基于多空间尺度的认知障碍发展轨迹结构磁共振分类方法

本发明属于医学信号处理，具体涉及一种基于多空间尺度的认知障碍发展轨迹结构磁共振分类方法。

背景技术：

1、从大脑的神经影像数据分析大脑的结构以及功能代谢等方面的变化是目前对于轻度认知障碍(mci)和阿尔兹海默症(ad)分类和预测的一个主要研究方向。研究表明ad相关的大脑结构变化可能出现得比mci更早，而这种变化可以通过结构磁共振检测出来。

2、基于结构磁共振的大脑分析方法中，研究人员普遍关注结构磁共振在测量海马、内嗅皮质、及杏仁体等部位在体积、厚度等特征变化上的表现。也有一些研究者们构建大脑网络，将大脑分为不同的感兴趣区域(roi)，以这些roi作为网络中的节点，以不同roi之间的连接程度作为网络的边，进行连接分析。结构磁共振特征的优势显示大脑组织的内在结构和形态，然而是目前的分析方法大多只使用一个图谱，也就是只考虑空间尺度为一的特征，一些研究使用了多图谱，但只是简单的合并了基于多图谱提取出的特征，并无更深层次的生理解释性。

技术实现思路

1、为了解决上述现有技术中大脑结构信号处理中存在的技术问题，本发明的目的在于，提供一种基于多空间尺度的认知障碍发展轨迹结构磁共振分类方法。

2、为了实现上述任务，本发明采用如下的技术解决方案：

3、一种基于多空间尺度的认知障碍发展轨迹结构磁共振分类方法，其特征在于，按下列步骤实施：

4、步骤一，多层次图谱选择与制作；

5、步骤二，获得图谱后，使用freesurfer完成结构磁共振图像进行预处理，具体包括：

6、步骤201：序列检查和数据格式转换

7、检查磁共振图像序列的格式和质量，将数据转换成freesurfer所需的格式；

8、步骤202：磁场不均匀性校正

9、自动估计并校正磁场不均匀性，以提高后续分析的准确性；

10、步骤203：头动校正和初始配准

11、根据图像的头盖骨和大脑皮层表面特征，将磁共振图像和标准空间进行粗略配准；

12、步骤205：白质信号标准化，保留更多的局部结构信息；

13、步骤206：硬组织分割

14、使用自适应组合式模型对脑组织进行分割，包括脑组织、海马、杏仁核等；

15、步骤207：大脑皮层重建

16、基于分割结果，利用自适应曲面重建算法对整个大脑皮层进行重建；

17、步骤208：初始的皮层表面配准和平滑

18、将重建的皮层表面与标准空间进行初始配准，并使用球形映射算法对其进行平滑处理；

19、步骤209：根据皮层表面配准结果，将磁共振图像的强度值和颜色信息映射到皮层表面上，以显示皮层的局部结构和特征；

20、步骤210：皮层标记与分区统计

21、根据分区结果计算出各个区域的结构指标；

22、步骤三，提取出三个层次中每个子脑区的七种结构磁共振特征；

23、步骤四，使用多元线性回归构建大脑层内连接网络与层间连接网络；

24、步骤五，对所得多种连接矩阵首先选取具有统计差异的连接，再进行特征递归消除得到预测特征，使用分类器评估特征性能。

25、根据本发明，步骤一中，所述多层次图谱的选择与制作使用freesurfer在标准空间中完成，即，选定第一层次脑图谱，依照大脑子区空间结构关系拆分、合并为第二、三层次图谱；具体步骤如下：

26、步骤101：第一层次的图谱为最细的图谱，选用脑网络组图谱(brainnetomeatlas)构建大脑表层网络，并去除图谱中的36个皮层下区域，使用剩余的210个脑区作为第一层次图谱；

27、步骤102：将第一层次中的210个脑区拆分为独立皮层标签文件，按照空间结构关系分别合并为40、12个皮层标签文件，最终生成包含40、12个脑区的皮层标注图，即为第二层次、第三层次脑图谱；

