CN103077298A - 融合图像体素及先验脑图谱划分的大脑网络构建方法 - Google Patents
融合图像体素及先验脑图谱划分的大脑网络构建方法 Download PDFInfo
- Publication number
- CN103077298A CN103077298A CN2012104360702A CN201210436070A CN103077298A CN 103077298 A CN103077298 A CN 103077298A CN 2012104360702 A CN2012104360702 A CN 2012104360702A CN 201210436070 A CN201210436070 A CN 201210436070A CN 103077298 A CN103077298 A CN 103077298A
- Authority
- CN
- China
- Prior art keywords
- brain
- node
- network
- value
- matrix
- 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.)
- Granted
Links
Images
Abstract
本发明针对现有大脑网络构建方法中节点选取方法的不足提出融合图像体素及先验脑图谱划分的大脑网络构建方法,包括对功能磁共振成像数据的预处理,基于图像体素构建初步大脑网络,在初步大脑网络的基础上基于先验脑图谱构建最终大脑网络。本发明将现有技术中两种节点选取方法进行融合,在图像体素的基础上寻找度值较大的节点,利用Talairach脑区定位软件在先验脑图谱的基础上筛选节点,以筛选出的节点为圆心画半径为6毫米的球体作为大脑网络的核心节点,根据核心节点及求得的大脑网络的边确定最终的大脑网络。本发明能全面细致的刻画大脑功能网络,将网络的核心节点在大脑空间中可视化的同时,实现清晰的观测脑区之间连接模式的功能。
Description
技术领域
本发明涉及脑功能成像领域以及大脑网络的构建领域,具体是一种融合图像体素及先验脑图谱划分的大脑网络构建方法来构建人体大脑网络,为认知大脑内部的工作机制,研究大脑内部的神经活动规律以及重大神经科学问题提供拓朴图像依据。
背景技术
人脑可以看作由多个神经元、神经元集群或者多个脑区相互连接成的一个高度复杂的网络,这个庞大而复杂的网络是大脑进行信息处理和认知表达的生理基础。一些神经科学家充分认识到构建人脑网络的重要性后,提出人脑连接组(humanconnectome)的概念。人脑连接组力图从宏观(大脑脑区)到微观(单个神经元)的各层次上全面而精细的刻画人类从总体到个体水平的大脑网络图谱,并进一步挖掘该网络的连接规律。构建大脑网络关键的两步:一是如何定义网络节点,二是如何定义网络节点间的连接(边)。
近年来,基于图论的复杂网络理论(Graph Theory Analysis)的发展为人脑连接组的研究提供了必要的工具和分析方法。其中,基于功能磁共振成像数据构建大脑网络时,网络节点的选取十分重要并直接影响最终网络模型的精确性。目前对大脑网络节点的选取普遍采用两种方式:将图像体素或由先验脑图谱划分得到的大脑区域看作大脑网络的节点。
将图像体素看作网络节点时,通常是基于功能磁共振成像预处理后的数据集,把图像中的每个体素点作为大脑网络中的节点。这样选取节点的优点是能够全面、细致的刻画脑网络,精确定位出特定解剖结构中的核心节点,并且可以将核心节点在大脑空间中可视化。但是如果采取这样的网络节点定义方式,可能在某一包含图像体素较多的脑区内部由于局部体素自相关过多而导致“伪核心节点”的产生;同时将每个体素看作网络节点时网络中包含上千或上万的节点,不利于观测整个网络的连接模式。
利用先验脑图谱划分得到的大脑区域作为网络节点时,最常用的是AAL大脑解剖图谱(可参见Tzourio-Mazoyer N,Landeau B,Papathanassiou D,Crivello F,Etard O,eta1.(2002)Automated anatomical labeling of activations in SPM using a macroscopicanatomical parcellation of the MNI MRI single-subject brain.Neuroimage15:273-289.),该图谱将大脑分成90个独立的脑区,研究者在构建大脑网络时通常将每个大脑区域看作大脑网络的一个节点;除此之外,也可以按照其它的解剖结构划分方式将大脑分割成一定数目的脑区。这样选取节点的优点是所构建出的大脑网络节点意义相对明确,网络可视化强,能够清楚的观测网络中点与点之间的连接模式。但是,由于根据解剖结构得到的脑区与脑区之间的边界不好确定,并且每个脑区中所包含的图像体素个数可以从十几到几千,这样就导致网络中节点的分割方式相对粗糙,包含体素较多的节点的脑区也更容易产生边的连接,影响最终网络模型的精确性。
因此,在构建大脑网络时节点的选取方式需要改进。
发明内容
本发明的目的在于克服上述现有技术中存在的大脑网络节点选取方式的不足之处,从而提出了一种改进的节点选取方法来构建大脑网络,即融合图像体素及先验脑图谱划分的大脑网络构建方法。
为了实现本发明的目的,本发明采取的技术方案是将现有技术中图像体素和先验脑图谱两种节点选取方法进行融合并将图像体素或先验脑图谱看作大脑网络的节点,在图像体素的基础上寻找度值较大的节点,初步大脑网络,然后利用Talairach脑区定位软件在先验脑图谱的基础上筛选节点,并以筛选出的节点为圆心画半径为6毫米的球体作为大脑网络中的核心节点,在初步大脑网络的基础上基于先验脑图谱构建最终的大脑网络,其步骤包括:
