本發(fā)明公開了一種基于腦連接網(wǎng)絡(luò)的腦齡預(yù)測方法，本發(fā)明屬于醫(yī)學(xué)影像與計算機(jī)科學(xué)的交叉領(lǐng)域，涉及數(shù)字圖像分析與模式識別的
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：近些年來，神經(jīng)影像技術(shù)迅速發(fā)展，主要包括結(jié)構(gòu)核磁共振成像(structuralmagneticresonanceimaging，structuralMRI)，彌散張量成像(diffusiontensorimaging，DTI)，功能核磁共振成像(functionalMRI，fMRI)，腦電圖(electro-encephalogram，EEG)和腦磁圖(magnetoencephalography，MEG)?；趂MRI，EEG和MEG圖像中，人們可以獲取功能連接網(wǎng)絡(luò)，用于反映不同腦區(qū)的解剖連接模式。腦網(wǎng)絡(luò)模型是對大腦系統(tǒng)的簡單表示。在腦連接網(wǎng)絡(luò)中，節(jié)點通常被定義為神經(jīng)元或感興趣區(qū)域，而邊被定義為它們之間的連接模式。目前，腦連接網(wǎng)絡(luò)分析研究主要分為兩個方面：一是側(cè)重于對特定假設(shè)驅(qū)動的測試，如對小世界網(wǎng)絡(luò)和海馬網(wǎng)絡(luò)等；二是重點放在基于機(jī)器學(xué)習(xí)方法來完成基于個體的預(yù)測和分類。由于能夠從數(shù)據(jù)中自動分析獲得規(guī)律，并利用規(guī)律對未知數(shù)據(jù)進(jìn)行預(yù)測，基于機(jī)器學(xué)習(xí)的方法已經(jīng)成為一個新研究熱點。但由于大腦自身的復(fù)雜性，且通常能夠獲取到的樣本是非常少的，這就導(dǎo)致了腦連接網(wǎng)絡(luò)的分析是一個非常具有挑戰(zhàn)性的問題。腦齡，是指腦的年齡。腦齡和實際年齡有著不同的含義，研究發(fā)現(xiàn)，人類在健康狀態(tài)下的大腦年齡近似等于自身實際年齡，對于一些患有神經(jīng)系統(tǒng)疾病的人群，其大腦年齡會大于自身實際年齡，而那些發(fā)育出現(xiàn)障礙的人群其大腦年齡則要小于自身實際年齡。通過預(yù)測人腦年齡，將其和實際年齡進(jìn)行對比，可以檢測大腦是否出現(xiàn)加速老化和神經(jīng)退化性疾病的早期癥狀，因此構(gòu)建出一種可以有效地預(yù)測人腦年齡的腦齡預(yù)測模型是十分必要的。本發(fā)明基于以上問題，提出一種基于腦連接網(wǎng)絡(luò)的腦齡預(yù)測方法。實現(xiàn)了用腦連接網(wǎng)絡(luò)準(zhǔn)確預(yù)測腦齡的同時驗證了多種特征融合的有效性。技術(shù)實現(xiàn)要素：本發(fā)明是基于腦連接網(wǎng)絡(luò)，發(fā)明一個大腦年齡預(yù)測的方法。本發(fā)明的具體技術(shù)方案包括以下幾個步驟：步驟一：從腦影像數(shù)據(jù)中構(gòu)造出腦連接網(wǎng)絡(luò)；步驟二：從腦連接網(wǎng)絡(luò)中提取節(jié)點的聚類系數(shù)作為節(jié)點特征；步驟三：從腦連接網(wǎng)絡(luò)中提取并選擇出具有判別性的邊權(quán)重作為邊特征；步驟四：融合前兩步中的節(jié)點特征和邊特征作為融合特征；步驟五：對融合特征使用支持向量回歸機(jī)預(yù)估大腦年齡。所述步驟一中，對采集到的原始數(shù)據(jù)，我們使用DataProcessingAssistantforResting-StatefMRI(DPARSF)進(jìn)行切片時間校正(slicetiming)，頭動校正(motioncorrelation)，和空間正則化(spatialnormalization)等標(biāo)準(zhǔn)預(yù)處理流程。