CN102508184B - 一种基于移动平均时间序列模型的脑功能激活区检测方法 - Google Patents
一种基于移动平均时间序列模型的脑功能激活区检测方法 Download PDFInfo
- Publication number
- CN102508184B CN102508184B CN201110329397.5A CN201110329397A CN102508184B CN 102508184 B CN102508184 B CN 102508184B CN 201110329397 A CN201110329397 A CN 201110329397A CN 102508184 B CN102508184 B CN 102508184B
- Authority
- CN
- China
- Prior art keywords
- time series
- voxel
- signal intensity
- cohort
- intensity time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 230000003925 brain function Effects 0.000 title abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 claims abstract description 7
- 210000004556 brain Anatomy 0.000 claims description 40
- 238000000714 time series forecasting Methods 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 10
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 8
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 3
- 101000828537 Homo sapiens Synaptic functional regulator FMR1 Proteins 0.000 abstract 1
- 102100023532 Synaptic functional regulator FMR1 Human genes 0.000 abstract 1
- 230000004913 activation Effects 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 12
- 238000011160 research Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000001467 acupuncture Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000013401 experimental design Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 206010008118 cerebral infarction Diseases 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 101100009524 Anas platyrhynchos HSD17B12 gene Proteins 0.000 description 1
- 101001009851 Rattus norvegicus Guanylate cyclase 2G Proteins 0.000 description 1
- 101100256975 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) SIP2 gene Proteins 0.000 description 1
- 101100203850 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) SPT2 gene Proteins 0.000 description 1
- 101100291461 Schizosaccharomyces pombe (strain 972 / ATCC 24843) spm2 gene Proteins 0.000 description 1
