[發明專利]一種分析基因對多模態腦影像表型影響的方法

有效

• 申請號: 202210092765.7
• 申請日: 2022-01-26
• 公開（公告）號: CN114580497B
• 公開（公告）日: 2023-07-11
• 發明（設計）人: 汪美玲;張道強
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/74
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種分析基因對多模態腦影像表型影響的方法，其特征在于，包括如下步驟：

(1)對預先獲取的基因腦影像數據進行預處理；

(2)基于多模態表型圖擴散方法獲得包含所有多模態表型圖中有價值的幾何結構信息的統一圖；

(3)建立基于圖擴散的超圖正則化多模態學習模型；

(4)對圖擴散的超圖正則化多模態學習模型進行優化處理，得到與基因相關的腦影像表型特征數據；

(5)使用多核支持向量機對得到的與基因相關的影像表型特征數據進行分類，并進行基因與腦影像相關性分析；

所述步驟(2)實現過程如下：

有N樣本和M模態表型，使用第m模態的特征，構建加權圖G^m＝(V^m，E^m)來模擬樣本之間的關系，其中V^m對應于N樣本和E^m對應樣本之間相似關系的權重；邊權重由N×N相似性矩陣S表示，其中S_i，j表示樣本i和樣本j之間的相似性；S_i，j通過標簽的先驗計算為：

其中，c是樣本類的數量，使用具有相同標簽的樣本來重構x_i，其中代表第d類中的第i樣本，ρ是一個正則化參數，是一個向量，其中位置的元素為零，忽略負解，即：使用SLEP工具箱來獲取通過標簽的先驗挖掘腦影像表型數據內的結構信息問題的最優解

其中，全局相似性矩陣S是N×N對稱矩陣，S_i，j是相似性矩陣S的元素；

使用K最近鄰算法來計算多模態表型圖的局部相似性矩陣即：

其中，是局部相似性矩陣的元素；局部相似性通過擴散過程傳播到遠程相似性；稀疏矩陣只保留頂點之間的強連接，同時去除弱連接；值得注意的是，S攜帶有關頂點之間相似性的完整信息，而描述了與K最近頂點的局部相似性，這對相似性度量中的噪聲具有魯棒性；

建立多模態表型圖的擴散過程：

其中，和分別表示第1個模態和第2個模態在t時刻的全局相似性矩陣，和分別是第1個模態和第2個模態的局部相似性矩陣，η是參數，I是單位矩陣，在擴散過程中引入ηI，多種模態的擴散過程為：

其中，和分別表示第m個模型在在t時刻的全局相似性矩陣和局部相似性矩陣；此時，得到擴散矩陣如下：

所述步驟(3)實現過程如下：

(31)根據多模態表型圖擴散獲得的統一圖結構信息P構造超圖，如果x_i與圖中的多個樣本強相關，則其包含在超邊e_j中，得到的關聯矩陣H為：

其中，θ是一個閾值，通過判斷相似度P_ij是否大于閾值θ，直接決定是否將頂點v_i分配給超邊e_j；

(32)將每個樣本作為中心，并通過在統一圖中選擇最相關的樣本來構建超邊，根據H，定義頂點v_i∈V的度和超邊e_j∈E的度如下：

其中，w(e_j)為e_j的權重，h∈H；將P_i作為樣本x_i的特征，并通過兩個特征向量的點積來衡量兩個樣本之間的相似性：

M(i，j)＝|P_i，P_j|

此時，鄰域矩陣計算為M＝|P^TP|，則超邊的權重計算為：

得到加權的超圖為G(V，E，Q)，其中Q是超邊的權矩陣，且q∈Q；

(33)基于所構建的超圖G，得到如下拉普拉斯矩陣：

其中，D_v和D_e分別是頂點度和超邊度的對角矩陣；根據該拉普拉斯矩陣L^h，超圖正則化項Ω定義為：

Ω＝(Xw)^TL^hXw

(34)根據超圖正則化項Ω，建立基于圖擴散的超圖正則化多模態學習模型為：

其中，是指M個模態的表型；y＝[y₁，y₂，…，y_n，…，y_N]∈R^N是對應的基因；N是樣本數，p對應每種模態表型的特征維數；w^m∈R^p是第m個模態的權重向量；W＝[w¹，w²，…，w^M]∈R^p×M表示相應模態上的權向量所構成的矩陣；||W||_2，1是指組稀疏正則化項，用于從多模態腦影像表型中聯合地選擇少數與基因位點相關的特征；λ和μ是兩個正則化參數；

所述步驟(5)實現過程如下：檢測所有與基因相關的腦影像表型特征數據是否直通；若是，則輸出與基因相關的腦影像表型特征數據，使用多核支持向量機對輸出與基因相關的腦影像表型特征數據進行分類；否則，重回到步驟(1)。

2.根據權利要求1所述的一種分析基因對多模態腦影像表型的影響方法，其特征在于，所述步驟(4)實現過程如下：

(41)將步驟(3)提出的基于圖擴散的超圖正則化多模態學習模型分解成平滑子式g₁(W)和非平滑子式g₂(W)，即：

g₂(W)＝λ||W||_2，1

(42)定義一個近似函數Q_l(W，W_t)如下：

其中，||·||_F表示Frobenius范數算子；為g₁(W)第t次迭代在W_t處的梯度；符號l表示步長；

(43)采用加速近似梯度方法進行基于圖擴散的超圖正則化多模態學習模型優化，此時有：

其中，w_k和v_k分別是指矩陣W和矩陣V的第k列；

(44)經過(41)-(43)的迭代優化，得到與基因相關的影像表型特征數據。