一种基于随机位移算法脑影像组学的鲁棒性检测方法

技术领域

本发明属于智能医学工程领域，具体涉及一种基于随机位移算法脑影像组学的鲁棒性检测方法。

背景技术

随着脑科学的发展，神经成像技术，如：磁共振成像，脑磁图等等，都扮演着日益重要的作用。以机器学习和模式识别为主要技术方案的多变量模型分析，往往采取分类或者回归算法，得到较好的临床识别或者预测性能，并且找到对模型性能具有重要意义的脑区或者大脑体素集合，又称为大脑簇。所得到的脑区和大脑簇需要被进一步检测其鲁棒性，说明其显著性并非偶然现象。

重采样(Boostrap或者Resampleing)和置换检验(Permutationtest)是常见的来测试模型分类性能和探究所得到的生物标记物鲁棒性的方式。两种方法都是对观测数据的随机化处理。重采样通常是对样本进行一个抽取，计算统计量的采样分布。而置换检验分析常用于评估空模型，具体来说，通过打乱样本标签或者创建空模型，在构建一个随机的结果。通过大量的打乱和随机的过程，产生了一个随机结果分布，检测真实结果在随机分布中的概率。置换检验是通过检验数据中出现的模式结构(如，自变量和因变量是否有显著关系)，然后判断数据中出现的模式类型是否偶然。

空模型的设计理念，是在现有统计关系的情况下，删除一些统计信息和保留一些固有的统计信息。在脑影像评估领域，如何有效的打乱大脑簇的信息，并且尽可能保持其他信息不变，变成了空模型构建中的一个挑战。

发明内容

发明目的：为了更好的检测显著性脑区的鲁棒性，本发明提出了一种基于随机位移算法脑影像组学的鲁棒性检测方法，利用一种随机位移算法来检测某一大脑区域在多变量模式识别中的鲁棒性。

技术方案：为实现上述发明目的，本发明采用如下技术方案：一种基于随机位移算法脑影像组学的鲁棒性检测方法，包括以下步骤：

一种基于随机位移算法脑影像组学的鲁棒性检测方法，包括以下步骤：

步骤S10，获取被研究问题中的在MNI坐标系中的感兴趣区域ROI，研究问题中的ROI被定义为原始ROI；

步骤S20，对原始ROI，通过随机位移算法，得到k个随机ROI，k为随机次数；

步骤S30，提取原始ROI和k个随机ROI所对应的脑影像特征；

步骤S40，基于k个随机ROI的影像学特征，构建空模型，利用置换检验检测原始ROI的鲁棒性；

步骤S50，利用相关分析探究随机模型性能

进一步地，所述的步骤S10，对已经发现在多变量模式分析中的脑区或者体素簇进行进一步的编码和预处理具体包括如下步骤：

首先，在以体素为单位的脑影像学的多变量模式分析中，对分类/回归任务有重要贡献的区域，即为原始ROI；

然后，统一将原始ROI区域，映射到大脑三维MNI坐标系中；MNI坐标系是以结构像的前联合作为坐标系的零点，分别在冠状面、矢状面、横截面建立X，Y，Z轴；

最后，对原始ROI的区域进行数据清晰度的重采样，使原始ROI和所有受试者的脑影像的体素大小保持同一个维度。

进一步地，所述的步骤S20构建基于随机位移算法的随机ROI，在大脑三维MNI坐标系中，保留原始ROI的形状和体素个数，改变原始ROI大脑位置，得到随机ROI；随机ROI的构建包括以下几个步骤：

步骤S21，定义参数R，R代表最大位移的步长；

步骤S22，在1到R的范围内，生成三个随机步长t

步骤S23，随机生成移动方向d，d为-1或者1，代表了沿着坐标正方向或者负方向移动。

步骤S24，原始ROI内所有体素按照移动方向d，在X，Y，Z轴上分别移动t

步骤S25，检查随机ROI是否超出大脑灰质范畴，是否覆盖到了脑室区域。如果超出或者覆盖，则返回步骤S22，重新生成新的随机步长，直到确定所有随机ROI内的体素都在灰质区域内。

