CN105069307A - 一种结合ICA与移不变CPD的多被试fMRI数据分析方法 - Google Patents
一种结合ICA与移不变CPD的多被试fMRI数据分析方法 Download PDFInfo
- Publication number
- CN105069307A CN105069307A CN201510510622.3A CN201510510622A CN105069307A CN 105069307 A CN105069307 A CN 105069307A CN 201510510622 A CN201510510622 A CN 201510510622A CN 105069307 A CN105069307 A CN 105069307A
- Authority
- CN
- China
- Prior art keywords
- tested
- cpd
- shared
- ica
- subject
- 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
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种结合ICA与移不变CPD的多被试fMRI数据分析方法,属于医学信号处理领域。采用以CPD为中心,以ICA为预处理环节的主辅结合方式;ICA预处理为移不变CPD提供联合混合矩阵;移不变CPD采用秩一估计方法,从联合混合矩阵中逐一分解出多被试共享TC、与共享TC相对应的各被试时延以及各被试强度;利用移不变CPD的输出重构联合混合矩阵,采用最小二乘法估计多被试共享SM。本发明能够对多被试任务态fMRI数据进行稳定而更为有效的分析,而且当被试间SM差异性和TC差异性较大时,优势更为明显,所估计的共享SM成分和共享TC成分与先验参考信号有着更高的相关性,TC大时延的估计精度高,且计算量小。
Description
技术领域
本发明涉及医学信号处理领域,特别是涉及一种多被试功能磁共振成像(functionalmagneticresonanceimaging,fMRI)数据的分析方法。
背景技术
fMRI数据是由磁共振成像扫描仪对被试(健康人或病人)大脑进行扫描所采集到的脑功能数据,具有无损伤和空间分辨率高等优势。通过利用多被试fMRI数据分析方法,人们能够提取各被试的共享脑空间激活区(spatialmap,SM)、共享时间过程(timecourse,TC),以及各被试的强度信息。这些信息对于脑功能研究和临床诊断具有重要价值。
多被试fMRI数据是有着空间、时间和被试三个维度的高维数据。最为有效的分析方法应能同时利用fMRI数据的统计信息和结构信息。因此,张量分解方法近年来得到了广泛关注。然而,fMRI数据的信噪比很低,而且即使在相同的任务刺激下,多被试间也存在着SM差异性和TC差异性,所以现有的张量分解方法尚存在鲁棒性差、分解成分性能低等问题。为此,Beckmann和Smith于2005年在文章“Beckmann,C.F.,Smith,S.M.TensorialextensionsofindependentcomponentanalysisformultisubjectfMRIanalysis.NeuroImage25,294-311”中提出了一种ICA与CPD(canonicalpolyadicdecomposition,一种典型的张量分解算法)相结合的多被试fMRI数据分析方法。该方法首先利用ICA获取多被试的共享SM成分,再利用CPD获取多被试的共享TC成分和各被试的强度信息。该方法的优点是,利用ICA为CPD加入了SM空间独立性约束,解决了因fMRI低信噪比及被试间SM差异性所导致的算法鲁棒性问题,并在一定程度上提高了共享SM成分的性能。
然而,Beckmann和Smith方法仍然存在两个问题:第一,没有考虑多被试间的TC差异性。因为不同的被试在响应时间或血液动力学时延方面存在差异,所以各被试的共享TC会存在时延差异。像SM差异性一样,TC差异性也影响张量分解方法的鲁棒性和分解成分性能。等人2008年在文章“M.,Hansen,L.K.,Arnfred,S.M.,Lim,L.H.,Madsen,K.H.Shift-invariantmultilineardecompositionofneuroimagingdata.NeuroImage42,1439-1450”中提出了一种移不变CPD方法,将TC的时延纳入CPD。然而,因为没有考虑SM空间差异性,直接应用移不变CPD方法分析多被试fMRI数据时,其性能甚至劣于Beckmann和Smith方法。
第二,Beckmann和Smith方法没有一个整体的目标函数,在ICA与CPD的结合过程中,ICA和CPD的两个目标函数完全独立并行,不分主次。其结果是,ICA和CPD之间的迭代运算易于发散,进而导致分解失败。因此,Beckmann和Smith方法对多被试fMRI数据的分析结果尚不能令人满意。
发明内容