步骤1:利用磁共振成像手段获取大脑信号数据并对获取的数据进行预处理,采用SPM5统计参数图分析软件对数据进行预处理,具体操作如下:
(1.1)采用最小二乘法对采集到的大脑信号数据进行头动校正;
(1.2)对校正后的数据利用仿射变换将平均图像配准到标准模板,并将体素进行重切;
(1.3)采用带通滤波器对配准重切后的数据进行滤波,以去除噪声;
(1.4)对滤波后的数据进行线性回归,去除白质、脑脊液和被试实验过程中头动产生的影响;
步骤2:基于图像体素构建初步的大脑网络,具体操作如下:
(2.1)将大脑图像中的图像体素定义为大脑网络中的节点;
(2.2)在一系列稀疏度S%中寻找临界值S临界%,在寻找临界值S临界%的过程中,同时也在利用如下公式计算大脑网络中实际存在的边数:
寻找临界值S临界%的具体操作按如下步骤:
(2.2.1)提取(2.1)步骤中每一个体素点的时间序列,将每两个体素点的时间序列进行相关得到每两个体素点之间的皮尔森相关系数rij,将皮尔森相关系数rij取绝对值得到|rij|;皮尔森相关系数rij代表第i个体素点和第j个体素点之间的相关性,rij的值介于-1和1之间,当-l≤rij≤0时表示第i个体素点和第j个体素点之间是负相关,当l≥rij≥0时表示第i个体素点和第j个体素点之间是正相关;|rij|的值越大表示第i个体素点和第j个体素点之间的相关性越高;
(2.2.2)根据节点总数N建立N*N的零矩阵,将每两点之间的皮尔森相关系数rij填入对应的零矩阵中,得到对称矩阵,定义该对称矩阵为相关系数矩阵;
(2.2.3)选择一系列稀疏度值,根据公式(1-1)计算每一稀疏度下的M值,即网络中保留的实际边数,将M值四舍五入取整;
(2.2.4)将相关系数矩阵的上三角矩阵中所有的|rij|按降序排列,计算每一稀疏度S%下M值的|rij|值定义为r临界,建立与(2.2.2)步骤中相关系数矩阵大小相同的零矩阵,称该矩阵为邻接矩阵,找出相关系数矩阵中所有|rij|≥r临界的位置,将邻接矩阵中对应|rij|≥r临界的位置置1,然后将对角线位置置0,邻接矩阵中值为1的位置表示两个节点之间有连接,即网络中两个节点之间存在边,值为0则表示两个节点之间没有连接,即网络中的两个节点间没有边;
(2.2.5)在所选的每个稀疏度下计算所有节点的度值,节点i的度值di定义为与该点直接相连的边数,节点的度值越大则该节点的连接边越多,节点在网络中的地位也就越重要;
(2.2.6)统计度值不等于零的节点数目K,得到比例K/N,将第一个K/N=1时所对应的稀疏度S%定义为S临界%,S临界%用于保证网络处于全连接状态,同时最大程度减少网络中随机产生的边的数目;
(2.3)根据(2.1)步骤中的节点以及(2.2.4)步骤中的边确定初步的大脑网络;
步骤3:在初步大脑网络的基础上基于先验脑图谱构建最终的大脑网络,具体操作如下:
(3.1)寻找最终大脑网络的核心节点,具体操作包括;
(3.1.1)优化初步大脑网络中的节点,在稀疏度S临界%下寻找度值较大的节点,去除一部分不重要的节点;
(3.1.2)利用Talairach脑区定位软件,将优化后的节点坐标和Talairach脑区定位软件中脑图谱划分的脑区进行对比筛选,若一个脑区中只包含一个节点,则保留该节点;若一个脑区中包含多个节点,则保留其中度值最大的节点,即保留该脑区中最重要的节点;
(3.1.3)分别以(3.1.2)步骤中保留节点的坐标为圆心,在大脑空间中画半径为6毫米的球,为保证脑区功能一致性,去掉得到球体内白质,脑脊液的体素,即去除噪声,当画出的球有两个或多个存在重叠部分时,将重叠部分从每个球体内去除,然后将每个球体看作一个脑区;
(3.1.4)将(3.1.3)步骤中得到的脑区看作大脑网络中的核心节点,计算核心节点总数N核心,所保留的核心节点为最终大脑网络的网络节点;
(3.2)构建大脑网络的边即网络节点间的连接,具体操作如下:
(3.2.1)提取每个核心节点的时间序列,将每两个核心节点的时间序列进行相关得到每两个核心节点之间的皮尔森相关系数Rij,将皮尔森相关系数Rij取绝对值得到|Rij|;
(3.2.2)根据核心节点总数N核心建立N核心*N核心大小的零矩阵,将每两点之间的皮尔森相关系数Rij填入对应的零矩阵中,得到相关系数矩阵;
(3.2.3)根据公式(1-1)计算出S临界%下对应的M值,将M值四舍五入取整,即得到S临界%下网络中保留的实际边数;
(3.2.4)将相关系数矩阵的上三角矩阵中所有的|Rij|按降序排列,计算稀疏度S临界%下M值的|Rij|值作为R临界,建立与(3.2.2)步骤中相关系数矩阵大小相同的零矩阵,称该矩阵为邻接矩阵,找出相关系数矩阵中所有|Rij|≥R临界的位置,将邻接矩阵中对应|Rij|≥R临界的位置置1,然后将对角线位置置0,邻接矩阵中值为1的位置表示两个节点之间有连接,即网络中两个节点之间存在边,值为0则表示两个节点之间没有连接,即网络中的两个节点间没有边;
(3.3)根据(3.1.4)步骤中得出的核心节点以及(3.2.4)步骤中得出的大脑网络的边确定最终的大脑网络。
本发明与现有技术相比较所具有的有益效果:
本发明提供的融合图像体素及先验脑图谱划分的大脑网络构建方法中节点的选取是将现有技术中两种节点选取方法即“图像体素”和“先验脑模板划分的独立解剖结构看作大脑网络的节点”进行融合,克服了以图像体素为基础构建大脑网络时带来的不足,包括引入伪核心节点以及由上千上万节点造成的不利于观测整个网络的连接模式;同时克服了以先验脑图谱为基础构建大脑网络时带来的不足,包括引入两节点间的伪连接以及构建的网络相对粗糙导致忽视一些脑区较小但功能十分重要的脑区,比如丘脑。
