[發明專利]一種基于廣義線性模型的機器學習的術前定位方法

有效

• 申請號: 202010036446.5
• 申請日: 2020-01-14
• 公開（公告）號: CN111227833B
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 牛晨;張秋麗;張明;任雨寒;溫鑫;劉翔
• 申請（專利權）人: 西安交通大學醫學院第一附屬醫院
• 主分類號: A61B5/055
• 分類號: A61B5/055
• 代理公司: 北京盛詢知識產權代理有限公司 11901
• 代理人: 陳巍

1.一種基于廣義線性模型的機器學習的術前定位方法，其特征在于，包括以下步驟：

步驟一：獲得結構圖像和功能磁共振圖像

使用擾相梯度回波序列3D-T1加權序列獲取結構圖像，再通過T2*加權單次梯度平面回波成像序列獲取功能磁共振圖像；

步驟二：對結構圖像和功能磁共振圖像進行預處理

對結構圖像和功能磁共振圖像分別進行時序校正、頭動校正、標準化、空間平滑、去線性漂移和濾波處理；

步驟三：對結構圖像和功能磁共振圖像進行分割和配準操作，使用雙重回歸方法提取運動網絡

利用運動網絡模板將每個受試者j的經過預處理后的靜息態功能磁共振數據進行回歸，提取與運動網絡相關的時序，然后，將提取的時序回歸到同一受試者j的4D靜息態功能磁共振數據中，獲取特定受試者j的運動網絡空間圖；

步驟四：構建廣義線性預測模型

提取來自人腦連接組計劃項目數據庫中的受試者j的靜息態功能磁共振時間序列個體特征最為訓練特征，然后將訓練特征作為預測模型的輸入，然后將雙重回歸的單個特征映射與對應的任務數據進行匹配，然后建立任務激活地圖生成的矩陣相乘個體特征圖，將大腦分區進行廣義線性預測模型擬合；

所述步驟四中將雙重回歸的單個特征映射與對應的任務數據進行匹配，然后建立任務激活地圖生成的矩陣相乘個體特征圖，將大腦分區進行廣義線性預測模型擬合的具體過程為：將來自雙重回歸的單個特征映射與對應的任務數據進行匹配，利用廣義線性模型進行確定每個受試者j的β系數，計算如公式(1)所示，然后,采用留一分析方法獲取除受試者j以外的所有受試者j個體β值的平均值，生成受試者j的β值，最后，通過將各個特征圖乘以計算出的β系數來生成預測的任務激活圖，如公式(2)所示，然后采用分段線性方法將大腦分成50個互不重疊的區域，并分別對每個區域進行廣義線性預測模型擬合；

β_i＝pinv(X_i)·y_i (1)

其中：β_i為每個受試者j的β系數；X_j為特征圖；X_i為來自雙重回歸的單個特征映射；y_i為來自雙重回歸的單個特征映射對應的任務數據。

2.根據權利要求1所述的一種基于廣義線性模型的機器學習的術前定位方法，其特征在于：所述步驟二中進行空間平滑處理時，采用半高全寬為6mm的高斯核函數進行數據平滑，在腦功能成像分析軟件中使用3d Deconvolve從數據中回歸白質和腦脊液的信號以及六個運動參數及其導數。

3.根據權利要求1所述的一種基于廣義線性模型的機器學習的術前定位方法，其特征在于：所述步驟二中進行濾波處理時，需要在頻率f＝0.01Hz以上時對數據進行高通濾波。

4.根據權利要求1所述的一種基于廣義線性模型的機器學習的術前定位方法，其特征在于：所述步驟三中分割和配準操作的具體過程為：使用SPM12軟件將結構圖像和功能磁共振圖像分為灰質、白質和腦脊液，然后將灰質和白質分割相結合，生成大腦的解剖圖像，再使用高級歸一化工具以12自由度仿射變換，再使用對稱圖像標準化方法進行非線性微分配準，將解剖圖像與MNI空間共同配準。

5.根據權利要求4所述的一種基于廣義線性模型的機器學習的術前定位方法，其特征在于：所述步驟三中使用對稱圖像標準化方法進行非線性微分配準，將解剖圖像與MNI空間共同配準的具體操作為：使用腦功能成像分析軟件發送靜息態功能磁共振數據并進行體積注冊，然后使用圖像處理軟件FSL中的epi_reg將靜息態功能磁共振數據注冊到解剖擾相梯度回波序列，然后將靜息態功能磁共振數據轉換到MNI空間。