一种基于复杂脑网络的阿尔茨海默症特征提取及分类方法

1.本发明涉及磁共振数据分析技术领域，具体涉及一种基于复杂脑网络的阿尔茨海默症特征提取及分类方法。


背景技术：

2.阿尔兹海默症(alzheimer’s disease,ad)是一种起病隐匿且不可逆的神经系统退行性疾病。脑成像在一定程度上可以揭示神经退行性疾病的脑改变，包括结构性磁共振成像、功能磁共振成像、弥散张量成像、正电子发射型计算机断层显像等。基于神经影像的研究方法为探索ad脑网络中的关键脑区和关键通路异常的变化规律，深入了解疾病的生理机制和疾病早期诊断提供了研究手段。随着成像遗传学的研究开展，使用成像和生物标志物作为中间表型，在识别与ad基因相关的功能连接方面具有更高的敏感性。现有技术中，绝大部分研究没有使用精细脑分区的脑成像数据研究脑区结构活功能性脑成像、脑网络拓扑属性，并且没有直接根据全脑区数据形成功能磁共振连接矩阵，没有计算脑网络的全局性度量指标与局部性度量指标后进行特征提取并进行分类/识别。


技术实现要素：

3.本发明提供了一种基于复杂脑网络的阿尔茨海默症特征提取及分类方法，首先根据功能磁共振成像数据进行精细脑分区并构建大脑连接性矩阵，通过局部性度量指标提取关键脑区，再进一步针对关键脑区计算全局性度量指标和局部性度量指标，然后进行特征提取并进行分类，为阿尔茨海默症的疾病诊断提供快速精准的辅助诊断依据。
4.为了实现上述目的，本发明采用以下技术方案：
5.一种基于复杂脑网络的阿尔茨海默症特征提取及分类方法，包括以下步骤：步骤s1)数据预处理并构建大脑连接性矩阵；步骤s2)复杂脑网络度量；步骤s3)基于局部性度量指标获取关键脑区；步骤s4)基于二值化脑网络进行nbs分析，获取重要脑区并计算全局性度量指标；步骤s5)提取特征向量并进行分类。本发明计算了不同程度认知障碍患者和健康人群的复杂脑网络的全局性度量指标和局部性度量指标，提出了根据局部性度量指标筛选出差异性显著的关键脑区的方法，然后对360个脑区的数据和36个关键脑区的数据进行特征提取，提取30个特征值，将这30个特征值作为机器学习的先验条件进行模型训练，最终获得较高水平的二分类，并且使用36个关键脑区的局部性度量指标进行特征提取分类的准确率》使用360个脑区的局部性度量指标进行特征提取分类的准确率》使用360个脑区的全局性度量指标 局部性度量指标进行特征提取分类的准确率》使用360个脑区的全局性度量指标进行特征提取分类的准确率，二次特征提取的分类结果明显优于其他相关研究。
6.作为优选，步骤s1中所述数据预处理，具体包括：基于多模态脑分区方法，对阿尔茨海默症患者的大脑进行功能区域分割，将整体大脑细分为360个脑区，进行精细脑分区。步骤s1主要依据华盛顿大学多模态脑分区方法，对阿尔茨海默症患者大脑进行功能区域分割，将整体大脑细分为360个脑区域，进行精细脑分区，具体操作如下：通过阿尔茨海默症神
经影像学倡议数据集2(alzheimer's disease neuroimaging initiative 2,adni2)，获取磁场分布信息、大脑皮层厚度信息、大脑皮层髓磷脂分布信息、任务态功能磁共振成像数据和静息态功能磁共振成像数据；采用联合人类连接组多模态脑区分割(joint human connectome project multi-modal parcellation,j-hcpmmp)方法，将t1权重结构性磁共振成像、静息态功能性磁共振成像结合磁场分布信息，自动由设备生产的dicom数据注册到连接信息技术倡议(connectivity informatics technology initiative,cifti)灰度空间，再通过hcp的处理框架对该空间下的皮层顶点和皮下组织进行分区，将每个受试者大脑划分为左右各180个子脑区，共360个脑区，通过这种方法弥补hcp处理协议过高带来的磁共振影像数据适用性普遍不强的问题。
7.作为优选，步骤s1中所述构建大脑连接性矩阵，具体包括以下步骤：步骤a1)对360个脑区之间的功能性磁共振数据进行相关分析，形成360*360大小的复杂脑网络邻接矩阵，用来衡量大脑各个功能性脑区之间的连接状态；步骤a2)对所述复杂脑网络邻接矩阵进行阈值处理，去除噪声和干扰信息，获得大脑连接性矩阵。对360个脑区之间的功能性磁共振数据进行相关分析，形成360*360大小的复杂脑网络邻接矩阵来衡量大脑各个功能性脑区之间的连接状态，对该矩阵进行稀疏化处理(阈值处理)，去除噪声和干扰信息，得到一个稀疏的大脑连接性矩阵。