进一步地，所述的步骤S30，提取原始ROI和k个随机ROI所对应的脑影像特征，针对于原始ROI和k个随机ROI的所有体素，提取所有样本在对应体素中的脑影像特征。原始ROI的脑影像特征是D。而第i个随机ROI对应的脑影像特征是D′

进一步地，所述的步骤S40，基于原始ROI和k个随机ROI的影像学特征，构建空模型，检测感兴趣区域的鲁棒性，包括如下步骤：

步骤S41，针对原始ROI的脑影像特征D，计算在步骤S10被研究问题f中的模型性能A(比如：分类效果或者回归权重)。f定义为被研究问题，例如分类模型或者回归模型。

步骤S42，针对研究问题f，运用与步骤S41相同的模型，将原始ROI替换成第i个随机ROI，第i个随机ROI对应的脑影像特征是D′

步骤S43，我们利用置换检验，检测k次迭代的的随机分布中的p值，被定义为[1]：

其中，D是原始ROI的脑影像特征，D′

对于随机次数k，本发明建议最佳的k为1000次。由于k要足够大才能保障随机化的空分布具有稳定性，但是考虑到运行时间和处理器的存储介质的限制，通过实验分析，建议最佳的随机次数为1000次。

进一步地，所述的步骤S50利用相关分析探究随机模型性能

步骤S51，定义随机噪声程度，随机ROI和原始ROI的欧式距离被定义为是随机噪声程度H，其定义如下：

其中t

步骤S52，通过皮尔森相关系数(PearsonCorrelation)来分析随机模型性能

如步骤S42所述，随机模型性能

当基于t统计量的p值＜0.05时，拒绝零假设，说明模型性能

步骤S53，绘制随机模型性能

有益效果：与现有技术相比，本发明的技术优势如下：

(1)本发明提出了的基于随机位移算法的空模型构建，可以定量地衡量随机噪声的程度，为后续研究提供基础。

(2)本发明的基于脑区或者大脑簇的检测方式鲁棒性检测，保持该区域固定的形状和特征个数，尽可能减少其他因素所导致的随机，能够更好的评价脑区的鲁棒性。

附图说明

图1为随机位移算法的流程图；

图2为具体实施方式的结果图。

具体实施方式

结合具体实例进一步阐明本发明的应用场景。应当理解本实例仅用于说明本发明而不用于限制本发明的范围。在阅读后本发明后，本领域技术人员对本发明各种等效变换，如更换数据模态，感兴趣区域，应用不同人工智能模型等方案，都应属于本发明的保护范围。

一种基于随机位移算法脑影像组学的鲁棒性检测方法，包括以下步骤：

步骤S10获取被研究问题中的在MNI坐标系中的感兴趣区域(Region ofInterest，ROI)。研究问题中的ROI被定义为原始ROI；

步骤S20对原始ROI，通过随机位移算法，得到k个随机ROI，k为随机次数；

步骤S30提取原始ROI和k个随机ROI所对应的脑影像特征；

步骤S40基于k个随机ROI的影像学特征，构建空模型(Null Model)(Ojala,Markus,Garriga,et al.Permutation Tests for Studying Classifier Performance.[J].Journal of Machine Learning Research,2010.)，利用置换检验检测原始ROI的鲁棒性；

步骤S50利用相关分析探究随机模型性能

步骤S10获取被研究问题中的在MNI坐标系中的感兴趣区域，即原始ROI，主要是对已经构建好的多变量模式分析的结果进行进一步探究。本发明提出的检测方法是对一个已经成熟的基于体素的脑影像分类或者回归模型的后续分析，所以步骤S10是对已经发现在多变量模式分析中的脑区或者体素簇进行进一步的编码和预处理。该步骤包括以下步骤：首先，在以体素为单位的脑影像学的多变量模式分析中，对分类/回归任务有重要贡献的区域，我们称作为感兴趣区域,即原始ROI。原始ROI在功能磁共振，脑电图，脑磁图，弥散张量成像，T1结构像等多种神经成像技术的研究中均适用。但是，对于脑连接组分析中的特征，如功能连接，结构连接，白质骨架等特征并不适用。然后，统一将原始ROI区域，映射到大脑三维MNI坐标系中。MNI坐标系是以结构像的前联合作为坐标系的零点，分别在冠状面、矢状面、横截面建立X，Y，Z轴。最后，对原始ROI的区域进行数据清晰度的重采样，使原始ROI和所有受试者的脑影像的体素大小保持同一个维度。

