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。

使用矩阵计算新的加权强度

【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：大脑中两个节点之间的连接权重应该如何计算？
大脑连接与现实世界交流的异同：（这也是文章提出新的权重计算方法的基础）
相同：都是网络拓扑；信息在这些拓扑之间传播。
区别：大脑信息不一定沿着最短路径传播，这意味着节点之间的通信强度可能不一定强，因为它们不是直接连接的。
当前方法：仅考虑点之间的长度进行加权。缺点：忽略物理信息传播。
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。
攻略：在数学上一般都是用自然对数来处理的，所以这篇文章也用了同样的方法，但是考虑到一个问题：如果测得的重量本身不稳定，结果不会太准确，所以想了个办法。 （不知道为什么要做这个方法，可能跟线性代数中的正定矩阵有关系吧？）于是我想出了一个公式：

使用此方法评估结果：

从结果可以看出，该方法确实是有效的。

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：

下图是用随机森林分类的​​结果

论文摘要

本文仅在得到连接矩阵后，使用矩阵变换的方法对选择的脑区连接矩阵进行评估，并将这些特征值用于机器学习的分类算法。

论文2

impact factor: 2.43