CN103211597B - 一种基于仿射聚类的静息脑功能连通区域检测方法 - Google Patents
一种基于仿射聚类的静息脑功能连通区域检测方法 Download PDFInfo
- Publication number
- CN103211597B CN103211597B CN201310151877.6A CN201310151877A CN103211597B CN 103211597 B CN103211597 B CN 103211597B CN 201310151877 A CN201310151877 A CN 201310151877A CN 103211597 B CN103211597 B CN 103211597B
- Authority
- CN
- China
- Prior art keywords
- cluster
- data collection
- affine
- connected region
- brain function
- 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.)
- Expired - Fee Related
Links
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于仿射聚类的静息脑功能连通区域检测方法，检测方法包含以下步骤：步骤1、获取单个功能磁共振信号的稀疏近似数据集；步骤2、获取多个功能磁共振信号的稀疏近似数据集，取算数平均数，形成平均稀疏近似数据集；步骤3、对平均稀疏近似数据集进行仿射聚类分析，生成聚类中心点数据集；步骤4、对平均稀疏近似数据集进行源信号重构，生成聚类中心点的成分图像及其相应的时间过程；步骤5、定位脑功能连通区域。本发明先对功能磁共振混合信号进行稀疏近似，这样不仅增强了信号的检测强度，还对庞大的功能磁共振数据进行了有效的压缩，缩短了整个算法流程的执行时间，更加准确地定位并检测脑功能连通区域。
Description
技术领域
本发明涉及一种静息脑功能连通区域检测方法，具体涉及一种基于仿射聚类的静息脑功能连通区域检测方法。
背景技术
功能磁共振成像技术是20世纪90年代发展起来的一项新技术，它作为脑功能成像的首选方法已被广泛应用。该技术主要是基于血流的敏感性和血氧水平依赖性对比度增强原理进行成像，它结合了功能、影像和解剖三方面的信息，是一种在活体人脑中定位各功能区的有效方法，同时为检测人脑功能连通区域、研究神经认知以及预防和诊断脑科疾病等提供了强有力的技术保障。为了利用功能磁共振成像技术对脑功能连通区域进行研究，能够有效且准确处理高维磁共振数据的方法起到了至关重要的作用。
现有技术的数据处理分析方法虽然在一定程度上能够完成功能区域的检测，但均存有较多的不足与缺陷，例如，模糊聚类分析法受制于迭代速度、模糊指数以及功能区估计个数的限制；独立成分分析完全受制于较强的功能区源信号的相互独立的假设，限制了功能连通区域的检测。
聚类分析是数理统计中的一种多元分析方法，它是用数学方法定量地确定样本的亲疏关系，从而客观的划分类型事物之间的界限。目前，聚类分析已广泛应用在各个行业，通常将被聚类的事物称为样本或实体，将被聚类的一组事物称为样本集。
发明内容
本发明的目的在于提供一种基于仿射聚类的静息脑功能连通区域检测方法，先对功能磁共振混合信号进行稀疏近似，再将所有单被试的稀疏近似数据集取算术平均数，然后进行仿射聚类分析，用所得到的聚类中心点数据构造解混矩阵，并结合原功能磁共振混合信号进行功能区源信号的重构，从而更加准确地定位并检测脑功能连通区域。
为了达到上述目的，本发明通过以下技术方案实现：一种基于仿射聚类的静息脑功能连通区域检测方法，其特点是，
上述的检测方法包含以下步骤；
步骤1、获取单个功能磁共振信号的稀疏近似数据集；
步骤2、获取多个功能磁共振信号的稀疏近似数据集，取算数平均数，形成平均稀疏近似数据集；
步骤3、对平均稀疏近似数据集进行仿射聚类分析，生成聚类中心点数据集；
步骤4、对平均稀疏近似数据集进行源信号重构，生成聚类中心点的成分图像及其相应的时间过程；
步骤5、定位脑功能连通区域。
上述的步骤1获取单个功能磁共振信号的稀疏近似数据集还包含以下步骤：
步骤1.1、对功能磁共振数据的每一个时间点数据分别进行3层一维小波包分解，得到每个时间点数据相应的小波树；
步骤1.2、使用基于赋范线性空间的距离度量范数，对每个小波树节点的稀疏性进行度量，从而得到关于各个节点的稀疏性质量向量，使稀疏性质量向量满足公式（1），公式（1）如下：
其中，式中表示稀疏性质量向量；
表示小波树节点个数，；
表示向量的长度；
；
表示关于原功能磁共振数据每个时间点的小波包树第个小波树节点共同组成的小波系数向量；
步骤1.3、选择稀疏性最大的小波树节点形成关于原混合信号的稀疏近似数据集。
上述的步骤3中进行仿射聚类分析还包含以下步骤：
步骤3.1、将平均稀疏近似数据集进行分组；
步骤3.2、对每一组执行仿射聚类；
步骤3.3、将每一组产生的聚类中心点结合；
步骤3.4、对所有的聚类中心点进行二次聚类，生成聚类中心点数据集。
上述的步骤4中进行源信号重构包含以下步骤：
步骤4.1、根据聚类中心点数据集，构造解混矩阵；
步骤4.2、将解混矩阵与原混合功能磁共振数据信号结合；
步骤4.3、生成聚类中心点成分图像及其相应的时间过程。
本发明一种基于仿射聚类的静息脑功能连通区域检测方法与现有技术相比具有以下优点：本发明先对功能磁共振混合信号进行稀疏近似，这样不仅增强了信号的检测强度，还对庞大的功能磁共振数据进行了有效的压缩，缩短了整个算法流程的执行时间；采用先分组再结合思想对平均稀疏近似数据集进行两次仿射聚类分析，使数据分析能够在一般的计算机上操作；最后用所得到的聚类中心点数据，构造解混矩阵，并结合原功能磁共振混合信号进行功能区源信号的重构，从而达到更加准确定位检测脑功能连通区域的目的，有利于对脑科学、神经科学以及脑科疾病等方面的研究。
附图说明
图1为本发明一种基于仿射聚类的静息脑功能连通区域检测方法的方法流程图。
具体实施方式
以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。
如图1所示，一种基于仿射聚类的静息脑功能连通区域检测方法，检测方法包含以下步骤；
步骤1、获取单个功能磁共振信号的稀疏近似数据集；
步骤1.1、对功能磁共振数据的每一个时间点数据分别进行3层一维小波包分解，得到每个时间点数据相应的小波树，其中小波包分解使用的小波基为（Daubechied，缩写为db）家族中的db2小波基；
