CN102663414A - 一种基于脑功能成像的识别大脑认知状态的方法 - Google Patents

Abstract

本发明公开了一种基于脑功能成像的识别大脑认知状态的方法，包括以下步骤：输入脑核磁共振图像实验数据序列；预处理脑核磁共振图像实验数据；建立多维数据集：脑坐标维、脑区域维、实验时间序列维、认知状态维；特征提取；状态分类与识别。本发明通过提取已知任务状态脑图像的特征向量，训练支持向量机分类器，并使用该分类器，对未知脑图像的特征向量进行认知状态分类，当未知脑图像属于某个类别时，则该类别所属的认知状态就是未知脑图像的认知状态，从而达到识别大脑认知状态的目的。本发明建立的脑图像的多维数据集对脑图像进行二次分析、处理和整合，从而使脑图像的数据计算和分析更加方便、快捷和直观。

Description

一种基于脑功能成像的识别大脑认知状态的方法

技术领域

本发明涉及一种利用三维磁共振扫描图像的基于脑功能成像的识别大脑认知状态的方法，属于医学图像处理领域。

背景技术

越来越多的学者运用功能性磁共振成像(functional Magnetic ResonanceImaging，fMRI)研究脑功能，当脑皮层的微血管中的血氧变化时，会引起局部磁场均匀性变化，称为血氧水平依赖(Blood Oxygenation-Level Dependent，BOLD)，fMRI技术可以探测大脑在认知任务时的BOLD，从而研究大脑的高级神经活动。标准的fMRI实验设计之一称为组块设计(Blocked Designs)。实验有两种不同的条件，分别形成任务组块(Task blocks)和控制组块(Control block)，在任务组块中需要被试者完成某项设定的认知任务，在控制组块中被试者则处于休息状态，什么也不需要做，每个组块持续一定时间(一般为14至20秒)，并在连续的扫描中交替出现。在整个的实验过程中，每隔一段固定时间(其时间分辨率依机器的扫描速度而定，一般为2至3秒)，会采到一幅全脑加权像，它们构成一个离散的时间序列，可记为{f(n)}(n为正整数)。因此，组块持续时间可以使用扫描图像的数量代替，{f(n)}的长度l即总图像数由实验的周期数L与周期长度(每周期取得的图像数)所决定，即l＝L×(c+t)，其中，c和t分别为每个实验周期内所获取的完成控制组块的图像数和完成任务组块的的图像数。对于自变量n的每一个取值，{f(n)}都唯一地确定一幅全脑加权像，记为BOLD(n)。它既可能是属于控制组块的BOLDc(n)，又可能为属于任务组块的BOLDt(n)。

在过去的几年中，为了发现脑区与认知功能之间的关系，发展了许多识别脑区功能的分析方法，由于为数众多的实验通过对比大脑扫描数据在任务组块和控制组块之间的差异而确定结果，因此最流行的处理方式是使用统计的方法，如t检验和相关分析等。由此可得到的通常的实验结果是，磁共振扫描某个脑区的激活在实验任务组块时要比控制组块时的高。但是，当脑认知状态未知时(即不知道当前脑扫描图像是处在任务组块阶段还是控制组块阶段)，这些方法就无能为力。随着数据收集越来越多，如何通过已有的数据建模，在该模型基础上进行数据挖掘，发现脑认知状态的相关知识，并建立人工智能的识别系统，自动识别脑的认知状态成为当前亟待解决的问题。

发明内容

为解决现有技术存在的上述问题，本发明要设计一种基于脑功能成像的识别大脑认知状态的方法，可以利用已有的认知状态和已知的脑扫描图像建立多维数据集，自动识别脑的认知状态。

为了实现上述目的，本发明的技术方案如下：一种基于脑功能成像的识别大脑认知状态的方法，包括以下步骤：

A、输入脑核磁共振图像实验数据序列

脑核磁共振图像实验数据序列，在整个的实验过程中有两种不同的条件，分别形成任务组块和控制组块，每个组块持续一定时间，并在连续的扫描中交替出现；每隔一段固定时间，机器会采到一幅全脑加权像，它们构成一个离散的时间序列，记为{f(n)}，n为正整数；因此，组块持续时间可以使用扫描图像的数量代替，{f(n)}的长度l即总图像数由实验的周期数L与周期长度所决定，即l＝L×(c+t)，其中，c和t分别为每个实验周期内所获控制和任务的图像数；对于自变量n的每一个取值，{f(n)}都唯一地确定一幅全脑加权像，记为BOLD(n)；它既可能是属于控制组块的BOLDc(n)，又可能为属于任务组块的BOLDt(n)；所述的持续一定时间为14至20秒，所述的一段固定时间为2至3秒；

