一种基于多模态大脑网络的认知功能状态预测方法技术

本发明专利技术涉及一种基于多模态大脑网络的认知功能状态预测方法，步骤包括：分别构建大脑结构连接网络和大脑功能连接网络，并将网络标准化；分配权值使得不同网络中元素的方差最小，融合这两种网络形成一个多模态大脑网络；计算每位受试者多模态大脑网络的拓扑属性指标作为特征；建立一个从特征到神经心理学量表分数的映射关系，通过映射关系预测分数，分数所在的分数区间段对应预测的认知功能状态，将特征输入映射关系获得分数即可实现认知功能状态预测。本发明专利技术提升了预测准确度。本发明专利技术提升了预测准确度。本发明专利技术提升了预测准确度。

【技术实现步骤摘要】
一种基于多模态大脑网络的认知功能状态预测方法


[0001]本专利技术涉及生物医学信息
，尤其涉及一种基于多模态大脑网络的认知功能状态预测方法。

技术介绍

[0002]近年来，医学影像技术在临床广泛应用。其中，脑影像技术可以反映大脑的解剖结构信息，探索大脑的秘密。人工解读脑影像数据往往依赖个人的经验、知识和情绪，且效率较低。随着计算机和人工智能技术的不断发展，利用计算机对脑影像数据进行智能分析和处理，例如对大脑结构的分割、提取、三维重建和显示，进行定性、定量分析，有助于理解和破译大脑的工作模式。
[0003]解读脑影像数据最重要的就是构建大脑网络，而大脑网络的构建包括定义节点和定义连接边。在定义节点时，通常根据医学先验模板将大脑分为若干功能区，并将每个独立功能区作为网络中的节点。连接边的定义通常根据不同模态数据分别定义，例如功能磁共振图像定义的功能连接反映的是脑部活动的一致性，而扩散峰度图像定义的连接主要指两个脑区间白质纤维的连接个数。目前大脑网络分析主要有两类研究。第一类集中在利用图论的方法直观了解大脑不同区域之间真实的结构连接，进而研究脑网络的特征，探索具备不同认知功能状态的受试者之间大脑网络的差异，从而揭示大脑网络的改变模式与认知功能状态之间的关系；第二类在第一类的基础上更进一步，探索认知功能状态与大脑网络特征之间的相关性，利用机器学习方法预测受试者的认知功能状态。
[0004]上述两类研究主要基于单一模态的神经成像技术。例如，功能性磁共振成像、正电子发射型断层显像、弥散张量成像、扩散峰度成像等。由于不同模态的生物标志能够提供互补的信息，联合这些信息可以提高分类性能以及预测精度。但是，仅仅对多模态数据的简单拼接处理从而进行多模态脑影像分类及预测，忽视了模态与模态之间的关系。因此，有效融合多模态大脑影像数据，基于多模态大脑网络特征预测认知功能状态，已成为本领域亟待解决的技术问题。