接著每個對象的fMRI圖像所對應(yīng)的腦空間根據(jù)AutomatedAnatomicalLabeling(AAL)模板被分割為90個腦區(qū)(每個腦區(qū)對應(yīng)圖中的一個頂點)，計算每個腦區(qū)的平均時間序列以及腦區(qū)間的Pearson相關(guān)系數(shù)作為腦區(qū)間的連接強(qiáng)度。從而獲得了大腦的功能性連接網(wǎng)絡(luò)。所述步驟二中，我們從腦連接網(wǎng)絡(luò)中提取出節(jié)點的聚類系數(shù)作為節(jié)點特征。首先，我們使用閾值化的方法，將有權(quán)的功能連接網(wǎng)絡(luò)轉(zhuǎn)化為無權(quán)網(wǎng)絡(luò)。給定功能連接網(wǎng)絡(luò)(矩陣)G＝[w(i，j)]∈Rn×n和閾值T，使用下面公式閾值化連接網(wǎng)絡(luò)：w(i,j)=0ifw(i,j)<T1otherwise---(1)]]>其中，n表示感興趣區(qū)域(region-of-interest，ROI)的個數(shù)。接著，我們計算無權(quán)網(wǎng)絡(luò)中每個節(jié)點的聚類系數(shù)。我們給出聚類系數(shù)的定義。定義1：聚類系數(shù)給定一個無權(quán)無向圖G，G中的第i個節(jié)點的聚類系數(shù)計算公式如下：Ci=2×Eiki×(ki-1)---(2)]]>其中ki表示第i個節(jié)點的鄰接點的個數(shù)，Ei表示第i個節(jié)點的ki個鄰接點之間存在的邊數(shù)。從公式(2)可以看出，當(dāng)一個點的鄰接點之間的連接越緊密，聚類系數(shù)的值就越高。在腦疾病患者的功能網(wǎng)絡(luò)中，聚類系數(shù)可以很好的反映單個感興趣區(qū)域(region-of-interest，ROI)的異常。所述步驟三中，我們從腦連接網(wǎng)絡(luò)中提取出邊的權(quán)重并選擇出具有判別性的邊權(quán)重作為邊特征。對提取出的邊的權(quán)重使用Lasso算法來選擇具有判別性的邊權(quán)重。Lasso回歸估計稀疏表示系數(shù)w可描述如下：w^=argmin||y-Aw||22+λ||w||1---(3)]]>將求得的系數(shù)矩陣w中值為0所對應(yīng)的原始數(shù)據(jù)中的特征去掉。得到了一個經(jīng)過特征選擇后的較低維的特征矩陣。所述步驟四中，將步驟二和步驟三中挑選出的特征進(jìn)行線性的融合得到一個新的特征。具體計算如下，設(shè)節(jié)點的特征矩陣為邊的特征矩陣為則融合后的特征矩陣為其中，n表示樣本個數(shù)，c表示節(jié)點的特征個數(shù)，e表示邊的特征個數(shù)。所述步驟五中，對步驟四中得到融合特征使用支持向量回歸機(jī)SVR預(yù)估大腦年齡。本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下優(yōu)點與有益效果：(1)本發(fā)明提出的融合多特征的方法充分利用多種特征的優(yōu)勢并將其融合后進(jìn)行回歸預(yù)測，取得了很好的預(yù)測結(jié)果；(2)現(xiàn)有的腦網(wǎng)絡(luò)研究大多關(guān)注于如何將不同人的腦網(wǎng)絡(luò)按照一定劃分規(guī)則做分類，而本分明的目的是做回歸預(yù)測，得到的是一個連續(xù)值，更具有分析參考的意義。附圖說明圖1為本發(fā)明所述方法的框架圖。圖2為本發(fā)明實施例的生理年齡和估計腦齡對應(yīng)圖。具體實施方式下面選擇健康的中老年人40例，結(jié)合圖1對本發(fā)明上述方法進(jìn)行具體說明。其中，被試者的年齡、性別如下表1所示。