基于静动态脑网络多维特征融合的图像分类方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种基于静动态脑网络多维特征融合的图像分类方法、装置、设备及介质，方法包括：获取待分类的头部核磁共振影像数据，对其进行预处理；根据预处理后的核磁共振影像，分别提取多个静态脑功能网络特征向量和多个动态脑功能网络变异系数特征向量；对提取到的每个特征向量，按照降维处理得到的最优特征确定对应的最优特征向量；将所有最优特征向量输入至预训练好的基于多核支持向量机模型的图像分类器，输出得到核磁共振影像数据的类别。本发明专利技术可以更准确地选择出更为全面、稳定的脑区作为精神疾病图像的生物标记。的脑区作为精神疾病图像的生物标记。的脑区作为精神疾病图像的生物标记。

【技术实现步骤摘要】
基于静动态脑网络多维特征融合的图像分类方法、装置、设备及介质


[0001]本专利技术涉及图像处理
，特别是涉及一种基于静动态脑网络多维特征融合的图像分类方法、装置、设备及介质。

技术介绍

[0002]随着精神疾病的患病率逐年增加，神经影像技术也得到了迅速发展。其中，磁共振成像技术由于其非侵入性、易操作性、无辐射性、高分辨率等特点，已经成为精神疾病研究和诊断的有利工具。针对各种精神疾病的分类和诊断问题，由原来的基于临床症状和量表到现在的基于磁共振成像技术的转变，使疾病诊断的准确率大大提升。目前，大多数的研究是针对静态脑网络数据对精神疾病进行辅助诊断，在整个功能磁共振成像(fMRI)扫描过程中，大脑网络的功能连接或活动被默认为是保持静止的。然而，这些研究往往忽略了人类内在的大脑活动是时变和动态的，它与持续的节律性有关，随着时间的变化而不断变化的。因此，无论是静态还是动态脑网络数据体现的可能只是精神疾病的部分信息，并不能完全认识精神疾病，也无法揭示精神疾病的完整病灶区域信息。此外，既往研究表明与静态特征相比，动态特征在分类方面表现的更敏感，并且静态与动态脑网络数据可以实现两个模态间信息的互补，获得精神疾病更为全面、丰富的特征信息。

