1.一种基于脑影像的精神疾病评估方法,其特征在于,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。
2.根据权利要求1所述的基于脑影像的精神疾病评估方法,其特征在于,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。
3.根据权利要求1所述的基于脑影像的精神疾病评估方法,其特征在于,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。
4.根据权利要求1所述的基于脑影像的精神疾病评估方法,其特征在于,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。
5.根据权利要求1所述的基于脑影像的精神疾病评估方法,其特征在于,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。
6.根据权利要求1所述的基于脑影像的精神疾病评估方法,其特征在于,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Xs,1≤s≤T,T表示随机下采样次数;
(3)判别特征识别:基于特征选择算法方法和子数据集Xs,挖掘具有显著组间差异的特征作为判别特征;特征选择算法采用基于统计的方法、基于相似度的方法、基于信息论的方法、基于稀疏学习的方法;
(4)子数据集Xs中各类的代表被试选取:基于Xs及其判别特征,为各类被试选取一个代表被试。令 其中 表示Xs中属于第k类的被试集合,则Xs中第k类的代表被试表示为
其中,
表示 中被试xi的局部密度;Ne(xi)表示被试xi在 内的近邻被试;
表示 中被试xi距离异类被试的平均距离;d(xi,xj)表示被试xi和被试xj的距离;q为指定参数;|·|表示集合的势;
(5)待诊断被试与子数据集Xs各类代表被试的相关性度量:令z表示待诊断被试,由一组脑影像特征表示,基于Xs的判别特征计算 用于表示待诊断被试z与Xs中第k类代表被试的相关性:
(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,计算用于表示z与第k类典型被试的综合相关性:(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: