[发明专利]一种分析基因对多模态脑影像表型影响的方法

说明书

本发明公开了一种分析基因对多模态脑影像表型影响的方法，首先提出了一种图扩散方法，用于在给定多模态表型的情况下增强样本之间的相似性度量，并将多个输入相似性图融合到具有不同成像表型之间几何结构的统一图；其次，使用统一图来表示样本之间的高阶相似性关系，通过超图正则化项来结合跨模态信息，以此建立基于图扩散的超图正则化多模态学习模型，并设计一种优化策略来对此模型进行求解，得到与基因相关的成像表型；最后，采用多核支持向量机融合从不同模态中选择的表型特征。本发明能够充分地利用影像表型数据以及有效地分析基因对多模态脑影像表型的影响。

技术领域

本发明属于基于影像遗传学的图像分析领域，具体涉及一种分析基因对多模态脑影像表型影响的方法。

背景技术

脑影像遗传学(brain imaging genetics或brain imaging genomics)是结合多模态神经影像学和遗传学方法，检测与影响认知和情绪调节等行为相关脑结构和功能的遗传变异。其运用脑影像技术将脑的结构与功能作为表型来评价基因对个体的影响，探讨基因是如何影响大脑的神经结构和功能。研究遗传与大脑结构和功能的相关性，在“基因与脑”和“脑与行为”之间架起一座看得见的桥梁。

在近期的研究工作中，已有部分文献指出，整合多模态脑影像数据能够帮助理解人类大脑状态变化。需要注意的是，首先，在大多数研究中，通常没有考虑基因对多模态脑影像表型的影响。众所周知，并非大脑中的所有变化都是遗传效应的必然结果，通过不知道哪些成像表型与大脑特定状态有关。也就是说，这种成像表型是观察大脑状态变化时不容忽视的特征。其次，特征提取是观测人脑状态的关键。目前，大多数特征提取方法仅关注来自多个成像和遗传数据的不同特征。由于遗传变异已被确定为不同成像表型的重要因素，因此，我们尝试整合多种影像表型数据和遗传数据，以促进对大脑机制的理解。最后，传统的基于图的特征提取方法所获取的结构信息仅捕获成对关系，而忽略了多个顶点之间的多重相互关系。理想的特征提取方法应该能够描述不同成像表型之间的几何结构，并充分利用数据的互补性来观测和理解人脑的状态。

发明内容

发明目的：本发明提出一种分析基因对多模态脑影像表型影响的方法，能够充分利用样本磁共振影像数据，从而分析人类大脑中基因对脑影像表型的影响。

技术方案：本发明提供一种分析基因对多模态脑影像表型影响的方法，具体包括以下步骤：

(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，并进行相关性分析。

进一步地，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是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工具箱来获取上述最优问题的最优解