[发明专利]一种基于多模态多站点数据融合的分类识别方法

说明书

本发明公开了一种基于多模态多站点数据融合的分类识别方法，包括如下步骤：1)获取多站点sMRI和R‑fMRI数据；2)对各个站点的sMRI数据进行预处理，得到sMRI颅骨剥离脑图像和大脑皮层表面模型；3)将大脑皮层分割成多个不同区域，并计算每个区域的皮层平均厚度、皮层平均表面积和灰质体积等解剖参数；4)将sMRI颅骨剥离脑图像输入ResNet3D深度网络模型提取高维特征；5)将提取出的解剖参数和高维特征进行融合得到一维向量作为sMRI数据特征；6)各个站点的R‑fMRI数据进行预处理，获得大脑灰质图像；本发明采用基于低秩表示的方法使得多站点数据有相同或类似的数据分布，解决或部分解决了多站点数据异构性的问题，有效提高诊断模型的泛化性，更符合实际要求。

技术领域

本发明涉及结构核磁共振图像处理、静息态功能核磁共振处理、脑功能网络分析、领域自适应、模式识别等技术领域，具体为一种基于多模态多站点数据融合的分类识别方法。

背景技术

近年来，医学影像的快速发展为脑影像数据分析和大脑活动状态观测提供了非常重要的临床参考价值，使得人类大脑的研究进入了新的阶段。但是，目前由于脑影像数据缺乏，研究人员大多使用多站点数据进行大脑的研究。

基于多站点数据进行大脑诊断的研究大致可以分为两类，第一类是仅使用某个站点的数据进行模型的训练，第二类是直接将所有站点的数据合并在一起用于模型的训练。但由于不同的扫描仪设备本身有着不同的扫描协议、扫描参数等，会导致不同站点的数据分布不同，存在数据异构性问题，所以使用所有站点的数据训练得到的模型准确率低。同时，每个站点的数据样本量都是有限的，若仅使用某个站点的数据进行模型的训练，得到模型会存在泛化能力差的问题。为了解决上述问题，在本方法中应用了基于低秩表示(low-rank representation，LRR)的方法进行多站点数据异构性处理，通过将不同站点的数据映射到共同的子空间，再进行一致性表示，使得不同站点的数据具有相同或类似的数据分布。

目前用于脑活动研究的途径主要有：结构功能磁共振成像(sMRI)、功能磁共振成像(fMRI)、脑电图(EEG)、脑磁图(MEG)、电子发射断层扫描(PET)、单光子发射断层扫描(SPECT)等。研究表明，不同模态的脑图像表征的信息也是不同的，同时这些信息具有一定的互补关系。其中sMRI可以反映脑结构的灰白质信息及萎缩程度，具有高度的空间分辨率，fMRI主要用于研究ASD的神经反应机制，可以体现功能网络异常变化。在本方法中同时使用了sMRI和fMRI两种模态进行特征融合，可以通过综合利用两种模态间的互补信息，以提高模型分类识别的准确性。

发明内容

本发明的目的在于提供一种基于多模态多站点数据融合的分类识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于多模态多站点数据融合的分类识别方法,包括以下步骤：

1)获取多站点sMRI和R-fMRI数据：从自闭症脑成像数据交换库ABIDE获取结构性核磁共振成像数据和静息态功能性核磁共振成像数据；

2)对各个站点的sMRI数据进行预处理，得到sMRI颅骨剥离脑图像和大脑皮层表面模型；

3)将大脑皮层分割成多个不同区域，并计算每个区域的皮层平均厚度、皮层平均表面积和灰质体积等解剖参数；

4)将sMRI颅骨剥离脑图像输入ResNet3D深度网络模型提取高维特征；

5)将提取出的解剖参数和高维特征进行融合得到一维向量作为sMRI数据特征；

6)各个站点的R-fMRI数据进行预处理，获得大脑灰质图像；

7)将大脑灰质图像分割成多个不同功能的脑区，并提取每个脑区的平均体素时间序列；

8)使用皮尔森相关分析法计算不同脑区之间的皮尔森相关系数，构建全部脑区的功能连接矩阵；