基于多尺度脑网络特征的功能磁共振影像数据分类方法

摘要

本发明涉及图像处理技术，具体是一种基于多尺度脑网络特征的功能磁共振影像数据分类方法。本发明解决了传统磁共振影像数据分类方法分类准确率低的问题。基于多尺度脑网络特征的功能磁共振影像数据分类方法，该方法是采用如下步骤实现的：步骤S1：对静息态功能磁共振影像进行预处理；步骤S2：采用动态随机种子方法对影像进行区域分割，并对所分割的脑区进行平均时间序列提取；步骤S3：计算各脑区平均时间序列两两间的关联程度；步骤S4：对关联矩阵进行二值化处理；步骤S5：计算静息态功能脑网络的局部属性及其在特定阈值空间的AUC值；步骤S6：进行分类器构建；步骤S7：量化所选特征在分类器中的重要度和冗余度。本发明适用于磁共振影像数据分类。

主权项

一种基于多尺度脑网络特征的功能磁共振影像数据分类方法，其特征在于：该方法是采用如下步骤实现的：步骤S1：对静息态功能磁共振影像进行预处理；步骤S2：根据选定的标准化脑图谱，采用动态随机种子方法对预处理后的静息态功能磁共振影像进行区域分割，分割尺度分别为90，256，497，1003，1501，然后对所分割的各脑区进行平均时间序列的提取；步骤S3：采用皮尔逊相关方法，计算各脑区的平均时间序列两两间的关联程度，由此得到关联矩阵；步骤S4：设定阈值，然后根据阈值对关联矩阵进行二值化处理，由此得到静息态功能脑网络模型；步骤S5：计算静息态功能脑网络模型的局部属性及局部属性在特定阈值空间内的AUC值；所述局部属性包括：静息态功能脑网络模型中各节点的度、节点效率、中间中心度；步骤S6：采用支持向量机分类算法，选择静息态功能脑网络模型的局部属性作为分类特征，由此进行分类器的构建，然后采用交叉验证方法对构建的分类器进行检验；步骤S7：采用互信息分析方法，对所选特征在分类器中的重要度和冗余度进行量化，然后根据量化结果对所选特征进行二次筛选，由此对静息态功能脑网络模型进行优化。