28、进一步地，步骤三中，提取出三个层次中每个子脑区的七种结构磁共振特征步骤为：

29、步骤301：步骤210中获得了多种结构指标，选取皮层表面积、曲率指数、折叠指数、平均曲率、皮层厚度和皮层体积六种常用皮层特征；

30、步骤302：使用freesurfer计算局部回旋指数，作为第七种特征；

31、步骤303：使用步骤一中生成的三种脑图谱，从标准空间分别映射到每个被试的个体空间，提取每个被试的七种皮层特征；

32、具体地，步骤四中，使用多元线性回归构建大脑层内连接网络与层间连接网络步骤为：

33、步骤401：进行异常被试筛选，提取脑区特征时会出现无法提取某种特征的影像，删除此类影像；

34、步骤402：以第一层次图谱下被试所得的210*7特征为输入，每一个脑区的7种特征为因变量，其余209脑区的7种特征为自变量，求取回归矩阵；

35、步骤403：由于性别和年龄对于脑结构具有一定影响，使用多元线性回归去除两个协变量的影响。

36、步骤404：分别使用第二、三层次脑图谱，重复步骤402-403，得到三个尺度的层内脑网络连接矩阵210*210、40*40、12*12；

37、步骤405：构建层内特征，方法与步骤402-403相似，最终得到层内脑网络连接矩阵210*40+210*12+40*12；

38、优选地，步骤五中，对所得多种连接矩阵首先选取具有统计差异的连接，再进行特征递归消除得到预测特征，使用分类器评估特征性能步骤为：

39、步骤501：由于构建脑网络得到的特征数目太多，首先使用过滤法进行特征消除。对于三年内稳定于轻度认知障碍组和转换为阿尔兹海默症组两组之间，选取具有统计学差异的连接；

40、步骤502：再使用包装法筛选特征，使用特征递归消除，分别从选取特征数为5、10、20、50、75、100和200，作为分类器的输入特征，选用svm分类器；

41、步骤503：分别选用步骤404得到的三层次的连接矩阵，重复步骤501-502，获得三种空间尺度为1的特征，分别送入分类器评估三层次下结构特征矩阵的分类性能；再将三种尺度的特征融合、筛选，再次送入分类器评估性能；选用步骤405得到的空间尺度为3的层间特征，重复步骤501-502，送入分类器评估性能；最后，将层内特征与层间特征融合起来，评估融合特征分类性能；

42、步骤504：特征分类的结果为，对于三个层内脑网络，最高准确率分别为87％、63％、60％，最佳特征数分别50、50、100；融合了三个层次的特征在特征筛选之后得到的特征只有第一层次的连接，因此结果与仅使用第一层的结果相同；对于层内脑网络，最高准确率为93％，最佳特征数为50；对于融合特征，最高准确率为85％；

43、步骤505：准确率最高的50条层间连接更多为跨越左右半球的连接，涉及到第一层次和第二层次以及第一层次和第三层次，并且可以解释一些领域内常被确认与认知障碍相关的几个脑区联系更深一层的机制：例如左扣带回与右下顶叶、左侧扣带回与左侧岛回、左侧枕叶中腹侧皮质与右侧中央后回，以及扣带回存在的自我联系。

44、本发明的基于多空间尺度的认知障碍发展轨迹结构磁共振分类方法，带来的技术创新在于：

45、首先，使用brainnetome图谱，生成两个更加宏观层次的图谱，分别计算连接矩阵，使用这三个不同空间尺度的数据作为特征，探究大脑结构在何种尺度上有最显著的变化；

46、其次，融合了三种不同空间尺度的数据作为特征，探究不同尺度特征直接拼接是否可以起到相互补充的作用；

47、第三，考虑多种空间尺度之间的联系，直接计算层次与层次之间的联系，最终得到空间尺度为3的层间连接特征；

48、最后，将这层内特征和层间特征融合，探究不同层次特征是否起到互补作用；

49、该方法所提取到的特征对认知障碍在三年内稳定或恶化进行分类，效果最好的特征可达准确率92％，为临床辅助诊断提供了有效的参考方法。并且由于该方法选择的三种空间尺度具有真实的空间联系，最佳分类特征解释了一些解释领域内常被确认与认知障碍相关的几个脑区联系更深一层的机制：左扣带回与右下顶叶、左侧扣带回与左侧岛回、左侧枕叶中腹侧皮质与右侧中央后回，以及扣带回的自我联系。