基于频率排序的判别子图筛选及在精神分裂症分类中的应用

【目的】从脑网络中提取准确的判别性特征作为分类特征,可以提高SCZ的分类准确率,避免依靠量表的主观诊断造成缺陷。传统的脑网络特征如介数、聚类系数等丢失了拓扑信息,最小生成树丢失了部分脑区连接,子图虽然保留了拓扑信息,但传统的判别子图的筛选会产生部分冗余信息,进而影响分类准确率。【方法】提出一种基于频率排序的判别子图的筛选方法(frequently scoring screen, FSS),使用FSS筛选判别子图,在不损失原有判别信息的情况下,消除冗余信息。使用OpenfMRI的公开数据,对比了使用不同特征和不同分类算法的分类性能。【结果】FSS特征的分类性能优于其他传统脑网络特征,且该特征不受分类算法影响,分类准确率优于已有SCZ分类文献。

基于超网络判别子图的阿尔兹海默症分类

现有的超网络模型仅将局部脑区指标作为特征,忽略了网络的全局拓扑信息,导致分类性能降低。因此,提出一种基于判别子图的超网络功能磁共振影像分类方法,在构建超网络的基础上,将判别子图作为特征,采用基于图核的支持向量机分类器进行分类。该方法可以反应多个脑区之间的交互作用,不丢失网络的全局拓扑信息。通过对阿尔兹海默症患者和正常被试数据集进行分类,验证了该方法的有效性。