[發明專利]神經影像標記物形態學融合分類指數的構建方法及應用

有效

• 申請號: 202110494544.8
• 申請日: 2021-05-07
• 公開（公告）號: CN113222001B
• 公開（公告）日: 2022-06-28
• 發明（設計）人: 秦文;于春水;謝穎瀅;張士杰;丁皓
• 申請（專利權）人: 天津醫科大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/80;G06K9/62;G06N20/00;G16H20/70;G16H30/20;G16H50/20
• 代理公司: 天津翰林知識產權代理事務所(普通合伙) 12210
• 代理人: 付長杰

1.一種神經影像標記物形態學融合分類指數的構建方法，該構建方法包括以下內容：

獲取M個中心的結構MRI數據，提取腦結構像特征數據，M為大于1的整數；

以各中心數據進行獨自訓練，分別建立各中心的分類模型，獲得M個中心的分類模型，形成模型庫；

對于任意一個樣本，在所有中心的分類模型，計算出該樣本在每個模型每個特征的分類權重值，即SHAP矩陣，SHAP矩陣的維度為特征數×模型數，特征數為所提取的腦結構像特征數據的個數B；然后以每個模型訓練時使用的樣本量為權重，按照公式(1)計算獲得單一的形態學融合分類指數MICI值；

其中，S_i代表分類模型i訓練時使用的樣本量，B代表特征總數，a_i代表了特征a在分類模型i中的SHAP值，i＝1～M。

2.根據權利要求1所述的構建方法，其特征在于，所述分類模型以XGBoost分類器構建，在訓練的過程中，使用網格搜索來優化分類器的參數；

在Python環境下，使用XGBoost下的XGBClassifier進行訓練，并且在訓練的過程中，使用網格搜索來優化分類器的參數，具體的參數選擇范圍如下：梯度計算次數范圍：100-1001，步長100；決策樹的最大深度范圍：1-10；可用的樣本數比例范圍為：0.5-1；節點分裂所需的最小損失函數下降值范圍：0-5，步長為0.2；權重的L1正則化項依次取值為：[5，2，1，0.1，0.01，0.001，0]；權重的L2正則化項依次取值為:[5，2，1，0.1，0.01，0.001，0]；學習率依次取值如下：[0.01，0.02，0.05，0.1，0.15，0.2]。

3.根據權利要求1所述的構建方法，其特征在于，腦結構MRI數據包括但不限于T1加權成像、T2加權成像、FLAIR成像、彌散加權成像、彌散張量成像、磁敏感加權圖像等結構成像數據；腦結構形態學影像特征包括但不限于皮層厚度、皮層體積、皮層表面積、皮層迂曲度、皮層下核團體積、纖維束體積及彌散定量和腦組織組學特征。

4.根據權利要求1所述的構建方法，其特征在于，對于一個新加入的中心，不需要提供原始MRI數據，只需要在自己中心按照既定的方法訓練出分類模型，然后把該分類模型橫向擴展到模型庫中，樣本只需要按照公式(1)重新計算MICI值即可。

5.根據權利要求1所述的構建方法，其特征在于，所述腦結構像特征數據包括皮層厚度、皮層體積、皮層表面積、皮層下體積及7個全腦指標在內的484個腦結構像特征，其中7個全腦指標為全腦總體積、全腦皮層灰質體積、全腦皮層下灰質體積、全腦白質體積、全腦白質表面積及全腦平均皮層厚度；

對腦結構像特征數據進行數據預處理：數據預處理包括協變量回歸及歸一化過程，具體是：

①協變量回歸，協變量的回歸使用matlab軟件的regress函數進行，其中納入的被回歸變量包括年齡、性別、年齡的平方及全腦體積；

②歸一化：歸一化采用的方法為高斯歸一化，從而使樣本服從正態分布；

得到了預處理后的每個中心的標準化特征矩陣，并進一步納入后續分析中。