基于动态超网络的脑疾病诊断方法、装置及系统

技术领域

本发明属于脑影像学图像处理技术领域，具体涉及一种基于动态超网络的脑疾病诊断方法、装置及系统。

背景技术

人的大脑是由约1011个神经元组成的一个非常复杂的网络，神经元通过其突触相互联系，人类所执行的任何一个任务都是由各个脑区相互协调和合作完成的，研究人脑将对人类的认知活动、精神疾病的预防、诊断、治疗有着十分积极的作用。

近年来，神经成像技术在探索大脑区域之间的相互作用方面变得越来越流行。它已经成为脑科学研究领域的一类重要工具，发展较为成熟的有功能性磁共振成像(fun-tional magnetic resonance imaging,fMRI)、弥散张量成像(diffusion tensorimaging,DTI)、脑电图(electroencephalograph,EEG)等,其中功能性磁共振成像(fMRI)以其时空分辨率高、非侵入无创、无需使用具有放射性的造影剂等优点被越来越多的研究者所采用。血氧水平依赖(BOLD)信号作为静息状态功能磁共振成像(rs-fMRI)的神经生理指标可以检测自发的低频大脑活动。探索不同大脑区域之间的结构和功能相互作用可以更好地理解神经系统疾病的病理基础。脑连接网络作为这些结构和功能相互作用的简化表示，有助于阐明大脑疾病的潜在机制，为临床脑疾病的诊断和评估提供新的视角，并且脑功能网络模型已成功用于研究神经精神疾病的诊断和分类。

基于fMRI数据进行脑功能网络的构建是利用该技术进行脑疾病诊断的一项重要内容。在文献中，已经提出了许多分析方法来构建功能性大脑连接网络模型，其中包括基于传统网络和超网络来构建脑功能网络。超网络基于超图理论，它是图的延续，其中一条超边可以连接多个节点。在神经影像学中，超网络中的每个节点指的是一个大脑区域，每个超边包含多个节点来表示多个大脑区域之间的关系。大量研究也证明超网络相比传统网络，能够反映脑区之间的高阶关系，这其中就有通过求解稀疏线性回归模型，使用lasso方法来构建超网络。然而，使用lasso方法的局限性在于，在选择特定的脑区时，如果其他脑区之间在超边构建中存在强相关性，则该特定脑区往往会随意选择一组脑区中的一个，缺乏解释分组效应的能力。考虑到大脑区域之间存在潜在的组结构，采用稀疏组lasso的方法可以更好的表达脑区之间的连接模式，然而，以上基于超图构建脑网络的方法未考虑大脑功能网络的时变性，以及如何获得更好的大脑组结构，因此还需要改进脑网络构建模式，使其能够反映动态变化的脑功能网络。

发明内容

本发明所要解决的技术问题是：提供一种基于动态超网络的脑疾病诊断方法、装置及系统，解决了现有技术中脑疾病诊断方法不能反映动态变化的脑功能的问题。

本发明为解决上述技术问题采用以下技术方案：

基于动态超网络的脑疾病诊断方法，包括如下步骤：

步骤1、采集若干正常健康被试和患有轻度认知障碍疾病被试的静息态fMRI脑影像数据，进行预处理操作，获取每个被试数据的ROI时间序列；

步骤2、应用仿射聚类算法对每个被试的ROI时间序列进行聚类，自适应对每个被试脑区进行分组；

步骤3、将每个被试的ROI时间序列依次划分为K个重叠的时间子段，获取每个被试的K个ROI时间序列，构建动态脑网络；

步骤4、进行特征选择，获取不同的聚类系数；根据不同的聚类系数，对若干训练对象进行特征筛选；

步骤5、建立相应的分类模型。

所述预处理操作包括时间层校正、头动矫正、空间标准化、空间平滑、滤波、去线性漂移的步骤。

步骤3中，构建动态脑网络包括如下步骤：

步骤3.1、使用滑动窗口方法将每个被试的时间序列划分为K个重叠的时间子段，获取每个被试的K个ROI子时间序列；

步骤3.2、对每个被试的K个ROI子时间序列，依次选取任一个ROI时间序列作为响应量，应用剩余的ROI时间序列对其进行线性组合表示，构建稀疏组回归模型；

步骤3.3、求解稀疏组回归模型构建超边。

所述线性组合表示函数如下：

其中A

所述稀疏组回归模型函数如下：

其中λ

构建超边的方法如下：

对每个被试的K个ROI子时间序列，选取任一个ROI时间序列作为响应量，根据稀疏组回归模型函数，计算该响应量之外的所有时间序列的权重向量，选出所有非0的权重向量对应的时间序列，和响应量组成一条超边。

所述步骤4中特征选择和筛选的方法如下：

首先，将步骤3的输出结果进行特征选择，获取不同的聚类系数；其次，分别对所有被试在每个时间窗口下的特征矩阵取平均；然后，根据不同的聚类系数，对若干训练对象进行特征筛选。

采用流行正则化多任务特征选择方法来进行特征筛选。

基于动态超网络的脑疾病诊断装置，包括：

数据采集单元，用于采集若干正常健康被试和患有轻度认知障碍疾病被试的静息态fMRI脑影像数据；

数据处理单元，应用所述方法对采集的脑影像数据进行处理，并输出处理结果。

基于动态超网络的脑疾病诊断系统，包括：

基于动态超网络的脑疾病诊断装置，

终端，用于控制基于动态超网络的脑疾病诊断装置，并接收装置的处理结果；

通信单元，用于实现装置与终端之间的双向数据传输。

与现有技术相比，本发明具有以下有益效果：

1、本发明引入滑动时间窗法来构建脑网络，有助于根据大脑的时变性挖掘出大脑隐含的动态网络模型。

2、本发明通过仿射传播聚类算法提高聚类的准确度，能获得更真实的脑区分组。

附图说明

图1为本发明基于动态超网络的脑疾病诊断方法的整体实施流程图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

本技术发明旨在利用获得的脑影像数据的前提下，基于超图构建超网络，加入了稀疏组lasso、仿射传播聚类以及滑动时间窗方法，更好的体现了大脑区域之间的高阶关系，组结构以及大脑的时变性，为脑疾病诊断提供了更好的分类模型。

提供一种基于动态超网络的脑疾病诊断方法，首先利用仿射传播聚类算法建立所有脑区的分组，通过滑动时间窗法将每个被试ROI时间序列分成多个时间窗，然后对每个被试的每个时间窗进行超网络构建并进行特征提取，之后分别对所有被试在每个时间窗口下的特征矩阵取平均，再进行特征筛选，最后得到其分类模型。

基于动态超网络的脑疾病诊断方法，包括如下步骤：

步骤1、采集若干正常健康被试和患有轻度认知障碍疾病被试的静息态fMRI脑影像数据，进行预处理操作，获取每个被试数据的ROI时间序列；

步骤2、应用仿射聚类算法对每个被试的ROI时间序列进行聚类，自适应对每个被试脑区进行分组；

步骤3、将每个被试的ROI时间序列依次划分为K个重叠的时间子段，获取每个被试的K个ROI时间序列，构建动态脑网络；

步骤4、进行特征选择，获取不同的聚类系数；根据不同的聚类系数，对若干训练对象进行特征筛选；

步骤5、建立相应的分类模型。

具体实施例，如图1所示，

基于动态超网络的脑疾病诊断方法，包括如下步骤：

步骤1，采集54例正常健康被试，56例轻度认知障碍被试的静息态fMRI脑影像数据。数据采集过程中要求被试保持大脑清醒，平躺于磁共振仪器内。每个被试的fMRI数据采集的时间点数为130。

步骤2，对采集获得的正常以及患病被试静息态fMRI脑影像数据进行预处理操作，包括时间层校正、头动矫正、空间标准化、空间平滑、滤波、去线性漂移等六个步骤。所有预处理步骤均通过DRARSF软件完成。

步骤3，构建动态脑网络步骤3中，构建动态脑网络包括如下步骤：

步骤3.1，使用仿射聚类算法来对每个被试的ROI时间序列进行聚类，来对每个被试脑区进行分组。

步骤3.2，假设X＝[x

假设窗口宽度为d，步长为S，然后定义X

进而，可以得到每个被试的K个ROI子时间序列。

步骤3.3，利用上述步骤3.2得到的每个被试的K个ROI时间序列，依次选取任一个ROI时间序列作为响应量，应用剩余的ROI时间序列对其进行线性组合表示，构建稀疏组回归模型；用X

