本发明涉及图像处理技术，具体是一种基于高阶超网络的静息态功能磁共振影像数据分类方法。本发明解决了传统磁共振影像数据分类方法分类准确率低的问题。基于高阶超网络的静息态功能磁共振影像数据分类方法，该方法是采用如下步骤实现的：步骤S1：对静息态功能磁共振影像进行预处理；步骤S2：对各脑区的平均时间序列进行时间窗分割；步骤S3：计算各脑区的平均时间序列两两之间的皮尔逊相关系数；步骤S4：提取皮尔逊相关矩阵中对应元素的值；步骤S5：利用稀疏线性回归模型构建高阶超网络；步骤S6：计算高阶超网络的局部属性；步骤S7：选择分类特征并构建分类器；步骤S8：对所选特征的重要度和冗余度进行量化。本发明适用于磁共振影像数据分类。
1.一种基于高阶超网络的静息态功能磁共振影像数据分类方法，其特征在于：该方法是采用如下步骤实现的：步骤S1：对静息态功能磁共振影像进行预处理，并根据选定的标准化脑图谱对预处理后的静息态功能磁共振影像进行区域分割，然后对所分割的各脑区进行平均时间序列的提取；
步骤S2：选定长度固定的滑动窗口，并按照一定步长对各脑区的平均时间序列进行时间窗分割；
步骤S3：计算每个时间窗下各脑区的平均时间序列两两之间的皮尔逊相关系数，由此得到皮尔逊相关矩阵；
步骤S4：提取皮尔逊相关矩阵中对应元素的值，由此得到高阶关联矩阵，所述高阶关联矩阵的维度为时间窗数×4005；
步骤S5：利用稀疏线性回归模型，计算高阶关联矩阵中每个元素与其它元素的线性组合表示，由此建立超边，然后根据超边构建高阶超网络；所述稀疏线性回归模型具体表示如下：xm＝Amαm+τm (2)；
公式(2)中：xm表示选定脑区的时间序列；Am＝[x1,...,xm-1,0,xm+1,...,xM]，其包含除选定脑区之外的所有脑区的时间序列；αm表示其它脑区对选定脑区影响程度的权重向量；τm表示噪声项；αm中非零元素对应的脑区即为与选定脑区相互作用的脑区；
步骤S6：计算高阶超网络的局部属性；所述局部属性包括：高阶超网络中各元素的度及聚类系数；
步骤S7：采用支持向量机分类算法，选择高阶超网络的局部属性作为分类特征，由此进行分类器的构建，然后采用交叉验证方法对构建的分类器进行检验；
步骤S8：采用互信息分析方法，对所选特征在分类器中的重要度和冗余度进行量化，然后根据量化结果对所选特征进行二次筛选，由此对高阶超网络进行优化。
2.根据权利要求1所述的基于高阶超网络的静息态功能磁共振影像数据分类方法，其特征在于：所述步骤S1中，预处理步骤具体包括：时间层校正、头动校正、联合配准、空间标准化、低频滤波；标准化脑图谱采用AAL模板；平均时间序列的提取步骤具体包括：提取AAL模板中每个脑区所包含的所有体素在不同时间点上的BOLD强度，并将各体素在不同时间点上的BOLD强度进行算术平均，由此得到各脑区的平均时间序列。
3.根据权利要求1所述的基于高阶超网络的静息态功能磁共振影像数据分类方法，其特征在于：所述步骤S3中，计算公式具体表示如下：公式(1)中：rij表示皮尔逊相关矩阵中第i行第j列的元素，即第i个脑区与第j个脑区之间的皮尔逊相关系数；n表示时间点个数；xi(t)表示第i个脑区的时间序列； 表示第i个脑区的时间序列的平均值；xj(t)表示第j个脑区的时间序列； 表示第j个脑区的时间序列的平均值；皮尔逊相关矩阵的维度为90×90。
4.根据权利要求1所述的基于高阶超网络的静息态功能磁共振影像数据分类方法，其特征在于：所述步骤S6中，计算公式具体表示如下：公式(3)中：HCC1(v)表示第一类聚类系数；u，t，v表示节点；
V表示节点集，ε表示边集，e表示超边；N(v)表示包含节点v的超边含有的其它节点的集合；
公式(4)中：HCC(v)表示第二类聚类系数；u，t，v表示节点；