步骤S20构建基于随机位移算法的随机ROI，在大脑三维MNI坐标系中保留原始ROI的形状和体素个数，改变原始ROI在大脑位置，得到随机ROI。随机ROI的构建如图1所示，主要包括以下几个步骤：

步骤S21，定义参数R，R代表最大位移的步长。R设置为40mm。

步骤S22，在1到R的范围内，生成三个随机步长t

步骤S23，随机生成移动方向d，d为-1或者1，代表了沿着坐标正方向或者负方向移动。

步骤S24，原始ROI内所有体素按照移动方向d，在X，Y，Z轴上分别移动t

步骤S25，检查随机ROI是否超出大脑灰质范畴，是否覆盖到了脑室区域。如果超出或者覆盖，则返回步骤S22，重新生成新的随机步长，直到确定所有随机ROI内的体素都在灰质区域内。

步骤S30，提取原始ROI和k个随机ROI所对应的脑影像特征，针对于原始ROI和k个随机ROI的所有体素，提取所有样本在对应体素中的脑影像特征。原始ROI的脑影像特征是D。而第i个随机ROI对应的脑影像特征是D′

步骤S40基于原始ROI和k个随机ROI的影像学特征，构建空模型，检测感兴趣区域的鲁棒性。其步骤为：

步骤S41，针对原始ROI的脑影像特征D，计算在步骤S10被研究问题f中的模型性能A(比如：分类效果或者回归权重)。f定义为被研究问题，例如分类模型或者回归模型。

步骤S42，针对研究问题f，运用与步骤S41相同的模型，将原始ROI替换成第i个随机ROI，第i个随机ROI对应的脑影像特征是D′

步骤S43，我们利用置换检验，检测k次迭代的的随机分布中的p值，被定义为[1]：

其中，D是原始ROI的脑影像特征，D′

对于随机次数k，本发明建议最佳的k为1000次。由于k要足够大才能保障随机化的空分布具有稳定性，但是考虑到运行时间和处理器的存储介质的限制，通过实验分析，建议最佳的随机次数为1000次。

步骤S50利用相关分析探究随机模型性能

步骤S51，定义随机噪声程度，随机ROI和原始ROI的欧式距离被定义为是随机噪声程度H，其定义如下：

其中t

步骤S52，通过皮尔森相关系数(PearsonCorrelation)来分析随机模型性能

步骤S53，绘制随机模型性能

实施例

本实例关注于大脑左侧杏仁核区域在区分抑郁症患者和健康对照组中的模式识别中的鲁棒性检测问题。在一项基于静息态功能磁共振的辅助诊断分类模型中，抑郁症患者与健康对照的在基于低频振幅指标的分类器中的准确率达到了93％，其中左侧杏仁核被认为是对分类模型具有贡献度的脑区之一。在后续对特征贡献率的分析中，想要进一步探究左侧杏仁核的低频振幅指标分类任务中的贡献及其鲁棒性。该鲁棒性分析包括以下步骤：

1.对左侧杏仁核所有区域进行编码。制作左侧杏仁核该脑区的基于体素的模板，并且与所有样本的大脑模板进行统一，全部重采样到3×3×3mm的大脑模板中。该模板包括了左侧杏仁核区域所有的体素。在该实例中，左侧杏仁核是原始ROI。

2.对步骤(1)的左侧杏仁核区域生成随机ROI。在此实例中，随机次数k＝1000。随机ROI是相邻体素组合在一起的大脑簇，而非离散的体素点，同时也保持着左侧杏仁核区域的形状。设置在MNI坐标系中的最大步长为40mm，在X，Y，Z三个坐标轴方向移动步长中的t

3.提取所有被试中的1000个随机ROI下所对应的低频振幅，记作

4.利用皮尔森相关系数来定量地衡量左侧杏仁核的随机噪声程度H与随机模型准确率

其中t