本發(fā)明涉及圖像處理技術(shù)，具體是一種基于高階超網(wǎng)絡(luò)的靜息態(tài)功能磁共振影像數(shù)據(jù)分類方法。

背景技術(shù)：

人腦是一個極其復雜的信息處理系統(tǒng)，在神經(jīng)科學領(lǐng)域，一個重要的挑戰(zhàn)就是揭示其內(nèi)部的功能及結(jié)構(gòu)組織模式。作為多模態(tài)磁共振成像技術(shù)與復雜網(wǎng)絡(luò)理論的結(jié)合，磁共振影像數(shù)據(jù)分類方法當前已經(jīng)成為腦科學領(lǐng)域的熱點之一。然而，傳統(tǒng)磁共振影像數(shù)據(jù)分類方法由于自身原理和特點的局限性，普遍存在方法論的限制，由此導致其分類準確率低，從而嚴重影響其應(yīng)用價值。

在傳統(tǒng)的靜息態(tài)功能磁共振成像分析中，假定功能連接在時間上是靜止的，忽略了在掃描時間內(nèi)可能發(fā)生的神經(jīng)活動或者相互作用。在時間上相關(guān)的功能連接，由于神經(jīng)作用的動態(tài)變化，可能會影響腦區(qū)之間的相關(guān)強度。因此，動態(tài)的功能連接的研究具有重要的意思。同時，傳統(tǒng)功能連接網(wǎng)絡(luò)通常是基于大腦不同區(qū)域之間的兩兩相關(guān)構(gòu)建，從而忽略了他們的高階關(guān)系，這些高階信息的損失對于疾病診斷可能是重要的。同時基于相關(guān)的網(wǎng)絡(luò)由于任意選取閾值會有許多虛假的連接。因此，有必要發(fā)明一種全新的磁共振影像數(shù)據(jù)分類方法，以解決傳統(tǒng)磁共振影像數(shù)據(jù)分類方法存在的上述問題。本發(fā)明在劃分時間窗基礎(chǔ)上使用稀疏表示方法構(gòu)建超網(wǎng)絡(luò)，然后從超網(wǎng)絡(luò)中提取關(guān)于大腦區(qū)域的特征用于疾病診斷。這種方法更好的反映了功能連接的時變特性。同時，通過構(gòu)建高階超網(wǎng)絡(luò)，可以在不引入太多參數(shù)的情況下，呈現(xiàn)更高級別和更復雜的大腦區(qū)域之間的相互作用。

技術(shù)實現(xiàn)要素：

本發(fā)明為了解決傳統(tǒng)磁共振影像數(shù)據(jù)分類方法分類準確率低的問題，提供了一種基于高階超網(wǎng)絡(luò)的靜息態(tài)功能磁共振影像數(shù)據(jù)分類方法。

本發(fā)明是采用如下技術(shù)方案實現(xiàn)的：

基于高階超網(wǎng)絡(luò)的靜息態(tài)功能磁共振影像數(shù)據(jù)分類方法，該方法是采用如下步驟實現(xiàn)的：

步驟S1：對靜息態(tài)功能磁共振影像進行預(yù)處理，并根據(jù)選定的標準化腦圖譜對預(yù)處理后的靜息態(tài)功能磁共振影像進行區(qū)域分割，然后對所分割的各腦區(qū)進行平均時間序列的提??；

步驟S2：選定長度固定的滑動窗口，并按照一定步長對各腦區(qū)的平均時間序列進行時間窗分割；

步驟S3：計算每個時間窗下各腦區(qū)的平均時間序列兩兩之間的皮爾遜相關(guān)系數(shù)，由此得到皮爾遜相關(guān)矩陣；

步驟S4：提取皮爾遜相關(guān)矩陣中對應(yīng)元素的值，由此得到高階關(guān)聯(lián)矩陣；

步驟S5：利用稀疏線性回歸模型，計算高階關(guān)聯(lián)矩陣中每個元素與其它元素的線性組合表示，由此建立超邊，然后根據(jù)超邊構(gòu)建高階超網(wǎng)絡(luò)；

