一种面向脑疾病分类的模块化特征选择方法技术

本发明专利技术公开了一种面向脑疾病分类的模块化特征选择方法(Modular

【技术实现步骤摘要】
一种面向脑疾病分类的模块化特征选择方法


[0001]本专利技术涉及一种面向脑疾病分类的模块化特征选择方法，具体是利用模块化信息作为网络的先验知识来选择特征的一种方法，属于生物医学信息处理


技术介绍

[0002]静息态功能性磁共振成像(rs
‑
fMRI)为探索人脑功能提供了非侵入性的方法，并作为理解脑功能组织的重要工具而受到广泛关注。基于这一先进技术，功能脑图分析作为医学图像领域的一个新的研究热点，在识别和分类脑疾病如阿尔茨海默症(AD)及其早期即轻度认知障碍(MCI)方面显示出巨大的潜力。
[0003]在脑图分析的研究当中，选择哪些特征进行分类是一个很有研究意义的问题。在实际在研究中，如图1所示，通常有三种基于不同粒度的特征用于脑疾病的分类：
[0004]第一种是基于全局性度量的特征(例如，全局聚类系数和全局效率)。这种特征设计起来很简单但是缺乏特异性，也就是说，它不能告诉到底是整个大脑的问题，还是特定节点或边的问题。
[0005]第二种特征是基于节点度量的特征(例如，局部聚类系数)。这种特征可以在节点级别定位与疾病相关的脑区，但同时它也忽略了边/链接的影响。而且，不同的节点度量倾向于捕获不同的网络属性，这需要额外的技巧或丰富的知识来设计有效的特征。
[0006]第三种特征是基于边/链接的特征(例如，边的权重)。这种特征不仅设计简单，而且可以自然地定位到功能链接上。在实际的操作中，一般将每一个功能脑图的邻接矩阵的上三角元素的列向量拼接成一个长的功能链接向量，然后将所有被试的功能连接向量组合成一个功能连接聚合矩阵来进行特征选择和分类。尽管基于边的特征设计简单，但是由于被试个数太少，这种高维的特征会导致维数灾难的问题。而且这种将邻接矩阵拼接成向量的操作忽略了模块化等脑图的拓扑结构。
[0007]实际上，模块化的研究有助于理解大脑的组织原理，在分析中具有重要的理论意义和实用价值。不少研究发现，的功能脑图不仅具有层次模块化组织，而且被试之间具有相当程度的相似性。因此，基于大脑呈现模块化这一事实，提出了一种新的特征选择方法，即基于group LASSO的模块化特征选择方法。

