一种基于脑连接网络的脑龄预测方法与流程

本发明公开了一种基于脑连接网络的脑龄预测方法，本发明属于医学影像与计算机科学的交叉领域，涉及数字图像分析与模式识别的
技术领域：
。
背景技术：
：近些年来，神经影像技术迅速发展，主要包括结构核磁共振成像(structuralmagneticresonanceimaging，structuralMRI)，弥散张量成像(diffusiontensorimaging，DTI)，功能核磁共振成像(functionalMRI，fMRI)，脑电图(electro-encephalogram，EEG)和脑磁图(magnetoencephalography，MEG)。基于fMRI，EEG和MEG图像中，人们可以获取功能连接网络，用于反映不同脑区的解剖连接模式。脑网络模型是对大脑系统的简单表示。在脑连接网络中，节点通常被定义为神经元或感兴趣区域，而边被定义为它们之间的连接模式。目前，脑连接网络分析研究主要分为两个方面：一是侧重于对特定假设驱动的测试，如对小世界网络和海马网络等；二是重点放在基于机器学习方法来完成基于个体的预测和分类。由于能够从数据中自动分析获得规律，并利用规律对未知数据进行预测，基于机器学习的方法已经成为一个新研究热点。但由于大脑自身的复杂性，且通常能够获取到的样本是非常少的，这就导致了脑连接网络的分析是一个非常具有挑战性的问题。脑龄，是指脑的年龄。脑龄和实际年龄有着不同的含义，研究发现，人类在健康状态下的大脑年龄近似等于自身实际年龄，对于一些患有神经系统疾病的人群，其大脑年龄会大于自身实际年龄，而那些发育出现障碍的人群其大脑年龄则要小于自身实际年龄。通过预测人脑年龄，将其和实际年龄进行对比，可以检测大脑是否出现加速老化和神经退化性疾病的早期症状，因此构建出一种可以有效地预测人脑年龄的脑龄预测模型是十分必要的。本发明基于以上问题，提出一种基于脑连接网络的脑龄预测方法。实现了用脑连接网络准确预测脑龄的同时验证了多种特征融合的有效性。技术实现要素：本发明是基于脑连接网络，发明一个大脑年龄预测的方法。本发明的具体技术方案包括以下几个步骤：步骤一：从脑影像数据中构造出脑连接网络；步骤二：从脑连接网络中提取节点的聚类系数作为节点特征；步骤三：从脑连接网络中提取并选择出具有判别性的边权重作为边特征；步骤四：融合前两步中的节点特征和边特征作为融合特征；步骤五：对融合特征使用支持向量回归机预估大脑年龄。所述步骤一中，对采集到的原始数据，我们使用DataProcessingAssistantforResting-StatefMRI(DPARSF)进行切片时间校正(slicetiming)，头动校正(motioncorrelation)，和空间正则化(spatialnormalization)等标准预处理流程。接着每个对象的fMRI图像所对应的脑空间根据AutomatedAnatomicalLabeling(AAL)模板被分割为90个脑区(每个脑区对应图中的一个顶点)，计算每个脑区的平均时间序列以及脑区间的Pearson相关系数作为脑区间的连接强度。从而获得了大脑的功能性连接网络。所述步骤二中，我们从脑连接网络中提取出节点的聚类系数作为节点特征。首先，我们使用阈值化的方法，将有权的功能连接网络转化为无权网络。给定功能连接网络(矩阵)G＝[w(i，j)]∈Rn×n和阈值T，使用下面公式阈值化连接网络：w(i,j)=0ifw(i,j)<T1otherwise---(1)]]>其中，n表示感兴趣区域(region-of-interest，ROI)的个数。接着，我们计算无权网络中每个节点的聚类系数。我们给出聚类系数的定义。定义1：聚类系数给定一个无权无向图G，G中的第i个节点的聚类系数计算公式如下：Ci=2×Eiki×(ki-1)---(2)]]>其中ki表示第i个节点的邻接点的个数，Ei表示第i个节点的ki个邻接点之间存在的边数。从公式(2)可以看出，当一个点的邻接点之间的连接越紧密，聚类系数的值就越高。在脑疾病患者的功能网络中，聚类系数可以很好的反映单个感兴趣区域(region-of-interest，ROI)的异常。