[发明专利]一种基于功能连接网络的多层次特征融合的精神病自动判别方法

说明书

本发明提出了一种基于功能连接网络的多层次特征融合的精神病自动判别方法，采用静息态的功能核磁(Rs‑fMRI)构建功能连接网络，计算两种层次的特征，网络属性特征和功能连接特征，网络属性特征包括六种网络局部属性和六种网络全局属性，同时将所有功能连接网络进行叠加，计算平均网络，保留一定比例的边，将保留位置的相关性作为连接层次的特征。考虑到脑区的独立性和特征之间的关联性，采用组稀疏(Group Lasso)的方式分别对两种层次的特征进行简约，分别构建支持向量机(SVM)分类器，采用加权投票的方式得到最终分类结果。本发明实现对是否患有精神病进行自动判别分析，提高对精神病诊断的准确性，这一方法可被应用于实际临床诊断中。

技术领域

本发明涉及一种基于功能连接网络的多层次特征融合的精神病自动判别方法，属于疾病分类诊断技术领域。

背景技术

精神分裂症是最常见的一种重性精神病，临床表现为症状各异的综合征，涉及感知觉、思维、情感和行为等多方面的障碍，以及精神活动的不协调。传统医学对精神分裂症的诊断大多是依据美国DSM-IV、国际ICD-10及国内精神障碍分类与诊断标准来判断。随着医疗影像技术的快速发展，设计对精神分裂症患者客观且方便的自动判别分类方法将在鉴别诊断精神病方面具有良好的应用前景。功能核磁共振成像(fMRI)利用人体自身的血液浓度的变化来快速成像，是一种活体脑功能检测的技术，并具有无创性，可以做到不侵入人体、大脑，无损伤地实施高质量的脑功能活动的探测。

利用功能核磁共振成像做精神病诊断是一个比较客观和有效的方法，常见的功能磁共振成像构建功能连接网络提取网络特征，但是没有考虑网络到平均网络的共性，在提取网络属性的时候，没有考虑到网络属性的分组情况。采用组稀疏的特征简约方式，考虑到了脑区的独立性和网络特征之间的内在关联。

发明内容

本发明所要解决的技术问题是，构建基于功能连接网络的多个层次的特征，选择最合适的阈值网络，计算出每个脑区的6种网络局部属性，同时考虑到6种网络全局属性；考虑到功能连接网络的共性，采用平均网络的方式，得到连接层面的特征；根据脑区的性质对特征进行分组，采用组稀疏的方式进行特征简约。为了融合两个层次的分类效果，采用加权投票的方式，得到最终分类结果，，从而实现对精神病自动判。为了实现上述目的，本发明的技术方案如下：

一种基于功能连接网络的多层次特征融合的精神病自动判别方法，包括以下步骤：

(1)对获取的静息态的功能核磁(Rs-fMRI)图像进行预处理。

由于个体脑部形状和大小的差异，图像采集的过程中存在噪声，首先对数据进行预处理，包括时间校正，头动校正，将T1结构像配准到功能像空间，匹配到标准MNI空间，滤波处理，空间平滑处理。从而消除个体差异和采集设备的误差。

(2)采用脑模板Brainnetome Atlas对预处理后的静息态的功能核磁图像进行脑区划分，得到每个脑区的平均时间序列，计算功能连接矩阵。

采用脑模板Brainnetome Atlas对预处理后的静息态的功能核磁图像进行分区，得到246个脑区，计算每个脑区每个时间点所有体素的平均值，最终得到每个脑区的平均时间序列，并计算任意两个脑区的平均时间序列之间的皮尔逊相关系数(Pearsoncorrelation coefficient)，计算公式如下：

其中，y_a(t)和y_b(t)表示脑区a和脑区b的时间序列，表示时间序列a的平均值，表示时间序列b的平均值，最终得到246x246的全连接矩阵。将每个脑区作为一个节点，节点和节点的边用皮尔逊相关系数表示，构成了功能连接网络。

(3)将功能连接矩阵进行阈值处理，保留一定比例的相关性的值，得到阈值网络。