本技术涉及人脑神经科学研究，特别涉及一种基于多模态微结构拓扑特征的脑疾病分类模型的构建方法和装置。
背景技术：
1、近年来，磁共振成像技术(magnetic resonance imaging，mri)以其非侵入式、可观测由大脑发育异常导致的结构/功能等优点被广泛应用至脑疾病的功能异常解析与分类预测等研究中。目前常用于脑疾病研究的mri技术包括结构磁共振成像(structural mri，smri)、扩散成像(diffusion mri imaging，dmri)，功能磁共振成像(functional mri，fmri)以及磁共振波谱(magnetic resonance spectroscopy，mrs)等。其中已有技术中被广泛使用的多模态神经影像分析方法为基于图论的大脑连接组学方法。该方法提供了一种可以绘制神经精神症状的资源，可在多个空间尺度刻画大脑连接图谱并描述区域间的信息交互。具体地，通过网络分析方法对大脑进行抽象表达，降低基于神经元、基因角度分析的复杂度；基于大脑结构或功能对大脑进行分割并提取与大脑结构和功能相关的特征；基于多模态多特征分析提取满足设定需求的特征，并建立有效的疾病分类模型。
2、目前，构建的人脑网络模型可以分为结构网络(structural network或anatomical network)和功能网络(functional network)，节点之间的连接又可分为结构连接(structural connectivity，sc)和功能连接(functional connectivity，fc)。其中，人脑网络模型的结构网络通常用结构连接矩阵(sc matrix)表示，由弥散张量/弥散光谱成像(dti/dsi)技术测得，反映的是大脑的生理结构；人脑网络模型的功能网络通常用功能连接矩阵(fc matrix)表示，由静息态功能磁共振成像(resting-state fmri)技术测得，反映的是大脑网络不同节点间在功能状态下的统计性连接关系。利用网络的拓扑属性，如节点度、最短路径长度、局部效率、小世界、模块性等，研究者们可以衡量患者大脑或部分脑区抵抗外界干扰的能力、信息传输的能力以及功能分离与功能整合的能力等，为脑疾病分类模型的建立提供了有效特征。
3、尽管如此，由于上述方法着重于宏观尺度的研究，缺乏区域级微观结构信息和多层次信息整合框架，使得很大程度上脑疾病的分类只能依赖较大范围的大脑区域以及区域之间的连接特性，而不能深入脑区内部细粒度地挖掘病变特征，使得最终提取的特征在用于模型分类的准确率并不高，尤其是针对确切病因和发病机制还不十分明确的脑疾病、临床表现相似的疾病，如脑疾病、帕金森病、老年痴呆症及其亚型等。幸而，与其他神经影像技术相比，mri技术具有空间分辨率高的优点，这在一定程度上使得基于mri技术构建超高分辨率脑网络解决当前大脑研究空间分辨率较低的难点提供了新方法，为提升脑疾病分类模型的性能奠定了基础。其中，已有技术中基于超高分辨率结构分析大脑的方法采用的是基于体素的形态学分析(vbm)，具体的是定量计算分析mri中每个体素的脑灰质、白质密度或体积的变化，以评估健康被试与患者的结构差异。尽管如此，该方法提取的特征仅限于形态学特征，无法深层次提取网络拓扑特征并细粒度地建立结构和功能连接关系，使得最终脑疾病分类模型的性能受限。
4、因此，亟待对已有技术中基于大脑连接组学的脑疾病分类模型进行改进，解决病变区域以及病变特征提取不准确的问题。相比于单一模态影像技术观测的信息有限，多模态影像技术以其能够互相补偿不同模态数据之间的特异性信息、可提高模型的分类能力成为构建脑疾病分类模型的关键手段之一。
技术实现思路
1、本技术提供了一种基于多模态微结构拓扑特征的脑疾病分类模型的构建方法和装置，旨在弥补现有基于mri技术和人脑连接组的脑疾病分类模型存在的难以提取微结构尺度大脑异常特征的问题，病变区域及病变特征提取不准确问题，揭示患病大脑在区域级微结构尺度上的结构和功能异常，深入大脑区域内部实现细粒度地挖掘病变特征，通过整合宏观和微结构层次的多模态大脑结构和功能拓扑特征、基于多种可以选择的机器学习预测模型，可以提升脑疾病分类模型的准确性。该分类模型可以应用于脑疾病的早期诊断和辅助治疗，尤其是针对确切病因和发病机制还不十分明确的脑疾病、临床表现相似的疾病，如脑疾病、帕金森病、老年痴呆症及其亚型等。
