CN103646160B - 一种fMRI任务态数据预处理中的去噪校正方法 - Google Patents

Abstract

本发明公开了一种fMRI任务态数据预处理中的去噪校正方法。本发明的去噪原理是：呼吸、心跳等因素对大脑产生的噪声效应可以近似看做是均匀分布的，而通常认为白质区不参与认知任务，因此在白质区测得的值可以近似看做是呼吸心跳等因素产生的噪声效应值。本发明通过线性回归运算用白质区得到噪声效应值估测其它脑区的噪声效应值，并用实际测量值减去噪声效应函数估算值，最后再加上被减去的实际测量值均值得到校正值。本发明首次在任务态下根据白质脑区信号进行fMRI数据去噪，去噪过程考虑任务态脑数据与刺激的关联性。与在灰质区采集信号相比，采用白质区采集到的信号进行校正不受实验任务限制，具有很好的通用性。

Description

一种fMRI任务态数据预处理中的去噪校正方法

技术领域

本发明属于数据处理领域，涉及一种fMRI任务态数据预处理中的去噪校正方法。

背景技术

功能核磁共振技术（fMRI）已经成为探讨人脑功能的重要工具。目前fMRI的脑功能数据主要有两种类型，一种是静息态数据，在静息态数据扫描时被试（参与实验的志愿者）一般没有明显的外在认知任务，只是简单地闭眼或睁眼，静息态数据通常是指人脑的自发震荡信号。另一种则是任务态数据，即在扫描时被试会根据呈现的刺激按照要求完成一定的认知任务，此时的fMRI数据与认知任务或刺激具有关联性。不管是静息态还是任务态数据，扫描时被试的呼吸、心跳等一些不可控的因素都会对fMRI信号产生干扰，使脑数据受到噪声污染，影响实验结果的可信度。在fMRI脑数据的预处理过程中研究者一般会通过头动校正、时间校正、功能像与结构像配准、标准化、高斯平滑等方法进行去噪处理，但经过这些方法处理后信号仍有可能被噪音污染。在静息态数据处理中，研究者还通常会利用一些脑区（包括白质、全脑平均和大脑导水管等）的信号进行数据校正。然而这种利用脑区信号进行校正的方法尚未在fMRI任务态数据中进行去噪运用，同时这种信号校正方法如何在任务态数据中与刺激的关联性结合起来也需要仔细考虑。

发明内容

针对现有技术中存在的上述问题，本发明提供了一种fMRI任务态数据预处理中的去噪校正方法，可以有效地去除扫描过程中呼吸、心跳等因素产生的噪声信号，提高信噪比。

本发明的去噪原理是：呼吸、心跳等因素对大脑产生的噪声效应可以近似看做是均匀分布的，并且通常认为白质区不参与认知任务，因此在白质区测得的值可以近似看做是呼吸、心跳等因素产生的噪声效应值，通过线性回归运算用白质区得到噪声效应值从而估测其它脑区的噪声效应值。

一种fMRI任务态数据预处理中的去噪校正方法，包括以下步骤：

步骤一，选取白质区部分区域作为种子区。

白质是由被髓鞘包覆着的神经轴突组成，控制着神经元共享的讯号，协调脑区之间的正常运作，但其自身并不产生信号，只负责传递信号。通常认为白质区不参与认知任务。

步骤二，求该种子区在一个trial中各个scan点上的均值，该均值组成向量x。

实验过程中，被试按要求完成一个实验任务的过程叫做一个trial。这个过程可能会涉及多个scan点，一个scan点对应一次扫描，核磁共振仪器在一定的时间内会对全脑进行一次扫描，通常一次全脑扫描的时间设定为2秒。

步骤三，选取全脑中的一个体素作为待校正区域，从中提取与步骤二同一个trial中各个scan点上的值，组成向量y。

步骤四，对种子区均值x和全脑中一个体素在一个trial中所有scan点的值y进行线性回归运算，估算出噪声效应回归函数。

步骤五，用所述体素的实际测量值减去噪声效应函数估算出的噪声效应值，最后再加上被减去的实际测量值均值得到校正值。

步骤六，重复步骤三～五，直至将同一个trial中所有体素校正完毕，得到所有体素的校正值。

步骤七，重复步骤二～六，直至将所有trial中所有体素校正完毕，得到所有trial中所有体素的校正值。

与现有技术相比，本发明具有如下优点：

1.采用白质脑区信号进行校正，一般只用在没有明确外在任务时的静息态脑数据处理中，目的是剔除噪音的影响。本发明首次在任务态下根据白质脑区信号，并且考虑fMRI任务态数据与任务和刺激的关联性，采用线性回归法进行去噪处理。