技术实现思路

[0008]本专利技术针对现有方法中的不足，提出了一种新的功能脑图特征选择方法方法，所要解决的问题是：利用模块化信息作为网络的先验知识来选择特征，本专利技术的方法，在准确性、敏感性、特异性、及AUC几个指标上均明显优于现有技术，此方法对大脑认知功能研究具有重要的应用价值。
[0009]为了达到上述目的，本专利技术在参考了大量实验和方法后采取以下技术方案：
[0010]一种面向脑疾病分类的模块化特征选择方法，包括以下步骤：
[0011]步骤一：对采集到的每个被试的大脑功能磁共振图像进行预处理，包括：时间矫
正、头动矫正、空间配准、滤波、平滑操作；在预处理之后选定一种标准化大脑分区模板与预处理后的功能磁共振图像进行匹配，划分图像为若干个大脑区域，每个脑区分别对应大脑功能网络中的一个节点；
[0012]步骤二：提取所有脑区对应的平均时间序列，计算两两脑区的Pearson相关系数，构建大脑功能脑图G(V，E，W)，其中V表示网络中m个节点的集合，即大脑区域的集合，E表示边的集合，即脑区之间连接的集合，W∈R
m
×
m
为图的邻接矩阵；
[0013]步骤三：利用有符号的谱聚类方法找到脑图的模块化信息，具体的算法如下：
[0014](1)根据邻接矩阵W构造有符号的度矩阵D；要构造的模块数目K；
[0015](2)构造有符号的标准拉普拉斯矩阵L＝I
‑
D
‑
1/2
WD
‑
1/2
；
[0016](3)计算L的前K小个特征值对应的特征向量u1，...，u
K
；
[0017](4)令U＝(u1，...，u
K
)，将U中的每一行作为一个点，使用k
‑
means 进行聚类，得到模块划分(A1，...，A
K
)；
[0018]步骤四：利用模块化信息重新排列邻接矩阵，使得同一个模块里的节点能够彼此相邻；
[0019]步骤五：使用具有先验模块化信息的group
‑
LASSO选择判别性特征；
[0020]步骤六：将选择的判别性特征输入到线性SVM分类器中得到分类结果。
[0021]做为对本技术方案的进一步优化：
[0022]所述的步骤四包括以下具体步骤：
[0023](1)对每个被试的邻接矩阵W重新排列，使属于同一个模块的节点彼此相邻；
[0024](2)将每一个重排的邻接矩阵的上三角元素的列向量拼接成一个维数为 m(m
‑
1)/2的向量，即功能连接向量；
[0025](3)将每个被试的功能连接向量共同组合成一个功能连接聚合矩阵X＝ [X
w X
b
]∈R
N
×
d
，其中N表示被试的个数，d＝d
w
+d
b
表示全部的特征数目即边的数目；聚合矩阵X由两部分组成，第一部分是它包含每个模块内部的d
w
条边，把每个模块作为一个特定的组；第二部分是的组；第二部分是它包含K个模块间的d
b
条边，把每条边作为一个单独的组；这样， d个特征可以被分成G＝K+d
b
个组，每个被试的功能脑图都可以用模块内的特征边和模块间的特征边来表示。
[0026]所述的面向脑疾病分类的模块化特征选择方法，包括以下步骤：
[0027]由于X∈R
N
×
d
是针对N个样本的设计矩阵，并且被自然地划分为G个组，定义d
g
为第g(g＝1，...，G)个组中的特征个数，Y∈R
N
为标签向量，那么，模块化特征选择方法可表述为：
[0028][0029]其中，λ＞0是正则化参数，ω是每个特征的加权系数，它也被分成G个组，ω
g
表示第g个组对应的加权系数；上述式子中的第二项可以生成一个稀疏解，并且使得ω中有些元素被压缩成零，这样有助于选择那些在ω中系数为非零的特征边。
附图说明
[0030]图1：表示不同粒度的特征度量(分别是基于全局的度量、基于节点的度量和基于
边的度量)。
[0031]图2：表示脑疾病分类的基本框架，包括四个主要部分：(A)数据预处理；(B)脑图构建；(C)基于MLFS的特征选择；(D)基于支持向量机(SVM)的分类。
[0032]图3：表示基于MLFS特征选择方法的框架，包括三个主要部分：(A)基于有符号谱聚类的模块结构提取；(B)根据提取的模块结构进行邻接矩阵重排； (C)基于group LASSO的特征选择。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向脑疾病分类的模块化特征选择方法，其特征在于，包括以下步骤：步骤一：对采集到的每个被试的大脑功能磁共振图像进行预处理，包括：时间矫正、头动矫正、空间配准、滤波、平滑操作；在预处理之后选定一种标准化大脑分区模板与预处理后的功能磁共振图像进行匹配，划分图像为若干个大脑区域，每个脑区分别对应大脑功能网络中的一个节点；步骤二：提取所有脑区对应的平均时间序列，计算两两脑区的Pearson相关系数，构建大脑功能脑图G(V,E,W)，其中V表示网络中m个节点的集合，即大脑区域的集合，E表示边的集合，即脑区之间连接的集合，W∈R
m
×
m
为图的邻接矩阵；步骤三：利用有符号的谱聚类方法找到脑图的模块化信息，具体的算法如下：(1)根据邻接矩阵W构造有符号的度矩阵D；要构造的模块数目K；(2)构造有符号的标准拉普拉斯矩阵L＝I
‑
D
‑
1/2
WD
‑
1/2
；(3)计算L的前K小个特征值对应的特征向量u1,
…
,u
K
；(4)令U＝(u1,
…
,u
K
)，将U中的每一行作为一个点，使用k
‑
means进行聚类，得到模块划分(A1,
…
，A
K
)；步骤四：利用模块化信息重新排列邻接矩阵，使得同一个模块里的节点能够彼此相邻；步骤五：使用具有先验模块化信息的group
‑
LASSO选择判别性特征；步骤六：将选择的判别性特征输入到线性SVM分类器中得到分类结果。2.如权利要求1所述的面向脑疾病分类的模块化特征选择方法...

【专利技术属性】
技术研发人员：张丽梅，乔立山，张阳阳，
申请(专利权)人：聊城大学，
类型：发明
国别省市：