專利名稱：基于網(wǎng)絡(luò)分析的結(jié)構(gòu)和功能磁共振圖像聯(lián)合分類方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體涉及一種基于網(wǎng)絡(luò)分析的結(jié)構(gòu)和功能磁共振圖像聯(lián)合分類方法。
背景技術(shù)：
磁共振成像(Magnetic Resonance Imaging,MRI)以其高時(shí)空分辨率，非侵入式等特點(diǎn)在神經(jīng)疾病診斷治療方面得到了廣泛應(yīng)用。腦是一個(gè)復(fù)雜的系統(tǒng)，在受到刺激條件或經(jīng)歷病變時(shí)腦的磁共振圖像會(huì)發(fā)生相應(yīng)的變化。利用圖像分類方法，計(jì)算磁共振圖像具有某種屬性的可能性大小，或者自動(dòng)判別圖像的類別屬性，是計(jì)算機(jī)輔助分析的一個(gè)重要應(yīng)用。傳統(tǒng)的磁共振圖像分類方法主要有感興趣區(qū)域(ROI)方式和體素(voxel)方式兩種分類方法。感興趣區(qū)域方式的分類方法依據(jù)目標(biāo)結(jié)構(gòu)的先驗(yàn)知識(shí)，將樣本和目標(biāo)分割成多個(gè)目標(biāo)區(qū)域，并據(jù)此對(duì)目標(biāo)進(jìn)行分類；體素方式的分類方法采用復(fù)雜的非線性配準(zhǔn)，以最大限度地實(shí)現(xiàn)個(gè)體間的精確對(duì)應(yīng)，然后以圖像的每一個(gè)空間單位(體素)作為分類依據(jù)。這兩種方法都假設(shè)目標(biāo)與樣本的內(nèi)部組織結(jié)構(gòu)是一一對(duì)應(yīng)的。前者認(rèn)為先驗(yàn)的圖像區(qū)域存在于每一個(gè)目標(biāo)圖像當(dāng)中，并且能夠準(zhǔn)確分割；后者假定非線性配準(zhǔn)后的體素是一一對(duì)應(yīng)的。然而，這樣的假設(shè)在很多情況下并不合理。人在不同狀態(tài)下的腦磁共振圖像會(huì)受到多方面因素的干擾，傳統(tǒng)的分類方法都不是根據(jù)腦的固有屬性對(duì)腦磁共振圖像進(jìn)行分類的，因此都會(huì)導(dǎo)致分類性能的下降。

發(fā)明內(nèi)容
為了克服已有技術(shù)的不足，本發(fā)明提供了一種分類準(zhǔn)確率高、泛化性能強(qiáng)的腦磁共振圖像分類方法。為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于網(wǎng)絡(luò)分析的結(jié)構(gòu)和功能磁共振圖像聯(lián)合分類方法，包括Sa:對(duì)訓(xùn)練樣本圖像和測(cè)試樣本圖像進(jìn)行預(yù)處理，然后按照標(biāo)準(zhǔn)腦結(jié)構(gòu)模板將全腦分為90個(gè)腦區(qū)，并提取功能圖像各個(gè)腦區(qū)的平均時(shí)間序列和結(jié)構(gòu)圖像各個(gè)腦區(qū)的灰質(zhì)密度；Sb:計(jì)算各個(gè)平均時(shí)間序列之間以及各個(gè)腦區(qū)的灰質(zhì)密度之間的偏相關(guān)系數(shù)，分別得到偏相關(guān)系數(shù)矩陣；Sc :將所述偏相關(guān)系數(shù)矩陣二值化，得到復(fù)雜網(wǎng)絡(luò)模型；Sd:分別計(jì)算功能網(wǎng)絡(luò)和結(jié)構(gòu)網(wǎng)絡(luò)中各個(gè)節(jié)點(diǎn)的特征路徑長度、集群度和網(wǎng)絡(luò)中心性；Se:利用訓(xùn)練樣本功能圖像和結(jié)構(gòu)圖像的特征路徑長度、集群度和網(wǎng)絡(luò)中心性分別作為訓(xùn)練樣本圖像的特征訓(xùn)練自適應(yīng)提高分類器，得到多個(gè)自適應(yīng)提高分類器以及對(duì)應(yīng)的分類正確率；