步骤1.2、使用基于赋范线性空间的距离度量范数，对每个小波树节点的稀疏性进行度量，从而得到关于各个节点的稀疏性质量向量，使稀疏性质量向量满足公式（1），公式（1）如下：
其中，式中表示稀疏性质量向量；
表示小波树节点个数，；
表示关于原功能磁共振数据每个时间点的小波包树第个小波树节点共同组成的小波系数向量；
表示向量的长度；
；
步骤1.3、选择稀疏性最大的小波树节点形成关于原混合信号的稀疏近似数据集。
步骤2、获取多个功能磁共振信号的稀疏近似数据集，取算数平均数，形成平均稀疏近似数据集；
步骤3、对平均稀疏近似数据集进行仿射聚类分析，生成聚类中心点数据集；在聚类分析中，先将数据分组进行聚类得到每组的聚类中心点，再将每组的聚类中心点结合为一个整体，进行第二次聚类，最终得到关于整体的聚类中心点集A，A与将数据整体进行聚类得到的聚类中心点集B近似相等；
步骤3.1、将平均稀疏近似数据集进行分组；
步骤3.2、对每一组执行仿射聚类；
步骤3.3、将每一组产生的聚类中心点结合；
步骤3.4、对所有的聚类中心点进行二次聚类，生成聚类中心点数据集；
步骤4、对平均稀疏近似数据集进行源信号重构，生成聚类中心点的成分图像及其相应的时间过程；
步骤4.1、根据聚类中心点数据集，构造解混矩阵；
步骤4.2、将解混矩阵与原混合功能磁共振数据信号结合；
步骤4.3、生成聚类中心点成分图像及其相应的时间过程；
步骤5、定位脑功能连通区域。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (4)
1.一种基于仿射聚类的静息脑功能连通区域检测方法，其特征在于，所述的检测方法包含以下步骤；
步骤1、获取单个功能磁共振信号的稀疏近似数据集；
步骤2、获取多个功能磁共振信号的稀疏近似数据集，取算数平均数，形成平均稀疏近似数据集；
步骤3、对平均稀疏近似数据集进行仿射聚类分析，生成聚类中心点数据集；
步骤4、对平均稀疏近似数据集进行源信号重构，生成聚类中心点的成分图像及其相应的时间过程；
步骤5、定位脑功能连通区域。
2.如权利要求1所述的基于仿射聚类的静息脑功能连通区域检测方法，其特征在于，所述的步骤1获取单个功能磁共振信号的稀疏近似数据集还包含以下步骤：
步骤1.1、对功能磁共振数据的每一个时间点数据分别进行3层一维小波包分解，得到每个时间点数据相应的小波树；
步骤1.2、使用基于赋范线性空间的距离度量范数，对每个小波树节点的稀疏性进行度量，从而得到关于各个节点的稀疏性质量向量，使稀疏性质量向量满足公式（1），公式（1）如下：
其中，式中表示稀疏性质量向量；
表示小波树节点个数，；
表示关于原功能磁共振数据每个时间点的小波包树第个小波树节点共同组成的小波系数向量；
表示向量的长度
；
步骤1.3、选择稀疏性最大的小波树节点形成关于原混合信号的稀疏近似数据集。
3.如权利要求1所述的基于仿射聚类的静息脑功能连通区域检测方法，其特征在于，所述的步骤3中进行仿射聚类分析还包含以下步骤：
步骤3.1、将平均稀疏近似数据集进行分组；
步骤3.2、对每一组执行仿射聚类；
步骤3.3、将每一组产生的聚类中心点结合；
步骤3.4、对所有的聚类中心点进行二次聚类，生成聚类中心点数据集。
4.如权利要求3所述的基于仿射聚类的静息脑功能连通区域检测方法，其特征在于，所述的步骤4中进行源信号重构包含以下步骤：
步骤4.1、根据聚类中心点数据集，构造解混矩阵；
步骤4.2、将解混矩阵与原混合功能磁共振数据信号结合；
步骤4.3、生成聚类中心点成分图像及其相应的时间过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310151877.6A CN103211597B (zh) | 2013-04-27 | 2013-04-27 | 一种基于仿射聚类的静息脑功能连通区域检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310151877.6A CN103211597B (zh) | 2013-04-27 | 2013-04-27 | 一种基于仿射聚类的静息脑功能连通区域检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103211597A CN103211597A (zh) | 2013-07-24 |
| CN103211597B true CN103211597B (zh) | 2014-12-17 |
Family
ID=48810014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310151877.6A Expired - Fee Related CN103211597B (zh) | 2013-04-27 | 2013-04-27 | 一种基于仿射聚类的静息脑功能连通区域检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103211597B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115429289B (zh) * | 2022-09-01 | 2024-05-31 | 天津大学 | 一种脑机接口训练数据扩增方法、装置、介质及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103006220A (zh) * | 2012-12-28 | 2013-04-03 | 上海海事大学 | 一种基于信号稀疏近似的脑功能连通区域检测方法 |
| CN103034778A (zh) * | 2012-09-28 | 2013-04-10 | 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070287904A1 (en) * | 2006-04-20 | 2007-12-13 | Yu Li | Method and apparatus for determining a hemodynamic response function for event-related functional magnetic resonance imaging |
| US20110215805A1 (en) * | 2010-03-03 | 2011-09-08 | Allegheny-Singer Research Institute | MRI and method using multi-slice imaging |
-
2013