本发明的目的在于,提供一种结合ICA与移不变CPD的多被试fMRI数据分析方法,同时考虑被试间的SM差异性和TC差异性,并将ICA用作移不变CPD的预处理环节,解决Beckmann和Smith方法未考虑TC差异性以及缺乏整体目标函数的问题,显著改善张量分解方法的鲁棒性和分解成分性能。
本发明的技术方案是,在ICA与CPD结合过程中,采用以CPD为中心、以ICA为预处理环节的主辅结合方式;采用移不变CPD嵌入各被试的TC时延,实现对被试间SM差异性问题和TC差异性问题的同时处理。ICA预处理为移不变CPD提供联合混合矩阵;移不变CPD采用秩一估计方法,从联合混合矩阵中逐一分解出多被试共享TC、与共享TC相对应的各被试时延,以及各被试强度;最后,利用移不变CPD的输出重构联合混合矩阵,采用最小二乘法估计多被试共享SM。具体实现步骤如下:
第一步:输入多被试fMRI数据k=1,…,K。其中K表示被试数目;J表示时间维的全脑扫描次数;I表示空间维的脑内体素数目。
第二步:进行两级PCA(principlecomponentanalysis)压缩。采用文章“Erhardt,E.B.,Rachakonda,S.,Bedrick,E.J.,Allen,E.A.,Adali,T.,Calhoun,V.D.,2011.Comparisonofmulti-subjectICAmethodsforanalysisoffMRIdata.HumanBrainMapping32,2075-2095”中的两级PCA方法对多被试fMRI数据进行压缩。设多被试共享SM和共享TC的成分数是N。将原始的多被试时间维串联数据压缩为Z=VX,其中,第一级PCA对每个被试数据进行PCA压缩,使时间维由J降为N1,然后再做第二级PCA压缩,将多被试时间维串联数据由N1K×I压缩到N×I。
第三步:ICA预处理。对Z进行ICA,得到分离矩阵进而计算得到联合混合矩阵上标表示伪逆。
第四步:移不变CPD分解。M0的每一列包含一个共享TC成分以及各被试的时延和强度信息,所以本发明采用移不变秩一估计方法逐一分解M0的每一列。设M0的第n列(n=1,…,N)包含第r个(r=1,…,N)成分:
其中,br(k)包含多被试的第r个共享TC成分,以及第k个被试的时延信息τkr。当τkn>0时,br(k)由br左移τkn点获取;当τkn<0时,br(k)由br右移τkn点获取。另外,ckr表示第k个被试的强度信息,εr(k)表示其他成分的串扰。
定义第k列矩阵化式(1)如下:
对做离散傅里叶变换,得到其频域形式且
式中exp[·]为指数函数,令各被试br成分的时延为τr=[τ1r,…,τKr]T、各被试的强度为cr=[c1r,…,cKr]T,在随机初始化br、τr和cr之后,对其进行迭代估计,直至收敛或达到最大迭代次数。首先,在频域上采用最小二乘法估计br,并在时域上进行归一化处理:
然后,采用等人于2007年在文章“M.,Madsen,K.H.,Hansen,L.K.Shiftednon-negativematrixfactorization.ProceedingsoftheIEEESignalProcessingSocietyWorkshop,139-144”和文章“M.,Madsen,K.H.,Hansen,L.K.Shiftedindependentcomponentanalysis.InternationalConferenceonIndependentComponentAnalysisandSourceSeparation,89-96”中提出的算法估计时延τr。如果是整数时延,最大化如果是非整数时延,最大化最后,在时域上采用最小二乘法估计cr并进行归一化:
第五步:联合混合矩阵重构。利用上述移不变CPD的分解结果br、τr和cr,重构联合混合矩阵如下:
第六步:采用最小二乘法估计共享SM成分:
包含N个共享SM成分。
第七步:输出多被试共享SM成分s1,…,sN、共享TC成分b1,…,bN、与b1,…,bN相对应的各被试时延τ1,…,τN,以及各被试的强度信息c1,…,cN。
本发明所达到的效果和益处是,与Beckmann和Smith方法相比,本发明能够对多被试任务态fMRI数据进行稳定而更为有效的分析,而且当被试间的TC时延差异性及SM空间差异性较大时,优势更为明显。例如,DMN(defaultmodenetwork)是一种重要的非任务相关成分,广泛用于脑功能和脑疾病研究。与任务相关成分相比,不同被试DMN成分的SM差异性和TC差异性更大。所以,在针对16被试敲击手指的fMRI数据分析中,Beckmann和Smith方法对DMN成分的分解性能不高。相比之下,本发明分解的共享SM和共享TC与先验参考信号有着更高的相关性,且能以高精度估计出TC的大时延。此外,本发明计算量小,在数据量巨大的多被试fMRI数据分析中具有非常突出的性能优势。因此,本发明在脑功能研究和脑疾病诊断方面具有良好的应用前景。
附图说明
附图是本发明分析多被试fMRI数据的工作流程图。
具体实施方式
下面结合技术方案和附图,详细叙述本发明的一个具体实施例。
