[发明专利]一种基于多任务学习的多模态脑网络特征融合方法

说明书

技术领域

本发明属于生物信息技术领域，涉及多模态模式识别技术，具体涉及静息态功能磁共振成像（resting-state functional magnetic resonance imaging，rs-fMRI）和弥散张量成像（diffusion tensor imaging，DTI）的特征融合方法。

背景技术

为了给临床提供更多影像指标，目前许多研究采用分析磁共振图像差异，将显著差异指标作为支持向量机的特征集，通过支持向量机对样本进行分类。

磁共振成像不仅可以得到功能信息，还可以得到丰富的结构信息。然而当前的磁共振模式分类研究大多基于单一模态（如功能磁共振、结构磁共振、弥散张量成像），很少将功能信息与结构信息进行融合，以进一步提高模式分类的准确率；而且在特征选择环节大多基于单变量的t统计检验，这种特征选择法会忽略掉两组样本特征间细微的差异，并且没有考虑模态之间特征的相互关系。

发明内容

本发明的目的是为了解决现有的磁共振模式分类研究存在的上述问题，提出了一种基于多模态脑网络的多任务特征融合方法。

本发明技术方案为：一种基于多任务学习的多模态脑网络特征融合方法，具体包括如下步骤：

步骤1：对获取的fMRI图像、DTI图像进行预处理。

步骤2：将预处理后的fMRI图像配准到标准的AAL模板，并计算功能连接矩阵。

步骤3：将预处理后的DTI图像配准到AAL模板，计算FA值，构造结构连接矩阵；

步骤4：分别计算功能网络矩阵和结构网络矩阵每个脑区的聚类系数，得到功能特征和结构特征；

步骤5：将步骤4得到的功能特征和结构特征当作两个不同的任务，按多任务学习最优化问题评定最优特征集，即得到融合后的特征集。

进一步，上述方法还包括对融合后的特征集用支持向量机进行分类的步骤。

本发明的有益效果：本发明的方法将多任务特征选择方法和多模态模式分类进行有机的结合，客服了传统的单任务特征选择方法时不考虑特征之间的关联性，以及只用一个模态的特征进行模式分类从而导致信息量不足的问题；本发明的方法综合利用二者的特点，利用多个模态互为补充的信息进行同时学习并进行分类，有效的提高了分类的准确率。

附图说明

图1本发明的多任务特征融合方法流程示意图。

具体实施方式

下面结合附图和具体实例对本发明做进一步的说明。

本实施以重度抑郁症病人数据为例进行说明，具体数据在中南大学湘雅二医院采集，抑郁症诊断用DSM—IV量表诊断，病人为首发未用药，共18例，对照组同样为18例，图像用1.5TGE磁共振扫描器扫描，采集了静息态功能磁共振图像和弥散张量成像数据。

本发明的基于多任务学习的多模态脑网络特征融合方法的具体实施过程如图1所示，包括以下步骤：

A.对获取的fMRI图像进行预处理，具体步骤如下：

1、进行数据转换，把原始Dicom图像转换为NIfTI图像；

这里，NIfTI是一种典型的数据分析格式，包括一些重要的信息，如图像的方向，主要用于大脑图像分析。

2、时间校正；

3、头动校正；

4、校正后的图像与SPM软件的EPI（Echo-planar imaging，平面回波扫描成像）模版进行标准化，把每个体素重采样到3×3×3mm³大小；

5、进行信号的去除线性漂移和滤波；

6、回归掉脑脊液信号、白质信号以及头动对真实生理信号的影响。

B.对获取的DTI图像进行预处理，具体步骤如下：

1、进行数据转换，把原始Dicom图像转换为NIFTI图像；

1、涡流校正和头动校正；

2、把被试的结构相对齐到无弥散加权图像b0像；

3、把对齐后的结构相配准到SPM的T1模版，得到变换矩阵。T1模板是用于将图像进行空间校准化的本领域公认的大脑模板，T1模板的具体大小为：2*2*2mm³，可以根据实际情况进行选择。

4、将矩阵进行反变换，把标准空间的AAL模版拉到个体空间；

5、在个体空间进行DTI的纤维束追踪。

C.构建功能连接矩阵：将预处理后的fMRI图像按大脑分区模板（AAL模板）进行分区，提取每一个脑区的时间序列，并计算两两时间序列之间的皮尔逊相关系数：