实现本专利技术目的的技术解决方案为：一种基于连边功能连接的脑影像特征提取方法，具体包括以下步骤：
[0008]S1：纳入受试者静息态功能磁共振数据，并对其进行图像预处理和脑区时间序列提取操作，得到每个大脑区域的平均时间序列；
[0009]S2：构建连边功能连接初始特征向量；
[0010]S3：对初始特征集合进行102‑
104次不放回随机采样，单次采样的个数根据nFC维度灵活调整；
[0011]S4：特征选择及融合；
[0012]S5：将重构的特征向量作为受试者分类的最终特征送入分类器，结果显示新的特征显著提高了分类性能。
[0013]更进一步的，所述S1中图像预处理包括时间层校正、头动校正、归一化、干扰信号回归、带通滤波、图像配准。
[0014]更进一步的，所述S2中构建连边功能连接初始特征向量的构建过程包括数据标准化、计算连边时间序列、计算连边功能连接矩阵和特征向量展开。
[0015]更进一步的，所述数据标准化：对步骤S1提取的脑区时间序列进行Z
‑
score标准化，将将时间序列数据变换为均值为0、标准差为1的正态分布，再将时间序列数据变换到[0,1]的范围内，数据标准化公式如下：
[0016][0017]式中：x
i
表示某个节点的BOLD时间序列，μ
i
和σ
i
表示该序列的平均值和标准差。
[0018]更进一步的，所述计算连边时间序列：计算N个大脑区域中两两之间时间序列的点积，点积即为连边时间序列，连边时间序列表示两个节点在每一时刻的共波动幅度；当两个区域的活动在同一时刻向同一方向偏转时，共波动值为正，当活动在相反方向偏转时为负，当活动接近基线时为零；
[0019]计算连边时间序列公式如下：
[0020]c
ij
＝[z
i
(1)
·
z
j
(1),...,z
i
(T)
·
z
j
(T)]ꢀꢀꢀ
(0
‑
2)
[0021]式中：c
ij
为任意两个脑区之间的连边时间序列，z
i
(t)和z
j
(t)表示两个标准化后的节点时间序列，T是时间点。
[0022]更进一步的，所述计算连边功能连接矩阵：
[0023]1)计算连边时间序列对之间进行共变关系，连边时间序列对之间进行共变关系公式如下：
[0024][0025]式中：eFC
ij,uv
为两对脑区之间的连边功能连接，i,j,u和v为任意四个脑区；
[0026]2)对所有连边对都进行这样的计算。
[0027]更进一步的，所述连边功能连接矩阵是逐边矩阵，所述连边功能连接矩阵是完全加权的[M
×
M]矩阵，其中，N是大脑划分的节点数，
[0028]更进一步的，所述特征向量展开：取连边功能连接矩阵下三角部分的元素，再展开成一维向量作为受试者的初始特征向量。
[0029]更进一步的，所述S4具体操作步骤；
[0030]1)采样出来的特征集通过随机森林分类器得到集合内特征的重要性排序；
[0031]2)设定特征重要性阈值获得由高权重特征组成的子集，然后融合102‑
104次采样的特征子集以获得分类和脑区定位的最终特征。
[0032]本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于连边功能连接的脑影像特征提取方法，其特征在于，具体包括以下步骤：S1：纳入受试者静息态功能磁共振数据，并对其进行图像预处理和脑区时间序列提取操作，得到每个大脑区域的平均时间序列；S2：构建连边功能连接初始特征向量；S3：对初始特征集合进行102‑
104次不放回随机采样，单次采样的个数根据nFC维度灵活调整；S4：特征选择及融合；S5：将重构的特征向量作为受试者分类的最终特征送入分类器，结果显示新的特征显著提高了分类性能。2.根据权利要求1所述的基于连边功能连接的脑影像特征提取方法，其特征在于，所述S1中图像预处理包括时间层校正、头动校正、归一化、干扰信号回归、带通滤波、图像配准。3.根据权利要求2所述的基于连边功能连接的脑影像特征提取方法，其特征在于，所述S2中构建连边功能连接初始特征向量的构建过程包括数据标准化、计算连边时间序列、计算连边功能连接矩阵和特征向量展开。4.根据权利要求3述的基于连边功能连接的脑影像特征提取方法，其特征在于，所述数据标准化：对步骤S1提取的脑区时间序列进行Z
‑
score标准化，将将时间序列数据变换为均值为0、标准差为1的正态分布，再将时间序列数据变换到[0,1]的范围内，数据标准化公式如下：式中：x
i
表示某个节点的BOLD时间序列，μ
i
和σ
i
表示该序列的平均值和标准差。5.根据权利要求4述的基于连边功能连接的脑影像特征提取方法，其特征在于，所述计算连边时间序列：计算N个大脑区域中两两之间时间序列的点积，点积即为连边时间序列，连边时间序列表示两个节点在每一时刻的共波动幅度；当两个区域的活动在同一时刻向同一方向偏转时，共波动值为正，当活动在相反方向偏转时为负，当活动接近基线时为零；计算连边时间序列...

【专利技术属性】
技术研发人员：张俊然，孙昂，龚启勇，黄晓琦，吕粟，贾志云，
申请(专利权)人：四川大学，
类型：发明
国别省市：