CN104715150A - 一种基于复杂网络的偏头痛患者大脑皮层的辅助分类分析方法 - Google Patents

Abstract

本发明提供了一种基于复杂网络的偏头痛辅助诊断测评方法。该方法首先对预处理后的图像进行分割，定义感兴趣区域，然后提取各个感兴趣区域的时间序列，再进行相关矩阵的计算，然后通过对相关矩阵进行二值化处理，来构建被试的静息态脑功能复杂网络。并进行复杂网络的拓扑结构性质计算，最后再将所得到被试的拓扑性质进行双样本T检验，并分析得到的显著异常。该方法对偏头痛患者进行测评之后，能很好地辅助对偏头痛患者的诊断。

Description

一种基于复杂网络的偏头痛患者大脑皮层的辅助分类分析方法

技术领域

本发明属于医学影像学图像处理技术领域，尤其是涉及一种基于复杂网络的偏头痛患者大脑皮层的辅助分类分析方法。

背景技术

偏头痛是一种常见的反复发作的慢性神经综合征，常伴有恶心、呕吐及畏光、畏声等。随着神经影像技术在偏头痛研究上的深入，人们对偏头痛的生理病理机制的认识已逐渐从最初的血管学说发展为神经血管学说，直至中央神经系统紊乱学说。并认为皮层扩散性抑制是先兆性偏头痛重要病理生理机制。进一步研究发现，偏头痛患者局部大脑皮层的结构和功能较之于正常人存在显著异常，这些区域包括：前额皮层，前喙扣带皮层，眶额皮层以及脑岛等，而这些皮层在大脑中都参与到疼痛处理，这说明偏头痛的产生与大脑疼痛处理机制的异常有关。

作为一种新型的、非侵入式的测量神经元自发活动的方法，静息态功能磁共振成像技术越来越受到关注。有学者采用局部一致性以及低频振幅比率等方法分析偏头痛患者的神经元自发性活动，发现在左侧前喙扣带皮层，双侧前额叶和右丘脑等区域，偏头痛患者较之正常人会发生改变。

近年来，将图论知识应用于功能磁共振成像数据分析成为了研究热点，研究人员通过定义人的大脑区域为节点、区域之间的功能连接为边，构建人脑网络。用图论的方法研究发现许多神经疾病患者的(如：精神分裂症，阿尔兹海默症等)大脑静息态脑功能网络的拓扑结构(如：聚类系数、特征路径长度等)较之于正常人会呈现显著异常，有学者认为这些异常可以作为辅助相关疾病诊断的生理病理标志。

发明内容

本发明的目的是要针对目前技术上的不足，提出基于复杂网络的智能测评方法，通过构建偏头痛患者大脑皮层的静息态脑功能复杂网络，并分析相关的网络拓扑结构测度在偏头痛患者(MP)与正常人(NC)之间的统计学差异，实现偏头痛患者样本的分类。

为解决上述技术问题，本发明提供的技术步骤如下：

步骤1：按照临床医学诊断标准，分别采集正常人对照组(NC)和偏头痛患者组(MP)的大脑静息态功能磁共振图像，两组样本的数目相等或者接近，获取过程中被试要求保持大脑清醒，平躺于磁共振仪器内，不做任何定性思考。

步骤2：对所采集的被试数据进行预处理。

所有数据均去除了前10个时间点，以消除被试在习惯实验环境过程中受到不均衡磁场的影响。预处理流程主要包括时间层矫正(slice timing)，头动矫正(realign)、图像标准化(normalization)以及平滑处理(smooth)等操作。首先，所有的数据集采用正弦内插方法消除时间偏移，进而再用六度间变换方法的方法消除空间偏移；其次，为了尽量减少伪影，在任何方向上位移大于1.5mm或头部转动大于1.5°的时间片都会被丢弃；第三，所有数据集进行空间标准化时，都以蒙特利尔神经学研究所(MNI)平面回波成像图像为模进行重采样；最后，通过带通滤波器(0.01Hz＜f＜0.1Hz)，以除去低频漂移和高频生理噪声。