B、预处理脑核磁共振图像实验数据

首先是配准，将一个实验序列中的每一帧脑图像都与这个序列的第一帧脑图像对齐，矫正头动；然后使用蒙特利尔神经学研究所的MNI标准脑图谱对不同的脑图像进行空间标准化处理，将其转化为大小和朝向都相同的脑图像；最后对脑图像做高斯平滑，确保脑图像数据具有随机高斯场的性质，提高信噪比，由于对齐和标准化使各个体素点之间的关联性被改变，高斯平滑能够使相邻的体素点共享更多的信息；

C、建立多维数据集

用预处理后的脑图像建立多维数据集，该数据集包括：

C1、脑坐标维。脑坐标维包括三个维度，即脑的三维空间立体坐标X、Y和Z轴。按真实的X、Y和Z三个坐标轴建立三个相应的维度。由于数据预处理中使用MNI标准图谱，该图谱没有对脑区的标注，因此需要将每个标准化后的体素点的坐标位置换算成有脑区标注的Talairach脑图谱下的坐标，以便建立体素点和所属脑区之间的对应关系。体素点坐标包括三个维度，即大脑的三维空间立体坐标X、Y和Z轴。对于MNI标准图谱下的体素点坐标x、y和z，它对应的Talairach脑图谱坐标可由公式(1)计算

x′＝0.99x

$y^{\&prime;}=\left\{\begin{array}{cc}0.9688y+0.046z& \mathrm{ifz}\&GreaterEqual;0\\ 0.9688y+0.042z& \mathrm{ifz}<0\end{array}\right.---\left(1\right)$

$z^{\&prime;}=\left\{\begin{array}{cc}-0.0485y+0.9189z& \mathrm{ifz}\&GreaterEqual;0\\ -0.0485y+0.839z& \mathrm{ifz}<0\end{array}\right.$

获取Talairach脑图谱坐标后，查询该体素点所在的脑区，建立脑区域维和脑坐标维对应关系。

C2、脑区域维。Talairach脑图谱将脑分成几十个不同的区域，脑区域维就代表这些区域。Talairach脑图谱共分五层，脑区域维呈现树形结构，分为从第一层到第五层五个等级。

C3、实验时间序列维。实验时间序列维代表实验中每一幅扫描的脑图像。实验开始时的第一幅脑图像是第1个刻度，依此类推，按照时间顺序排列，维度上的每一个刻度代表一幅扫描的脑图像。

C4、认知状态维。认知状态维代表实验的认知状态，当只有一个认知实验数据时，认知状态维有两个刻度，分别表示该认知任务和控制；当有多个认知实验数据时，则认知状态维有多个刻度，每个刻度表示一个认知任务，同时将这些实验中所有的控制数据汇总作为一个表示控制的刻度。

C5、度量值。多维数据集是记录脑中各区或各体素点在实验过程中激活情况的数据，因此，度量值为体素点在步骤B预处理后的BLOD信号值；

D、特征提取

在多维数据集每一个实验时间刻度上，沿着脑区域维度上卷至第四层，然后沿实验时间序列维求平均值，形成一个平均值子集，将平均值子集中的数据分别与每个实验时间序列刻度上的对应脑区域上的数据值相除，使数据正规化。将处理后的多维数据集在每个实验时间序列刻度上切片，每个切片都是一个一维的特征向量——表示该时刻脑图像的特征向量。

E、状态分类与识别

完成每幅脑图像的特征提取后，将特征向量输入至一个支持向量机分类器中，该支持向量机使用线性核函数，在训练支持向量机时，任务组块时的脑图像为正样本，而控制组块时的脑图像为负样本。当有未知脑图像时，对该脑图像重复步骤B、C和D，然后将提取的特征向量输入训练好的支持向量机，即可根据支持向量级分类结果判定，该脑图像的是否属于实验中的任务认知状态。

当有多个认知状态时，使用支持向量机“一对多”的方法：假设共有k个认知状态，则建立k个支持向量机分类器，第i个分类器用第i类认知状态的脑图像作为正的训练样本，而将其他的所有脑图像作为负的训练样本，当有未知脑图像时，分别输入这k个支持向量机分类器依次计算结果，该脑图像的认知状态属于计算结果值最大的那个类别，即该类别所属的认知状态就是未知脑图像的认知状态。