- 230000036592 analgesia Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008344 brain blood flow Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001435 haemodynamic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008904 neural response Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于移动平均时间序列模型的磁共振成像脑激活区检测方法,该方法包括以下步骤:使用移动平均算法,对于每个个体,逐体素计算个体(individual subject)体素信号强度时间序列模型;在此基础上使用EM-algorithm计算每个个体在组群中的权重值,逐体素构建组群(group subjects)体素信号强度时间序列动态变化模型;最后通过区域增长方法,度量组群体素间信号强度时间序列模型的活动相似性,确定脑功能激活区。在真实fMRI数据集上的实验说明,本发明所述方法是一种有效的脑功能激活区提取方法。
Description
技术领域
本发明属于生物信息、图像识别技术领域,涉及一种基于时间序列状态分析的核磁共振成像(functional Magnetic Resonance Imaging,fMRI)图像后处理技术。
背景技术
功能磁共振成像(fMRI)技术是在传统磁共振成像(Magnetic ResonanceImaging,MRI)技术的基础上发展而来。fMRI技术基于血氧水平依赖(BloodOxygenation Level-Dependent,BOLD),通过测量由脑血流或脑血氧变化而引起的磁共振信号变化来反映脑活动。由于其具有无创性、可重复性等优点,并可提供较高的图像空间分辨率,该技术已被广泛应用于神经科学、临床医学等领域的研究。作为一种非侵入性检测手段,fMRI可为一些重要脑功能区(如运动、语言等)定位。脑功能定位研究是神经科学研究发展极为迅速的领域之一,为人类的认知与思维活动及疾病的康复治疗与预测带来了新的前景。目前,脑功能定位研究已广泛应用于神经外科、认知功能相关研究、康复治疗与预测、社会心理等方面。随着基础研究与临床方面的应用深入,合理有效的分析fMRI数据并提取与外部刺激相关的脑激活区对于脑功能活动区的精确定位愈发重要。
现有fMRI脑功能激活区检测方法大多基于广义线性模型(GeneralLinear Model,GLM)方法。该模型本质上是一种模型驱动(Data Driven)的一元回归分析方法,一般先指定一个先验模型(即一个包含实验设计、人为增加的心跳、呼吸、头动等因素的模型),将该模型分别与大脑中的每一个体素的时间序列进行匹配,确定每一个体素的“激活”状态。因此,该方法的应用前提是fMRI时间序列中“激活”体素的信号强度时间序列变化需符合实验设计中的指定的先验模型。然而,越来越多的影像学研究及临床应用表明,神经激活信号的时间变化模式并无准确先验。因此,基于GLM模型的先验假设过于单一,并不能够很好地表示fMRI数据。脑活动的分布模式、血液动力学模型等不能由GLM模型恰如其分地模拟。
发明内容
为了避免现有方法的不足,本发明设计一种基于移动平均时间序列模型的脑功能激活区检测方法,以克服现有方法依赖先验模型的缺点,达到有效提取脑激活区目的。
为实现上述目的,本发明提出的一种基于移动平均时间序列模型的磁共振成像脑激活区检测方法,其特征在于,该方法包括以下步骤:
步骤1,对采集到的原始功能磁共振成像(fMRI)图像进行预处理;
步骤2,对于每个被测试者逐体素计算每个被测试者的个体体素信号强度时间序列模型;
步骤3,对于组群,计算每个个体在组群中的权重值,并根据全脑个体体素信号强度时间序列模型,逐体素构建组群体素信号强度时间序列模型;
步骤4,根据全脑组群体素信号强度时间序列模型,应用区域增长方法实现脑激活区的提取。
本发明针对现有脑影像fMRI数据分析方法过于依赖先验模型这一问题,采用移动平均方法构建大脑中每个体素的时间序列状态变化模型,该时间序列动态变化模型不依赖与先验知识;通过区域增长方法度量各体素时间序列动态变化的活动相似性,可自适应地提取脑功能激活区。将该方法应用于fMRI影像数据集的结果亦表明,该方法是一种有效的脑功能激活区提取方法。
附图说明
图1是本发明方法流程示意图。
图2是本发明中个体体素信号强度时间序列动态变化模型。
图3是本发明中组群体素信号强度时间序列动态变化模型。
图4是本发明中提取的脑功能区激活图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
参照图1,本发明提出的一种基于移动平均时间序列模型的脑功能激活区检测方法,具体包括以下步骤:
步骤1、对采集到的原始fMRI图像进行预处理。
首先对输入的三维fMRI图像进行时间点校正和头动校正;再将校正后的图像进行标准化处理:采用SPM(Statistical Parametric Mapping,SPM,统计参数映射)软件自带的EPI(Echo Planar Image,平面回波成像)模板,将校正后的图像归一化到蒙特利尔神经科学研究所(Montreal NeurologicalInstitute,MNI)标准脑模板上,并把三维fMRI图像中的每个体素重新采样至3×3×3mm3;然后对标准化后的图像使用高斯核函数进行平滑,其中,高斯核函数的全宽半高值(FWHM)为6×6×6mm3;最后对平滑后的图像去除线性漂移,将扫描基线的漂移进行去除。