本发明提供的方法既保证了所构建出的大脑网络可视化强,能够清楚的观测网络中节点与节点之间的连接模式,同时又能全面、细致的刻画大脑网络,将网络的核心节点在大脑空间中可视化。将两种节点选取方法进行融合后不仅保留了两种节点选取方法的优点,也避免了两种节点选取方法的缺陷。
根据本发明提供的融合图像体素及先验脑图谱划分的大脑网络构建方法来构建人体大脑网络,为理解大脑内部的工作机制,研究大脑内部的神经活动规律以及重大神经科学问题提供拓朴图像依据。
附图说明
图1是本发明的流程示意图;
图2是稀疏度临界值S临界%的选取;
图3是初步的大脑网络示意图;
图4是最终的大脑网络示意图。
具体实施方式
下面结合附图和具体的实例对本发明做进一步的说明,本实施例的实验选取了一组正常人作为被试对象,对这组正常人中每个被试的对象按图1的流程所示进行如下操作:
步骤1:利用磁共振成像手段获取大脑功能数据并对获取的数据进行预处理。采用SPM5统计参数图分析软件对数据进行预处理,包括:
(1.1)采用最小二乘法对采集到的大脑信号数据进行头动校正。
(1.2)对校正后的数据利用仿射变换将平均图像配准到标准模板,并将体素进行重切,本实验中采用的是MNI(Montreal Neurological Institute)标准模板,重切的体素大小为6mm x6mm x6mm,也可以将重切的体素大小取为为3mm x3mm x3mm时,两者的操作步骤相同,当然后者所得到的大脑网络精确度更高,但实验也相对复杂。
(1.3)采用带通滤波器对配准重切后的数据进行滤波,以达到去除噪声的目的,本实验采用的带通滤波器的频率为0.01-0.1Hz。
(1.4)对滤波后的数据进行线性回归,去除白质,脑脊液和被试实验过程中头动产生的影响。
步骤2:基于图像体素构建初步的大脑网络,具体操作如下:
(2.1)将大脑图像中的图像体素看做大脑网络中的节点,本实验每个图像体素的大小为6mm x6mm x6mm,共有3446个图像体素,即有3446个大脑网络节点。
(2.2)在一系列稀疏度S%中寻找临界值S临界%,稀疏度S%是指网络中实际存在的边数即大脑网络中节点之间的连接线数与最大可能存在的边数之比,在寻找临界值S临界%的过程中,同时也在利用如下公式计算大脑网络中实际存在的边数:
其中,M表示大脑网络中实际存在的边,N为大脑网络中节点的个数,表示大脑网络中最大可能存在的边数,用稀疏度S%保证不同被试组之间得到的具有相同点数和边数的网络,使不同被试组之间的网络具有对比性,具体操作按如下步骤:
(2.2.1)提取(2.1)步骤中每一个体素点的时间序列,将每两个体素点的时间序列进行相关得到每两个体素点之间的皮尔森相关系数rij,将皮尔森相关系数rij取绝对值得到|rij|;皮尔森相关系数rij代表第i个体素点和第j个体素点之间的相关性,rij的值介于-1和1之间,当-l≤rij≤0时表示第i个体素点和第j个体素点之间是负相关,当1≥rij≥0时表示第i个体素点和第j个体素点之间是正相关;|rij|的值越大表示第i个体素点和第j个体素点之间的相关性越高。
(2.2.2)根据节点总数N建立N*N的零矩阵,将每两点之间的皮尔森相关系数rij填入对应的零矩阵中,得到对称矩阵,定义该对称矩阵为相关系数矩阵。本实验中建立3446*3446大小的零矩阵,将每两点之间的皮尔森相关系数rij填入对应的零矩阵中,以一个被试的数据为例:r12=0.7194,则在矩阵中第一行第二列填入0.7194,r13=0.3822,则在第一行第三列填入0.3822。
(2.2.3)选择一系列稀疏度值,根据公式(1-1)计算每一稀疏度下的M值,即网络中保留的实际边数,将M值四舍五入取整。本实验选择的稀疏度值从6%开始,至22%为止,共17个稀疏度值。以一个被试的数据位例:稀疏度选择为6%时,根据公式(1-1)可以得到M=356144.1,四舍五入取整后M=356144,即稀疏度为6%时,网络中保留的实际边数为356144条。
(2.2.4)将相关系数矩阵的上三角矩阵中所有的|rij|按降序排列,计算每一稀疏度S%下M值的|rij|值定义为r临界,建立与(2.2.2)步骤中相关系数矩阵大小相同的零矩阵,称该矩阵为邻接矩阵,找出相关系数矩阵中所有|rij|≥r临界的位置,将邻接矩阵中对应|rij|≥r临界的位置置1,然后将对角线位置置0,邻接矩阵中值为1的位置表示两个节点之间有连接,即网络中两个节点之间存在边,值为0则表示两个节点之间没有连接,即网络中的两个节点间没有边。以稀疏度6%为例:将相关系数矩阵的上三角矩阵中所有的|rij|按降序排列,寻找到第356144个|rij|值为0.4166,即r临界=0.4166,建立3446*3446大小的零矩阵,称该矩阵为邻接矩阵,找出相关系数矩阵中所有|rij|≥0.4166的位置,将邻接矩阵中相对应的位置置1,例如相关系数矩阵中r12=0.7194>0.4166,所以邻接矩阵中第一行第二列置1,完成后将对角线位置置0。
(2.2.5)在所选的每个稀疏度下计算所有节点的度值,节点i的度值di定义为与该点直接相连的边数,节点的度值越大则该节点的连接边越多,节点在网络中的地位也就越重要。
(2.2.6)统计度值不等于零的节点数目K,得到比例K/N,将第一个K/N=1时所对应的稀疏度S%定义为S临界%,S临界%用于保证网络处于全连接状态,同时最大程度减少网络中随机产生的边的数目。根据图2所示,可以看出第一个所有被试的K/N值均为1时对应的稀疏度为0.15,即15%,因此本实验选择的S临界%为15%。