V表示节点集，ε表示边集，e表示超边；N(v)表示包含节点v的超边含有的其它节点的集合；
如果 例如u,t,v∈ei，则I′(u,t,v)＝1，否则I′(u,t,v)＝0；
公式(5)中：HCC3(v)表示第三类聚类系数；v表示节点；|e|表示超边包含节点数量；
V表示节点集，ε表示边集，e表示超边；N(v)表示包含节点v
的超边含有的其它节点的集合；S(v)＝{ei∈ε:v∈ei}，v表示节点，ei表示超边；S(v)表示包含节点v的超边的集合；
公式(6)中：d(v)表示顶点v的节点度；v表示节点；e表示超边；ε表示边集；H(v,e)表示高阶关联矩阵中对应的元素；
公式(7)中：H(v,e)表示高阶关联矩阵中对应的元素；高阶关联矩阵的行元素为节点，列元素为超边；如果节点v属于超边e，则H(v,e)＝1；如果节点v不属于超边e，则H(v,e)＝0。
5.根据权利要求1所述的基于高阶超网络的静息态功能磁共振影像数据分类方法，其特征在于：所述步骤S7中，分类器的构建步骤具体包括：采用RBF核函数，选择非参数检验后具有显著组间差异的局部属性作为分类特征，由此进行分类器的构建；
检验步骤具体包括：从样本集中随机选择90％的样本作为训练集，剩余10％的样本作为测试集，由此进行分类测试并得到分类准确率；将重复进行100次分类测试后得到的分类准确率进行算术平均，然后将算术平均值作为分类器的分类准确率。
6.根据权利要求1所述的基于高阶超网络的静息态功能磁共振影像数据分类方法，其特征在于：所述步骤S8中，量化公式具体表示如下：公式(8)中：D表示所选特征在分类器中的重要度；S表示所有特征的集合；|S|表示S中特征的个数；xi表示所选特征；c表示样本的类别标签；I(xi，c)表示所选特征与样本的类别标签c的互信息；
公式(9)中：R表示所选特征在分类器中的冗余度；S表示所有特征的集合；|S|表示S中特征的个数；xi表示所选特征；xj表示其它特征；I(xi，xj)表示所选特征与其它特征的互信息；
二次筛选步骤具体包括：分别按照重要度大小和冗余度大小对所选特征进行排名，然后筛选出重要度较大且冗余度较小的特征。
基于高阶超网络的静息态功能磁共振影像数据分类方法
技术领域
[0001] 本发明涉及图像处理技术，具体是一种基于高阶超网络的静息态功能磁共振影像数据分类方法。
背景技术
[0002] 人脑是一个极其复杂的信息处理系统，在神经科学领域，一个重要的挑战就是揭示其内部的功能及结构组织模式。作为多模态磁共振成像技术与复杂网络理论的结合，磁共振影像数据分类方法当前已经成为脑科学领域的热点之一。然而，传统磁共振影像数据分类方法由于自身原理和特点的局限性，普遍存在方法论的限制，由此导致其分类准确率低，从而严重影响其应用价值。
[0003] 在传统的静息态功能磁共振成像分析中，假定功能连接在时间上是静止的，忽略了在扫描时间内可能发生的神经活动或者相互作用。在时间上相关的功能连接，由于神经作用的动态变化，可能会影响脑区之间的相关强度。因此，动态的功能连接的研究具有重要的意思。同时，传统功能连接网络通常是基于大脑不同区域之间的两两相关构建，从而忽略了他们的高阶关系，这些高阶信息的损失对于疾病诊断可能是重要的。同时基于相关的网络由于任意选取阈值会有许多虚假的连接。因此，有必要发明一种全新的磁共振影像数据分类方法，以解决传统磁共振影像数据分类方法存在的上述问题。本发明在划分时间窗基础上使用稀疏表示方法构建超网络，然后从超网络中提取关于大脑区域的特征用于疾病诊断。这种方法更好的反映了功能连接的时变特性。同时，通过构建高阶超网络，可以在不引入太多参数的情况下，呈现更高级别和更复杂的大脑区域之间的相互作用。
发明内容
