專利名稱：一種融合結(jié)構(gòu)連接的各腦區(qū)間的效能連接分析方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種融合結(jié)構(gòu)連接的效能連接計(jì)算方法，屬于醫(yī)學(xué)影像方法學(xué)和醫(yī)學(xué)影像信號(hào)處理等領(lǐng)域，適用于大腦活動(dòng)的分析和研究。
背景技術(shù)：
既往研究發(fā)現(xiàn)包括抑郁癥、精神分裂癥、癲癇等精神疾病都與大腦的結(jié)構(gòu)的受損或者功能性障礙有關(guān)。大腦的結(jié)構(gòu)信息(結(jié)構(gòu)連接)與功能信息(功能連接、效能連接)反映了整個(gè)大腦的狀況，并且對(duì)各種精神疾病的病理機(jī)制的探索和研究起著重要的作用。而且結(jié)構(gòu)連接和功(效)能連接之間存在密切的聯(lián)系，功(效)能連接在一定的程度上反映了結(jié)構(gòu)連接，但不完全取決于結(jié)構(gòu)連接。以往的研究很少將它們結(jié)合起來進(jìn)行研究，若從多模態(tài)的角度融合結(jié)構(gòu)連接和功能連接，將會(huì)給各種精神疾病的研究帶來極大的幫助。關(guān)于結(jié)合結(jié)構(gòu)連接和效能連接進(jìn)行大腦活動(dòng)的研究，已有一些初步的方法和探索但存在一些問題。方法1 利用DTI (彌散張量磁共振成像diffusion tensor imaging)和 MEG(腦磁圖magnetoenc印halography)各自的優(yōu)點(diǎn)，從不同的角度單獨(dú)進(jìn)行研究分析，然后綜合分析。但是沒有探討這兩者的關(guān)系，更沒涉及到它們之間的融合。方法2:運(yùn)用對(duì)結(jié)構(gòu)連接的分析對(duì)功能連接的結(jié)果進(jìn)行約束和優(yōu)化。該方法雖然運(yùn)用并分析了兩者之間的關(guān)系，但是仍然沒有能夠真正將兩者融合起來。方法3 利用結(jié)構(gòu)連接的實(shí)驗(yàn)數(shù)據(jù)來大規(guī)模模擬大腦的功能，或是研究什么類型的網(wǎng)絡(luò)結(jié)構(gòu)會(huì)產(chǎn)生特定功能的神經(jīng)活動(dòng)。該方法能夠?qū)烧呷诤掀饋恚侨灾皇侵卦谔接憙烧咧g的聯(lián)系。

發(fā)明內(nèi)容
為了解決現(xiàn)有方法中的不足之處，本發(fā)明提出了一種新的融合結(jié)構(gòu)連接的各腦區(qū)間的效能連接分析方法，具體技術(shù)方案如下融合結(jié)構(gòu)連接的各腦區(qū)間的效能連接分析方法，基本思想是提取并分析感興趣區(qū)的大腦結(jié)構(gòu)網(wǎng)絡(luò)，并將得到的結(jié)構(gòu)信息轉(zhuǎn)換為效能連接參數(shù)的先驗(yàn)概率分布空間；然后建立基于變分貝葉斯框架的效能連接模型；最后通過集成學(xué)習(xí)(Ensemble Learning)和EM 算法(Expectation-Maximization Algorithm)，求取各腦區(qū)間的效能連接。本方法的具體步驟包括1、一種融合結(jié)構(gòu)連接和效能連接進(jìn)行腦活動(dòng)分析的方法，其特征在于步驟包括1)首先利用彌散張量磁共振成像DTI數(shù)據(jù)進(jìn)行全腦的神經(jīng)纖維追蹤，并建立整個(gè)大腦的結(jié)構(gòu)連接網(wǎng)絡(luò)；另外，對(duì)采集得到的腦磁圖MEG信號(hào)進(jìn)行3D源重建；MEG的3D源重建運(yùn)用了 MSP (Multiple Sparse Priors)的方法，該步驟主要是要 SPM8 (http //www, fil. ion· ucl. ac. uk/spm/)軟件進(jìn)行處理。該方法是一種運(yùn)用分層貝葉斯及經(jīng)驗(yàn)貝葉斯進(jìn)行分布式偶極子源重建的方法，其的優(yōu)點(diǎn)是能夠在簡單的先驗(yàn)知識(shí)下進(jìn)行多個(gè)稀疏皮層源自動(dòng)選取。2)根據(jù)需要分析的感興趣區(qū)域提取出所述連接網(wǎng)絡(luò)中的主干網(wǎng)絡(luò)，并將主干網(wǎng)絡(luò)
