CN104331585A - 一种寻找全局网络条件依赖关系的方法 - Google Patents
一种寻找全局网络条件依赖关系的方法 Download PDFInfo
- Publication number
- CN104331585A CN104331585A CN201310307324.5A CN201310307324A CN104331585A CN 104331585 A CN104331585 A CN 104331585A CN 201310307324 A CN201310307324 A CN 201310307324A CN 104331585 A CN104331585 A CN 104331585A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- dbn
- probability
- scoring
- learning
- 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.)
- Pending
Links
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明实施例提供了一种寻找全局网络条件依赖关系的方法,该方法包括:根据实际情况,选取适合的评价准则,基于变量的概率分布假设,对给定的结构进行评分,在采用搜索算法,在全空间进行穷举搜索或者采用某种算法进行多个局部搜索,寻找出评分最高的DBN结构,即我们需要的结果。本发明对固有噪声和额外白噪声都有很好的稳健性,发现随着这两种噪声方差的变化结构学习和参数学习的准确率基本不变。本发明综合分析了时间长度、HRF函数和采样间隔对DBN算法的影响,发现较高的信噪比下,时间长度大于30时DBN学习效果就可以得到保证。而HRF函数和采样会改变模型中的噪声类型和连接系数矩阵,对DBN学习的影响较大。在HRF点数越少,较高的时间分辨率越高,DBN的效果越好。
Description
技术领域
本发明属于脑电领域,具体是一种寻找全局网络条件依赖关系的方法。
背景技术
贝叶斯网络(Bayesian Network,BN)近年来被引入到fMRI数据有效连接的研究中,它通过计算脑区间的条件依赖关系来探索大脑的有效连接模式。由于它可以作为一种完全数据驱动的全局网络学习方法,慢慢受到了越来越多的关注,并引入到了静息态fMRI的研究中。
然而BN忽略了fMRI数据中的时间关系,只能得到脑区间的即时连接,加上他的无环形假设和可能存在的等价性问题,大大限制了BN的准确性和有效性。R在2007年提出了动态贝叶斯网络(dynamic Bayesian Network,DBN)来解决这些问题,基于平稳马尔科夫假设,将BN的结构拓展为两层相邻时刻的节点,限制连接不能由当前时刻指向历史时刻。然而,他提出的方法将fMRI数据进行了离散,丢失了fMRI信号的大量信息,导致最后学习出的有效连接模式的准确性大大降低。
发明内容
为了解决现有技术的问题,本发明提出了一种寻找全局网络条件依赖关系的方法,所述方法包括:
(1)根据实际情况,选取适合的评价准则;
(2)基于变量的概率分布假设,对给定的结构进行评分;
(3)在采用搜索算法,在全空间进行穷举搜索或者采用某种算法进行多个局部搜索,寻找出评分最高的DBN结构,即我们需要的结果。
其中,所述步骤(1)用的评价准则分别是BD评分、BIC评分和Heckerman提出的连接概率。
其中,所述步骤(2)所求的网络结构的先验概率,需要基于对变量进行概率分布假设,对于离散的贝叶斯网络,假设数据服从多项分布,而对于连续的贝叶斯网络,经常假设数据服从高斯分布。这样,利用贝叶斯全概率公式,就可以将先验概率表示为各个节点的条件概率分布之积。
其中,所述步骤(3)所用的方法,只可用一些近视的算法,如贪婪算法、爬山法、BOA算法、MCMC算法。
附图说明
图1为DBN模型;
图2为DBN算法流程图;
图3为默认网络的空间模式;
图4为默认网络的DBN有效连接图;
图5为默认网络的BN/DBN有效连接模式。
具体实施方式
实施例一
我们将发明应用于一套数据的分析。其中被试为12个北京师范大学学生(五名女性,六名男性,平均年龄21岁)在北京师范大学脑成像中心参与了该次静息态扫描,他们被要求闭眼休息,保持全身放松,不可以去想任何事情。所有被试为右利手,没有任何心理或精神疾病。
在进行BN/DBN模式计算前,数据还经过了预处理、独立成分分析和时间序列提取三个步骤:预处理、独立成分分析、时间序列提取。预处理过程如下:首先使用SPM2的DICOM功能将数据转化为Anylyze格式。然后,对数据进行对齐去除头动,再进行时间校正保证不同层的获取时刻一致,再将功能像数据和结构像数据进行配准,并将结构像和T1模板进行对照,按照该参数将功能像数据进行标准化,最后对数据使用半高宽)高斯核进行空间平滑提高信噪比。独立成分分析过程主要包含两次主成分分析、降维、一次空间ICA分离和图像重建几个步骤。时间提取序列的过程如下:我们先根据先验知识,定义了ROI模板,然后使用将上面步骤中获得的默认网络激活图与ROI模板进行叠加,再计算新ROI模板中所有voxel的平均提取时间序列作为该脑区的时间序列。
