[发明专利]一种基于弥散张量成像的抑郁症患者疾病恢复的评估方法

权利要求书

1.一种基于弥散张量成像的抑郁症患者疾病恢复的评估方法，其特征在于，包括以下步骤：

(1)构建建模样本的大脑结构网络；

(2)计算大脑组平均网络中的规格化Rich club系数，确定Rich club结构；

(3)构建Feeder-local子网络；

(4)计算建模样本中每两个样本的Feeder-local子网络的相似性度量，构建特征矩阵；

(5)利用支持向量回归，将步骤(4)构建的特征矩阵作为特征集合，采取多项式核函数，构建评估模型；

其中，步骤(1)所述大脑结构网络按如下方法构建：

对于建模样本中每个样本的弥散张量成像的数据，使用ALL结构模板，将人脑划分为90个脑区，每个脑区即为所述大脑结构网络的节点，对每两个脑区之间进行纤维素示踪，将纤维素中的水分子扩散各向异性分数作为每两个脑区之间边的权值；

其中，步骤(2)所述大脑组平均网络按如下方法计算：

设定阈值t，N表示建模样本中的样本数目，当所有建模样本的大脑组织网络相同连接位置存在的连接大于t×N时，则认定此处的功能连接存在，计算所有建模样本大脑结构网络中非零连接的算数平均数作为大脑组平均网络该条连接的权值，以此类推，得到大脑组平均网络；

步骤(2)所述Rich club结构按如下方法定义：

(2.1)大脑结构网络的Rich club系数φ^w(k)计算方法为：

k是指节点的度，度代表了和该节点相连接的边的条数；Ek是度值高于k的连接的数量，W_k是度值高于k的连接的权重之和，W_l^sorted是指按照连接权重从大到小排序后前E条连接的权重，按照连接权重从大到小排序后前E条连接的权重之和；

(2.2)规格化的Rich club系数计算方法为：

是随机大脑结构网络的Rich club系数的平均值；

(2.3)Rich club结构的确定：当节点的k值满足φ_norm(k)＞1时，即该节点具有Richclub特性，具有Rich club特性的节点的集合即为Rich club结构；

其中，步骤(3)所述Feeder-local子网络按如下方法构建：

将大脑结构网络的节点分为Rich节点、non-Rich节点，边分为Rich边、Feeder边、Local边，利用Feeder边、Local边和所有节点构建Feeder-local子网络；其中，所述Rich club结构内含有的节点即为Rich club节点，Rich club结构外的节点即为non-Rich club节点；用于连接Rich club节点的边为Rich club边，用于连接Rich club节点和non-Rich club节点的边为Feeder边，用于连接non-Rich club节点的边为Local边；

其中，步骤(4)所述特征矩阵按如下步骤构建：

(4.1)针对Feeder-local子网络的每个节点，基于其度的大小，给定每个节点初始标签，再根据节点所连接的其他节点情况，给定每个节点增强标签；将初始标签与增强标签混合重新进行标记，得到最终标签集合L＝{l₁，l₂，……，l_n}；L为最终标签的集合，l₁，l₂，……，l_n代表不同的标签，n代表总标签的数量；

(4.2)针对每个样本的Feeder-local子网络G，定义一个特征向量φ(G)用于表示所述子网络内不同标签的特征信息：

φ(G)＝(s(G,l₁),s(G,l₂),...,s(G,l_n))

其中，s(G,l_i)代表第i个标签在Feeder-local子网络G中出现的次数，φ(G)代表子网络G中所有标签出现次数的集合；

(4.3)针对建模样本中每两个样本i和j对应的Feeder-local子网络G_i、G_j，两个子网络的相似性度量定义为两个子网络特征向量φ(G)的内积，

k(G_i,G_j)＝φ(G_i),φ(G_j)

其中，k(G_i,G_j)越大，说明两个子网络的拓扑结构越相似；

(4.4)特征矩阵定义为：矩阵的每一个元素代表样本i和样本j的相似性度量k(G_i,G_j)，其表达形式如下：

其中，步骤(5)所述评估模型为：

x_i是样本i在特征矩阵中的 特征向量，f(x_i)代表了给予样本i的特征向量的模型输出值，y_i代表样本i的标签，m代表样本总量；ω＝(ω₁；ω₂；……；ω_d)为法向量，决定了超平面的方向，d为法向量的个数；b为位移项，决定了超平面与原点之间的距离；C为正则化常数，l_∈为∈-不敏感损失函数，∈为损失函数的一个参数，表示当预测值f(x_i)与y_i之间的差别的绝对值大于∈时计算损失，公式如下：

将待测样本代入上述构建的评估模型中，根据新个体在模型平面上的分布位置，判断新个体的疾病恢复状态。

2.根据权利要求1所述的评估方法，其特征在于，所述阈值t为0.3～0.9。