基于MRI双模态自适应加权特征融合的AD特征提取方法及系统技术方案

本发明专利技术为一种基于MRI双模态自适应加权特征融合的AD特征提取方法及系统，通过获取患者脑部区域的功能MRI数据和结构MRI数据；利用图论参数特征提取方法获得脑部功能模态的特征；利用体素值特征提取方法获得脑部结构模态的特征；将两种模态特征通过信息整合的策略进行自适应加权特征融合，以形成双模态的一维特征向量；利用基于多任务的特征提取方法，提取与AD、MCI和正常老人目标结果相关且能有效反映类别差异的特征子集；输出每个任务密切相关的特征子集为最优特征集。能够基于信息整合的自适应加权融合算法来融合双模态特征并对AD、MCI和正常老人三种分类任务进行多任务学习，共享输入以及整体的损失函数，选择出对不同目标的最优特征集。标的最优特征集。标的最优特征集。

【技术实现步骤摘要】
基于MRI双模态自适应加权特征融合的AD特征提取方法及系统


[0001]本专利技术涉及一种医学影像处理技术，尤其是指一种基于MRI双模态自适应加权特征融合的AD特征提取方法及系统。

技术介绍

[0002]阿尔茨海默病(Alzheimer's disease,简称AD)是一种起病隐匿的进行性发展的神经系统退行性疾病，表现为持续性的认知功能下降以及行为障碍等，它与年龄高度相关并且发病过程不可逆。据调查62％的医疗从业者认为痴呆是正常衰老的一部分，因此很多患有AD症状的老人无法得到确诊。在临床上，通常将AD病情发展分为正常受试者(Cognitively Normal,简称CN),轻度认知障碍(mild cognitive impairment,简称MCI)与AD患者这三个阶段。其中MCI是介于正常与AD之间的一种过渡状态。目前AD尚无治愈方法，中晚期治疗手段非常有限，而MCI常被误诊为正常衰老，在研究中发现有44％的MCI在几年内可能最终转化为AD。因此MCI阶段是一个最合适的治疗阶段，对于AD的早期分类预测尤为重要。
[0003]磁共振成像(Magnetic Resonance Imaging,简称MRI)技术是AD诊断中重要的临床检查手段之一，其最大优势在于能够得到较高的空间分辨率，而图像数据的细节清晰度对于疾病诊断至关重要，通过MRI可以对疾病不同阶段结构的变换进行定量定性的分析研究。目前，多种模态的生物标记物已经被证实能够鉴别AD和MCI。常见的标记物有：利用结构MRI技术测量大脑结构变化和功能MRI测量跟踪脑部代谢速率变化的图像。
[0004]现有的基于MRI的大多数的AD病例分类方法主要包括以下几类：
[0005]1、仅仅是利用一种模态信息(如功能MRI，结构MRI，弥散张量成像)进行特征提取，例如中国专利CN111938644A等。由于这类方式采用的单一模态的数据所能提供的信息有限，因此分类器的分类性能并不理想。
[0006]2、融合了多种模态的特征，但是融合方式相对简单，只是将不同模态的低维特征拼接得到高维的融合特征，没有使用自适应加权的融合方法，例如中国专利CN113616184A等。由于这类方式会导致特征包含较多的冗余信息，并且在后续的特征提取中，依然采用了传统的单任务检验方法，例如中国专利CN103093087A等，忽略了各任务之间的联系，从而导致模型复杂度较高，分类精度较差。