2、第一方面，本技术提供了一种基于多模态微结构拓扑特征的脑疾病分类模型的构建方法，方法包括：
3、步骤110：从预先设置的人脑神经影像数据库中，获取脑疾病患者{pat}n1和健康被试{con}n2的多模态影像数据，包括t1数据、dmri数据和fmri数据；其中，{…}表示集合；n1，n2分别表示脑疾病患者和健康被试的数量；获取评定脑疾病症状的标准化评定量表{scale}n1、{scale}n2；获取患者的患病年限{dur}n1；获取标准空间(mni)宏观尺度的大脑分区模板template。
4、步骤120：基于神经影像处理软件对所获取的t1数据、dmri数据和fmri数据进行预处理，并获得皮层表面数据(软脑膜.pial)和纤维追踪数据(.trk)。
5、步骤130：采用freesufer软件分别获取从弥散磁共振空间dmri到结构空间t1的转换矩阵md2t、从功能磁共振空间fmri到结构空间t1的转换矩阵mf2t，从t1体空间(volumespace)到皮层空间(surface space)的转换矩阵mst1；获取从mni空间大脑分区模板template到个体结构空间t1的转换矩阵，并将mni空间的template映射到个体t1空间；利用个体空间的大脑分区模板去除t1皮层空间纤维追踪数据和fmri数据中的非大脑皮层组织数据。
6、步骤140：将个体空间模板tempind的分割区域roi映射到皮层空间；获取皮层软脑膜数据的最小单元并作为微结构分割区域的初始化最小单元roiδ，并计算该roiδ的区域面积aδ，建立roiδ与所属label的映射roi_idδ。
7、步骤150：将获取的皮层软脑膜文件进行降采样重构，并将新的三角网格单元作为微结构roi的最终最小单元roinewδ，计算该微结构roinewδ的区域面积anewδ，并建立新微结构与所属label的映射roi_idnewδ。
8、步骤160：基于t1皮层空间纤维追踪数据trkst1和fmri数据tsst1，构建微结构尺度的二值化结构连接矩阵scb、加权结构连接矩阵scw和功能连接矩阵fc。
9、步骤170：基于roinewδ与所属label的映射roi_idnewδ、结构连接矩阵和功能连接矩阵，分别提取大脑皮层所有label内的结构连接矩阵、功能连接矩阵，并提取不同label内结构网络和功能网络的拓扑特征。
10、步骤180：基于网络拓扑属性及大脑形态学特征，建立脑疾病患者和健康被试的特征矩阵，根据相关分析方法筛除与脑疾病评定量表无关的特征，并进行特征融合。
11、步骤190：基于所选特征，对健康和患者被试进行训练，建立脑疾病的分类模型和患病时间长短的预测模型。
12、步骤200：重复步骤180和步骤190，直到提取出一种满足设定需求的特征用于分类预测。
13、可选的，基于神经影像处理软件对所获取的t1数据、dmri数据和fmri数据进行预处理，并获得皮层表面数据(软脑膜.pial)和纤维追踪数据(.trk)，具体包括：
14、步骤1201：采用freesurfer软件对t1数据进行图像预处理，包括头动校正、强度标准化、剥头皮、空间配准，皮下组织分割、皮层表面构建、曲面映射、皮质分割，并获取软脑膜(.pial)皮层表面数据。
15、步骤1202：采用fsl软件和dsi-studio软件对dmri数据进行图像预处理；首先采用fsl软件提取磁场梯度强度b＝0的dmri图像nodif.nii.gz并进行剥头皮操作，然后利用生成的掩膜nodif_brain.nii.gz以及.bvecs、.bval文件对dmri数据进行头动涡流校正；其次，采用dsi-studio软件对校正过后的dmri进行全脑的确定性纤维追踪，并生成纤维追踪数据(.trk)。
