專利名稱：適合多被試腦功能數(shù)據(jù)分析的個(gè)體腦功能網(wǎng)絡(luò)提取方法
技術(shù)領(lǐng)域：
本發(fā)明涉及醫(yī)學(xué)圖像處理技術(shù)領(lǐng)域，特別涉及一種適合多被試腦功能數(shù)據(jù)分析的個(gè)體腦功能網(wǎng)絡(luò)提取方法。
背景技術(shù)：
基于腦功能數(shù)據(jù)分析腦功能網(wǎng)絡(luò)對神經(jīng)科學(xué)研究和醫(yī)療診斷有重要意義，獨(dú)立成分分析方法在該領(lǐng)域應(yīng)用十分廣泛，但由于獨(dú)立成分分析的隨機(jī)性、輸出成分順序的不確定性以及成分個(gè)數(shù)的不可預(yù)知性，多被試數(shù)據(jù)的獨(dú)立成分分析具有很大的挑戰(zhàn)，主要的難點(diǎn)在于如何將多被試的腦網(wǎng)絡(luò)建立起對應(yīng)性以方便后續(xù)的統(tǒng)計(jì)分析，同時(shí)又能保持個(gè)體被試腦網(wǎng)絡(luò)的特異性以利于個(gè)體診斷。目前，利用獨(dú)立成分分析(ICA)進(jìn)行多被試數(shù)據(jù)分析的方法分為兩類，一類是先對每個(gè)被試的數(shù)據(jù)進(jìn)行獨(dú)立成分分析，再利用主觀鑒別、聚類方法等將來自于不同被試的獨(dú)立成分建立起對應(yīng)性。這類方法的優(yōu)點(diǎn)是每個(gè)被試的成分結(jié)果都具有獨(dú)一無二的時(shí)間空間特性，缺點(diǎn)是需要后處理過程來建立不同被試成分之間的對應(yīng)性，而且由于在某個(gè)被試中存在的一個(gè)功能網(wǎng)絡(luò)可能在另一被試中被分解為多個(gè)功能網(wǎng)絡(luò)，所以，對應(yīng)性往往難以或不能建立。另一類方法被稱為組獨(dú)立成分分析方法，是先在所有的數(shù)據(jù)上進(jìn)行一次獨(dú)立成分分析，然后再重建得到各個(gè)被試的成分。已有的組獨(dú)立成分分析方法根據(jù)假設(shè)不同分為基于時(shí)間串聯(lián)的、基于空間串聯(lián)的和基于張量排列的方法，共同的優(yōu)點(diǎn)是不同被試的結(jié)果直接建立起了對應(yīng)性。其中，基于時(shí)間串聯(lián)的方法假設(shè)所有的被試的成分具有相似的空間分布，該類方法較其它兩類方法更為常用，尤其是其中的back-reconstruction算法(Erhardt, E. B. , Rachakonda, S. , Bedrick, E. J. , Allen, E. A. , Adali, T. , Calhoun,V. D. ,2011. Comparison of mult1-subject ICA methods for analysis of fMRI data.Hum Brain Mapp 32, 2075-2095.)和 dual regression 算法(Beckmann, C. , Mackay, C.，F(xiàn)ilippini, N. , Smith, S. ,2009. Group comparison of resting-state FMRI data usingmult1-sub j ect ICA and dual regression. Neuroimage 47Supp lement I, S148.)都已有相應(yīng)的軟件發(fā)布，應(yīng)用十分廣泛。Back-reconstruction方法利用組成分信息和PCA的降維結(jié)果恢復(fù)出個(gè)體被試的成分，因此受不同PCA策略的影響大，且不能用于新被試的腦功能數(shù)據(jù)的腦網(wǎng)絡(luò)分析。而dual regression方法首先基于組成分通過線性回歸得到個(gè)體被試的時(shí)間序列，然后再基于得到的個(gè)體時(shí)間序列線性回歸得到個(gè)體被試的獨(dú)立成分，該方法得到的成分不能保證獨(dú)立性，進(jìn)而影響了腦功能網(wǎng)絡(luò)的準(zhǔn)確性。