4轉(zhuǎn)化為圖；設(shè)主干網(wǎng)絡(luò)中的任意感興趣腦區(qū)為i，主干網(wǎng)絡(luò)中的每個(gè)感興趣區(qū)ROI(i)均視為一個(gè)節(jié)點(diǎn)i，節(jié)點(diǎn)i代表的感興趣區(qū)域的皮層面積為s(i)；主干網(wǎng)絡(luò)中連接兩個(gè)腦區(qū)i和j的神經(jīng)纖維ROI⑴和ROI (j)對(duì)應(yīng)于連接節(jié)點(diǎn)i
1 2 1
和j的邊E(i，j)，邊的長度和權(quán)重分別為Z == s(i) + s(j) Σ/￡Ε/ ▽，其中，Ef
為連接節(jié)點(diǎn)i和j的所有纖維，If為這些纖維的長度，Nf為神經(jīng)纖維的數(shù)目；所以1為連接兩區(qū)域的所有神經(jīng)纖維的平均長度，w反映的是兩區(qū)域的連接密度；3)對(duì)所得的各個(gè)感興趣區(qū)的結(jié)構(gòu)信息(這里的結(jié)構(gòu)信息指的是邊的長度和權(quán)重， 對(duì)應(yīng)于連接感興趣區(qū)的神經(jīng)纖維的長度和密度)進(jìn)行歸一化，并轉(zhuǎn)換到效能連接的先驗(yàn)概
率分布空間，轉(zhuǎn)換模型為Λ = . y =cx^=a0+ea-bs ；任意腦區(qū)i和j之間的效能連接服從高斯分布Ν(0，Σ ij)，Sij為歸一化后的結(jié)構(gòu)連接信息，Σ『ib為模型的可調(diào)節(jié)參數(shù)；4)基于變分貝葉斯框架的效能連接模型為Y = XW+E，模型Y中，W對(duì)應(yīng)表示腦區(qū)間的效能連接參數(shù)矩陣，該矩陣W為自回歸系數(shù)參數(shù)矩陣；E是均值為零、精度矩陣為Λ的高斯噪聲，且Λ Γ (b，C) ；X， Y為經(jīng)過3D源重建后的感興趣區(qū)域信號(hào)，對(duì)于給定的數(shù)據(jù)集D = {X，Y}有
I爐，Λ) = (2冗)—趟|Λ|Υ"；為了便于模型Y的分析，將W拉長為向量《，w的分布如
下
/ 、1/2ng其中，d為腦區(qū)信號(hào)的個(gè)數(shù)，N為腦區(qū)信號(hào)序列的長
度，W為矩陣W拉伸的向量，η為效能連接參數(shù)的個(gè)數(shù)，盡(W) = IMZj^w ；所述參數(shù)W、Λ和α服從高斯分布Ν(0，Σ ；5)通過集成學(xué)習(xí)方法和最大期望EM算法，求取各腦區(qū)間的效能連接Y。有益效果本發(fā)明相對(duì)于其他方法具有以下優(yōu)點(diǎn)1、通過轉(zhuǎn)換模型將結(jié)構(gòu)連接映射到效能連接參數(shù)的先驗(yàn)概率空間，并在后續(xù)的集成學(xué)習(xí)中優(yōu)化模型參數(shù)，使得結(jié)構(gòu)連接和效能連接的關(guān)系得到真實(shí)的反映；2、結(jié)合了結(jié)構(gòu)連接信息，使得腦活動(dòng)分析的結(jié)果更加可靠，而且便于對(duì)個(gè)體進(jìn)行實(shí)際情況的探討。


圖1 本方法的基本流程示意圖；圖2 結(jié)構(gòu)連接信息處理流程示意圖；圖3 結(jié)構(gòu)信息轉(zhuǎn)換模型圖示意圖；圖4 效能連接結(jié)果示意圖。
具體實(shí)施方式
現(xiàn)結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步的描述本發(fā)明的整個(gè)流程可以參考附圖1，具體的實(shí)施步驟如下1、大腦結(jié)構(gòu)連接網(wǎng)絡(luò)的建立以及腦磁信號(hào)的預(yù)處理和源重建從核磁共振彌散圖像DTI到整個(gè)大腦的高精度結(jié)構(gòu)連接網(wǎng)絡(luò)的生成需要以下幾個(gè)步驟(1)彌散加權(quán)圖像的處理，如渦流校正、頭動(dòng)校正，彌散張量模型的擬合、彌散張量和各向異性值的計(jì)算，以及標(biāo)準(zhǔn)空間的轉(zhuǎn)換等；( 灰白質(zhì)的分割；C3)白質(zhì)神經(jīng)纖維束追蹤成像；(4)大腦皮層結(jié)構(gòu)的分割和感興趣區(qū)域的選取；(5)根據(jù)需要分析的感興趣區(qū)域提取出的主干網(wǎng)絡(luò)，并將其轉(zhuǎn)化為圖。網(wǎng)絡(luò)中的每個(gè)感興趣區(qū)ROI (i)均可視為一個(gè)節(jié)點(diǎn)i，其代表的區(qū)域的皮層面積為S (i)。網(wǎng)絡(luò)中連接ROI (i)和ROI(j)的神經(jīng)纖維對(duì)應(yīng)于連接節(jié)點(diǎn)