紧接着进行BN/DBN模式计算,我们将用BN/DBN中的节点来表示ROI变量,节点间的条件依赖关系就表示ROI间的相互关系。如果节点间有连接,则说明两个ROI之间有条件依赖关系,否则则说明ROI之间条件独立,不存在互相关系。然后,将上一步提取的时间序列作为BN/DBN的样本点,建立有效连接模式。
最终的实验结果如下所示:
(1)默认网络的空间模式
使用空间ICA分析得到默认网络的空间模式如图3所示,他与过去的研究结果非常吻合,包括8个主要脑区,分别是PCC、MPFC、左侧IPC(lIPC),右侧IPC(rIPC),左侧HC(lHC),右侧HC(rHC),左侧ITC(lITC),右侧ITC(rITC)。
各脑区的具体Talairach坐标和激活值见表一,从表中可以看到,PCC、MPFC、左侧IPC,右侧IPC四个核心脑区的激活最强,其次依次是右侧HC、左侧ITC、右侧ITC,左侧HC。
表1:默认网络各脑区的Talairach坐标和激活值
(2)不含即时连接的DBN模式
采用DBN模型对以上8个脑区的时间序列进行建模,我们可以得到默认网络的有效连接模式。
图4中左侧表示t时刻的节点,左侧表示t+1时刻的节点,由于我们限定了该模型中不含即时连接,因此连接方向只能从t时刻指向t+1时刻,表示两个节点间的条件依赖关系。从图中可以清楚的看出,每个节点都收自身的历史时刻的影响,除此之外,核心系统中的PCC、LIPC,rIPC和MPFC还收到了网络中其他节点的影响。其中,PCC收到的连接条数最多,除了自身的连接外,它还收到了来自MPFC、lIPC和HC的连接。
表2默认网络DBN有效连接系数及t值
(3)BN/DBN模式
下面,除此之外,我们还计算了默认网络的BN模式。右侧的图表示的是默认网络的DBN模式,为了便于观察和比较,分析默认网络中各子系统间的关系,我们将BN/DBN的模式按照hubs和非hubs画在两个框内,上面矩形框表示的是hubs,包含的脑区有PCC、MPFC、lIPC和rIPC。下面的矩形框表示非hubs,包含了lITC、rITC、lHC和rHC。
在两个系统间,连接都一致的由下面的非hub子系统指向hub系统,包括lHC→MPFC/PCC,lITC→lIPC/rIPC/rIPC/MPFC,rHC→MPFC/lPFC/PCC/rIPC,rITC→MPFC/rIPC,它们都呈现出了自下而上的信息传递模式。最后,PCC在默认网络中也扮演了重要的角色,不仅是被指向最多的节点,而且无论从那个节点出发,都可以直接或者间接的到达PCC。由默认网络的BN模式,我们发现了两个系统间存在由非核心系统指向核心系统的即时连接,这与最近基于等级贝叶斯推断和helmholtzian能量的研究结果一致,这些单向的连接说明了静息态下可能存在由低级皮层到高级皮层的有序的信息传递。这种的显著的信息传递模式模证明了非核心系统强烈地有影响着核心系统,而核心系统也紧密地依赖者核心系统。
但是从右侧的DBN模式中我们发现,非hub系统间的历史连接与BN模式中存在的集中的即时连接不同,它们的连接并不明显,只发现了从rHC→PCC的连接。也就是说,系统间历史连接的数量和强度都远远小于即时连接,这可能说明由hubs到非hubs的信息传递是非常迅速和即时的,以致于DBN模式难于捕捉到。
对于hub系统,左侧的BN模式中我们发现,hubs系统中的四个节点,除了MPFC与rIPC外都两两相连,包括lIPC→PCC,lIPC→rIPC,MPFC→lIPC,MPFC→PCC,rIPC→PCC。这与2008年Buncker的实验结果一致,说明hubs之间的相互关系非常显著。这种强烈的相互依赖关系将hubs构造成一个紧密连接的系统。而从右侧的DBN模式中我们也发现,hub系统中的四个节点关系紧密,并且形成了一个信息传递环,lIPC→MPFC→rIPC→lIPC。这种循环结构可能更有利于信息在hubs之间的高效、流畅的传递。
对于非hubs,我们发现虽然BN模式中,它们之间也存在连接,包括rHC/rITC→lHC,lITC→rHC,rITC→lHC。但是非hub子系统中的四个节点出现了失连,几个节点间没有连接。总体上说,非hubs接受到的连接数要远远小于发出的连接数,包括4条指向hubs的连接和4条指向非hubs的连接。这说明非hubs不倾向依赖其他脑区,而是影响其他脑区,在默认网络中可能处于从属地位。
最后,在BN模式和DBN中,PCC都是一个汇聚节点,它只接收连接而不发出连接。这个结果再次验证了PCC的hubs中的核心,是默认网络的关键节点。这个结果也与默认网络激活模式中PCC最高的活动强度相呼应,可能正式因为它是默认网络的的信息加工中心,因此它的活动激活强度最高。PCC的重要作用也解释病理学上PCC一般都在早期症状中就发现了差异。但值得注意的是,我们的结果只限于PCC在默认网络中的作用,如果将研究范围拓展到更大范围的网络讨论,它也可能也会接收其他脑区的连接。
表3默认网络BN有效连接系数及t值
