[发明专利]一种基于随机分块模型的脑结构网络连接优化方法

摘要

本发明涉及图像处理技术，具体是一种基于随机分块模型的脑结构网络连接优化方法。本发明解决了现有脑结构网络构建方法构建出的脑结构网络可信度低的问题。一种基于随机分块模型的脑结构网络连接优化方法，该方法是采用如下步骤实现的步骤S1对磁共振扩散加权影像进行预处理，对预处理后的磁共振扩散加权影像进行区域分割；步骤S2计算两两脑区间的纤维束数量；步骤S3根据阈值对脑区间的纤维束数量矩阵进行二值化处理；步骤S4构建基于多个脑结构网络模型样本的脑结构中枢网络模型；步骤S5对脑结构中枢网络模型中的连接进行可信度计算；步骤S6对脑结构中枢网络模型进行重构优化。本发明适用于脑结构网络构建。

主权项

一种基于随机分块模型的脑结构网络连接优化方法，其特征在于：该方法是采用如下步骤实现的：步骤S1：对磁共振扩散加权影像进行预处理，然后根据选定的标准化脑图谱，对预处理后的磁共振扩散加权影像进行区域分割；步骤S2：采用纤维束追踪算法，将预处理后的磁共振扩散加权影像映射到选定的标准化脑图谱中，然后根据纤维束追踪的结束条件，计算两两脑区间的纤维束数量，由此得到脑区间的纤维束数量矩阵；步骤S3：设定阈值，然后根据阈值对脑区间的纤维束数量矩阵进行二值化处理，由此得到脑结构网络模型；步骤S4：采用符号检验方法，构建基于多个脑结构网络模型样本的脑结构中枢网络模型；步骤S5：采用随机分块模型算法，对脑结构中枢网络模型中的连接进行可信度计算；步骤S6：根据可信度计算结果，对脑结构中枢网络模型进行重构优化；所述步骤S5中，可信度计算的步骤具体如下：步骤S51：遍历脑结构中枢网络模型中的所有节点，并对所有节点进行随机分组，然后计算所有组的组内现有连接数、组内最大连接数、组间现有连接数、组间最大连接数；步骤S52：根据随机分组结果，计算两两节点间的连接可信度值；计算的公式具体表示如下：RijL=lσiσj+1rσiσj+2---(1);]]>公式(1)中：表示节点i与节点j存在连接的可信度值；表示节点i所在的组σi与节点j所在的组σj之间的现有连接数；表示节点i所在的组σi与节点j所在的组σj之间的最大连接数；步骤S53：根据随机分组结果，对所有节点进行重新分组，然后重新计算所有组的组内现有连接数、组内最大连接数、组间现有连接数、组间最大连接数；重新分组的步骤具体如下：随机选择一个节点i，并假设节点i属于组α中，然后根据添加规则将节点i添加到随机选择的一个组β中；添加规则具体表示如下：DH=ln(rαβ+1)+lnlαβrαβ---(2);]]>公式(2)中：DH表示在某种特定的分组下，组α与组β之间连接数的关系；lαβ表示组α与组β中存在连接的连接数；rαβ表示组α与组β中可以存在的最大的连接数；若在两种不同的分组情况下，对所有组两两之间的DH求和，记为∑DH，若两种分组情况下的差值Δ(∑DH)≤0.0，则将节点i从组α添加到组β中；步骤S54：计算所有可能的分组后两两节点间的连接可信度值；计算公式具体表示如下：RijL,=1ZΣp∈P(l,σiσj+1r,σiσj+2)exp[-H(p)]---(3);]]>H(p)=Σα≤β[ln(rαβ+1)+lnlαβrαβ]---(4);]]>Z=ΣP∈pexp[-H(P)]---(5);]]>公式(3)‑(5)中：表示重新分组后节点i与节点j之间的连接可信度值；Z表示在每种分组情况下求得的划分函数的总和；p表示某一特定分组；P表示分组空间；表示重新分组后节点i所在的组σi与节点j所在的组σj之间的现有连接数；表示重新分组后节点i所在的组σi与节点j所在的组σj之间的最大连接数；H(p)表示进行分组的函数；lαβ表示组α与组β中存在连接的连接数；rαβ表示组α与组β中可以存在的最大的连接数。