[发明专利]基于独立成分高序不确定脑网络的磁共振影像分类方法

说明书

本发明公开了基于独立成分高序不确定脑网络的磁共振影像分类方法，涉及图像处理技术。先使用独立成分分析提取默认网络独立成分，接着在独立成分的时间序列上利用时间窗滑动的方法构建高阶功能连接网络，然后使用基于加权图的频繁子图挖掘和特征选择方法，最后以判别性子图作为特征对进行分类识别。该方法不需要依赖先验的脑图谱模板，充分考虑了扫描时间内的时变特性，且将频繁子图挖掘应用到了加权图上，呈现出了更高级、更复杂的大脑区域之间的相互作用。解决了传统的磁共振成像数据分类方法准确率低的问题。

技术领域

本发明属于图像处理技术领域，特别是涉及一种基于独立成分高序不确定脑网络的磁共振影像分类方法。

背景技术

人脑是一个高度复杂的系统，探索其内在的结构和功能是一项巨大的挑战。功能磁共振成像技术与复杂网络理论的结合，已成为脑科学领域的研究热点之一，并广泛应用在各项研究中。该方法在探索大脑区域间结构和功能的相互作用上取得许多令人惊喜的成果。然而，由于其自身原理和特点及方法论的限制，导致分类准确率低，严重影响了应用价值。

近年来大多数基于脑网络的研究，在定义网络节点时都是按照脑图谱模板定义的。只是这种节点的定义方法过于依赖先验的脑图谱模板，不同模板建立起来的网络可能会存在显著差异，从而严重影响了功能连接网络的分析结果。其次，传统的功能连接网络分析中忽略了大脑区域之间功能连接的动态变化，即边的高阶关系。然而已有研究发现这些高阶信息的损失对于疾病诊断可能是重要的。此外，目前大多数频繁子图挖掘的研究集中在确定图上，判别性子图特征的选择和各种属性的计算也都是基于确定图的。虽然确定图分析起来比较简单，但由于确定图忽略了脑网络功能的不确定性，不能全面准确地反映脑区之间的交互。

为了解决这些问题，本发明先使用独立成分分析选择静息态脑网络成分，然后在其上构建高序功能连接网络，最后对高序不确定功能脑网络进行频繁子图挖掘。这种方法可以更好地反映了全脑功能连接的时频特性，呈现了更高级、更复杂的大脑区域之间的相互作用，由此提高了分类准确率。

发明内容

本发明的目的在于提供一种基于独立成分高序不确定脑网络的磁共振影像分类方法，分类准确率高。

为解决上述技术问题，本发明所采用的技术方案是，基于独立成分高序不确定脑网络的磁共振影像分类方法，按照以下步骤进行：

步骤S1：对静息态功能磁共振成像数据进行预处理，然后使用独立成分分析方法提取出各独立成分；

步骤S2：筛选出属于默认网络的独立成分，提取时间序列，并进行后处理；

步骤S3：选定长度固定的滑动窗口，按照1s的移动步长，划分默认网络独立成分的时间序列；

步骤S4：计算每个时间窗下默认网络成分的时间序列两两间的皮尔逊相关系数，得到低阶关联矩阵；

步骤S5：提取每个时间窗下低阶关联矩阵中的元素值，生成高阶关联矩阵；

步骤S6：构建高序不确定功能脑网络，节点之间全连接，节点之间边的权值即高阶关联矩阵中的元素；

步骤S7：对构建的全连接加权的脑网络进行频繁子图挖掘，得到加权的频繁子图模式；

步骤S8：计算基于动态规划的判别性函数的相关统计指标；

步骤S9：采用支持向量机分类算法，选择判别性子图特征作为分类依据，构建分类器，然后采用交叉验证方法进行检验；

步骤S10：采用互信息分析方法，量化所选判别性子图特征在分类器中的重要度和冗余度，然后根据量化结果对所选判别子图进行二次筛选，优化特征子集。

进一步的，所述步骤S1中，预处理步骤包括时间层校正，头部校正，空间标准化，平滑；然后，使用基于负熵最大的独立成分分析方法提取独立成分；其中，负熵的定义为：