本发明专利技术公开了一种基于磁共振影像的脑疾病个体化预测方法和系统。其中，该方法包括步骤1：获取精神疾病病人脑磁共振影像；步骤2：对病人脑磁共振影像进行去噪和降维处理；步骤3：利用ReliefF算法，进行特征选择；步骤4：使用空间聚类分析方法自适应地得到空间脑区；步骤5：利用基于相关的特征选择算法，去除冗余特征，得到最优特征子集；步骤6：基于最优特征子集，进行多元线性回归分析，识别出潜在的生物标志。本发明专利技术实施例综合了多种机器学习方法，可以快速、便捷地基于多种不同模态类型的影像数据,实现对精神疾病的兴趣特征,如临床指标等进行定量化、个体化地精准预测，有利于理解疾病的脑结构和功能异常与潜在的发病机制。
【技术实现步骤摘要】
本专利技术实施例涉及生物信息及计算医学
，具体涉及一种基于磁共振影像的脑疾病个体化预测方法和系统。
技术介绍
伴随经济、卫生、医疗水平的发展，世界各国人民的平均寿命得到延长。但与此同时，由于竞争压力增大等诸多因素，在全球范围内，精神疾病的发病率逐年增长，并成为导致死亡的主要原因之一[1](van Waarde et al.A functional MRI marker may predict the outcome of electroconvulsive therapy in severe and treatment-resistant depression.Mol Psychiatry 20,609-614,2015)。在临床上，人们对精神疾病的认识主要是通过磁共振影像(MRI)。作为一种非侵入性的成像技术，它大大加深了人们对精神疾病复杂的发病机理和多变的临床生物学差异的理解，已经成为认知科学、神经科学和神经精神病学研究不可或缺的工具。同时，伴随人类进入高科技信息化时代，数据挖掘、机器学习等一系列先进技术的发展成熟成为推动社会进步的重要因素，并已成功地应用在金融、通讯、地理、电子工程、航天等诸多领域，随之产生了各种尖端的算法理论体系模型。然而，这些尖端算法理论在神经影像数据上的应用在一定程度上受到了限制。在临床上，尚未发现可用于评定精神疾病严重性与认知水平且具有一定稳定性的生物标志，目前流行的大多数准则主要依赖于病人行为表现和医生的经验进行定性分析及在此基础上的合理推测。此外，由于多种精神疾病的认知或者行为表现之间存在较大程度的表征重叠交叉，单纯的只依赖于症状或者行为表现的诊断存在明显不足，因此急需一种能够及时辅助诊断或治疗，并具有客观性的神经影像标志。利用数据挖掘、机器学习的算法思想从已有的高维异构神经影像中提取潜在的特征信息，建立影像特征与目标度量(如症状表现、认知水平等)之间的关系模型，并识别出潜在的生物标志，进行个性化预测，已成为当前国际神经影像学研究的热点和前沿，并在教育、医疗、刑侦等诸多领域取得了一定成果[2-7](Demos et al,Individual differences in nucleus accumbens activity to food and sexual images predict weight gain and sexual behavior.J Neurosci 32,5549-5552,2012；Hoeft et al.,Functional and morphometric brain dissociation between dyslexia and reading ability.Proc Natl Acad Sci U S A 104,4234-4239,2007；Lener and Iosifescu,In pursuit of neuroimaging biomarkers to guide treatment selection in major depressive disorder:a review of the literature.Ann N Y Acad Sci 1344,50-65,2015；Mahmood et al.,Adolescents'fMRI activation to a response inhibition task predicts future substance use.Addict Behav 38,1435-1441,2013；Risacher et al.,Alzheimer's Disease Neuroimaging,I.,2009.Baseline MRI predictors of conversion from MCI to probable AD in the ADNI cohort.Curr Alzheimer Res 6,347-361,2009；Sui et al.,In search of multimodal neuroimaging biomarkers of cognitive deficits in schizophrenia.Biol Psychiatry 78,794-804,2015)。