一種基於複雜網絡的腦功能磁共振圖像分類方法
2023-10-10 03:43:54 2
專利名稱：一種基於複雜網絡的腦功能磁共振圖像分類方法
技術領域：
本發明屬於圖像處理技術領域，具體涉及一種基於複雜網絡的腦功能磁共振圖像分類方法。
背景技術：
功能磁共振成像(functional Magnetic Resonance Imaging, fMRI)以其高時空解析度，非侵入式等特點在神經疾病診斷治療方面得到了廣泛應用。fMRI —般指基於血氧水平依賴(blood oxygen level-dependent, BOLD)的磁共振成像，它通過測量由神經活動引起的腦血流和腦血氧等成分變化而造成的磁共振信號變化來反應腦活動。腦是一個複雜的系統，在受到刺激條件或經歷病變時腦的磁共振圖像會發生相應的變化。利用圖像分類方法，計算腦功能磁共振圖像具有某種屬性的可能性大小，或者自動判別圖像的類別屬性， 是計算機輔助分析的一個重要應用。傳統的功能磁共振圖像分類方法主要有感興趣區域(ROI)方式和體素(voxel)方式兩種分類方法。感興趣區域方式的分類方法依據目標結構的先驗知識，將樣本和目標分割成多個目標區域，並據此對目標進行分類；體素方式的分類方法採用複雜的非線性配準， 以最大限度地實現個體間的精確對應，然後以圖像的每一個空間單位(體素)作為分類依據。這兩種方法都假設目標與樣本的內部組織結構是一一對應的。前者認為先驗的圖像區域存在於每一個目標圖像當中，並且能夠準確分割；後者假定非線性配準後的體素是一一對應的。然而，這樣的假設在很多情況下並不合理。人在不同狀態下的腦功能磁共振圖像會受到多方面因素的幹擾，傳統的分類方法都不是根據腦的固有屬性對腦功能磁共振圖像進行分類的，因此都會導致分類性能的下降。
發明內容
(一 )要解決的技術問題為了克服已有技術的不足，本發明所要解決的技術問題是設計一種分類準確率高、泛化性能強的腦功能磁共振圖像分類方法。( 二 )技術方案為實現上述目的，本發明提出一種基於複雜網絡的腦功能磁共振圖像分類方法， 包括以下步驟步驟M 對訓練樣本圖像和測試樣本圖像進行預處理，然後進行腦區分割，並提取各個腦區的平均時間序列；步驟Sb 計算各個平均時間序列之間的偏相關係數，得到偏相關係數矩陣；步驟& 將所述偏相關係數矩陣二值化，得到複雜網絡模型；步驟Sd 計算該複雜網絡模型的特徵路徑長度、成本和集群度作為功能磁共振圖像的特徵；步驟Se 利用訓練樣本圖像的網絡參數作為該功能磁共振圖像的特徵中的訓練樣本圖像的特徵，來訓練一自適應提高(adaboost)分類器；步驟Sf 利用訓練好的該自適應提高(adaboost)分類器對測試樣本圖像進行分類。(三)有益效果本發明針對腦功能磁共振圖像分類問題，通過構建腦網絡模型、計算網絡特徵參數、訓練自適應提高(adaboost)分類器等方法有效提高了圖像分類的準確性和穩定性。本發明能夠利用腦功能磁共振圖像中儘可能多的信息，腦網絡參數能夠從本質上反應腦的活動，彌補了傳統分類方法不能體現腦活動固有屬性的不足，能夠精確的對腦功能磁共振圖像進行分類。
圖1是本發明提供的基於複雜網絡的腦功能磁共振圖像分類的方法流程圖；圖2是依照本發明實施例使用本發明所述分類方法(方法A)對比現有的基於局部特徵的分類方法(方法B)，分類受試者操作特性(ROC)的對比曲線。
具體實施例方式為使本發明的目的、技術方案和優點更加清楚明白，以下結合具體實施例，並參照附圖，對本發明進一步詳細說明。基於複雜網絡的腦功能磁共振圖像分類是一種全新的腦功能磁共振圖像分類方法。該方法首先建立複雜腦網絡模型，計算腦網絡的特徵路徑長度和集群度，用以表徵不同的圖像模式；然後利用該特徵路徑長度和集群度來訓練一個自適應提高(adaboost)分類器；最後利用訓練好的該自適應提高(adaboost)分類器對測試樣本圖像進行分類。參照圖1，根據本發明所述的一種人腦功能磁共振成像圖像分類方法，能夠依據訓練樣本圖像來確定測試樣本圖像的類別，具體實施步驟如下步驟Μ，對訓練樣本圖像和測試樣本圖像進行預處理，然後進行腦區分割，並提取各個腦區的平均時間序列；1.腦功能磁共振圖像的預處理由於磁共振掃描過程中各種各樣的噪聲的影響，被試個體自身存在尺度和位置上的差異，非常有必要在分析數據之前對數據做一定的預處理。在整個的實驗的數據獲取中， 主要的噪聲信息來源有(1)物理頭動；(2)圖像內層間掃描時間差別；(3)外在磁場的不均勻性等。腦功能磁共振圖像預處理的常見步驟有切片掃描時間對齊，圖像序列對齊，聯合配準，標準化(或稱均一化)，空間平滑濾波和時間平滑濾波等。2.腦功能磁共振圖像的分割採用國際通用的結構標記模板(AAL)，將全腦分為90個腦區。結構標記模板是腦功能磁共振圖像研究領域使用最為廣泛的腦結構模板。3.提取各腦區的平均時間序列依據預處理後的腦功能磁共振圖像的數據，提取包含於相應腦區內部的各個體素在不同時間點上激活值的時間序列Y(矩陣維數DXN)，其中D為包含於球體內部的體素數目，N為時間點數。所述激活值是指各個體素在不同時間點上的血氧水平依賴(BOLD)強度。
