一种基于网络脆性实现抑郁症的自动诊断装置

摘要

本发明公开了一种基于网络脆性实现抑郁症的自动诊断装置，属于医学图像处理技术领域。本发明的抑郁症自动诊断装置包括：数据接收及预处理模块、脑结构网络构建模块、抑郁症检测模块和输出模块。本发明基于大量训练数据获取网络脆性和网络破坏程度之间的映射，从而将待检测对象的网络破坏程度与参考组的对应的检测参考值进行差异性比对，将差异性显著的待检测对象判定为抑郁症患者；否则判断为正常者，为抑郁症诊断提供辅助诊断帮助。

说明书

技术领域

本发明属于医学图像处理技术领域，具体涉及一种基于磁共振图像的处理进行抑郁症的诊断装置。

背景技术

抑郁症是在生活中经常遇见的精神性疾病，而且该病的发病率现在也是越来越高，经相关统计显示，抑郁症目前是世界第四大疾病，并将在未来两年内上升为世界第二大疾病，这说明整个社会对于抑郁病的治疗和诊断还没有很好的方法，而且抑郁症是一种高概率反复复发的疾病，这对于疾病的治疗添加了更大的困难。在我国，对于抑郁症的医疗防治以及救助才开始起步，根据相关统计，现在对于抑郁症的确诊率还不到20％，而这其中正在接受治疗的患者更是少之又少，只有不到10％的人在进行相关治疗。并且，就目前来看，抑郁症的发病年龄开始倾向于低龄化，也经常看到报道年轻的明星因为抑郁症而选择自杀。目前的统计结果发现，我国抑郁症患病率在3％～5％之间，因此，需要更加深入的研究抑郁症的致病机理，力求更早一步的发现抑郁症患者所表现出来的症状，让病人得到及时治疗以防出现严重的后果。

目前，借助于人脑的关于脑结构的磁共振图像实现对特定疾病的自动预诊断，越来越受到研究重视，这种借助于图像分析处理的自动诊断可以为医生的临床诊断提供一定的诊断辅助功能。基于人脑的磁共振图像能够构建对应的脑网络结构，而在网络构建完成之后的网络分析则是另外一个比较关键的问题，对于复杂网络的脆性研究，是当前网络分析中一个比较火热的方向，而且已经有相关分析把脆性分析应用在道路交通、通信网络等复杂网络的分析中，但是在当前的大脑网络研究中，还没有文献提出对于大脑网络脆性研究的相关结果。对于构建的大脑网络，通过病人组和正常人组间的比较，来分析两组网络间的脆性，有助于研究两者网络间的差异性，也有助于让了解影响到大脑网络脆性的因素。因此，因此，有必要提供一种在对人脑磁共振图像的网络构建核复杂网络脆性分析的基础上的对抑郁症的自动诊断技术，以便于实现辅助诊断。

本发明发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种基于网络脆性实现抑郁症的自动诊断装置。

本发明的基于网络脆性实现抑郁症自动诊断装置，包括：数据接收及预处理模块、脑结构网络构建模块、抑郁症检测模块和输出模块；

其中，数据接收及预处理模块，用于接收待检测对象的磁共振图像，并对接收的磁共振图像进行数据预处理后再提取其中脑灰质图像，并发送给脑结构网络构建模块；

脑结构网络构建模块，基于预设的脑区标准模板，对脑灰质图像进行脑区划分处理，得到多个脑区，并计算各个脑区之间的相关系数，从而得到脑区的相关系数矩阵；再对脑区的相关系数矩阵进行阈值化处理：若相关系数矩阵的当前元素位置的相关系数大于相关系数阈值，则该当前元素位置的值置为1；否则置为0；从而得到相关系数矩阵的二值矩阵；再将每个脑区作为一个网络节点，并基于所述二值矩阵构建人脑结构网络的拓扑图并发送给抑郁症检测模块，即该二值矩阵作为人脑结构网络的邻接矩阵得到人脑结构网络的拓扑图，若网路节点之间对应的值在二值矩阵中的取值为1，则当前网络节点之间存在连接，否则不存在连接；

