【技术实现步骤摘要】
本专利技术属于医学影像分类领域，具体涉及一种基于多视图集成学习的自闭症功能磁共振影像分类方法。
技术介绍
1、自闭症谱系障碍(asd)是一种引起重复性刻板行为和社交困难的神经发育障碍，病因非常复杂。传统的基于症状的分类方法不能揭示asd背后的发病机制，因此往往是不可靠。随着神经影像学的发展，功能磁共振影像技术成为了研究和揭示asd一类的神经疾病的有力工具。
2、虽然机器学习(包括深度学习)与静态功能磁共振影像相结合的方法已经被广泛应用于自闭症磁共振影像的分类工作，但是目前提出的方法，完成的分类工作质量还有待提高。目前的分类方法有一定的局限性，使之不能适应于某些特定的实际需要。为此，深入研究磁共振影像，提高磁共振影像分类精度，尤为必要。
技术实现思路
1、为解决以上现有技术存在的问题，本专利技术提出了一种基于多视图集成学习的自闭症功能磁共振影像分类方法，该方法包括：
2、s1、获取检测对象脑部功能磁共振影像；对磁共振影像进行预处理，得到各脑部感兴趣区域血氧水平变化的时间序列；
3、s2、采用高效-自闭症网络对时间序列进行特征提取，得到第一关键特征；
4、s3、根据时间序列计算每两个脑区感兴趣区域之间的皮尔逊相关性，根据皮尔逊相关性构建脑部的功能连接网络；
5、s4、根据脑部的功能连接网络构建高级脑部功能连接网络；
6、s5、计算脑部的功能连接网络中每个功能连接特征的肯德尔相关系数，基于每个功能连接特征的肯德尔系数
7、s6、对高级功能连接网络中的特征进行筛选；
8、s7、将功能连接特征输入到卷积神经网络中提取特征，得到第二关键特征；
9、s8、采用主成分分析法对筛选出的高级功能连接网络中特征进行降维，得到主要特征；
10、s9、将第一关键特征、第二关键特征以及主要特征进行集成学习和特征选择，得到三种脑功能特征；
11、s10、分别将三种脑功能特征输入到线性支持向量机分类器进行分类，得到三个分类预测标签；采用投票机制确定最终的分类结果。
12、本专利技术的有益效果：
13、本专利技术通过三种不同视图分析检测对象大脑的功能磁共振影像，规避了以单视图分析检测对象大脑的功能磁共振影像的局限性；提出的e-asdnet不仅网络结构简单，有利于训练，还充分提取到区分自闭症样本数据与正常对照组样本数据的关键特征；将选择的高级功能连接矩阵进行主成分分析，不仅对数据进行了降维，还提取到功能连接矩阵的底层关键特征；将选择功能连接矩阵放入人工卷积神经网络进行特征提取，不仅能提取到关键特征，也尽量降低了计算复杂度；最后将三种特征分别通过lasso进行集成学习和特征选择，进一步为线性支持向量机的正确分类提供了有力条件；总而言之，本专利技术提出的方法，提高了对检测对象大脑功能磁共振影像分类的精度。
本文档来自技高网...【技术保护点】
1.一种基于多视图集成学习的自闭症功能磁共振影像分类方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多视图集成学习的自闭症功能磁共振影像分类方法，其特征在于，高效-自闭症网络为优化后的Transformer网络，即采用多头高效融合窗口注意力机制对Transformer网络的encoder部分进行优化；其中
3.根据权利要求2所述的一种基于多视图集成学习的自闭症功能磁共振影像分类方法，其特征在于，多头高效融合窗口注意力机制的计算公式为：
4.根据权利要求1所述的一种基于多视图集成学习的自闭症功能磁共振影像分类方法，其特征在于，计算每两个脑区感兴趣区域之间的皮尔逊相关性包括：
5.根据权利要求1所述的一种基于多视图集成学习的自闭症功能磁共振影像分类方法，其特征在于，构建脑部的功能连接网络包括：计算检测对象各脑部感兴趣区域血氧水平变化的时间序列中每对脑部感兴趣区域的平均时间序列之间的皮尔逊相关性，通过矩阵的方式将所有的皮尔逊相关性进行表示，得到一个脑部功能连接矩阵；其中脑部功能连接矩阵为脑部功能连接网络。
6.根据权
7.根据权利要求1所述的一种基于多视图集成学习的自闭症功能磁共振影像分类方法，其特征在于，计算脑部的功能连接网络中每个功能连接特征的肯德尔相关系数包括：
8.根据权利要求1所述的一种基于多视图集成学习的自闭症功能磁共振影像分类方法，其特征在于，将功能连接特征输入到卷积神经网络中提取特征包括：计算脑部功能连接矩阵的肯德尔系数，对肯德尔系数进行排序，并挑选出排名靠前的8100个特征，将8100个特征输入卷积神经网络进行第二关键特征提取，其中卷积神经网络中各卷积层的卷积核大小为3×3。
9.根据权利要求1所述的一种基于多视图集成学习的自闭症功能磁共振影像分类方法，其特征在于，采用主成分分析法对筛选出的高级功能连接网络中特征进行降维包括：将筛选出的8100个特征90×90通过主成分分析法从二维的特征映射成为一维的特征1×90，得到一维特征，该一维特征为主要特征。
10.根据权利要求1所述的一种基于多视图集成学习的自闭症功能磁共振影像分类方法，其特征在于，对第一关键特征、第二关键特征以及主要特征进行集成学习和特征选择包括：采用LASSO网络分别对三种特征进行选择和学习；通过五折交叉验证方式进行挑选最优LASSO的正则化参数，实验结果表明正则化参数为0.1时，效果最好；
...【技术特征摘要】
1.一种基于多视图集成学习的自闭症功能磁共振影像分类方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多视图集成学习的自闭症功能磁共振影像分类方法，其特征在于，高效-自闭症网络为优化后的transformer网络，即采用多头高效融合窗口注意力机制对transformer网络的encoder部分进行优化；其中
3.根据权利要求2所述的一种基于多视图集成学习的自闭症功能磁共振影像分类方法，其特征在于，多头高效融合窗口注意力机制的计算公式为：
4.根据权利要求1所述的一种基于多视图集成学习的自闭症功能磁共振影像分类方法，其特征在于，计算每两个脑区感兴趣区域之间的皮尔逊相关性包括：
5.根据权利要求1所述的一种基于多视图集成学习的自闭症功能磁共振影像分类方法，其特征在于，构建脑部的功能连接网络包括：计算检测对象各脑部感兴趣区域血氧水平变化的时间序列中每对脑部感兴趣区域的平均时间序列之间的皮尔逊相关性，通过矩阵的方式将所有的皮尔逊相关性进行表示，得到一个脑部功能连接矩阵；其中脑部功能连接矩阵为脑部功能连接网络。
6.根据权利要求1所述的一种基于多视图集成学习的自闭症功能磁共振影像分类方法，其特征在于，构建高级脑部功能连接网络包括：计算脑部功能连接矩阵中每两列之间的皮尔逊相关性，得到一个高级脑部功能连接矩...
【专利技术属性】
技术研发人员：邓欣，张连花，陈卓峰，包飞扬，方阳，谭明辉，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。