技术实现思路

[0005]本专利技术的目的是为了解决传统预测认知功能状态技术的不足之处，提供了一种新的基于多模态大脑网络的认知功能状态预测方法，采用以下技术方案：
[0006]一种基于多模态大脑网络的认知功能状态预测方法，包括：
[0007]步骤1：基于受试者的大脑横断面成像采集扩散峰度成像数据与功能磁共振成像数据这两种模态数据，基于扩散峰度成像数据构建大脑结构连接网络矩阵，基于功能磁共振成像数据构建大脑功能连接网络矩阵；
[0008]步骤2：将大脑结构连接网络矩阵和大脑功能连接网络矩阵进行标准化，对标准化后的两种网络矩阵分配权值使得两种网络矩阵中元素的方差最小，融合这两种网络矩阵构建一个多模态大脑网络矩阵；
[0009]步骤3：计算每位受试者多模态大脑网络矩阵的全局和局部拓扑属性指标作为特征，形成一个特征矩阵，并对特征矩阵进行降维从而进行特征提取，删除冗余特征，保留有效特征；
[0010]步骤4：将每位受试者的神经心理学量表分数划分成不同区间段，分数的区间段即对应每位受试者的认知功能状态；
[0011]步骤5：将提取的特征与神经心理学量表分数作为数据集，根据数据集建立从特征到量表分数的映射关系，当前分数所在的区间段对应预测的认知功能状态，将特征输入映射关系获得分数即可实现认知功能状态预测。
[0012]进一步地，步骤1具体包括：
[0013]步骤1.1：采用自旋回波的单次激发平面回波成像序列扫描大脑横断面成像获得扩散峰度成像数据；采用梯度回波的单次激发平面回波成像序列扫描大脑横断面成像获得功能磁共振成像数据；
[0014]步骤1.2：预处理扩散峰度成像数据与功能磁共振成像数据这两种模态的数据；
[0015]步骤1.3：构建大脑结构连接网络，具体为：首先将预处理后的扩散峰度成像数据划分为若干个大脑区域，其次进行白质纤维追踪来构建确定性结构网络，使用确定性纤维束追踪方法计算脑区之间的纤维数，最后得到一个纤维束数量矩阵，即大脑结构连接网络矩阵；
[0016]步骤1.4：构建大脑功能连接网络，具体为：首先将预处理后的功能磁共振成像数据划分为若干个脑区，将每个脑区内所包含的所有体素的时间序列进行平均，其次使用多元线性回归分析的方法来消除部分由头动和全局脑信号引起的误差，最后计算脑区之间的平均时间序列的皮尔逊相关性系数，得到一个相关矩阵，即大脑功能连接网络矩阵。
[0017]进一步地，步骤1.2中，预处理扩散峰度成像数据的方法为：首先转换受试者的原始数据格式，构建各参数图；其次采用头动和涡流校正保证数据间的一致性，去除头动参数较大的数据；最后进行平滑、降噪处理，消除不同受试者之间脑部结构之间的细微差别，降低空间噪声；
[0018]预处理功能磁共振成像数据的方法为：首先转换受试者的原始数据格式；其次删除初始时间点的数据并将数据进行时间片校正和头动校正；然后对图像进行配准、平滑、去线性漂移以及低频滤波处理；最后去除受试者的头动参数、全脑信号、白质和脑脊液，得到最终的时间序列。
[0019]进一步地，步骤2具体包括：
[0020]步骤2.1：分别将大脑结构连接网络矩阵与大脑功能连接网络矩阵进行Min
‑
Max标准化，计算过程如式(1)所示：
[0021][0022]式中：z为标准化大脑结构连接网络矩阵和标准化大脑功能连接网络矩阵中的元素；x为大脑结构连接网络矩阵和大脑功能连接网络矩阵中与z对应的元素；min为大脑结构连接网络矩阵和大脑功能连接网络矩阵中元素的最小值；max为大脑结构连接网络矩阵和大脑功能连接网络矩阵中元素的最大值；
[0023]步骤2.2：对得到的标准化大脑结构连接网络矩阵和标准化大脑功能连接网络矩
阵进行融合，从而得到一个多模态大脑网络矩阵，计算过程如式(2)所示：
[0024][0025]式中：C为多模态大脑网络矩阵；A为标准化大脑结构连接网络矩阵；B为标准化大脑功能连接网络矩阵；ω为权值，使得cov(ω
·
A,(1
‑
ω)
·
B)取最小值，即：当标准化大脑结构连接矩阵与标准化大脑功能连接矩阵的协方差最小，期望标准化大脑结构连接矩阵与标准化大脑功能连接矩阵中的元素尽可能地相似。
[0026]进一步地，步骤3具体包括：
[0027]步骤3.1：计算每位受试者多模态大脑网络矩阵的全局和局部拓扑属性参数作为特征，并将这些参数依次记为x1～x
n
，形成一个特征矩阵X；
[0028]X＝[x1,x2,x3......x
n
]ꢀꢀꢀ
(3)
[0029]x
j
＝[x
1j
,x
2j
,x
3j
......x
mj
]T
ꢀꢀꢀ
(4)
[0030]式中：n表示特征的个数；x
j