步骤2、对于每个被测试者(individual subject),逐体素计算每个被测试者的个体(individual subject)体素信号强度时间序列模型。
步骤2进一步包括以下几个步骤:
步骤2.1,构建个体体素信号强度时间序列预测统计量;
对于每个体素,假设第i个个体体素的fMRI神经响应的时间序列分布状态X满足以下两种数据分布形式:基线状态X0~N(θ0,∑i),以及激活状态X1~N(θ1,∑i),两种状态分布的均值不同,分别对应于无刺激状态和刺激状态。其中,θ0,θ1为均值,∑i为协方差。那么,实测的信号强度时间序列统计模型为:
其中,t为时间序列取值的时间点,为第i个个体在时刻t测得的信号强度,为第i个个体在时刻t所对应的噪音项,为第i个个体对应于整个时间序列的噪音向量,服从均值为0,协方差为∑i的正态分布,m为所有被测试者人数,n为时间点个数,表示第i个个体在t时刻的信号强度期望值,满足:
其中,τ为从基线状态到激活状态的状态改变所对应的时间点,在τ时刻,fMRI时间序列的状态发生改变,如由外界刺激条件引起大脑皮层神经活动的增强(或减弱),进而使时间序列中的数据从均值为θ0转变到均值为θ1的分布状态。
利用移动平均法构建个体体素信号强度时间序列预测统计量满足:
其中,λ为权重系数,0≤λ≤1,λ决定了该模型检测fMRI时间序列信号突然发生变化的能力,即时效性。λ越大,时效性越强,反之越弱。这里选择λ=0.2。
步骤2.2,基于个体体素信号强度时间序列预测统计量,统计推断个体体素信号强度时间序列变化状态,完成个体体素信号强度时间序列模型的建立。
通过对数据分布形式加以判断,可以判断特定时刻时间序列信号的状态是否发生变化。为此做出如下假设:零假设(H0)为只存在一种均值状态,均值μ为常数,即信号状态没有发生改变;备择假设(H1)为存在两种状态(基线状态与激活状态),均值μ对应不同值,即:
H0:μ=θ0,t=1,...,n;
H1:μ=θ0,t=1,...,τ;
μ=θ1,t=τ+1,...,n;
为了检验个体体素信号强度的状态是否发生变化,定义检验统计量T为:
其中,为统计量在t时刻的方差。
检验统计量T服从自由度为d的t分布t(∑,df),控制阈限(ControlLimits,即置信度区间)定义为:
其中,t*为假阳性率(一般取值为95%)。一旦统计量超过该阈限值,则表明t时刻该体素处于“激活”状态。
由于检验统计量T服从自由度为d的t分布t(∑,df),因此fMRI时间序列中每个时间点t都对应着一个概率p值。为遍历整个时间序列,需对p值进行校正。令为对应于所有时间点的检验统计量向量,服从多变量t分布,即:优选地,可采用蒙特-卡罗(Monte Carlointegration)方法在时间维度上对p值进行FWER(Family-wise Error Rrate)校正,以估计t*值。具体来说,可由t(∑,df)分布随机生成2000个长度为n的特征向量,用Tk表示其中一个特征向量。对于Tk,可求得Tk各分量的绝对值最大,表示为:
因此,对应于随机生成的2000个特征向量,可求得2000个Tmax值。将Tmax按照由大到小的顺序排序:Tmax,1>Tmax,2>…>Tmax,2000,由于蒙特-卡罗方法的校正过程本质上是多重检验的过程,一般通过控制假阳性率(FDR,False Discovery Rate)来决定p值。实践过程中FDR的值一般选取0.05。因此t*取为Tmax,95,t*即为校正后的p值。
对于每个个体i的任一体素,用表示第i个个体对应于整个时间序列的信号强度预测统计量,模拟了信号强度时间序列动态变化,通过与阈限值比较,可以判断某时刻该体素是否处于“激活”状态。
至此,通过计算个体体素信号强度时间序列预测统计量,并在此基础上估计信号强度时间序列变化状态,完成了个体体素信号强度时间序列模型的建立。
上述描述是针对单一体素举例,将上述步骤应用于全脑体素,可以得到全脑个体体素信号强度时间序列模型。
步骤3、对于组群(group subjects),计算每个个体在组群中的权重值,并根据全脑个体体素信号强度时间序列模型,逐体素构建组群(groupsubjects)体素信号强度时间序列模型。
步骤3进一步包括以下几个步骤:
步骤3.1,构建组群体素信号强度时间序列预测统计量;
对于组群,考虑到不同被测试者之间的个体差异,实测的信号时间序列统计模型可写为:
其中,为第i个个体在时刻t测得的信号强度;为第i个个体在时刻t所对应的噪音项, 表示第i个个体在时刻t的信号强度期望值;ηt为时刻t组群内不同被测试者个体差异引起的噪音项,这里∑B为不同个体间的噪音协方差矩阵,m为个体个数,n为时间点个数,满足:
将该模型写为矩阵形式,可得:
由上面2个公式,该模型又可写为:
其中,用表示第i个个体的总噪音项,令Vi=∑i+∑B,为第i个个体的体素信号强度时间序列预测统计量。则第i个个体信号强度时间序列预测统计量的噪音协方差矩阵可写为:
其中,Λ为:
λ为权重系数,0≤λ≤1,此处取λ=0.2。第i个个体信号强度时间序列预测统计量的噪音协方差矩阵可看做由2部分组成,分别对应于个体噪音项的部分和对应于由组群内不同被测试者个体差异引起的噪音项部分。
组群体素信号强度时间序列预测统计量可由个体体素信号强度时间序列预测统计量的权重和表示,具有如下形式:
其中,为第i个个体的体素信号强度时间序列预测统计量。令上式可写为:
由此可知,组群体素信号强度时间序列预测统计量可看做由个体体素信号强度时间序列预测统计量权重组合而成,D为权重系数。
步骤3.2,计算每个个体在组群中的权重值D,优选地,采用期望最大化算法计算每个个体在组群中的权重值D;
对于组群内不同被试个体差异引起的噪音项∑B而言,由于个体间的信号是相互独立的,因此不同个体间的噪音协方差为0,即:∑B的非对角线元素都为0,因此∑B可写为如下形式:
其中,In为行数为n的单位矩阵;为第i个个体噪音协方差项由组群内不同被测试者个体差异引起的部分;为行数为n,列数为1服从的随机变量,的每个分量服从标准正态分布。α代表需要求解的部分,ΛTΛ代表的已知部分。
因此为了估计权重值D,只需估计α。
优选地,采用期望最大化算法(EM-algorithm)估计α。根据期望最大化算法,定义下式:
其中,QG为权重系数λ对应的算法初始化参数项;为第m个个体体素信号强度时间序列预测统计量对应的噪音协方差;∑G为个体体素信号强度时间序列预测统计量对应的算法初始化参数项;为组群个体体素信号强度时间序列预测统计量对应的噪音协方差矩阵;为行数为m的单位矩阵。定义G=[In,In,…,In]T是行数为mn、列数为n的矩阵,其中In为行数为n的单位矩阵。
令为一个行数为m,列数为n的矩阵,其中,中的第i个行向量对应于第i个个体的组群体素信号强度时间序列模型。
最大期望算法经过计算期望和最大化两个步骤交替进行计算:
1.计算期望(E步骤):
2.最大化(M步骤):
α=α+H-1g,
重复上面的E步骤和M步骤直到收敛。其中,为行数为m,列数为n的矩阵,第i个行向量为第i个个体的组群体素信号强度时间序列模型;C为数据集的期望值;P、g、H为使得步骤1期望最大化时的参数估计。
步骤3.3,基于组群体素信号强度时间序列预测统计量,统计推断组群体素信号强度时间序列变化状态。
为检测组群时间序列信号的状态是否发生变化,定义假设:零假设为只存在一种均值状态,均值μ为常数,即信号状态没有发生改变;备择假设为存在两种状态(基线状态与激活状态),均值μ对应不同值,即:
H0:μ=θ0,t=1,...,n,
H1:μ=θ0,t=1,...,τ,
μ=θ1,t=τ+1,...,n,
定义检验统计量T为:
控制阈限定义为:
其中,t*为假阳性率(一般取值为95%)。一旦统计量超过该阈限值,则表明t时刻该体素处于“激活”状态。
同步骤2.2的处理方法,可采用蒙特-卡罗(Monte Carlo integration)方法在时间维度上对概率p进行FWER(Family-wise Error Rrate)校正,估计t*值。可由协方差矩阵的对角线元素计算而得。一旦统计量超过该阈限值,则表明t时刻该体素处于“激活”状态。
步骤3.4,基于全脑个体体素信号强度时间序列模型、每个个体在组群中的权重值D以及组群体素信号强度时间序列变化状态,逐体素构建组群体素信号强度时间序列模型。
至此,基于步骤一得到的每个个体体素信号强度时间序列模型,通过EM算法求得每个个体在组群中的权重值,可推断组群体素信号强度时间序列模型。
上述说明针对单一体素举例,将上述步骤应用于全脑体素,可以得到全脑组群体素信号强度时间序列模型。
步骤4、根据全脑组群体素信号强度时间序列模型,应用区域增长(region growing)方法实现脑激活区的提取。
步骤4进一步包括以下几个步骤:
步骤4.1,度量不同体素间的活动相似性。
优选地,使用组群体素信号强度时间序列模型的皮尔逊(Pearson)相关系数作为区域一致性准则,来度量不同体素间的活动相似性。
步骤4.2,使用体素v0作为种子点,区域增长算法每次选择同种子点活动最相似的邻域体素加入局部一致脑区;迭代进行区域增长算法,直到局部一致脑区达到指定局部区域大小后停止,局部区域内的体素信号强度时间序列动态变化基本一致。
步骤4.3,将上述步骤4.1和步骤4.2应用到全脑体素,根据脑激活区内体素信号强度时间序列动态变化基本一致这一原理,可实现脑激活区提取。
为了说明本发明所述方法的有效性,将该方法应用于针刺机理脑成像研究中。
1.数据采集及实验设计
本测试数据里来自16名被测试者(8男8女),均为右利手,并符合针刺及fMRI实验要求。实验设计采用传统on-off组块(block)设计,三个刺激(on)组块的时间间隔分别为2分钟和1分钟。穴位选择临床中较为常用的镇痛穴足三里(ST36),全部实验由专业针灸师操作。
2.数据处理
