一种自闭症谱系障碍的自动判别系统、存储介质及设备的制作方法

1.本发明属于基于医学影像及遗传学的计算机辅助诊断领域，尤其涉及一种自闭症谱系障碍的自动判别系统、存储介质及设备。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.自闭症谱系障碍(autism spectrum disorder,asd)起病于婴幼儿期的全面性精神发育障碍，主要表现为人际交往和沟通模式的异常，语言和非语言交流障碍，兴趣与活动内容局限，行为刻板、重复。寻找一种精确、客观的早期asd判别方法，对辅助临床asd的智能诊断和制定合理的早期神经保护措施具有重要意义。
4.已有部分研究初步探讨了基于磁共振成像对asd的诊断研究。然而多数研究都是基于单模态的脑影像特征，如基于结构磁共振图像(structural mri,smri)可获得大脑脑质结构体积、表面积等表型改变；基于功能磁共振成像(functional mri,fmri)可以反映局部脑区功能连接，代谢程度的异常；基于弥散磁共振成像(diffusion mri,dmri)可以通过定量分析脑组织水分子的自由扩散属性，反映出脑白纤维束的微结构改变。发明人发现，现有的自闭症谱系障碍诊断存在分析特征单一且准确率低的问题，无法为早期asd诊断提供可靠的辅助诊断。


技术实现要素：

5.为了解决上述背景技术中存在的技术问题，本发明提供一种自闭症谱系障碍的自动判别系统，其能够提高分类精度。
6.为了实现上述目的，本发明采用如下技术方案：
7.本发明的第一个方面提供一种自闭症谱系障碍的自动判别系统，其包括：
8.脑连接特征提取模块，其用于从被试的多模态磁共振影像中提取功能连接及脑白质连接图谱，作为脑连接特征；
9.特征选择及降维模块，其用于对脑连接特征进行稀疏选择及非线性降维；
10.遗传数据特征提取模块，其用于基于被试的全基因组测序数据及单核苷酸多态性质量筛选，利用基因约束最大似然法提取遗传数据特征；
11.特征融合模块，其用于利用典型相关分析方法融合选择及降维后的脑连接特征和遗传数据特征；
12.分类决策模块，其用于将融合后特征输入至决策模型中，判别出是否属于自闭症谱系障碍类别。
13.进一步地，所述决策模型由若干基分类器组合而成，每个基分类器对应输入的特征向量，得到测试样本的基分类器的预测概率输出值，并作为下一级的逻辑回归模型的输入，进行训练决策模型。
14.进一步地，所述基分类器包括svm、rf及bp网络。
15.进一步地，所述多模态磁共振影像包括smri图像、fmri图像和dmri图像。
16.进一步地，利用l1范数正则化对脑连接特征进行稀疏选择。
17.进一步地，利用t
‑
sne算法进行非线性降维。
18.进一步地，所述提取遗传数据特征包括两个特征，第一个特征为遗传度，第二个特征为脑白质连接/功能连接与自闭症的行为分数的遗传相关性。
19.进一步地，所述特征融合模块，还用于利用典型相关分析将获取的不同的特征矢量进行融合，进而实现最优特征集合。
20.本发明的第二个方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：
21.从被试的多模态磁共振影像中提取功能连接及脑白质连接图谱，作为脑连接特征；
22.对脑连接特征进行稀疏选择及非线性降维；
23.基于被试的全基因组测序数据及单核苷酸多态性质量筛选，利用基因约束最大似然法提取遗传数据特征；
24.利用典型相关分析方法融合选择及降维后的脑连接特征和遗传数据特征；
25.将融合后特征输入至决策模型中，判别出是否属于自闭症谱系障碍类别。
26.本发明的第三个方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如下步骤：
27.从被试的多模态磁共振影像中提取功能连接及脑白质连接图谱，作为脑连接特征；
28.对脑连接特征进行稀疏选择及非线性降维；
29.基于被试的全基因组测序数据及单核苷酸多态性质量筛选，利用基因约束最大似然法提取遗传数据特征；
30.利用典型相关分析方法融合选择及降维后的脑连接特征和遗传数据特征；
31.将融合后特征输入至决策模型中，判别出是否属于自闭症谱系障碍类别。
32.与现有技术相比，本发明的有益效果是：
33.本发明针对基于磁共振影像图像多采用单模态脑表型特征进行自闭症分类的局限性，从多模态脑网络的角度提取脑连接特征，利用典型相关分析方法融合选择及降维后的脑连接特征，并融入了遗传信息，进而提高了分类准确率；针对脑连接的高维特性及遗传特征的特殊性，通过特征选择、降维及融合，利用模型融合策略实现了良好的学习效果，提高了自闭症谱系障碍的判别精度。
34.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
35.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
36.图1是本发明实施例的自闭症谱系障碍的自动判别系统结构框图；
37.图2是本发明实施例的自闭症谱系障碍的自动判别原理图。
具体实施方式
38.下面结合附图与实施例对本发明作进一步说明。
39.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
40.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
41.实施例一
42.参照图1，本实施例的一种自闭症谱系障碍的自动判别系统，其包括：
43.(1)脑连接特征提取模块，其用于从被试的多模态磁共振影像中提取功能连接及脑白质连接图谱，作为脑连接特征。
44.其中，被试来源于abide i/ii期数据库的自闭症谱系障碍患者及正常对照人群，分别获取被试的smri图像、fmri图像和dmri图像。
45.在一个或多个实施例中，自闭症谱系障碍的自动判别系统还包括影像预处理模块，其用于对被试的多模态磁共振影像进行预处理。
46.各模态特征预处理过程如下：
47.其中对smri进行
①
手动调整所有smri的原点到前联合点；
②
对mri图像进行分割，获取灰质、白质及脑脊液。
48.对dmri进行
①
脑实质提取；
②
涡流及头动矫正，以减少血流及扫描头动对图像的影响；
③
梯度方向矫正；
④
张量模型拟合，得到反应水分子的各向异性分数图及其他弥散参数。
49.对fmri进行：
①
格式转换、去时间点；
②
头动及时间层矫正；
③
空间标准化及平滑滤波。
50.具体地，在脑连接特征提取模块中，首先对脑区进行定义：采用基于连接的对称bna246模板，将左右灰质半球各分割成123个脑区，再将个体的t1图像与个体fa图像线性对齐，最终将上述两步的逆变换应用于mni空间中的模板。再对脑白质连接特征进行提取，即考虑解剖学先验信息，从灰质/白质交界面随机选取种子点开始，利用二阶积分算法(ifod2)进行全脑白质纤维追踪，进而构建出全脑白质连接特征。最后基于通过计算脑区的bold信号的皮尔森相关性，得到全脑功能连接特征。
51.(2)特征选择及降维模块，其用于对脑连接特征进行稀疏选择及非线性降维。
52.在所述特征选择及降维模块中，对于脑白质连接及脑功能连接特征，首先进行特征选择，主要利用l1范数正则化，对连接特征进行稀疏选择，即通过引入一个超参λ，控制正则化项的大小，最终的损失函数l计算如下：
53.其中l(w)是未加正则项的损失。
54.其中，n为特征的个数；w
i
表示第i个特征损失值；w表示所有特征矩阵。
55.再基于选择后的脑连接特征，利用一种挖掘高维数据的算法
‑‑
t
‑
sne算法进行非线性降维，即利用具有多个特征的数据点的相似性来识别观察到的簇来在数据中找到模式，从而去除冗余特征信息，即先利用二分搜索查找最佳高斯标准差，计算概率矩阵；再使用正态分布初始化低维空间；最后逐渐迭代，通过低维空间计算概率矩阵及损失，使得二维空间的新概率矩阵尽可能接近原高维空间。
56.(3)遗传数据特征提取模块，其用于基于被试的全基因组测序数据及单核苷酸多态性质量筛选，利用基因约束最大似然法提取遗传数据特征。
57.在遗传数据特征提取模块中，基于ipsych
‑
pgc数据库的全基因组数据，首先对snp进行质量筛选，主要包括：
58.剔除最小等位基因频率<0.01，基因分型率<90％且未通过哈迪
‑
温伯格检验(p>1
×
10
‑7)的snp，并滤除插补信息分数<0.8的snp。
59.再进一步基于筛选后的脑白质连接及功能连接特征作为目标参数，结合snp，利用遗传关系矩阵及基于基因约束最大似然法分析模型，估计所有常染色体snp解释的连接特征变异比例，即获取脑连接信息的第一个遗传特征
‑‑
遗传度；
60.最后利用双变量基因约束最大似然模型，即利用两变量的遗传协方差，除以它们各自的遗传方差的乘积的平方根，进而估计每一条脑白质连接/功能连接与asd的行为分数的遗传相关性，作为脑连接信息的第二个遗传特征。
61.(4)特征融合模块，其用于利用典型相关分析方法融合选择及降维后的脑连接特征和遗传数据特征。
62.在特征融合模块中，利用典型相关分析将获取的不同的特征矢量进行融合，进而实现最优特征集合，从而提高了目标判别的可信度。
63.首先得到每种模式特征的特征矢量，即脑白质连接特征矢量wc、脑功能连接特征矢量fc、基于脑白质连接的遗传度特征矢量h
2wc
、基于脑功能连接的遗传度特征矢量h
2fc
、脑白质连接与自闭症行为分数的遗传相关特征矢量r
gwc
及脑功能连接与自闭症行为分数的遗传相关特征矢量r
gfc.