现有16被试在执行敲打手指任务下采集的fMRI数据,即K=16。每个被试都进行了J=165次扫描,每次扫描都获得了53×63×46的全脑数据,脑内体素数I=59610。假设16被试共享SM和共享TC的成分数N=35,采用本发明进行fMRI数据分析的步骤如附图所示。
第一步:输入多被试fMRI数据k=1,…,16,
第二步:进行两级PCA压缩。第一级PCA将每个被试数据由165×59610压缩为50×59610,即N1=50;第二级PCA将16被试时间维串联数据由800×59610压缩到35×59610;获取压缩阵
第三步:ICA预处理。采用fastICA算法对35×59610的多被试fMRI数据进行ICA,非线性函数选择为tanh,算法停止准则为|ΔW|<10-6或者达到最大迭代次数1000。得到分离矩阵进而计算得到联合混合矩阵
第四步:移不变CPD分解。采用移不变秩一估计方法逐一分解M0的每一列,得到16被试的35个共享TC成分b1,…,b35、与b1,…,b35相对应的各被试时延τ1,…,τ35,以及各被试的强度信息c1,…,c35。
第五步:联合混合矩阵重构。利用上述移不变CPD的分解结果b1,…,b35、τ1,…,τ35和c1,…,c35,按照公式(6)重构联合混合矩阵
第六步:按照公式(7),采用最小二乘法估计35个共享SM成分s1,…,s35。
第七步:输出多被试共享SM成分s1,…,s35、共享TC成分b1,…,b35、与b1,…,b35相对应的各被试时延τ1,…,τ35,以及各被试的强度信息c1,…,c35。
Claims (2)
1.一种结合ICA与移不变CPD的多被试fMRI数据分析方法,其特征是,在ICA与CPD结合过程中,采用以CPD为中心、以ICA为预处理环节的主辅结合方式;采用移不变CPD嵌入各被试的TC时延,实现对被试间SM差异性问题和TC差异性问题的同时处理;ICA预处理为移不变CPD提供联合混合矩阵;移不变CPD采用秩一估计方法,从联合混合矩阵中逐一分解出多被试共享TC、与共享TC相对应的各被试时延,以及各被试强度;最后,利用移不变CPD的输出重构联合混合矩阵,采用最小二乘法估计多被试共享SM。
2.根据权利要求1所述的一种结合ICA与移不变CPD的多被试fMRI数据分析方法,其特征包括以下步骤:
第一步:输入多被试fMRI数据k=1,...,K;其中K表示被试数目;J表示时间维的全脑扫描次数;I表示空间维的脑内体素数目;
第二步:进行两级PCA压缩;采用两级PCA方法对多被试fMRI数据进行压缩;设多被试共享SM和共享TC的成分数是N,将原始的多被试时间维串联数据压缩为Z=VX,其中,第一级PCA将每个被试数据的时间维由J降为N1,第二级PCA将多被试时间维串联数据由N1K×I压缩到N×I;
第三步:ICA预处理;对Z进行ICA,得到分离矩阵进而计算得到联合混合矩阵上标表示伪逆;
第四步:移不变CPD分解;采用移不变秩一估计方法逐一分解M0的每一列,得到共享TC成分b1,...,bN、与b1,...,bN相对应的各被试时延τ1,...,τN,以及各被试的强度信息c1,...,cN;其中,在频域上采用最小二乘法估计br,并在时域上进行归一化处理:
br=br/||br||
然后,采用的算法估计时延τr;最后,在时域上采用最小二乘法估计cr并进行归一化:
cr=cr/||cr||
第五步:联合混合矩阵重构;利用上述移不变CPD的分解结果重构联合混合矩阵如下:
第六步:采用最小二乘法估计N个共享SM成分
第七步:输出多被试共享SM成分s1,...,sN、共享TC成分b1,...,bN、与b1,...,bN相对应的各被试时延τ1,...,τN,以及各被试的强度信息c1,...,cN。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510510622.3A CN105069307B (zh) | 2015-08-19 | 2015-08-19 | 一种结合独立成分分析与移不变规范多元分解的多被试功能核磁共振成像数据分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510510622.3A CN105069307B (zh) | 2015-08-19 | 2015-08-19 | 一种结合独立成分分析与移不变规范多元分解的多被试功能核磁共振成像数据分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105069307A true CN105069307A (zh) | 2015-11-18 |
CN105069307B CN105069307B (zh) | 2018-04-10 |
Family