(2.3)根据(2.1)步骤中的节点以及(2.2.4)步骤中的边确定初步的大脑网络,如图3所示。本实验初步的大脑网络中包含3446个网络节点。
步骤3:在初步大脑网络的基础上基于先验脑图谱构建最终的大脑网络,具体操作如下:
(3.1)寻找最终大脑网络的核心节点,具体操作包括;
(3.1.1)优化初步大脑网络中的节点,在稀疏度S临界%下寻找度值较大的节点,去除一部分不重要的节点。本实验在稀疏度15%下寻找度值高于平均值一倍标准差(mean+lsd)的节点。
(3.1.2)利用Talairach脑区定位软件,将优化后的节点坐标和Talairach脑区定位软件中脑图谱划分的脑区进行对比筛选,若一个脑区中只包含一个节点,则保留该节点;若一个脑区中包含多个节点,则保留其中度值最大的节点,即保留该脑区中最重要的节点。
(3.1.3)分别以(3.1.2)步骤中保留节点的坐标为圆心,在大脑空间中画半径为6毫米的球,为保证脑区功能一致性,去掉得到球体内白质,脑脊液的体素,即去除噪声,当画出的球有两个或多个存在重叠部分时,将重叠部分从每个球体内去除,然后将每个球体看作一个脑区。
(3.1.4)将(3.1.3)步骤中得到的脑区看作大脑网络中的核心节点,计算核心节点总数N核心,所保留的核心节点为最终大脑网络的网络节点。本实验中得到的N核 心为95,即得到95个核心节点最为最终大脑网络的网络节点。至此,将网络节点从开始的3446个优化到95个。95个核心节点如表1所示:
表1最终大脑网络中的95个核心节点
(3.2)构建大脑网络的边即网络节点间的连接,具体操作如下:
(3.2.1)提取每个核心节点的时间序列,将每两个核心节点的时间序列进行相关得到每两个核心节点之间的皮尔森相关系数Rij,将皮尔森相关系数Rij取绝对值得到|Rij|。
(3.2.2)根据核心节点总数N核心建立N核心*N核心大小的零矩阵,将每两点之间的皮尔森相关系数Rij填入对应的零矩阵中,得到相关系数矩阵。本实验中建立95*95大小的零矩阵,将每两点之间的皮尔森相关系数Rij填入到所建立的矩阵中。
(3.2.3)根据公式(1-1)计算出S临界%下对应的M值,将M值四舍五入取整,即得到S临界%下网络中保留的实际边数。根据公式(1-1)计算稀疏度为15%时对应的M值为669.75,四舍五入取整后得到M=670,即在稀疏度为15%时网络中保留的实际边数为670条。
(3.2.4)将相关系数矩阵的上三角矩阵中所有的|Rij|按降序排列,计算稀疏度S临界%下M值的|Rij|值作为R临界,建立与(3.2.2)步骤中相关系数矩阵大小相同的零矩阵,称该矩阵为邻接矩阵,找出相关系数矩阵中所有|Rij|≥R临界的位置,将邻接矩阵中对应|Rij|≥R临界的位置置1,然后将对角线位置置0,邻接矩阵中值为1的位置表示两个节点之间有连接,即网络中两个节点之间存在边,值为0则表示两个节点之间没有连接,即网络中的两个节点间没有边。本实验在稀疏度S临界%,即15%下,将相关系数矩阵的上三角矩阵中所有的|Rij|按降序排列,计算第670个|Rij|值为0.4518,即R临界=0.4518,建立95*95大小的零矩阵,称该矩阵为邻接矩阵,找出相关系数矩阵中所有|Rij|≥0.4518的位置,将邻接矩阵中相对应的位置置1,完成后将对角线位置置0。邻接矩阵中值为1的位置表示两个脑区之间有连接,即网络中两个节点之间存在边,值为0则表示两个脑区之间没有连接,即网络中的两个节点间没有边。
(3.3)根据(3.1.4)步骤中得出的核心节点以及(3.2.4)步骤中得出的大脑网络的边确定最终的大脑网络。利用Talairach脑区定位软件可以对最终得到的95个核心节点在大脑中进行定位,并根据(3.2.4)步骤中的邻接矩阵确定两个脑区间是否有边的存在,画出最终的大脑网络,如图4所示。
对比图3和图4,可以看到,图3构建的初步大脑网络中每个节点代表一个图像体素,两个节点间的链接代表两个体素间有功能上的联系,本实验中得到3446个网络节点,这样不利于观测脑区与脑区间的连接模式,也可能造成一个脑区内由于包含过多的图像体素而产生伪核心节点。在图3的基础上构建的图4,图4中最终大脑网络中每个节点代表对应脑区的核心节点,两个节点间的链接代表两个脑区间有功能上的联系,本实验中最终得到95个核心节点,根据图4便于清楚的观测网络中节点与节点之间的连接模式,同时又能全面、细致的刻画大脑网络,将网络的核心节点在大脑空间中可视化,由此图4可以作为计算拓扑属性的依据。
上面的描述是用于实现本发明的实施例子,本领域的技术人员应该理解,在不脱离本发明范围的任何修改或局部替换,均属于本发明权利要求限定的范围。
Claims (5)
1.融合图像体素及先验脑图谱划分的大脑网络构建方法,其特征在于,基于图像体素构建初步的大脑网络,在初步大脑网络的基础上基于先验脑图谱构建最终的大脑网络,具体操作步骤如下:
步骤1:利用磁共振成像手段获取大脑信号数据并对获取的数据进行预处理,采用SPM5统计参数图分析软件对数据进行预处理,具体操作如下:
(1.1)采用最小二乘法对采集到的大脑信号数据进行头动校正;
(1.2)对校正后的数据利用仿射变换将平均图像配准到标准模板,并将体素进行重切;
(1.3)采用带通滤波器对配准重切后的数据进行滤波,以去除噪声;
(1.4)对滤波后的数据进行线性回归,去除白质、脑脊液和被试实验过程中头动产生的影响;
步骤2:基于图像体素构建初步的大脑网络,具体操作如下:
