基于多重比较功能连接矩阵的疾病预测系统的制作方法

本发明涉及神经影像数据分析领域，尤其涉及一种基于多重比较功能连接矩阵的疾病预测系统。

背景技术：

1、近年来，医疗，经济，科技等方面的发展速度越来越快，人民的生活水平以及平均寿命也随之不断提高。然而，随之而来的越来越大的竞争压力也给人民带来了具体的精神压力，越来越多的人受到精神疾病的困扰。如今，越来越多的临床医生和研究学者们关注与如何更快更好地发现，诊断，治疗精神疾病。

2、功能磁共振成像（functional magnetic resonance imaging，fmri）是目前应用最为广泛的脑功能成像技术之一。由于无创、时空分辨率均衡、可重复性高、可全脑成像等优点，fmri已被广泛应用于临床医学、认知神经科学、精神疾病等领域，为脑认知、脑发育、脑老化以及脑疾病的机制探索和临床评估提供了关键的技术手段，具有重要的临床价值。静息态功能磁共振成像（resting state functional magnetic resonance imaging，rs-fmri）反映了大脑在没有任务时的神经基准活动，是研究脑认知功能的重要技术手段，被广泛应用于脑功能，特别是脑网络连接的研究之中，为神经疾病，如自闭症，癫痫，阿尔茨海默症等的研究提供了强大的助力。

3、基于静息态功能磁共振成像信号，经过一系列特定的计算可以得到功能连接（functional connectivity，fc）。功能连接对可以有效地评估不同脑区之间的功能关联的程度，研究者们通常将其作为精神疾病分类的重要特征。

4、由静息态功能磁共振成像信号进行精神疾病预测分类的一般流程为：1）选择现有的脑区模板，如aal（automated anatomical labeling）；2）使用所选择的脑区模板对被试的各个脑区的时间信号进行提取，一般取脑区所有信号的平均值作为该脑区的信号；3）根据提取得到的各个脑区的平均时间信号来计算功能连接矩阵，常规方法是计算两两脑区静息态功能磁共振成像时间信号的皮尔逊相关系数（pearson correlation coefficient），进而计算得到所有两两脑区的相关系数（correlation, cor）矩阵作为功能连接矩阵；4）将每个被试的功能矩阵向量化为一维向量，一般只取右上角元素；5）对向量化后的结果进行特征选择，选择出对表型预测有益的特征；6）将特征选择之后的结果作为机器学习模型或者深度学习模型的输入，以进行疾病预测。

5、如上所述，计算两两脑区的rs-fmri时间信号的皮尔逊相关系数（pearsoncorrelation coefficient）是计算功能连接的常用方法，依次可以计算得到所有脑区的相关系数（correlation, cor）矩阵。皮尔逊相关系数的取值范围为-1到1，相关系数为1时，表示两个脑区时间信号完全正相关，当相关系数为-1时，表示两个脑区时间信号完全负相关，当相关系数为0时，表示两个脑区时间信号不相关。在基于皮尔逊相关系数计算功能连接的过程中，一般常用的假设是各个脑区之间的信号是同步的。对于两个同步信号，皮尔逊相关系数可以很好地反应两个信号之间的相关程度。当满足特定时间段内大脑功能稳定，且不同脑区功能信号同步的假设时，皮尔逊相关系数可以很好地反应不同脑区功能信号之间的相似性。然而研究表明，功能连接是会随着时间改变的，而且不同脑区信号可能会存在先后关系，并非所有的脑区的信号都是完全同步的。对于特定疾病，特定响应的脑区之间信号的相似性可以作为该疾病预测的特征，然而由于信号的非同步性，使用皮尔逊相关系数无法准确地反应脑区之间的信号的相似性，从而该功能连接无法对疾病的预测起到应有的作用，从而会导致精神疾病预测分类的准确度下降。

技术实现思路

1、本发明的目的在于针对现有技术的不足，提出一种基于多重比较功能连接矩阵的疾病预测系统。

2、本发明的目的是通过以下技术方案来实现的：根据本发明实施例的第一方面，提供了一种基于多重比较功能连接矩阵的疾病预测系统，包括疾病预测设备和存储设备；其中，所述存储设备用于存储用户的静息态功能磁共振图像数据；所述疾病预测设备，包括：