步驟Sb 計算平均各個時間序列之間的偏相關係數。該步驟Sb具體包括如下步驟1.計算平均時間序列間的協方差係數依據步驟提取的各個腦區的時間序列，計算各個平均時間序列之間的協方差矩陣S，S的每個元素Sy為第i個和第j個時間序列之間的協方差係數，
權利要求
1.一種基於複雜網絡的腦功能磁共振圖像分類方法，其特徵在於，包括以下步驟 步驟Μ 對訓練樣本圖像和測試樣本圖像進行預處理，然後進行腦區分割，並提取各個腦區的平均時間序列；步驟Sb 計算各個平均時間序列之間的偏相關係數，得到偏相關係數矩陣； 步驟& 將所述偏相關係數矩陣二值化，得到複雜網絡模型； 步驟Sd 計算該複雜網絡模型的特徵路徑長度、成本和集群度作為功能磁共振圖像的特徵；步驟利用訓練樣本圖像的網絡參數作為該功能磁共振圖像的特徵中的訓練樣本圖像的特徵，來訓練一自適應提高(adaboost)分類器；步驟Sf 利用訓練好的該自適應提高(adaboost)分類器對測試樣本圖像進行分類。
2.如權利要求1所述的基於複雜網絡的腦功能磁共振圖像分類方法，其特徵在於，所述對訓練樣本圖像和測試樣本圖像進行預處理，是在保留腦功能圖像細節的同時，使用腦功能圖像與標準模板進行仿射配準變換方式的預處理，並提高腦功能圖像的信噪比。
3.如權利要求1所述的基於複雜網絡的腦功能磁共振圖像分類方法，其特徵在於，所述提取腦區平均時間序列的步驟為首先按照標準腦結構模板將全腦分為90個腦區，分別提取每個腦區內部各個體素在不同時間點上的激活值，再將各個體素的激活值進行平均，得到腦區平均時間序列。
4.如權利要求1所述的基於複雜網絡的腦功能磁共振圖像分類方法，其特徵在於，計算各個平均時間序列之間的偏相關係數的方法為首先計算各個平均時間序列之間的協方差矩陣S，該協方差矩陣維度為90X90，S的每個元素Sy為第i個和第j個時間序列之間的協方差係數，
5.如權利要求1所述的基於複雜網絡的腦功能磁共振圖像分類方法，其特徵在於，所述將所述偏相關係數矩陣二值化得到複雜網絡模型的步驟，包括選取閾值將經過Fisher變換的偏相關係數矩陣F 二值化，該變換後的偏相關係數矩陣維度為90X90，二值化後1表示兩個腦區之間有連接，即網絡中兩個節點之間的邊存在，0則表示兩個腦區之間沒有連接，即網絡中的兩個節點之間沒有邊；閾值選取的方法為使選用此閾值進行了二值化後的網絡中實際存在的邊的數量是網絡中可能存在的邊的數量的十分之一。
6.如權利要求1所述的基於複雜網絡的腦功能磁共振圖像分類方法，其中所述計算該複雜網絡模型的特徵路徑長度的步驟為用特徵路徑長度矩陣描述網絡中任意兩個節點i，j的特徵路徑長度Iij,網絡平均特徵路徑長度L描述了網絡中任意兩個節點的特徵路徑長度的平均值，即L=~1~ y /,N(N-I)1^mj v其中，N為網絡中節點的個數，即分割的腦區數90 ；Iij為節點i，j之間的特徵路徑長度，V為網絡中所有節點的集合。
7.如權利要求1所述的基於複雜網絡的腦功能磁共振圖像分類方法，其中所述計算該複雜網絡模型的成本的步驟為用網絡中實際存在的所有邊的數量比上網絡中最多可能存在的邊的數量，即κ _ 2 _ 1 y κ 「NH聊-\、乙 2其中，N為網絡中節點的個數，Ki為網絡中連接到節點i的邊的數量。
8.如權利要求1所述的基於複雜網絡的腦功能磁共振圖像分類方法，其中所述計算該複雜網絡模型的集群度的步驟為某一節點i的集群度Ci的值等於它的相鄰節點之間存在的邊的數目與它們之間所有可能的邊數的比值，即C - e' - 2e'! MVi1) ^ikl-I) 2其中，e,表示節點i的鄰點之間存在的邊數，Iii表示節點i的鄰點的數目，^1 表示節點i的鄰點之間可能存在的邊數。
全文摘要
本發明是一種基於複雜網絡的腦功能磁共振圖像分類方法，該方法包括以下步驟對訓練樣本圖像和測試樣本圖像進行預處理，並進行區域分割，提取每個區域的平均時間序列；計算該平均時間序列間的偏相關係數，將所述偏相關係數矩陣二值化，得到複雜網絡模型，計算該複雜網絡模型的特徵路徑長度、成本和集群度，分別得到訓練樣本圖像和測試樣本圖像的網絡特徵；利用訓練得到的該自適應提高(adaboost)分類器；利用訓練得到的該自適應提高(adaboost)分類器對測試樣本圖像進行分類。本發明利用了腦功能磁共振圖像中儘可能多的信息，能夠精確的對腦功能磁共振圖像進行分類。
文檔編號G06K9/66GK102509123SQ201110392269
公開日2012年6月20日 申請日期2011年12月1日 優先權日2011年12月1日
發明者劉振宇, 田捷, 白麗君 申請人:中國科學院自動化研究所