一种基于多任务学习的多模态脑网络特征融合方法技术

本发明专利技术公开了一种基于多任务学习的多模态脑网络特征融合方法，包括：对获取的fMRI图像、DTI图像进行预处理；将预处理后的fMRI图像配准到标准的AAL模板；将预处理后的DTI图像做纤维追踪，计算FA值，并通过AAL模板构造结构连接矩阵；分别计算功能连接矩阵和结构连接矩阵每个脑区的聚类系数，作为功能特征和结构特征；将功能特征和结构特征当作两个不同的任务，通过求解多任务学习最优化问题评定最优特征集。本发明专利技术的方法利用多个模态互为补充的信息进行同时学习并进行分类，提高了分类的准确率，客服了单任务特征选择方法时不考虑特征之间的关联性，以及只用一个模态的特征进行模式分类可能导致信息量不足的问题。

【技术实现步骤摘要】

本专利技术属于生物信息
，涉及多模态模式识别技术，具体涉及静息态功能磁共振成像(resting-state functional magnetic resonance imaging,rs-fMRI)和弥散张量成像(diffusion tensor imaging, DTI)的特征融合方法。
技术介绍
为了给临床提供更多影像指标，目前许多研究采用分析磁共振图像差异，将显著差异指标作为支持向量机的特征集，通过支持向量机对样本进行分类。磁共振成像不仅可以得到功能信息，还可以得到丰富的结构信息。然而当前的磁共振模式分类研究大多基于单一模态(如功能磁共振、结构磁共振、弥散张量成像)，很少将功能信息与结构信息进行融合，以进一步提高模式分类的准确率；而且在特征选择环节大多基于单变量的t统计检验，这种特征选择法会忽略掉两组样本特征间细微的差异，并且没有考虑模态之间特征的相互关系。
技术实现思路
本专利技术的目的是为了解决现有的磁共振模式分类研究存在的上述问题，提出了一种基于多模态脑网络的多任务特征融合方法。本专利技术技术方案为:，具体包括如下步骤:步骤1:对获取的fMRI图像、DTI图像进行预本文档来自技高网...

【技术保护点】
一种基于多任务学习的多模态脑网络特征融合方法，具体包括如下步骤：步骤1：对获取的fMRI图像、DTI图像进行预处理。步骤2：将预处理后的fMRI图像配准到标准的AAL模板，并计算功能连接矩阵。步骤3：将预处理后的DTI图像配准到AAL模板，计算FA值，构造结构连接矩阵；步骤4：分别计算功能连接矩阵和结构连接矩阵每个脑区的聚类系数，作为功能特征和结构特征；步骤5：将步骤4得到的功能特征和结构特征当作两个不同的任务，通过求解多任务学习最优化问题评定最优特征集，即得到融合后的特征集。

【技术特征摘要】
1.一种基于多任务学习的多模态脑网络特征融合方法，具体包括如下步骤: 步骤1:对获取的fMRI图像、DTI图像进行预处理。步骤2:将预处理后的fMRI图像配准到标准的AAL模板，并计算功能连接矩阵。步骤3:将预处理后的DTI图像配准到AAL模板，计算FA值，构造结构连接矩阵； 步骤4:分别计算功能连接矩阵和结构连接矩阵每个脑区的聚类系数，作为功能特征和结构特征； 步骤5:将步骤4得到的功能特征和结构特征当作两个不同的任务，通过求解多任务学习最优化问题评定最优特征集，即得到融合后的特征集。2.根据权利要求1所述的多模态脑网络特征融合方法，其特征在于...

【专利技术属性】
技术研发人员：陈华富，刘风，李俊，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：