[发明专利]一种基于半多模态融合特征约简框架的图像分类方法

说明书

本发明公开了一种基于半多模态融合特征约简框架的图像分类方法，即通过保持来自脑功能和结构网络特征向量之间的关系，更好地捕捉多个模态数据的互补信息，使得疾病分类准确率进一步提升。本发明充分挖掘脑结构网络数据提供的参考信息，从脑功能网络特征向量矩阵中选择有效的特征数据，在已有K‑support范式的基础上增加新约束来保留不同模态特征数据的距离，分析与实验结果表明，本发明提出的基于半多模态融合特征约简框架框架优于已有的KSN和NF‑KSN方法。同时，本发明所选择出的一致性网络连接全面考虑了其在结构以及功能网络层面与疾病的相关性，而不只局限于功能网络层面，将选择出的一致性网络连接作为疾病生物标记的可信赖性更强。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于半多模态融合特征约简框架的图像分类方法。

背景技术

近年来，脑影像学技术，包括结构磁共振成像(sMRI)、弥散张量成像(DTI)和功能磁共振成像(fMRI)技术，已经证明了其对揭示疾病进展的临床医学研究过程中具有重要的意义。

其中，采用多元模式分类分析(MVPA)等机器学习算法对健康和患病脑的区分为当前脑影像学研究的热点之一。目前相关的研究工作大都围绕多模态多任务的方法进行展开，它充分利用了多种模态数据的互补信息，并取得了不错的分类效果。同时，多模态多任务的分析方法主要经历了三种发展历程：(1)抽取各模态数据的特征叠加成一个矢量；(2)组稀疏(例如，L2,1范数)，即假定同一类模态的数据特征同时为零或非零；以及(3)模态间的制约关系，即考虑了各模态数据内在联系。与前两种类型相比，后一种类型充分探讨了模态间的潜在关系，并又不像第二种类型那样严格，使得一个模态的所有特征数据被同时选择或排除。

大部分的神经精神疾病都属于异质性的疾病，其症状与负责情绪或认知功能的分布式神经网络失调有关，大规模分布式神经网络的失调可从脑功能网络和脑结构网络两个层面上表达。一般来讲，脑功能网络可采用组间统计比较和多元模式方法分析，但这些方法并不适用于检测与疾病相关的脑结构网络。本发明提出的半多模态融合的图像分类方法是建立在基于脑结构网络和脑功能网络连接特征融合的基础上。同时，与传统的多模态多任务方法不同的是，本发明中的脑结构网络仅用于提供特征选择的补充信息，但不参与后期分类过程。本发明通过保持来自脑功能和结构网络中特征向量之间的关系，更好地捕捉了多个模态数据的互补信息以实现疾病的早发现早诊断早治疗。同时，本发明对于揭示疾病进展的临床医学研究过程中具有重要的意义。

发明内容

本发明提供一种基于半多模态融合特征约简框架的图像分类方法，以充分利用来自多模态神经影像数据的互补信息来提升分类准确率；同时，本发明所选择出的一致性网络连接全面考虑了其在结构以及功能层面与疾病的相关性，而不只局限于功能连接层面，将选择出的一致性网络连接作为疾病生物标记的可信赖性更强。具体是将脑结构网络特征作为辅助信息，而不作为后续分类的主体因素，为从脑功能网络连接中选择特征数据提供参考信息，在原有K-support范式的基础上增加一项新约束来保留不同模态特征数据的距离，将综合功能和结构两个层面所选择出的网络连接进行后续的分类操作。具体方案如下：

一种基于半多模态融合特征约简框架的图像分类方法，包括以下步骤：

第一步、获取数据，具体是：获取多个被试对象的sMRI数据和rs-fMRI数据，并进行预处理，得到预处理后的sMRI数据和预处理后的rs-fMRI数据；计算预处理后的sMRI数据的灰度体积值；