基于多重比较功能连接矩阵的疾病预测系统的制作方法

1.本发明涉及神经影像数据分析领域，尤其涉及一种基于多重比较功能连接矩阵的疾病预测系统。


背景技术：

2.近年来，医疗，经济，科技等方面的发展速度越来越快，人民的生活水平以及平均寿命也随之不断提高。然而，随之而来的越来越大的竞争压力也给人民带来了具体的精神压力，越来越多的人受到精神疾病的困扰。如今，越来越多的临床医生和研究学者们关注与如何更快更好地发现，诊断，治疗精神疾病。
3.功能磁共振成像（functional magnetic resonance imaging，fmri）是目前应用最为广泛的脑功能成像技术之一。由于无创、时空分辨率均衡、可重复性高、可全脑成像等优点，fmri已被广泛应用于临床医学、认知神经科学、精神疾病等领域，为脑认知、脑发育、脑老化以及脑疾病的机制探索和临床评估提供了关键的技术手段，具有重要的临床价值。静息态功能磁共振成像（resting state functional magnetic resonance imaging，rs-fmri）反映了大脑在没有任务时的神经基准活动，是研究脑认知功能的重要技术手段，被广泛应用于脑功能，特别是脑网络连接的研究之中，为神经疾病，如自闭症，癫痫，阿尔茨海默症等的研究提供了强大的助力。
4.基于静息态功能磁共振成像信号，经过一系列特定的计算可以得到功能连接（functional connectivity，fc）。功能连接对可以有效地评估不同脑区之间的功能关联的程度，研究者们通常将其作为精神疾病分类的重要特征。
5.由静息态功能磁共振成像信号进行精神疾病预测分类的一般流程为：1）选择现有的脑区模板，如aal（automated anatomical labeling）；2）使用所选择的脑区模板对被试的各个脑区的时间信号进行提取，一般取脑区所有信号的平均值作为该脑区的信号；3）根据提取得到的各个脑区的平均时间信号来计算功能连接矩阵，常规方法是计算两两脑区静息态功能磁共振成像时间信号的皮尔逊相关系数（pearson correlation coefficient），进而计算得到所有两两脑区的相关系数（correlation, cor）矩阵作为功能连接矩阵；4）将每个被试的功能矩阵向量化为一维向量，一般只取右上角元素；5）对向量化后的结果进行特征选择，选择出对表型预测有益的特征；6）将特征选择之后的结果作为机器学习模型或者深度学习模型的输入，以进行疾病预测。
6.如上所述，计算两两脑区的rs-fmri时间信号的皮尔逊相关系数（pearson correlation coefficient）是计算功能连接的常用方法，依次可以计算得到所有脑区的相关系数（correlation, cor）矩阵。皮尔逊相关系数的取值范围为-1到1，相关系数为1时，表示两个脑区时间信号完全正相关，当相关系数为-1时，表示两个脑区时间信号完全负相关，当相关系数为0时，表示两个脑区时间信号不相关。在基于皮尔逊相关系数计算功能连接的过程中，一般常用的假设是各个脑区之间的信号是同步的。对于两个同步信号，皮尔逊相关系数可以很好地反应两个信号之间的相关程度。当满足特定时间段内大脑功能稳定，且不
同脑区功能信号同步的假设时，皮尔逊相关系数可以很好地反应不同脑区功能信号之间的相似性。然而研究表明，功能连接是会随着时间改变的，而且不同脑区信号可能会存在先后关系，并非所有的脑区的信号都是完全同步的。对于特定疾病，特定响应的脑区之间信号的相似性可以作为该疾病预测的特征，然而由于信号的非同步性，使用皮尔逊相关系数无法准确地反应脑区之间的信号的相似性，从而该功能连接无法对疾病的预测起到应有的作用，从而会导致精神疾病预测分类的准确度下降。


技术实现要素：

7.本发明的目的在于针对现有技术的不足，提出一种基于多重比较功能连接矩阵的疾病预测系统。
8.本发明的目的是通过以下技术方案来实现的：根据本发明实施例的第一方面，提供了一种基于多重比较功能连接矩阵的疾病预测系统，包括疾病预测设备和存储设备；其中，所述存储设备用于存储用户的静息态功能磁共振图像数据；所述疾病预测设备，包括：
9.被试获取及预处理模块，用于从所述存储设备获取若干个被试预处理后的静息态功能磁共振图像；
10.脑区时间序列提取模块，用于利用脑影像图谱对每个被试的预处理数据提取每个脑区的时间序列；
11.功能连接值计算模块，用于计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；具体为：选取每个被试的任意两个脑区的时间序列，分别记为时间序列x和时间序列y；直接计算时间序列x和时间序列y之间的皮尔逊相关系数，分别去除时间序列x头部和时间序列y尾部的n个信号值计算皮尔逊相关系数和/或分别去除时间序列x尾部和时间序列y头部的n个信号值计算皮尔逊相关系数以及改变n值计算皮尔逊相关系数，并将计算得到的所有皮尔逊相关系数进行比较，取绝对值最大的皮尔逊相关系数值作为这两个时间序列之间的功能连接值；依此计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；