發(fā)明內(nèi)容
本發(fā)明為了克服現(xiàn)有技術(shù)中基于獨(dú)立成分分析提取腦功能網(wǎng)絡(luò)的局限性，提出適合于多被試腦功能數(shù)據(jù)的基于帶參考信號的獨(dú)立成分分析進(jìn)行個(gè)體被試腦功能網(wǎng)絡(luò)提取的方法。
本發(fā)明的適合多被試腦功能數(shù)據(jù)分析的個(gè)體腦功能網(wǎng)絡(luò)提取方法包括步驟SI，基于個(gè)體被試的腦功能數(shù)據(jù)，利用基于多目標(biāo)函數(shù)優(yōu)化算法的帶參考信號的獨(dú)立成分分析方式，同時(shí)優(yōu)化個(gè)體被試的獨(dú)立成分與參考信號之間的對應(yīng)性以及個(gè)體被試不同成分間的獨(dú)立性，得到和參考信號對應(yīng)的個(gè)體被試的獨(dú)立成分；步驟S2，得到個(gè)體被試的多個(gè)獨(dú)立成分之后，計(jì)算每個(gè)獨(dú)立成分對應(yīng)的時(shí)間序列；步驟S3，判斷得到的獨(dú)立成分，得到腦功能網(wǎng)絡(luò)，獨(dú)立成分對應(yīng)的時(shí)間序列是腦功能網(wǎng)絡(luò)相應(yīng)的激活模式。其中，所述參考信號由對多個(gè)個(gè)體被試的腦功能數(shù)據(jù)共同進(jìn)行獨(dú)立成分分析得至IJ，或者來自于對其它模態(tài)腦功能成像數(shù)據(jù)進(jìn)行腦網(wǎng)絡(luò)分析得到的腦功能網(wǎng)絡(luò)，或者來自于由薈萃分析得到的腦網(wǎng)絡(luò)模板，或者來自于對多個(gè)個(gè)體被試的腦功能數(shù)據(jù)進(jìn)行多次獨(dú)立成分分析后聚類得到的可靠成分。其中，所述個(gè)體被試的腦功能數(shù)據(jù)包括功能核磁共振成像、正電子發(fā)射計(jì)算機(jī)斷層掃描數(shù)據(jù)、磁共振動脈自旋標(biāo)記示蹤法(ASL)灌注成像或腦電及腦磁數(shù)據(jù)。其中，所述參考信號由對多個(gè)個(gè)體被試的腦功能數(shù)據(jù)共同進(jìn)行獨(dú)立成分分析得到進(jìn)一步包括對多個(gè)個(gè)體被試的腦功能數(shù)據(jù)按時(shí)間方向串聯(lián)后獨(dú)立成分分析得到的獨(dú)立成分；對多個(gè)個(gè)體被試的腦功能數(shù)據(jù)按空間方向串聯(lián)后獨(dú)立成分分析得到的獨(dú)立成分；對多個(gè)個(gè)體被試的腦功能數(shù)據(jù)按張量排列后進(jìn)行獨(dú)立成分分析得到的獨(dú)立成分。其中，多目標(biāo)函數(shù)包括優(yōu)化個(gè)體被試的獨(dú)立成分與參考信號之間對應(yīng)性；優(yōu)化個(gè)體被試的不同成分間的獨(dú)立性。其中，多目標(biāo)函數(shù)優(yōu)化算法包括各個(gè)目標(biāo)函數(shù)的歸一化處理；對成分獨(dú)立性度量的歸一化包含利用反正切函數(shù)或sigmoid函數(shù)歸一化；一單元獨(dú)立成分分析算法；解混向量的初始化；參數(shù)的選擇；迭代算法。