与现有技术相比，本发明具有以下有益效果：

1、本发明通过提取已知任务状态脑图像的特征向量，训练支持向量机分类器，并使用该分类器，对未知脑图像的特征向量进行认知状态分类，当未知脑图像属于某个类别时，则该类别所属的认知状态就是未知脑图像的认知状态，从而达到识别大脑认知状态的目的。

2、本发明建立的脑图像的多维数据集对脑图像进行二次分析、处理和整合，将复杂繁琐的脑图像体素点计算问题和体素点脑区归属问题转化成多维数据集的运算操作，如求和、切片、上卷和下钻等，从而使脑图像的数据计算和分析更加方便、快捷和直观。

附图说明

本发明共有附图6张，其中：

图1是本发明的基本流程图；

图2是脑fMRI成像数据序列示意图；

图3是组块设计实验示意图；

图4是Talairach脑图谱五层分区示意图；

图5是脑图像多维数据集示意图；

图6是脑图像数据切片示意图。

具体实施方式

下面结合附图对本发明进行进一步地描述，步骤方法如图1所示：

A、输入脑核磁共振图像实验数据序列

脑核磁共振图像实验数据序列，在整个的实验过程中有两种不同的条件，分别形成任务组块和控制组块，每个组块持续一定时间，并在连续的扫描中交替出现；如图2所示，每隔一段固定时间，机器会采到一幅全脑加权像，它们构成一个离散的时间序列，如图3所示，记为{f(n)}，n为正整数；因此，组块持续时间可以使用扫描图像的数量代替，{f(n)}的长度l即总图像数由实验的周期数L与周期长度所决定，即l＝L×(c+t)，其中，c和t分别为每个实验周期内所获控制和任务的图像数；对于自变量n的每一个取值，{f(n)}都唯一地确定一幅全脑加权像，记为BOLD(n)；它既可能是属于控制组块的BOLDc(n)，又可能为属于任务组块的BOLDt(n)；所述的持续一定时间为14至20秒，所述的一段固定时间为2至3秒；

B、预处理脑核磁共振图像实验数据

首先是配准，将一个实验序列中的每一帧脑图像都与这个序列的第一帧脑图像对齐，矫正头动。然后对不同的脑图像进行空间标准化处理，将其转化为大小和朝向都相同的脑图像，使用蒙特利尔神经学研究所(Montreal NeurologicalInstitute，MNI)的标准脑图谱。最后对脑图像做高斯平滑，它可以确保脑图像数据具有随机高斯场的性质，提高信噪比，由于对齐和标准化使各个体素之间的关联性被改变，高斯平滑能够使相邻的体素共享更多的信息。

C、建立多维数据集

用预处理后的脑图像建立多维数据集，该数据集的包括：

C1、脑坐标维。脑坐标维包括三个维度，即脑的三维空间立体坐标X、Y和Z轴。按真实的X、Y和Z三个坐标轴建立三个相应的维度。比如，经过标准化后的数据点阵结构是79*95*68(每一个体素点代表8立方毫米)，这表示X轴有79个刻度；Y轴有95个刻度；Z轴有68个刻度。轴上的每个刻度都代表点在该坐标上的位置。这三个维度存储在同一张维度表中，将坐标点按照三维数组的存储顺序编号，这样每一个MNI标准图谱下的体素点的(x，y，z)都对应一个坐标编号。

由于数据预处理中使用MNI标准图谱，该图谱没有对脑区的标注，因此需要对每个体素点的坐标位置换算成Talairach脑图谱下的坐标(Talairach脑图谱有脑区标注)，以便建立体素点和所属脑区之间的对应关系。MNI标准图谱和Talairach脑图谱在大小和坐标上都有一定的差异，MNI标准图谱的顶部较高，而颞叶比Talairach脑图谱的顶部低而且大。体素点坐标包括三个维度，即大脑的三维空间立体坐标X、Y和Z轴。对于MNI标准图谱下的体素点坐标(x，y，z)，它对应的Talairach脑图谱坐标可由公式(1)计算

x′＝0.99x

$y^{\&prime;}=\left\{\begin{array}{cc}0.9688y+0.046z& \mathrm{ifz}\&GreaterEqual;0\\ 0.9688y+0.042z& \mathrm{ifz}<0\end{array}\right.---\left(1\right)$