16、步骤1203：采用fsl软件或matlab工具包对fmri数据进行预处理，包括去除时间序列、时间层校正、头动校正、空间标准化、空间平滑、去除冗余信号、滤波、提取全脑时间序列，matlab工具包包括spm、dparsf、rest中的至少一个。
17、可选的，采用freesufer软件分别获取从弥散磁共振空间dmri到结构空间t1的转换矩阵md2t、从功能磁共振空间fmri到结构空间t1的转换矩阵mf2t，从t1体空间(volumespace)到皮层空间(surface space)的转换矩阵mst1；获取从mni空间大脑分区模板template到个体结构空间t1的转换矩阵，并将mni空间的template映射到个体t1空间；利用个体空间的大脑分区模板去除t1皮层空间纤维追踪数据和fmri数据中的非大脑皮层组织数据；具体包括：
18、步骤1301：采用仿射变换求取从弥散磁共振空间dmri到结构空间t1的转换矩阵md2t、从功能磁共振空间fmri到结构空间t1的转换矩阵mf2t，从t1体空间到皮层空间的转换矩阵mt1，并利用上述矩阵获取t1皮层空间纤维追踪数据(trkst1)和fmri数据tst1。
19、具体的，基于仿射变换方法，根据freesurfer软件下spmregister函数求取从弥散磁共振空间dmri到结构空间t1的转换矩阵md2t和从功能磁共振空间fmri(第一个时间点t＝1，t∈[1,l]，其中，l表示时间点数量，[1,l]表示1到l的整数值)到结构空间t1的转换矩阵mf2t，根据mri_info–vox2ras-tkr函数求取从t1体空间(volume space)到皮层空间(surface space)的转换矩阵mst1。计算t1皮层空间每一条纤维追踪的起始点空间坐标trkst1(x,y,z)＝mst1*md2t*[trk(x,y,z)·(1/vstrk_x,1/vstrk_y,1/vstrk_z),1]，其中，trk(x,y,z)表示原dmri空间的纤维追踪坐标，(·)表示向量内积，vstrk_x、vstrk_y、vstrk_z分别表示在dmri空间x，y，z方向上的体素大小。计算t1皮层空间在第每个时间节点t、每个fmri数据点的空间坐标tsst1(x,y,z)|t＝t＝mst1*mf2t*[ts(x,y,z)·(1/vsfmri_x,1/vsfmri_y,1/vsfmri_z),1]，其中，tsst1(x,y,z)表示时间节点t原fmri空间数据点的坐标，vsfmri_x、vsfmri_y、vsfmri_z分别表示在fmri空间x，y，z方向上的体素大小。
20、步骤1302：采用非线性变换求取从mni空间大脑分区模板template到个体结构空间t1的转换矩阵mmni2t及形变系数wmni2t，并将mni空间的template映射到个体t1空间，即tempind；利用tempind的大脑皮层分区标定、t1皮层空间纤维追踪数据trkt1和t1皮层空间fmri数据tst1，去除trkt1和tst1的非大脑皮层数据。
21、具体的，基于非线性变换方法，根据freesurfer软件下flirt函数求取从mni空间大脑分区模板template到个体结构空间t1的转换矩阵mmni2t，根据fnirt函数求取形变系数wmni2t，根据applywarp函数及转换矩阵mmni2t、形变系数wmni2t将mni空间的template映射到个体t1空间tempind。在matlab软件下读取个体空间模板tempind，并将非大脑皮层区域设置为0，大脑皮层区域设置为1。计算t1空间下每一条纤维追踪的起始点空间坐标trkt1(x,y,z)＝md2t*[trk(x,y,z)·(1/vstrk_x,1/vstrk_y,1/vstrk_z),1]，若tempind(trkt1(x),trkt1(y),trkt1(z))＝0，则该条纤维起点或者终点在大脑皮层之外，去除对应的trkt1和trkst1数据。计算t1皮层在第每个时间节点t、每个fmri数据点的空间坐标tst1(x,y,z)|t＝mf2t*[ts(x,y,z)·(1/vsfmri_x,1/vsfmri_y,1/vsfmri_z),1]，若tempind(tst1(x),tst1(y),tst1(z))＝0，则该fmri数据点在大脑皮层之外，去除对应的tst1和tsst1数据。
