(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210885014.0 (22)申请日 2022.07.26 (71)申请人 中南大学湘雅二医院 地址 410011 湖南省长 沙市芙蓉区人民中 路139号 (72)发明人 阳洁　孙福萍　刘哲宁　王斐文　 (74)专利代理 机构 长沙市融智专利事务所(普 通合伙) 43114 专利代理师 熊开兰 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06T 7/11(2017.01) A61B 5/055(2006.01)A61B 5/00(2006.01) (54)发明名称 基于静动态脑网络多维特征融合的图像分 类方法、 装置、 设备及 介质 (57)摘要 本发明公开了一种基于静动态脑网络多维 特征融合的图像分类方法、 装置、 设备及介质， 方 法包括： 获取待分类的头部核磁共振影像数据， 对其进行预处理； 根据预处理后的核磁共振影 像， 分别提取多个 静态脑功能网络特征向量和多 个动态脑功能网络变异系数特征向量； 对提取到 的每个特征向量， 按照降维处理得到的最优特征 确定对应的最优 特征向量； 将所有最优特征向量 输入至预训练好的基于多核支持向量机模型的 图像分类器， 输出得到核磁共振影像数据的类 别。 本发明可 以更准确地选择出更为全面、 稳定 的脑区作为精神疾病图像的生物标记。 权利要求书3页 说明书7页 附图1页 CN 115240004 A 2022.10.25 CN 115240004 A 1.一种基于静动态 脑网络多维特 征融合的图像分类方法， 其特 征在于， 包括： 数据预处 理： 获取待分类的头 部核磁共 振影像数据， 对其进行 预处理； 特征向量提取： 根据预处理后的核磁共振影像， 分别提取多个静态脑功能网络特征向 量和多个动态 脑功能网络变异系数 特征向量； 最优特征确定： 对提取到的每个特征向量， 按照降维处理得到的最优特征确定对应的 最优特征向量； 图像分类： 将所有最优特征向量输入至预训练好的基于多核支持向量机模型的图像分 类器， 输出得到核磁共 振影像数据的类别。 2.根据权利要求1所述的图像分类方法， 其特征在于， 所述多个静态脑功能网络特征向 量， 提取方法为： 首先， 根据其预处理后的静息态核磁共振数据， 计算静态脑网络全脑体素级别的以下 指标： 局部一致性Reho、 分数低频振幅fALFF、 度中心 性DC， 每个指标对应得到一组脑功能网 络图谱； 其中， Reho和fALFF为代表着脑网络局部功能活动类的指标， DC为代表着脑网络远 程功能连接类的指标； 然后， 采用Brainnetome  Atlas的划分方法， 将每组脑功能网络图谱划分成274个脑区； 计算每组脑 功能网络图谱中每 个脑区的平均值； 最后， 将每组脑功能网络图谱各274个脑区的平均值， 均整合成维度为274的静态脑功 能网络特 征向量。 3.根据权利要求1所述的图像分类方法， 其特征在于， 所述动态脑功能网络变异系数特 征向量， 提取 方法为： 首先， 将预处理后的静息态核磁共振数据的时间序列按照 时间窗进行划分， 计算各时 间窗内的以下指标： 局部一致性Reho、 分数低频振幅fALFF、 度中心性DC， 每个指标对应得到 一组动态的脑 功能网络时序图谱； 然后， 计算每组动态 脑功能网络时序图谱的时序变异系数CV： 式中， 和σn分别表示所有时间窗构 成的动态脑功能网络时序图谱在体素n的平均值和 标准差； 将指标 Reho、 fALFF、 DC各自的时序变异数据分别表示为dReHo、 dfALFF、 dDC， 代指动 态脑功能网络的指标； 每 个指标对应得到一组时序变异系数图谱； 随后， 采用Brainnetome  Atlas的划分方法， 将每组时序变异系数图谱划分成274个脑 区； 计算每组时序变异系数图谱中每 个脑区的平均值； 最后， 将每组时序变异系数图谱各274个脑区的平均值， 均整合成维度为274的动态脑 功能网络特 征向量。 4.根据权利要求1所述的图像分类方法， 其特征在于， 按照降维处理得到最优特征的方 法为： 首先， 针对每种特 征构建特 征选择模型的目标函数， 其中引入多指标之间的距离约束： 式中， 为S个训练样本第e个指标特征向量构成的矩权　利　要　求　书 1/3 页 2 CN 115240004 A 2阵， S和k分别表示训练样 本数量和指标特征向量的维数； e用于区分不同指标的静态脑功能 网络特征及动态脑功能网络特征； we∈Rl×S代表第e个指标特征向量的回归系数向量， 为待 优化参数； Y＝[y1，…， yi，…yS]为S个训练样本的类别标签向量， Y中所有的元素都为1或者 ‑ 1； F表示Frobenius范式； λ1为控制模型稀疏性的参数， λ2， λ3和 λ4为控制不同指标特征向量 关系的保留度的正则化参数； λ1＞0， λ2＞0， λ3＞0， λ4＞0； r是{0，…， k‑1}中满足表达式4)的 条件的唯一整数； k是小于特征向量维数l的整数； 是向量we中第i大的元素； D2、 D3、 D4为 相对距离约束， 分别如表达式4)、 5)、 6)； 式中， 为第i个训练样本的指标reho所构成的特征向量； 为第i个训练样本的指标 fALFF所构成的特征向量； 为第i个训练样本的指标dReHo所构成的特征向量； 为第i 个训练样本的指标dfALFF所构成的特征向量； 为第i个训练样本的指标dDC所构成的特 征向量； 为第i个训练样本的指标DC所构成的特 征向量； 然后， 求解每种特 征对应目标函数， 得到该 特征向量的回归系数向量 we； 最终， 确定we中大于0的元素对应的特征 维度， 从该第e个特征向量中选 择这些维度的特 征构成该指标的最优特 征向量。 5.根据权利要求1所述的图像分类方法， 其特征在于， 所述预训练好的基于多核支持向 量机模型的图像分类 器， 其模型为： 其中： F(x)为待分类头部核磁共振影像数据x的类别 标签； sgn()表示符号函数； i用于 区分不同的训练样本， S表示训练样本的数量； yi为多核支持向量机模型的训练样本xi的类 别标签， ai为训练样本xi对应的拉格朗日乘子， 为待优化参 数； e用于区分输入的多种指标对 应的最优特征向量， E表示输入的最优特征向量种数； βe表示第e个最优特征向量的权重因 子， 且满足 是训练样本xi和待分类头部核磁共振影像数据x的第e个 最优特征向量的核函数； b为偏差， 通过训练样本训练得到 。 6.根据权利要求1所述的图像分类方法， 其特征在于， 训练多核支持向量机模型得到图 像分类器的方法为： 通过求 解以下目标函数 得到待优化的参数ai和b： 权　利　要　求　书 2/3 页 3 CN 115240004 A 3