3、被试获取及预处理模块，用于从所述存储设备获取若干个被试预处理后的静息态功能磁共振图像；

4、脑区时间序列提取模块，用于利用脑影像图谱对每个被试的预处理数据提取每个脑区的时间序列；

5、功能连接值计算模块，用于计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；具体为：选取每个被试的任意两个脑区的时间序列，分别记为时间序列x和时间序列y；直接计算时间序列x和时间序列y之间的皮尔逊相关系数，分别去除时间序列x头部和时间序列y尾部的n个信号值计算皮尔逊相关系数和/或分别去除时间序列x尾部和时间序列y头部的n个信号值计算皮尔逊相关系数以及改变n值计算皮尔逊相关系数，并将计算得到的所有皮尔逊相关系数进行比较，取绝对值最大的皮尔逊相关系数值作为这两个时间序列之间的功能连接值；依此计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；

6、疾病预测模块，用于以功能连接矩阵为特征进行疾病预测。

7、进一步地，所述被试获取及预处理模块中，静息态功能磁共振图像的预处理过程为：结构像去脑壳、头动矫正、时间对齐、空间平滑、图像配准和空间标准化。

8、进一步地，所述脑区时间序列提取模块中，脑影像图谱包括脑解剖图谱、脑功能图谱和多模态脑图谱。

9、进一步地，所述脑区时间序列提取模块中，基于aal模板、 brodmann模板或yeo2011模板进行每个脑区时间序列的提取。

10、进一步地，所述脑区时间序列提取模块中，基于aal模板进行每个脑区时间序列的提取。

11、进一步地，所述疾病预测模块中，以功能连接矩阵为特征，输入到机器学习模型或者深度学习模型中，进行疾病预测。

12、进一步地，所述疾病预测模块中，以功能连接矩阵为特征作为分类器的输入，用于疾病预测。

13、进一步地，所述分类器包括线性svc分类器和逻辑回归分类器。

14、根据本发明实施例的第二方面，提供了一种电子设备，包括存储器和处理器，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现以下方法：

15、获取若干个被试预处理后的静息态功能磁共振图像；

16、利用脑影像图谱对每个被试的预处理数据提取每个脑区的时间序列；

17、计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；具体为：选取每个被试的任意两个脑区的时间序列，分别记为时间序列x和时间序列y；直接计算时间序列x和时间序列y之间的皮尔逊相关系数，分别去除时间序列x头部和时间序列y尾部的n个信号值计算皮尔逊相关系数和/或分别去除时间序列x尾部和时间序列y头部的n个信号值计算皮尔逊相关系数以及改变n值计算皮尔逊相关系数，并将计算得到的所有皮尔逊相关系数进行比较，取绝对值最大的皮尔逊相关系数值作为这两个时间序列之间的功能连接值；依此计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；n为正整数；

18、以功能连接矩阵为特征进行疾病预测。

19、根据本发明实施例的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现以下方法：

20、获取若干个被试预处理后的静息态功能磁共振图像；

21、利用脑影像图谱对每个被试的预处理数据提取每个脑区的时间序列；

22、计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；具体为：选取每个被试的任意两个脑区的时间序列，分别记为时间序列x和时间序列y；直接计算时间序列x和时间序列y之间的皮尔逊相关系数，分别去除时间序列x头部和时间序列y尾部的n个信号值计算皮尔逊相关系数和/或分别去除时间序列x尾部和时间序列y头部的n个信号值计算皮尔逊相关系数以及改变n值计算皮尔逊相关系数，并将计算得到的所有皮尔逊相关系数进行比较，取绝对值最大的皮尔逊相关系数值作为这两个时间序列之间的功能连接值；依此计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；n为正整数；

23、以功能连接矩阵为特征进行疾病预测。

24、本发明的有益效果是：本发明通过对时间序列进行相应特定截取之后进行多次皮尔逊相关系数的计算及比较，从而计算得到一种可更好地反应不同脑区功能信号之间的相关关系的功能连接矩阵。以计算得到的功能连接矩阵为特征进行精神疾病预测，可以大大提高疾病预测的准确率。