一种基于多超图协同优化的孤独症亚型检测方法及系统技术方案

本发明专利技术公开一种基于多超图协同优化的孤独症亚型检测方法及系统，所述方法可获取包括第一模态与第二模态的影像数据，并提取第一模态影像数据的低频波动振幅图与第二模态影像数据的脑组织密度图

【技术实现步骤摘要】
一种基于多超图协同优化的孤独症亚型检测方法及系统


[0001]本申请涉及人工智能
，尤其涉及一种基于多超图协同优化的孤独症亚型检测方法及系统
。

技术介绍

[0002]功能磁共振成像
(functional magnetic resonance imaging
，
fMRI)
和结构磁共振成像
(structural magnetic resonance imaging
，
sMRI)
技术在医学影像领域应用十分广泛
。
功能磁共振成像是通过刺激特定感官，引起大脑皮层相应部位的神经活动
(
功能区激活
)
，其原理是利用磁振造影来测量神经元活动所引发之血液动力的改变
。
在功能影像的分析角度，研究者通过随机森林建立样本相似矩阵，并采用谱聚类算法识别出孤独症的3种生物学亚型；结构磁共振成像是一种非侵入性的医学影像技术，并利用磁共振成像技术对人体进行扫描
。
在结构影像的分析角度，研究者通过对大脑灰质解剖结构进行无监督聚类，将孤独症划分为3种生物学亚型
。
[0003]传统图可以用来描述样本之间的关联关系，其中顶点表示样本，边表示关联关系，但是传统的基于线性相关构建的网络仅能捕获两两样本之间的二阶关系，无法表征多个样本之间的协同变化关系
。
因为超图中的超边可以连接任意数量的样本，而不仅仅是两个样本，因而能够很好地刻画多个样本之间的高阶关系
。
既往研究仅采用传统无监督算法对单一模态的数据进行聚类，既无法建模样本间复杂的高阶关联特性，又忽略了孤独症同时造成的脑功能和结构的改变，从而导致生物学亚型的检测效果不佳且这些亚型无法综合反映孤独症脑部病变模式的异质性
。
采用超图来刻画样本之间的高阶相似关系，并融合多模态脑影像数据构建的超网络，能够检测到更客观
、
可靠的孤独症亚型
。