ID=54498672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510510622.3A Active CN105069307B (zh) | 2015-08-19 | 2015-08-19 | 一种结合独立成分分析与移不变规范多元分解的多被试功能核磁共振成像数据分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069307B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105596004A (zh) * | 2015-12-28 | 2016-05-25 | 中国人民解放军国防科学技术大学 | 基于成组典型相关分析的脑功能磁共振成像盲源分离方法 |
CN105760700A (zh) * | 2016-03-18 | 2016-07-13 | 大连理工大学 | 一种适于多被试复数fMRI数据分析的自适应定点IVA算法 |
CN105912851A (zh) * | 2016-04-07 | 2016-08-31 | 大连理工大学 | 一种利用PCA和非环形特性估计复数fMRI数据模型阶数的方法 |
CN109498017A (zh) * | 2018-12-11 | 2019-03-22 | 长沙理工大学 | 一种适于多被试fMRI数据分析的快速移不变CPD方法 |
CN109700462A (zh) * | 2019-03-06 | 2019-05-03 | 长沙理工大学 | 引入空间源相位稀疏约束的多被试复数fMRI数据移不变CPD分析方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101287410A (zh) * | 2005-10-12 | 2008-10-15 | 学校法人东京电机大学 | 脑功能分析方法及脑功能分析程序 |
CN103838736A (zh) * | 2012-11-21 | 2014-06-04 | 大连灵动科技发展有限公司 | 一种fMRI脑激活数据仓库的建立方法 |
-
2015
- 2015-08-19 CN CN201510510622.3A patent/CN105069307B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101287410A (zh) * | 2005-10-12 | 2008-10-15 | 学校法人东京电机大学 | 脑功能分析方法及脑功能分析程序 |
CN103838736A (zh) * | 2012-11-21 | 2014-06-04 | 大连灵动科技发展有限公司 | 一种fMRI脑激活数据仓库的建立方法 |
Non-Patent Citations (2)
Title |
---|
BECKMANN,C.F. ET AL.: "Tensorial extensions of independent component analysis for multisubject fMRI analysis", 《NEUROIMAG》 * |
MAARTEN DE VOS ET AL.: "A Combination of Parallel Factor and Independent Component Analysis", 《SIGNAL PROCESSING》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105596004A (zh) * | 2015-12-28 | 2016-05-25 | 中国人民解放军国防科学技术大学 | 基于成组典型相关分析的脑功能磁共振成像盲源分离方法 |
CN105596004B (zh) * | 2015-12-28 | 2017-08-25 | 中国人民解放军国防科学技术大学 | 基于成组典型相关分析的脑功能磁共振成像盲源分离方法 |
CN105760700A (zh) * | 2016-03-18 | 2016-07-13 | 大连理工大学 | 一种适于多被试复数fMRI数据分析的自适应定点IVA算法 |
CN105760700B (zh) * | 2016-03-18 | 2018-06-08 | 大连理工大学 | 一种适于多被试复数fMRI数据分析的自适应定点IVA算法 |
CN105912851A (zh) * | 2016-04-07 | 2016-08-31 | 大连理工大学 | 一种利用PCA和非环形特性估计复数fMRI数据模型阶数的方法 |
CN105912851B (zh) * | 2016-04-07 | 2019-04-16 | 大连理工大学 | 一种利用PCA和非环形特性估计复数fMRI数据模型阶数的方法 |
CN109498017A (zh) * | 2018-12-11 | 2019-03-22 | 长沙理工大学 | 一种适于多被试fMRI数据分析的快速移不变CPD方法 |
CN109498017B (zh) * | 2018-12-11 | 2022-05-06 | 长沙理工大学 | 一种适于多被试fMRI数据分析的快速移不变CPD方法 |
CN109700462A (zh) * | 2019-03-06 | 2019-05-03 | 长沙理工大学 | 引入空间源相位稀疏约束的多被试复数fMRI数据移不变CPD分析方法 |