数据预处理与统计分析均采用统计参数图分析软件(StatisticalParametric Mapping 2,SPM2)。首先,对图像进行时间点校正并采用最小二乘法对功能数据进行头动校正(所有被试的头动平移未超过1mm,旋转角度未超过1°);其次,对校正后的数据利用12参数的仿射变换将平均图像配准到MNI(Montreal Neurological Institute)标准模板,并将体素重切为3mm×3mm×3mm的大小;采用6mm FWHM(Full Width Half Maximum)高斯核函数对数据进行平滑。最后,用rest软件去除线性漂移,将扫描基线的漂移进行去除。
将本文所述的基于时间序列状态分析的方法应用于预处理后数据,结果如附图所示。图2为分别对应于16个被试的某一体素信号强度时间序列变化模型;图3为该体素组群信号强度时间序列变化模型;图4为应用该方法得到的脑区激活图(XY-轴位观,XZ-冠状位观,YZ-矢状位观)。实验结果说明,本发明所述的基于时间序列状态分析的脑激活区检测方法可有效提取脑激活区。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于移动平均时间序列模型的磁共振成像脑激活区检测方法,其特征在于,该方法包括以下步骤:
步骤1,对采集到的原始功能磁共振成像fMRI图像进行预处理;
步骤2,对于每个被测试者逐体素计算每个被测试者的个体体素信号强度时间序列模型;
步骤3,对于组群,计算每个个体在组群中的权重值,并根据全脑个体体素信号强度时间序列模型,逐体素构建组群体素信号强度时间序列模型;
步骤4,根据全脑组群体素信号强度时间序列模型,应用区域增长方法实现脑激活区的提取;
所述步骤2进一步包括以下步骤:
步骤2.1,使用移动平均算法来构建个体体素信号强度时间序列预测统计量;
步骤2.2,基于个体体素信号强度时间序列预测统计量,统计推断个体体素信号强度时间序列变化状态,完成个体体素信号强度时间序列模型的建立;
所述步骤3进一步包括以下步骤:
步骤3.1,构建组群体素信号强度时间序列预测统计量;
步骤3.2,计算每个个体在组群中的权重值D;
步骤3.3,基于组群体素信号强度时间序列预测统计量,统计推断组群体素信号强度时间序列变化状态;
步骤3.4,基于全脑个体体素信号强度时间序列模型、每个个体在组群中的权重值D以及组群体素信号强度时间序列变化状态,逐体素构建组群体素信号强度时间序列模型;
所述步骤4进一步包括以下步骤:
步骤4.1,度量不同体素间的活动相似性;
步骤4.2,使用体素v0作为种子点,使用区域增长算法选择同种子点活动最相似的邻域体素加入局部一致脑区;迭代进行区域增长算法,直到局部一致脑区达到指定局部区域大小后停止;
步骤4.3,将上述步骤4.1和步骤4.2应用到全脑体素,根据脑激活区内体素信号强度时间序列动态变化基本一致这一原理,实现脑激活区的提取。
2.如权利要求1所述的方法,其特征在于,所述步骤1中对采集到的原始fMRI图像进行预处理进一步包括:对fMRI图像进行时间点校正、头动校正、标准化处理、重新采样、平滑以及去除线性漂移。
3.如权利要求2所述的方法,其特征在于,对fMRI图像进行标准化处理时采用统计参数映射软件自带的平面回波成像(EPI)模板对fMRI图像进行标准化处理。
4.如权利要求1所述的方法,其特征在于,所述步骤2.2进一步采用蒙特-卡罗方法在时间维度上对概率p进行FWER校正来统计推断个体体素信号强度时间序列变化状态,其中,概率p为fMRI时间序列中时间点t所对应的概率值。
5.如权利要求1所述的方法,其特征在于,所述步骤3.2进一步使用期望最大化算法来计算每个个体在组群中的权重值D。
6.如权利要求1所述的方法,其特征在于,所述步骤4.1进一步使用组群体素信号强度时间序列模型的皮尔逊相关系数作为区域一致性准则,度量不同体素间的活动相似性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110329397.5A CN102508184B (zh) | 2011-10-26 | 2011-10-26 | 一种基于移动平均时间序列模型的脑功能激活区检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110329397.5A CN102508184B (zh) | 2011-10-26 | 2011-10-26 | 一种基于移动平均时间序列模型的脑功能激活区检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102508184A CN102508184A (zh) | 2012-06-20 |
CN102508184B true CN102508184B (zh) | 2015-04-08 |
Family
