一种基于脑成像基因组特征的阿尔兹海默症识别方法

技术特征：
1.一种基于脑成像基因组特征的阿尔兹海默症识别方法，其特征在于，它包括下列步骤：s1：从数据库中获取不同患病阶段的患者的数据，所述数据包括图像数据和基因数据；s2：对获取的图像数据进行预处理，构建大脑连接性矩阵；s3：剔除虚假连接，计算脑网络度量指标，得到二值无向矩阵；s4：对获取的基因数据进行预处理和预降维；s5：根据步骤s3和步骤s4中得到的结果，进行脑成像基因组特征共同学习，得到组1和组2两组数据；s6：训练模型，输入为特征子集矩阵或特征向量，得到分类精确度。2.根据权利要求1所述的一种基于脑成像基因组特征的阿尔兹海默症识别方法，其特征在于，所述的步骤s1中，不同患病阶段的患者包括早期认知功能障碍换准则、晚期认知功能障碍患者以及阿尔兹海默症患者，还包括健康对照者；获取的图像数据包括相同年龄时测量的结构磁共振成像数据以及功能磁共振成像数据；获取的基因数据为基因分型数据，获取的数据还包括通过临床医生诊断及主观心理学测评得到的分类标签，所述主观心理学测评包括简易精神量表。3.根据权利要求1所述的一种基于脑成像基因组特征的阿尔兹海默症识别方法，其特征在于，所述的步骤s2中，对获取的图像数据进行预处理，构建大脑连接性矩阵：s2.1：对得到的图像数据进行空间图像预处理，所述预处理包括失真校正和图像对齐；s2.2：将处理后的图像数据投影到2mm的标准cifti空间中，图像数据包括皮质灰质表面顶点和皮质下灰质体素；s2.3：通过j-hcpmmp对皮质表面和皮质下体积进行组合分析，将大脑分割成360个功能地区，得到360
×
360的大脑连接性矩阵。4.根据权利要求1或2或3所述的一种基于脑成像基因组特征的阿尔兹海默症识别方法，其特征在于，所述的步骤3中，计算脑网络度量指标的具体步骤为：s3.1：使用最强权重比例对大脑连接性矩阵进行去噪，即使全局成本效率参数最大时对应的值：max
psw
gce＝e-psw式中，psw表示最强权重比例，gce表示全局成本效率参数，e表示效率，d
ij
表示节点i和某一节点j之间的最短路径长度，n表示选定的指标数目，n表示节点集合；s3.2：对于单个网络度量形成一个360
×
1的向量，计算度量指标；s3.3：利用选择的度量指标分别对大脑分割的每个功能地区进行分析，得到360
×
n的特征矩阵，其中n为所选的指标数目。5.根据权利要求4所述的一种基于脑成像基因组特征的阿尔兹海默症识别方法，其特征在于，所述的步骤s3.3中，利用选择的度量指标分别对大脑分割的每个功能地区进行分析：选择6种区域性指标和1种全局指标分别对大脑分割的每个功能地区进行分析，得到360
×
7个特征，所述的6种区域性指标为：节点强度s、介数中心性bc、局部效率le、网络k核、特
征向量中心ec以及流量系数fc，所述的1种全局指标为节点的聚类系数cc。6.根据权利要求5所述的一种基于脑成像基因组特征的阿尔兹海默症识别方法，其特征在于，利用6种区域性指标和1种全局指标分别对大脑的每个脑区进行分析，得到360
×
7个特征：a1：利用节点强度s表示与脑网络中其他连通节点的权值之和：式中，m
ij
表示二值无向矩阵即样本矩阵中(i，j)处的值；a2：利用介数中心性表示遵循最短路径要求计算的评价指标：式中，v
g
表示脑网络中所有节点的集合，v是需要计算的节点，u,v是不包括v的任意两个节点，σ(u,w)表示节点u,w之间的最短路径，σ(u,v,w)表示三者共同连接的最短路径；a3：利用局部效率表示所有节点间最短路径长度的反比：式中，d
ij
