一种基于脑影像的精神疾病评估方法

摘要

本发明公开了一种基于脑影像的精神疾病评估方法，利用标签噪声过滤算法识别诊断标签置信度高的典型被试，并发掘更加可靠且具有显著组间差异的生物标志物。此外，基于多站点、多种疾病的典型被试构建多精神疾病的连续型诊断模型，为未标注被试提供指示其患病程度的连续型指标；通过本发明，能够利用诊断标签置信度高的典型被试挖掘具有显著组间差异的判别特征，可识别出具有鲁棒性的影像标志物；本发明基于脑影像客观指标为医生和患者提供可以指示患者患病程度的连续型指标，以达到早发现早治疗的目的。

说明书

技术领域

本发明涉及脑影像分析技术领域，特别是涉及一种基于脑影像的精神疾病评估方法。

背景技术

目前，精神疾病的诊断主要根据DSM(《精神疾病诊断和统计手册》)或ICD(《精神和行为障碍分类》)对患者的行为或临床表现进行评估。由于复杂的大脑结构无法保证症状与疾病的对应性，这导致了不同的精神疾病在临床症状上存在重叠性，甚至有些患者存在多种精神疾病症状。此外，对于谱系精神疾病而言，传统的离散型标签无法捕捉到精神疾病症状的临床变化。现有的精神疾病诊断方式导致了这类疾病的诊断不准确。脑影像技术的蓬勃发展为挖掘不同精神疾病间，以及精神疾病与健康对照间的客观且具有显著组间差异的标志物提供了数据支持。近些年，脑影像测度被广泛应用于挖掘生物标志物。已有研究基于有监督的特征选择算法和脑影像测度挖掘不同组被试间的差异之处。但是，基于错误标注的被试数据得出的研究结论有偏，使得找到的生物学标志物并不可靠。

因此，迫切的需要采用影像学测度，利用可靠且典型的已标注被试挖掘客观且鲁棒的影像学标志物，构建多精神疾病的连续型诊断模型，为未标注的被试提供连续型指标指示其脑功能或脑结构的变异程度，以辅助精神疾病的诊断和治疗，进而推动人类对大脑内在机制和疾病致病机理的认识。

发明内容

本发明为了缓解上述提到的问题，提供了一种基于脑影像的精神疾病评估方法。

本发明解决其技术问题所采取技术方案是：提供一种基于脑影像的精神疾病评估方法，包括：

步骤S1，从多个站点采集被试的脑影像数据，并对脑影像数据进行预处理，提取个体被试的脑影像特征；其中，每个站点包括健康被试和患有精神疾病的被试；

步骤S2，基于标签噪声过滤算法以及提取到的脑影像特征，分别从各个站点识别出标签置信度高的典型被试的脑影像特征；其中，识别出的典型被试包括典型健康被试和典型疾病被试；

步骤S3，基于特征选择算法以及从各个站点获得的典型被试的脑影像特征，识别具有显著组间差异的判别特征，基于距离度量寻找各类典型被试的最优代表被试，以建立针对多种精神疾病的诊断模型；

步骤S4，采集未标注被试的脑影像数据，获得对应的脑影像特征，输入训练好的诊断模型中，将输出的多元组分数作为未标注被试的脑影像精神疾病评估结果，用于指示其在不同精神疾病上的患病程度。

其中，从多个站点采集被试的脑影像数据，设定共采集到M类被试，其中1类为健康被试，M-1类为精神疾病被试。

其中，对采集到的被试的脑影像数据进行预处理，预处理方式包括层间校正、头动校正、空间标准化、空间平滑。

提取个体被试的脑影像特征，是基于被试预处理后的脑影像数据，计算被试的脑影像特征，包括脑功能网络连接特征、灰质体积和密度、皮层厚度。

其中，基于标签噪声过滤算法以及提取到的脑影像特征，分别从各个站点识别出标签置信度高的典型被试，包括：基于每一个站点全体被试的脑影像特征，利用标签噪声过滤算法去除标签置信度低的噪声被试，保留置信度高的被试作为典型被试；标签噪声过滤算法使用基于距离的方法、基于分类器的方法或是基于完备随机森林的方法。

其中，基于特征选择算法以及从各个站点获得的典型被试的脑影像特征，识别具有显著组间差异的判别特征，并建立针对多种精神疾病的诊断模型，为未标注被试提供多元组分数用于指示其在不同精神疾病上的患病程度的步骤包括：

(1)按照诊断标签，将各个站点获得的典型被试划分为M类；

(2)随机下采样：从M类典型被试中分别抽取等数目的典型被试，构成一个包含M类典型被试的子数据集X

(3)判别特征识别：基于特征选择算法方法和子数据集X

(4)子数据集X

其中，

(5)待诊断被试与子数据集X

(6)评估待诊断被试z与各类典型被试的综合相关性：重复执行步骤(2-5)T次，计算

(7)对于待诊断被试z，用于指示其在不同精神疾病上患病程度的M元组分数可以表示为：

本发明的基于脑影像的精神疾病评估方法，不同于已有的利用有监督特征选择算法挖掘疾病被试相对于正常被试在影像测度上差异的方法，利用标签噪声过滤算法识别诊断标签置信度高的典型被试，并发掘更加可靠且具有显著组间差异的生物标志物。此外，基于多站点、多种疾病的典型被试构建多精神疾病的连续型诊断模型，为未标注被试提供指示其患病程度的连续型指标；通过本发明，能够利用诊断标签置信度高的典型被试挖掘具有显著组间差异的判别特征，可识别出具有鲁棒性的影像标志物；本发明基于脑影像客观指标为医生和患者提供可以指示患者患病程度的连续型指标，以达到早发现早治疗的目的。