技术实现思路

[0007]本专利技术的目的是为了解决现有技术存在的问题，提供一种基于MRI双模态自适应加权特征融合的AD特征提取方法及系统，能够基于信息整合的自适应加权融合算法来融合双模态特征并对AD、MCI和正常老人三种分类任务进行多任务学习，共享输入以及整体的损失函数，从而选择出对不同目标的最优特征集，有效保证了分类的高精度。
[0008]本专利技术的目的是通过以下技术方案实现的：
[0009]一方面，一种基于MRI双模态自适应加权特征融合的AD特征提取方法，包括以下步骤：
[0010]S1.获取由脑部核磁共振扫描所得的患者脑部区域的功能MRI数据和结构MRI数据；
[0011]S2.利用基于功能MRI数据的图论参数特征提取方法获得脑部功能模态的特征；
[0012]S3.利用基于结构MRI数据的体素值特征提取方法获得脑部结构模态的特征；
[0013]S4.将S2与S3中分别获得的两种模态特征通过信息整合的策略进行自适应加权特征融合，以形成双模态的一维特征向量；
[0014]S5.利用基于多任务的特征提取方法，提取与AD、MCI和正常老人目标结果相关且能有效反映类别差异的特征子集；
[0015]S6.输出每个任务密切相关的特征子集为最优特征集。
[0016]在步骤S2中，所述图论参数特征提取方法，包括以下步骤：
[0017]S21.利用脑模板对大脑皮层进行划分，以实现对脑部各区域的划分；
[0018]S22.根据功能MRI数据获得每个体素的时间序列，并计算出所有个脑区各自所有体素的时间序列均值；
[0019]S23.使用皮尔逊相关系数计算所有脑区之间的时间序列相关系数；
[0020]S24.根据脑区之间时间序列相关系数的大小作为脑网络中节点之间分配边的依据，获得脑部功能连接的脑网络拓扑结构；
[0021]S25.通过所得的脑部功能连接的脑网络拓扑结构，提取该脑网络中的图论参数作为脑部功能模态的特征，包括节点强度、节点效率和节点阶数中心性。
[0022]在步骤S23中，所述时间序列相关系数的计算公式如下：
[0023][0024]c
x,y
(μ)为所有脑区中任意两个脑区x、y的时间序列相关系数；var(x)和var(y)分别表示两个脑区x、y中所有体素的时间序列变化方差；Cov
x,y
(μ)表示两个脑区x、y的时间序列平均值的协方差。
[0025]在步骤S25中，所述节点强度表示为网络中所有与该节点有连接关系的其它节点边的权重之和，节点强度D
i
计算公式如下：
[0026]D
i
＝∑
j∈N
w
ij
[0027]式中，w
ij
表示节点i与节点j之间的权重值，N表示网络中的节点数；
[0028]所述节点效率表示为该节点邻域组成的网络中任意两节点之间最短路径倒数之和的平均值，节点效率E
i
的计算公式如下：
[0029][0030]式中，G
i
为节点邻域构成的网络；j、k为邻域网络内的两个节点；l
jk
为邻域网络内节点j与节点k之间的最短路径；
[0031]所述节点介数中心性表示为整个网络所有最短路径中包含该节点的路径数量与整个网络所有最短路径数量的比值，节点阶数中心性B
i
计算公式如下：
[0032][0033]式中，σ
jk
表示从任意节点j到任意节点k中所有最短路径数量；σ
jk
(i)表示最短路径数量中经过节点i的最短路径数量。
[0034]在步骤S3中，所述体素值特征提取方法，包括如下步骤：
[0035]S31.利用脑模板对结构MRI数据进行划分，以实现对脑部各区域的划分；
[0036]S32.计算各个划分区域内的灰质体素值；
[0037]S33.通过标准化对灰质体素值进行缩放，将标准化之后的体素值X
*
作为脑部结构模态的特征，其计算公式如下：
[0038][0039]式中，X为灰质体素值；μ为均值；σ为方差。
[0040]在步骤S4中，所述自适应加权特征融合的方法，包括以下步骤：
[0041]S41.将得到的脑部功能模态特征，包括节点强度、节点效率和节点阶数中心性与得到的脑部结构模态特征通过不同模态的哈希编码映射到二值空间；
[0042]S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MRI双模态自适应加权特征融合的AD特征提取方法，其特征在于，包括以下步骤：S1.获取由脑部核磁共振扫描所得的患者脑部区域的功能MRI数据和结构MRI数据；S2.利用基于功能MRI数据的图论参数特征提取方法获得脑部功能模态的特征；S3.利用基于结构MRI数据的体素值特征提取方法获得脑部结构模态的特征；S4.将S2与S3中分别获得的两种模态特征通过信息整合的策略进行自适应加权特征融合，以形成双模态的一维特征向量；S5.利用基于多任务的特征提取方法，提取与AD、MCI和正常老人目标结果相关且能有效反映类别差异的特征子集；S6.输出每个任务密切相关的特征子集为最优特征集。2.如权利要求1所述的基于MRI双模态自适应加权特征融合的AD特征提取方法，其特征在于，在步骤S2中，所述图论参数特征提取方法，包括以下步骤：S21.利用脑模板对大脑皮层进行划分，以实现对脑部各区域的划分；S22.根据功能MRI数据获得每个体素的时间序列，并计算出所有个脑区各自所有体素的时间序列均值；S23.使用皮尔逊相关系数计算所有脑区之间的时间序列相关系数；S24.根据脑区之间时间序列相关系数的大小作为脑网络中节点之间分配边的依据，获得脑部功能连接的脑网络拓扑结构；S25.通过所得的脑部功能连接的脑网络拓扑结构，提取该脑网络中的图论参数作为脑部功能模态的特征，包括节点强度、节点效率和节点阶数中心性。3.如权利要求2所述的基于MRI双模态自适应加权特征融合的AD特征提取方法，其特征在于，在步骤S23中，所述时间序列相关系数的计算公式如下：式中,c
x,y
(μ)为所有脑区中任意两个脑区x、y的时间序列相关系数；var(x)和var(y)分别表示两个脑区x、y中所有体素的时间序列变化方差；Cov
x,y
(μ)表示两个脑区x、y的时间序列平均值的协方差。4.如权利要求2所述的基于MRI双模态自适应加权特征融合的AD特征提取方法，其特征在于，在步骤S25中，所述节点强度表示为网络中所有与该节点有连接关系的其它节点边的权重之和，节点强度D
i
计算公式如下：D
i
＝∑
j∈N
w
ij
式中，w
ij
表示节点i与节点j之间的权重值，N表示网络中的节点数；所述节点效率表示为该节点邻域组成的网络中任意两节点之间最短路径倒数之和的平均值，节点效率E
i
的计算公式如下：式中，G
i
为节点邻域构成的网络；j、k为邻域网络内的两个节点；l
jk
为邻域网络内节点j
与节点k之间的最短路径；所述节点介数中心性表示为整个网络所有最短路径中包含该节点的路径数量与整个网络所有最短路径数量的比值，节点阶数中心性B
i
计算公式如下：式中，σ
jk
表示从任意节点j到任意节点k中所有最短路径数量；σ
jk
(i)表示最短路径数量中经过节点i的最短路...

【专利技术属性】
技术研发人员：王培军，许晓雯，商安全，沈爱军，吴晓芬，丁偕，贺浩东，张鹏龙，
申请(专利权)人：万达信息股份有限公司，
类型：发明
国别省市：