技术实现思路

[0004]本申请提供一种基于多超图协同优化的孤独症亚型检测方法及系统，以解决孤独症生物学异质性解析难的问题
。
[0005]第一方面，本专利技术公开一种基于多超图协同优化的孤独症亚型检测方法，包括：
[0006]获取影像数据，所述影像数据包括第一模态影像数据与第二模态影像数据，所述第一模态影像数据为功能磁共振成像，所述第二模态影像数据为结构磁共振成像；
[0007]提取所述第一模态影像数据的低频波动振幅特征图，以及提取所述第二模态影像数据的脑组织密度特征图；
[0008]根据自动标注图谱划分所述低频波动振幅特征图与所述脑组织密度特征图的大脑区域；
[0009]提取所述大脑区域的平均特征序列；
[0010]通过所述平均特征序列得到数据矩阵，所述数据矩阵包括第一数据矩阵与第二数据矩阵，所述第一数据矩阵基于所述低频波动振幅特征图的平均特征序列得到，所述第二数据矩阵基于所述脑组织密度特征图的平均特征序列得到；
[0011]根据所述数据矩阵构建第一超网络与第二超网络；
[0012]对所述第一超网络
、
所述第二超网络执行多超图协同优化的社区检测，以生成聚类标签；
[0013]在所述多超图协同优化的社区检测结束时，输出所述聚类标签
。
[0014]可选的，所述方法还包括：去除所述第一模态影像数据中目标数量的时间点；对所述影像数据执行时间层校正与头动校正；将所述第一模态影像数据配准至标准空间，以及对所述第一模态影像数据执行时间滤波与空间平滑，所述时间滤波包括去线性趋势与带通滤波
。
[0015]可选的，所述方法还包括：对所述第二模态影像数据执行前连合校正；对所述第二模态影像数据执行去特征处理及分割处理，以生成所述第二模态影像数据的灰质密度图与白质密度图；将所述灰质密度图与白质密度图配准至标准空间
。
[0016]可选的，所述提取所述第二模态影像数据的密度特征图，包括：获取所述灰质密度图与所述白质密度图；拼接所述灰质密度图与所述白质密度图
。
[0017]可选的，所述方法还包括：检测所述第一模态影像数据的头部运动；将所述头部运动大于1毫米的第一模态影像数据剔除；获取所述第二模态影像数据的预处理等级；将所述预处理等级低于目标阈值的第二模态影像数据剔除；最终保证第一模态影像数据与第二模态影像数据中的样本是一致的
。
[0018]可选的，所述根据所述数据矩阵构建第一超网络与第二超网络，包括：获取子样本，所述子样本为所述第一数据矩阵与所述第二数据矩阵的元素；以所述子样本为质心；按照所述质心求解稀疏矩阵，所述稀疏矩阵的列维度与所述子样本的数量相等，所述稀疏矩阵的稀疏度基于正则化参数表示；拼接所述稀疏矩阵并执行二值化处理，以得到超图关联矩阵；将所述超图关联矩阵的列标记为超边，以及基于所述超边得到所述第一超网络与所述第二超网络
。
[0019]可选的，所述正则化参数通过十折交叉验证的方式确定
。
[0020]可选的，对所述第一超网络
、
所述第二超网络执行多超图协同优化的社区检测，包括：基于鲁汶多层社区检测算法对所述超图关联矩阵二值化前的非零值矩阵执行聚类，以生成初始聚类标签；按照所述初始聚类标签优化所述第一超网络的模块化目标，以生成第一聚类结果；按照所述第一聚类结果优化所述第二超网络的模块化目标，以生成第二聚类结果；通过所述第二聚类结果优化所述第一超网络的模块化目标，以及通过所述第一聚类结果优化所述第二超网络的模块化目标；当所述第一超网络与所述第二超网络的模块化目标收敛时，停止所述第一超网络与所述第二超网络的多超图协同优化的社区检测
。
[0021]可选的，所述优化所述第一超网络或所述第二超网络的模块化目标，包括：将所述第一网络或所述第二网络中的节点移入邻近节点的簇；计算模块度的变化量，所述变化量包括分割项和体积项的变化值；通过所述变化量检测所述模块度的增益；如果所述模块度存在增益，将所述节点移入邻近节点的簇，以及计算所述模块度的变化量；如果所述模块度不存在增益，标记所述模块化目标为收敛
。
[0022]第二方面，本申请还公开一种基于多超图协同优化的孤独症亚型检测系统，包括：
[0023]采集模块，被配置为获取影像数据，所述影像数据包括第一模态影像数据与第二模态影像数据，所述第一模态影像数据为功能磁共振成像，所述第二模态影像数据为结构
磁共振成像；
[0024]处理模块，被配置为提取所述第一模态影像数据的低频波动振幅特征图，以及提取所述第二模态影像数据的脑组织密度特征图；根据自动标注图谱划分所述低频波动振幅特征图与所述脑组织密度特征图的大脑区域；提取所述大脑区域的平均特征序列；
[0025]多任务超图构建模块，被配置为通过所述平均特征序列得到数据矩阵，所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多超图协同优化的孤独症亚型检测方法，其特征在于，包括：获取影像数据，所述影像数据包括第一模态影像数据与第二模态影像数据，所述第一模态影像数据为功能磁共振成像，所述第二模态影像数据为结构磁共振成像；提取所述第一模态影像数据的低频波动振幅特征图，以及提取所述第二模态影像数据的脑组织密度特征图；根据自动标注图谱划分所述低频波动振幅特征图与所述脑组织密度特征图的大脑区域；提取所述大脑区域的平均特征序列；通过所述平均特征序列得到数据矩阵，所述数据矩阵包括第一数据矩阵与第二数据矩阵，所述第一数据矩阵基于所述低频波动振幅特征图的平均特征序列得到，所述第二数据矩阵基于所述密度特征图的平均特征序列得到；根据所述数据矩阵构建第一超网络与第二超网络；对所述第一超网络
、
所述第二超网络执行多超图协同优化的社区检测，以生成聚类标签；在所述多超图协同优化的社区检测结束时，输出所述聚类标签
。2.
根据权利要求1所述的基于多超图协同优化的孤独症亚型检测方法，其特征在于，还包括：去除所述第一模态影像数据中目标数量的时间点；对所述影像数据执行时间层校正与头动校正；将所述第一模态影像数据配准至标准空间，以及对所述第一模态影像数据执行时间滤波与空间平滑，所述时间滤波包括去线性趋势与带通滤波
。3.
根据权利要求1所述的基于多超图协同优化的孤独症亚型检测方法，其特征在于，还包括：对所述第二模态影像数据执行前连合校正；对所述第二模态影像数据执行去特征处理及分割处理，以生成所述第二模态影像数据的灰质密度图与白质密度图；将所述灰质密度图与白质密度图配准至标准空间
。4.
根据权利要求3所述的基于多超图协同优化的孤独症亚型检测方法，其特征在于，提取所述第二模态影像数据的脑组织密度特征图，包括：获取所述灰质密度图与所述白质密度图；拼接所述灰质密度图与所述白质密度图
。5.
根据权利要求1所述的基于多超图协同优化的孤独症亚型检测方法，其特征在于，还包括：检测所述第一模态影像数据的头部运动；将所述头部运动大于1毫米的第一模态影像数据剔除；获取所述第二模态影像数据的预处理等级；将所述预处理等级低于目标阈值的第二模态影像数据剔除；最终保证第一模态影像数据与第二模态影像数据中的样本是一致的
。6.
根据权利要求1所述的基于多超图协同优化的孤独症亚型检测方法，其特征在于，所
述根据所述数据矩阵构建第一超网络与第二超网络，包括：获取子样本，所述子样本为所述第一数据矩阵与所述第二数据矩阵的元素；以所述子样本为质心；按照所述质心求解稀疏矩阵，所述稀疏矩阵的列维度与所述子样本的数量相等，所述稀疏矩阵的稀疏度基于正则化参数表示；拼接所...

【专利技术属性】
技术研发人员：胡斌，郑炜豪，李加龙，姚志军，唐万有，
申请(专利权)人：兰州大学，
类型：发明
国别省市：