其中，所述的獨(dú)立成分與參考信號的對應(yīng)性度量包括獨(dú)立成分與參考信號的乘積的數(shù)學(xué)期望；獨(dú)立成分與參考信號的相關(guān)系數(shù)。其中，獨(dú)立性度量包括估計(jì)成分的負(fù)熵；估計(jì)成分的峭度。其中，對多被試數(shù)據(jù)按時(shí)間方向串聯(lián)后進(jìn)行獨(dú)立成分分析的步驟包括對經(jīng)過預(yù)處理的每個(gè)個(gè)體被試的腦功能數(shù)據(jù)在時(shí)間點(diǎn)方向利用PCA進(jìn)行降維，得到個(gè)體被試降維后的數(shù)據(jù)；將多個(gè)個(gè)體被試降維后的數(shù)據(jù)進(jìn)行串聯(lián)，再進(jìn)行PCA降維；得到多被試降維后的數(shù)據(jù)，對多被試降維后的數(shù)據(jù)，利用Infomax或FastICA獨(dú)立成分分析算法進(jìn)行分析，得到組水平上的獨(dú)立成分，這些獨(dú)立成分作為參考信號輸入到帶參考信號的獨(dú)立成分分析過程中去。其中，時(shí)間序列計(jì)算進(jìn)一步包括利用成分的獨(dú)立性計(jì)算成分對應(yīng)的時(shí)間序列，分別計(jì)算成分對應(yīng)的時(shí)間序列。本發(fā)明的方法不同于已有的利用獨(dú)立成分分析對多被試腦功能數(shù)據(jù)進(jìn)行分析的方法，本發(fā)明利用提出的帶參考信號獨(dú)立成分分析算法，使用多目標(biāo)函數(shù)優(yōu)化算法計(jì)算個(gè)體被試的獨(dú)立成分，其特色和創(chuàng)新主要在于1)多目標(biāo)函數(shù)算法同時(shí)優(yōu)化個(gè)體被試獨(dú)立成分與參考信號之間的對應(yīng)性以及個(gè)體被試多個(gè)成分間的獨(dú)立性，結(jié)合了現(xiàn)有技術(shù)中對個(gè)體數(shù)據(jù)進(jìn)行分別的獨(dú)立成分分析方法和組獨(dú)立成分分析方法的優(yōu)點(diǎn)，可以得到個(gè)體特異且被試間對應(yīng)的腦功能網(wǎng)絡(luò)；2)時(shí)間序列的計(jì)算不同于現(xiàn)有技術(shù)，本發(fā)明充分利用成分的獨(dú)立性，可以分別計(jì)算各個(gè)獨(dú)立成分的時(shí)間序列；3)基于參考信號，本發(fā)明適用于新數(shù)據(jù)的分析，克服了 back-reconstruction方法只能將所有被試數(shù)據(jù)一起分析的缺陷，有利于大規(guī)模數(shù)據(jù)的分析及個(gè)體被試的醫(yī)療診斷；4)個(gè)體被試獨(dú)立成分的計(jì)算和PCA降維沒有關(guān)系，受PCA降維影響??；5)對相似的參考信號，基于個(gè)體被試的功能數(shù)據(jù)，本發(fā)明收斂得到相似的獨(dú)立成分，降低了成分個(gè)數(shù)估計(jì)不準(zhǔn)確帶來的影響；6)參考信號除了可以由對多被試數(shù)據(jù)進(jìn)行獨(dú)立成分分析得到，還可以由先驗(yàn)知識及其它模態(tài)獲取的腦網(wǎng)絡(luò)得到，有助于多模態(tài)數(shù)據(jù)的分析；7)提出的帶參考信號獨(dú)立成分分析算法可以通過參數(shù)的調(diào)節(jié)探索不同的優(yōu)化解決方案；8)可以將成分的其它性質(zhì)擴(kuò)展到多目標(biāo)函數(shù)框架中進(jìn)行優(yōu)化，比如成分的稀疏性和光滑性。本發(fā)明的方法除了用于腦功能數(shù)據(jù)分析以外，可以應(yīng)用于信號去噪，圖像重建等領(lǐng)域。


