本发明涉及图像处理技术领域,特别涉及一种基于聚类思想的多视角动态脑网络特征维度约减方法。
背景技术:
脑功能连接网络(以下简称脑网络)以脑功能区为网络的顶点,以功能区之间的连接作为边,边的权重为功能区之间的关联强度。目前,脑网络有低阶脑网络和高阶脑网络之分。脑网络为神经性疾病的诊断提供了重要的方法,尤其是动态脑网络,既反映了脑功能区之间的相互连接,又反映了其连接的动态变化。
现有的脑网络的构建方法,在技术上存在以下缺点:(1)网络规模大和计算复杂度高;(2)构建的脑网络的视角单一,不能从多个角度为神经性疾病的诊断提供信息。
技术实现要素:
为克服上述背景技术中存在的问题,本发明提供了一种基于聚类思想的多视角动态脑网络特征维度约减方法,使用聚类思想构建约简型低阶动态脑网络和高阶动态脑网络,很大程度上减小了网络规模和计算复杂度;以及利用均值和中心矩特征建立多个脑网络,从多个视角为疾病诊断提供诊断信息。
本发明的技术方案是:
一种基于聚类思想的多视角动态脑网络特征维度约减方法,该方法包括:
构建低阶动态脑网络,包括:
s11、获取静息态功能磁共振图像数据时间序列,构建滑动窗口;
s12、使用滑动窗口将整个静息态功能磁共振图像数据时间序列划分为多个重叠子段;
s13、使用每个重叠子段构建一个时序低阶网络,并将一个所述时序低阶网络作为一个低阶动态脑网络子网络;
s14、将所有时序低阶网络按时间顺序排列,构建一个低阶动态网;
s15、获取低阶动态网网络中的所有相关性时间序列,并对所有相关性时间序列进行聚类;
s16、计算每一簇中相关性时间序列的均值和中心矩,得到均值相关性时间序列和中心矩相关性时间序列,并利用所述均值相关性时间序列和中心矩相关性时间序列构建约简型低阶动态脑网络;
s17、使用中心矩方法提取低阶动态脑网络的中心矩特征,并将所提取的中心矩特征分别输入到svm分类器中进行分类,获得所有低阶动态网的识别精度;
构建高阶动态脑网络,包括:
s21、基于“相关性的相关性思想”,利用滑动窗技术,计算时序低阶动态网络中每个滑动窗内的所有相关性时间序列的皮尔逊相关性系数,得到相应的高阶子网络,进而所有高阶子网络,按照时间顺序,构建成一个高阶时序网络;
s22、将所有高阶时序网络按时间顺序排列,构建一个高阶动态脑网;
s23、获取高阶动态脑网络中的所有相关性时间序列,并对所有相关性时间序列进行聚类;
s24、计算每一簇中相关性时间序列的中心矩,得到中心矩相关性时间序列,并利用所述中心矩相关性时间序列构建约简型高阶动态脑网络;
s25、使用中心矩方法提取高阶动态脑网络的中心矩特征,并将所提取的中心矩特征分别输入到svm分类器中进行分类,获得所有高阶动态网的识别精度;
s26、将所有低阶动态网和所有高阶动态网的识别精度进行融合,得到最后的识别精度。
优选的,在所述s11中,构建所述滑动窗口包括采用固定的窗宽和步长,每个窗口获取一个功能磁共振图像数据矩阵的子矩阵。
优选的,所述s12中的所述滑动窗口的总数为k=[(m-w)/s+1],
其中,w为滑动滑动窗口的长度,m为整个扫描时间内的时间序列的采样点数目,s为滑动窗口每一次平移的步长。
优选的,所述s13中的所述低阶动态脑网络子网络构建方法为:
在每个重叠子段中,计算所有脑区对之间的皮尔逊相关系数作为两个脑区之间的关联强度,其中,计算第i个脑区和第j个脑区之间的相关性系数为:
其中,x表示标量,
优选的,所述s14中所述低阶动态网表示为
其中,cl(k)表示由第k个窗口得到的子网络,1≤k≤k。
优选的,所述s15中,所述相关性时间序列是将所有k个滑动窗口中的第i个和第j个脑区的相关性串联起来形成的一个平均时间序列,该平均时间序列表示为:
优选的,所述s16中,同一簇中每个时序低阶网络中的所有相关性系数的平均值,计算公式如下:
其中,φn表示第n个簇,|φn|表示第n个簇中
中心矩计算公式如下:
其中,d表示中心矩的最高阶数,
优选的,所述s17包括:
s171、提取均值特征
s172、提取动态网的中心矩特征
得到一个中心矩特征向量m(d)=(m1(d),m2(d),...,mn(d))t;
s173、将所有均值特征和中心矩特征分别输入到svm分类器中进行分类,得到分类精度和svm分类器决策得分,然后将所得到的所述决策得分进行线性融合,得到最终的分类精度。
与现有技术相比,本发明的有益效果是:
1、使用聚类方法把已经搭建好的动态脑网络的顶点和边进行聚类,这样,分布在同一个簇内的顶点之间的关联强度随时间的变化(称为相关性时间序列)规律相似,而不同簇之间表现出很大的差异。使用中心矩方法(包括二阶、三阶,…,和七阶中心矩)对每个簇进行处理,得到中心矩相关性时间序列,达到降维的目的。然后,使用这些相关性时间序列构建脑网络,很大程度地减小了网络规模和网络计算复杂度。
2、使用均值相关性时间序列和每个中心矩相关性时间序列分别构建低阶和高阶动态脑网络。这样,从每个类型的网络中提取的识别特征可以从不同的视角提供疾病诊断信息,融合这些识别特征可以很大程度地提高诊断精度。
附图说明
图1为本发明的方法流程图;
图2(a)为基于滑动窗的功能磁共振序列分割;图2(b)基于皮尔逊相关性,获得低阶动态网络;