2.与在灰质区采集信号相比，采用白质区采集到的信号进行校正不受实验任务限制，通用性好。

附图说明

图1为本发明所述方法流程图；

图2为本发明实施例去噪前后脑活动信号的比较：（a）为左侧后顶叶数据分析结果，（b）为右侧后顶叶数据分析结果。

具体实施方式

下面将结合附图和实施例对本发明做进一步的描述。

本实施例所采用的实验任务主要关注解决问题时的表象过程，所以通过与表象高度相关的后顶叶来检验去噪效果。

为了研究人类进行问题解决时的大脑活动情况通常会设计一定的实验范式，这种实验范式被称为任务或问题。在本实施例中采用的问题是一种可以运用简单规则进行解决的四方趣题。这种四方趣题是一个4×4方阵，其中两条中线将方阵分为4个小区，每个小区称为一个宫。方阵中有些小格已经给了数字。任务是在空格中填写数字使得每一行、每一列或每一个宫格中1，2，3，4出现且只出现一次。本实验包括两种情况：拼接条件和不拼接条件。“拼接”是指被试需要将第一次呈现的信息与第二次呈现的信息在头脑中拼接到一起组合成一个完整的问题才能进行解决。此过程需要与表象有关的脑区参与；而“不拼接”则是指被试不需要将两次出现的信息进行拼接，直接利用第二次出现的信息就可以解决问题。与拼接条件相比，不拼接条件下与表象有关的脑区参与度降低，因此可以预期与表象加工具有密切关系的后顶叶在拼接条件下的激活程度更强。

从实验过程来看，本实施例需要解决的问题分成两部分呈现，在第一部分信息呈现时被试只是注视并记住刺激物而不能解决问题；而当第二部分信息呈现时被试才能整合两部分信息（拼接条件）或直接利用第二部分信息（不拼接条件）解决问题。由于只有在第二部分信息呈现时才可能综合利用各种信息解决问题，因此，我们还可以预期负责问题表征或表象的后顶叶脑区在第二部分信息呈现时要比第一部分信息呈现时的激活更强。

fMRI数据主要通过BOLD（血氧水平依赖性，blood oxygen level dependent）信号来推测脑神经的活动。在通过磁共振扫描仪获得fMRI数据后，首先进行常规的预处理，包括头动校正、功能像和结构像配准、标准化和高斯平滑，然后进行本发明中的方法对数据进行去噪校正。

本发明所述的去噪校正方法的流程图如图1所示，具体包括以下步骤：

步骤一，根据实验或研究目的选取白质区域作为种子区。

体素是fMRI脑图像的最小单位，会受到扫描参数的影响。由于不同扫描所使用的扫描参数不同，选择种子区时要结合具体的fMRI脑图像数据进行确定。本实施例中选择6个白质区域，它们的中心点分别位于Talairach坐标中的如下位置：（24，-19，36），（-25，-20，36），（21，-3，36），（-19，-3，36），（27，4，30），（-22，3，30），每个区域在x、y、z三个方向的大小均为12.5*12.5*6.4=1000mm³。

步骤二，以一个trial为一个时间序列，计算种子区域所有体素在一个trial过程中各个scan点上的均值，得到一个一维向量x。x中元素个数是一个trial中scan点的个数。

步骤三，选取全脑中的一个体素作为待校正区域，在去噪校正过程中是按单个体素为最小空间单位进行校正的，首先选中全脑中的一个体素作为待校正对象，读取其在一个trial中各个scan点上的值，得到一个一维向量y。步骤二和步骤三中的trial是同一个trial，所以y中元素的个数和x中元素个数相同。

步骤四，用步骤二和步骤三中得到的x、y值，进行一元线性回归运算，计算噪声回归函数。具体算法如下：

$S_{\mathrm{xx}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(x_i-\stackrel{\‾}{x})$

$S_{\mathrm{yy}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(y_i-\stackrel{\‾}{y})(y_i-\stackrel{\‾}{y})$

$S_{\mathrm{xy}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})$

$b=\frac{S_{\mathrm{xy}}}{S_{\mathrm{xx}}}$

$a=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i-\left(\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i\right)b$

$\hat{y}=b*x+a$

式中，n表示每道题中扫描点的个数；x_i表示本实验中所选取的白质区的种子区域中所有体素在每道题中第i个扫描点时的均值；表示每道题中所有扫描点上x_i的均值；y_i表示全脑中任一个体素在每道题中第i个扫描点时的值；表示所述体素所对应的噪声效应函数估计的噪声效应值。