12.疾病预测模块，用于以功能连接矩阵为特征进行疾病预测。
13.进一步地，所述被试获取及预处理模块中，静息态功能磁共振图像的预处理过程为：结构像去脑壳、头动矫正、时间对齐、空间平滑、图像配准和空间标准化。
14.进一步地，所述脑区时间序列提取模块中，脑影像图谱包括脑解剖图谱、脑功能图谱和多模态脑图谱。
15.进一步地，所述脑区时间序列提取模块中，基于aal模板、 brodmann模板或yeo 2011模板进行每个脑区时间序列的提取。
16.进一步地，所述脑区时间序列提取模块中，基于aal模板进行每个脑区时间序列的提取。
17.进一步地，所述疾病预测模块中，以功能连接矩阵为特征，输入到机器学习模型或者深度学习模型中，进行疾病预测。
18.进一步地，所述疾病预测模块中，以功能连接矩阵为特征作为分类器的输入，用于疾病预测。
19.进一步地，所述分类器包括线性svc分类器和逻辑回归分类器。
20.根据本发明实施例的第二方面，提供了一种电子设备，包括存储器和处理器，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现以下方法：
21.获取若干个被试预处理后的静息态功能磁共振图像；
22.利用脑影像图谱对每个被试的预处理数据提取每个脑区的时间序列；
23.计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；具体为：选取每个被试的任意两个脑区的时间序列，分别记为时间序列x和时间序列y；直接计算时间序列x和时间序列y之间的皮尔逊相关系数，分别去除时间序列x头部和时间序列y尾部的n个信号值计算皮尔逊相关系数和/或分别去除时间序列x尾部和时间序列y头部的n个信号值计算皮尔逊相关系数以及改变n值计算皮尔逊相关系数，并将计算得到的所有皮尔逊相关系数进行比较，取绝对值最大的皮尔逊相关系数值作为这两个时间序列之间的功能连接值；依此计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；n为正整数；
24.以功能连接矩阵为特征进行疾病预测。
25.根据本发明实施例的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现以下方法：
26.获取若干个被试预处理后的静息态功能磁共振图像；
27.利用脑影像图谱对每个被试的预处理数据提取每个脑区的时间序列；
28.计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；具体为：选取每个被试的任意两个脑区的时间序列，分别记为时间序列x和时间序列y；直接计算时间序列x和时间序列y之间的皮尔逊相关系数，分别去除时间序列x头部和时间序列y尾部的n个信号值计算皮尔逊相关系数和/或分别去除时间序列x尾部和时间序列y头部的n个信号值计算皮尔逊相关系数以及改变n值计算皮尔逊相关系数，并将计算得到的所有皮尔逊相关系数进行比较，取绝对值最大的皮尔逊相关系数值作为这两个时间序列之间的功能连接值；依此计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；n为正整数；
29.以功能连接矩阵为特征进行疾病预测。
30.本发明的有益效果是：本发明通过对时间序列进行相应特定截取之后进行多次皮尔逊相关系数的计算及比较，从而计算得到一种可更好地反应不同脑区功能信号之间的相关关系的功能连接矩阵。以计算得到的功能连接矩阵为特征进行精神疾病预测，可以大大提高疾病预测的准确率。
附图说明
31.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
32.图1是本发明疾病预测系统中的疾病预测设备执行步骤的流程图；
33.图2是对abide数据集整体随机打乱拆分测试集和训练集，在测试集上的预测结果的auc箱线图；
34.图3为本发明中疾病预测设备的示意图；
2011模板进行每个脑区时间序列的提取；优选地，选择aal模板进行每个脑区时间序列的提取。aal模板共包含116个脑区，提取时间序列之后，得到l*116的时间序列矩阵，其中l表示静息态功能磁共振影像的时间序列长度。