22、可选的，计算微结构时间序列之间的pearson相关刻画功能连接矩阵，具体包括：
23、根据公式其中，acti和actj分别表示微结构newδi和newδj内平均fmri时间序列信号，l表示时间序列长度，t表示时间节点；相关系数fc(i,j)越大，则微结构newδi和newδj之间的功能连接强度越强。
24、可选的，计算拓扑特征与评估量表scale的pearson相关系数，具体包括：
25、根据公式计算拓扑特征与评估量表scale的pearson相关系数ρx,y，其中，x和y分别代表拓扑特征和评估量表scale，n表示组中被试的数量，和分别为拓扑特征和评估量表scale的组平均值；相关系数ρx,y越大，则拓扑特征与评估量表的相关程度越大，为有效特征。
26、第二方面，本技术提供了一种基于多模态微结构拓扑特征的脑疾病分类模型的构建装置，装置包括：
27、第一获取模块，用于从预先设置的人脑神经影像数据库中，获取脑疾病患者{pat}n1和健康被试{con}n2的多模态影像数据，包括t1数据、dmri数据和fmri数据；其中，{…}表示集合；n1，n2分别表示脑疾病患者和健康被试的数量；获取评定脑疾病症状的标准化评定量表{scale}n1、{scale}n2；获取脑疾病患者的患病年限{dur}n1；获取标准空间(mni)宏观尺度的大脑分区模板template。
28、第一处理模块，用于基于神经影像处理软件对所获取的t1数据、dmri数据和fmri数据进行预处理，并获得皮层表面数据(软脑膜.pial)和纤维追踪数据(.trk)。
29、第二获取模块，用于采用freesufer软件分别获取从弥散磁共振空间dmri到结构空间t1的转换矩阵md2t、从功能磁共振空间fmri到结构空间t1的转换矩阵mf2t，从t1体空间(volume space)到皮层空间(surface space)的转换矩阵mst1；获取从mni空间大脑分区模板template到个体结构空间t1的转换矩阵，并将mni空间的template映射到个体t1空间；利用个体空间的大脑分区模板去除t1皮层空间纤维追踪数据和fmri数据中的非大脑皮层组织数据。
30、第二处理模块，用于将个体空间模板tempind的分割区域roi映射到皮层空间；获取皮层软脑膜数据的最小单元并作为微结构分割区域的初始化最小单元roiδ，并计算该roiδ的区域面积aδ，建立roiδ与所属label的映射roi_idδ。
31、第三处理模块，用于将获取的皮层软脑膜文件进行降采样重构，并将新的三角网格单元作为微结构roi的最终最小单元roinewδ，计算该微结构roinewδ的区域面积anewδ，并建立新微结构与所属label的映射roi_idnewδ。
32、第四处理模块，用于基于t1皮层空间纤维追踪数据trkst1和fmri数据tsst1，构建微结构尺度的二值化结构连接矩阵scb、加权结构连接矩阵scw和功能连接矩阵fc。
33、第五处理模块，用于基于roinewδ与所属label的映射roi_idnewδ、结构连接矩阵和功能连接矩阵，分别提取大脑皮层所有label内的结构连接矩阵、功能连接矩阵，并提取不同label内结构网络和功能网络的拓扑特征。
34、第六处理模块，用于基于网络拓扑属性及大脑形态学特征，建立脑疾病患者和健康被试的特征矩阵，根据相关分析方法筛除与脑疾病评定量表无关的特征，并进行特征融合。
35、第七处理模块，用于基于所选特征，对健康和患者被试进行训练，建立脑疾病分类模型和患病时间长短的预测模型。
36、循环模块，用于重复第六处理模块和第七处理模块，直到提取出一种满足设定需求特征用于分类预测。
