[发明专利]一种基于聚类的多模态大脑网络特征选择方法

说明书

一种基于聚类的多模态大脑网络特征选择方法，步骤包括：基于磁共振扩散峰度成像和静息态功能磁共振成像分别构建白质结构网络和功能连接网络；分别对两种大脑网络提取聚类系数矩阵，将两种矩阵对应位置值求和取平均，融合得到新聚类系数矩阵；计算特征之间的相关系数，得到相关系数矩阵，用来衡量特征之间的相关性；根据相关系数矩阵对特征进行聚类，把相似特征聚为一类，得到若干社团；在社团内进行特征选择迭代，筛选差异大的特征；在社团间进行特征选择，选择差异大的特征。本方法从不同模态数据提取大脑网络特征，并从局部到整体，分层计算特征之间的相似性，筛选出差异显著的特征，提高大脑网络特征分类的准确率。

技术领域

本发明涉及医学信息处理技术领域，尤其涉及一种基于聚类的多模态大脑网络特征选择方法。

背景技术

大脑调节着体内生理活动的正常进行，是人体中结构最为复杂的器官之一；脑内神经元相互交错缠绕，形成高度复杂的神经系统，处理着各种问题。对于不同问题，大脑通过神经元将信息传递到不同脑区进行处理，脑区之间也存在信息交互，并对应不同的功能特异性。在现实中，对大脑疾病的诊断还是依靠医生的固有经验和主观判断，这种方式大大的降低了疾病诊断效率。引入机器学习和模式识别技术，能充分利用大脑数据与数据之间的内在信息，加强对大脑疾病致病因子的理解，辅助医生进行诊断，极大的提高诊断效率和分类准确率。因此，应用机器学习和模式识别在大脑网络领域的研究是一件十分有意义的事情。许多研究人员利用神经影像技术结合机器学习，应用于医学分类领域，辅助开展临床诊断治疗，取得了显著的成果；

研究人员在探索大脑连接模式时常常使用神经影像技术，利用非侵入性方法，通过不同的视角来分析大脑功能和结构特征。功能磁共振成像fMRI(functional MagneticResonance Imaging，fMRI)被广泛使用，通过测量不同脑区中血氧水平依赖(Blood，oxygen-level dependent，BOLD)计算时间序列相关性来度量脑区之间的连接强弱；最近，扩散峰度成像(Diffusion Kurtos Imaging，DKI)已被临床实践证实可以更加灵敏的反应微观组织结构，其基于非高斯水分子扩散模型，可以提供关于微观组织尤其是大脑白质的重要内在结构信息，峰度参数也可以用于提高对大脑疾病评估的敏感性和特异性；

随着技术的发展，在日常诊断中我们能够获取到大量结构类型各异的医学影像数据，帮助我们从不同视角观测同一被试，加强对疾病致病因子的理解。传统的大脑网络特征选择方法，仅从单种医学影像数据出发，从单个视角观测被试，进而特征选择，忽略了不同模态数据之间的信息互补，这势必会引起获取到的特征不充分，影响最终的分类结果。通过多模态数据观测被试，可以更加全面的理解疾病的致病因子，寻找被试脑部疾病特征，所以将多种模态大脑网络特征进行融合之后再分类成为了一种研究趋势。

聚类分析是一种定量方法，可以将相似特征聚集为一类，达到同时最小化社团内距离，而最大化社团间距离，有效的筛选出差异显著的特征。

发明内容

本发明的目的是为了解决传统大脑网络特征选择方法存在的不足之处，提供一种基于聚类的多模态大脑网络特征选择方法，采用以下技术方案：

一种基于聚类的多模态大脑网络特征选择方法，其步骤包括：

步骤1：获取样本人群大脑的磁共振图像，磁共振图像包括磁共振扩散峰度成像(Diffusion Kurtos Imaging，DKI)和静息态功能磁共振成像(functional MagneticResonance Imaging，fMRI)；基于磁共振扩散峰度成像和静息态功能磁共振成像构建白质结构网络和功能连接网络；

步骤2：基于白质结构网络和功能连接网络提取聚类系数矩阵；

步骤3：将两种聚类系数矩阵对应位置值求和取平均，得到新的聚类系数矩阵；

步骤4：计算新的聚类系数矩阵中特征之间的相关系数，得到相关系数矩阵；