表示所有受试者第j个特征的取值所组成的向量，其中，1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模态大脑网络的认知功能状态预测方法，其特征在于：包括步骤1：基于受试者的大脑横断面成像采集扩散峰度成像数据与功能磁共振成像数据这两种模态数据，基于扩散峰度成像数据构建大脑结构连接网络矩阵，基于功能磁共振成像数据构建大脑功能连接网络矩阵；步骤2：将大脑结构连接网络矩阵和大脑功能连接网络矩阵进行标准化，对标准化后的两种网络矩阵分配权值使得两种网络矩阵中元素的方差最小，融合这两种网络矩阵构建一个多模态大脑网络矩阵；步骤3：计算每位受试者多模态大脑网络矩阵的全局和局部拓扑属性指标作为特征，形成一个特征矩阵，并对特征矩阵进行降维从而进行特征提取；步骤4：将每位受试者的神经心理学量表分数划分成不同区间段，分数的区间段即对应每位受试者的认知功能状态；步骤5：将提取的特征与神经心理学量表分数作为数据集，根据数据集建立从特征到量表分数的映射关系，当前分数所在的区间段对应预测的认知功能状态，将特征输入映射关系获得分数即可实现认知功能状态预测。2.根据权利要求1所述的基于多模态大脑网络的认知功能状态预测方法，其特征在于：步骤1具体包括：步骤1.1：采用自旋回波的单次激发平面回波成像序列扫描大脑横断面成像获得扩散峰度成像数据；采用梯度回波的单次激发平面回波成像序列扫描大脑横断面成像获得功能磁共振成像数据；步骤1.2：预处理扩散峰度成像数据与功能磁共振成像数据这两种模态的数据；步骤1.3：构建大脑结构连接网络，具体为：首先将预处理后的扩散峰度成像数据划分为若干个大脑区域，其次进行白质纤维追踪来构建确定性结构网络，使用确定性纤维束追踪方法计算脑区之间的纤维数，最后得到一个纤维束数量矩阵，即大脑结构连接网络矩阵；步骤1.4：构建大脑功能连接网络，具体为：首先将预处理后的功能磁共振成像数据划分为若干个脑区，将每个脑区内所包含的所有体素的时间序列进行平均，其次使用多元线性回归分析的方法来消除部分由头动和全局脑信号引起的误差，最后计算脑区之间的平均时间序列的皮尔逊相关性系数，得到一个相关矩阵，即大脑功能连接网络矩阵。3.根据权利要求2所述的基于多模态大脑网络的认知功能状态预测方法，其特征在于：步骤1.2中，预处理扩散峰度成像数据的方法为：首先转换受试者的原始数据格式，构建各参数图；其次进行头动和涡流校正；最后进行平滑、降噪处理；预处理功能磁共振成像数据的方法为：首先转换受试者的原始数据格式；其次删除初始时间点的数据并将数据进行时间片校正和头动校正；然后对图像进行配准、平滑、去线性漂移以及低频滤波处理；最后去除受试者的头动参数、全脑信号、白质和脑脊液，得到最终的时间序列。4.根据权利要求1所述的基于多模态大脑网络的认知功能状态预测方法，其特征在于：步骤2具体包括：步骤2.1：分别将大脑结构连接网络矩阵与大脑功能连接网络矩阵进行Min
‑
Max标准化，计算过程如式(1)所示：
式中：z为标准化大脑结构连接网络矩阵和标准化大脑功能连接网络矩阵中的元素；x为大脑结构连接网络矩阵和大脑功能连接网络矩阵中与z对应的元素；min为大脑结构连接网络矩阵和大脑功能连接网络矩阵中元素的最小值；max为大脑结构连接网络矩阵和大脑功能连接网络矩阵中元素的最大值；步骤2.2：对得到的标准化大脑结构连接网络矩阵和标准化大脑功能连接网络矩阵进行融合，从而得到一个多模态大脑网络矩阵，计算过程如式(2)所示：式中：C为多模态大脑网络矩阵；A为标准化大脑结构连接网络矩阵；B为标准化大脑功能连接网络矩阵；ω为权值，使得cov(ω
·
A,(1
‑
ω)
·
B)取最小值，即：当标准化大脑结构连接矩阵与标准化大脑功能连接矩阵的协方差最小，期望标准化大脑结构连接矩阵与标准化大脑功能连接矩阵中的元素尽可能地相似。5.根据权利要求1所述的基于多模态大脑网络的认知功能状态预测方法，其特征在于：步骤3具体包括：步骤3.1：计算每位受试者多模态大脑网络矩阵的全局和局部拓扑属性参数作为特征，并将这些参数依次记为x1～x
n
，形成一个特征矩阵X；X＝[x1,x2,x3......x
n
]
ꢀꢀꢀꢀ
(3)x
j
＝[x
1j
,x
2j
,x
3j
......x
mj
]
T
ꢀꢀꢀꢀ
(4)式中：n表示特征的个数；x
j
表示所有受试者第j个特征的取值所组成的向量，其中，1≤j≤n；x
ij
表示第i位受试者的第j个特征的取值，其中，1≤i≤m；m表示受试者的人数；步骤3.2：将特征矩阵X标准化得到矩阵Y：Y＝[y1,y2,y3......y
n
]
ꢀꢀꢀꢀ
(5)y
j
＝[y
1j
,y
2j
,y
3j
......y
mj
]
T
ꢀꢀꢀꢀ
(6)式中：n表...

【专利技术属性】
技术研发人员：焦竹青，张宇涛，盛泉，石海峰，刘同强，
申请(专利权)人：常州大学，
类型：发明
国别省市：