1.一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法，其特征在于，所述方法包括如下步骤：

1)提取基于T1影像的特征：每一例纳入的受试者图像包含T1图像和DTI图像，以brainetome210类图谱为模板对T1数据进行皮层分割，计算获取皮层体积，厚度和表面积作为特征；

2)提取基于DTI影像的特征：采用多壳多组织约束球面反卷积MSMT‑CSD方法和确定型跟踪对DTI数据进行纤维方向估计和跟踪，纤维的自动分割由WhitematterAnalysis工具包执行，最终将纤维束分割成设定数量束双侧半球纤维束和连合束，计算各向异性分数FA、平均弥散值MD、轴向弥散值AD、径向弥散值RD方向分散度指数ODI、神经密度指数NDI、各向同性扩散的体积分数(FISO参数图像并基于有解剖学意义的纤维束提取参数图像的值作为特征，将步骤1)和步骤2)得到的特征合并构建原始数据集；

3)数据集预处理：原始数据集以设定比例进行分层采样随机划分为训练集和测试集，处理训练集的缺失值，从训练集的正常受试者中提取的数据建立线性回归模型以排除协变量对数据的影响，再对训练集进行归一化处理，测试集的数据预处理方法相同，但需要以训练集为基准；

4)特征选择：选择训练集中经过逻辑回归筛选的mTBI与正常受试者组间具有显著性差异的特征，计算特征组间P值并做FDR矫正，以设定阈值将训练集中没有显著性差异的特征排除，FDR矫正的范围限制在同种参数中，如仅对所有FA特征进行一次FDR矫正，所有类型的参数在选择完毕后再用逻辑回归模型拟合，选取权重不为0的特征，测试集保留与训练集相同的特征；

5)模型训练与评估：采用十折交叉验证将步骤4)获得的训练集放入机器学习模型进行训练，训练完毕后将步骤4)得到的测试集放入模型进行分类预测，并与标签真值进行比较得到AUC等评价指标评估模型泛化性能，根据泛化性能选出最佳分类器。

2.如权利要求1所述的一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法，其特征在于，所述步骤2)的步骤包括：2.1)通过刚性和非刚性变换将DTI图像配准到相同图谱；2.2)将配准后的纤维束分成800束纤维束，包括716束双侧半球束和84束连合束；2.3)应用包括非刚性和刚性的逆变换矩阵将纤维束变换回个体空间，由AMICO计算ODI，NDI，FISO参数图像，从DTI张量矩阵可以得到三个方向的特征值λ1，λ2和λ3，通过以下计算可以分别得到FA，MD，AD，RD：AD＝λ1

采用基于束的分析方法提取参数图像的值作为特征，选取有解剖学意义的目标纤维束，图谱中对应模板束的100个质心投影到配准后的目标纤维束，然后将目标纤维束中的每个体素分配给质心的最近点，一共可分为100段，位于目标纤维束同一段中的所有体素的平均值作为一个特征，由此每一束纤维束都可分别提取100个不同参数的值，将步骤1)和步骤

2)得到的特征融合构建包含标签的数据集。

3.如权利要求1或2所述的一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法，其特征在于，所述步骤3)中，数据集预处理：根据标签对数据集进行随机分层采样，得到的测试集样本数占数据集样本数的百分比，其余为训练集，处理训练集的缺失值，把训练集特征缺失总数较多的特征排除，缺失数量少的以“0”填充，对训练集每一个特征建立线性回归模型，排除年龄、性别、教育程度对数值的影响，线性回归模型可简单表征为以下公式：V'＝V‑(aAge+bEdu+cSex+d)

其中，V'为回归处理后的特征值，V为回归处理前的特征，a，b，c和d为回归模型拟合的系数，Age，Edu和Sex分别为受试者年龄、教育程度和性别；

对数据集每一个特征进行归一化处理，归一化公式如下：

其中，f'为缩放后的特征值，f为缩放前的特征值，fmax和fmin分别为训练集缩放前该特征的最大值和最小值；

测试集保留和训练集相同的特征，缺失值以“0”填充，回归系数和缩放前特征的最大值和最小值以训练集为基准。

4.如权利要求1或2所述的一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法，其特征在于，所述步骤4)中，计算特征组间P值并做FDR矫正，FDR矫正的范围限制在同类型的特征当中，如仅对所有FA特征产生的P值进行一次FDR矫正，矫正采用Benjaminiand Hochberg的方法，先把所有P值进行排序，然后通过以下公式计算矫正后的值：q＝(p×m)÷k＜α

其中，q表示矫正后的p值，m为检验次数，k为此次检验的p值在所有检验次数中的排名，α为阈值；

以0.05为阈值将训练集中无显著性差异的特征排除，所有类型的参数特征在上述特征选择完毕后再用逻辑回归模型拟合，再次选取输出模型权重不为0的特征，由此得到机器学习模型的输入数据，测试集保留与训练集相同的特征。

5.如权利要求1或2所述的一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法，其特征在于，所述步骤1)和步骤2)中，利用Brainetome提供的最新模板，计算得到210个皮层的厚度，体积和表面积值作为特征；在DTI图像中提取了DTI传统参数FA，MD，AD，RD和较为敏感的NODDI参数ODI，NDI，FISO。在细分的800类纤维束上选取有解剖学意义的纤维束以分段形式提取特征，每一个特征为该参数在该纤维束上指定段的平均值；将DTI上得到的FA，MD，AD，RD和ODI，NDI，FISO特征与T1得到的皮层厚度、体积和表面积特征进行融合，构建拥有多模态信息的初始数据集，此特征数据集包含纤维的扩散信息和脑皮层灰质信息。

6.如权利要求1或2所述的一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法，其特征在于，所述步骤4)中，同时考虑mTBI临床意义和机器学习模型效果，采用显著性差异比较和逻辑回归两种不同方式结合进行特征选择。先计算特征组间P值并做FDR矫正，将FDR矫正的范围限制在同类型的特征当中，以0.05为阈值将训练集中无显著性差异的特征排除，此步骤有利于筛选出发生mTBI与未发生mTBI脑部结构或功能异常的区域。在上述特征选择完毕后再用逻辑回归模型拟合，再次选取输出模型权重不为0的特征，由此得到机器学习模型的输入数据，此步骤进一步减少了特征数目，得到了与疾病线性相关的特征，防止后续机器学习模型出现过拟合现象。