附图说明

图1是本发明提供的一种基于脑影像的精神疾病评估方法的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明做进一步的详细说明。

参照附图1，本发明提供一种基于脑影像的精神疾病评估方法，包括：

步骤S1，从多个站点采集被试的脑影像数据，并对脑影像数据进行预处理，提取个体被试的脑影像特征；其中，每个站点包括健康被试和患有精神疾病的被试；

步骤S2，基于标签噪声过滤算法以及提取到的脑影像特征，分别从各个站点识别出标签置信度高的典型被试的脑影像特征；其中，识别出的典型被试包括典型健康被试和典型疾病被试；

步骤S3，基于特征选择算法以及从各个站点获得的典型被试的脑影像特征，识别具有显著组间差异的判别特征，基于距离度量寻找各类典型被试的最优代表被试，以建立针对多种精神疾病的诊断模型；

步骤S4，采集未标注被试的脑影像数据，获得对应的脑影像特征，输入训练好的诊断模型中，将输出的多元组分数作为未标注被试的脑影像精神疾病评估结果，用于指示其在不同精神疾病上的患病程度。

由于大脑的复杂性、疾病的异质性和连续性，基于症状的主观诊断方式使得精神疾病误诊率较高，而且会导致提取的精神疾病影像标志并不可靠。本发明基于标签噪声过滤算法和脑影像特征，充分利用标签置信度高的被试构建一个针对多种精神疾病的诊断模型，为诊断标签未知(待诊断)的被试提供客观且连续的指标用于指示其患病程度。相比于传统的精神疾病主观诊断方式，本方法不仅可以利用客观的影像学测度挖掘更加可靠的生物学标志物以探索大脑的神经机制和疾病的致病机理，更重要的是本方法打破了原有精神疾病离散型诊断标签的局限性，为医生和患者提供可以指示患者患病程度的客观的连续型指标。

其中，从多个站点采集被试的脑影像数据，假设我们从多个站点共采集到M类被试，包含1类健康被试和M-1类精神疾病被试。

其中，对采集到的被试的脑影像数据进行预处理，以功能磁共振成像数据为例，预处理包括层间校正、头动校正、空间标准化、空间平滑等。

其中，基于经过预处理的每个被试的脑影像数据提取个体被试的脑影像特征，以经过预处理后的脑功能磁共振成像数据为例，可以使用假设驱动的方法计算不同脑区之间的相关系数作为脑功能连接特征，或使用数据驱动的方法得到空间功能网络和空间功能网络之间的连接特征。脑影像特征包括但不局限于上述特征。

其中，基于标签噪声过滤算法以及提取到的脑影像特征，分别从各个站点识别出标签置信度高的典型被。以完备随机森林噪声过滤算法为例，主要步骤包括：

(1)利用随机下采样方法采样被试，使得各组被试的数目平衡；

(2)为被采样到的被试建立多棵完备随机决策树，构成完备随机森林；其中，建树规则为：每棵树的根节点包含所有被采样的被试；随机选择特征和特征值，将每棵树的非叶子节点划分为两个子节点；每个节点的标签由节点内多数类被试的标签决定；

(3)判断被采样的被试是否属于候选典型被试；其中，判断规则为：对于森林中的每棵树中的每一个被试，计算该被试所在的叶子节点在向上回溯时，节点标签第一次改变后保持不变的最大层数，称为该被试在该树的噪声强度；若该被试在超过50％的树中的噪声强度小于给定阈值，该被试被认定为候选典型被试；

(4)重复上述步骤(1-3)，直到所有的被试至少被采样一次；

(5)综合多次采样构建的多个森林，判断各被试是否属于典型被试；其中，判断规则为：假设被试被采样的次数为N，被判定为候选典型被试的频次为t(t≤N)；若t/N＞0.5，则该被试被判定为典型被试。识别标签置信度高的典型被试的方法包括但不局限于上述完备随机森林噪声过滤算法。

基于特征选择算法以及从各个站点获得的典型被试，建立一个针对多种精神疾病的诊断模型，为待诊断被试提供多元组分数用于指示其在不同精神疾病上的患病程度，主要步骤包括：

(1)按照诊断标签，将各个站点获得的典型被试划分为M类；

(2)随机下采样：从M类典型被试中分别抽取等数目的典型被试，构成一个包含M类典型被试的子数据集X

(3)判别特征识别：基于特征选择算法方法和子数据集X

(4)子数据集X

其中，

(5)待诊断被试与子数据集X

(6)评估待诊断被试z与各类典型被试的综合相关性：重复执行步骤(2-5)T次，计算

(7)对于待诊断被试z，用于指示其在不同精神疾病上患病程度的M元组分数可以表示为：

识别判别特征的方法包括但不局限于上述ANOVA方法。

本发明的方法不同于已有的利用有监督特征选择算法挖掘疾病被试在影像测度上异常的方法，本发明利用标签噪声过滤算法识别诊断标签置信度高的典型被试，并发掘更加可靠且具有显著组间差异的生物标志物。此外，基于多站点、多种疾病的典型被试构建多精神疾病的连续型诊断模型，为未标注被试提供指示其患病程度的连续型指标，其特色和创新主要在于：1)本发明利用置信度高的典型被试挖掘具有显著组间差异的判别特征，可识别出具有鲁棒性的影像标志物；2)本发明基于脑影像客观指标为医生和患者提供可以指示患者病程度的连续型指标，以达到早发现早治疗的目的。

需要强调的是，以上结合附图对本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不局限于上述的具体实施方式，凡是由本领域技术人员依据本发明的精神和原则所做出的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。