步驟S6：計算高階超網(wǎng)絡(luò)的局部屬性；所述局部屬性包括：高階超網(wǎng)絡(luò)中各元素的度及聚類系數(shù)；

步驟S7：采用支持向量機分類算法，選擇高階超網(wǎng)絡(luò)的局部屬性作為分類特征，由此進行分類器的構(gòu)建，然后采用交叉驗證方法對構(gòu)建的分類器進行檢驗；

步驟S8：采用互信息分析方法，對所選特征在分類器中的重要度和冗余度進行量化，然后根據(jù)量化結(jié)果對所選特征進行二次篩選，由此對高階超網(wǎng)絡(luò)進行優(yōu)化。

與傳統(tǒng)磁共振影像數(shù)據(jù)分類方法相比，本發(fā)明所述的基于高階超網(wǎng)絡(luò)的靜息態(tài)功能磁共振影像數(shù)據(jù)分類方法通過采用時間窗分割方法、皮爾遜相關(guān)方法、稀疏線性回歸方法、支持向量機分類算法、交叉驗證方法、互信息分析方法，實現(xiàn)了高階超網(wǎng)絡(luò)的描述，由此很好地反映了功能連接的時變特性，從而大幅提高了分類準確率(如圖1所示，本發(fā)明的分類準確率明顯高于傳統(tǒng)磁共振影像數(shù)據(jù)分類方法的分類準確率)，進而使得應(yīng)用價值更高。

本發(fā)明有效解決了傳統(tǒng)磁共振影像數(shù)據(jù)分類方法分類準確率低的問題，適用于磁共振影像數(shù)據(jù)分類。

附圖說明

圖1是本發(fā)明與傳統(tǒng)磁共振影像數(shù)據(jù)分類方法的對比示意圖。

具體實施方式

基于高階超網(wǎng)絡(luò)的靜息態(tài)功能磁共振影像數(shù)據(jù)分類方法，該方法是采用如下步驟實現(xiàn)的：

步驟S1：對靜息態(tài)功能磁共振影像進行預(yù)處理，并根據(jù)選定的標準化腦圖譜對預(yù)處理后的靜息態(tài)功能磁共振影像進行區(qū)域分割，然后對所分割的各腦區(qū)進行平均時間序列的提?。?/p>

步驟S2：選定長度固定的滑動窗口，并按照一定步長對各腦區(qū)的平均時間序列進行時間窗分割；

步驟S3：計算每個時間窗下各腦區(qū)的平均時間序列兩兩之間的皮爾遜相關(guān)系數(shù)，由此得到皮爾遜相關(guān)矩陣；

步驟S4：提取皮爾遜相關(guān)矩陣中對應(yīng)元素的值，由此得到高階關(guān)聯(lián)矩陣；

步驟S5：利用稀疏線性回歸模型，計算高階關(guān)聯(lián)矩陣中每個元素與其它元素的線性組合表示，由此建立超邊，然后根據(jù)超邊構(gòu)建高階超網(wǎng)絡(luò)；

步驟S6：計算高階超網(wǎng)絡(luò)的局部屬性；所述局部屬性包括：高階超網(wǎng)絡(luò)中各元素的度及聚類系數(shù)；

步驟S7：采用支持向量機分類算法，選擇高階超網(wǎng)絡(luò)的局部屬性作為分類特征，由此進行分類器的構(gòu)建，然后采用交叉驗證方法對構(gòu)建的分類器進行檢驗；

步驟S8：采用互信息分析方法，對所選特征在分類器中的重要度和冗余度進行量化，然后根據(jù)量化結(jié)果對所選特征進行二次篩選，由此對高階超網(wǎng)絡(luò)進行優(yōu)化。

所述步驟S1中，預(yù)處理步驟具體包括：時間層校正、頭動校正、聯(lián)合配準、空間標準化、低頻濾波；標準化腦圖譜采用AAL模板；平均時間序列的提取步驟具體包括：提取AAL模板中每個腦區(qū)所包含的所有體素在不同時間點上的BOLD強度，并將各體素在不同時間點上的BOLD強度進行算術(shù)平均，由此得到各腦區(qū)的平均時間序列。

所述步驟S3中，計算公式具體表示如下：

公式(1)中：r_ij表示皮爾遜相關(guān)矩陣中第i行第j列的元素，即第i個腦區(qū)與第j個腦區(qū)之間的皮爾遜相關(guān)系數(shù)；n表示時間點個數(shù)；x_i(t)表示第i個腦區(qū)的時間序列；表示第i個腦區(qū)的時間序列的平均值；x_j(t)表示第j個腦區(qū)的時間序列；表示第j個腦區(qū)的時間序列的平均值；皮爾遜相關(guān)矩陣的維度為90×90。

所述步驟S4中，高階關(guān)聯(lián)矩陣的維度為時間窗數(shù)×4005。

所述步驟S5中，稀疏線性回歸模型具體表示如下：

x_m＝A_mα_m+τ_m (2)；

公式(2)中：x_m表示選定腦區(qū)的時間序列；A_m＝[x₁,...,x_m-1,0,x_m+1,...,x_M]，其包含除選定腦區(qū)之外的所有腦區(qū)的時間序列；α_m表示其它腦區(qū)對選定腦區(qū)影響程度的權(quán)重向量；τ_m表示噪聲項；α_m中非零元素對應(yīng)的腦區(qū)即為與選定腦區(qū)相互作用的腦區(qū)。

所述步驟S6中，計算公式具體表示如下：

公式(3)中：HCC¹(v)表示第一類聚類系數(shù)；u，t，v表示節(jié)點；V表示節(jié)點集，ε表示邊集，e表示超邊；N(v)表示包含節(jié)點v的超邊含有的其它節(jié)點的集合；如果例如u,t∈e_i，但是則否則

公式(4)中：HCC²(v)表示第二類聚類系數(shù)；u，t，v表示節(jié)點；V表示節(jié)點集，ε表示邊集，e表示超邊；N(v)表示包含節(jié)點v的超邊含有的其它節(jié)點的集合；如果例如u,t,v∈e_i，則I′(u,t,v)＝1，否則I′(u,t,v)＝0；

公式(5)中：HCC3(v)表示第三類聚類系數(shù)；v表示節(jié)點；|e|表示超邊包含節(jié)點數(shù)量；V表示節(jié)點集，ε表示邊集，e表示超邊；N(v)表示包含節(jié)點v的超邊含有的其它節(jié)點的集合；S(v)＝{e_i∈ε:v∈e_i}，v表示節(jié)點，e_i表示超邊；S(v)表示包含節(jié)點v的超邊的集合；

公式(6)中：d(v)表示頂點v的節(jié)點度；v表示節(jié)點；e表示超邊；ε表示邊集；H(v,e)表示高階關(guān)聯(lián)矩陣中對應(yīng)的元素；

公式(7)中：H(v,e)表示高階關(guān)聯(lián)矩陣中對應(yīng)的元素；高階關(guān)聯(lián)矩陣的行元素為節(jié)點，列元素為超邊；如果節(jié)點v屬于超邊e，則H(v,e)＝1；如果節(jié)點v不屬于超邊e，則H(v,e)＝0。

所述步驟S7中，分類器的構(gòu)建步驟具體包括：采用RBF核函數(shù)，選擇非參數(shù)檢驗后具有顯著組間差異的局部屬性作為分類特征，由此進行分類器的構(gòu)建；

檢驗步驟具體包括：從樣本集中隨機選擇90％的樣本作為訓練集，剩余10％的樣本作為測試集，由此進行分類測試并得到分類準確率；將重復進行100次分類測試后得到的分類準確率進行算術(shù)平均，然后將算術(shù)平均值作為分類器的分類準確率。

所述步驟S8中，量化公式具體表示如下：

公式(8)中：D表示所選特征在分類器中的重要度；S表示所有特征的集合；|S|表示S中特征的個數(shù)；x_i表示所選特征；c表示樣本的類別標簽；I(x_i，c)表示所選特征與樣本的類別標簽c的互信息；

公式(9)中：R表示所選特征在分類器中的冗余度；S表示所有特征的集合；|S|表示S中特征的個數(shù)；x_i表示所選特征；x_j表示其它特征；I(x_i，x_j)表示所選特征與其它特征的互信息；

二次篩選步驟具體包括：分別按照重要度大小和冗余度大小對所選特征進行排名，然后篩選出重要度較大且冗余度較小的特征。