Claims (4)
1.一种寻找全局网络条件依赖关系的方法,其特征在于,所述方法包括:
(1)根据实际情况,选取适合的评价准则;
(2)基于变量的概率分布假设,对给定的结构进行评分;
(3)在采用搜索算法,在全空间进行穷举搜索或者采用某种算法进行多个局部搜索,寻找出评分最高的DBN结构,即我们需要的结果。
2.根据权利要求1所述的方法,其特征在于,所述步骤(1)用的评价准则分别是BD评分、BIC评分和Heckerman提出的连接概率。
3.根据权利要求1所述的方法,其特征在于,所述步骤(2)所求的网络结构的先验概率,需要基于对变量进行概率分布假设,对于离散的贝叶斯网络,假设数据服从多项分布,而对于连续的贝叶斯网络,经常假设数据服从高斯分布。这样,利用贝叶斯全概率公式,就可以将先验概率表示为各个节点的条件概率分布之积。
4.根据权利要求1所述的方法,其特征在于,所述步骤(3)中所用的方法,只可用一些近视的算法,如贪婪算法、爬山法、BOA算法、MCMC算法等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310307324.5A CN104331585A (zh) | 2013-07-22 | 2013-07-22 | 一种寻找全局网络条件依赖关系的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310307324.5A CN104331585A (zh) | 2013-07-22 | 2013-07-22 | 一种寻找全局网络条件依赖关系的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104331585A true CN104331585A (zh) | 2015-02-04 |
Family
ID=52406310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310307324.5A Pending CN104331585A (zh) | 2013-07-22 | 2013-07-22 | 一种寻找全局网络条件依赖关系的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104331585A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107007281A (zh) * | 2015-09-10 | 2017-08-04 | 东芝医疗系统株式会社 | 磁共振成像装置以及图像处理装置 |
CN108959956A (zh) * | 2018-06-07 | 2018-12-07 | 广西师范大学 | 基于贝叶斯网络的差分隐私数据发布方法 |
US10492687B2 (en) | 2015-09-10 | 2019-12-03 | Canon Medical Systems Corporation | Magnetic resonance imaging apparatus and image processing apparatus |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763528A (zh) * | 2009-12-25 | 2010-06-30 | 深圳大学 | 基于贝叶斯网络的基因调控网络构建方法 |
CN102194145A (zh) * | 2011-06-15 | 2011-09-21 | 天津大学 | 一种自主融合先验知识的贝叶斯网络方法 |
-
2013
- 2013-07-22 CN CN201310307324.5A patent/CN104331585A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763528A (zh) * | 2009-12-25 | 2010-06-30 | 深圳大学 | 基于贝叶斯网络的基因调控网络构建方法 |
CN102194145A (zh) * | 2011-06-15 | 2011-09-21 | 天津大学 | 一种自主融合先验知识的贝叶斯网络方法 |
Non-Patent Citations (1)
Title |
---|
郑小平等: "《事故预测理论与方法》", 30 June 2009 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107007281A (zh) * | 2015-09-10 | 2017-08-04 | 东芝医疗系统株式会社 | 磁共振成像装置以及图像处理装置 |
US10492687B2 (en) | 2015-09-10 | 2019-12-03 | Canon Medical Systems Corporation | Magnetic resonance imaging apparatus and image processing apparatus |