圖1為本發(fā)明對多被試的腦功能數(shù)據(jù)進(jìn)行個(gè)體被試腦功能網(wǎng)絡(luò)提取的流程圖；圖2是對三組模擬數(shù)據(jù)用本發(fā)明以及現(xiàn)有的組獨(dú)立成分分析方法進(jìn)行分析的結(jié)果示意圖；圖3是對25個(gè)正常人的腦功能核磁共振數(shù)據(jù)利用本發(fā)明的方法進(jìn)行分析得到的腦功能網(wǎng)絡(luò)圖。
具體實(shí)施例方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照附圖，對本發(fā)明進(jìn)一步詳細(xì)說明。圖1為本發(fā)明對多被試的腦功能數(shù)據(jù)進(jìn)行腦功能網(wǎng)絡(luò)分析的流程圖。該方法首先對多被試的腦功能數(shù)據(jù)共同進(jìn)行獨(dú)立成分分析得到參考信號，參考信號的獲得也可由其它方式得到，然后利用提出的基于多目標(biāo)函數(shù)優(yōu)化的帶參考信號獨(dú)立成分分析方法得到個(gè)體被試的腦功能網(wǎng)絡(luò)。如圖1所示，本發(fā)明的對多被試的腦功能數(shù)據(jù)進(jìn)行腦功能網(wǎng)絡(luò)分析的方法包括以下步驟在步驟102中，對每個(gè)個(gè)體被試的腦功能數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理。以核磁共振成像腦功能數(shù)據(jù)為例，預(yù)處理一般包括層間校正、頭動校正、空間標(biāo)準(zhǔn)化、空間平滑等。在步驟104中，對經(jīng)過預(yù)處理的每個(gè)個(gè)體被試的腦功能數(shù)據(jù)在時(shí)間點(diǎn)方向利用PCA進(jìn)行降維，得到個(gè)體被試降維后的數(shù)據(jù)；在步驟106中，將多個(gè)個(gè)體被試降維后的數(shù)據(jù)進(jìn)行串聯(lián)，再進(jìn)行PCA降維，得到多被試降維后的數(shù)據(jù)。在步驟108中，對多被試降維后的數(shù)據(jù)采用Infomax等算法進(jìn)行獨(dú)立成分分析，得到組水平上的獨(dú)立成分。在步驟110中，將組水平上的獨(dú)立成分進(jìn)行排序或選擇，可以只選擇感興趣的成分也可利用所有的成分進(jìn)行后續(xù)的個(gè)體被試獨(dú)立成分的計(jì)算。這里感興趣的成分通常指想要提取的腦功能網(wǎng)絡(luò)，可以通過對成分的主觀鑒別得到，也可以根據(jù)已有腦網(wǎng)絡(luò)的模板對得到的成分進(jìn)行匹配計(jì)算得到。在步驟112中，將步驟110中選擇的獨(dú)立成分作為參考信號。
在步驟114中，利用本發(fā)明提出的帶參考信號的獨(dú)立成分分析方法，基于多目標(biāo)函數(shù)優(yōu)化算法計(jì)算個(gè)體被試的獨(dú)立成分，本發(fā)明同時(shí)保證個(gè)體被試獨(dú)立成分和參考信號之間的對應(yīng)性以及個(gè)體被試成分的獨(dú)立性。下面對本發(fā)明中個(gè)體被試獨(dú)立成分的計(jì)算給予描述?，F(xiàn)有技術(shù)中，基于組水平上的獨(dú)立成分重建個(gè)體被試獨(dú)立成分的方法最常用的有back-reconstruction和dual regression,但這兩種方法均不能保證得到的個(gè)體被試的成分具有獨(dú)立性?？紤]到組水平上的獨(dú)立成分和個(gè)體被試的獨(dú)立成分有一定相似性，因此本發(fā)明將組水平上的獨(dú)立成分作為參考信號輸入到個(gè)體被試獨(dú)立成分的計(jì)算過程中。