步骤3：计算正常人对照组和偏头痛患者组两组大脑静息态功能磁共振图像的大脑功能连接矩阵。

本发明采用的是自动解剖标签模板，该模板将大脑划分为90个感兴趣区域，在网络构建中，我们将这90个大脑区域定义为一系列节点；然后，将所有脑区的时间序列都通过带通滤波(0.01-0.08Hz)进行过滤，以去除磁场漂移和高频噪音的影响；随后，将大脑白质深部的平均时间过程和6个刚体运动参数从已滤波后的时间序列中进行回归分析；最后，再计算每个种子区域的平均时间序列，并获得由所有可能连接节点之间皮尔森偏相关系数所组成的90*90的矩阵。

步骤4：构建两组大脑的复杂网络。

正如先前研究所提到的，我们首先将得到的90*90的矩阵进行阈值化处理转化为连接矩阵，即：如果两个节点之间的相关系数大于特定的阈值，我们就认为这两个节点之间存在功能连接；否则，我们就认为两个节点之间不存在功能连接。大脑的功能连接可以用无向边表示。随后，我们再对得到的连接矩阵进行二值化处理，即：在连接矩阵中，用“1”表示两个节点之间有连接，“0”表示两个节点之间没有连接。经过这两步处理之后，我们便获得了大脑的静息态脑功能复杂网络的图。通过这种方式，我们获得的图是由相同数量的连接组成的，这可以使得正常人和偏头痛患者这两组被试的皮层网络具有相同的布线成本。我们将相关矩阵通过一个较宽的阈值范围(15％-25％)，然后估算每一个对应阈值的网络性质。考虑到正常人和患者的异常连接和皮层中枢，阈值为(S)＝15％在随后分析中最为典型。这个值是能够避免网络中产生孤立点(皮质网络完全连接)的最低阈值，同时，它还可以尽量减少网络中杂散边的数量。这个阈值在先前的很多图论分析研究中也有应用。

步骤5：计算两组被试的复杂网络拓扑结构

1.聚类系数

聚类系数是表示一个网络中节点的集群连接程度的系数，它反应的是大脑网络中功能分割的情况。通常，聚类系数Ci被定义为：

$C_i=\frac{E_i}{\frac{K_i(K_i-1)}{2}}$

其中，K_i表示的是与节点i相临的节点的数量，Ei表示的是连接节点i相邻节点的边数。一个网络的平均聚类系数C_net则由网络中的所有节点的聚类系数求平均值得出：

$C_{\mathrm{net}}=\frac{1}{N}\underset{i\∈G}{\mathrm{\Σ}}{C}_i$

2.特征路径长度

特征路径长度也称为平均最短路径长度，它反应的是大脑的功能集成的情况。网络中，从节点i到节点j所经过的边的数量，我们称之为节点之间的路径，记作：L_i,j，其中，边的数量最少的那条路径，称之为最短路径，记作：min{L_i,j}。

网络的平均最短路径长度是指网络中任意节点对的最短路径长度的平均值：

$L=\frac{1}{N(N-1)}\underset{j\≠i}{\underset{i\∈G}{\mathrm{\Σ}}}\min \left\{L_{i,j}\right\}$

3.介数中心度

介数中心度是反应的节点在网络中重要性的重要参数，它可以用来评估大脑皮层网络中大脑区域的信息流的情况。网络中任意两个节点的最短路径通过某特定节点的数量被称为该节点的节数中心度(Betweenness)，节点i的介数中心度B_i定义如下：

$B_i=\underset{i\≠j\≠k}{\mathrm{\Σ}}\frac{{\mathrm{\δ}}_{\mathrm{jk}}\left(i\right)}{{\mathrm{\δ}}_{\mathrm{jk}}}$

δ_jk是从节点j到节点k的最短路径数，δ_jk(i)是从节点j到节点k的最短路径数中通过节点i的数量。

4.同配性

同配性(Assortativity)，用作考察度值相近的节点是否倾向于互相连接。同配系数(Assortativity coefficient)是一种基于“度”的皮尔森相关系数，用来度量相连节点对的关系。同配系数r定义如下：

$r=\frac{{\mathrm{\Σ}}_{j,k}\mathrm{jk}(e_{\mathrm{jk}}-q_j{q}_k)}{{\mathrm{\σ}}_q^2}$

其中，e_jk是节点j、k的联合度分布，q_k、q_j分别是节点k和j的余度分布，为余度分布q_k的方差。如果r为正值，则表示具有相同度的点倾向于连接，如果为负值则表示具有不同度数的节点间有某种联系。