[0004] 本发明为了解决传统磁共振影像数据分类方法分类准确率低的问题，提供了一种基于高阶超网络的静息态功能磁共振影像数据分类方法。
[0005] 本发明是采用如下技术方案实现的：
[0006] 基于高阶超网络的静息态功能磁共振影像数据分类方法，该方法是采用如下步骤实现的：
[0007] 步骤S1：对静息态功能磁共振影像进行预处理，并根据选定的标准化脑图谱对预处理后的静息态功能磁共振影像进行区域分割，然后对所分割的各脑区进行平均时间序列的提取；
[0008] 步骤S2：选定长度固定的滑动窗口，并按照一定步长对各脑区的平均时间序列进行时间窗分割；
[0009] 步骤S3：计算每个时间窗下各脑区的平均时间序列两两之间的皮尔逊相关系数，由此得到皮尔逊相关矩阵；
[0010] 步骤S4：提取皮尔逊相关矩阵中对应元素的值，由此得到高阶关联矩阵；
[0011] 步骤S5：利用稀疏线性回归模型，计算高阶关联矩阵中每个元素与其它元素的线性组合表示，由此建立超边，然后根据超边构建高阶超网络；
[0012] 步骤S6：计算高阶超网络的局部属性；所述局部属性包括：高阶超网络中各元素的度及聚类系数；
[0013] 步骤S7：采用支持向量机分类算法，选择高阶超网络的局部属性作为分类特征，由此进行分类器的构建，然后采用交叉验证方法对构建的分类器进行检验；
[0014] 步骤S8：采用互信息分析方法，对所选特征在分类器中的重要度和冗余度进行量化，然后根据量化结果对所选特征进行二次筛选，由此对高阶超网络进行优化。
[0015] 与传统磁共振影像数据分类方法相比，本发明所述的基于高阶超网络的静息态功能磁共振影像数据分类方法通过采用时间窗分割方法、皮尔逊相关方法、稀疏线性回归方法、支持向量机分类算法、交叉验证方法、互信息分析方法，实现了高阶超网络的描述，由此很好地反映了功能连接的时变特性，从而大幅提高了分类准确率(如图1所示，本发明的分类准确率明显高于传统磁共振影像数据分类方法的分类准确率)，进而使得应用价值更高。
[0016] 本发明有效解决了传统磁共振影像数据分类方法分类准确率低的问题，适用于磁共振影像数据分类。
附图说明
[0017] 图1是本发明与传统磁共振影像数据分类方法的对比示意图。
具体实施方式
[0018] 基于高阶超网络的静息态功能磁共振影像数据分类方法，该方法是采用如下步骤实现的：
[0019] 步骤S1：对静息态功能磁共振影像进行预处理，并根据选定的标准化脑图谱对预处理后的静息态功能磁共振影像进行区域分割，然后对所分割的各脑区进行平均时间序列的提取；
[0020] 步骤S2：选定长度固定的滑动窗口，并按照一定步长对各脑区的平均时间序列进行时间窗分割；
[0021] 步骤S3：计算每个时间窗下各脑区的平均时间序列两两之间的皮尔逊相关系数，由此得到皮尔逊相关矩阵；
[0022] 步骤S4：提取皮尔逊相关矩阵中对应元素的值，由此得到高阶关联矩阵；
[0023] 步骤S5：利用稀疏线性回归模型，计算高阶关联矩阵中每个元素与其它元素的线性组合表示，由此建立超边，然后根据超边构建高阶超网络；
[0024] 步骤S6：计算高阶超网络的局部属性；所述局部属性包括：高阶超网络中各元素的度及聚类系数；
[0025] 步骤S7：采用支持向量机分类算法，选择高阶超网络的局部属性作为分类特征，由此进行分类器的构建，然后采用交叉验证方法对构建的分类器进行检验；
[0026] 步骤S8：采用互信息分析方法，对所选特征在分类器中的重要度和冗余度进行量化，然后根据量化结果对所选特征进行二次筛选，由此对高阶超网络进行优化。
[0027] 所述步骤S1中，预处理步骤具体包括：时间层校正、头动校正、联合配准、空间标准化、低频滤波；标准化脑图谱采用AAL模板；平均时间序列的提取步骤具体包括：提取AAL模板中每个脑区所包含的所有体素在不同时间点上的BOLD强度，并将各体素在不同时间点上的BOLD强度进行算术平均，由此得到各脑区的平均时间序列。