(2.1)将大脑图像中的图像体素定义为大脑网络中的节点;
(2.2)在一系列稀疏度S%中寻找临界值S临界%,在寻找临界值S临界%的过程中,同时也在利用如下公式计算大脑网络中实际存在的边数:
其中,M表示大脑网络中实际存在的边,N为大脑网络中节点的个数,表示大脑网络中最大可能存在的边数;
寻找临界值S临界%的具体操作步骤如下:
(2.2.1)提取(2.1)步骤中每一个体素点的时间序列,将每两个体素点的时间序列进行相关得到每两个体素点之间的皮尔森相关系数rij,将皮尔森相关系数rij取绝对值得到|rij|;皮尔森相关系数rij代表第i个体素点和第j个体素点之间的相关性,rij的值介于-1和1之间,当-1≤rij≤0时表示第i个体素点和第j个体素点之间是负相关,当l≥rij≥0时表示第i个体素点和第j个体素点之间是正相关;|rij|的值越大表示第i个体素点和第j个体素点之间的相关性越高;
(2.2.2)根据大脑网络节点总数N建立N*N的零矩阵,将每两点之间的皮尔森相关系数rij填入对应的零矩阵中,得到对称矩阵,定义该对称矩阵为相关系数矩阵;
(2.2.3)选择一系列稀疏度值,根据公式(1-1)计算每一稀疏度下的M值,M表示大脑网络中实际存在的边数,将M值四舍五入取整;
(2.2.4)将相关系数矩阵的上三角矩阵中所有的|rij|按降序排列,计算每一稀疏度S%下M值的|rij|值定义为r临界,建立与(2.2.2)步骤中相关系数矩阵大小相同的零矩阵,称该矩阵为邻接矩阵,找出相关系数矩阵中所有|rij|≥r临界的位置,将邻接矩阵中对应|rij|≥r临界的位置置1,然后将对角线位置置0,邻接矩阵中值为1的位置表示两个节点之间有连接,即网络中两个节点之间存在边,值为0则表示两个节点之间没有连接,即网络中的两个节点间没有边;
(2.2.5)在所选的每个稀疏度下计算所有节点的度值,节点i的度值di定义为与该点直接相连的边数,节点的度值越大则该节点的连接边越多,节点在网络中的地位也就越重要;
(2.2.6)统计度值不等于零的节点数目K,得到比例K/N,将第一个K/N=1时所对应的稀疏度S%定义为S临界%,S临界%用于保证网络处于全连接状态,同时最大程度减少网络中随机产生的边的数目;
(2.3)根据(2.1)步骤中的节点以及(2.2.4)步骤中的边确定初步的大脑网络;
步骤3:在初步大脑网络的基础上基于先验脑图谱构建最终的大脑网络,具体操作如下:
(3.1)寻找最终大脑网络的核心节点,具体操作包括;
(3.1.1)优化初步大脑网络中的节点,在稀疏度S临界%下寻找度值较大的节点,去除一部分不重要的节点;
(3.1.2)利用Talairach脑区定位软件,将优化后的节点坐标和Talairach脑区定位软件中脑图谱划分的脑区进行对比筛选,若一个脑区中只包含一个节点,则保留该节点;若一个脑区中包含多个节点,则保留其中度值最大的节点,即保留该脑区中最重要的节点;
(3.1.3)分别以(3.1.2)步骤中保留节点的坐标为圆心,在大脑空间中画半径为6毫米的球,去掉得到球体内白质,脑脊液的体素,即去除噪声,以保证脑区功能一致性,当画出的球有两个或多个存在重叠部分时,将重叠部分从每个球体内去除,然后将每个球体看作一个脑区;
(3.1.4)将(3.1.3)步骤中得到的脑区看作大脑网络中的核心节点,计算核心节点总数N核心,所保留的核心节点为最终大脑网络的网络节点;
(3.2)构建大脑网络的边即网络节点间的连接,具体操作如下:
(3.2.1)提取每个核心节点的时间序列,将每两个核心节点的时间序列进行相关得到每两个核心节点之间的皮尔森相关系数Rij,将皮尔森相关系数Rij取绝对值得到|Rij|;
(3.2.2)根据核心节点总数N核心建立N核心*N核心大小的零矩阵,将每两点之间的皮尔森相关系数Rij填入对应的零矩阵中,得到相关系数矩阵;
(3.2.3)根据公式(1-1)计算出S临界%下对应的M值,将M值四舍五入取整,即得到S临界%下网络中保留的实际边数;
(3.2.4)将相关系数矩阵的上三角矩阵中所有的|Rij|按降序排列,计算稀疏度S临界%下M值的|Rij|值作为R临界,建立与(3.2.2)步骤中相关系数矩阵大小相同的零矩阵,称该矩阵为邻接矩阵,找出相关系数矩阵中所有|Rij|≥R临界的位置,将邻接矩阵中对应|Rij|≥R临界的位置置1,然后将对角线位置置0,邻接矩阵中值为1的位置表示两个节点之间有连接,即网络中两个节点之间存在边,值为0则表示两个节点之间没有连接,即网络中的两个节点间没有边;
(3.3)根据(3.1.4)步骤中得出的核心节点以及(3.2.4)步骤中得出的大脑网络的边确定最终的大脑网络。
2.根据权利要求1所述的融合图像体素及先验脑图谱划分的大脑网络构建方法,其特征在于,(1.2)步骤中所述的标准模板为MNI标准模板。
3.根据权利要求1所述的融合图像体素及先验脑图谱划分的大脑网络构建方法,其特征在于,(1.2)步骤中所述的重切体素的大小为3mm x3mm x3mm或者6mm x6mmx6mm。
4.根据权利要求1所述的融合图像体素及先验脑图谱划分的大脑网络构建方法,其特征在于,(1.3)步骤中所述的带通滤波器采用的频率为0.01-0.1Hz。