抑郁症检测模块，基于预置的参考组的各参考对象的人脑结构网络的拓扑图，判定当前待检测对象是否为抑郁症患者，并将检测结果发送至输出模块进行输出显示；

其中判定当前待检测对象是否为抑郁症患者为：

基于预设的删除规则，进行节点或边的删除处理：

每次删除待检测对象和预置的参考组的各参考对象的人脑结构网络的拓扑图中的同一脑区的一个节点或连接的两个脑区相同的边；即基于脑区与人脑结构网络的拓扑图中的节点、边之间的映射关系，对待检测对象的人脑结构网络的拓扑图，对基于该删除规则所选定的节节或边进行删除，并删除各参考对象的人脑结构网络的拓扑图中的映射节点或映射边；

并根据公式f

其中x表示删除比例，系数k

若待检测对象的网络破坏程度度量值与第一检测参考值的差量超过预设的第一阈值，则停止节点删除处理；否则继续删除节点，每次仅删除一个节点。

当不再进行节点删除处理时，计算待检测对象在删除了当前节点后的人脑结构网络的当前全局网络效率(网络中所有节点间的最短路径的调和平均数的倒数)，以及计算参考组的每个参考对象的在删除了当前节点后的人脑结构网络的全局网络效率并取均值作为参考组的当前全局网络效率；

判断待检测对象与参考组的当前全局网络效率的差异是否超过预设的第二阈值，若是，则判定待检测对象为抑郁症患者；否则为正常。

进一步的，删除规则为下述五种方式中的任一一种：

(1)随机方式删除待检测对象的脑网络拓扑图中的一个节点，并基于节点与脑区的映射关系，删除各参考对象的脑网络拓扑图中的映射节点；

(2)计算待检测对象的脑网络拓扑图中的各节点的节点度，按照节点度降序依次删除待检测对象的脑网络拓扑图中的节点，并基于所删除节点与脑区的映射关系，删除各参考对象的脑网络拓扑图中的映射节点；

(3)计算待检测对象的脑网络拓扑图中的各节点的节点介数，按照节点介数降序依次删除待检测对象的脑网络拓扑图中的节点，并基于所删除节点与脑区的映射关系，删除各参考对象的脑网络拓扑图中的映射节点；

(4)计算待检测对象的脑网络拓扑图中的各条边的边介数，按照边介数降序依次删除待检测对象的脑网络拓扑图中的边，并基于所删除边对应的节点与脑区的映射关系，删除各参考对象的脑网络拓扑图中的映射边；

(5)计算待检测对象的脑网络拓扑图中的各条边的边介数，以及各节点的节点介数，按照介数降序混合删除待检测对象的脑网络拓扑图中的边或节点；并基于所删除边或节点与脑区的映射关系，删除各参考对象的脑网络拓扑图中的映射边或映射节点。

综上所述，由于采用了上述技术方案，本发明的有益效果是：基于大量训练数据获取网络脆性和网络破坏程度之间的映射，从而将待检测对象的网络破坏程度与参考组的对应的检测参考值进行差异性比对，将差异性显著的待检测对象判定为抑郁症患者；否则判断为正常者，为抑郁症诊断提供辅助诊断帮助。

附图说明

图1为具体实施方式中，本发明的结构示意图；

图2为具体实施方式中，对脑网络结构按节点度降序删除节点比例示意图，其中MDD表示抑郁症患者的脑网络节点，HC表示正常人的脑网络节点；

图3为具体实施方式中，对脑网络结构按节点介数删除节点比例示意图；

图4为具体实施方式中，对脑网络结构随机删除节点比例示意图；

图5为具体实施方式中，对脑网络结构按边介数删除边比例示意图；

图6为具体实施方式中，对脑网络结构按节点介数和边介数混合比例示意图；

图7为具体实施方式中，图2-6所示情况的均值。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。

参见图1，本发明的基于网络脆性实现抑郁症自动诊断装置，包括：数据接收及预处理模块、脑结构网络构建模块、抑郁症检测模块和输出模块；

其中，数据接收及预处理模块，用于接收待检测对象的磁共振图像，并对接收的磁共振图像进行数据预处理后再提取其中脑灰质图像，并发送给脑结构网络构建模块；

为了减少外在因素对检测处理的干扰，所述数据预处理过程包括：时间层校正、头动校正、空间标准化、分割、低频滤波和平滑处理：

(1)时间层校正(Slice Timing)：由于磁共振图像数据在采集时，是经过一段时间的扫描，而这段时间内，被试难免有头部移动，为了减少这种影响，一般扫描数据时是一层一层进行扫描的，并且仪器通常会有一定的扫描顺序，为了将多层数据进行整合，需要进行时间层校正处理。在进行时间层校正前，为了排除仪器前期不稳定而对扫描数据产生的影响，一般情况下需要删除掉前期扫描的几个时间点。