和j的邊Ε α，j)，邊的長度和權(quán)重分別為
權(quán)利要求
1.一種融合結(jié)構(gòu)連接的各腦區(qū)間的效能連接分析方法，其特征在于步驟包括1)首先利用彌散張量磁共振成像DTI數(shù)據(jù)進(jìn)行全腦的神經(jīng)纖維追蹤，并建立整個(gè)大腦的結(jié)構(gòu)連接網(wǎng)絡(luò)；另外，對(duì)采集得到的腦磁圖MEG信號(hào)進(jìn)行3D源重建；2)根據(jù)需要分析的感興趣區(qū)域提取出所述連接網(wǎng)絡(luò)中的主干網(wǎng)絡(luò)，并將主干網(wǎng)絡(luò)轉(zhuǎn)化為圖；設(shè)主干網(wǎng)絡(luò)中的任意感興趣腦區(qū)為i，主干網(wǎng)絡(luò)中的每個(gè)感興趣區(qū)ROI (i)均視為一個(gè)節(jié)點(diǎn)i，節(jié)點(diǎn)i代表的感興趣區(qū)域的皮層面積為S(i)；主干網(wǎng)絡(luò)中連接兩個(gè)腦區(qū)i和j的神經(jīng)纖維ROI (i)和ROI (j)對(duì)應(yīng)于連接節(jié)點(diǎn)i和j的邊E(i，j)，邊的長度和權(quán)重分別為
2.根據(jù)權(quán)利要求1所述的方法，其特征是所述步驟1)中，建立整個(gè)大腦的結(jié)構(gòu)連接網(wǎng)絡(luò)的步驟包括10DDTI圖像進(jìn)行處理，包括渦流校正和頭動(dòng)校正、彌散張量模型的擬合、彌散張量和各向異性值的計(jì)算、以及標(biāo)準(zhǔn)空間的轉(zhuǎn)換；102)灰白質(zhì)的分割；103)白質(zhì)神經(jīng)纖維束追蹤成像；104)大腦皮層結(jié)構(gòu)的分割和感興趣區(qū)域的選取。
3.根據(jù)權(quán)利要求1所述的方法，其特征是所述步驟幻中，對(duì)于所述數(shù)據(jù)集D和參數(shù)θ={w, α , Λ}，模型 Y 的對(duì)數(shù)論據(jù)為:log p(D|m) =F(0)+KL(q(0 D) | |ρ(θ D，m))，其中 F(e)為模型Y的負(fù)自由能量，當(dāng)q( θ |D) =ρ(Θ |D，m)，即模型參數(shù)的近似后驗(yàn)概率分布等同于真實(shí)后驗(yàn)概率分布時(shí)，模型Y對(duì)數(shù)論據(jù)取得下限F( θ )時(shí)，參數(shù)θ正是模型Y要求參數(shù)；將F(9)進(jìn)一步分解得到F(e) = / q(0 D)logp (D θ ,m)d0-KL(q(0 D) |ρ(θ |m))；給定參數(shù)θ的初始值并固定其中的α和Λ，通過簡化得到當(dāng)q(w|D) = elW時(shí)， F( θ)取得最大值，其中 I (w) = / / q(A D)q(a D)log(p (D|w, A)p(w a))dadA ；更新參數(shù)w并固定w和Λ，同理求解出α，然后更新參數(shù)α并固定α和w，求解出Λ ；通過該算法，不斷進(jìn)行迭代直至收斂，求出模型的參數(shù)和各腦區(qū)之間的效能連接。
全文摘要
一種融合結(jié)構(gòu)連接的各腦區(qū)間的效能連接分析方法，步驟是提取并分析感興趣區(qū)的大腦結(jié)構(gòu)網(wǎng)絡(luò)，并將得到的結(jié)構(gòu)信息轉(zhuǎn)換到效能連接參數(shù)的先驗(yàn)概率分布空間；然后建立基于變分貝葉斯框架的效能連接模型；最后通過集成學(xué)習(xí)和EM算法，求取各腦區(qū)間的效能連接。本發(fā)明相對(duì)于其他方法具有以下優(yōu)點(diǎn)1、通過轉(zhuǎn)換模型將結(jié)構(gòu)連接映射到效能連接參數(shù)的先驗(yàn)概率空間，并在后續(xù)的集成學(xué)習(xí)中優(yōu)化模型參數(shù)，使得結(jié)構(gòu)連接和效能連接的關(guān)系得到真實(shí)的反映；2、結(jié)合了結(jié)構(gòu)連接信息，使得腦活動(dòng)分析的結(jié)果更加可靠，而且便于對(duì)個(gè)體進(jìn)行實(shí)際情況的探討。
文檔編號(hào)G06F19/00GK102509282SQ201110286580
公開日2012年6月20日 申請(qǐng)日期2011年9月26日 優(yōu)先權(quán)日2011年9月26日
發(fā)明者盧青, 姚志劍, 羅國平 申請(qǐng)人:東南大學(xué)