8.作为优选，步骤s2中所述复杂脑网络度量，具体包括以下步骤：步骤b1)基于大脑连接性矩阵构建对应的加权脑网络；步骤b2)将加权脑网络中的有效连接设为1，其它连接设为0，同时将位于对角线上的连接权重设为0，形成二值化脑网络；步骤b3)计算二值化脑网络的全局性度量指标和局部性度量指标。功能性复杂脑网络中，仅考虑无向性脑区功能连接，对网络中所有相关系数取绝对值，去掉负相关，最后构建两种复杂脑网络，包括加权脑网络和二值化脑网络。加权脑网络对应步骤s1中计算出来的稀疏大脑连接性矩阵；二值化脑网络是将加权脑网络中的有效连接设为1，其它连接设为0，同时将位于对角线上的连接权重设为0。
9.作为优选，所述全局性度量指标包括复杂脑网络全局效率、同配性系数、小世界特性指数、特征路径长度、层次结构、同步性系数。
10.作为优选，所述局部性度量指标包括复杂脑网络各节点度、局部效率、介数中心性、聚集系数、特征向量中心性、最短路径。
11.作为优选，步骤s3中基于局部性度量指标获取关键脑区，具体包括：分别对六种局部性度量指标进行f检验，选择满足p-value《0.01的脑区作为关键脑区，获得36个关键脑区，进而获得36个关键脑区对应的36*36连接矩阵。分别对四组组间数据的六种局部性度量指标进行f检验，选择p-value《0.01的脑区，即选择了四个组间存在显著差异的脑区，从360个脑区中总共选择了36个脑区，以此作为关键脑区。四组组间数据分别是阿尔茨海默症患者对应数据、早期轻度认知障碍患者对应数据、晚期轻度认知障碍患者对应数据和健康人群对应数据。
12.作为优选，步骤s4的具体过程，包括以下步骤：步骤c1)对二值化脑网络对应的二值化连接矩阵进行nbs分析，获取阿尔茨海默症ad患者、早期轻度认知障碍emci患者和晚期轻度认知障碍lmci患者的连通模式，选择满足p-value《0.001的脑区作为重要脑区，获得24个重要脑区，进而获得24个重要脑区对应的24*24连接矩阵；步骤c2)计算24*24连接矩阵的
全局性度量指标，比较360*360连接矩阵与24*24连接矩阵的全局性度量指标。利用所有被试的二值化脑网络对应的二值化连接矩阵，对10000个排列进行nbs分析，以发现阿尔兹海默症ad患者、早期轻度认知障碍emci患者、晚期轻度认知障碍lmci患者的连通模式，选择p-value《0.001的脑区作为重要脑区，获取24个重要脑区，得到24*24的连接矩阵；计算24*24连接矩阵的全局性度量指标，比较四组组间数据的360*360连接矩阵与24*24连接矩阵的全局性度量指标。
13.作为优选，步骤s5的具体过程，包括以下步骤：步骤d1)再次计算36个关键脑区的全局性度量指标和局部性度量指标，并通过finser特征提取算法提取特征向量；步骤d2)采用机器学习算法，对步骤d1提取的特征向量进行二分类建模。对步骤s3中筛选出来的关键脑区再一次计算全局性度量指标和局部度量指标，并通过finser特征提取算法提取特征向量，减少特征数据维度，减少模型训练复杂度；采用机器学习算法，对提取的特征向量进行二分类建模，本发明采用支持向量机分类的方法对特征向量进行分类，即对特征向量进行识别，识别特征向量对应哪一种程度的认知障碍患者或健康人群。
14.因此，本发明的优点是：计算了不同程度认知障碍患者和健康人群的复杂脑网络的全局性度量指标和局部性度量指标，提出了根据局部性度量指标筛选出差异性显著的关键脑区的方法，然后对360个脑区的数据和36个关键脑区的数据进行特征提取，提取30个特征值，将这30个特征值作为机器学习的先验条件进行模型训练，最终获得较高水平的二分类，且使用36个关键脑区的局部性度量指标进行特征提取分类的准确率》使用360个脑区的局部性度量指标进行特征提取分类的准确率》使用360个脑区的全局性度量指标 局部性度量指标进行特征提取分类的准确率》使用360个脑区的全局性度量指标进行特征提取分类的准确率，二次特征提取的分类结果明显优于其他相关研究。
附图说明
15.图1是本发明实施例的流程图。
16.图2是本发明实施例中360*360连接矩阵与24*24连接矩阵全局性度量指标对比图。
