(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210385334.X (22)申请日 2022.04.13 (71)申请人 成都中医药大学 地址 610075 四川省成 都市十二 桥路37号 申请人 西安电子科技大 学 (72)发明人 赵凌　全诗兰　赵得胜　王潇　 刘继欣　 (74)专利代理 机构 陕西电子 工业专利中心 61205 专利代理师 田文英　王品华 (51)Int.Cl. G06T 5/00(2006.01) G06T 7/00(2017.01) G06T 7/33(2017.01) G06V 10/762(2022.01)G06V 10/764(2022.01) G06K 9/62(2022.01) A61B 5/055(2006.01) A61B 5/00(2006.01) (54)发明名称 基于偏最小二乘相关的fMRI图像聚类系统 及方法 (57)摘要 本发明提出了一种基于偏最小二乘相关的 fMRI图像聚类系统及方法， 实现步骤为： 对每张 fMRI图像进行预处理； 在每张预处理后fMRI图像 上计算功能连接特征， 得到功能连接特征矩阵； 对量表数据进行预处理， 得到量表特征矩阵； 使 用偏最小二乘相关方法， 在功能连接特征矩阵和 量表特征矩阵上计算大脑表征特征； 使用大脑表 征特征矩阵对待聚类的fMRI图像进行聚类。 本发 明利用偏最小二乘相关对fMRI图像特征和量表 特征计算大脑表征特征来聚类fMRI图像， 能够得 到稳定的聚类结果， 具有方法适用性广、 聚类特 征可解释性强、 聚类结果稳定性高的优点。 权利要求书3页 说明书7页 附图2页 CN 114742731 A 2022.07.12 CN 114742731 A 1.一种基于偏最小二乘相关的fMRI图像聚类系统， 其特征在于， 包括图像预处理模块， 图像特征计算模块、 量表特 征处理模块、 偏最小二乘相关计算模块， 图像聚类模块， 其中： 所述图像预处理模块， 用于对待聚类图像集中的每张fMRI图像进行空间标准化处理； 将空间标准化后的fMRI图像配准到MNI标准脑模板上， 并对标准脑模板上的该图像进行高 斯平滑处理； 对每张平滑后的fMRI图像进行去线性漂移后， 再进行频段为0.01 ‑0.1Hz的带 通滤波， 以滤除生理噪声的影响； 对每张带通滤波后的fMRI图像依次进 行白质信号、 脑 脊液 信号以及头动参数的协变量回归处 理， 得到预处 理后的fMRI图像； 所述图像特征计算模块， 用于将每张预处理后的fMRI图像 中具有大脑相似功能作用的 体素点， 组成该图像的感兴趣区域； 取每个感兴趣区域内所有像素点在每个时间点的BOLD 数据平均值， 将所有 时间点的平均BOLD数据组成该区域的BOLD数据序列； 计算每张图像中 所有BOLD数据序列中的任意两个BOLD序列之间的皮尔逊相关系数值， 将每张图像中所有 BOLD数据序列的相关系数值存成相关系数矩阵； 对每张图像的相关系数矩阵进 行Fisher  Z 变换， 取出变换后的相关系 数矩阵的上半三角矩阵中的所元素， 组成该张图像的功 能连接 特征集合； 对每个功 能连接特征集合中每个功能连接特征依 次进行年龄、 性别的协变量回 归处理后， 将所有被试者的功能连接特征集合进行合并， 得到所有被试者的功能连接特征 矩阵X， X的行数表示所有被试者的人数， 列数表示每个被试者功能连接特征集合里的特征 数； 所述量表特征处理模块， 用于保留所有量表数据中被试者的大脑静息态有用信息， 对 被试者大脑静息态无关信息进行协变量回归， 得到所有被试者的量表特征矩阵Y， Y的行表 示所有被试者， 列表示每 个被试者量表中的数据； 所述偏最小二乘相关计算模块， 用于使用偏最小二乘相关计算大脑表征特征： 对功能 连接特征矩阵X和量表特征矩阵中Y的每一列元素分别进行标准正态化， 使两个矩阵的每一 列的元素值均为0， 方差为1； 计算标准正态化后的矩阵X和Y之间的协方差矩阵R； 对协方差 矩阵R进行奇异值分解， 得到左奇异矩阵U和右奇异矩阵V； 将功能连接特征矩阵X投射到右 奇异矩阵V上， 结合置换检验 计算大脑表征特征矩阵LX＝XV， LX的行表示 所有被试者， 列表示 每个被试者的大脑 表征特征； 所述的图像聚类模块， 用于使用大脑表征特征矩阵LX对待聚类图像集中的所有的fMRI 图像进行层次聚类， 将所有图像划分为N类， N的取值由聚类指标确定； 计算每类fMRI图像的 质心， 计算每类中所有图像的大脑表征特征均值， 得到一组大脑表征特征作为该类fMRI图 像的质心。 