[0028] 所述步骤S3中，计算公式具体表示如下：
[0029]
[0030] 公式(1)中：rij表示皮尔逊相关矩阵中第i行第j列的元素，即第i个脑区与第j个脑区之间的皮尔逊相关系数；n表示时间点个数；xi(t)表示第i个脑区的时间序列； 表示第i个脑区的时间序列的平均值；xj(t)表示第j个脑区的时间序列； 表示第j个脑区的时间序列的平均值；皮尔逊相关矩阵的维度为90×90。
[0031] 所述步骤S4中，高阶关联矩阵的维度为时间窗数×4005。
[0032] 所述步骤S5中，稀疏线性回归模型具体表示如下：
[0033] xm＝Amαm+τm (2)；
[0034] 公式(2)中：xm表示选定脑区的时间序列；Am＝[x1,...,xm-1,0,xm+1,...,xM]，其包含除选定脑区之外的所有脑区的时间序列；αm表示其它脑区对选定脑区影响程度的权重向量；τm表示噪声项；αm中非零元素对应的脑区即为与选定脑区相互作用的脑区。
[0035] 所述步骤S6中，计算公式具体表示如下：
[0036]
[0037] 公式(3)中：HCC1(v)表示第一类聚类系数；u，t，v表示节点；V表示节点集，ε表示边集，e表示超边；N(v)表示包含节点v的超边含有的其它节点的集合；
如果 例如u,t∈ei，但是 则 否则
[0038]
[0039] 公式(4)中：HCC2(v)表示第二类聚类系数；u，t，v表示节点；V表示节点集，ε表示边集，e表示超边；N(v)表示包含节点v的超边含有的其它节点的集合；
如果 例如u,t,v∈ei，则I′(u,t,v)＝1，否则I′(u,t,v)＝0；
[0040]
[0041] 公式(5)中：HCC3(v)表示第三类聚类系数；v表示节点；|e|表示超边包含节点数量； V表示节点集，ε表示边集，e表示超边；N(v)表示包含节点v的超边含有的其它节点的集合；S(v)＝{ei∈ε:v∈ei}，v表示节点，ei表示超边；S(v)表示包含节点v的超边的集合；
[0042]
[0043] 公式(6)中：d(v)表示顶点v的节点度；v表示节点；e表示超边；ε表示边集；H(v,e)表示高阶关联矩阵中对应的元素；
[0044]
[0045] 公式(7)中：H(v,e)表示高阶关联矩阵中对应的元素；高阶关联矩阵的行元素为节点，列元素为超边；如果节点v属于超边e，则H(v,e)＝1；如果节点v不属于超边e，则H(v,e)＝0。
[0046] 所述步骤S7中，分类器的构建步骤具体包括：采用RBF核函数，选择非参数检验后具有显著组间差异的局部属性作为分类特征，由此进行分类器的构建；
[0047] 检验步骤具体包括：从样本集中随机选择90％的样本作为训练集，剩余10％的样本作为测试集，由此进行分类测试并得到分类准确率；将重复进行100次分类测试后得到的分类准确率进行算术平均，然后将算术平均值作为分类器的分类准确率。
[0048] 所述步骤S8中，量化公式具体表示如下：
[0049]
[0050] 公式(8)中：D表示所选特征在分类器中的重要度；S表示所有特征的集合；|S|表示S中特征的个数；xi表示所选特征；c表示样本的类别标签；I(xi，c)表示所选特征与样本的类别标签c的互信息；
[0051]
[0052] 公式(9)中：R表示所选特征在分类器中的冗余度；S表示所有特征的集合；|S|表示S中特征的个数；xi表示所选特征；xj表示其它特征；I(xi，xj)表示所选特征与其它特征的互信息；
[0053] 二次筛选步骤具体包括：分别按照重要度大小和冗余度大小对所选特征进行排名，然后筛选出重要度较大且冗余度较小的特征。
