申请/专利权人:大连理工大学
申请日:2022-09-05
公开(公告)日:2023-01-06
公开(公告)号:CN115578578A
主分类号:G06V10/764
分类号:G06V10/764;G06V10/40;G06V10/25;G06V10/80;G16H50/20;A61B5/16
优先权:
专利状态码:在审-公开
法律状态:2023.01.06#公开
摘要:本发明属于医学图像处理技术领域,提出了一种针对特定年龄段的自闭症检测装置。针对特定年龄段的自闭症检测装置包括模型训练模块和自闭症检测模块;基于多核学习方法融合磁共振结构像特征以辅助特定年龄段的自闭症检测。使用多核学习结合两种结构像特征,使表征区域内信息的特征与表征区域间关系的特征以适当的权重更有效地融合;此外,考虑到ASD患者之间存在较高的异质性,提出将ASD患者分为三个年龄段,在每个年龄段内使用适合该年龄段的分类模型,从而更好地完成分类任务。
主权项:1.一种针对特定年龄段的自闭症检测装置,其特征在于,该针对特定年龄段的自闭症检测装置包括模型训练模块和自闭症检测模块;模型训练模块基于大样本多中心的数据库ABIDEⅡ训练所得,包括特征提取与特征构建模块、三个特征选择模块和三个分类器模块;具体步骤如下:使用Freesurfer提供的处理流程对脑区进行预处理,通过Desikan-Killiany分区模板在个体空间对脑区进行详细划分,该Desikan-Killiany分区模板将双侧大脑半球皮质表面划分为68个脑区,作为感兴趣区域;1提取感兴趣区域内结构像的形态学特征;提取每个感兴趣区域内的形态学特征,包括皮层厚度、皮质表面积、灰质体积、皮质的折叠指数和平均曲率;2构建表征各感兴趣区域间关系的特征;利用弹性网络量化目标脑区和其余多个脑区之间的关系;使用步骤1中提取的感兴趣区域内的5个形态学特征构成数据库ABIDEⅡ每个被试者的特征矩阵,使用特征矩阵构建表征目标脑区与其余脑区之间关系的多特征网络MFN;多特征网络MFN通过多元回归过程得到,选定目标脑区的特征向量与其余脑区的特征向量分别作为回归中的目标变量和预测变量,定义线性回归模型y=Aw,其中y是目标向量,A是其余脑区组成的特征矩阵,w是回归系数向量;通过求解正则化的优化问题获得稀疏解,公式为: 其中,λ1是控制稀疏程度的参数,λ1越大代表回归系数向量越稀疏;λ2是防止过拟合的控制参数,起约束作用;回归系数向量中的非零值置为1,得到二值化的MFN矩阵;在一个范围内遍历λ1,λ2的值,其中λ1={2-1,2-2,…,2-10},λ2={0.1,0.2,…,1},选择最高分类准确率对应的参数λ1、λ2对应的MFN特征,获得MFN最优解;多特征网络MFN是非对称矩阵,其中值为1代表目标脑区与其他脑区之间关系强,值为0表示关系弱;完成特征提取与构建模块的构建;3分别在三个年龄段内对形态学特征和各感兴趣区域间关系的特征进行特征选择;使用过滤法和递归特征消除法进行两步特征选择;将被试者按年龄段划分为三组,12岁以下、12-18岁和18岁以上,在每个年龄段内选择该年龄段特异的特征,分别构成三个特征选择模块;特征选择的步骤如下:首先使用双样本t检验和卡方检验筛选出与组间差异最相关的特征,排除统计检验的显著性p值大于0.05的特征;第一步特征选择,对于形态学特征,使用双样本t检验得到两组人之间存在显著差异的特征用于第二步特征选择;对于多特征网络MFN,由于其是二值化的特征矩阵,使用卡方检验得到两组人之间存在显著差异的特征用于第二步特征选择;第一次特征选择之后,为进一步减小用于分类的特征数量,提升分类效果,进行第二步特征选择,使用支持向量机递归特征消除算法SVM-RFE进行第二步特征选择;SVM-RFE算法根据SVM训练时生成的权向量构造排序系数,每次迭代时去掉一个排序系数最小的特征,最终得到所有特征的递减顺序排序,表征他们对于分类的贡献;4使用多核学习根据步骤3的结果在三个年龄段内分别选择权重和特征并构建三个分类器;设定X是输入空间,H是希尔伯特空间,当存在从X到H的映射时,X→H,满足所有的xi,xj∈X,函数称kxi,xj为核函数;对于第m种特征的核矩阵Km,计算方法如下: 其中,线性核函数为:kxi,xj=xiTxj;多种特征融合后的核矩阵K=∑mβmKm,其中βm表示每种特征所占的权重;对于每种特征,使用线性核函数,并采用嵌套五折交叉验证;在每个交叉验证过程的训练集上搜索最优参数C,搜索范围为{2-8,2-7,…,27,28},最后使用该最优参数C和所选择的特征构建核矩阵;在融合两个核矩阵时,满足系数和为1,最终使用最高准确率下对应的权重融合后的核矩阵构建分类器;自闭症检测模块包括与模型构建模块相同的特征提取与特征构建模块、针对待测数据的特征选择模块与针对待测数据的分类器模块;具体步骤如下:输入每一个被试者,提取被试者的形态学特征和基于步骤2所选参数λ1,λ2下构建MFN特征;通过对被试者年龄的判定,使用模型训练模块中得到的三个特征选择模块其中之一构成针对待测数据的特征选择模块;使用模型训练模块中得到的三个分类器模块其中之一构成针对待测数据的分类器模块,根据分类器最终得到被试者的分类信息。
全文数据:
权利要求:
百度查询: 大连理工大学 一种针对特定年龄段的自闭症检测装置
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。