但現(xiàn)有技術(shù)中帶參考信號ICA算法或約束ICA算法存在一些缺點(diǎn)，特別是衡量獨(dú)立成分和參考信號之間距離的閾值參數(shù)很難確定。已有實(shí)驗(yàn)結(jié)果表明若閾值參數(shù)取值適當(dāng)，算法能取得很好的分離效果；但一旦閾值參數(shù)稍微偏離這個(gè)“最優(yōu)”值，算法甚至不會收斂。因?yàn)殚撝堤?，可能所有得到的源都不符合要求，閾值較大，有可能幾個(gè)源同時(shí)符合要求，總之不容易收斂。為了克服這一困難，本發(fā)明將現(xiàn)有技術(shù)中的距離約束變?yōu)榻萍s束，用最大化獨(dú)立成分和參考信號的相似性以及最大化負(fù)熵這一非高斯性測量共同構(gòu)成多目標(biāo)函數(shù)最優(yōu)化框架，在此框架下實(shí)現(xiàn)帶參考信號ICA。新的優(yōu)化問題如下
權(quán)利要求
1.一種適合多被試腦功能數(shù)據(jù)分析的個(gè)體腦功能網(wǎng)絡(luò)提取方法，其特征在于，包括如下步驟 步驟Si，基于個(gè)體被試的腦功能數(shù)據(jù)，利用基于多目標(biāo)函數(shù)優(yōu)化算法的帶參考信號的獨(dú)立成分分析方式，同時(shí)優(yōu)化個(gè)體被試的獨(dú)立成分與參考信號之間的對應(yīng)性以及個(gè)體被試不同成分間的獨(dú)立性，得到和參考信號對應(yīng)的個(gè)體被試的獨(dú)立成分； 步驟S2，得到個(gè)體被試的多個(gè)獨(dú)立成分之后，計(jì)算每個(gè)獨(dú)立成分對應(yīng)的時(shí)間序列； 步驟S3，判斷得到的獨(dú)立成分，得到腦功能網(wǎng)絡(luò)，獨(dú)立成分對應(yīng)的時(shí)間序列是腦功能網(wǎng)絡(luò)相應(yīng)的激活模式。
2.如權(quán)利要求1所述的方法，其特征在于，所述參考信號由對多個(gè)個(gè)體被試的腦功能數(shù)據(jù)共同進(jìn)行獨(dú)立成分分析得到，或者來自于對其它模態(tài)腦功能成像數(shù)據(jù)進(jìn)行腦網(wǎng)絡(luò)分析得到的腦功能網(wǎng)絡(luò)，或者來自于由薈萃分析得到的腦網(wǎng)絡(luò)模板，或者來自于對多個(gè)個(gè)體被試的腦功能數(shù)據(jù)進(jìn)行多次獨(dú)立成分分析后聚類得到的可靠成分。
3.如權(quán)利要求1所述的方法，其特征在于，所述個(gè)體被試的腦功能數(shù)據(jù)包括功能核磁共振成像、正電子發(fā)射計(jì)算機(jī)斷層掃描數(shù)據(jù)、磁共振動脈自旋標(biāo)記示蹤法(ASL)灌注成像或腦電及腦磁數(shù)據(jù)。
4.如權(quán)利要求2所述的方法，其特征在于，所述參考信號由對多個(gè)個(gè)體被試的腦功能數(shù)據(jù)共同進(jìn)行獨(dú)立成分分析得到進(jìn)一步包括對多個(gè)個(gè)體被試的腦功能數(shù)據(jù)按時(shí)間方向串聯(lián)后獨(dú)立成分分析得到的獨(dú)立成分作為參考信號；對多個(gè)個(gè)體被試的腦功能數(shù)據(jù)按空間方向串聯(lián)后獨(dú)立成分分析得到的獨(dú)立成分作為參考信號；對多個(gè)個(gè)體被試的腦功能數(shù)據(jù)按張量排列后進(jìn)行獨(dú)立成分分析得到的獨(dú)立成分作為參考信號。
5.如權(quán)利要求1所述的方法，其特征在于，多目標(biāo)函數(shù)包括優(yōu)化個(gè)體被試的獨(dú)立成分與參考信號之間對應(yīng)性；優(yōu)化個(gè)體被試的不同成分間的獨(dú)立性。