5.根据权利要求1所述的融合图像体素及先验脑图谱划分的大脑网络构建方法,其特征在于,(3.1.1)步骤中所述的在S临界%下寻找度值较大的节点,就是寻找标准为度值高于平均值一倍标准差的节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210436070.2A CN103077298B (zh) | 2012-10-24 | 2012-10-24 | 融合图像体素及先验脑图谱划分的大脑网络构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210436070.2A CN103077298B (zh) | 2012-10-24 | 2012-10-24 | 融合图像体素及先验脑图谱划分的大脑网络构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103077298A true CN103077298A (zh) | 2013-05-01 |
CN103077298B CN103077298B (zh) | 2015-09-30 |
Family
ID=48153827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210436070.2A Expired - Fee Related CN103077298B (zh) | 2012-10-24 | 2012-10-24 | 融合图像体素及先验脑图谱划分的大脑网络构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103077298B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346530A (zh) * | 2014-10-29 | 2015-02-11 | 中国科学院深圳先进技术研究院 | 大脑异常参数的提取方法和系统 |
CN106251379A (zh) * | 2016-07-25 | 2016-12-21 | 太原理工大学 | 一种基于随机分块模型的脑结构网络连接优化方法 |
CN106548005A (zh) * | 2016-09-16 | 2017-03-29 | 天津大学 | 网络交互的调节效应定量方法 |
CN107689057A (zh) * | 2017-07-10 | 2018-02-13 | 中国科学院高能物理研究所 | 自适应小动物脑功能磁共振成像数据分析方法 |
CN107832656A (zh) * | 2017-09-18 | 2018-03-23 | 天津大学 | 一种基于动态功能脑网络的大脑功能状态信息处理方法 |
CN109102492A (zh) * | 2018-07-02 | 2018-12-28 | 重庆邮电大学 | 一种基于协同聚类的功能磁共振影像脑连接图谱构建方法 |
CN109330596A (zh) * | 2018-11-15 | 2019-02-15 | 郑州轻工业学院 | 基于逐时间窗分析的脑功能连接动态可变性度量方法 |
CN110689029A (zh) * | 2019-11-01 | 2020-01-14 | 中国计量大学 | 一种确定fMRI脑功能连接网络稀疏度的方法 |
CN110811622A (zh) * | 2019-11-12 | 2020-02-21 | 北京大学 | 一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法 |
CN111753947A (zh) * | 2020-06-08 | 2020-10-09 | 深圳大学 | 静息态脑网络构建方法、装置、设备及计算机存储介质 |
TWI737404B (zh) * | 2020-07-15 | 2021-08-21 | 臺北醫學大學 | 醫療影像處理系統及方法 |
US11238591B1 (en) | 2020-07-15 | 2022-02-01 | Taipei Medical University (Tmu) | Medical image processing system and method thereof |
CN111753947B (zh) * | 2020-06-08 | 2024-05-03 | 深圳大学 | 静息态脑网络构建方法、装置、设备及计算机存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000065985A2 (en) * | 1999-04-29 | 2000-11-09 | University Of South Florida | Method and system for knowledge guided hyperintensity detection and volumetric measurement |
CN101912263A (zh) * | 2010-09-14 | 2010-12-15 | 北京师范大学 | 基于脑功能网络成分检测的实时功能磁共振数据处理系统 |
CN102366323A (zh) * | 2011-09-30 | 2012-03-07 | 中国科学院自动化研究所 | 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 |
CN102509123A (zh) * | 2011-12-01 | 2012-06-20 | 中国科学院自动化研究所 | 一种基于复杂网络的脑功能磁共振图像分类方法 |
-
2012
- 2012-10-24 CN CN201210436070.2A patent/CN103077298B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000065985A2 (en) * | 1999-04-29 | 2000-11-09 | University Of South Florida | Method and system for knowledge guided hyperintensity detection and volumetric measurement |
