[发明专利]基于超网络判别子图的功能磁共振影像数据分类方法

说明书

技术领域

本发明属于图像处理技术领域，涉及一种基于超网络判别子图的功能磁共振影像数据分类方法。

背景技术

功能磁共振成像技术与复杂网络理论的结合，已经成为脑科学领域的热点之一，广泛应用在各类研究中。该方法实现了对人脑潜在工作机理的挖掘及建模，并取得许多令人惊喜的成果。但由于其自身原理所限，目前普遍存在方法论的限制。

传统的功能连接网络方法，基于不同脑区之间的两两相关得到的，因此基于相关的方法只能够捕获成对脑区之间的信息，因此不能全面地反应多个脑区之间的交互，从而忽视了它们之间的高阶关系，然而这种高阶信息的丢失对于刻画人脑潜在机理会产生重要影响。同时传统的构建脑网络的方法是任意选取阈值，会导致许多虚假的连接从而会影响疾病的诊断。除此之外在传统的基于网络连接的分类方法中，基本都是从网络中提取全局或局部属性等量化指标作为分类特征，然后进行特征选择和分类器构建。这样所提取的特征丢失了脑区之间的拓扑结构信息，对脑网络的结构变化无法给予有效的解释。

基于此，有必要发明一种全新的磁共振影像数据分类方法，以解决传统磁共振影像数据分类方法存在的上述问题。

发明内容

本发明提供一种基于超网络判别子图的功能磁共振影像数据分类方法，以实现多脑区间的高阶交互信息挖掘及连接模式识别，并提高分类准确率。

本发明所采用的技术方案是，基于超网络判别子图的功能磁共振影像数据分类方法，具体按照以下步骤进行：

步骤S1：对静息态功能磁共振影像数据进行预处理，然后根据选定的标准化脑图谱对影像进行区域分割，并对所分割的各脑区进行平均时间序列的提取；

步骤S2：利用稀疏线性回归方法，计算时间序列矩阵中每个脑区与其他脑区的线性组合表示，使用稀疏学习优化目标函数，生成超网络；

步骤S3：提取超网络中的每条超边作为一个子图，计算子图的频度，选取频度阈值，筛选频繁子图，将频繁子图模式作为特征；

步骤S4：在训练集上采用频繁分数特征选择方法；

步骤S5：采用基于图核的分类算法，判别性的子图作为特征，使用给定的正则化参数C和给定的最优特征子集，由此进行分类器的构建，然后采用交叉验证方法对构建的分类器进行检验；

步骤S6：采用互信息分析方法，对所选判别子图在分类器中的重要度和冗余度进行量化，然后根据量化结果对所选判别子图进行二次筛选，由此对最优特征子集进行优化。

进一步的，步骤S1中，对静息态功能磁共振影像数据进行预处理，首先最大程度的去除采集过程中由于设备、被试头动、生物噪音带来的噪音信号，保留了功能影像的细节，提高了信噪比，之后通过仿射变换和局部非线性变换方法将影响同一化到所选取的标准空间；

所述对所分割的各脑区进行平均时间序列的提取，具体步骤包括：提取每个脑区所包含的所有体素在不同时间点上的激活信号，再将各体素在不同时间点上的激活信号进行算术平均，得到脑区的平均时间序列。

进一步的，所述预处理步骤至少包括时间层校正、头动校正、联合配准、空间标准化及低频滤波。

进一步的，所述步骤S2中，稀疏线性回归方法中，稀疏线性回归模型具体表示如下：

x_m＝A_mα_m+τ_mx_m(1)；

公式(1)中：x_m表示选定脑区的时间序列，α_m表示其它脑区对选定脑区影响程度的权重向量，A_m＝[x₁,…,x_m-1，x_m+1,…x_M]包含除选定脑区之外的所有脑区的时间序列，τ_m表示噪声项，根据x_m、A_m可以得到α_m，α_m中非零元素对应的脑区即为与选定脑区相互作用的脑区；

其中，优化目标函数表示如下：

公式(2)中：λ表示控制模型稀疏的正则化参数。

进一步的，所述步骤S3中，按照以下步骤进行：

给定图集G，子图g_s的频度定义如下：