。
64.基于典型相关分析算法准则，得到上述各矢量的最佳投影矢量矩阵w1、w2、
……
、w6，进而通过z1
d
＝w1wc，z2
d
＝w2fc，......，z6
d
＝w6r
gfc
等获得各特征融合前的d维向量{z1
d
，z2
d
，z3
d
，z4
d
，z5
d
，z6
d
}；最后利用zf1＝z1
d
z2
d
z3
d
z4
d
z5
d
z6
d
加权求和，获得最佳融合特征矢量。
65.(5)分类决策模块，其用于将融合后特征输入至决策模型中，判别出是否属于自闭症谱系障碍类别。
66.其中，所述决策模型由若干基分类器组合而成，每个基分类器对应输入的特征向量，得到测试样本的基分类器的预测概率输出值，并作为下一级的逻辑回归模型的输入，进行训练决策模型。
67.例如：决策模型使用svm、rf及bp网络作为基分类器，输入特征向量，得到测试样本的基分类器的预测概率输出值，并作为下一级的逻辑回归模型的输入，进行训练；同时将基于基分类器的验证集输出作为下一级的测试集，从而最终获取分类结果。
68.具体来说，将原始数据按标签类别划分为训练集和验证集，选择svm、rf及bp网络作为基模型作为第一级，训练集采用5折交叉验证，先用四折作为训练数据，另外一折作为
测试数据，得到由每个基分类器训练出来的5份判别概率值a1，a2，a3，a4和a5，及在验证集上的概率值b1，b2，b3，b4和b5，其中合并五份训练集的概率值为a1，平均验证集上的概率值为b1。
69.三个基分类器训练后，使用二级分类器逻辑回归模型在获得的3个“特征”a1，a2和a3进行训练，并在验证集上所获取的“b1，b2和b3”上进行分类，得出最终的判别类别。
70.实施例二
71.本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：
72.从被试的多模态磁共振影像中提取功能连接及脑白质连接图谱，作为脑连接特征；
73.对脑连接特征进行稀疏选择及非线性降维；
74.基于被试的全基因组测序数据及单核苷酸多态性质量筛选，利用基因约束最大似然法提取遗传数据特征；
75.利用典型相关分析方法融合选择及降维后的脑连接特征和遗传数据特征；
76.将融合后特征输入至决策模型中，判别出是否属于自闭症谱系障碍类别。
77.其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read
‑
only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
78.此处需要说明的是，处理器中所执行的各个步骤与实施例一中的各个模块的具体实施过程相同，此处不再累述。
79.实施例三
80.本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如下步骤：
81.从被试的多模态磁共振影像中提取功能连接及脑白质连接图谱，作为脑连接特征；
82.对脑连接特征进行稀疏选择及非线性降维；
83.基于被试的全基因组测序数据及单核苷酸多态性质量筛选，利用基因约束最大似然法提取遗传数据特征；
84.利用典型相关分析方法融合选择及降维后的脑连接特征和遗传数据特征；
85.将融合后特征输入至决策模型中，判别出是否属于自闭症谱系障碍类别。
86.此处需要说明的是，处理器中所执行的各个步骤与实施例一中的各个模块的具体实施过程相同，此处不再累述。
87.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。