37、可选的，第一处理模块具体包括：
38、第一处理子模块：用于采用freesurfer软件对t1数据进行图像预处理，包括头动校正、强度标准化、剥头皮、空间配准，皮下组织分割、皮层表面构建、曲面映射、皮质分割，并获取软脑膜(.pial)皮层表面数据。
39、第二处理子模块：用于采用fsl软件和dsi-studio软件对dmri数据进行图像预处理；首先采用fsl软件提取磁场梯度强度b＝0的dmri图像nodif.nii.gz并进行剥头皮操作，然后利用生成的掩膜nodif_brain.nii.gz以及.bvecs、.bval文件对dmri数据进行头动涡流校正；其次，采用dsi-studio软件对校正过后的dmri进行全脑的确定性纤维追踪，并生成纤维追踪数据(.trk)。
40、第三处理子模块：用于采用fsl软件或matlab工具包对fmri数据进行预处理，包括去除时间序列、时间层校正、头动校正、空间标准化、空间平滑、去除冗余信号、滤波、提取全脑时间序列，matlab工具包包括spm、dparsf、rest中的至少一个。
41、可选的，第二获取模块具体包括：
42、第一仿射处理子模块，采用仿射变换求取从弥散磁共振空间dmri到结构空间t1的转换矩阵md2t、从功能磁共振空间fmri到结构空间t1的转换矩阵mf2t，从t1体空间到皮层空间的转换矩阵mt1，并利用上述矩阵获取t1皮层空间纤维追踪数据(trkst1)和fmri数据tst1，具体包括：
43、基于仿射变换方法，根据freesurfer软件下spmregister函数求取从弥散磁共振空间dmri到结构空间t1的转换矩阵md2t和从功能磁共振空间fmri(第一个时间点t＝1，t∈[1,l]，其中l表示时间点数量，[1,l]表示1到l的整数值)到结构空间t1的转换矩阵mf2t，根据mri_info–vox2ras-tkr函数求取从t1体空间(volume space)到皮层空间(surfacespace)的转换矩阵mst1；计算t1皮层空间每一条纤维追踪的起始点空间坐标trkst1(x,y,z)＝mst1*md2t*[trk(x,y,z)·(1/vstrk_x,1/vstrk_y,1/vstrk_z),1]，其中，trk(x,y,z)为原dmri空间的纤维追踪坐标，(·)表示向量内积，vstrk_x、vstrk_y、vstrk_z分别表示在dmri空间x，y，z方向上的体素大小；计算t1皮层空间在第每个时间节点t、每个fmri数据点的空间坐标tsst1(x,y,z)|t＝t＝mst1*mf2t*[ts(x,y,z)·(1/vsfmri_x,1/vsfmri_y,1/vsfmri_z),1]，其中，tsst1(x,y,z)表示时间节点t原fmri空间数据点的坐标，vsfmri_x、vsfmri_y、vsfmri_z分别表示在fmri空间x，y，z方向上的体素大小。
44、第二非线性处理子模块，采用非线性变换求取从mni空间大脑分区模板template到个体结构空间t1的转换矩阵mmni2t及形变系数wmni2t，并将mni空间的template映射到个体t1空间，即tempind；利用tempind的大脑皮层分区标定、t1皮层空间纤维追踪数据trkt1和t1皮层空间fmri数据tst1，去除trkt1和tst1的非大脑皮层组织数据，具体包括：
45、基于非线性变换方法，根据freesurfer软件下flirt函数求取从mni空间大脑分区模板template到个体结构空间t1的转换矩阵mmni2t，根据fnirt函数求取形变系数wmni2t，根据applywarp函数及转换矩阵mmni2t、形变系数wmni2t将mni空间的template映射到个体t1空间tempind；在matlab软件下读取个体空间模板tempind，并将非大脑皮层区域设置为0，大脑皮层区域设置为1；计算t1空间下每一条纤维追踪的起始点空间坐标trkt1(x,y,z)＝md2t*[trk(x,y,z)·(1/vstrk_x,1/vstrk_y,1/vstrk_z),1]，若tempind(trkt1(x),trkt1(y),trkt1(z))＝0，则该条纤维起点或者终点在大脑皮层之外，去除对应的trkt1和trkst1数据；计算t1皮层在第每个时间节点t、每个fmri数据点的空间坐标tst1(x,y,z)|t＝mf2t*[ts(x,y,z)·(1/vsfmri_x,1/vsfmri_y,1/vsfmri_z),1]，若tempind(tst1(x),tst1(y),tst1(z))＝0，则该fmri数据点在大脑皮层之外，去除对应的tst1和tsst1数据。
46、可选的，第四处理模块具体用于：
47、根据公式计算微结构时间序列之间的pearson相关刻画功能连接矩阵；其中，acti和actj分别表示微结构newδi和newδj内平均fmri时间序列信号，l表示时间序列长度，t表示时间节点；相关系数fc(i,j)越大，则微结构newδi和newδj之间的功能连接强度越强。
48、可选的，第六处理模块具体用于：
49、根据公式计算拓扑特征与评估量表scale的pearson相关系数ρx,y，其中，x和y分别代表拓扑特征和评估量表scale，n表示组中被试的数量，和分别表示拓扑特征和评估量表scale的组平均值；相关系数ρx,y越大，则拓扑特征与评估量表的相关程度越大，为有效特征。
50、第三方面，本技术提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面的任一基于多模态微结构拓扑特征的脑疾病分类模型的构建方法。本技术实施例提供的技术方案带来的有益效果是：
51、本技术实施例提供的一种基于多模态微结构拓扑特征的脑疾病分类模型的构建方法和装置，在结构结构空间引入皮层表面数据，并构建毫米级微结构尺度下的结构连接数据和功能连接数据，缩小了脑区的标定范围，可深入脑区内部细粒度地提取病变特征，弥补了现有基于mri技术和人脑连接组的脑疾病分类模型存在的难以提取微结构尺度大脑异常特征，病变区域及病变特征提取不准确问题；同时，本技术实施例可设定降采样比率，选择微结构尺度的分辨率以及宏观尺度大脑分割模板的分辨率，融合多尺度多模态特征，能有效地建立疾病共性及特异性受损评估策略，提升了本技术实施例模型的分类准确率；在构建脑网络之前，将通过平移和旋转变换求得不同模态空间的映射关系，由此构建个体空间下的脑网络以及提取个体空间的特征信息，有利于提取疾病共性及特异性特征；此外，本技术选择分类和预测模型为较为成熟和简单的机器学习和深度学习模型，避免在实际应用中由于微结构尺度下人脑结构和功能连接数据维度较大，而引起的不利于特征提取、特征融合及模型训练的问题。
1.一种基于多模态微结构拓扑特征的脑疾病分类模型的构建方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于多模态微结构拓扑特征的脑疾病分类模型的构建方法，其特征在于，基于神经影像处理软件对所获取的t1数据、dmri数据和fmri数据进行预处理，并获得皮层表面数据和纤维追踪数据，具体包括：
3.根据权利要求1或2所述的基于多模态微结构拓扑特征的脑疾病分类模型的构建方法，其特征在于，分别获取从弥散磁共振空间dmri到结构空间t1的转换矩阵、从功能磁共振空间fmri到结构空间t1的转换矩阵，从t1体空间到皮层空间的转换矩阵；获取从mni空间大脑分区模板template到个体结构空间t1的转换矩阵，并将mni空间的template映射到个体t1空间；利用个体空间的大脑分区模板去除t1皮层空间纤维追踪数据和fmri数据中的非大脑皮层组织数据，具体包括：
4.一种基于多模态微结构拓扑特征的脑疾病分类模型的构建装置，其特征在于，包括：
5.根据权利要求4所述的基于多模态微结构拓扑特征的脑疾病分类模型的构建装置，其特征在于，第一处理模块包括：
6.根据权利要求4或5所述的基于多模态微结构拓扑特征的脑疾病分类模型的构建装置，其特征在于，第二处理模块包括：
