[发明专利]基于高阶超网络的静息态功能磁共振影像数据分类方法

说明书

本发明涉及图像处理技术，具体是一种基于高阶超网络的静息态功能磁共振影像数据分类方法。本发明解决了传统磁共振影像数据分类方法分类准确率低的问题。基于高阶超网络的静息态功能磁共振影像数据分类方法，该方法是采用如下步骤实现的：步骤S1：对静息态功能磁共振影像进行预处理；步骤S2：对各脑区的平均时间序列进行时间窗分割；步骤S3：计算各脑区的平均时间序列两两之间的皮尔逊相关系数；步骤S4：提取皮尔逊相关矩阵中对应元素的值；步骤S5：利用稀疏线性回归模型构建高阶超网络；步骤S6：计算高阶超网络的局部属性；步骤S7：选择分类特征并构建分类器；步骤S8：对所选特征的重要度和冗余度进行量化。本发明适用于磁共振影像数据分类。

技术领域

本发明涉及图像处理技术，具体是一种基于高阶超网络的静息态功能磁共振影像数据分类方法。

背景技术

人脑是一个极其复杂的信息处理系统，在神经科学领域，一个重要的挑战就是揭示其内部的功能及结构组织模式。作为多模态磁共振成像技术与复杂网络理论的结合，磁共振影像数据分类方法当前已经成为脑科学领域的热点之一。然而，传统磁共振影像数据分类方法由于自身原理和特点的局限性，普遍存在方法论的限制，由此导致其分类准确率低，从而严重影响其应用价值。

在传统的静息态功能磁共振成像分析中，假定功能连接在时间上是静止的，忽略了在扫描时间内可能发生的神经活动或者相互作用。在时间上相关的功能连接，由于神经作用的动态变化，可能会影响脑区之间的相关强度。因此，动态的功能连接的研究具有重要的意思。同时，传统功能连接网络通常是基于大脑不同区域之间的两两相关构建，从而忽略了他们的高阶关系，这些高阶信息的损失对于疾病诊断可能是重要的。同时基于相关的网络由于任意选取阈值会有许多虚假的连接。因此，有必要发明一种全新的磁共振影像数据分类方法，以解决传统磁共振影像数据分类方法存在的上述问题。本发明在划分时间窗基础上使用稀疏表示方法构建超网络，然后从超网络中提取关于大脑区域的特征用于疾病诊断。这种方法更好的反映了功能连接的时变特性。同时，通过构建高阶超网络，可以在不引入太多参数的情况下，呈现更高级别和更复杂的大脑区域之间的相互作用。

发明内容

本发明为了解决传统磁共振影像数据分类方法分类准确率低的问题，提供了一种基于高阶超网络的静息态功能磁共振影像数据分类方法。

本发明是采用如下技术方案实现的：

基于高阶超网络的静息态功能磁共振影像数据分类方法，该方法是采用如下步骤实现的：

步骤S1：对静息态功能磁共振影像进行预处理，并根据选定的标准化脑图谱对预处理后的静息态功能磁共振影像进行区域分割，然后对所分割的各脑区进行平均时间序列的提取；

步骤S2：选定长度固定的滑动窗口，并按照一定步长对各脑区的平均时间序列进行时间窗分割；

步骤S3：计算每个时间窗下各脑区的平均时间序列两两之间的皮尔逊相关系数，由此得到皮尔逊相关矩阵；

步骤S4：提取皮尔逊相关矩阵中对应元素的值，由此得到高阶关联矩阵；

步骤S5：利用稀疏线性回归模型，计算高阶关联矩阵中每个元素与其它元素的线性组合表示，由此建立超边，然后根据超边构建高阶超网络；

步骤S6：计算高阶超网络的局部属性；所述局部属性包括：高阶超网络中各元素的度及聚类系数；

步骤S7：采用支持向量机分类算法，选择高阶超网络的局部属性作为分类特征，由此进行分类器的构建，然后采用交叉验证方法对构建的分类器进行检验；

步骤S8：采用互信息分析方法，对所选特征在分类器中的重要度和冗余度进行量化，然后根据量化结果对所选特征进行二次筛选，由此对高阶超网络进行优化。