[发明专利]一种基于样本权重和低秩约束的多模态神经影像特征选择方法

说明书

本发明公开了一种基于样本权重和低秩约束的多模态神经影像特征选择方法，包括以下步骤：(1)多模态脑影像数据采集；(2)获得多个模态的数据后，采用多模态特征协同分析的方式进行特征选择，建立每个模态数据到分类类标的回归模型，对回归向量进行组稀疏约束，从而获得对所有任务都相关的公共特征子集；(3)多模态数据特征建模；(4)将目标函数写成增广拉格朗日形式，目标函数变为凸函数；(5)得到每个样本的每个模态的权重矩阵、每个特征的权重；(6)利用多核支持向量机的方法融合样本多模态特征进行分类。上述技术方案，不仅考虑模态间样本的重要性，还考虑了模态之间的相关性，找出更有意义的特征，提高分类和预测的准确性。

技术领域

本发明涉及神经影像分析处理技术领域，具体涉及一种基于样本权重和低秩约束的多模态神经影像特征选择方法。

背景技术

神经影像技术的迅速发展使人脑结构信息和精神活动的功能信息测量与可视化成为可能，由此引发近年来有关脑认知知识爆炸性的增长。然而，无论是什么样的成像模式，它只提供了一种成像手段，如何对神经影像获得的数据进行有效定量地分析和可视化，以及如何将各方面散乱的多模态多图谱数据信息集成一个反映脑组织结构和脑功能生理、病理机制的全景图，这是后续临床应用的关键。

然而，针对多模态多图谱数据异构进行特征表示，传统特征选择方法，即多模态脑影像数据融合诊断采取特征向量简单拼接处理，以简单信息量的方式实现诊断精度的提升。利用从每个样本的多个图谱中获取多组特征，然后将这些特征级联起来用于后续的分类任务。近年来，多核学习(multi-kernel learning)方法被应用在了多模态数据融合分析中，并取得了良好的效果。而在多模态数据中存在大量冗余和与诊断预测任务无关的特征，因此，一些研究人员在单模态或单图谱数据嵌入式稀疏特征选择技术的基础上进行了扩展，采用多任务学习框架实现了多模态及多图谱组稀疏特征选择，即选择出一致性的脑影像标志物作为诊断的判别性特征。

因此，已有特征选择方法明显的不足是：只使用单模态数据或者只是简单的级联多模态数据，不能充分利用多模态数据之间的互补信息，特征表示方法也较为单一，这些都在一定程度上制约了模型的学习性能。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种基于样本权重和低秩约束的多模态神经影像特征选择方法，该方法通过兼顾样本的权重，模态的权重和特征的权重，不仅考虑模态间样本的重要性还考虑了模态之间的相关性，找出更有意义的特征，提高分类和预测的准确性。

为实现上述目的，本发明提供了如下技术方案：一种基于样本权重和低秩约束的多模态神经影像特征选择方法，包括以下步骤：

(1)多模态脑影像数据采集；

(2)获得多个模态的数据后，采用多模态特征协同分析的方式进行特征选择，建立每个模态数据到分类类标的回归模型，对回归向量进行组稀疏约束，从而获得对所有任务都相关的公共特征子集；

(3)多模态数据特征建模；

(4)将目标函数写成增广拉格朗日形式，目标函数变为凸函数；

(5)利用交替方向乘子算法对步骤(4)中公式的每个变量用梯度下降法进行求解，得到每个样本的每个模态的权重矩阵W、每个特征的权重β^j。

(6)利用多核支持向量机的方法融合样本多模态特征进行分类。

作为优选的，步骤(1),对同一个病人进行多种模式或同一种模式的多次成像,同时从几幅图像获得信息，进行综合分析。

作为优选的，步骤(3)，将每个模态的数据用表示，其中上标j表示第j个模态，下标i表示第i个样本；将每个样本所属的类别用y_i表示，下标i表示第i个样本；将每个样本的数据和所属的类别输入到目标函数中进行特征选择，特征选择目标函数为：