6.如權(quán)利要求1所述的方法，其特征在于，多目標(biāo)函數(shù)優(yōu)化算法包括各個(gè)目標(biāo)函數(shù)的歸一化處理；對成分獨(dú)立性度量的歸一化包含利用反正切函數(shù)或sigmoid函數(shù)歸一化；一單元獨(dú)立成分分析算法；解混向量的初始化；參數(shù)的選擇；迭代算法。
7.如權(quán)利要求4所述的方法，其特征在于，所述的獨(dú)立成分與參考信號的對應(yīng)性度量包括獨(dú)立成分與參考信號的乘積的數(shù)學(xué)期望；獨(dú)立成分與參考信號的相關(guān)系數(shù)。
8.如權(quán)利要求4所述的方法，其特征在于，獨(dú)立性度量包括估計(jì)成分的負(fù)熵；估計(jì)成分的峭度。
9.如權(quán)利要求3所述的方法，其特征在于，對多被試數(shù)據(jù)按時(shí)間方向串聯(lián)后進(jìn)行獨(dú)立成分分析的步驟包括對經(jīng)過預(yù)處理的每個(gè)個(gè)體被試的腦功能數(shù)據(jù)在時(shí)間點(diǎn)方向利用PCA進(jìn)行降維，得到個(gè)體被試降維后的數(shù)據(jù)；將多個(gè)個(gè)體被試降維后的數(shù)據(jù)進(jìn)行串聯(lián)，再進(jìn)行PCA降維，得到多被試降維后的數(shù)據(jù)；對多被試降維后的數(shù)據(jù)，利用Infomax或FastICA獨(dú)立成分分析算法進(jìn)行分析，得到組水平上的獨(dú)立成分，這些獨(dú)立成分作為參考信號輸入到帶參考信號的獨(dú)立成分分析過程中。
10.如權(quán)利要求1所述的方法，其特征在于，時(shí)間序列計(jì)算進(jìn)一步包括利用成分的獨(dú)立性計(jì)算成分對應(yīng)的時(shí)間序列，分別計(jì)算成分對應(yīng)的時(shí)間序列。
11.如權(quán)利要求1所述的方法，其特征在于，所述多目標(biāo)函數(shù)為
全文摘要
本發(fā)明公開了一種適合多被試腦功能數(shù)據(jù)分析的個(gè)體腦功能網(wǎng)絡(luò)提取方法，包括基于個(gè)體被試的腦功能數(shù)據(jù)計(jì)算在不同被試間具有對應(yīng)性的個(gè)體被試的獨(dú)立成分，使用提出的基于多目標(biāo)函數(shù)優(yōu)化框架的帶參考信號獨(dú)立成分分析算法，同時(shí)優(yōu)化個(gè)體被試的獨(dú)立成分與參考信號之間的對應(yīng)性以及個(gè)體被試不同成分間的獨(dú)立性，參考信號由對多個(gè)個(gè)體被試的腦功能數(shù)據(jù)共同進(jìn)行獨(dú)立成分分析得到，參考信號也可來自于對其它模態(tài)成像數(shù)據(jù)進(jìn)行腦網(wǎng)絡(luò)分析或由薈萃分析得到的腦網(wǎng)絡(luò)模板等；得到個(gè)體被試的獨(dú)立成分后，使用提出的時(shí)間序列計(jì)算方法計(jì)算每個(gè)獨(dú)立成分對應(yīng)的時(shí)間序列。判斷得到的獨(dú)立成分，得到腦功能網(wǎng)絡(luò)，獨(dú)立成分對應(yīng)的時(shí)間序列是腦功能網(wǎng)絡(luò)相應(yīng)的激活模式。
文檔編號G06F19/00GK103034778SQ201210370969
公開日2013年4月10日 申請日期2012年9月28日 優(yōu)先權(quán)日2012年9月28日
發(fā)明者范勇, 杜宇慧 申請人:中國科學(xué)院自動化研究所