第10卷第2期 智能系统学报 Vol.10 No.2 2015年4月 CAAI Transactions on Intelligent Systems Apr.2015 D0:10.3969/j.issn.1673-4785.201312043 网络出版地址：http://www.cnki.net/kcms/detail/23.1538.TP.20150302.1106.002.html 脑功能网络的MRI特征提取 及脑部疾病机器识别 黄嘉爽，梅雪，袁晓龙，李振华 (南京工业大学自动化与电气工程学院，江苏南京211816) 摘要：脑部疾病的机器识别是医学图像领域研究的热点。传统的功能磁共振图像研究方法大多只针对部分脑区。 考虑到脑功能网络具有全局性的特征，利用静息态功能磁共振图像数据，在全脑范围内使用极大重叠离散小波变 换，分别构建加权和无权脑功能网络，运用复杂网络理论对网络结构进行分析研究，提取网络聚集系数作为分类识 别的特征分量。将该文方法用于对精神分裂症患者的识别，由识别率、灵敏度、特异度表明，该方法能够提高识别效 果，且具有普遍适应性，能推广到其他脑部疾病的机器识别应用中。 关键词：功能磁共振图像：精神分裂症：复杂网络理论；特征提取；脑部疾病；机器识别 中图分类号：TP391.4文献标志码：A文章编号：1673-4785(2015)02-0248-07 中文引用格式：黄嘉爽，梅雪，袁晓龙，等.脑功能网络的MRI特征提取及脑部疾病机器识别[J].智能系统学报，2015,10(2)： 248-254. 英文引用格式：HUANG Jiashuang,MEI Xue,YUAN Xiaolong,etal.FMRI feature extraction and identification of brain diseases based on the brain functional network[J].CAAI Transactions on Intelligent Systems,2015,10(2):248-254. FMRI feature extraction and identification of brain diseases based on the brain functional network HUANG Jiashuang,MEI Xue,YUAN Xiaolong,LI Zhenhua (College of Automation and Electrical Engineering,Nanjing University of Technology,Nanjing 211816,China) Abstract:The machine recognition of brain diseases is a hotspot issue in the field of medical images.However,tra- ditional fMRI image analysis only treats part of the brain region.Considering the overall characteristics of the brain network,the maximal overlap discrete wavelet transform is used to construct weighted and binary networks based on the rest-fMRI data.The complex networks theory is applied to the network structure analysis.Finally,the clustering coefficient of the network is extracted as the characteristic component of classification identification,which allowed the separation of schizophrenia patients from normal control subjects.This method is applied to the recognition of schizophrenia in this paper.The experimental results of recognition rate,sensitivity and specificity show that this method is able to improve the effect of recognition and has the universal adaptability,which can be extended to the recognition of other brain diseases. Keywords:fMRI;schizophrenia;complex network theory;feature extraction;brain disease;machine recognition 近年来，随着静息态功能磁共振图像(rest func- 发展，研究者对大脑的探索正逐步从结构分析转为 tional magnetic resonance imaging,R-fMRI)技术的 关注脑区间的功能连接，越来越多的实验也正在探 收稿日期：2013-12-24.网络出版日期：2015-0302. 索一些精神类疾病，如阿耳滋海默氏病(Alzhei- 基金项目：国家自然科学基金资助项目(51205185) mer)、抑郁症(depression)、精神分裂症(schizophre- 通信作者：黄嘉爽E-mail:hjshdym@163.com, nia,SZ)与患者脑内功能连接存在的联系[3。机器第 １０ 卷第 ２ 期 智 能 系 统 学 报 Ｖｏｌ．１０ №．２ ２０１５ 年 ４ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ａｐｒ． ２０１５ ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１３１２０４３ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１５０３０２．１１０６．００２．ｈｔｍｌ 脑功能网络的 ｆＭＲＩ 特征提取 及脑部疾病机器识别 黄嘉爽，梅雪，袁晓龙，李振华 （南京工业大学 自动化与电气工程学院，江苏 南京 ２１１８１６） 摘 要：脑部疾病的机器识别是医学图像领域研究的热点。 传统的功能磁共振图像研究方法大多只针对部分脑区。 考虑到脑功能网络具有全局性的特征，利用静息态功能磁共振图像数据，在全脑范围内使用极大重叠离散小波变 换，分别构建加权和无权脑功能网络，运用复杂网络理论对网络结构进行分析研究，提取网络聚集系数作为分类识 别的特征分量。 将该文方法用于对精神分裂症患者的识别，由识别率、灵敏度、特异度表明，该方法能够提高识别效 果，且具有普遍适应性，能推广到其他脑部疾病的机器识别应用中。 