一种基于功能网络图能量的帕金森病识别系统的制作方法

1.本方法属于生物医学图像模式识别技术领域，特别是功能磁共振时间序列的处理、网络协同性的刻画、图能量的表征。


背景技术：

2.帕金森病的典型病理特征为中脑黑质多巴胺(da)能神经元的变性死亡，由此进一步引发神经系统的异常。目前帕金森病的诊断主要依靠病史、临床症状及体征，需要大量的临床观察。此外，常规血、脑脊液检查多无异常。头ct、mri也无特征性改变，以18f-多巴作为示踪剂行多巴摄取功能pet显像可显示多巴胺递质合成减少。
3.功能磁共振成像(functional magnetic resonance imaging,fmri)是近些年快速发展的一种非侵入性成像技术，具有较少的辐射暴露量。通过测量大脑区域时域上活动的同步性，大脑可以被表征为功能图谱的形式，由此揭示人眼不能观察到的一些现象。对于网络自身属性的表征也作为一种发现生物学标志物的手段，已经被广泛研究并且展示出了应用于临床的潜力。


技术实现要素：

4.本发明针对如何提高临床诊断效率，本发明通过分析大脑功能磁共振图像，以帕金森病元分析中的壳核为感兴趣区(region of interest,roi)，图像中的体素被视为网络g＝(v,e)中的顶点v。进一步地，单位体素的时序活动被分解为上升、下降以及不变三种状态，通过测量体素活动的协同性作为网络中的边e。对于该网络，计算图能量指标作为模型的输入特征，构建分类器进行病人正常人的分类。
5.本发明技术方案为一种基于功能网络图能量的帕金森病识别系统，该系统包括：数据采集及预处理模块、序列编码模块、图能量计算模块、决策模块；
6.所述数据采集模块采集连续一段时间的脑部核磁共振图像，并对采集到的图像进行预处理，预处理包括：头动矫正；对结构像进行分割，得到个体脑的灰质、白质、脑脊液；在功能像的原始空间中进行噪声项的消除；通过图像分割得到的形变参数应用于功能像的空间配准中，统一到标准空间中，并消除低频漂移和高频噪声；
7.所述序列编码模块包括时域差分模块和二值化模块，所述差分模块为将预处理后的图像在时间序列上进行一阶差分运算，得到表征原始活动变化的差分序列vi，并对差分序列进行标准化处理，得到正态分布的差分序列z
t
；所述二值模块为将标准差分序列进行二值化，得到二值化序列，方法为：定义每个体素的上升序列和下降时间序列对于任意时间点t，若z
t
》mean(vi) std(vi)，则将z
t
赋值为1，并归入若z
t
《mean(vi)
–
std(vi)，则将z
t
赋值为1并归入若mean(vi)
–
std(vi)≤z
t
≤mean(vi) std(vi)，则将z
t
赋值为0；mean(vi)和std(vi)分别表示差分序列的均值和标准差，此外，基于血流动力学连续性变化假设，若单次孤立的变化点置为0，即当z
t
＝1,z
t-1
＝z
t 1
＝0，将该出z
t
＝1点的变化视为噪声性波
动，赋值为0；
8.所述图能量计算模块中的计算方法为：首先基于二值化序列计算两两体素间活动变化的同步性c
ij
，其中v
iu
表示体素i的活动上升编码序列，表示体素j的活动上升编码序列，v
il
表示体素i的活动下降编码序列，表示体素j的活动上升编码序列；然后基于体素间活动的同步性c
ij
，对于图g构建邻接矩阵a(g)，构建方法为：若c
ij
》0.2，则a
ij
＝1，否则a
ij
＝0，由元素a
ij
组成的集合称之为图g的邻接矩阵a(g)，计算图g的图能量λi表示对邻接矩阵进行分解后得到的特征值；
9.所述决策模块为二叉树分类器，每一次都分离出帕金森病人，采用样本对二叉树分类器进行训练，采用训练好的二叉树分类器对实际目标进行分类。
