[发明专利]一种分析基因对多模态脑影像表型影响的方法

权利要求书

1.一种分析基因对多模态脑影像表型影响的方法，其特征在于，包括如下步骤：

(1)对预先获取的基因脑影像数据进行预处理；

(2)基于多模态表型图扩散方法获得包含所有多模态表型图中有价值的几何结构信息的统一图；

(3)建立基于图扩散的超图正则化多模态学习模型；

(4)对图扩散的超图正则化多模态学习模型进行优化处理，得到与基因相关的脑影像表型特征数据；

(5)使用多核支持向量机对得到的与基因相关的影像表型特征数据进行分类，并进行基因与脑影像相关性分析；

所述步骤(2)实现过程如下：

有N样本和M模态表型，使用第m模态的特征，构建加权图G^m＝(V^m，E^m)来模拟样本之间的关系，其中V^m对应于N样本和E^m对应样本之间相似关系的权重；边权重由N×N相似性矩阵S表示，其中S_i，j表示样本i和样本j之间的相似性；S_i，j通过标签的先验计算为：

其中，c是样本类的数量，使用具有相同标签的样本来重构x_i，其中代表第d类中的第i样本，ρ是一个正则化参数，是一个向量，其中位置的元素为零，忽略负解，即：使用SLEP工具箱来获取通过标签的先验挖掘脑影像表型数据内的结构信息问题的最优解

其中，全局相似性矩阵S是N×N对称矩阵，S_i，j是相似性矩阵S的元素；

使用K最近邻算法来计算多模态表型图的局部相似性矩阵即：

其中，是局部相似性矩阵的元素；局部相似性通过扩散过程传播到远程相似性；稀疏矩阵只保留顶点之间的强连接，同时去除弱连接；值得注意的是，S携带有关顶点之间相似性的完整信息，而描述了与K最近顶点的局部相似性，这对相似性度量中的噪声具有鲁棒性；

建立多模态表型图的扩散过程：

其中，和分别表示第1个模态和第2个模态在t时刻的全局相似性矩阵，和分别是第1个模态和第2个模态的局部相似性矩阵，η是参数，I是单位矩阵，在扩散过程中引入ηI，多种模态的扩散过程为：

其中，和分别表示第m个模型在在t时刻的全局相似性矩阵和局部相似性矩阵；此时，得到扩散矩阵如下：

所述步骤(3)实现过程如下：

(31)根据多模态表型图扩散获得的统一图结构信息P构造超图，如果x_i与图中的多个样本强相关，则其包含在超边e_j中，得到的关联矩阵H为：

其中，θ是一个阈值，通过判断相似度P_ij是否大于阈值θ，直接决定是否将顶点v_i分配给超边e_j；

(32)将每个样本作为中心，并通过在统一图中选择最相关的样本来构建超边，根据H，定义顶点v_i∈V的度和超边e_j∈E的度如下：

其中，w(e_j)为e_j的权重，h∈H；将P_i作为样本x_i的特征，并通过两个特征向量的点积来衡量两个样本之间的相似性：

M(i，j)＝|P_i，P_j|

此时，邻域矩阵计算为M＝|P^TP|，则超边的权重计算为：

得到加权的超图为G(V，E，Q)，其中Q是超边的权矩阵，且q∈Q；

(33)基于所构建的超图G，得到如下拉普拉斯矩阵：

其中，D_v和D_e分别是顶点度和超边度的对角矩阵；根据该拉普拉斯矩阵L^h，超图正则化项Ω定义为：

Ω＝(Xw)^TL^hXw

(34)根据超图正则化项Ω，建立基于图扩散的超图正则化多模态学习模型为：

其中，是指M个模态的表型；y＝[y₁，y₂，…，y_n，…，y_N]∈R^N是对应的基因；N是样本数，p对应每种模态表型的特征维数；w^m∈R^p是第m个模态的权重向量；W＝[w¹，w²，…，w^M]∈R^p×M表示相应模态上的权向量所构成的矩阵；||W||_2，1是指组稀疏正则化项，用于从多模态脑影像表型中联合地选择少数与基因位点相关的特征；λ和μ是两个正则化参数；

所述步骤(5)实现过程如下：检测所有与基因相关的脑影像表型特征数据是否直通；若是，则输出与基因相关的脑影像表型特征数据，使用多核支持向量机对输出与基因相关的脑影像表型特征数据进行分类；否则，重回到步骤(1)。

2.根据权利要求1所述的一种分析基因对多模态脑影像表型的影响方法，其特征在于，所述步骤(4)实现过程如下：

(41)将步骤(3)提出的基于图扩散的超图正则化多模态学习模型分解成平滑子式g₁(W)和非平滑子式g₂(W)，即：

g₂(W)＝λ||W||_2，1

(42)定义一个近似函数Q_l(W，W_t)如下：

其中，||·||_F表示Frobenius范数算子；为g₁(W)第t次迭代在W_t处的梯度；符号l表示步长；

(43)采用加速近似梯度方法进行基于图扩散的超图正则化多模态学习模型优化，此时有：

其中，w_k和v_k分别是指矩阵W和矩阵V的第k列；

(44)经过(41)-(43)的迭代优化，得到与基因相关的影像表型特征数据。