一种基于网络中心性的脑功能磁共振图像分类方法

文档序号:6571577阅读:273来源:国知局
专利名称:一种基于网络中心性的脑功能磁共振图像分类方法
技术领域
本发明属于图像处理技术领域,具体涉及一种基于网络中心性的脑功能磁共振图像分类方法。
背景技术
功能磁共振成像(functionalMagnetic Resonance Imaging, fMRI)以其高时空分辨率,非侵入式等特点在神经疾病诊断治疗方面得到了广泛应用。fMRI —般指基于血氧·水平依赖(blood oxygen level-dependent, BOLD)的磁共振成像,它通过测量由神经活动引起的脑血流和脑血氧等成分变化而造成的磁共振信号变化来反映脑活动。脑是一个复杂的系统,在受到刺激条件或经历病变时脑的磁共振图像会发生相应的变化。利用图像分类方法,计算脑功能磁共振图像具有某种属性的可能性大小,或者自动判别图像的类别属性,是计算机辅助分析的一个重要应用。传统的功能磁共振图像分类方法主要有感兴趣区域(ROI)方式和体素(voxel)方式两种分类方法。感兴趣区域方式的分类方法依据目标结构的先验知识,将样本和目标分割成多个目标区域,并据此对目标进行分类;体素方式的分类方法采用复杂的非线性配准,以最大限度地实现个体间的精确对应,然后以图像的每一个空间单位(体素)作为分类依据。这两种方法都假设目标与样本的内部组织结构是一一对应的。前者认为先验的图像区域存在于每一个目标图像当中,并且能够准确分割;后者假定非线性配准后的体素是一一对应的。然而,这样的假设在很多情况下并不合理。人在不同状态下的脑功能磁共振图像会受到多方面因素的干扰,传统的分类方法都不是根据脑的固有属性对脑功能磁共振图像进行分类的,因此都会导致分类性能的下降。

发明内容
(一 )要解决的技术问题为了克服已有技术的不足,本发明所要解决的技术问题是设计一种分类准确率高、泛化性能强的脑功能磁共振图像分类方法。( 二 )技术方案为实现上述目的,本发明提出了一种基于网络中心性的脑功能磁共振图像分类方法,包括步骤SI :对脑功能磁共振图像进行预处理,然后进行脑区分割,并提取各个脑区的平均时间序列;步骤S2 :计算平均各个时间序列之间的偏相关系数,得到偏相关系数矩阵;步骤S3 :将偏相关系数矩阵二值化,得到脑网络模型;步骤S4 计算网络中各节点的网络中心性;步骤S5 :利用自适应提高分类器对脑功能磁共振图像进行分类,并采用留一交叉验证的测试方法对自适应提高分类器进行检验。
上述方案中,所述步骤SI包括步骤Sll :对脑功能磁共振图像进行预处理;步骤S12 :对预处理后的脑功能磁共振图像进行分割;步骤S13 :提取各脑区的平均时间序列。上述方案中,步骤Sll中所述对脑功能磁共振图像进行预处理保留了脑功能图像细节,同时使用脑功能图像与标准模板进行仿射配准变换方式的预处理,并提高图像的信噪比,至少包括切片扫描时间对齐、图像序列对齐、联合配准、标准化或均一化、空间平滑滤波和时间平滑滤波。上述方案中,步骤S12中所述对预处理后的脑功能磁共振图像进行分割,是采用国际通用的结构标记模板(AAL),将全脑分为90个脑区。上述方案中,步骤S13中所述提取各脑区的平均时间序列,包括将全脑分为90个脑区后,依据预处理后的脑功能磁共振图像的数据,分别提取每个脑区内部各个体素在不同时间点上的激活值,再将各个体素在各时间点上的激活值进行平均,得到平均时间序列;所述激活值是指各个体素在不同时间点上的血氧水平依赖(BOLD)强度。
·
上述方案中,所述步骤S2包括步骤S21 :计算平均时间序列间的协方差系数;步骤S22 :计算平均时间序列间的偏相关系数;步骤S23 :对偏相关系数进行Fisher变换,得到偏相关系数矩阵。上述方案中,步骤S21中所述计算平均时间序列间的协方差系数,包括依据步骤SI提取的各个脑区的时间序列,计算各个平均时间序列之间的协方差矩阵S,S的每个元素Sijj为第i个和第j个时间序列之间的协方差系数,
权利要求
1.ー种基于网络中心性的脑功能磁共振图像分类方法,其特征在于,包括 步骤SI :对脑功能磁共振图像进行预处理,然后进行脑区分割,并提取各个脑区的平均时间序列; 步骤S2 :计算平均各个时间序列之间的偏相关系数,得到偏相关系数矩阵; 步骤S3 :将偏相关系数矩阵ニ值化,得到脑网络模型; 步骤S4 :计算网络中各节点的网络中心性; 步骤S5 :利用自适应提高分类器对脑功能磁共振图像进行分类,并采用留ー交叉验证的测试方法对自适应提高分类器进行检验。
2.根据权利要求I所述的基于网络中心性的脑功能磁共振图像分类方法,其特征在于,所述步骤SI包括 步骤Sll :对脑功能磁共振图像进行预处理; 步骤S12 :对预处理后的脑功能磁共振图像进行分割; 步骤S13 :提取各脑区的平均时间序列。
3.根据权利要求2所述的基于网络中心性的脑功能磁共振图像分类方法,其特征在于,步骤Sll中所述对脑功能磁共振图像进行预处理保留了脑功能图像细节,同时使用脑功能图像与标准模板进行仿射配准变换方式的预处理,并提高图像的信噪比,至少包括切片扫描时间对齐、图像序列对齐、联合配准、标准化或均一化、空间平滑滤波和时间平滑滤波。
