[发明专利]一种基于多模态脑影像的基因型分析方法

说明书

技术领域

本发明公开了一种基于多模态脑影像的基因型分析方法，本发明属于医学影像与计算机科学的交叉领域，涉及数字图像分析与模式识别的技术领域。

背景技术

随着医学成像技术的迅猛发展，基因影像学成为了一个新兴的科学领域，主要研究基因变异对脑部结构和功能的影响。对于阿尔茨海默病来说，遗传因素起着重要的调控作用。而目前已有证据表明APOE(apolipoprotein E)_ε4基因与阿尔茨海默病的发病高度相关。遗传基因变异对生物体的调控机理是复杂而未知的，其中单核苷酸多态性(single nucleotide polymorphisms，SNPs)是一种常见的生物遗传标记。由于阿尔茨海默病患者的脑部会产生结构性萎缩，因此我们可以从神经影像数据中提取到与疾病相关联的图像特征作定量性状(quantitative traits，QTs)。

目前大多数研究工作关注基于脑结构模态的神经影像与基因变异的关联分析，但这些方法都是将每个脑区视为单独的一个节点，而忽略了节点之间的连接信息。而脑网络模型是对大脑系统的简单表示，节点两两之间的功能连接边是构成整个功能网络的重要数据，反映了不同脑区之间的连接强度，承载有患者与正常人之间的差异信息。本发明试图将提取到的脑结构感兴趣区域和功能连接网络特征进行弹性网络特征选择之后，再采用多核支持向量回归机进行基因型与表现型的关联分析，发现两者之间的联系有利于更好地理解阿尔茨海默病的疾病机理，从而采取更好的预防措施和更有效的治疗措施。本发明基于以上问题，提出一种多模态脑影像回归基因型方法。实现了用多模态脑影像准确预测基因型的同时验证了多模态信息融合的有效性。

发明内容

本发明是基于多模态脑影像，发明一个基因型回归分析的方法。

本发明的具体技术方案包括以下几个步骤：

步骤一：针对多模态脑影像数据的特点，利用fMRI图像来构建脑功能连接网络；

步骤二：针对多模态脑影像数据的特点，利用sMRI图像提取ROI的灰质密度特征；

步骤三：采用弹性网络选择ROI的灰质密度特征(节点特征)和构建好的脑功能连接特征(边特征)；

步骤四：使用多核支持向量回归机对前一步骤获得的特征进行回归分析。

所述步骤一中，对采集到的原始数据，我们使用Data Processing Assistant for Resting-State fMRI(DPARSF)进行切片时间校正(slice timing)，头动校正(motion correlation)，和空间正则化(spatial normalization)等标准预处理流程。接着每个对象的fMRI图像所对应的脑空间根据Automated Anatomical Labeling(AAL)模板被分割为90个脑区(每个脑区对应图中的一个顶点)，计算每个脑区的平均时间序列以及脑区间的Pearson相关系数作为脑区间的连接强度。从而获得了大脑的功能性连接网络。

所述步骤二中，处理结构磁共振图像时，首先，手动将所有被试的T1结构像数据调整到前联合-后联合的平行线。然后，使用统一的分割技术，将所有被试的T1加权像分割为灰质、白质以及脑脊液。再次，将每个被试的灰质图像使用DARTEL(diffeomorphic anatomical registration through exponentiated lie algebra)技术空间标准化到本研究特定的T1加权的模板。DARTEL配准首先从每个被试的图像上计算平均的图谱，然后将每个被试的图谱配准到该图谱上。为了提高配准质量以及得到一个更加准确的不同被试间的配准，配准过程将重复进行，直到产生最优的特定模板。随后再配准到蒙特利尔神经学研究所(MNI)标准空间上。最后，每个被试将产生各自的灰质密度图。为了得到更好的结果，使用10mm的高斯平滑和将每个被试的灰质图像进行平滑。然后按照AAL模板对90个脑区分别提取90个脑区的平均灰质密度。

所述步骤三中，我们采用弹性网络(elastic net)算法分别对节点特征和网络边特征做特征选择。弹性网络系数可以由求解以下优化问题得到：