$z^{\&prime;}=\left\{\begin{array}{cc}-0.0485y+0.9189z& \mathrm{ifz}\&GreaterEqual;0\\ -0.0485y+0.839z& \mathrm{ifz}<0\end{array}\right.$

获取Talairach脑图谱坐标后，查询该体素点所在的脑区，这样即可建立脑区域维和脑坐标维对应关系。

C2、脑区域维。Talairach脑图谱将脑分成几十个不同的区域，本维度就代表这些区域。他们共分五层，如图4所示，因此本维度分为从第一层到第五层五个等级。但五个层次并不是严格的树型关系。因此，直接将这些区域按这五层分成五个维度级别，并不符合建立维度级别所要求的树型结构，所以要对其进行处理。根据脑科学研究的实际需求，将与两个或两个以上父节点相关的节点，分成几部分。

C3、实验时间序列维。本维度代表实验中每一幅扫描的脑图像。实验开始时是第1个刻度，而后维度上的每一个刻度代表一幅扫描的脑图像。

C4、认知状态维。本维度代表实验的认知状态，当只有一个认知实验数据时，本维度有两个刻度，分别表示该认知任务和控制；当有多个认知实验数据时，则本维度有多个刻度，每个刻度表示一个认知任务。

C5、度量值。本数据集是纪录脑中各区或各体素点在实验过程中激活情况的数据，因此，度量值为体素点在预处理后的BLOD信号值。

在多维数据集中选择认知状态维、脑区域维和实验时间序列维三个维度，组成一个三维数据集，示例如图5，三维数据集的X轴表示脑图像的时间序列，Y轴表示认知状态，Z轴表示不同的脑区域。三维数据集中的数字是正规化后的BLOD信号值。在三维数据集中任何一格的数字都对应一个坐标(x，y，z)，它表示认知状态y时，脑中的z区域，在第x时刻的信号值。三维数据集建立好后就可以对其进行切片、合并或统计了，例如，如图6所示，在X轴时间序列上的每个刻度，沿着认知状态和脑区域两个维切片，则表示每个时刻各个脑区在不同认知状态下的信号值。

D、特征提取

在多维数据集每一个实验时间刻度上，沿着脑区域维度上卷至第四层，然后沿实验时间序列维求平均值，形成一个平均值子集，将子集中的数据分别与每个实验时间序列刻度上的对应脑区域上的数据值相除，使数据正规化。将处理后的多维数据集在每个实验时间序列刻度上切片，每个切片都是一个一维的特征向量——表示该时刻脑图像的特征向量。

E、状态分类和识别

完成每幅脑图像的特征提取后，将特征向量输入至一个支持向量机分类器中，该支持向量机使用线性核函数，在训练支持向量机时，任务组块时的脑图像为正样本，而控制组块时的脑图像为负样本。当有未知脑图像时，对该脑图像重复步骤B、C和D，然后将提取的特征向量输入训练好的支持向量机，即可根据支持向量级分类结果判定，该脑图像的是否属于实验中的任务认知状态。

当有多个认知状态时，使用支持向量机“一对多”的方法：假设共有k个认知状态，则建立k个支持向量机分类器，第i个分类器用第i类认知状态的脑图像作为正的训练样本，而将其他的所有脑图像作为负的训练样本，当有未知脑图像时，分别输入这k个支持向量机分类器依次计算结果，该脑图像的认知状态属于计算结果值最大的那个类别，即该类别所属的认知状态就是未知脑图像的认知状态，从而达到了识别未知脑图像认知状态的目的。

Claims (1)

1.一种基于脑功能成像的识别大脑认知状态的方法，其特征在于：包括以下步骤：

A、输入脑核磁共振图像实验数据序列

脑核磁共振图像实验数据序列，在整个的实验过程中有两种不同的条件，分别形成任务组块和控制组块，每个组块持续一定时间，并在连续的扫描中交替出现；每隔一段固定时间，机器会采到一幅全脑加权像，它们构成一个离散的时间序列，记为{f(n)}，n为正整数；因此，组块持续时间可以使用扫描图像的数量代替，{f(n)}的长度l即总图像数由实验的周期数L与周期长度所决定，即l＝L×(c+t)，其中，c和t分别为每个实验周期内所获控制和任务的图像数；对于自变量n的每一个取值，{f(n)}都唯一地确定一幅全脑加权像，记为BOLD(n)；它既可能是属于控制组块的BOLDc(n)，又可能为属于任务组块的BOLDt(n)；所述的持续一定时间为14至20秒，所述的一段固定时间为2至3秒；

