一种基于网络中心性的脑功能磁共振图像分类方法

摘要

本发明公开了一种基于网络中心性的脑功能磁共振图像分类方法，包括：对脑功能磁共振图像进行预处理，然后进行脑区分割，并提取各个脑区的平均时间序列；计算平均各个时间序列之间的偏相关系数，得到偏相关系数矩阵；将偏相关系数矩阵二值化，得到脑网络模型；计算网络中各节点的网络中心性；利用自适应提高分类器对脑功能磁共振图像进行分类，并采用留一交叉验证的测试方法对自适应提高分类器进行检验。本发明利用脑功能磁共振图像构建了脑功能网络，利用了网络拓扑结构信息进行分类，能够精确的对脑功能磁共振图像进行分类。

主权项

一种基于网络中心性的脑功能磁共振图像分类方法，其特征在于，包括：步骤S1：对脑功能磁共振图像进行预处理，然后进行脑区分割，并提取各个脑区的平均时间序列；步骤S2:计算平均各个时间序列之间的偏相关系数，得到偏相关系数矩阵；步骤S3:将偏相关系数矩阵二值化，得到脑网络模型；步骤S4:计算网络中各节点的网络中心性；步骤S5:利用自适应提高分类器对脑功能磁共振图像进行分类，并采用留一交叉验证的测试方法对自适应提高分类器进行检验；其中，所述步骤S4包括：依据脑网络模型，计算网络中各节点的网络中心性，作为功能磁共振图像的特征；其中计算网络中心性的步骤为：网络中各节点的网络中心性描述了网络中各个节点的重要程度；节点i的网络中心性定义为网络中除i以外的任意两个节点之间通过了节点i的特征路径的数目与该两个节点之间所有特征路径数目的比值，即$B_i=\underset{i\ne j\ne k}{\Sigma }\frac{{\delta }_{\mathrm{jk}}\left(i\right)}{{\delta }_{\mathrm{jk}}}$其中，B_i为节点i的网络中心性，δ_jk为节点j和k之间的最短路径的数目，δ_jk(i)为节点j和k之间的最短路径中经过了节点i的数目；所述步骤S5包括：得到训练脑功能磁共振图像的特征后，首先将每一个节点的网络中心性作为一个线性分类器，用这些线性分类器的加权和组成一个新的自适应提高分类器，最初每个分类器的权重设为m为脑功能磁共振图像的数目，自适应提高分类器在训练过程中逐渐调整三个线性分类器的权重，最后得到一个最优的自适应提高分类器；步骤S5中所述交叉验证的过程为：每次验证过程将一个样本作为测试样本，其余的样本作为训练样本，得到分类器的分类结果；进行m次验证后得到平均的分类结果作为分类器的分类结果，通过分类正确率、真阳性率和假阳性率输出，其中m为样本数目。