具体实施方式
17.下面结合附图与具体实施方式对本发明做进一步的描述。
18.实施例一：
19.如图1所示，一种基于复杂脑网络的阿尔茨海默症特征提取及分类方法，包括以下步骤：步骤1：数据预处理并构建大脑连接性矩阵，具体操作如下：步骤1-1：结构性磁共振成像的具体参数是矢状面t1权重三维快速梯度回波成像(t1w-3d-mprage)，采用八通道敏感度编码(sensitivity encoding,sense)并行成像算法，外部磁场强度为3特斯拉，成像分辨率为256
×
256 1.0毫米，切片数量170张，切片厚度1.2毫米，设定回波时间tr为6.78毫秒，重复时间te为3.14毫秒。功能性磁共振成像的具体参数是在受试者静息态下采用3特斯拉外部磁场强度，成像分辨率为64
×
64 3.3125毫米，切片数量48张，切片厚度3.313毫米，共采集140个时间序列，共6,720张切片，设定回波时间tr为
3,000毫秒，重复时间te为30毫秒。采用j-hcpmmp数据预处理方法，将t1权重结构性数据、功能性磁共振数据进行全自动预处理，并映射到cifti空间坐标化，再进行数据整合，采用hcpmmp分区方法将每个受试者大脑划分为左右各180个脑分区，并且将360组脑分区分成了22组区域，如表1所示；表1本实施例分成的22组脑区域表1本实施例分成的22组脑区域步骤1-2：对360个脑区之间的功能性磁共振数据进行相关分析，形成360*360大小的复杂脑网络邻接矩阵，用来衡量大脑各个功能性脑区之间的连接状态，对该矩阵进行稀疏化处理(阈值处理)，去除噪声和干扰信息，得到一个稀疏的大脑连接性矩阵。步骤2：复杂脑网络度量，具体操作如下：步骤2-1：加权脑网络对应步骤1中计算出来的稀疏大脑连接性矩阵；二值化脑网
络是将加权脑网络中的有效连接设为1，其它连接设为0，同时将位于对角线上的连接权重设为0；步骤2-2：根据步骤1计算的二值化脑网络对应的连接矩阵，使用gentna计算各脑区下的全局性度量指标，包括复杂脑网络全局效率、同配性系数、小世界特性指数、特征路径长度、层次结构、同步性系数；步骤2-3：根据步骤1计算的二值化脑网络对应的连接矩阵，使用gentna计算各脑区下的局部性度量指标，包括复杂脑网络各节点度、局部效率、介数中心性、聚集系数、特征向量中心性、最短路径。步骤3：基于局部性度量指标获取关键脑区，具体操作如下：步骤3-1：针对四组组间数据，根据局部性度量指标进行统计分析，得出在六种局部性度量指标下相对应的p-value《0.01的36个关键脑区。四组组间数据分别是阿尔茨海默症患者对应数据、早期轻度认知障碍患者对应数据、晚期轻度认知障碍患者对应数据和健康人群对应数据。步骤4：基于二值化脑网络进行nbs分析，获取重要脑区并计算全局性度量指标，具体操作如下：步骤4-1：利用所有被试的二值化脑网络对应的连接矩阵，对10000个排列进行nbs分析，以发现ad、emci、lmci患者的连通模式，通过p-value《0.001获取24个重要脑区，并得到24*24的连接矩阵；步骤4-2：计算24*24连接矩阵的全局性度量指标，比较四组组间数据的360*360连接矩阵与24*24连接矩阵的全局性度量指标，如图2所示。步骤5：提取特征向量并进行分类，具体操作如下：步骤5-1：对步骤3中筛选出来的36个关键脑区再一次计算全局性度量指标和局部性度量指标，将360个脑区的局部性度量指标(local 360areas)、36个关键脑区的局部性度量指标(local 36areas)、360个脑区的全局性度量指标(globe 360areas)、360个脑区的全局性度量指标 局部性度量指标(local globe 360areas)分别通过finser特征提取算法提取特征向量；步骤5-2：采用机器学习算法，对提取的特征向量进行二分类建模，本实施例采用支持向量机的方法对特征向量进行分类，即对特征向量进行识别，识别特征向量对应哪一种程度的认知障碍患者或健康人群。如表2所示，使用36个关键脑区的局部性度量指标进行特征提取分类的准确率》使用360个脑区的局部性度量指标进行特征提取分类的准确率》使用360个脑区的全局性度量指标 局部性度量指标进行特征提取分类的准确率》使用360个脑区的全局性度量指标进行特征提取分类的准确率。表2本实施例认知障碍分类模型准确率