[发明专利]一种基于无监督模糊系统的脑功能磁共振图像分类方法

说明书

本发明公开了一种基于无监督模糊系统的脑功能磁共振图像分类方法，它涉及自闭症计算机辅助诊断技术领域。其步骤为：采集静息状态下的功能磁共振成像数据并进行预处理，选择AAL模板将大脑皮层分区，提取每个脑区的平均时间序列信号，使用皮尔逊相关系数计算得到低阶功能连接矩阵；基于低阶功能连接矩阵计算皮尔逊相关系数得到高阶功能连接矩阵，将每个对象的低阶和高阶脑功能连接矩阵分别拉直，使用基于流形正则化约束的无监督模糊系统进行降维，对降维后的低阶和高阶功能连接矩阵进行线性组合，使用SVM进行分类。本发明对静息态脑功能磁共振图像进行分类，将其应用于自闭症的计算机辅助诊断中，分类准确率高、泛化性能好、可解释性强。

技术领域

本发明涉及的是自闭症医疗诊断技术领域，具体涉及一种基于无监督模糊系统的脑功能磁共振图像分类方法。

背景技术

在采集被试者的脑区的BOLD(Blood Oxygen Level Dependent)信号过程中，要求被试者保持静息状态。被试者在不受外界环境影响的情况下，脑区的血氧水平信号受神经自发活动的影响而产生变化。将人脑分为116个脑区，每个脑区包含很多个体素，每个体素随着时间的变化产生一个时间序列，将每个脑区中所有体素的时间序列求均值，就是这个脑区的时间序列。但是，采用线性的特征提取方法对每个个体的脑区时间序列数据进行预处理，往往不能将脑区中隐藏的有效特征提取出来，因此通过非线性的模糊特征映射，将数据非线性映射到高维空间，然后进行特征提取，从而得到有效的生物标记物。在此基础上进行分类，效果可以更好。

目前，已有的线性特征提取方法不能将有效的特征尽可能的提取出来，从而达不到良好的诊断效果。越来越多的研究者研究各种特征提取方法，有些方法计算量比较大，降低了算法的效率，而且不能保证将足够多的有效特征提取出。基于此，设计一种基于无监督模糊系统的特征提取方法对脑功能磁共振图像进行分类尤为必要。

发明内容

针对现有技术上存在的不足，本发明的目的在于提供一种基于无监督模糊系统的特征提取方法，在此基础上进行脑功能磁共振图像分类，从而提高自闭症诊断的准确率，且具有良好的可解释性和泛化性能，易于推广使用。

为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于无监督模糊系统的脑功能磁共振图像分类方法，其步骤为：

步骤S1：采集静息状态下的功能磁共振成像数据并进行预处理，选择AAL模板将大脑分成116个脑区，提取每个脑区的平均时间序列信号；

步骤S2：基于每个对象各脑区的平均时间序列，计算脑区之间的皮尔逊相关系数，得到低阶功能连接矩阵将低阶功能连接矩阵的每一行作为各个脑区的特征描述，再次计算脑区之间的皮尔逊相关系数，得到高阶功能连接矩阵

步骤S3：取矩阵的上三角阵，按行串联形成新的特征向量；把每个对象的低阶功能连接矩阵进行上述处理后得到的特征向量进行排列，形成新的矩阵，根据各特征与类标的相关性选择D个特征，构成矩阵其中为训练集中第i个样本；对每个对象的高阶功能连接矩阵也进行相同的操作，得到新的矩阵其中为训练集中第i个样本；

步骤S4：使用无监督模糊系统对矩阵和分别进行特征学习，得到变换矩阵β^l和β^h；使用公式和计算得到低维空间中的低阶嵌入矩阵El_tr和高阶嵌入矩阵

步骤S5：基于步骤S4得到的低阶嵌入矩阵和高阶嵌入矩阵使用公式(1)和(2)分别计算核矩阵和

使用公式(3)对它们进行线性组合，计算出复合核矩阵K_tr；

其中，θ₁和θ₂是训练核矩阵的组合系数，满足θ₁+θ₂＝1。