5.小世界性

小世界网络是介于规则网络和随机网络之间的一种特殊的复杂网络，既像随机网络一样有着较小的特征路径长度，同时又有与规则网络同一个数量级的较高的聚类系数。

在用数学进行定义时，我们通常将小世界网络的聚类系数和特征路径长度与随机网络的聚类系数和特征路径长度进行比较，即：

$\mathrm{\γ}=\frac{C_{\mathrm{net}.\mathrm{small}-\mathrm{world}}}{C_{\mathrm{net}.\mathrm{random}}}>1$

$\mathrm{\λ}=\frac{L_{\mathrm{net}.\mathrm{small}-\mathrm{world}}}{L_{\mathrm{net}.\mathrm{random}}}\≈1$

而小世界性则通常用γ和λ的比值来度量，即：

$\mathrm{\σ}=\frac{\mathrm{\γ}}{\mathrm{\λ}}$

当σ大于1时，我们认为网络具有小世界性。因此，当要计算小世界性的时候，我们通常需要先计算与该网络的度分布相似的随机网络的聚类系数和特征路径长度。早期的研究已经表明，这两种理论值为：

$C_{\mathrm{net}.\mathrm{random}}=\frac{K_{\mathrm{net}}}{N}$

$L_{\mathrm{net}.\mathrm{random}}\≈\frac{\ln \left(N\right)}{\ln \left(K_{\mathrm{net}}\right)}$

其中K_net和N分别是现有网络的度和全部节点数。

步骤6：进行统计分析

对两组被试进行双样本T检验，检测偏头痛患者和健康对照组之间的大脑皮层静息态脑功能网络的拓扑性质是否存在显著的差异，本发明对两组被试进行了双样本T检验(P<0.05)。本发明还采用了假发现率(FDR)校正的方法对多重比较的P值进行校正。

步骤7：特征提取和辅助诊断

对统计结果进行分析进行特征提取，本发明中偏头痛患者的平均聚类系数会比正常人有所降低，偏头痛患者大脑静息态脑功能网络中尾状核、豆状壳核等节点的特征路径长度显著增大，偏头痛患者大脑静息态脑功能网络中丘脑、左侧枕下回、右侧枕中回等节点的介数中心度显著增大，偏头痛患者静息态脑功能复杂网络的小世界性会改变，同配性显著降低。

本发明的创新之处在于：提出了一种基于复杂网络的偏头痛患者分类评测方法，该方法可以利用偏头痛患者大脑皮层的复杂网络特征检测偏头痛患者病例，具有临床辅助诊断的作用。

附图说明

图1为本发明流程示意图

图2为本发明偏头痛患者的平均聚类系数异常

图3为本发明偏头痛患者的特征路径长度异常

图4为本发明偏头痛患者的节点阶数中心度异常

图5为本发明偏头痛患者的小世界性异常

图6为本发明偏头痛患者的同配性异常

具体实施方式

一种基于复杂网络的偏头痛患者分类分析方法，如图1所示，包括以下几个步骤，具体的实施方式如下：。

步骤1：按照临床医学诊断标准，分别采集正常人对照组(NC)和偏头痛患者组(MP)的大脑静息态功能磁共振图像，两组样本的数目相等或者接近。

步骤2：对所采集的被试数据进行预处理，预处理流程主要包括时间层矫正(slice timing)，头动矫正(realign)、图像标准化(normalization)以及平滑处理(smooth)等操作。

步骤3：计算两组被试大脑的功能连接矩阵。本发明采用的是自动解剖标签模板，该模板将大脑划分为90个感兴趣区域，通过提取感兴趣区域的时间序列，进而计算每个种子区域的平均时间序列，并获得由所有可能连接节点之间皮尔森偏相关系数所组成的90*90的矩阵。

步骤4：构建两组大脑的复杂网络。首先将得到的相关矩阵进行阈值化处理转化为连接矩阵。随后，我们再对得到的连接矩阵进行二值化处理。经过这两步处理之后，我们便获得了大脑的静息态脑功能复杂网络的图。再将相关矩阵通过一个较宽的阈值范围(15％-25％)，然后估算每一个对应阈值的网络性质。考虑到正常人和患者的异常连接和皮层中枢，阈值为(S)＝15％在随后分析中最为典型。这个值是能够避免网络中产生孤立点(皮质网络完全连接)的最低阈值，同时，它还可以尽量减少网络中杂散边的数量。这个阈值在先前的很多图论分析研究中也有应用。