49.对于每个被试，使用其时间序列矩阵，首先基于原始信号计算两两脑区时间序列之间的皮尔逊相关系数p0，皮尔逊相关系数的计算公式如下： 50.其中p表示皮尔逊相关系数，表示其中一个脑区的时间序列x的第i个时间点信号，表示另外一个脑区的时间序列y的第i个时间点信号，表示时间序列x的平均值，表示时间序列y的平均值，i=1，2，
…
，n，n表示时间序列信号的数量。
51.对于所选的时间序列x，时间序列y，依次去除时间序列x头部的1,2,3,4,5个信号值，并对应地依次去除时间序列y尾部的1,2,3,4,5个信号值，即依次假设时间序列x比时间序列y延迟1,2,3,4,5个采样间隔，基于去除若干信号值之后的时间序列x，时间序列y使用上述公式计算皮尔逊相关系数，得到5个不同的皮尔逊相关系数p
x1
, p
x2
, p
x3
, p
x4
, p
x5
；p
x1
为去除时间序列x头部的1个信号值和去除时间序列y尾部的1个信号值所计算得到的皮尔逊相关系数；p
x2
为去除时间序列x头部的2个信号值和去除时间序列y尾部的2个信号值所计算得到的皮尔逊相关系数；p
x3
为去除时间序列x头部的3个信号值和去除时间序列y尾部的3个信号值所计算得到的皮尔逊相关系数；p
x4
为去除时间序列x头部的4个信号值和去除时间序列y尾部的4个信号值所计算得到的皮尔逊相关系数；p
x5
为去除时间序列x头部的5个信号值和去除时间序列y尾部的5个信号值所计算得到的皮尔逊相关系数。
52.对于所选的时间序列x，时间序列y，依次去除时间序列y头部的1,2,3,4,5个信号值，并对应地去除时间序列x尾部的1,2,3,4,5个信号值，即依次假设时间序列y比时间序列x延迟1,2,3,4,5个采样间隔，基于去除若干信号值之后的时间序列x，时间序列y使用上述公式计算皮尔逊相关系数，得到5个不同的皮尔逊相关系数p
y1
, p
y2
, p
y3
, p
y4
, p
y5
；p
y1
为去除时间序列x尾部的1个信号值和去除时间序列y头部的1个信号值所计算得到的皮尔逊相关系数；p
x2
为去除时间序列x尾部的2个信号值和去除时间序列y头部的2个信号值所计算得到的皮尔逊相关系数；p
x3
为去除时间序列x尾部的3个信号值和去除时间序列y头部的3个信号值所计算得到的皮尔逊相关系数；p
x4
为去除时间序列x尾部的4个信号值和去除时间序列y头部的4个信号值所计算得到的皮尔逊相关系数；p
x5
为去除时间序列x尾部的5个信号值和去除时间序列y头部的5个信号值所计算得到的皮尔逊相关系数。
53.对于计算得到11个皮尔逊相关系数，p0, p
x1
, p
x2
, p
x3
, p
x4
, p
x5
, p
y1
, p
y2
, p
y3
, p
y4
, p
y5
,取其中的绝对值最大的相关系数值作为这两个时间序列最终的功能连接值。
54.按照上述方式，依次计算两两脑区之间的功能连接值，得到功能连接矩阵fc。
55.对计算的得到的功能连接矩阵，将其不包含对角线的下三角元素向量化为一维特征。
56.对功能连接矩阵进行向量化操作后，再使用过滤法进行特征选择。优选地，使用f检验，对于向量化后的每个特征，基于类别标签，计算方差分析的f值，f值越大，表明该特征与类别预测越相关。设定阈值，选择f值较大的特征。优选地，将所有特征f值的5%分位数作
为阈值，选择得到5%的特征，特征选择之后的特征维度为866*340。
57.相应地，仅仅基于p0，计算原始功能连接矩阵，记为fc_ori，作为基准值，并做相同的向量化，特征选择。
58.对所有被试，将fc_ori与fc向量化，特征选择之后的结果分别当做预测特征进行相同如下处理：将所有特征按被试随机打乱，并拆分成测试集（75%）和训练集（25%），将训练集用于分类器（本实施选用线性svc分类器）训练，训练完成后，在测试集上进行预测，计算测试集的auc（area under the roc curve）值。重复上述处理步骤50次，分别取以fc_ori与fc为特征在测试集上得到的auc值，绘制箱线图，计算均值并使用t检验验证两种预测结果的均值差异，从而验证该方法得到的fc对于疾病预测效果的提升。所使用的分类器包括线性svc分类器和逻辑回归分类器；优选地，所使用的分类器为线性svc分类器，其主要参数设置为：正则化参数为l1，损失函数为squared_hinge，损失函数的惩罚系数为1，停止迭代的容许偏差为0.0001，最大迭代次数为1000。
59.基于fc_ori与fc，其在预测集上50次预测结果的auc的分布如图2所示，其均值如下所示：
60.将基于fc_ori与fc在预测集上进行50次测试结果得到的auc值进行t检验计算，计算得到的t值为-10.774，p值为2.545e-18。
61.由箱线图，均值及t检验结果可知，以本发明提出的方法得到的功能连接为特征进行表型预测预测，可以有效提高其预测效果。
