[发明专利]一种基于广义线性模型的机器学习的术前定位方法

权利要求书

1.一种基于广义线性模型的机器学习的术前定位方法，其特征在于，包括以下步骤：

步骤一：获得结构图像和功能磁共振图像

使用扰相梯度回波序列3D-T1加权序列获取结构图像，再通过T2*加权单次梯度平面回波成像序列获取功能磁共振图像；

步骤二：对结构图像和功能磁共振图像进行预处理

对结构图像和功能磁共振图像分别进行时序校正、头动校正、标准化、空间平滑、去线性漂移和滤波处理；

步骤三：对结构图像和功能磁共振图像进行分割和配准操作，使用双重回归方法提取运动网络

利用运动网络模板将每个受试者j的经过预处理后的静息态功能磁共振数据进行回归，提取与运动网络相关的时序，然后，将提取的时序回归到同一受试者j的4D静息态功能磁共振数据中，获取特定受试者j的运动网络空间图；

步骤四：构建广义线性预测模型

提取来自人脑连接组计划项目数据库中的受试者j的静息态功能磁共振时间序列个体特征最为训练特征，然后将训练特征作为预测模型的输入，然后将双重回归的单个特征映射与对应的任务数据进行匹配，然后建立任务激活地图生成的矩阵相乘个体特征图，将大脑分区进行广义线性预测模型拟合；

所述步骤四中将双重回归的单个特征映射与对应的任务数据进行匹配，然后建立任务激活地图生成的矩阵相乘个体特征图，将大脑分区进行广义线性预测模型拟合的具体过程为：将来自双重回归的单个特征映射与对应的任务数据进行匹配，利用广义线性模型进行确定每个受试者j的β系数，计算如公式(1)所示，然后,采用留一分析方法获取除受试者j以外的所有受试者j个体β值的平均值，生成受试者j的β值，最后，通过将各个特征图乘以计算出的β系数来生成预测的任务激活图，如公式(2)所示，然后采用分段线性方法将大脑分成50个互不重叠的区域，并分别对每个区域进行广义线性预测模型拟合；

β_i＝pinv(X_i)·y_i (1)

其中：β_i为每个受试者j的β系数；X_j为特征图；X_i为来自双重回归的单个特征映射；y_i为来自双重回归的单个特征映射对应的任务数据。

2.根据权利要求1所述的一种基于广义线性模型的机器学习的术前定位方法，其特征在于：所述步骤二中进行空间平滑处理时，采用半高全宽为6mm的高斯核函数进行数据平滑，在脑功能成像分析软件中使用3d Deconvolve从数据中回归白质和脑脊液的信号以及六个运动参数及其导数。

3.根据权利要求1所述的一种基于广义线性模型的机器学习的术前定位方法，其特征在于：所述步骤二中进行滤波处理时，需要在频率f＝0.01Hz以上时对数据进行高通滤波。

4.根据权利要求1所述的一种基于广义线性模型的机器学习的术前定位方法，其特征在于：所述步骤三中分割和配准操作的具体过程为：使用SPM12软件将结构图像和功能磁共振图像分为灰质、白质和脑脊液，然后将灰质和白质分割相结合，生成大脑的解剖图像，再使用高级归一化工具以12自由度仿射变换，再使用对称图像标准化方法进行非线性微分配准，将解剖图像与MNI空间共同配准。

5.根据权利要求4所述的一种基于广义线性模型的机器学习的术前定位方法，其特征在于：所述步骤三中使用对称图像标准化方法进行非线性微分配准，将解剖图像与MNI空间共同配准的具体操作为：使用脑功能成像分析软件发送静息态功能磁共振数据并进行体积注册，然后使用图像处理软件FSL中的epi_reg将静息态功能磁共振数据注册到解剖扰相梯度回波序列，然后将静息态功能磁共振数据转换到MNI空间。