CN101912263A (zh) * | 2010-09-14 | 2010-12-15 | 北京师范大学 | 基于脑功能网络成分检测的实时功能磁共振数据处理系统 |
CN102366323A (zh) * | 2011-09-30 | 2012-03-07 | 中国科学院自动化研究所 | 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 |
CN102509123A (zh) * | 2011-12-01 | 2012-06-20 | 中国科学院自动化研究所 | 一种基于复杂网络的脑功能磁共振图像分类方法 |
Non-Patent Citations (6)
Title |
---|
BULLMORE E, ET AL.: "Complex brain networks :graph theoretical analysis of structural and functional systems", 《NATURE REVIEWS NEUROSCIENCE》, vol. 10, no. 3, 31 December 2009 (2009-12-31) * |
JEONGHYEON LEE, ET AL.: "Resting-state fMRI analysis of Alzheimer’s disease progress using sparse dictionary learning", 《SYSTEMS, MAN, AND CYBERNETICS (SMC), 2012 IEEE INTERNATIONAL CONFERENCE ON》, 17 October 2012 (2012-10-17) * |
N. TZOURIO-MAZOYERA,ET AL.: "Automated Anatomical Labeling of Activations in SPM Using a Macroscopic Anatomical Parcellation of the MNI MRI Single-Subject Brain", 《NEUROIMAGE》, vol. 15, no. 1, 28 February 2002 (2002-02-28), XP055129124, DOI: doi:10.1006/nimg.2001.0978 * |
李姗姗: "复杂脑功能网络研究", 《中国优秀硕博士学位论文全文数据库(硕士) 基础科学辑》, no. 2, 15 February 2007 (2007-02-15) * |
梁夏等: "人脑连接组研究:脑结构网络和脑功能网络", 《中国科学》, vol. 55, no. 16, 31 December 2010 (2010-12-31) * |
焦静静: "基于复杂网络理论的静息状态脑功能网络建模与分析", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 10, 15 October 2011 (2011-10-15) * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346530A (zh) * | 2014-10-29 | 2015-02-11 | 中国科学院深圳先进技术研究院 | 大脑异常参数的提取方法和系统 |
CN106251379A (zh) * | 2016-07-25 | 2016-12-21 | 太原理工大学 | 一种基于随机分块模型的脑结构网络连接优化方法 |
CN106251379B (zh) * | 2016-07-25 | 2017-11-07 | 太原理工大学 | 一种基于随机分块模型的脑结构网络连接优化方法 |
CN106548005B (zh) * | 2016-09-16 | 2019-04-05 | 天津大学 | 网络交互的调节效应定量方法 |
CN106548005A (zh) * | 2016-09-16 | 2017-03-29 | 天津大学 | 网络交互的调节效应定量方法 |
CN107689057A (zh) * | 2017-07-10 | 2018-02-13 | 中国科学院高能物理研究所 | 自适应小动物脑功能磁共振成像数据分析方法 |
CN107689057B (zh) * | 2017-07-10 | 2019-10-29 | 中国科学院高能物理研究所 | 自适应小动物脑功能磁共振成像数据分析方法 |
CN107832656B (zh) * | 2017-09-18 | 2022-02-18 | 天津大学 | 一种基于动态功能脑网络的大脑功能状态信息处理方法 |
CN107832656A (zh) * | 2017-09-18 | 2018-03-23 | 天津大学 | 一种基于动态功能脑网络的大脑功能状态信息处理方法 |
CN109102492A (zh) * | 2018-07-02 | 2018-12-28 | 重庆邮电大学 | 一种基于协同聚类的功能磁共振影像脑连接图谱构建方法 |
CN109330596A (zh) * | 2018-11-15 | 2019-02-15 | 郑州轻工业学院 | 基于逐时间窗分析的脑功能连接动态可变性度量方法 |