B、预处理脑核磁共振图像实验数据

首先是配准，将一个实验序列中的每一帧脑图像都与这个序列的第一帧脑图像对齐，矫正头动；然后使用蒙特利尔神经学研究所的MNI标准脑图谱对不同的脑图像进行空间标准化处理，将其转化为大小和朝向都相同的脑图像；最后对脑图像做高斯平滑，确保脑图像数据具有随机高斯场的性质，提高信噪比，由于对齐和标准化使各个体素点之间的关联性被改变，高斯平滑能够使相邻的体素点共享更多的信息；

C、建立多维数据集

用预处理后的脑图像建立多维数据集，该数据集包括：

C1、脑坐标维；脑坐标维包括三个维度，即脑的三维空间立体坐标X、Y和Z轴；按真实的X、Y和Z三个坐标轴建立三个相应的维度；由于数据预处理中使用MNI标准图谱，该图谱没有对脑区的标注，因此需要将每个标准化后的体素点的坐标位置换算成有脑区标注的Talairach脑图谱下的坐标，以便建立体素点和所属脑区之间的对应关系；体素点坐标包括三个维度，即大脑的三维空间立体坐标X、Y和Z轴；对于MNI标准图谱下的体素点坐标x、y和z，它对应的Talairach脑图谱坐标可由公式(1)计算

x′＝0.99x

$y^{\&prime;}=\left\{\begin{array}{cc}0.9688y+0.046z& \mathrm{ifz}\&GreaterEqual;0\\ 0.9688y+0.042z& \mathrm{ifz}<0\end{array}\right.---\left(1\right)$

$z^{\&prime;}=\left\{\begin{array}{cc}-0.0485y+0.9189z& \mathrm{ifz}\&GreaterEqual;0\\ -0.0485y+0.839z& \mathrm{ifz}<0\end{array}\right.$

获取Talairach脑图谱坐标后，查询该体素点所在的脑区，建立脑区域维和脑坐标维对应关系；

C2、脑区域维；Talairach脑图谱将脑分成几十个不同的区域，脑区域维就代表这些区域；Talairach脑图谱共分五层，脑区域维呈现树形结构，分为从第一层到第五层五个等级；

C3、实验时间序列维；实验时间序列维代表实验中每一幅扫描的脑图像；实验开始时的第一幅脑图像是第1个刻度，依此类推，按照时间顺序排列，维度上的每一个刻度代表一幅扫描的脑图像；

C4、认知状态维；认知状态维代表实验的认知状态，当只有一个认知实验数据时，认知状态维有两个刻度，分别表示该认知任务和控制；当有多个认知实验数据时，则认知状态维有多个刻度，每个刻度表示一个认知任务，同时将这些实验中所有的控制数据汇总作为一个表示控制的刻度；

C5、度量值；多维数据集是记录脑中各区或各体素点在实验过程中激活情况的数据，因此，度量值为体素点在步骤B预处理后的BLOD信号值；

D、特征提取

在多维数据集每一个实验时间刻度上，沿着脑区域维度上卷至第四层，然后沿实验时间序列维求平均值，形成一个平均值子集，将平均值子集中的数据分别与每个实验时间序列刻度上的对应脑区域上的数据值相除，使数据正规化；将处理后的多维数据集在每个实验时间序列刻度上切片，每个切片都是一个一维的特征向量——表示该时刻脑图像的特征向量；

E、状态分类与识别

完成每幅脑图像的特征提取后，将特征向量输入至一个支持向量机分类器中，该支持向量机使用线性核函数，在训练支持向量机时，任务组块时的脑图像为正样本，而控制组块时的脑图像为负样本；当有未知脑图像时，对该脑图像重复步骤B、C和D，然后将提取的特征向量输入训练好的支持向量机，即可根据支持向量级分类结果判定，该脑图像的是否属于实验中的任务认知状态；

当有多个认知状态时，使用支持向量机“一对多”的方法：假设共有k个认知状态，则建立k个支持向量机分类器，第i个分类器用第i类认知状态的脑图像作为正的训练样本，而将其他的所有脑图像作为负的训练样本，当有未知脑图像时，分别输入这k个支持向量机分类器依次计算结果，该脑图像的认知状态属于计算结果值最大的那个类别，即该类别所属的认知状态就是未知脑图像的认知状态。

Images