所述步骤三中，我们从脑连接网络中提取出边的权重并选择出具有判别性的边权重作为边特征。对提取出的边的权重使用Lasso算法来选择具有判别性的边权重。Lasso回归估计稀疏表示系数w可描述如下：w^=argmin||y-Aw||22+λ||w||1---(3)]]>将求得的系数矩阵w中值为0所对应的原始数据中的特征去掉。得到了一个经过特征选择后的较低维的特征矩阵。所述步骤四中，将步骤二和步骤三中挑选出的特征进行线性的融合得到一个新的特征。具体计算如下，设节点的特征矩阵为边的特征矩阵为则融合后的特征矩阵为其中，n表示样本个数，c表示节点的特征个数，e表示边的特征个数。所述步骤五中，对步骤四中得到融合特征使用支持向量回归机SVR预估大脑年龄。本发明采用以上技术方案与现有技术相比，具有以下优点与有益效果：(1)本发明提出的融合多特征的方法充分利用多种特征的优势并将其融合后进行回归预测，取得了很好的预测结果；(2)现有的脑网络研究大多关注于如何将不同人的脑网络按照一定划分规则做分类，而本分明的目的是做回归预测，得到的是一个连续值，更具有分析参考的意义。附图说明图1为本发明所述方法的框架图。图2为本发明实施例的生理年龄和估计脑龄对应图。具体实施方式下面选择健康的中老年人40例，结合图1对本发明上述方法进行具体说明。其中，被试者的年龄、性别如下表1所示。因为样本数较少，在实验中使用留一法进行交叉验证。具体而言，在每次的实验中，选取一个样本作为测试样本，其余样本作为训练样本。最终的结果是由所有实验的平均结果计算。表1被试者信息统计表数量男/女比例年龄范围年龄均值/标准差被试样本4018/2265～9075.6/6.4本发明的总体流程如图1所示。具体的实施过程包含五个步骤：步骤一是构建脑连接网络。首先，需要收集一些包含临床变量值数据的脑影像数据。然后，对采集到的原始数据，使用DataProcessingAssistantforResting-StatefMRI(DPARSF)进行切片时间校正(slicetiming)，头动校正(motioncorrelation)，和空间正则化(spatialnormalization)等标准预处理流程。接着每个对象的fMRI图像所对应的脑空间根据AutomatedAnatomicalLabeling(AAL)模板被分割为90个脑区(每个脑区对应图中的一个顶点)，计算每个脑区的平均时间序列以及脑区间的Pearson相关系数作为脑区间的连接强度。从而获得了大脑的功能性连接网络。值得注意的是，该脑网络是一个对角线上全为1的对称矩阵。步骤二是提取节点的聚类系数。对步骤一中得到的全连接带权重网络首先使用公式(1)阈值化连接网络，将网络中权重小于阈值的置为0，大于等于阈值的置为1。这样就将有权脑网络转化为无权脑网络。接着，使用公式(2)计算无权脑网络中各个节点的聚类系数。得到了一个包含节点特征的矩阵矩阵A中每行代表一个样本，每列代表一个节点的聚类系数。在实验设置中，将公式(1)中的阈值设置为0.6。步骤三是提取并选择边的权重。对步骤一中得到的对称的全连接带权重网络进行转换，将该90*90的网络拉成一个90*(90-1)/2＝4005维的向量，这个向量所包含的信息是网络的边的权重值。接着，使用Lasso算法的公式(3)选择出具有判别性的边。得到一个包含边特征的矩阵矩阵B中每行代表一个样本，每列代表一个具有判别性的边权重。在实验设置中，将公式(3)中的参数λ设置为0.7。步骤四是融合节点特征和边特征。对步骤二得到的矩阵A和步骤三得到的矩阵B进行融合，设节点的特征矩阵为边的特征矩阵为则融合后的特征矩阵为步骤五使用支持向量回归机SVR对步骤四中得到的特征矩阵C进行回归分析，以融合特征矩阵C作为自变量，年龄作为因变量，进行回归分析，预估大脑年龄。经计算，本发明所提出的融合方法得出的预测脑龄与真实脑龄之间的相关系数值为0.8899，均方根误差值为3.1340。上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。当前第1页1 2 3