[发明专利]异构多模态影像遗传学数据特征分析方法

说明书

本发明异构多模态影像遗传学数据特征分析方法，同时考虑样本数据间的结构关系以及训练过程中样本的“难易程度”，采用样本加权和结构稀疏化对脑影像数据和基因数据进行特征分析。该方法采用自步学习机制，实现训练过程中样本由简单到复杂的自动增长，减小噪声对模型的影响。此外，在自步学习框架下，引入局部保留投影方法，有效保留样本空间下样本点内部固定的邻域结构，同时用L1范数约束投影矩阵作为正则化项，实现特征选择过程。最后利用多核支持向量机对选择后的特征进行融合分类，从而提高对疾病的诊断精度。本发明公开的方法能够有效地进行特征选择和分类。

技术领域

本发明的技术方案涉及用于识别图形的方法，具体地说是异构多模态影像遗传学数据特征分析方法。

背景技术

阿尔茨海默病又称为老年痴呆，是一种常见的脑部退行性疾病，表现症状如记忆障碍、推理认知功能障碍、语言和运动障碍等，是当前危害老年人健康的重要疾病之一，病程发展缓慢且不可逆。根据认知模型的发展和功能受损的程度，阿尔茨海默病的发作可分为三个阶段：正常控制，轻度认知功能障碍和阿尔茨海默病。根据阿尔茨海默病的发病机理，尽早地发现和有效的治疗可以延缓疾病发病进程。大量研究表明，阿尔茨海默病与大脑的结构萎缩、新陈代谢改变、病理性淀粉样蛋白沉积有关。其中,常用的相关脑成像包括结构磁共振成像、功能磁共振成像、弥散张量成像和正电子发射断层扫描成像。与此同时,随着遗传学技术的发展,研究者们可以从更精细的分子水平(例如单核苷酸多态性)来寻找神经系统疾病和精神疾病相关的遗传标记。

近年来，随着科技能力的不断创新，越来越多的研究倾向于对阿尔茨海默病的早期诊断，由于大脑具有非常复杂的结构和功能，因此从单个大脑中获取数据模态不能提供足够的特征信息以进行诊断。在影像遗传学中，不同模态之间能够提供必要的互补信息，例如，结构磁共振成像提供与脑组织类型有关的信息，而正电子发射断层扫描成像测量葡萄糖脑代谢率。因此融合多模态的数据能够发现单模态中无法发现的信息。近年来，随着神经影像技术和遗传学技术的发展，可以在采集过程中收集多模态数据各种科目检查，为阿尔茨海默病的诊断提供数据来源。

异构多模态影像遗传学数据的维度较高且包含的信息量较大，并不是所有的特征都对检测分析阿尔茨海默病有帮助。因此从脑部影像和基因数据所提供的大量特征中选择出与分类预测任务相关的特征，去掉冗余的或者与分类相关性低的特征是非常重要的研究工作。CN109770932A公开了一种多模态脑部神经影像特征的处理方法，该方法采用样本权重和低秩约束多模态特征选择方法对多模态数据进行特征分析。该方法没有考虑数据本身的“难易程度”，将简单普适的知识和复杂专业化的知识一概而论，在训练过程中将所有数据(包括噪声点或离群点)随机加入训练，不能有效的消除噪声样本对模型的影响。CN111462116A公开了一种基于影像组学特征的多模态参数模型优化融合方法，该方法对高维影像组学特征采用梯度降维得到低维影像组学特征，在降维过程中忽略了数据内部结构信息。

总之，在现有的阿尔茨海默病诊断分类技术中，目前的特征选择方法均存在无法更好地考虑样本之间的关系，容易对阿尔茨海默病诊断分类错误的缺陷，精度有待进一步提高。

发明内容

本发明的技术任务是针对以上不足，提供异构多模态影像遗传学数据特征分析方法，同时考虑样本数据间的结构关系以及训练过程中样本的“难易程度”，采用样本加权和结构稀疏化对脑影像数据和基因数据进行特征分析，将特征权重矩阵作为降维过程中的投影矩阵，采用稀疏化对特征权重矩阵和投影矩阵同时约束。该方法采用自步学习机制，实现训练过程中样本由简单到复杂的自动增长，减小噪声对模型的影响。此外，在自步学习框架下，引入局部保留投影方法，有效保留样本空间下样本点内部固定的邻域结构，同时用L1范数约束投影矩阵作为正则化项，实现特征选择过程。最后利用多核支持向量机对选择后的特征进行融合分类，从而提高对疾病的诊断精度。本发明公开的方法能够有效地进行特征选择和分类。