[发明专利]基于集成学习的大脑功能影像定位方法

权利要求书

1.基于集成学习的大脑功能影像定位方法，其特征在于，具体包括以下步骤：

步骤S1，采用静息态功能磁共振技术获取脑功能区胶质瘤患者指定时间内的静息态功能影像及高精度结构影像；

步骤S2，对步骤S1中获取的影像数据集采取多项预处理；

步骤S3，将大脑划分为若干功能脑区；

步骤S4，针对每个功能脑区，利用弹性网络统计模型进行对侧功能连接特征选择和对侧功能连接模式定位分类器训练，在训练集上，针对每个脑功能区胶质瘤患者个体的每个功能脑区分别训练一个对侧定位分类器，构建每个功能脑区的弱分类器模型库；

步骤S5，对于新来的脑功能区胶质瘤患者数据，将任一功能脑区的弱分类器模型库中的所有弱分类器应用于该患者个体数据，得到对该功能脑区的若干定位结果；

步骤S6，计算新来的脑功能区胶质瘤患者数据和弱分类器训练个体数据的相似度，利用计算获得的相似度，对所有弹性网络弱分类器的预测结果进行个体化集成；

步骤S7，根据脑功能区胶质瘤患者肿瘤附近每个体素在不同功能脑区对应的集成模型评分，将评分转换成在对应功能脑区的排序，将排序最高的功能脑区标签赋给当前体素，实现大脑功能区的个体化定位。

2.根据权利要求1所述的基于集成学习的大脑功能影像定位方法，其特征在于，在所述步骤S1的扫描过程中，每个扫描包括248个连续的EPI功能图像，其扫描参数设置如下：

33axialslices,repetitiontime(TR)＝2000ms,echotime(TE)＝30ms,thickness/skip＝4/0mm,fieldofview(FOV)＝192×192mm,matrix＝64×64mm,flipangle＝90°。

3.根据权利要求1所述的基于集成学习的大脑功能影像定位方法，其特征在于，所述步骤S2中的多项预处理包括去除时间点、扫描层时间校正、头动校正，映射到标准化空间，去趋势项，带通滤波以及Scrubbing。

4.根据权利要求3所述的基于集成学习的大脑功能影像定位方法，其特征在于，所述头动校正采用6个参数的刚体变换来校正不同TR间的头动差异，将大于3mm或3degree的脑功能区胶质瘤患者数据作为无用数据剔除，并使用waveletdespiking消除突发性头动对功能信号的影响。

5.根据权利要求3所述的基于集成学习的大脑功能影像定位方法，其特征在于，所述映射到标准化空间时，通过肿瘤蒙版去除肿瘤对于标准化的影响，将患者未受到肿瘤影像的健康侧大脑映射到标准空间。

6.根据权利要求1所述的基于集成学习的大脑功能影像定位方法，其特征在于，所述步骤S3中，按照多种任务态共激活计算所得的任务态模板，将大脑初步划分为193个功能脑区。