技术实现思路

[0003]为了进一步提升精神疾病分类和诊断准确率，本专利技术将提供一种基于静动态脑网络多维特征融合的图像分类方法、装置、设备及介质，可以更准确地选择出更为全面、稳定的脑区作为精神疾病生物标记。
[0004]为实现上述技术目的，本专利技术采用如下技术方案：
[0005]一种基于静动态脑网络多维特征融合的图像分类方法，包括：
[0006]数据预处理：获取待分类的头部核磁共振影像数据，对其进行预处理；
[0007]特征向量提取：根据预处理后的核磁共振影像，分别提取多个静态脑功能网络特征向量和多个动态脑功能网络变异系数特征向量；
[0008]最优特征确定：对提取到的每个特征向量，按照降维处理得到的最优特征确定对应的最优特征向量；
[0009]图像分类：将所有最优特征向量输入至预训练好的基于多核支持向量机模型的图像分类器，输出得到核磁共振影像数据的类别。
[0010]进一步地，所述多个静态脑功能网络特征向量，提取方法为：
[0011]首先，根据其预处理后的静息态核磁共振数据，计算静态脑网络全脑体素级别的以下指标：局部一致性Reho、分数低频振幅fALFF、度中心性DC，每个指标对应得到一组脑功能网络图谱；其中，Reho和fALFF为代表着脑网络局部功能活动类的指标，DC为代表着脑网络远程功能连接类的指标；
[0012]然后，采用Brainnetome Atlas的划分方法，将每组脑功能网络图谱划分成274个脑区；计算每组脑功能网络图谱中每个脑区的平均值；
[0013]最后，将每组脑功能网络图谱各274个脑区的平均值，均整合成维度为274的静态脑功能网络特征向量。
[0014]进一步地，所述动态脑功能网络变异系数特征向量，提取方法为：
[0015]首先，将预处理后的静息态核磁共振数据的时间序列按照时间窗进行划分，计算各时间窗内的以下指标：局部一致性Reho、分数低频振幅fALFF、度中心性DC，每个指标对应得到一组动态的脑功能网络时序图谱；
[0016]然后，计算每组动态脑功能网络时序图谱的时序变异系数CV：
[0017][0018]式中，和σ
n
分别表示所有时间窗构成的动态脑功能网络时序图谱在体素n的平均值和标准差；将指标Reho、fALFF、DC各自的时序变异数据分别表示为dReHo、dfALFF、dDC，代指动态脑功能网络的指标；每个指标对应得到一组时序变异系数图谱；
[0019]随后，采用Brainnetome Atlas的划分方法，将每组时序变异系数图谱划分成274个脑区；计算每组时序变异系数图谱中每个脑区的平均值；
[0020]最后，将每组时序变异系数图谱各274个脑区的平均值，均整合成维度为274的动态脑功能网络特征向量。
[0021]进一步地，按照降维处理得到最优特征的方法为：
[0022]首先，针对每种特征构建特征选择模型的目标函数，其中引入多指标之间的距离约束：
[0023]式中，为S个训练样本第e个指标特征向量构成的矩阵，S和l分别表示训练样本数量和指标特征向量的维数；e用于区分不同指标的静态脑功能网络特征及动态脑功能网络特征；w
e
∈R
l
×
S
代表第e个指标特征向量的回归系数向量，为待优化参数；Y＝[y1,
…
,y
i
,
…
y
S
]为S个训练样本的类别标签向量，Y中所有的元素都为1或者
‑
1；F表示Frobenius范式；λ1为控制模型稀疏性的参数，λ2,λ3和λ4为控制不同指标特征向量关系的保留度的正则化参数；λ1>0，λ2>0，λ3>0，λ4>0；r是{0,
…
,k
‑
1}中满足表达式4)的条件的唯一整数；k是小于特征向量维数l的整数；是向量w
e
中第i大的元素；D2、D3、D4为相对距离约束，分别如表达式4)、5)、6)；
[0024][0025][0026][0027][0028]式中，为第i个训练样本的指标reho所构成的特征向量；为第i个训练样本的指标fALFF所构成的特征向量；为第i个训练样本的指标dReHo所构成的特征向量；为第i个训练样本的指标dfALFF所构成的特征向量；为第i个训练样本的指标dDC所构成的特征向量；为第i个训练样本的指标DC所构成的特征向量；
[0029]然后，求解每种特征对应目标函数，得到该特征向量的回归系数向量w
e
；
[0030]最终，确定w
e
中大于0的元素对应的特征维度，从该第e个特征向量中选择这些维度的特征构成该指标的最优特征向量。
[0031]所述预训练好的基于多核支持向量机模型的图像分类器，其模型为：
[0032][0033]其中：F(x)为待分类头部核磁共振影像数据x的类别标签；sgn()表示符号函数；i用于区分不同的训练样本，S表示训练样本的数量；y
i
为多核支持向量机模型的训练样本x
i
的类别标签，a
i
为训练样本x
i
对应的拉格朗日乘子，为待优化参数；e用于区分输入的多种指标对应的最优特征向量，E表示输入的最优特征向量种数；β
e
表示第e个最优特征向量的权重因子，且满足重因子，且满足是训练样本x
i
和待分类头部核磁共振影像数据x的第e个最优特征向量的核函数；b为偏差，通过训练样本训练得到。
[0034]进一步地，训练多核支本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于静动态脑网络多维特征融合的图像分类方法，其特征在于，包括：数据预处理：获取待分类的头部核磁共振影像数据，对其进行预处理；特征向量提取：根据预处理后的核磁共振影像，分别提取多个静态脑功能网络特征向量和多个动态脑功能网络变异系数特征向量；最优特征确定：对提取到的每个特征向量，按照降维处理得到的最优特征确定对应的最优特征向量；图像分类：将所有最优特征向量输入至预训练好的基于多核支持向量机模型的图像分类器，输出得到核磁共振影像数据的类别。2.根据权利要求1所述的图像分类方法，其特征在于，所述多个静态脑功能网络特征向量，提取方法为：首先，根据其预处理后的静息态核磁共振数据，计算静态脑网络全脑体素级别的以下指标：局部一致性Reho、分数低频振幅fALFF、度中心性DC，每个指标对应得到一组脑功能网络图谱；其中，Reho和fALFF为代表着脑网络局部功能活动类的指标，DC为代表着脑网络远程功能连接类的指标；然后，采用Brainnetome Atlas的划分方法，将每组脑功能网络图谱划分成274个脑区；计算每组脑功能网络图谱中每个脑区的平均值；最后，将每组脑功能网络图谱各274个脑区的平均值，均整合成维度为274的静态脑功能网络特征向量。3.根据权利要求1所述的图像分类方法，其特征在于，所述动态脑功能网络变异系数特征向量，提取方法为：首先，将预处理后的静息态核磁共振数据的时间序列按照时间窗进行划分，计算各时间窗内的以下指标：局部一致性Reho、分数低频振幅fALFF、度中心性DC，每个指标对应得到一组动态的脑功能网络时序图谱；然后，计算每组动态脑功能网络时序图谱的时序变异系数CV：式中，和σ
n
分别表示所有时间窗构成的动态脑功能网络时序图谱在体素n的平均值和标准差；将指标Reho、fALFF、DC各自的时序变异数据分别表示为dReHo、dfALFF、dDC，代指动态脑功能网络的指标；每个指标对应得到一组时序变异系数图谱；随后，采用Brainnetome Atlas的划分方法，将每组时序变异系数图谱划分成274个脑区；计算每组时序变异系数图谱中每个脑区的平均值；最后，将每组时序变异系数图谱各274个脑区的平均值，均整合成维度为274的动态脑功能网络特征向量。4.根据权利要求1所述的图像分类方法，其特征在于，按照降维处理得到最优特征的方法为：首先，针对每种特征构建特征选择模型的目标函数，其中引入多指标之间的距离约束：式中，为S个训练样本第e个指标特征向量构成的矩
阵，S和k分别表示训练样本数量和指标特征向量的维数；e用于区分不同指标的静态脑功能网络特征及动态脑功能网络特征；w
e
∈R
l
×
S
代表第e个指标特征向量的回归系数向量，为待优化参数；Y＝[y1，
…
，y
i
，
…
y
S
]为S个训练样本的类别标签向量，Y中所有的元素都为1或者
‑
1；F表示Frobenius范式；λ1为控制模型稀疏性的参数，λ2，λ3和λ4为控制不同指标特征向量关系的保留度的正则化参数；λ1＞0，λ2＞0，λ3＞0，λ4＞0；r是{0，
…
，k
‑
1}中满足表达式4)的条件的唯一整数；k是小于特征向量维数l的整数；是向量...

【专利技术属性】
技术研发人员：阳洁，孙福萍，刘哲宁，王斐文，
申请(专利权)人：中南大学湘雅二医院，
类型：发明
国别省市：