图3为聚类示意图;
图4为每一类的中心矩时间序列;
图5为从低阶动态网获取高阶动态网络示意图;
图6为相关性时间序列;
图7(a)为位于同一簇中的相关性时间序列图,图7(b)为均值时间序列图;
图8为基于中心矩(均值、方差、三阶矩等)特征的约简型动态脑网络示意图;
图9为svm分类器。
具体实施方式
下面结合本发明中的附图,对本发明实施例的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
本发明提供的一种基于聚类思想的多视角动态脑网络特征维度约减方法,其所使用的数据是静息态功能磁共振技术扫描大脑得到的数据,称为静息态功能磁共振图像数据或rs-fmri数据,以矩阵的形式存放。其包括r=160个脑功能区(以下简称脑区)的m=170卷图像,即,每一个脑区有170数据,如,第l个受试者的第i个脑区的rs-fmri数据可表示为
每个被扫描者的数据矩阵大小为116×170,可表示为
如图1-9所示,本发明提供的一种基于聚类思想的多视角动态脑网络特征维度约减方法,该方法包括:
构建低阶动态脑网络,包括:
s11、获取rs-fmri数据时间序列,构建滑动窗口。
其中,构建所述滑动窗口包括采用固定的窗宽和步长,每个窗口获取一个功能磁共振图像数据矩阵的子矩阵。
s12、使用滑动窗口将整个rs-fmri数据时间序列划分为多个重叠子段,如图2(a)所示:
其中,所述滑动窗口的总数为k=[(m-w)/s+1],其中,w为滑动滑动窗口的长度,s为滑动窗口每一次平移的步长。
s13、使用每个重叠子段构建一个时序低阶网络用(t-fcn表示),并将一个所述时序低阶网络作为一个低阶动态脑网络子网络;
用x(k)由第k个滑动窗得到的重叠子段矩阵,用xi(k)表示xi在第k个窗口中的子序列,使用每个重叠子段构建一个时序低阶网络(用t-fcn表示),即,一个低阶动态脑网络的子网络,如图2所示。
具体构建方法为:在每个重叠子段中,计算所有脑区对之间的皮尔逊相关系数作为两个脑区之间的关联强度(即,皮尔逊相关系数),其中,计算第i个脑区和第j个脑区之间的相关性系数为:
其中,
s14、将所有时序低阶网络(t-fcn)按时间顺序排列,构建一个低阶动态网,如图2(b)所示。其中,所述低阶动态网表示为
其中,cl(k)表示由第k个窗口得到的子网络,1≤k≤k。
s15、获取低阶动态网网络中的所有相关性时间序列,并对所有相关性时间序列进行聚类,使所有相关性时间序列分布在不同的簇中,如图3所示。每一种颜色代表一个簇。相关性时间序列是将所有k个滑动窗口中的第i个和第j个脑区的相关性串联起来形成的一个平均时间序列,该平均时间序列表示为:
这个序列描述的是
s16、计算每一簇中相关性时间序列的均值和中心矩,得到均值相关性时间序列和中心矩相关性时间序列,并利用所述均值相关性时间序列和中心矩相关性时间序列构建约简型低阶动态脑网络,如图4所示。
其中,首先计算同一簇中每个t-fcn中的所有平均时间序列
其中,φn表示第n个簇,|φn|表示第n个簇中
中心矩计算公式如下:
其中,d表示中心矩的最高阶数,本发明中d=7,即七阶中心矩第n个簇中的d阶中心矩时间序列可表示为
然后,使用这些均值时间序列和中心矩时间序列构建约简型动态网络(如图8所示),这样,所构建的约简型低阶动态脑网络的规模比原来的规模小了很多,从而,该网络的计算发杂度也随之下降。需要注意的是,本发明使用均值和六个中心矩(二阶、三阶,…,七阶中心矩)分别构建了七个这样的网络。
s17、使用中心矩方法提取低阶动态脑网络的中心矩特征,并将所提取的中心矩特征分别输入到svm分类器中进行分类,获得所有低阶动态网的识别精度。具体如下:
s171、首先提取均值特征
s172、然后提取动态网的中心矩特征
得到一个中心矩特征向量m(d)=(m1(d),m2(d),...,mn(d))t;
s173、最后将所有均值特征和中心矩特征分别输入到7个svm分类器中进行分类,得到分类精度和svm分类器决策得分,然后将所得到的所述决策得分进行线性融合,得到最终的分类精度。
构建高阶动态脑网络,包括:
s21、基于“相关性的相关性思想”,利用滑动窗技术,计算时序低阶动态网络中每个滑动窗内的所有相关性时间序列的皮尔逊相关性系数,得到相应的高阶子网络,进而所有高阶子网络,按照时间顺序,构建成一个高阶时序网络(用t-hfcn表示);
s22、将所有高阶时序网络按时间顺序排列,构建一个高阶动态脑网,如图4所示;
s23、获取高阶动态脑网络中的所有相关性时间序列,并对所有相关性时间序列进行聚类;
s24、计算每一簇中相关性时间序列的中心矩,得到中心矩相关性时间序列,并利用所述中心矩相关性时间序列构建约简型高阶动态脑网络;
s25、使用中心矩方法提取高阶动态脑网络的中心矩特征,并将所提取的中心矩特征分别输入到svm分类器中进行分类,获得所有高阶动态网的识别精度;
s26、将所有低阶动态网和所有高阶动态网的识别精度进行融合,得到最后的识别精度。
以上公开的仅为本发明的较佳的具体实施例,但是,本发明实施例并非局限于此,任何本领域技术人员能思之的变化都应落入本发明的保护范围。