62.相应的，第二方面，本技术还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现以下方法：
63.获取若干个被试预处理后的静息态功能磁共振图像；
64.利用脑影像图谱对每个被试的预处理数据提取每个脑区的时间序列；
65.计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；具体为：选取每个被试的任意两个脑区的时间序列，分别记为时间序列x和时间序列y；直接计算时间序列x和时间序列y之间的皮尔逊相关系数，分别去除时间序列x头部和时间序列y尾部的n个信号值计算皮尔逊相关系数和/或分别去除时间序列x尾部和时间序列y头部的n个信号值计算皮尔逊相关系数以及改变n值计算皮尔逊相关系数，并将计算得到的所有皮尔逊相关系数进行比较，取绝对值最大的皮尔逊相关系数值作为这两个时间序列之间的功能连接值；依此计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；n为正整数；
66.以功能连接矩阵为特征进行疾病预测。
67.如图4所示，为本发明实施例提供的具备数据处理能力的设备的一种硬件结构图，除了图4所示的处理器、内存以及网络接口之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
68.相应的，第三方面，本技术还提供一种计算机可读存储介质，其上存储有计算机指
令，该指令被处理器执行时实现以下方法：
69.获取若干个被试预处理后的静息态功能磁共振图像；
70.利用脑影像图谱对每个被试的预处理数据提取每个脑区的时间序列；
71.计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；具体为：选取每个被试的任意两个脑区的时间序列，分别记为时间序列x和时间序列y；直接计算时间序列x和时间序列y之间的皮尔逊相关系数，分别去除时间序列x头部和时间序列y尾部的n个信号值计算皮尔逊相关系数和/或分别去除时间序列x尾部和时间序列y头部的n个信号值计算皮尔逊相关系数以及改变n值计算皮尔逊相关系数，并将计算得到的所有皮尔逊相关系数进行比较，取绝对值最大的皮尔逊相关系数值作为这两个时间序列之间的功能连接值；依此计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；n为正整数；
72.以功能连接矩阵为特征进行疾病预测。
73.所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（smart media card，smc）、sd卡、闪存卡（flash card）等。进一步的，所述计算机可读存储介还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
74.本领域内的技术人员应明白，本技术的实施例可提供为系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
75.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
76.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
77.以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。
78.本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识
或惯用技术手段。说明书和实施例仅被视为示例性的。
79.应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。

技术特征：
1.一种基于多重比较功能连接矩阵的疾病预测系统，其特征在于，包括疾病预测设备和存储设备；其中，所述存储设备用于存储用户的静息态功能磁共振图像数据；所述疾病预测设备，包括：被试获取及预处理模块，用于从所述存储设备获取若干个被试预处理后的静息态功能磁共振图像；脑区时间序列提取模块，用于利用脑影像图谱对每个被试的预处理数据提取每个脑区的时间序列；功能连接值计算模块，用于计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；具体为：选取每个被试的任意两个脑区的时间序列，分别记为时间序列x和时间序列y；直接计算时间序列x和时间序列y之间的皮尔逊相关系数，分别去除时间序列x头部和时间序列y尾部的n个信号值计算皮尔逊相关系数和/或分别去除时间序列x尾部和时间序列y头部的n个信号值计算皮尔逊相关系数以及改变n值计算皮尔逊相关系数，并将计算得到的所有皮尔逊相关系数进行比较，取绝对值最大的皮尔逊相关系数值作为这两个时间序列之间的功能连接值；依此计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；n为正整数；疾病预测模块，用于以功能连接矩阵为特征进行疾病预测。