然而，已有算法往往基于固定的、预定义的模板(如AAL template)来进行脑区划分，并以此作为预测模型的输入特征，这在很大程度上限制了寻找更加精准的、具有预测性能的兴趣脑区(predictor，regions of interest，ROI).因为实际情况中起到关键预测作用的脑区(ROI)很可能是由预定模板划分得到的多个分区的部分组成。当前已有的研究模型多采用单一的数据类型或单一特征选择算法，不能有效地推广到多种模态影像数据类型及不同目标度量等不确定因子的预测任务中，这在很大程度上限制了其在多种类型的疾病诊断及影像模态上的推广，对于复杂的疾病研究，其重复性较差。因此，亟待产生一种具有一定良好的通用性和自适应性，并能在多种个性化预测任务中产生稳定结果的预测模型。本专利技术将充分利用现有机器学习、模式识别等高效优质算法理论，挖掘出隐藏在影像数据内的、对特定疾病具有针对性的潜在生物标志，识别出大脑结构与功能中存在的差异，有助于辅助医师的临床决策，提高人们的生活质量。这是世界各国科研人员研究的热点与难点所在，有望产生突破性的科学成果。
技术实现思路
鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于磁共振影像的脑疾病个体化预测方法。此外，还提供一种基于磁共振影像的脑疾病个体化预测系统。为了实现上述目的，根据本专利技术的一个方面，提供了以下技术方案：一种基于磁共振影像的脑疾病个体化预测方法，所述方法可以包括：步骤1：获取精神疾病病人脑磁共振影像；步骤2：对所述病人脑磁共振影像进行去噪和降维处理；步骤3：利用ReliefF算法，对所述步骤2的处理结果进行特征选择；步骤4：基于所述步骤3的结果，使用空间聚类分析方法自适应地得到空间脑区；步骤5：基于所述步骤4得到的空间脑区，利用基于相关的特征选择算法，去除冗余特征，得到最优特征子集；步骤6：基于所述最优特征子集，进行多元线性回归分析，识别出潜在的具有预测性的生物标志。为了实现上述目的，根据本专利技术的另一个方面，还提供了一种基于磁共振影像的脑疾病个体化预测系统，该系统可以包括：获取模块，被配置为获取精神疾病病人脑磁共振影像；预处理模块，被配置为对所述病人脑磁共振影像进行去噪和降维处理；特征选择模块，被配置为利用ReliefF算法，对所述处理模块的处理结果进行特征选择；聚类模块，被配置为基于所述特征选择模块的结果，使用基于数据驱动的空间聚类分析方法自适应的得到空间脑区；筛选模块，被配置为基于所述聚类模块得到的空间脑区，利用基于相关的特征选择算法，去除冗余特征，得到最优特征子集；识别模块，被配置为基于所述最优特征子集，进行多元线性回归分析，识别出潜在的具有预测性的生物标志。与现有技术相比，上述技术方案至少具有以下有益效果：本专利技术实施例通过基于全脑的体素搜索，对进行了去噪和降维处理的病人脑磁共振影像进行特征选择本文档来自技高网...
【技术保护点】
一种基于磁共振影像的脑疾病个体化预测方法，其特征在于，所述方法至少包括：步骤1：获取精神疾病病人脑磁共振影像；步骤2：对所述病人脑磁共振影像进行去噪和降维处理；步骤3：利用ReliefF算法，对所述步骤2的处理结果进行特征选择；步骤4：基于所述步骤3的结果，使用基于数据驱动的空间聚类分析方法自适应地得到空间脑区；步骤5：基于所述步骤4得到的空间脑区，利用基于相关的特征选择算法，去除冗余特征，得到最优特征子集；步骤6：基于所述最优特征子集，进行多元线性回归分析，识别出潜在的生物标志。
【技术特征摘要】
1.一种基于磁共振影像的脑疾病个体化预测方法，其特征在于，所述方法至少包括：步骤1：获取精神疾病病人脑磁共振影像；步骤2：对所述病人脑磁共振影像进行去噪和降维处理；步骤3：利用ReliefF算法，对所述步骤2的处理结果进行特征选择；步骤4：基于所述步骤3的结果，使用基于数据驱动的空间聚类分析方法自适应地得到空间脑区；步骤5：基于所述步骤4得到的空间脑区，利用基于相关的特征选择算法，去除冗余特征，得到最优特征子集；步骤6：基于所述最优特征子集，进行多元线性回归分析，识别出潜在的生物标志。2.根据权利要求1所述的方法，其特征在于，所述步骤3具体包括：基于所述步骤2的处理结果，利用ReliefF算法，计算每个体素特征对目标预测属性的区分能力；以权值大小作为划分能力量化标准，按照从大到小的顺序，选择预定数量的体素特征。3.根据权利要求2所述的方法，其特征在于，所述步骤4具体包括：基于所述步骤3的结果，针对空间稀疏分布的全脑体素，以每一体素为中心，构建空间正方体，通过空间邻域连通规则聚集与该中心体素相邻接的所有体素，构成空间脑区。4.根据权利要求3所述的方法，其特征在于，所述步骤5具体包...
【专利技术属性】
技术研发人员：隋婧，姜荣涛，孟醒，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11
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。