步驟Sf :利用訓(xùn)練好的多個(gè)自適應(yīng)提高分類器以投票的方式進(jìn)行組合；Sg :利用訓(xùn)練好的自適應(yīng)提高分類器對(duì)測(cè)試樣本圖像進(jìn)行分類。本發(fā)明能夠利用磁共振圖像中盡可能多的信息，腦網(wǎng)絡(luò)參數(shù)能夠從本質(zhì)上反應(yīng)腦的活動(dòng)，同時(shí)采用了多分類器技術(shù)，彌補(bǔ)了傳統(tǒng)分類方法不能體現(xiàn)腦活動(dòng)固有屬性的不足，能夠精確的對(duì)腦磁共振圖像進(jìn)行分類。


圖1是本發(fā)明所述算法流程圖；圖2是測(cè)試數(shù)據(jù)上兩種方法分類受試者操作特性(ROC)曲線對(duì)比。
具體實(shí)施例方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照附圖，對(duì)本發(fā)明進(jìn)一步詳細(xì)說明。基于網(wǎng)絡(luò)分析的結(jié)構(gòu)和功能磁共振圖像聯(lián)合分類方法是一種全新的磁共振圖像分類方法。該方法首先建立結(jié)構(gòu)和功能的腦網(wǎng)絡(luò)模型，計(jì)算腦網(wǎng)絡(luò)的特征路徑長度、集群度和網(wǎng)絡(luò)中心性，用以表征不同的圖像模式；然后利用這些網(wǎng)絡(luò)參數(shù)來訓(xùn)練一個(gè)自適應(yīng)提高(adaboost)分類器。參照?qǐng)D1，根據(jù)本發(fā)明所述的一種人腦磁共振成像圖像分類方法，能夠依據(jù)訓(xùn)練樣本圖像來確定測(cè)試樣本圖像的類別，具體實(shí)施步驟如下步驟Sa，對(duì)訓(xùn)練樣本圖像和測(cè)試樣本圖像進(jìn)行預(yù)處理，然后按照標(biāo)準(zhǔn)腦結(jié)構(gòu)模板將全腦分為90個(gè)腦區(qū)，并提取功能圖像各個(gè)腦區(qū)的平均時(shí)間序列和結(jié)構(gòu)圖像各個(gè)腦區(qū)的灰質(zhì)密度；1.腦磁共振圖像的預(yù)處理由于磁共振掃描過程中各種各樣的噪聲的影響，被試個(gè)體自身存在尺度和位置上的差異，非常有必要在分析數(shù)據(jù)之前對(duì)數(shù)據(jù)做一定的預(yù)處理。在整個(gè)的實(shí)驗(yàn)的數(shù)據(jù)獲取中，主要的噪聲信息來源有(I)物理頭動(dòng)；(2)圖像內(nèi)層間掃描時(shí)間差別；(3)外在磁場(chǎng)的不均勻性等。腦磁共振圖像預(yù)處理的常見步驟有圖像序列對(duì)齊，聯(lián)合配準(zhǔn)，標(biāo)準(zhǔn)化(或稱均一化)，空間平滑濾波等。2.腦磁共振圖像的分割采用國際通用的結(jié)構(gòu)標(biāo)記模板(AAL)，將全腦分為90個(gè)腦區(qū)。結(jié)構(gòu)標(biāo)記模板是磁共振圖像研究領(lǐng)域使用最為廣泛的腦結(jié)構(gòu)模板。3.提取各腦區(qū)的平均時(shí)間序列依據(jù)預(yù)處理后的腦功能磁共振圖像的數(shù)據(jù)，提取包含于相應(yīng)腦區(qū)內(nèi)部的各個(gè)體素在不同時(shí)間點(diǎn)上激活值的時(shí)間序列Y(矩陣維數(shù)DXN)，其中D為包含于球體內(nèi)部的體素?cái)?shù)目，N為時(shí)間點(diǎn)數(shù)。所述激活值是指各個(gè)體素在不同時(shí)間點(diǎn)上的血氧水平依賴(BOLD)強(qiáng)度。然后，將各個(gè)體素的激活值進(jìn)行平均，得到腦區(qū)平均時(shí)間序列。4.提取各腦區(qū)的灰質(zhì)密度依據(jù)預(yù)處理后的腦結(jié)構(gòu)磁共振圖像的數(shù)據(jù)，制作半徑為4_的球形感興趣區(qū)(ROI)，提取包含于感興趣區(qū)內(nèi)的33個(gè)2mmX2mmX2mm的體素的灰質(zhì)密度Y，其中，33個(gè)2mmX2mmX2mm的體素的灰質(zhì)密度Y距離每個(gè)腦區(qū)內(nèi)部的中心點(diǎn)最近。步驟Sb :計(jì)算各個(gè)平均時(shí)間序列之間以及各腦區(qū)灰質(zhì)密度之間的偏相關(guān)系數(shù)。該步驟Sb具體包括如下步驟1.計(jì)算協(xié)方差系數(shù)依據(jù)步驟Sa提取的各個(gè)腦區(qū)的時(shí)間序列或灰質(zhì)密度，計(jì)算各個(gè)平均時(shí)間序列之間以及各腦區(qū)灰質(zhì)密度之間的協(xié)方差矩陣S，S的每個(gè)元素Sm為第i個(gè)和第j個(gè)時(shí)間序列之間或灰質(zhì)密度之間的協(xié)方差系數(shù)，
權(quán)利要求
1.一種基于網(wǎng)絡(luò)分析的結(jié)構(gòu)和功能磁共振圖像聯(lián)合分類方法，包括 Sa :對(duì)訓(xùn)練樣本圖像和測(cè)試樣本圖像進(jìn)行預(yù)處理，然后按照標(biāo)準(zhǔn)腦結(jié)構(gòu)模板將全腦分為90個(gè)腦區(qū)，并提取功能圖像各個(gè)腦區(qū)的平均時(shí)間序列和結(jié)構(gòu)圖像各個(gè)腦區(qū)的灰質(zhì)密度；Sb :計(jì)算各個(gè)平均時(shí)間序列之間以及各個(gè)腦區(qū)的灰質(zhì)密度之間的偏相關(guān)系數(shù)，分別得到偏相關(guān)系數(shù)矩陣； Sc :將所述偏相關(guān)系數(shù)矩陣二值化，得到復(fù)雜網(wǎng)絡(luò)模型； Sd:分別計(jì)算功能網(wǎng)絡(luò)和結(jié)構(gòu)網(wǎng)絡(luò)中各個(gè)節(jié)點(diǎn)的特征路徑長度、集群度和網(wǎng)絡(luò)中心性； Se :利用訓(xùn)練樣本功能圖像和結(jié)構(gòu)圖像的特征路徑長度、集群度和網(wǎng)絡(luò)中心性分別作為訓(xùn)練樣本圖像的特征(訓(xùn)練)自適應(yīng)提高分類器，得到多個(gè)自適應(yīng)提高分類器以及對(duì)應(yīng)的分類正確率； 步驟Sf :利用訓(xùn)練好的多個(gè)自適應(yīng)提高分類器以投票的方式進(jìn)行組合； Sg :利用訓(xùn)練好的自適應(yīng)提高分類器對(duì)測(cè)試樣本圖像進(jìn)行分類。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于所述提取功能圖像各個(gè)腦區(qū)的平均時(shí)間序列包括 分別提取每個(gè)腦區(qū)內(nèi)部各個(gè)體素在不同時(shí)間點(diǎn)上的激活值，再將各個(gè)體素的激活值進(jìn)行平均，得到腦區(qū)平均時(shí)間序列。
3.根根據(jù)權(quán)利要求1所述的方法，其特征在于所述提取結(jié)構(gòu)圖像各個(gè)腦區(qū)的灰質(zhì)密度包括 提取每個(gè)腦區(qū)內(nèi)部的距離中心點(diǎn)最近的33個(gè)體素的灰質(zhì)密度作為腦區(qū)的灰質(zhì)密度。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于所述計(jì)算各個(gè)平均時(shí)間序列之間以及各個(gè)腦區(qū)的灰質(zhì)密度之間的偏相關(guān)系數(shù)包括 計(jì)算協(xié)方差矩陣S,該協(xié)方差矩陣維度為90X90, S的每個(gè)元素Sy為第i個(gè)和第j個(gè)時(shí)間序列或灰質(zhì)密度之間的協(xié)方差系數(shù)，
5 根據(jù)權(quán)利要求4所述的方法，其特征在于選取閾值將經(jīng)過Fisher變換的偏相關(guān)系數(shù)矩陣F 二值化，該變換后的偏相關(guān)系數(shù)矩陣維度為90X90，二值化后I表示網(wǎng)絡(luò)中兩個(gè)節(jié)點(diǎn)之間的邊存在,O則表示網(wǎng)絡(luò)中的兩個(gè)節(jié)點(diǎn)之間沒有邊。
6.根據(jù)權(quán)利要求5所述的方法，其特征在于所述選取閾值包括使網(wǎng)絡(luò)中實(shí)際存在的邊的數(shù)量是網(wǎng)絡(luò)中可能存在的邊的數(shù)量的十分之一。
7.根據(jù)權(quán)利要求1所述的方法，其特征在于所述計(jì)算特征路徑長度包括用特征路徑長度矩陣描述網(wǎng)絡(luò)中任意兩個(gè)節(jié)點(diǎn)i，j的特征路徑長度Iij,網(wǎng)絡(luò)平均特征路徑長度L描述了網(wǎng)絡(luò)中任意兩個(gè)節(jié)點(diǎn)的特征路徑長度的平均值，即
8.根據(jù)權(quán)利要求1所述的方法，其特征在于所述計(jì)算集群度的包括某一節(jié)點(diǎn)i的集群度Ci的值等于它的相鄰節(jié)點(diǎn)之間存在的邊的數(shù)目與它們之間所有可能的邊數(shù)的比值，即
9.根據(jù)權(quán)利要求1所述的方法，其特征在于所述計(jì)算網(wǎng)絡(luò)中心性包括節(jié)點(diǎn)i的網(wǎng)絡(luò)中心性定義為網(wǎng)絡(luò)中除i以外的任意兩個(gè)節(jié)點(diǎn)之間通過了節(jié)點(diǎn)i的特征路徑的數(shù)目與該兩個(gè)節(jié)點(diǎn)之間所有特征路徑數(shù)目的比值，即
10.根據(jù)權(quán)利要求1所述的方法，其特征在于所述自適應(yīng)提高分類器為6個(gè)。
全文摘要
提供了一種基于網(wǎng)絡(luò)分析的結(jié)構(gòu)和功能磁共振圖像聯(lián)合分類方法。首先建立結(jié)構(gòu)和功能的腦網(wǎng)絡(luò)模型，計(jì)算腦網(wǎng)絡(luò)的特征路徑長度、集群度和網(wǎng)絡(luò)中心性，用以表征不同的圖像模式；然后利用這些網(wǎng)絡(luò)參數(shù)來訓(xùn)練一個(gè)自適應(yīng)提高分類器。本發(fā)明能夠利用磁共振圖像中盡可能多的信息，腦網(wǎng)絡(luò)參數(shù)能夠從本質(zhì)上反應(yīng)腦的活動(dòng)，同時(shí)采用了多分類器技術(shù)，彌補(bǔ)了傳統(tǒng)分類方法不能體現(xiàn)腦活動(dòng)固有屬性的不足，能夠精確的對(duì)腦磁共振圖像進(jìn)行分類。
文檔編號(hào)G06K9/66GK103020653SQ20121052613
公開日2013年4月3日 申請(qǐng)日期2012年12月7日 優(yōu)先權(quán)日2012年12月7日
發(fā)明者田捷, 劉振宇, 劉建剛 申請(qǐng)人:中國科學(xué)院自動(dòng)化研究所