(3)头动校正(Realign)：因为被试需要一段时间在扫描仪器中，难免会出现头动现象，但为了避免被试的头动过大而对实验效果产生影响，所以要进行头动校正操作。本具体实施方式中，对头动较大(例如超过头动在平移2mm转动2°范围)的图像数据进行排除；此外，为了进一步减少头动影响，可以采用预设的回归参数，对头动进行回归校正处理。

(4)空间标准化(Normalize)：每个被试的大脑体积、体素大小等不尽相同，本处理中，使用一个统一的预设模板进行空间标准化，将所有被试配置到同一个标准空间，从而有助于数据的统一分析和比较。

(5)空间平滑(Smooth)：数据采集过程中，往往会有很多外在因素而导致扫描的数据出现干扰信息，因此，在图像处理过程中还需要使用高斯噪声对图像做平滑处理，来提高图像的信噪比，本具体实施方式中，采用4*4*4半高全宽高斯噪声。

(6)线性漂移(Detrend)：数据扫描的过程中，扫描仪器将会出现发热等状况，另外被试也不可能完全处于一个状态，因此，需要进行此操作，用来去除上述因素随时间产生的线性趋势。

(7)滤波(Filter)：经研究发现，对于功能像，将频率范围控制在0.01～0.08Hz,所产生的可靠信号最为明显，而且减少了低频并降低了呼吸、心跳等高频噪声的影响。

(8)分割(Segment)：将预处理完的结构像数据，通过模板进行分割，将图像数据分割为灰质、白质、脑脊液三部分。后续处理主要针对的是分割后的脑灰质图像；

并对分割后的脑灰质图像进行空间标准化处理，本具体实施方式中采用MNI(Montreal Neurological Institute)空间，即将其重新配准到MNI空间；以及对于在空间标准化中所出现的误差进行校正处理；为了进一步降低图像噪声的存在，对误差校正处理后的脑灰质图像再进行空间平滑处理。其中优选的方式为：8mm高斯核来进行空间平滑处理。

脑结构网络构建模块构建对应各磁共振图像的人脑结构网络并发送给抑郁症检测模块；

本具体实施方式中，利用分割得到的脑灰质图像构建人脑结构网络，即将预处理完的静息态核磁共振图像，使用脑区标准模板库中的AAL模板，将整个大脑分为90个脑区域(也称脑区间或简称脑区)，并计算脑区之间关于体素(脑灰质图像的像素)的相关系数(如皮尔逊相关系数)，得到每幅脑灰质图像的脑区相关系数矩阵。例如，基于预配置的每个脑区的中心体素点，以及与该中心体素点的N(预设值，取值大于1)个近邻体素点所对应的体素组成每个脑区的特征量，再基于两个脑区的特征量之间的相关系数(例如皮尔逊相关系数)得到脑区之间的第一相关系数。也可以将中心体素点分别与其N个近邻体素点之间的绝对体素差，将N个绝对体素差作为，每个脑区的特征量。再基于每个脑区的特征量计算任意两个脑区之间的相关系数。

为了减少网络中过多的边数，通过阈值化处理，将该相关系数矩阵变换为二值矩阵，即设置一个阈值T，如果相关系数矩阵中的值大于阈值T，就将该值设置为1，否则置为0，从而将脑区结构矩阵转变为二值矩阵，将该二值矩阵作为人脑结构网络的邻接矩阵，从而得到人脑结构网络的拓扑图。即将90个脑区间分别作为一个节点，基于其对应的邻接矩阵(1表示存在连接边，0表示不连接)，得到人脑结构网络拓扑图。

本具体实施方式中，在二值化的阈值范围为0.05～0.4，步长为0.01的搜索条件下，共计算了36个阈值下的网络拓扑结果，并从中选取效果最好的二值化阈值，以提高检测准确率。

脆性特征提取模块，用于提取当前输入的脑结构网络拓扑图的脆性特征并发送给抑郁症检测模块。

网络脆性是用来衡量整个网络中的一些关键节点或者关键连接对整个网络的影响，即如果这些关键节点或者关键连接受到不正常因素的影响而导致整个网络的信息传递受到严重破坏，从而导致整个网络崩溃，那么这些关键节点理应受到重点保护才能很好的维护整个网络的正常运行。因此，为了描述在大脑网络中的脆性，需要找到一个标量，来阐述大脑网络是否有脆性特征的体现。