步骤5：计算两组被试的复杂网络拓扑结构

步骤5.1：计算聚类系数。聚类系数是表示一个网络中节点的集群连接程度的系数，它反应的是大脑网络中功能分割的情况。

步骤5.2：计算特征路径长度。特征路径长度也称为平均最短路径长度，它反应的是大脑的功能集成的情况。

步骤5.3：计算介数中心度。介数中心度是反应的节点在网络中重要性的重要参数，它可以用来评估大脑皮层网络中大脑区域的信息流的情况。

步骤5.4：计算同配性。同配性(Assortativity)，用作考察度值相近的节点是否倾向于互相连接。

步骤5.5：计算小世界性。小世界网络是介于规则网络和随机网络之间的一种特殊的复杂网络，既像随机网络一样有着较小的特征路径长度，同时又有与规则网络同一个数量级的较高的聚类系数。

步骤6：进行统计分析

对两组被试进行双样本T检验，检测偏头痛患者和健康对照组之间的静息态脑功能网络的拓扑性质是否存在显著的差异，本发明对两组被试进行了双样本T检验(P<0.05)。

步骤7：特征提取和辅助诊断

通过对统计结果进行分析，本发明发现偏头痛患者的平均聚类系数会比正常人有所降低，偏头痛患者大脑静息态脑功能网络中尾状核、豆状壳核等节点的特征路径长度显著增大，偏头痛患者大脑静息态脑功能网络中丘脑、左侧枕下回、右侧枕中回等节点的介数中心度显著增大，偏头痛患者静息态脑功能复杂网络的小世界性会改变，同配性显著降低。利用这些特征我们就可以辅助对偏头痛患者的诊断。

Claims (2)

1. 一种基于复杂网络的偏头痛患者大脑皮层辅助分类分析方法，包括以下几个步骤：

步骤1：按照临床医学诊断标准，分别采集正常人对照组和偏头痛患者组的大脑皮层静息态功能磁共振图像，两组样本的数目相等或者接近；

    步骤2：对所采集的所述正常人对照组和偏头痛患者组的大脑皮层静息态功能磁共振图像的数据进行预处理，预处理流程主要包括时间层矫正、头动矫正、图像标准化以及平滑处理等操作；

    步骤3：分别计算所述正常人对照组和所述偏头痛患者组大脑皮层静息态功能磁共振图像两组数据的大脑功能连接矩阵，采用自动解剖标签模板，该模板将大脑划分为90个感兴趣区域，通过提取所述感兴趣区域的时间序列，进而计算每个种子区域的平均时间序列，并获得由所有可能连接节点之间皮尔森偏相关系数所组成的分别对应于正常人对照组和偏头痛患者组的两组90*90的矩阵；

步骤4：将所述的两组90*90的矩阵分别进行阈值化处理转化为连接矩阵，随后，再对得到的连接矩阵进行二值化处理，获得两组大脑静息态脑功能复杂网络图；

    步骤5：计算所述所述两组大脑静息态脑功能复杂网络图的复杂网络拓扑结构，即计算其聚类系数、特征路径长度、介数中心度、同配性、和小世界性；

    步骤6：对两组所述正常人对照组和偏头痛患者组的大脑皮层静息态功能磁共振图像数据进行双样本T检验统计分析，并采用假发现率校正方法对多重比较的P值进行校正；

    步骤7：通过对步骤5的所述复杂网络拓扑结构进行统计分析及特征提取，提取所述两组大脑静息态脑功能复杂网络图中的尾状核、豆状壳核等节点的特征路径长度，提取网络中丘脑、左侧枕下回、右侧枕中回等节点的介数中心度，并统计所述小世界性和同配性。

2.根据权利要求1所述的基于复杂网络的偏头痛患者大脑皮层辅助分类分析方法，其特征是：步骤5中所述聚类系数、特征路径长度、介数中心度、同配性、和小世界性是指：

(1)聚类系数，聚类系数是表示一个网络中节点的集群连接程度的系数，它反应的是大脑网络中功能分割的情况；

(2)特征路径长度，特征路径长度也称为平均最短路径长度，它反应的是大脑的功能集成的情况；

(3)介数中心度，介数中心度是反应的节点在网络中重要性的重要参数，它可以用来评估大脑皮层网络中大脑区域的信息流的情况；

(4)同配性，同配性用作考察度值相近的节点是否倾向于互相连接；

(5)小世界性，小世界网络是介于规则网络和随机网络之间的一种特殊的复杂网络，它反应大脑皮层信息传输的情况。