[发明专利]一种基于不确定性脑影像数据的挖掘方法

说明书

本发明通过人工智能领域的方法，实现了一种基于不确定性脑影像数据的挖掘方法，通过6个步骤：对输入脑影像数据处理得到部分各向异性、平均扩散系数、轴向扩散系数和径向扩散系数图像；对各向异性图像使用概率纤维束跟踪算法PICo，提取神经纤维束；将各个图像与标准的Desikan‑Killiany模板进行图像配准，对神经纤维束进行相应转换；根据配准后的图像和神经纤维束，提取神经纤维强度，几何特征和扩散张量特征；设计数据质量评估算法对特征数据进行质量评估和过滤；设计算法对过滤后的数据进行分析，实现通过对输入脑影像的处理和分析，消除数据的不确定性对分析的影响，结合统计检验和机器学习算法进行数据挖掘检测需要的的图像特征。

技术领域

本发明涉及人工智能领域，尤其涉及一种基于不确定性脑影像数据的挖掘方法。

背景技术

人类大脑可以划分成许多功能性区域，这些区域之间有着复杂的联系，相互协作以完成认知任务。在很长的一段时间里，研究者缺少有效的大脑量化方法。一直到近几十年，随着医学成像技术的发展，如核磁共振成像技术的出现，才使得人类有了更好的测量和量化大脑的手段。

在神经科学领域，基于脑影像数据，如核磁共振影像，分析人类脑网络结构，并检测与疾病相关的生物标记物具有极大的临床价值。虽然医学成像技术和脑网络重建技术已较为成熟，但实际上通过这些技术得到的数据具有较大的不确定性。数据不确定性一般指的是真实数据的不完整，噪声以及不一致性，它会导致数据值偏离正确值。已有的研究中存在一些核磁共振影像数据挖掘技术。但是，这些技术缺少对数据不确定性进行衡量和处理的有效手段。其次，现有研究方法的研究对象大部分集中于单一的脑网络特征，如神经纤维强度，不支持领域内已知其他的重要特征，如张量场扩散特征。

发明内容

为此，本发明首先提出一种基于不确定性脑影像数据的挖掘方法，包含6个步骤：

步骤1，对输入脑影像数据进行去骨处理，涡流校正和张量拟合，得到部分各向异性、平均扩散系数、轴向扩散系数和径向扩散系数四类图像；

步骤2，对步骤1得到的所述部分各向异性图像，使用概率纤维束跟踪算法PICo，提取神经纤维束；

步骤3，对步骤1得到的部分各向异性，平均扩散系数，轴向扩散系数和径向扩散系数图像分别与标准的Desikan-Killiany模板进行图像配准，根据部分各向异性图像和标准模板的映射关系，对神经纤维束进行相应转换；

步骤4，根据步骤3配准后的图像和神经纤维束，提取神经纤维强度，几何特征和扩散张量特征；

步骤5，设计一个基于格拉布斯检验的数据质量评估算法，对步骤4得到的特征数据进行质量评估和过滤；

步骤6，设计基于T检验的单变量特征选择算法和基于稀疏回归模型的多变量特征选择算法；单变量特征选择算法的输入是某一特征单个神经连接上的数据，即某一个神经连接的神经纤维强度、几何特征或者扩散张量特征，所述神经连接的强度为它包含的神经纤维数目，几何特征和扩散张量特征为它包含的神经纤维相应特征的均值，输出是该连接上的特征进行T检验后的p值，如果p＜α，则说明该连接上的这一特征具有统计差异性，为关键连接特征，其中α为T检验的显著性水平，默认值为0.05；多变量特征选择算法的输入是某一特征所有神经连接上的数据，模型进行学习后会计算出该特征的所有神经连接的权重，设置权重阈值，根据权重的绝对值大于设置阈值来筛选关键连接，这些连接上的该特征为关键连接特征；对步骤5过滤后的数据应用上述算法进行分析，得到图像数据中与疾病相关的特征

所述去骨处理的具体方法为：对输入的脑影像图像，通过FSL的BET工具进行去骨头处理，之后使用FSL进行涡流校正，然后通过FSL的DTIFIT工具构建扩散张量模型，基于该模型得到部分各向异性、平均扩散系数、轴向扩散系数和径向扩散系数四类图像。