对于复杂网络，当其受到外部网络攻击或内部节点/边突发异常等因素的影响，可能会发生网络崩溃的现象。网络脆性正是用来衡量此时网络健壮性的一个指标，其定义为网络受损后的性能指标与初始状态的性能指标之比值。

对于人脑结构网络来说，其受到的攻击可能包括外伤、急性疾病损伤和局灶性损伤等。本发明基于实验得出的抑郁症患者组和正常对照组的结构网络受到攻击时的表现差异，通过删除节点或边的方法来模拟网络遭到破坏时的情形，通过计算被破坏后网络的性能指标与初始值之比来衡量网络的恢复能力。

为了获取正常人与抑郁症患者的人脑结构网络的健壮性与被攻击程度之间的映射关系，从而实现本发明的脆性特征提取处理，本具体实施方式中，通过下述处理获取：

首先，在删除规则上，本发明采用下述任一一种规则：

1)随机删除节点；

2)初始状态下，计算待检测对象的人体脑结构网络的拓扑图中的各个节点(脑区)节点度，作为初始节点度并保存，并对其进行降序排序，然后按照此顺序依次删除节点；

3)同2)，对各个节点介数(网络中所有最短路径中经过该节点的路径的数目占最短路径总数的比例)进行降序排列，然后按照此顺序依次删除节点；

4)在删除边的规则上，首先计算了初始状态下每条边的边介数(网络中所有最短路径中经过该边的路径的数目占最短路径总数的比例)，并对其进行降序排序，然后按照此顺序依次删除边。

5)介数的混合删词，即将边介数与节点介数进行混合的降序排序，再按照此顺序依次删除节点或边。

基于上述不同的删除规则，进行删除处理后可得到不同的删除比例的删除结果，如图2-7所示，进而可以基于删除比例计算删除后的(遭破坏后的)网络的性能度量。

关于遭破坏后的网络的性能度量，本发明采用了下述两种指标：

1)遭破坏后的网络的全局效率；

2)遭破坏后网络中的最大团块的效率。

但对于指标2)，实际上，在删除节点的后期，网络中会存在若干由一条边和两个节点组成的团块，根据网络效率的计算公式(网络效率为网络中所有节点间的最短路径的调和平均数的倒数)可知其效率为1。若此时继续删除节点或边，那么在全部删除完之前，剩余网络中总存在一个这样的子网络，于是遭破坏后的网络效率甚至比初始状态的网络效率还要高，这显然是不合理的。因此，本具体实施方式中，采用指标1)。

根据的多次实验结果(可参考图2至图7)，抑郁症患者的结构网络在受到网络攻击时，其快速恢复网络连接的效率和正常对照组并无显著差异。同时，也可以得到网络脆性和网络破坏程度之间的映射关系为：

对于抑郁症组：f

对于正常对照组：f

其中，x表示删除比例(删除对象包括节点和/或边)，f

优选的，本具体实施方式中，系数k

即本发明中，抑郁症检测模块为了实现对待测图像数据(磁共振图像)的抑郁症的自动诊断处理，基于预设的删除规则，将当前待测图像所得到的人脑结构网络进行节点删除处理，没删除一个节点，则分别基于当前删除的节点数量所占的总节点数的比例，根据公式f

在具体实现时，为了降低计算量，可在抑郁症检测模块中预置一组正常人的人脑结构网络作为参考组，每次删除与待检测图像数据所对应的人脑结构网络的相同脑区所对应的节点，并根据公式f

然后再将当前待检测对象的网络破坏程度度量值与对应的第一检测参考值进行比较，若相差较大(差值超过预设阈值)，则表明当前删除的节点数已满足能进行抑郁检查的最低节点删除数，此时，可以基于全局网络效率进行抑郁症检测判断；否则，继续基于预设的节点删除规则继续进行节点删除及判断处理。

当待检测对象的网络破坏程度度量值与对应的第一检测参考值相差较大时，计算待检测对象在删除了当前节点后的人脑结构网络的当前全局网络效率，以及计算参考组的每个参考对象的在删除了当前节点后的人脑结构网络的全局网络效率并取均值作为参考组的当前全局网络效率；判断待检测对象与参考组的当前全局网络效率的差异是否超过预设的第二阈值，若是，则判定待检测对象为抑郁症患者；否则为正常。并将检测结果输出至输出模块进行显示输出，如显示图片和/或文字的检测结果。

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。