CN109330596B (zh) * | 2018-11-15 | 2022-04-12 | 郑州轻工业学院 | 基于逐时间窗分析的脑功能连接动态可变性度量方法 |
CN110689029A (zh) * | 2019-11-01 | 2020-01-14 | 中国计量大学 | 一种确定fMRI脑功能连接网络稀疏度的方法 |
CN110689029B (zh) * | 2019-11-01 | 2023-03-24 | 中国计量大学 | 一种确定fMRI脑功能连接网络稀疏度的方法 |
CN110811622A (zh) * | 2019-11-12 | 2020-02-21 | 北京大学 | 一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法 |
CN111753947A (zh) * | 2020-06-08 | 2020-10-09 | 深圳大学 | 静息态脑网络构建方法、装置、设备及计算机存储介质 |
CN111753947B (zh) * | 2020-06-08 | 2024-05-03 | 深圳大学 | 静息态脑网络构建方法、装置、设备及计算机存储介质 |
TWI737404B (zh) * | 2020-07-15 | 2021-08-21 | 臺北醫學大學 | 醫療影像處理系統及方法 |
US11238591B1 (en) | 2020-07-15 | 2022-02-01 | Taipei Medical University (Tmu) | Medical image processing system and method thereof |
Also Published As
Publication number | Publication date |
---|---|
CN103077298B (zh) | 2015-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103077298A (zh) | 融合图像体素及先验脑图谱划分的大脑网络构建方法 | |
CN103886328B (zh) | 基于脑网络模块结构特征的功能磁共振影像数据分类方法 | |
CN108447063B (zh) | 脑胶质母细胞瘤的多模态核磁共振图像分割方法 | |
CN102332054B (zh) | 三维大脑磁共振图像的大脑皮层表面标志区域识别方法 | |
CN107658018A (zh) | 一种基于结构连接和功能连接的融合脑网络构建方法 | |
CN106548206A (zh) | 基于最小生成树的多模态磁共振影像数据分类方法 | |
CN109509552A (zh) | 一种基于功能连接网络的多层次特征融合的精神病自动判别方法 | |
CN109102498A (zh) | 一种宫颈涂片图像中簇型细胞核分割的方法 | |
CN108898135A (zh) | 一种大脑边缘系统图谱构建方法 | |
CN105976364A (zh) | 基于简化带权无向图的统计平均模型构建方法 | |
CN106650818A (zh) | 基于高阶超网络的静息态功能磁共振影像数据分类方法 | |
WO2024083058A1 (zh) | 一种大脑纤维束异常区域精准定位系统 | |
CN104463885B (zh) | 一种多发性硬化损伤区域分割方法 | |
CN110349170A (zh) | 一种全连接crf级联fcn和k均值脑肿瘤分割算法 | |
CN109933680A (zh) | 图像数据筛选方法、装置、计算机设备及其存储介质 | |
CN105894010A (zh) | 一种基于粗糙集和改进fcm算法的睑板腺功能测定方法 | |
CN103006215A (zh) | 基于局部平滑回归的脑功能区定位方法 | |
CN106875405B (zh) | 基于广度优先搜索的ct图像肺实质模板气管消除方法 | |
Mendoza et al. | Enhanced automatic segmentation for superficial white matter fiber bundles for probabilistic tractography datasets | |
DE112020001823T5 (de) | ENTFERNUNG VON FALSCH-POSITIVEN AUS WEIßE-SUBSTANZ-FASERTRAKTEN | |
CN106203469A (zh) | 一种基于有序模式的图分类方法 | |
Huerta et al. | Inter-subject clustering of brain fibers from whole-brain tractography | |
CN116312965A (zh) | 一种基于多模态大脑网络的认知功能状态预测方法 | |
CN113378898B (zh) | 基于相对熵损失函数卷积神经网络的脑龄预测方法 | |
CN102551720A (zh) | 磁共振诊断装置、以及磁共振光谱法的数据收集方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150930 Termination date: 20201024 |
|
CF01 | Termination of patent right due to non-payment of annual fee |