【分类】DWI将每个个体处理到链接矩阵之后做组分析的几个方法

注：本博客仅记录与分类相关的DWI分析方法，内容来源于阅读的论文，每个方法介绍时会把论文链接放在开头。

文章目录

• 使用矩阵计算得出新的加权强度
• • • 使用该方法的论文1
    • • 论文步骤：
      • 论文总结
• 论文2

使用矩阵计算得出新的加权强度

【指导论文】：A weighted communicability measure applied to complex brain networks

背景：DWI非侵入式检测很适用于衡量微观结构的变化并且已经取得很好的效果。

问题：脑部两个节点之间的连接的权重应该怎么计算？
脑部连接与现实通信的相同点与不同之处：（这也是文章提出新的权重计算方法的依据所在）
相同：都是网络的拓扑结构；信息在这些拓扑结构之间传播。

不同：脑部信息不一定沿着最短路径传播 也就是说明节点之间的通讯强度也许并非是直接相连就一定强。

当前方法：仅仅考虑点之间的长度进行加权。

缺点：忽视了实体信息传播。

在神经网络中，看似两个不相连的点，但是这两个点都有自己连接的点，实际上却有可能是相关联的。

如果直接相连那么记为1，如果中间隔了一个点相连那么记为2，并且加上一个惩罚因子，这样一来，所有相关的连接之间都有贡献度，而并非仅仅一条通路进行节点权重判断。

策略：数学中一般都会使用自然对数进行处理，那么本文也使用了相同的方法，但是考虑到一个问题：如果测量的权重本身就不稳定，那么结果也不会太精确，于是想了一个办法（这个办法我具体也不知道为为什么这么干，可能是跟线性代数里面的正定矩阵有关系？）于是就提出了一个公式：

使用该方法对结果进行测评：

从结果中可以说明该方法确实有效。

使用该方法的论文1

Communicability Characterization of Structural DWI Subcortical Networks in Alzheimer’s Disease
使用的是DWI对HC和AD进行分类，其方法是得到连接矩阵，选择出左右共12个部分脑区的连接矩阵，然后使用上面所提到的方法对连接矩阵进行变换，然后使用RF进行分类。

关于怎么得到白质纤维束追踪和连接矩阵，有两个工具，一个是AFQ，很久的方法，也很稳定；另一个是Mrtrix软件，这款软件是20年新出的，功能效果也都不错，本人也亲自试了一下追踪效果，详情见博客：使用Mrtrix进行白质纤维束追踪

论文步骤：

1、DWI处理Pipeline

下面是通过第一篇论文中的方法得到的连接矩阵图：

下图是用随机森林进行分类的结果

论文总结

本论文只是在得到连接矩阵之后，对选择出来的脑区连接矩阵使用矩阵变换的方法进行测评，并且将这些特征值用于机器学习的分类算法。

论文2

impact factor: 2.43