CN109700462B (zh) * | 2019-03-06 | 2022-07-19 | 长沙理工大学 | 多被试复数fMRI数据移不变CPD分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105069307B (zh) | 2018-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069307A (zh) | 一种结合ICA与移不变CPD的多被试fMRI数据分析方法 | |
CN109360152A (zh) | 基于稠密卷积神经网络的三维医学图像超分辨率重建方法 | |
Wang et al. | SACICA: a sparse approximation coefficient-based ICA model for functional magnetic resonance imaging data analysis | |
US20240095889A1 (en) | Systems and methods for magnetic resonance image reconstruction with denoising | |
CN105957117A (zh) | 并行磁共振的图像重建方法、装置及并行磁共振成像系统 | |
CN104323777A (zh) | 一种扩散磁共振成像运动伪影的消除方法 | |
CN103985109B (zh) | 一种基于3d剪切波变换的特征级医学图像融合方法 | |
Kong et al. | A new 4-D nonlocal transform-domain filter for 3-D magnetic resonance images denoising | |
CN103985092B (zh) | 一种对复数fMRI数据进行ICA分析的后处理消噪方法 | |
CN103870710A (zh) | 一种用于多被试fMRI数据分析的分组张量方法 | |
Majumdar et al. | Causal dynamic MRI reconstruction via nuclear norm minimization | |
CN103728581B (zh) | 基于离散余弦变换的speed快速磁共振成像方法 | |
Babacan et al. | Reference-guided sparsifying transform design for compressive sensing MRI | |
CN106023124A (zh) | 一种基于先验图像约束的磁共振稀疏重建图像方法 | |
Li et al. | Deep residual network for highly accelerated fMRI reconstruction using variable density spiral trajectory | |
CN109498017B (zh) | 一种适于多被试fMRI数据分析的快速移不变CPD方法 | |
Gur et al. | Generalized HARDI invariants by method of tensor contraction | |
CN110335682B (zh) | 一种实部虚部联合的复数fMRI数据稀疏表示方法 | |
CN108346167B (zh) | 一种基于正交字典下同时稀疏编码的mri图像重构方法 | |
Peng et al. | Accurate T2 mapping with sparsity and linear predictability filtering | |
Cardona et al. | Multi-output Gaussian processes for enhancing resolution of diffusion tensor fields | |
Yuan et al. | A cross-domain complex convolution neural network for undersampled magnetic resonance image reconstruction | |
Ding et al. | Cross-contrast mutual fusion network for joint MRI reconstruction and super-resolution | |
Li et al. | UMPCA based feature extraction for ECG | |
Kuang et al. | Multi-subject fMRI data analysis: Shift-invariant tensor factorization vs. group independent component analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |