基于最小生成树的多模态磁共振影像数据分类方法
专利汇可以提供基于最小生成树的多模态磁共振影像数据分类方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及 图像处理 技术，具体是一种基于最小生成树的多模态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。基于最小生成树的多模态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：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S3：对磁共振 弥散张量成像 影像进行预处理；步骤S4：计算各脑区两两之间的权重；步骤S5：构建多模态最小生成树脑网络；步骤S6：计算多模态最小生成树脑网络的局部属性；步骤S7：进行分类器的构建；步骤S8：对所选特征在分类器中的重要度和 冗余度 进行量化。本发明适用于磁共振影像数据分类。，下面是基于最小生成树的多模态磁共振影像数据分类方法专利的具体信息内容。
1.一种基于最小生成树的多模态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：计算各脑区的平均时间序列两两之间的协方差系数，由此得到协方差矩阵；然后根据协方差矩阵计算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S3：对磁共振弥散张量成像影像进行预处理，并根据选定的标准化脑图谱对预处理后的磁共振弥散张量成像影像进行区域分割，然后对所分割的各脑区进行全脑神经纤维追踪，由此得到各脑区的平均局部各向异性及各脑区之间的神经纤维数量；
步骤S4：计算各脑区两两之间的权重，由此得到神经纤维矩阵；
步骤S5：结合皮尔逊相关矩阵和神经纤维矩阵，利用克鲁斯卡尔算法构建多模态最小生成树脑网络；
步骤S6：计算多模态最小生成树脑网络的局部属性；所述局部属性包括：多模态最小生成树脑网络中各节点的度、介数中心度、离心率；
步骤S7：采用支持向量机分类算法，选择多模态最小生成树脑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，由此对多模态最小生成树脑网络进行优化。
2.根据权利要求1所述的基于最小生成树的多模态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所述的基于最小生成树的多模态磁共振影像数据分类方法，其特征在于：所述步骤S2中，计算公式具体表示如下：
公式(1)中：Sij表示协方差矩阵中第i行第j列的元素，即第i个脑区和第j个脑区之间的协方差系数；M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；
协方差矩阵的维度为90×90；
公式(2)中：Rij表示皮尔逊相关矩阵中第i行第j列的元素，即第i个脑区和第j个脑区之间的皮尔逊相关系数；xi表示第i个脑区的协方差序列；yj表示第j个脑区的协方差序列；
表示第i个脑区和第j个脑区的协方差； 表示第i个脑区的协方
差序列的标准差； 表示第j个脑区的协方差序列的标准差；皮尔逊相关矩阵的维度为90×90。
4.根据权利要求1所述的基于最小生成树的多模态磁共振影像数据分类方法，其特征在于：所述步骤S3中，预处理采用PANDA软件进行；预处理步骤具体包括：配准、标准化、涡流矫正；标准化脑图谱采用AAL模板；全脑神经纤维追踪采用FACT算法进行。
5.根据权利要求1所述的基于最小生成树的多模态磁共振影像数据分类方法，其特征在于：所述步骤S4中，计算公式具体表示如下：
公式(3)中：Dij表示神经纤维矩阵中第i行第j列的元素，即第i个脑区和第j个脑区之间的权重；FNij表示第i个脑区和第j个脑区之间的神经纤维数量；FAi表示第i个脑区的平均局部各向异性；FAj表示第j个脑区的平均局部各向异性；神经纤维矩阵的维度为90×90。
6.根据权利要求1所述的基于最小生成树的多模态磁共振影像数据分类方法，其特征在于：所述步骤S5中，构建多模态最小生成树脑网络的步骤具体包括：
步骤S51：构造一个只含n个顶点、边集为空的子图，并将子图中的每个顶点均视为一个子集；
步骤S52：结合皮尔逊相关矩阵和神经纤维矩阵，生成权重矩阵；生成公式具体表示如下：
Wij＝zscore(Rij)+zscore(Dij) (4)；
公式(4)中：Wij表示权重矩阵中第i行第j列的元素；Rij表示皮尔逊相关矩阵中第i行第j列的元素；Dij表示神经纤维矩阵中第i行第j列的元素；
步骤S53：比较权重矩阵中各个元素的值，并将各个元素的值按照升序方式进行排列；
每个元素相当于子图的一条链接；
步骤S54：从排列好的各个元素中选取值最小的元素，并判断该元素的两个顶点是否分属不同的子集；若该元素的两个顶点分属不同的子集，则将该元素视为有效链接，并将其加入子图，同时合并两个子集；反之，若该元素的两个顶点落在同一个子集中，则将该元素视为无效链接，并将其剔除，然后从剩余的各个元素中选取值最小的元素，并判断该元素的两个顶点是否分属不同的子集；以此循环，直至子图中的n个子集合并成一个子集时，即子图中存在n-1个元素时，多模态最小生成树脑网络构建完成。
7.根据权利要求1所述的基于最小生成树的多模态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(5)中：Ki表示多模态最小生成树脑网络中任意一节点i的度；aij表示多模态最小生成树脑网络中节点i和节点j之间的链接；
公式(6)中：BCi表示多模态最小生成树脑网络中任意一节点i的介数中心度；ρhj表示多模态最小生成树脑网络中从节点h到节点j的最短路径的数量； 表示多模态最小生成树脑网络中从节点h到节点j经过节点i的最短路径的数量；
ECCi＝max(dij) (7)；
公式(7)中：ECCi表示多模态最小生成树脑网络中任意一节点i的离心率；dij表示多模态最小生成树脑网络中节点i与节点j之间的最短路径长度；多模态最小生成树脑网络中节点i的离心率即节点i到其他节点的最短路径的最大值。
8.根据权利要求1所述的基于最小生成树的多模态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，选择双样本T检验后具有显著组间差异的局部属性的AUC值作为分类特征，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％的样本作为训练样本，剩余10％的样本作为测试样本，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。
9.根据权利要求1所述的基于最小生成树的多模态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。
基于最小生成树的多模态磁共振影像数据分类方法
技术领域
背景技术
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 利用弥散张量成像医学影像的白质纤维脑图谱构建方法 | 2020-05-19 | 255 |
| 磁共振弥散张量成像的去噪方法和系统 | 2020-05-16 | 463 |
| 去除磁共振弥散张量成像噪声的方法和系统 | 2020-05-16 | 489 |
| 3.0T场强下大鼠模型的多模态磁共振成像方法 | 2020-05-25 | 12 |
| 磁共振弥散张量成像方法及系统 | 2020-05-15 | 958 |
| 一种基于磁共振弥散张量成像确定目标边界的方法 | 2020-05-22 | 207 |
| 弥散张量成像方法及系统 | 2020-05-13 | 853 |
| 腕管综合征影像学定位方法在腕管疾病研究中的创新应用 | 2020-05-24 | 91 |
| 多b值弥散张量成像采样方法 | 2020-05-11 | 654 |
| 磁共振弥散张量成像方法、装置和纤维束追踪方法、装置 | 2020-05-20 | 545 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
