[发明专利]一种以杏仁核为核心的脑功能网络多指标融合的图像分类方法、装置、设备及介质

权利要求书

1.一种以杏仁核为核心的脑功能网络多指标融合的图像分类方法，其特征在于，包括：

获取待分类的头部核磁共振影像数据，并对其进行预处理；

根据预处理后的核磁共振影像，分别提取以杏仁核为核心的静态脑功能网络连接值特征向量和动态脑功能网络变异系数特征向量；

所述以杏仁核为核心的静态脑功能网络特征向量，提取方法为：

首先，根据其预处理后的静息态核磁共振数据，以左外侧杏仁核、右外侧杏仁核、左内侧杏仁核、右内侧杏仁核这4个杏仁核亚区为种子点；分别计算每个杏仁核亚区的BOLD时间序列与全脑各体素的BOLD时间序列之间的皮尔森相关系数r，记为杏仁核亚区与全脑体素之间的功能连接值，从而生成4组以杏仁核亚区为种子点的脑功能网络连接图谱；

然后，采用Brainnetome Atlas的划分方法，将每组脑功能网络图谱划分成274个脑区；提取每组脑功能网络图谱的每个脑区的平均连接值；

最后，将每组脑功能网络图谱各274个脑区的平均连接值，整合成一个274×4的静态脑功能网络连接值特征向量；

以杏仁核为核心的动态脑功能网络特征向量，提取方法为：

首先，根据其预处理后的静息态核磁共振数据，以左外侧杏仁核、右外侧杏仁核、左内侧杏仁核、右内侧杏仁核这4个杏仁核亚区为种子点；将每个杏仁核亚区与全脑各体素的时间序列按照时间窗进行划分，计算各时间窗内的每个杏仁核亚区与全脑各体素时间序列之间的皮尔森相关系数，记为杏仁核亚区与全脑体素之间的功能连接值，从而生成4组以杏仁核亚区为种子点的动态脑功能网络时序图谱；

然后，计算每组动态脑功能网络时序图谱的时序变异系数CV：

式中：表示在所有时间窗口内，体素n与杏仁核亚区种子点之间的功能连接值的平均值；σ_n表示在所有时间窗口内，体素n与杏仁核亚区种子点之间的功能连接值的标准差；

随后，采用BrainnetomeAtlas的划分方法，将每组时序变异系数图谱划分成274个脑区；提取每组时序变异系数图谱的每个脑区的平均变异值；

最后，将每组时序变异系数图谱各274个脑区的平均变异值，整合成一个274×4的动态脑功能网络变异系数特征向量；

对提取到的静态脑功能网络连接值特征向量和动态脑功能网络变异系数特征向量，均进行降维处理，得到两种模态的最优特征向量；

将两种模态的最优特征向量输入至预训练好的基于多核支持向量机模型的图像分类器，输出得到核磁共振影像数据的类别。

2.根据权利要求1所述的图像分类方法，其特征在于，静态脑功能网络连接值特征向量和动态脑功能网络变异系数特征向量，均采用PCA降维方法进行降维处理。

3.根据权利要求1所述的图像分类方法，其特征在于，所述预训练好的基于多核支持向量机模型的图像分类器，其模型为：

其中：F(x)为待分类头部核磁共振影像数据x的类别标签；sgn()表示符号函数；i用于区分不同的训练样本，S表示训练样本的数量；y_i为多核支持向量机模型的训练样本x_i的类别标签，a_i为训练样本x_i对应的拉格朗日乘子，为待优化参数；e用于区分输入的两种模态的最优特征向量；β^e表示第e模态最优特征向量的权重因子，且满足是训练样本x_i和待分类头部核磁共振影像数据x的第e模态最优特征向量的核函数；b为偏差，通过训练样本训练得到。

4.根据权利要求3所述的图像分类方法，其特征在于，训练多核支持向量机模型得到图像分类器的方法为：通过求解以下目标函数得到待优化的参数a_i和b：

0≤a_i≤C，i＝1，...，S

式中，C为惩罚因子；是训练样本x_i和x_p的第e模态最优特征向量的核函数；a_i和a_p分别为训练样本x_i和x_p对应的拉格朗日乘子，y_i和y_p分别为训练样本x_i和x_p对应的标签。