[发明专利]一种结合节点属性与多层次拓扑的脑网络分类方法

说明书

本发明公开一种结合节点属性与多层次拓扑的脑网络分类方法，包括以下步骤：S1获取功能性磁共振大脑影像数据，并进行预处理；S2基于预处理后的数据，使用自动化解剖标记模板生成全脑网络功能连接矩阵，以DMN为感兴趣区域，利用Kruskal算法构造无偏脑网络；S3在无偏脑网络上提取脑区节点介数作为局部属性特征，使用双样本t检验方法抽取具有组间显著差异的脑区特征；S4在无偏脑网络上使用子网络核提取多层次拓扑特征，生成子网络核矩阵，使用核主成分分析方法抽取最优拓扑特征；本方法显著提高了分类性能，既能发现异常的脑区，也能捕获到脑区节点的多层次拓扑特征，对精神分裂症的临床辅助诊断有重要意义。

技术领域

本发明属于技术领域，尤其涉及一种结合节点属性与多层次拓扑的脑网络分类方法。

背景技术

精神分裂症(SchiZophrenia，SZ)是一种严重的慢性脑损伤性精神疾病。脑网络分类在脑科学研究和脑疾病诊断等领域成为学者们的研究热点。通过对SZ的脑网络分类研究可以有效提高患者的诊断准确率，对医学辅助诊断有重要意义。

关于SZ的脑网络分类方法很多，传统的分类方法是从脑网络中提取单一局部属性特征，如介数、特征路径长度、聚类系数等，组成一个长特征向量，训练支持向量机(SupportVector Machines，SVM)分类器进行分类。比如，Cheng等提取介数中心性最高的前10个节点作为特征，采用线性SVM算法对SZ患者和正常对照组(Normal Controls，NC)进行分类。为了更准确的捕获特征，研究者提取多种局部属性特征进行分类，如Xiang等提取节点度、介数、聚类系数、局部效率、参与系数五种局部属性特征，在特征选择中考虑同一脑区内五种属性存在一定关系，根据相应的脑区对多视图属性进行分组，并应用稀疏group Lasso来识别基于该特征分组的判别性特征结构，利用线性SVM分类器对SZ和NC进行分类。Moghimi等计算度、介数、局部效率、特征路径长度等25种网络度量属性使用双交叉验证方案在SVM上对SZ和NC进行分类。

上述这些度量方法都是根据常规图的理论来定义，忽略了脑网络中每个节点都表示特定的大脑区域，在脑网络中每个节点都是唯一的而且是固定不变的，未能充分考虑脑网络中节点的多层次拓扑特性，限制了分类性能的进一步提升。

发明内容

本发明提供一种结合节点属性与多层次拓扑的脑网络分类方法，旨在解决上述存在的问题。

本发明是这样实现的，一种结合节点属性与多层次拓扑的脑网络分类方法，包括以下步骤：

S1获取功能性磁共振大脑影像数据，并进行预处理；

S2基于预处理后的数据，使用自动化解剖标记模板生成全脑网络功能连接矩阵，以DMN为感兴趣区域，利用Kruskal算法构造无偏脑网络；

S3在无偏脑网络上提取脑区节点介数作为局部属性特征，使用双样本t检验方法抽取具有组间显著差异的脑区特征；

S4在无偏脑网络上使用子网络核提取多层次拓扑特征，生成子网络核矩阵，使用核主成分分析方法抽取最优拓扑特征；

S5组合步骤S3和S4中获取的特征，使用线性SVM分类器对SZ患者组和NC对照组进行分类。

进一步的，步骤S1中，预处理步骤中，使用DPARSF工具包对影像数据进行预处理，具体包括：删除前10个时间点数据，时间片校正、头动校正；使用DARTEL配准方法将数据配准到标准空间，期间重新采样为3×3×3mm³体素；再进行平滑处理以去除协变量的影响；最后进行滤波去噪，频率范围0.01～0.08Hz。

进一步的，步骤S2中，利用Kruskal算法构造无偏脑网络的步骤包括：首先对DMN功能连接矩阵中所有边的权重进行降序排序，然后逐条添加权重最大的边；在添加的过程中，如果添加的边形成了循环，则丢弃这条边，直到包含所有的节点，则终止Kruskal算法。