步骤五，用所述体素的实际测量值y减去噪声效应函数估算出的噪声效应值最后再加上被减去的实际测量值均值得到校正值。计算公式如下：

$Y=y+\stackrel{\‾}{y}-\hat{y}$

式中，表示在一个trial中所有扫描点上的值的均值。在利用回归函数估算噪声效应值时，该体素的任务效应值均值也被计算在内，在该体素实际测量值减去噪声效应值时将任务效应均值也减去了，因此需要在方程式右侧加上任务效应均值，最后得到去噪后的任务效应真实值Y。

步骤六，重复步骤三～五，直至将该trial中所有体素校正完毕。

步骤七，重复步骤二～六，直至所有trial中的全脑体素校正完毕。

去噪校正完毕后，再通过常规的脑区激活方法计算不同实验条件下感兴趣脑区。本实施例对大脑双侧的后顶叶脑区的信号强度进行检测。为了检测后顶叶脑区在表象过程中的作用，对拼接条件和不拼接条件的信号强度差异进行了t检验（t检验是用t分布理论来推论差异发生的概率）。

校正前后的信号如图2所示，由图2可知：（1）未采用白质区去噪校正的结果显示BOLD信号相对杂乱；采用了白质区去噪校正方法后的结果显示BOLD信号比较有序。（2）在拼接条件和不拼接条件下BOLD信号出现两个波峰，第二个波峰的值要比第一个波峰的值大。第一个波峰对应着第一个刺激物呈现时后顶叶的反应，第二个波峰对应着第二个刺激物呈现时后顶叶的反应，校正前后的BOLD图均显示第二个波峰比第一个波峰要强。但是由于第一个刺激物出现时两种实验条件相同，只在第二个刺激物出现时两种条件才存在差异，从BOLD图来看，校正后的第一个波峰两种条件间没有差异，只在第二个波峰时才在两种条件间表现出差异，更符合预期。（3）对两种实验条件间的差异进行比较分析，t检验结果显示，校正前拼接条件和不拼接条件在双侧后顶叶没有显著差异（左侧P=0.146,t=-1.101；右侧P=0.055,t=-1.723）；校正后拼接条件的BOLD信号值大于不拼接条件下的信号值（左侧P<0.01,t=-3.087；右侧P<0.01,t=-3.980）。在统计学中，P值是认为观察结果有效即具有总体代表性的犯错概率，专业上，P值为结果可信程度的一个递减指标。P值越大，越不能认为样本中变量的关联是总体中各变量关联的可靠指标，通常P=0.05被认为是可接受错误的边界水平，若P值小于0.05，即认为被检验的两组数据存在显著差异性；t值代表检验统计量。BOLD信号图和实验条件差异检验结果表明，校正后结果更符合预期。

实验表明，在任务态的fMRI数据预处理过程中，采用与任务无关的白质脑区的信号进行回归去噪处理，能够有效地改进BOLD信号，提高信噪比。

Claims (1)

1.一种fMRI任务态数据预处理中的去噪校正方法，其特征在于，根据任务态下白质脑区信号、考虑fMRI任务态数据与任务或刺激的关联性，采用线性回归方法进行去噪处理；具体包括以下步骤：

步骤一，选取白质区部分区域作为种子区；

白质由被髓鞘包覆着的神经轴突组成，控制着神经元共享的讯号，协调脑区之间的正常运作，但其自身并不产生信号，只负责传递信号；通常认为白质区不参与认知任务；

步骤二，求所述种子区在一个trial中各个scan点上的均值，该均值组成向量x；

实验过程中，被试按要求完成一个实验任务的过程叫做一个trial；这个过程可能会涉及多个scan点，一个scan点对应一次扫描，核磁共振仪器在一定的时间内会对全脑进行一次扫描，通常一次全脑扫描的时间设定为2秒；

步骤三，选取全脑中的一个体素作为待校正区域，从中提取与步骤二同一个trial中各个scan点上的值，组成向量y；

步骤四，对步骤二中提到的向量x和步骤三中提到的向量y进行线性回归运算，估算噪声效应回归函数；计算公式如下：

式中，n表示每个trial中scan点的个数；x_i表示本实验中所选取的白质区的种子区域中所有体素在每个trial中第i个scan点时的均值；表示每个trial中所有scan点上x_i的均值；y_i表示全脑中任一个体素在每个trial中第i个scan点时的值；表示所述体素所对应的噪声效应函数估计的噪声效应值；表示在一个trial中所有scan点上的值的均值；

步骤五，用步骤三中提到的向量y减去噪声效应函数估算出的噪声效应值最后再加上被减去的步骤四 中提到的均值得到校正值；计算公式如下：

步骤六，重复步骤三～五，直至将同一个trial中所有体素校正完毕，得到所有体素的校正值；

步骤七，重复步骤二～六，直至将所有trial中所有体素校正完毕，得到所有trial中所有体素的校正值。