2.根据权利要求1所述的一种基于多重比较功能连接矩阵的疾病预测系统，其特征在于，所述被试获取及预处理模块中，静息态功能磁共振图像的预处理过程为：结构像去脑壳、头动矫正、时间对齐、空间平滑、图像配准和空间标准化。3.根据权利要求1所述的一种基于多重比较功能连接矩阵的疾病预测系统，其特征在于，所述脑区时间序列提取模块中，脑影像图谱包括脑解剖图谱、脑功能图谱和多模态脑图谱。4.根据权利要求1所述的一种基于多重比较功能连接矩阵的疾病预测系统，其特征在于，所述脑区时间序列提取模块中，基于aal模板、brodmann模板或yeo 2011模板进行每个脑区时间序列的提取。5.根据权利要求1所述的一种基于多重比较功能连接矩阵的疾病预测系统，其特征在于，所述脑区时间序列提取模块中，基于aal模板进行每个脑区时间序列的提取。6.根据权利要求1所述的一种基于多重比较功能连接矩阵的疾病预测系统，其特征在于，所述疾病预测模块中，以功能连接矩阵为特征，输入到机器学习模型或者深度学习模型中，进行疾病预测。7.根据权利要求1所述的一种基于多重比较功能连接矩阵的疾病预测系统，其特征在于，所述疾病预测模块中，以功能连接矩阵为特征作为分类器的输入，用于疾病预测。8.根据权利要求7所述的一种基于多重比较功能连接矩阵的疾病预测系统，其特征在于，所述分类器包括线性svc分类器和逻辑回归分类器。9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现以下方法：获取若干个被试预处理后的静息态功能磁共振图像；利用脑影像图谱对每个被试的预处理数据提取每个脑区的时间序列；计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；具体为：选取每
个被试的任意两个脑区的时间序列，分别记为时间序列x和时间序列y；直接计算时间序列x和时间序列y之间的皮尔逊相关系数，分别去除时间序列x头部和时间序列y尾部的n个信号值计算皮尔逊相关系数和/或分别去除时间序列x尾部和时间序列y头部的n个信号值计算皮尔逊相关系数以及改变n值计算皮尔逊相关系数，并将计算得到的所有皮尔逊相关系数进行比较，取绝对值最大的皮尔逊相关系数值作为这两个时间序列之间的功能连接值；依此计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；n为正整数；以功能连接矩阵为特征进行疾病预测。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现以下方法：获取若干个被试预处理后的静息态功能磁共振图像；利用脑影像图谱对每个被试的预处理数据提取每个脑区的时间序列；计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；具体为：选取每个被试的任意两个脑区的时间序列，分别记为时间序列x和时间序列y；直接计算时间序列x和时间序列y之间的皮尔逊相关系数，分别去除时间序列x头部和时间序列y尾部的n个信号值计算皮尔逊相关系数和/或分别去除时间序列x尾部和时间序列y头部的n个信号值计算皮尔逊相关系数以及改变n值计算皮尔逊相关系数，并将计算得到的所有皮尔逊相关系数进行比较，取绝对值最大的皮尔逊相关系数值作为这两个时间序列之间的功能连接值；依此计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；n为正整数；以功能连接矩阵为特征进行疾病预测。

技术总结
本发明公开了一种基于多重比较功能连接矩阵的疾病预测系统，该系统包括疾病预测设备和存储设备；存储设备用于存储静息态功能磁共振图像数据；疾病预测设备包括：被试获取及预处理模块用于获取静息态功能磁共振图像；脑区时间序列提取模块用于提取每个脑区的时间序列；功能连接值计算模块用于计算每个被试的所有两两脑区之间的功能连接值，得到功能连接矩阵；疾病预测模块，用于以功能连接矩阵为特征进行疾病预测。本发明通过取两两信号在不同状态下的最大相关系数从而更好地体现不同脑区功能信号之间的相关性，减弱不同脑区功能信号的非同步性及功能连接的动态变化对功能连接矩阵的影响，可以大大提高疾病预测的准确率。可以大大提高疾病预测的准确率。可以大大提高疾病预测的准确率。


技术研发人员：李军 李劲松 姚廷格 吴晗 周天舒
受保护的技术使用者：之江实验室
技术研发日：2023.08.22
技术公布日：2023/9/16