- 2013-04-27 CN CN201310151877.6A patent/CN103211597B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103034778A (zh) * | 2012-09-28 | 2013-04-10 | 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 |
| CN103006220A (zh) * | 2012-12-28 | 2013-04-03 | 上海海事大学 | 一种基于信号稀疏近似的脑功能连通区域检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103211597A (zh) | 2013-07-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Single slice based detection for Alzheimer’s disease via wavelet entropy and multilayer perceptron trained by biogeography-based optimization | |
| Yeh et al. | Automatic removal of false connections in diffusion MRI tractography using topology-informed pruning (TIP) | |
| Dimitriadis et al. | Improving the reliability of network metrics in structural brain networks by integrating different network weighting strategies into a single graph | |
| CN107016395B (zh) | 稀疏表示的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别系统 | |
| Pajula et al. | Effects of spatial smoothing on inter-subject correlation based analysis of FMRI | |
| CN103006211B (zh) | 一种基于脑电网络分析的地形图描绘装置 | |
| Nazem‐Zadeh et al. | Radiation therapy effects on white matter fiber tracts of the limbic circuit | |
| CN103942781B (zh) | 一种基于脑影像的脑网络构造方法 | |
| Somasundaram et al. | Brain segmentation in magnetic resonance human head scans using multi-seeded region growing | |
| Zhang et al. | ECG data compression using a neural network model based on multi-objective optimization | |
| Abidin et al. | Detecting cognitive impairment in HIV-infected individuals using mutual connectivity analysis of resting state functional MRI | |
| Alvarez‐Jimenez et al. | Autism spectrum disorder characterization in children by capturing local‐regional brain changes in MRI | |
| Shrivastava et al. | Medical image segmentation using modified k means clustering | |
| CN112348833B (zh) | 基于动态连接的脑功能网络变异识别方法及系统 | |
| CN103699578A (zh) | 一种基于谱图分析的图像检索方法 | |
| Liao et al. | Classify autism and control based on deep learning and community structure on resting-state fMRI | |
| Jörgens et al. | Challenges for tractogram filtering | |
| CN112465824A (zh) | 基于pet/ct图像亚区影像组学特征的肺腺鳞癌诊断装置 | |
| Zhang et al. | Fast detection and data compensation for electrodes disconnection in long-term monitoring of dynamic brain electrical impedance tomography | |
| CN104951666A (zh) | 一种疾病诊断方法和装置 | |
| CN104921727B (zh) | 基于自适应先验信息指导的脑功能连通性检测系统和方法 | |
| CN103006220B (zh) | 一种基于信号稀疏近似的脑功能连通区域检测方法 | |
| CN103211597B (zh) | 一种基于仿射聚类的静息脑功能连通区域检测方法 | |
| Li et al. | DCSegNet: Deep learning framework based on divide-and-conquer method for liver segmentation | |
| Bhima et al. | An improved method for automatic segmentation and accurate detection of brain tumor in multimodal MRI |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141217 Termination date: 20190427 |