表示节点i和某一节点j之间的最短路径长度；a4：利用网络k核表示脑网络种节点的最大子集，该节点在k核内，则该节点网络k核值就为k；a5：利用特征向量中心表示脑网络中节点和其他节点的链接前度关系，假设a是数据矩阵，将节点i的特征向量中心度x
i
定义为归一化特征向量中属于a的最大特征值的第i个条目节点：ax＝x或者式中，λ表示特征值，a
ij
表示矩阵a(i，j)处的值；a6：流量系数作用于局部脑网络，与节点的聚类系数有数学关系：fc cc≤1；a7：利用聚类系数表示脑网络的整体连通性，表示一个一个节点上连接多个节点时对应的系数：应的系数：应的系数：式中，i、j、z代表脑网路中的三个节点，a代表三个节点在网络中的连接情况(1通常，0
阻塞)，t
i
代表与顶点i成三角形结构的节点联通状态下的几何平均值，k
i
表示与节点i有连接的节点的边数，c
i
表示节点i的聚类系数，c
i
＝0,k
i
<2。7.根据权利要求1或2或3所述的一种基于脑成像基因组特征的阿尔兹海默症识别方法，其特征在于，所述的步骤s4中，对获取的基因数据进行预处理和预降维的具体步骤为：s4.1：对基因分型得到的数据进行质量控制，所述质量控制包括检出率、性别检查、次要等位基因频率、平衡测试、兄弟姐妹配对识别以及群体检测；s4.2：对基因数据进行预降维，删除冗余、不相关特征，使其维度与影像特征在相同的等量级。8.根据权利要求7所述的一种基于脑成像基因组特征的阿尔兹海默症识别方法，其特征在于，所述的步骤s4.2中，删除冗余、不相关特征的具体步骤为：利用fisher score算法寻找特征子集：假设数据集中有c个类，定义第i个特征的类间散度s
b
(x
i
)和第k类样本的第i个特征的类间散度s
t
(x
i
)为：)为：式中，n
k
为第k类的样本数目，u
i
是整体样本第i个特征的均值，是第k类样本第i个特征的均值，是第k类样本中第j个样本第i个特征的取值；当使类间散度尽量大类内散度尽量小，得到第i个特征的fisher分数表达如公式：9.根据权利要求8所述的一种基于脑成像基因组特征的阿尔兹海默症识别方法，其特征在于，所述的步骤s5中，进行脑成像基因组特征共同学习：s5.1：根据最小二乘法，定义损失函数如式：式中，w表示权重系数矩阵，x表示数据矩阵，y表示标签向量，f表示frobenius范数；s5.2：添加群体稀疏性l
2,1
范数，将跨任务特征耦合在一起进行联合特征选择，最终得到损失函数如式：式中，r1和r2表示正则化参数；对w求导并令其等于零，得到：式中，d1是以第k个对角块为的块对角矩阵，d2是以第k个对角块为的块对角矩阵。
10.根据权利要求1或2或3所述的一种基于脑成像基因组特征的阿尔兹海默症识别方法，其特征在于，所述的步骤s6中，利用支持向量机训练模型。

技术总结
本发明公开了一种基于脑成像基因组特征的阿尔兹海默症识别方法，克服了现有技术中早期诊断的精确度不高的问题，包括以下步骤：从数据库中获取不同患病阶段的患者的数据，所述数据包括图像数据和基因数据：对获取的图像数据进行预处理，构建大脑连接性矩阵；对获取的图像数据进行预处理，构建大脑连接性矩阵；剔除虚假连接，计算脑网络度量指标，得到二值无向矩阵；对获取的基因数据进行预处理和预降维；进行脑成像基因组特征共同学习；利用支持向量机进行训练，输入为特征子集矩阵或特征向量，得到分类精确度。通过在特征选择阶段添加合理的约束来共同学习，充分利用基因特征的前沿性以此提高早期识别精确度。沿性以此提高早期识别精确度。


技术研发人员：盛锦华 辛雨 汪露雲 杨泽 殷洁
受保护的技术使用者：杭州电子科技大学
技术研发日：2021.12.02
技术公布日：2022/6/7