基于sparse group Lasso方法的脑功能超网络构建与特征融合分析
2020-03-06赵云芃李欣芸刘志芬陈俊杰
计算机应用 2020年1期
李 瑶,赵云芃,李欣芸,刘志芬,陈俊杰,郭 浩
(1.太原理工大学 信息与计算机学院,山西 晋中030600; 2.太原理工大学 艺术学院,山西 晋中 030600;3.山西医科大学第一医院 精神卫生科,太原 030000)
0 引言
近年来,神经影像学技术用于探索脑区间的交互作用已经得到了越来越多的关注。低频血氧水平依赖(Blood Oxygenation Level Dependent,BOLD)信号存在显著的低频相关,可作为神经生理学指标用于静息状态功能磁共振成像(Resting-State functional Magnetic Resonance Imaging, RS-fMRI)来检测静息状态下的脑自发活动[1]。该自发活动可通过BOLD信号的时间相关性来量化,进而将其表征为脑网络。复杂的脑网络研究有助于阐明神经精神疾病的机制,并有可能提供相关的成像标记,为临床脑疾病的诊断和评估提供新的视角[2],因此,脑功能网络已成功地用于研究脑疾病的研究,包括癫痫、抑郁症、阿尔茨海默症、精神分裂症等。
传统的网络模型大多都是捕捉两个脑区间的信息。然而,已有研究表明在人脑交互活动中,不仅两个脑区间存在联系,多个脑区间也同样存在直接交互信息[3]。为了弥补传统网络的不足,超网络被提出[4]。超网络基于超图理论,区别于传统网络,其节点表示脑区,超边表示多个脑区间的直接交互,是对传统的延伸。近年来,超图已成功地应用于各种各样的医疗影像领域包括图像分割以及分类[5-6]。Liu等[5]使用视图对齐超图学习方法对阿尔兹海默症中得到的不完整的多模态数据进行分类诊断。彭瑶等[6]提出一种基于超图的多模态特征选择算法来改善原有方法对脑疾病的诊断。……
登录APP查看全文