关键词：功能磁共振图像；精神分裂症；复杂网络理论；特征提取；脑部疾病；机器识别 中图分类号：ＴＰ３９１．４ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１５）０２⁃０２４８⁃０７ 中文引用格式：黄嘉爽，梅雪，袁晓龙，等． 脑功能网络的 ｆＭＲＩ 特征提取及脑部疾病机器识别［ Ｊ］． 智能系统学报， ２０１５， １０（ ２）： ２４８⁃２５４． 英文引用格式：ＨＵＡＮＧ Ｊｉａｓｈｕａｎｇ， ＭＥＩ Ｘｕｅ， ＹＵＡＮ Ｘｉａｏｌｏｎｇ， ｅｔ ａｌ． ＦＭＲＩ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ａｎｄ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｂｒａｉｎ ｄｉｓｅａｓｅｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｂｒａｉｎ ｆｕｎｃｔｉｏｎａｌ ｎｅｔｗｏｒｋ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１５， １０（２）： ２４８⁃２５４． ＦＭＲＩ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ａｎｄ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｂｒａｉｎ ｄｉｓｅａｓｅｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｂｒａｉｎ ｆｕｎｃｔｉｏｎａｌ ｎｅｔｗｏｒｋ ＨＵＡＮＧ Ｊｉａｓｈｕａｎｇ， ＭＥＩ Ｘｕｅ， ＹＵＡＮ Ｘｉａｏｌｏｎｇ， ＬＩ Ｚｈｅｎｈｕａ （Ｃｏｌｌｅｇｅ ｏｆ Ａｕｔｏｍａｔｉｏｎ ａｎｄ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｎａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ ，Ｎａｎｊｉｎｇ ２１１８１６， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ｍａｃｈｉｎｅ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｂｒａｉｎ ｄｉｓｅａｓｅｓ ｉｓ ａ ｈｏｔｓｐｏｔ ｉｓｓｕｅ ｉｎ ｔｈｅ ｆｉｅｌｄ ｏｆ ｍｅｄｉｃａｌ ｉｍａｇｅｓ． Ｈｏｗｅｖｅｒ， ｔｒａ⁃ ｄｉｔｉｏｎａｌ ｆＭＲＩ ｉｍａｇｅ ａｎａｌｙｓｉｓ ｏｎｌｙ ｔｒｅａｔｓ ｐａｒｔ ｏｆ ｔｈｅ ｂｒａｉｎ ｒｅｇｉｏｎ ． Ｃｏｎｓｉｄｅｒｉｎｇ ｔｈｅ ｏｖｅｒａｌｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｈｅ ｂｒａｉｎ ｎｅｔｗｏｒｋ， ｔｈｅ ｍａｘｉｍａｌ ｏｖｅｒｌａｐ ｄｉｓｃｒｅｔｅ ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ ｉｓ ｕｓｅｄ ｔｏ ｃｏｎｓｔｒｕｃｔ ｗｅｉｇｈｔｅｄ ａｎｄ ｂｉｎａｒｙ ｎｅｔｗｏｒｋｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｒｅｓｔ⁃ｆＭＲＩ ｄａｔａ． Ｔｈｅ ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋｓ ｔｈｅｏｒｙ ｉｓ ａｐｐｌｉｅｄ ｔｏ ｔｈｅ ｎｅｔｗｏｒｋ ｓｔｒｕｃｔｕｒｅ ａｎａｌｙｓｉｓ． Ｆｉｎａｌｌｙ， ｔｈｅ ｃｌｕｓｔｅｒｉｎｇ ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ ｔｈｅ ｎｅｔｗｏｒｋ ｉｓ ｅｘｔｒａｃｔｅｄ ａｓ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｃｏｍｐｏｎｅｎｔ ｏｆ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ， ｗｈｉｃｈ ａｌｌｏｗｅｄ ｔｈｅ ｓｅｐａｒａｔｉｏｎ ｏｆ ｓｃｈｉｚｏｐｈｒｅｎｉａ ｐａｔｉｅｎｔｓ ｆｒｏｍ ｎｏｒｍａｌ ｃｏｎｔｒｏｌ ｓｕｂｊｅｃｔｓ． Ｔｈｉｓ ｍｅｔｈｏｄ ｉｓ ａｐｐｌｉｅｄ ｔｏ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｓｃｈｉｚｏｐｈｒｅｎｉａ ｉｎ ｔｈｉｓ ｐａｐｅｒ． Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｏｆ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ， ｓｅｎｓｉｔｉｖｉｔｙ ａｎｄ ｓｐｅｃｉｆｉｃｉｔｙ ｓｈｏｗ ｔｈａｔ ｔｈｉｓ ｍｅｔｈｏｄ ｉｓ ａｂｌｅ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｅｆｆｅｃｔ ｏｆ ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ ｈａｓ ｔｈｅ ｕｎｉｖｅｒｓａｌ ａｄａｐｔａｂｉｌｉｔｙ， ｗｈｉｃｈ ｃａｎ ｂｅ ｅｘｔｅｎｄｅｄ ｔｏ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｏｔｈｅｒ ｂｒａｉｎ ｄｉｓｅａｓｅｓ． Ｋｅｙｗｏｒｄｓ：ｆＭＲＩ； ｓｃｈｉｚｏｐｈｒｅｎｉａ； ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋ ｔｈｅｏｒｙ；ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ；ｂｒａｉｎ ｄｉｓｅａｓｅ；ｍａｃｈｉｎｅ ｒｅｃｏｇｎｉｔｉｏｎ 收稿日期：２０１３⁃１２⁃２４． 网络出版日期：２０１５ ． 基金项目：国家自然科学基金资助项目（ ５１２０ ⁃０ ５ ３ １ ⁃ ８ ０ ５ ２ ） 近年来，随着静息态功能磁共振图像（ｒｅｓｔ ｆｕｎｃ⁃ ｔｉｏｎａｌ ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ ｉｍａｇｉｎｇ ， Ｒ⁃ｆＭＲＩ） 技术的 发展，研究者对大脑的探索正逐步从结构分析转 通信作者：黄嘉爽．Ｅ⁃ｍａｉｌ： ｈｊｓｈｄｙｍ＠ １６３．ｃｏｍ． 为 关注脑区间的功能连接，越来越多的实验也正在探 索一些精神类疾病， 如阿耳滋海默氏病 （ Ａｌｚｈｅｉ⁃ ｍｅｒ）、抑郁症（ ｄｅｐｒｅｓｓｉｏｎ）、精神分裂症（ ｓｃｈｉｚｏｐｈｒｅ⁃ ｎｉａ，ＳＺ）与患者脑内功能连接存在的联系［１⁃３］ 。 机器 ．