2.根据权利要求1所述聚类系统的一种基于偏最小二乘相关的fMRI图像聚类方法， 其 特征在于使用偏最小二乘相关计算大脑表征特征， 使用大脑表征特征矩阵对待聚类的fMRI 图像进行聚类， 该聚类方法的步骤 包括如下： 步骤1， 对每张fMRI图像进行 预处理： 步骤1.1， 图像预处理模块对待聚类图像集中的每 张fMRI图像进行空间标准化处理； 将 空间标准化后的fMRI图像配准到MNI标准脑模板上， 并对标准脑模板上的该图像进行高斯 平滑处理； 步骤1.2， 图像预处理模块对每张平滑后的fMRI图像进行去线性漂移后， 再进行频段为 0.01‑0.1Hz的带通滤波， 以滤除生理噪声的影响；权　利　要　求　书 1/3 页 2 CN 114742731 A 2步骤1.3， 图像预处理模块对每张带通滤波后的fMRI图像依次进行白质信号、 脑脊液信 号以及头动参数的协变量回归处 理， 得到预处 理后的fMRI图像； 步骤2， 计算每张预处 理后fMRI图像的功能连接特 征： 步骤2.1， 图像特征计算模块将每张预处理后的fMRI 图像中具有大脑相似功能作用的 体素点， 组成该图像的感兴趣区域； 步骤2.2， 图像特征计算模块取每个感兴趣区域内所有像素点在每个时间点的BOLD数 据平均值， 将所有时间点的平均BOLD数据组成该区域的BOLD数据 序列； 步骤2.3， 图像特征计算模块计算每张图像中所有BOLD数据序列中的任意两个BOLD序 列之间的皮尔逊相关系数值， 将 每张图像中所有BOLD数据序列的相关系数值存成相关系数 矩阵； 步骤2.4， 图像特征计算模块对每 张图像的相关系数矩阵进行Fisher  Z变换， 取出变换 后的相关系数矩阵的上半三角矩阵中的所 元素， 组成该张图像的功能连接特 征集合； 步骤2.5， 图像特征计算模块对每个功能连接特征集合中每个功能连接特征依次进行 年龄、 性别的协变量回归处理后， 将所有被试者的功能连接特征集合进 行合并， 得到所有被 试者的功能连接特征矩阵X， X的行数表示所有被试者的人数， 列数表示每个被试者功能连 接特征集合里的特 征数； 步骤3， 对量表数据进行 预处理： 量表特征处理模块保留所有量表数据中被试者的大脑静息态有用信 息， 对被试者大脑 静息态无关信息进行协变量回归， 得到所有被试者的量表特征矩阵Y， Y的行表示所有被试 者， 列表示每 个被试者量表中的数据； 步骤4， 使用偏最小二乘相关计算大脑 表征特征： 步骤4.1， 偏最小二乘相关计算模块对功能连接特征矩阵X和量表特征矩阵中Y的每一 列元素分别进行 标准正态化， 使两个矩阵的每一列的元 素值均为0， 方差为1； 步骤4.2， 偏最小二乘相关计算模块计算标准正态化后的矩阵X和Y之间的协方差矩阵 R； 步骤4.3， 对协方差矩阵R进行奇异值分解， 得到左奇异 矩阵U和右奇异 矩阵V； 步骤4.4， 将功能连接特征矩阵X投射到右奇异矩阵V上， 结合置换检验计算大脑表征特 征矩阵LX＝XV， LX的行表示所有被试者， 列表示每 个被试者的大脑 表征特征； 步骤5， 使用大脑 表征特征矩阵对待聚类的fMRI图像进行聚类。 步骤5.1， 图像聚类模块使用大脑表征特征矩阵LX对待聚类图像集中的所有fMRI图像进 行层次聚类， 将所有图像划分为 N类， N的取值由聚类指标确定； 步骤5.2， 图像聚类模块计算每类fMRI图像的质心， 计算每类 中所有图像的大脑表征特 征均值， 得到一组大脑 表征特征作为该类fMRI图像的质心。 3.根据权利要求2所述的基于偏最小二乘相关的fMRI图像聚类方法， 其特征在于， 步骤 1.1中所述待聚类图像集指的是， 由至少100张的大脑静息态fMRI图像及其对应的量表数据 组成待聚类图像集； 每张大脑静息态fMRI图像对应一个被试者， 每张大脑静息态fMRI图像 是通过在至少200个时间点上对每个被试者进行三维大脑核磁共振扫描而成； 每张图像的 格式均为.nii， 其中， 第一个维度 表示时间点， 其余的三个维度 表示大脑静息态fMRI图像中 每个像素点在三 维空间的坐标位置； fMRI图像中的每个像素值代表该像素在其对应时间点权　利　要　求　书 2/3 页 3 CN 114742731 A 3