10.本发明基于帕金森病的核心病理学区域进行数值建模，把分子化学中经典的图能量概念引入到功能磁共振脑网络的计算中，图能量用以表征网络的拓扑属性，可以衡量一个网络结构的稳定性。基于图能量的概念，本发明发现了帕金森病人的壳核功能网络与正常人相比有显著性差异，具有临床转化价值。
附图说明
11.图1为本发明总体流程图。
12.图2为选取的感兴趣区(左右壳核)。
13.图3为时间序列编码示意图。
14.图4为图能量计算示意图。
15.图5为特征分布图和决策树模型分类效果图。
具体实施方式
16.下面结合附图和实例对本发明的实施方式做进一步详细的描述，基于功能网络图能量的帕金森病识别方法，包括以下步骤(图1):
17.a.数据采集及预处理模块：
18.a1：本发明所用数据均为西门子机器(磁场强度3.0t)采集，扫描参数为回波时间(te)0.03s，重复时间(tr)1s，翻转角70
°
，层厚2.2mm，空间分辨率为2.0mm
×
2.0mm
×
2.64mm，共采集400个时间点。首先去除扫描的前10个时间点，使序列更加平稳。
19.a2：进行头动矫正，估计被试在磁共振扫描过程中的头部平动、转动参数，排除头动大的被试(阈值为最大平动＝3.0mm，最大平动＝3.0
°
，平均帧位移＝2.0mm)。
20.a3：对结构像进行分割，得到个体脑的灰质、白质、脑脊液模板。在功能像的原始空间中进行噪声项的消除，包括：信号的线性漂移，白质、脑脊液以及全脑信号，头动参数。
21.a4：通过图像分割得到的形变参数应用于功能像的空间配准中，统一到2.0mm
×
2.0mm
×
2.0mm的标准空间中，并通过理想带通滤波器(0.01hz-0.1hz)进一步消除低频漂移和高频噪声。、
22.步骤a5：通过先前文献的元分析选取了具有代表性的感兴趣区：左右壳核(图2)。
区域的种子点为左侧壳核坐标(-30,-8,2)，右侧壳核(30,-10,6)，半径6mm。每个区域包含93个体素，提取每个体素的时间序列表征单位体素在扫描时间内的活动情况。
23.b.序列编码模块：
24.b1：对上述预处理后的时间序列进行一阶差分运算，即对390个时间点计算两两相邻时间点的差值，生成新的表征原始活动变化的差分序列，共389个时间点。
25.b2：对差分序列进行z-score标准化处理，即对于每条差分序列减去自身的均值和标准差。进一步对标准化后的序列执行阈值化处理。若当前值大于序列的一个标准差则计为1编码到上升序列中；若当前值小于序列的一个标准差则计为1编码到下降序列中；若当前值介于两者之间，编码为0。
26.b3：基于神经活动连续变化假设，进一步检测编码序列中的“孤立点”，即仅当前位置被编码为1，相邻时间点为0。把“孤立点”同样置为0。
27.c.图能量计算模块：
28.c1：基于上述处理后的时间编码序列，计算两两体素间活动变化的同步性，对于每个roi得到93
×
93的对称矩阵，建模为网络的形式。
29.c2：对上述的对称矩阵进行阈值化处理，若连接值大于0.2则置为1，否则为0，得到二值化的邻接矩阵。
30.c3：对于邻接矩阵进行特征值分解，计算所有特征值的绝对值之和，即为定义的图能量。
31.d.决策模块：
32.d1：本发明测试所用的样本量为152人，其中帕金森病人为73人，正常人为79人。计算每个人的图能量，展示其分布进行可视化(图5)。
33.d2：对样本进行随机分组划分为训练集(50％)和测试集(50％)。在训练集中部署决策树模型，每个特征作为内部节点，帕金森病人标志为1，正常对照组标志为0，不同的类别作为叶节点。
34.d3：在测试集中测试训练模型的性能，绘制模型的“受试者工作特征”(receiver operating characteristic,roc)曲线。首先计算分类的“真正例率”(true positive rate,trp)和“假正例率”(false positive rate,fpr)，之后把tpr作为纵轴、fpr作为横轴得到“roc曲线”(图5)。