专利名称：基于网络分析的结构和功能磁共振图像联合分类方法
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分析的结构和功能磁共振图像联合分类方法。
背景技术：
磁共振成像(Magnetic Resonance Imaging,MRI)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。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
为了克服已有技术的不足，本发明提供了一种分类准确率高、泛化性能强的脑磁共振图像分类方法。为实现上述目的，本发明提供了一种基于网络分析的结构和功能磁共振图像联合分类方法，包括Sa:对训练样本图像和测试样本图像进行预处理，然后按照标准脑结构模板将全脑分为90个脑区，并提取功能图像各个脑区的平均时间序列和结构图像各个脑区的灰质密度；Sb:计算各个平均时间序列之间以及各个脑区的灰质密度之间的偏相关系数，分别得到偏相关系数矩阵；Sc :将所述偏相关系数矩阵二值化，得到复杂网络模型；Sd:分别计算功能网络和结构网络中各个节点的特征路径长度、集群度和网络中心性；Se:利用训练样本功能图像和结构图像的特征路径长度、集群度和网络中心性分别作为训练样本图像的特征训练自适应提高分类器，得到多个自适应提高分类器以及对应的分类正确率；
步骤Sf :利用训练好的多个自适应提高分类器以投票的方式进行组合；Sg :利用训练好的自适应提高分类器对测试样本图像进行分类。本发明能够利用磁共振图像中尽可能多的信息，脑网络参数能够从本质上反应脑的活动，同时采用了多分类器技术，弥补了传统分类方法不能体现脑活动固有属性的不足，能够精确的对脑磁共振图像进行分类。
图1是本发明所述算法流程图；图2是测试数据上两种方法分类受试者操作特性(ROC)曲线对比。
具体实施例方式为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。基于网络分析的结构和功能磁共振图像联合分类方法是一种全新的磁共振图像分类方法。该方法首先建立结构和功能的脑网络模型，计算脑网络的特征路径长度、集群度和网络中心性，用以表征不同的图像模式；然后利用这些网络参数来训练一个自适应提高(adaboost)分类器。参照图1，根据本发明所述的一种人脑磁共振成像图像分类方法，能够依据训练样本图像来确定测试样本图像的类别，具体实施步骤如下步骤Sa，对训练样本图像和测试样本图像进行预处理，然后按照标准脑结构模板将全脑分为90个脑区，并提取功能图像各个脑区的平均时间序列和结构图像各个脑区的灰质密度；1.脑磁共振图像的预处理由于磁共振扫描过程中各种各样的噪声的影响，被试个体自身存在尺度和位置上的差异，非常有必要在分析数据之前对数据做一定的预处理。在整个的实验的数据获取中，主要的噪声信息来源有(I)物理头动；(2)图像内层间扫描时间差别；(3)外在磁场的不均匀性等。脑磁共振图像预处理的常见步骤有图像序列对齐，联合配准，标准化(或称均一化)，空间平滑滤波等。2.脑磁共振图像的分割采用国际通用的结构标记模板(AAL)，将全脑分为90个脑区。结构标记模板是磁共振图像研究领域使用最为广泛的脑结构模板。3.提取各脑区的平均时间序列依据预处理后的脑功能磁共振图像的数据，提取包含于相应脑区内部的各个体素在不同时间点上激活值的时间序列Y(矩阵维数DXN)，其中D为包含于球体内部的体素数目，N为时间点数。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。然后，将各个体素的激活值进行平均，得到脑区平均时间序列。4.提取各脑区的灰质密度依据预处理后的脑结构磁共振图像的数据，制作半径为4_的球形感兴趣区(ROI)，提取包含于感兴趣区内的33个2mmX2mmX2mm的体素的灰质密度Y，其中，33个2mmX2mmX2mm的体素的灰质密度Y距离每个脑区内部的中心点最近。步骤Sb :计算各个平均时间序列之间以及各脑区灰质密度之间的偏相关系数。该步骤Sb具体包括如下步骤1.计算协方差系数依据步骤Sa提取的各个脑区的时间序列或灰质密度，计算各个平均时间序列之间以及各脑区灰质密度之间的协方差矩阵S，S的每个元素Sm为第i个和第j个时间序列之间或灰质密度之间的协方差系数，
权利要求
1.一种基于网络分析的结构和功能磁共振图像联合分类方法，包括 Sa :对训练样本图像和测试样本图像进行预处理，然后按照标准脑结构模板将全脑分为90个脑区，并提取功能图像各个脑区的平均时间序列和结构图像各个脑区的灰质密度；Sb :计算各个平均时间序列之间以及各个脑区的灰质密度之间的偏相关系数，分别得到偏相关系数矩阵； Sc :将所述偏相关系数矩阵二值化，得到复杂网络模型； Sd:分别计算功能网络和结构网络中各个节点的特征路径长度、集群度和网络中心性； Se :利用训练样本功能图像和结构图像的特征路径长度、集群度和网络中心性分别作为训练样本图像的特征(训练)自适应提高分类器，得到多个自适应提高分类器以及对应的分类正确率； 步骤Sf :利用训练好的多个自适应提高分类器以投票的方式进行组合； Sg :利用训练好的自适应提高分类器对测试样本图像进行分类。
2.根据权利要求1所述的方法，其特征在于所述提取功能图像各个脑区的平均时间序列包括 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，再将各个体素的激活值进行平均，得到脑区平均时间序列。
3.根根据权利要求1所述的方法，其特征在于所述提取结构图像各个脑区的灰质密度包括 提取每个脑区内部的距离中心点最近的33个体素的灰质密度作为脑区的灰质密度。
4.根据权利要求1所述的方法，其特征在于所述计算各个平均时间序列之间以及各个脑区的灰质密度之间的偏相关系数包括 计算协方差矩阵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个时间序列或灰质密度之间的协方差系数，
5 根据权利要求4所述的方法，其特征在于选取阈值将经过Fisher变换的偏相关系数矩阵F 二值化，该变换后的偏相关系数矩阵维度为90X90，二值化后I表示网络中两个节点之间的边存在,O则表示网络中的两个节点之间没有边。
6.根据权利要求5所述的方法，其特征在于所述选取阈值包括使网络中实际存在的边的数量是网络中可能存在的边的数量的十分之一。
7.根据权利要求1所述的方法，其特征在于所述计算特征路径长度包括用特征路径长度矩阵描述网络中任意两个节点i，j的特征路径长度Iij,网络平均特征路径长度L描述了网络中任意两个节点的特征路径长度的平均值，即
8.根据权利要求1所述的方法，其特征在于所述计算集群度的包括某一节点i的集群度Ci的值等于它的相邻节点之间存在的边的数目与它们之间所有可能的边数的比值，即
9.根据权利要求1所述的方法，其特征在于所述计算网络中心性包括节点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
10.根据权利要求1所述的方法，其特征在于所述自适应提高分类器为6个。
全文摘要
提供了一种基于网络分析的结构和功能磁共振图像联合分类方法。首先建立结构和功能的脑网络模型，计算脑网络的特征路径长度、集群度和网络中心性，用以表征不同的图像模式；然后利用这些网络参数来训练一个自适应提高分类器。本发明能够利用磁共振图像中尽可能多的信息，脑网络参数能够从本质上反应脑的活动，同时采用了多分类器技术，弥补了传统分类方法不能体现脑活动固有属性的不足，能够精确的对脑磁共振图像进行分类。
文档编号G06K9/66GK103020653SQ20121052613
公开日2013年4月3日 申请日期2012年12月7日 优先权日2012年12月7日
发明者田捷, 刘振宇, 刘建刚 申请人:中国科学院自动化研究所