[发明专利]一种基于半多模态融合特征约简框架的图像分类方法

摘要

本发明公开了一种基于半多模态融合特征约简框架的图像分类方法，即通过保持来自脑功能和结构网络特征向量之间的关系，更好地捕捉多个模态数据的互补信息，使得疾病分类准确率进一步提升。本发明充分挖掘脑结构网络数据提供的参考信息，从脑功能网络特征向量矩阵中选择有效的特征数据，在已有K‑support范式的基础上增加新约束来保留不同模态特征数据的距离，分析与实验结果表明，本发明提出的基于半多模态融合特征约简框架框架优于已有的KSN和NF‑KSN方法。同时，本发明所选择出的一致性网络连接全面考虑了其在结构以及功能网络层面与疾病的相关性，而不只局限于功能网络层面，将选择出的一致性网络连接作为疾病生物标记的可信赖性更强。

主权项

一种基于半多模态融合特征约简框架的图像分类方法，其特征在于，包括以下步骤：第一步、获取数据，具体是：获取多个被试对象的sMRI数据和rs‑fMRI数据，并进行预处理，得到预处理后的sMRI数据和预处理后的rs‑fMRI数据；计算预处理后的sMRI数据的灰度体积值；第二步、构建脑结构网络特征向量矩阵和构建脑功能网络特征向量矩阵，构建脑结构网络特征向量矩阵是根据预处理后的sMRI数据的灰度体积值进行构建，具体是：采用自动解剖标签模板生成九十个皮质和皮下核团区域，并去除小脑部分；计算任意脑区对各被试脑区灰度体积的皮尔森相关系数；从而获取一个90×90的脑结构网络对称矩阵，在去除对称矩阵对角线上的90个对角元素后，提取对称矩阵中下三角区域的所有元素为脑结构网络特征向量矩阵；构建脑功能网络特征向量矩阵是根据预处理后的rs‑fMRI数据进行构建，具体是：采用自动的解剖标签模板生成九十个皮质和皮下核团区域，并去除小脑部分；计算各被试中任意脑区对平均时间序列的皮尔森相关系数；从每一个被试中获取一个90×90的静息态脑功能网络对称矩阵，在去除对称矩阵对角线上的90个对角元素后，提取对称矩阵中下三角区域的所有元素作为脑功能网络特征向量矩阵；第三步、特征过滤操作，具体是：由脑结构网络特征向量矩阵得到脑结构网络的差分特征向量矩阵；整合脑结构网络的差分特征向量矩阵和脑功能网络特征向量矩阵，并筛选出脑结构网络特征向量和脑功能网络特征向量；第四步、特征选择操作，具体是：充分利用脑结构网络特征向量矩阵的补充信息，在K‑support范数原有基础上添加一个不同模态数据间的距离约束来保证脑功能网络特征的稀疏性；第五步、多元模式分类分析，具体是：利用支持向量机对所选择的脑功能网络特征向量进行分类标签预测，得到图像的预测分类结果值。