因為樣本數(shù)較少，在實驗中使用留一法進(jìn)行交叉驗證。具體而言，在每次的實驗中，選取一個樣本作為測試樣本，其余樣本作為訓(xùn)練樣本。最終的結(jié)果是由所有實驗的平均結(jié)果計算。表1被試者信息統(tǒng)計表數(shù)量男/女比例年齡范圍年齡均值/標(biāo)準(zhǔn)差被試樣本4018/2265～9075.6/6.4本發(fā)明的總體流程如圖1所示。具體的實施過程包含五個步驟：步驟一是構(gòu)建腦連接網(wǎng)絡(luò)。首先，需要收集一些包含臨床變量值數(shù)據(jù)的腦影像數(shù)據(jù)。然后，對采集到的原始數(shù)據(jù)，使用DataProcessingAssistantforResting-StatefMRI(DPARSF)進(jìn)行切片時間校正(slicetiming)，頭動校正(motioncorrelation)，和空間正則化(spatialnormalization)等標(biāo)準(zhǔn)預(yù)處理流程。接著每個對象的fMRI圖像所對應(yīng)的腦空間根據(jù)AutomatedAnatomicalLabeling(AAL)模板被分割為90個腦區(qū)(每個腦區(qū)對應(yīng)圖中的一個頂點)，計算每個腦區(qū)的平均時間序列以及腦區(qū)間的Pearson相關(guān)系數(shù)作為腦區(qū)間的連接強(qiáng)度。從而獲得了大腦的功能性連接網(wǎng)絡(luò)。值得注意的是，該腦網(wǎng)絡(luò)是一個對角線上全為1的對稱矩陣。步驟二是提取節(jié)點的聚類系數(shù)。對步驟一中得到的全連接帶權(quán)重網(wǎng)絡(luò)首先使用公式(1)閾值化連接網(wǎng)絡(luò)，將網(wǎng)絡(luò)中權(quán)重小于閾值的置為0，大于等于閾值的置為1。這樣就將有權(quán)腦網(wǎng)絡(luò)轉(zhuǎn)化為無權(quán)腦網(wǎng)絡(luò)。接著，使用公式(2)計算無權(quán)腦網(wǎng)絡(luò)中各個節(jié)點的聚類系數(shù)。得到了一個包含節(jié)點特征的矩陣矩陣A中每行代表一個樣本，每列代表一個節(jié)點的聚類系數(shù)。在實驗設(shè)置中，將公式(1)中的閾值設(shè)置為0.6。步驟三是提取并選擇邊的權(quán)重。對步驟一中得到的對稱的全連接帶權(quán)重網(wǎng)絡(luò)進(jìn)行轉(zhuǎn)換，將該90*90的網(wǎng)絡(luò)拉成一個90*(90-1)/2＝4005維的向量，這個向量所包含的信息是網(wǎng)絡(luò)的邊的權(quán)重值。接著，使用Lasso算法的公式(3)選擇出具有判別性的邊。得到一個包含邊特征的矩陣矩陣B中每行代表一個樣本，每列代表一個具有判別性的邊權(quán)重。在實驗設(shè)置中，將公式(3)中的參數(shù)λ設(shè)置為0.7。步驟四是融合節(jié)點特征和邊特征。對步驟二得到的矩陣A和步驟三得到的矩陣B進(jìn)行融合，設(shè)節(jié)點的特征矩陣為邊的特征矩陣為則融合后的特征矩陣為步驟五使用支持向量回歸機(jī)SVR對步驟四中得到的特征矩陣C進(jìn)行回歸分析，以融合特征矩陣C作為自變量，年齡作為因變量，進(jìn)行回歸分析，預(yù)估大腦年齡。經(jīng)計算，本發(fā)明所提出的融合方法得出的預(yù)測腦齡與真實腦齡之間的相關(guān)系數(shù)值為0.8899，均方根誤差值為3.1340。上面結(jié)合附圖對本發(fā)明的實施方式作了詳細(xì)說明，但是本發(fā)明并不限于上述實施方式，在本領(lǐng)域普通技術(shù)人員所具備的知識范圍內(nèi)，還可以在不脫離本發(fā)明宗旨的前提下做出各種變化。當(dāng)前第1頁1 2 3