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。     

基于链路预测的脑功能网络重构方法及应用

【目的】传统的静息态功能磁共振成像脑网络构建方法可能存在虚假链接或者缺失边，网络表达不够准确，重复测量的稳定性有待进一步提高。【方法】基于3种局部信息指标和4种节点定义策略，将链路预测算法用于脑功能网络重构，并利用两组测试数据对重构网络拓扑指标的可靠性进行分析。【结果】实验结果表明，重构网络提高了重复测量的稳定性。此外，利用重构网络对阿尔兹海默症(alzheimer’s disease, AD)患者脑网络进行组间差异分析，结果发现重构网络存在显著的组间差异，符合已有研究结果。