其中A

步骤3.4，使用稀疏组Lasso方法通过求解稀疏组回归模型构建超边；对每个被试的K个ROI子时间序列，选取任一个ROI时间序列作为响应量，根据稀疏组回归模型函数，计算该响应量之外的所有时间序列的权重向量，选出所有非0的权重向量对应的时间序列，和响应量组成一条超边。

该稀疏组回归模型构由优化目标函数表示：

其中λ

步骤4，特征选择和特征筛选。

步骤4.1，给定一个连通性超网络H＝(V,E)，令S(v)＝{e

其中如果存在e

这三种类型的聚类系数从不同的角度反映了超网络的局部聚类特性。

步骤4.2，利用流行正则化多任务选择方法来进行特征筛选,令

根据上述定义HCC

将这N个训练对象的响应向量表示为y＝[y

其中L

在等式(7)中，权重矩阵是W＝[w

步骤5、建立相应的分类模型，与单核SVM相比，多核SVM可以有效地整合来自不同任务或模式的特征。在这里，我们采用多核支持向量机来融合三种聚类系数特征进行分类。具体来说，对于训练对象的每组聚类系数特征，首先根据M2TFS方法选择的特征计算一个线性核，即{f

其中

在我们的实验中，留一法交叉验证用于评估所提出方法的性能。具体来说，首先留出一个对象进行测试，其余的用于训练。对每个对象重复整个过程。线性SVM分类器是使用具有默认参数值的LIBSVM工具箱实现的。多核分类方法中的权重是基于训练对象通过网格搜索确定的，网格搜索范围从0到1，步长为0.1，通过另一个LOO交叉验证。此外，对于每种类型的聚类系数，从构建的连通性超网络中提取了总共116个特征。对于每个提取的特征，我们使用从所有训练对象计算的均值和标准差对其进行归一化。这些平均值和标准差的值也将用于在应用阶段对每个测试对象的相应特征进行归一化。值得注意的是，嵌套留一交叉验证策略用于增强分类器的泛化能力。具体来说，训练数据的内部交叉验证循环用于确定某些参数，而外部交叉验证循环用于评估学习模型对未见过的对象的泛化性。

我们通过测量分类准确性(即正确识别的受试者比例)、敏感性(即正确识别的患者比例)、特异性(即正确识别的正常被试比例)和受试者工作特征(ROC)曲线下面积(AUC)。来评估方法的分类性能。具体来说，该方法的分类准确率为96.7％，而未引入滑动时间窗以及仿射传播聚类算法的方法的最佳准确率仅为90.2％。泛化性能的交叉验证估计显示AUC为0.96，表明该方法具有出色的诊断能力。

基于动态超网络的脑疾病诊断装置，包括：

数据采集单元，用于采集若干正常健康被试和患有轻度认知障碍疾病被试的静息态fMRI脑影像数据；

数据处理单元，应用所述方法对采集的脑影像数据进行处理，并输出处理结果。

基于动态超网络的脑疾病诊断系统，包括：

基于动态超网络的脑疾病诊断装置，

终端，用于控制基于动态超网络的脑疾病诊断装置，并接收装置的处理结果；

通信单元，用于实现装置与终端之间的双向数据传输。

本发明与现有技术相比具有以下优点：

本发明引入滑动时间窗法来构建脑网络，有助于根据大脑的时变性挖掘出大脑隐含的动态网络模型；本发明通过仿射传播聚类算法提高聚类的准确度，能获得更真实的脑区分组。

上述实施例中，所列出的具体数据，包括样本数量等，仅仅作为对该方案做出示范性举例说明，本领域技术人员可以根据具体需要做出适应性选择及更改，样本越大，其训练的准确率越高。

本领域技术人员应该理解，本领域技术人员在结合现有技术以及上述实施例可以实现变化例，这样的变化例并不影响本方案的实质内容，在此不予赘述。

需要理解的是，本方案并不局限于上述特定实施方式，其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施；任何熟悉本领域的技术人员，在不脱离本方案技术方案范围情况下，都可利用上述揭示的方法和技术内容对本方案技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例，这并不影响本方案的实质内容。因此，凡是未脱离本方案技术方案的内容，依据本方案的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本方案技术方案保护的范围。