ID=46220289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110329397.5A Active CN102508184B (zh) | 2011-10-26 | 2011-10-26 | 一种基于移动平均时间序列模型的脑功能激活区检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102508184B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034778B (zh) * | 2012-09-28 | 2016-01-20 | 中国科学院自动化研究所 | 适合多被试脑功能数据分析的个体脑功能网络提取方法 |
CN102908145B (zh) * | 2012-11-09 | 2015-01-21 | 中国科学院自动化研究所 | 一种基于多模态磁共振成像的脑区功能定位方法 |
CN104958072B (zh) * | 2015-05-18 | 2019-01-15 | 华南理工大学 | 一种基于矢量多分类的大脑功能区特异性脑电检测方法 |
CN105513058B (zh) * | 2015-12-01 | 2019-04-23 | 中国科学院苏州生物医学工程技术研究所 | 一种脑激活区检测方法和装置 |
CN105596004B (zh) * | 2015-12-28 | 2017-08-25 | 中国人民解放军国防科学技术大学 | 基于成组典型相关分析的脑功能磁共振成像盲源分离方法 |
CN108197661B (zh) * | 2018-01-19 | 2022-03-01 | 上海海事大学 | 基于体素水平脑功能信息的认知活动状态分类系统和方法 |
CN109330595B (zh) * | 2018-11-15 | 2022-03-01 | 郑州轻工业学院 | 基于连接强度分析的脑核团动态可变性测量方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4439515A1 (de) * | 1994-11-04 | 1996-05-09 | Siemens Ag | Verfahren zur zeit- und ortsaufgelösten Bestimmung von Gehirnaktivitäten eines Patienten |
CN1626032A (zh) * | 2003-12-12 | 2005-06-15 | 中国科学院自动化研究所 | 基于约束优化的脑功能核磁共振时间序列分析方法 |
CN1628608A (zh) * | 2003-12-15 | 2005-06-22 | 中国科学院自动化研究所 | 利用局部一致性方法的功能磁共振数据处理方法 |
CN101292871A (zh) * | 2007-04-25 | 2008-10-29 | 中国科学院自动化研究所 | 一种基于模式识别分类提取磁共振成像脑激活区的方法 |
CN101706561A (zh) * | 2009-11-20 | 2010-05-12 | 电子科技大学 | 功能性磁共振图像的聚类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005000528A (ja) * | 2003-06-13 | 2005-01-06 | National Institute Of Information & Communication Technology | 脳機能測定装置及び脳機能測定プログラム |
-
2011
- 2011-10-26 CN CN201110329397.5A patent/CN102508184B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4439515A1 (de) * | 1994-11-04 | 1996-05-09 | Siemens Ag | Verfahren zur zeit- und ortsaufgelösten Bestimmung von Gehirnaktivitäten eines Patienten |
CN1626032A (zh) * | 2003-12-12 | 2005-06-15 | 中国科学院自动化研究所 | 基于约束优化的脑功能核磁共振时间序列分析方法 |
CN1628608A (zh) * | 2003-12-15 | 2005-06-22 | 中国科学院自动化研究所 | 利用局部一致性方法的功能磁共振数据处理方法 |
CN101292871A (zh) * | 2007-04-25 | 2008-10-29 | 中国科学院自动化研究所 | 一种基于模式识别分类提取磁共振成像脑激活区的方法 |
CN101706561A (zh) * | 2009-11-20 | 2010-05-12 | 电子科技大学 | 功能性磁共振图像的聚类方法 |
Non-Patent Citations (2)
Title |
---|
功能磁共振成像时间序列分析中的RTSC方法;赵庆柏等;《中国医学影像技术》;20051231;第21卷(第03期);全文 * |
