(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 202210477840.1 (22)申请日 2022.05.05 (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　杨隽　刘哲宁　 (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 10/77(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) A61B 5/00(2006.01)A61B 5/055(2006.01) G06K 9/62(2022.01) (54)发明名称 一种以杏仁核为核心的脑功能网络多指标 融合的图像分类方法、 装置、 设备及 介质 (57)摘要 本发明公开了一种以杏仁核为核心的脑功 能网络多指标融合的图像分类方法、 装置、 设备 及介质， 方法： 获取待分类的头部核磁共振影像 数据， 并对其进行预处理； 根据预处理后的核磁 共振影像， 分别提取以杏仁核为核心的静态脑功 能网络连接值特征向量和动态脑功能网络变异 系数特征向量； 对提取到的静态脑功能网络连接 值特征向量和动态脑功能网络变异系数特征向 量， 均进行降维处理， 得到两种模态的最优特征 向量； 将两种模态的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。 本发明可以提 升头部核磁共 振影像的分类准确率。 权利要求书2页 说明书7页 附图1页 CN 114842254 A 2022.08.02 CN 114842254 A 1.一种以杏仁核为核心的脑 功能网络多指标融合的图像分类方法， 其特 征在于， 包括： 获取待分类的头 部核磁共 振影像数据， 并对其进行 预处理； 根据预处理后的核磁共振影像， 分别提取以杏仁核为核心的静态脑功能网络连接值特 征向量和动态 脑功能网络变异系数 特征向量； 对提取到的静态脑功能网络连接值特征向量和动态脑功能网络变异系数特征向量， 均 进行降维处 理， 得到两种模态的最优特 征向量； 将两种模态的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， 所述以杏仁核为核心的静态脑功 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， 以左外侧杏仁核、 右外侧杏仁核、 左内 侧杏仁核、 右内侧杏仁核这4个杏仁核亚区为种子点； 分别计算每个杏仁核亚区的BOLD时间 序列与全脑各体素的BOLD时间序列之间的皮尔森相关系数r， 记为杏仁核亚区与全脑体素 之间的功能连接值， 从而生成4组以杏仁核亚区为种子点的脑 功能网络连接图谱； 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； 提取每组脑 功能网络图谱的每 个脑区的平均连接值； 最后， 将每组脑功能网络图谱各274个脑区的平均连接值， 整合成一个274 ×4的静态脑 功能网络连接值特 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， 以杏仁核为核心的动态脑功能网 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， 以左外侧杏仁核、 右外侧杏仁核、 左内 侧杏仁核、 右内侧杏仁核这4个杏仁核亚区为种子点； 将 每个杏仁核亚区与全脑各体素的时 间序列按照时间窗进 行划分， 计算各时间窗内的每个杏仁核亚区与全脑各体素时间序列之 间的皮尔森相关系数， 记为杏仁核亚区与全脑体素之间的功能连接值， 从而生成4组以杏仁 核亚区为种子点的动态 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： 表示在所有时间窗口内， 体素n与杏仁核亚区种子点之间的功能连接值 的平均 值； σn表示在所有时间窗口内， 体素n与杏仁核亚区种子点之间的功能连接值的标准差； 随后， 采用BrainnetomeAtlas的划分方法， 将每组时序变异系数图谱划分成274个脑 区； 提取每组时序变异系数图谱的每 个脑区的平均变异值； 最后， 将每组时序变异系数图谱各274个脑区的平均变异值， 整合成一个274 ×4的动态 脑功能网络变异系数 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， 静态脑功能网络连接值特征向量 和动态脑功能网络变异系数 特征向量， 均采用PCA降维方法进行降维处 理。 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：权　利　要　求　书 1/2 页 2 CN 114842254 A 2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用于区分输入的两种模态的 最优特征向量； βe表示第e模态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模态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5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： 0≤ai≤C， i＝1， ...， S 式中， C为惩罚因子 。 7.一种基于脑 功能网络多指标融合的图像分类装置， 其特 征在于， 包括： 数据预处 理模块， 用于： 获取待分类的头 部核磁共 振影像数据， 并对其进行 预处理； 特征向量提取模块， 用于： 根据预处理后的核磁共振影像， 分别提取以杏仁核为核心的 静态脑功能网络连接值特 征向量和动态 脑功能网络变异系数 特征向量； 降维模块， 用于： 对提取到的静态脑功能网络连接值特征向量和动态脑功能网络变异 系数特征向量， 均进行降维处 理， 得到两种模态的最优特 征向量； 图像分类器模块， 基于多核支持向量机模型训练得到， 用于： 根据降维处理模块得到的 两种模态的最优特 征向量， 输出 得到核磁共 振影像数据的类别。 8.一种电子设备， 包括存储器及处理器， 所述存储器中存储有计算机程序， 其特征在 于， 所述计算机程序被所述处理器执行时， 使得所述处理器实现如权利要求1～6中任一项 所述的方法。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被 处理器执行时实现如权利要求1～6中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114842254 A 3