US10888226B2 (en) | 2015-09-10 | 2021-01-12 | Canon Medical Systems Corporation | Magnetic resonance imaging apparatus and image processing apparatus |
CN108959956A (zh) * | 2018-06-07 | 2018-12-07 | 广西师范大学 | 基于贝叶斯网络的差分隐私数据发布方法 |
CN108959956B (zh) * | 2018-06-07 | 2021-06-22 | 广西师范大学 | 基于贝叶斯网络的差分隐私数据发布方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Oktay et al. | Anatomically constrained neural networks (ACNNs): application to cardiac image enhancement and segmentation | |
Xu et al. | Direct delineation of myocardial infarction without contrast agents using a joint motion feature learning architecture | |
US8401232B2 (en) | Method, device, and computer-readable medium of object detection | |
CN111401376B (zh) | 目标检测方法、装置、电子设备以及存储介质 | |
CN103098090B (zh) | 多参数三维磁共振图像脑肿瘤分割方法 | |
CN104715241B (zh) | 一种基于张量分解的fMRI特征提取与识别方法 | |
CN110135427A (zh) | 用于识别图像中的字符的方法、装置、设备和介质 | |
CN104751108A (zh) | 人脸图像识别装置和人脸图像识别方法 | |
CN105814582B (zh) | 用于识别人脸的方法和系统 | |
CN102646268B (zh) | 基于统计多图谱配准优化的磁共振图像脑子结构自动分割方法 | |
CN102509119B (zh) | 一种基于分类器的图像场景分层与对象遮挡处理方法 | |
CN104331585A (zh) | 一种寻找全局网络条件依赖关系的方法 | |
Han et al. | Boosting target-level infrared and visible image fusion with regional information coordination | |
Jiang et al. | Vessel connectivity using Murray’s hypothesis | |
CN103093237A (zh) | 一种基于结构化模型的人脸检测方法 | |
Du et al. | TSU-net: two-stage multi-scale cascade and multi-field fusion U-net for right ventricular segmentation | |
Zhu | Pain expression recognition based on pLSA model | |
CN105718898A (zh) | 基于稀疏无向概率图模型的人脸年龄估计方法、系统 | |
Zheng et al. | Multi-strategy mutual learning network for deformable medical image registration | |
Yu et al. | Multi-scale graph convolutional network for mild cognitive impairment detection | |
CN106570880B (zh) | 结合模糊聚类和马尔科夫随机场的脑组织mri图像分割方法 | |
CN102999764B (zh) | 图像中基于聚类的多物体检测方法 | |
CN103390150B (zh) | 人体部件检测方法和装置 | |
CN106548178A (zh) | 一种基于肺结节ct图像的语义特征自动打分方法及系统 | |
US20230259818A1 (en) | Learning device, feature calculation program generation method and similarity calculator |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150204 |
|
WD01 | Invention patent application deemed withdrawn after publication |