4.根据权利要求2所述的基于网络中心性的脑功能磁共振图像分类方法,其特征在于,步骤S12中所述对预处理后的脑功能磁共振图像进行分割,是采用国际通用的结构标记模板(AAL),将全脑分为90个脑区。
5.根据权利要求2所述的基于网络中心性的脑功能磁共振图像分类方法,其特征在于,步骤S13中所述提取各脑区的平均时间序列,包括 将全脑分为90个脑区后,依据预处理后的脑功能磁共振图像的数据,分别提取每个脑区内部各个体素在不同时间点上的激活值,再将各个体素在各时间点上的激活值进行平均,得到平均时间序列;所述激活值是指各个体素在不同时间点上的血氧水平依赖(BOLD)強度。
6.根据权利要求I所述的基于网络中心性的脑功能磁共振图像分类方法,其特征在于,所述步骤S2包括 步骤S21 :计算平均时间序列间的协方差系数; 步骤S22 :计算平均时间序列间的偏相关系数; 步骤S23 :对偏相关系数进行Fisher变换,得到偏相关系数矩阵。
7.根据权利要求6所述的基于网络中心性的脑功能磁共振图像分类方法,其特征在于,步骤S21中所述计算平均时间序列间的协方差系数,包括 依据步骤SI提取的各个脑区的时间序列,计算各个平均时间序列之间的协方差矩阵S,S的每个元素Sy为第i个和第j个时间序列之间的协方差系数,
8.根据权利要求6所述的基于网络中心性的脑功能磁共振图像分类方法,其特征在于,步骤S22中所述计算平均时间序列间的偏相关系数,包括 首先计算平均时间序列之间的协方差矩阵S,该协方差矩阵维度为90X90,S的每个元素Sy为第i个和第j个时间序列之间的协方差系数,
9.根据权利要求6所述的基于网络中心性的脑功能磁共振图像分类方法,其特征在于,步骤S23中所述对偏相关系数进行Fisher变换,得到偏相关系数矩阵,包括 依据偏相关系数矩阵R,计算经过Fisher变换的偏相关系数矩阵F,F的每个元素fu为
10.根据权利要求I所述的基于网络中心性的脑功能磁共振图像分类方法,其特征在于,所述步骤S3包括 设定阈值T’,令经过Fisher变换后的偏相关系数矩阵F中大于等于T’的值为1,小于T’的值为0,得到复杂网络模型;其中偏相关系数矩阵F的矩阵维度为90X90 ;ニ值化后的矩阵中I表示两个脑区之间有连接,即网络中两个节点之间的边存在,O则表示两个脑区之间没有连接,即网络中的两个节点之间没有边; 阈值选取的方法为使选用此阈值进行了ニ值化后的网络中包含了所有的节点。
11.根据权利要求10所述的基于网络中心性的脑功能磁共振图像分类方法,其特征在 于,步骤S3所述ニ值化的过程可描述为令
12.根据权利要求I所述的基于网络中心性的脑功能磁共振图像分类方法,其特征在于,所述步骤S4包括 依据脑网络模型,计算网络中各节点的网络中心性,作为功能磁共振图像的特征;其中计算网络中心性的步骤为网络中各节点的网络中心性描述了网络中各个节点的重要程度;节点i的网络中心性定义为网络中除i以外的任意两个节点之间通过了节点i的特征路径的数目与该两个节点之间所有特征路径数目的比值,即
13.根据权利要求I所述的基于网络中心性的脑功能磁共振图像分类方法,其特征在于,所述步骤S5包括 得到训练脑功能磁共振图像的特征后,首先将每ー个节点的网络中心性作为ー个线性分类器,用这些线性分类器的加权和组成一个新的自适应提高分类器,最初每个分类器的权重设为
14.根据权利要求13所述的基于网络中心性的脑功能磁共振图像分类方法,其特征在于,步骤S5中所述得到一个最优的自适应提高分类器的具体过程包括对给定的样本(X^y1),...,(xm,ym),其中Xi e X,yi e Y = (-1,1), X为训练脑功能磁共振图像的网络特征,Y为图像类别,首先设定初始化分类器的权重为
15.根据权利要求13所述的基于网络中心性的脑功能磁共振图像分类方法,其特征在于,步骤S5中所述交叉验证的过程为 毎次验证过程将ー个样本作为测试样本,其余的样本作为训练样本,得到分类器的分类結果;进行m次验证后得到平均的分类结果作为分类器的分类结果,通过分类正确率、真阳性率和假阳性率输出,其中m为样本数目。
全文摘要
本发明公开了一种基于网络中心性的脑功能磁共振图像分类方法,包括对脑功能磁共振图像进行预处理,然后进行脑区分割,并提取各个脑区的平均时间序列;计算平均各个时间序列之间的偏相关系数,得到偏相关系数矩阵;将偏相关系数矩阵二值化,得到脑网络模型;计算网络中各节点的网络中心性;利用自适应提高分类器对脑功能磁共振图像进行分类,并采用留一交叉验证的测试方法对自适应提高分类器进行检验。本发明利用脑功能磁共振图像构建了脑功能网络,利用了网络拓扑结构信息进行分类,能够精确的对脑功能磁共振图像进行分类。
文档编号G06K9/62GK102855491SQ201210262108
公开日2013年1月2日 申请日期2012年7月26日 优先权日2012年7月26日
发明者田捷, 刘振宇, 白丽君 申请人:中国科学院自动化研究所
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1