基于局部空间活动模式信息提取脑激活区;甄宗雷等;《自然科学进展》;20070930;第17卷(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN102508184A (zh) | 2012-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102508184B (zh) | 一种基于移动平均时间序列模型的脑功能激活区检测方法 | |
Wismüller et al. | Cluster analysis of biomedical image time-series | |
Bowman et al. | A Bayesian hierarchical framework for spatial modeling of fMRI data | |
CN102366323B (zh) | 一种基于pca和gca的磁共振脑成像因果连接强度的检测方法 | |
CN102496156B (zh) | 基于协同量子粒子群算法的医学图像分割方法 | |
US9633430B2 (en) | Method for analyzing functional MRI brain images | |
CN110232332A (zh) | 动态功能连接局部线性嵌入特征的提取及脑状态分类方法和系统 | |
CN112614126B (zh) | 基于机器学习的磁共振图像脑区划分方法、系统和装置 | |
CN113610808B (zh) | 基于个体脑连接图的群体脑图谱个体化方法、系统和设备 | |
US20210346096A1 (en) | Methods and apparatus for electromagnetic source imaging using deep neural networks | |
CN105842642A (zh) | 基于峰度张量分数各向异性微结构特征提取方法与装置 | |
Laskaris et al. | Semantic geodesic maps: a unifying geometrical approach for studying the structure and dynamics of single trial evoked responses | |
CN102202572B (zh) | 用于提供实时扩散峭度成像的系统和方法 | |
Rathi et al. | Detection and characterization of brain tumor using segmentation based on HSOM, wavelet packet feature spaces and ANN | |
CN104537711B (zh) | 一种基于健康人群的白质纤维参数化模型构建方法 | |
Parra et al. | Automated brain data segmentation and pattern recognition using ANN | |
Beejesh et al. | Brain MR kurtosis imaging study: contrasting gray and white matter | |
CN111369637B (zh) | 一种融合白质功能信号的dwi纤维优化重建方法及系统 | |
CN107427255B (zh) | 基于脑图像而估算梗塞区域的发生时点的方法 | |
Wang et al. | Adaptively and spatially estimating the hemodynamic response functions in fMRI | |
CN103838941A (zh) | 一种核磁共振数据处理的比较平均值法 | |
Ou et al. | Multimodal functional imaging using fMRI-informed regional EEG/MEG source estimation | |
Wang et al. | Efficient fully bayesian approach to brain activity mapping with complex-valued fmri data | |
Ngan et al. | Investigating the enhancement of template-free activation detection of event-related fMRI data using wavelet shrinkage and figures of merit | |
de Pasquale et al. | Empirical Markov chain Monte Carlo bayesian analysis of fMRI data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |