CN106510709A - 一种针对海洛因成瘾机制的大型脑网络分析方法 - Google Patents
一种针对海洛因成瘾机制的大型脑网络分析方法 Download PDFInfo
- Publication number
- CN106510709A CN106510709A CN201610847218.XA CN201610847218A CN106510709A CN 106510709 A CN106510709 A CN 106510709A CN 201610847218 A CN201610847218 A CN 201610847218A CN 106510709 A CN106510709 A CN 106510709A
- Authority
- CN
- China
- Prior art keywords
- network
- data
- brain
- big
- heroin addiction
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4845—Toxicology, e.g. by detection of alcohol, drug or toxic products
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- High Energy & Nuclear Physics (AREA)
- Pharmacology & Pharmacy (AREA)
- Radiology & Medical Imaging (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种针对海洛因成瘾机制的大型脑网络分析方法,其包括以下步骤:(1)数据预处理;(2)独立成分分析;(3)网络识别;(4)功能连接;(5)组间比较。本发明公开的一种针对海洛因成瘾机制的大型脑网络分析方法具有如下的优点:1、以静息态功能磁共振成像方式,从海洛因成瘾者基础生理基线水平入手研究,能够反映病人身体内在大脑功能活动的改变;2、鉴于当前海洛因成瘾研究多局限于局域脑区神经活动及结构特征,基于大型脑网络的研究更有利于从宏观角度揭示局部脑区神经活动的本质;3、本发明率先提出从大型脑网络功能特征,尤其是相互联系变化的角度对海洛因成瘾机制进行研究,为阐明机制开辟一条新路。
Description
技术领域
本发明属于医学图像处理与分析技术领域,涉及一种针对海洛因成瘾机制的大型脑网络分析方法,可用于探讨海洛因成瘾的神经机制,为临床提供功能影像学证据。
背景技术
海洛因成瘾作为一种慢性功能性脑病,是困挠中国以及全世界的医学和社会性问题,其主要特征是成瘾者明知海洛因有害却无法抑制对海洛因的渴求,不顾任何不良后果的觅药行为。
海洛因成瘾除对个人及家庭造成伤害之外,其最大危害是造成一些劣性传染性疾病(以爱滋病为主)的传播以及社会犯罪率的升高。最新的中国禁毒报告显示,至2015年底《中国禁毒报告》指出,截止2014底,全国累计登记吸毒人员295.5万名,其中滥用阿片类(主要为海洛因)吸毒人员约为140万名,而隐性吸毒人员可能已超过1400万名,每年以15%的速度迅速增长。尽管人们一直在尝试各种办法治疗和干预海洛因成瘾,但是仍无法彻底根治。
海洛因成瘾是政府和医疗机构迫切需要解决的重大难题,目前机制不明,尚无根治措施。从大型脑网络层次来阐明海洛因成瘾机制已成为目前药物成瘾领域的重要科学问题,有望为早期判断复吸风险、及时干预、防止复吸行为提供新思路。本发明拟提供一种分析海洛因成瘾者大型脑网络功能特征的功能磁共振(functional magnetic resonanceimaging,fMRI)研究方法,它将更有利于探寻机制中重要影像学指标,预测患者潜在的复吸风险,从而有针对性地干预和预防复吸;更有助于丰富海洛因成瘾治疗的理论依据。
Menon等(Menon V.Large-scale brain networks and psychopathology:aunifying triple network model.Trends in cognitive sciences,2011,15(10):483-506.)近期提出一个关于精神病理学的三网(双侧执行控制网络(ECN),默认功能网络(DMN)及突显性网络(SN))模型,也认为这三个大型脑网络对于精神病理学研究非常重要。他认为①异常的DMN功能组织形式以及由突显性事件引起的DMN过强或过弱的活动过程,与异常的内心自我指涉活动有关。②SN对突显性(Salience)探测能力的减弱、对目标相关的外界刺激以及内部心理活动整合能力的下降,在精神疾病机制中发挥重要作用。③SN内部的前岛叶与扣带回之间功能整合能力薄弱,会造成ECN的功能异常,影响认知功能以及与目标相关的适应性行为。基于这个三网模型,不同的精神疾病有其特异性的DMN、SN和ECN的功能组织形式和相互关系特征。因此,如何明确DMN、SN和ECN三个大型脑网络的内在特征,尤其是相互作用关系可能是阐明包括成瘾在内的大多数功能性脑疾病机制的重要途径。
相关研究显示DMN、SN和ECN相关脑区结构与功能异常与药物成瘾关系非常密切,但是人们对海洛因成瘾者DMN、SN和ECN大型脑网络内在特征、相互作用了解有限。因此,以DMN、SN和ECN大型脑网络为框架探讨海洛因成瘾者的大脑网络相互作用将更有利于深刻理解机制。
发明内容
发明目的:本发明针对上述现有技术存在的问题做出改进,即本发明公开了一种针对海洛因成瘾机制的大型脑网络分析方法。其能够预测吸毒患者潜在的复吸风险,从而有针对性地干预和预防复吸。
技术方案:一种针对海洛因成瘾机制的大型脑网络分析方法,包括以下步骤:
(1)数据预处理
基于Matlab为平台,利用SPM8软件对采集到的功能性磁共振成像的数据进行预处理,该数据预处理包括:
(11)时间校正
对采集到的功能性磁共振成像的数据进行时间差异矫正,使每个回波时间内所采集的全脑层面在同一时间点上;
(12)头动校正
以平均图像为模板,对时间序列内的所有图像进行评估,获取头动参数,并进行刚性转化;
(13)空间标准化
所有受试者的脑图像进行重新采样,并转化到SPM8软件提供的EPI模板;
(14)空间平滑
对步骤(13)得到的脑图像数据采用高斯函数进行平滑处理,以提高信噪比;
(15)通过回归协变量的方法去除经过空间平滑的脑图信号中的噪声信号;
(16)对经过步骤(15)处理后的数据进行低频滤波,滤波频率范围为0.01Hz~0.08Hz的带通滤波;
(2)独立成分分析
基于Matlab为平台,采用GIFT软件对步骤(14)平滑后的数据进行独立成分分析;
(21)确定成分,成分数为20;
(22)采用两步主成分分析方法对步骤(14)所得到的数据进行降维;
(23)采用FastICA算法获取各自独立成分;
(24)采用ICASSO算法对获取的成分运算100次;
(25)根据数据的成分及降维结果重建出被试各个独立成分的时间序列和空间分布;
(3)网络识别
(31)视觉识别
对步骤(25)得到的20个网络成分的空间分布进行识别,去掉与四大网络无关的成分,然后筛选出与研究有关的成分,确定四大网络;
(32)相似性比较
选择步骤(31)得到的四大网络与先验空间模板进行相关性分析,若四大网络与先验空间模板的相关系数大于0.8,则认为提取出的网络成分较准确;
(4)功能连接
(41)在步骤(31)得到的四大网络模型中,选定每个大网络的核心脑区的峰值坐标为球心,以6mm为半径画球作为感兴趣区,得到9个感兴趣区;
(42)分别对四大网络的激活脑区进行二值化,得到四个模板,对该四个模板再求并集作为四大网络的共同模板;
(43)对于步骤(16)产生的数据将步骤(41)得到的9个感兴趣区在步骤(42)得到的共同模板内进行功能连接计算得到功能连接图;
(5)组间比较
根据步骤(43)得到的功能连接图比较组间的差异。
进一步地,步骤(31)中的四大网络包括左侧执行控制网络、右侧执行控制网络、默认功能网络和突显性网络,其中:
左侧执行控制网络包括左侧背外侧前额叶、左侧顶叶;
右侧执行控制网络包括右侧背外侧前额叶、右侧顶叶;
默认功能网络包括内侧前额叶、后扣带;
突显性网络包括双侧前岛叶、背侧前扣带。
进一步地,步骤(15)中噪声信号包括白质信号、脑积液信号、头动信号。
有益效果:与现有的研究相比较,本发明公开的一种针对海洛因成瘾机制的大型脑网络分析方法具有如下的优点:
1、以静息态功能磁共振的成像方式,从海洛因成瘾者基础生理基线水平入手研究,能够反映病人身体内在大脑功能活动的改变;
2、鉴于当前海洛因成瘾研究多局限于局域脑区神经活动及结构特征,基于大型脑网络的研究更有利于从宏观角度揭示局部脑区神经活动的本质;
3、本发明率先提出从大型脑网络功能特征,尤其是相互联系变化的角度对海洛因成瘾机制进行研究,为阐明机制开辟一条新路。
附图说明
图1为本发明公开的一种针对海洛因成瘾机制的大型脑网络分析方法的结构示意图框图。
具体实施方式:
下面对本发明的具体实施方式详细说明。
以下结合附图1,详细描述一个完整的基于海洛因成瘾机制的大型脑网络分析方法具体流程。
一种针对海洛因成瘾机制的大型脑网络分析方法,包括以下步骤:
(1)数据预处理
基于Matlab为平台,利用SPM8软件对采集到的功能性磁共振成像的数据进行预处理,该数据预处理包括:
(11)时间校正
对采集到的功能性磁共振成像的数据进行时间差异矫正,使每个回波时间内所采集的全脑层面在同一时间点上;
(12)头动校正
以平均图像为模板,对时间序列内的所有图像进行评估,获取头动参数,并进行刚性转化;
(13)空间标准化
所有受试者的脑图像进行重新采样,并转化到SPM8软件提供的EPI模板;
(14)空间平滑,
对步骤(13)得到的脑图像数据(以EPI模板的形式存在)采用高斯函数进行平滑处理,以提高信噪比;
(15)通过回归协变量的方法去除经过空间平滑的脑图信号中的噪声信号;
(16)对经过步骤(15)处理后的数据进行低频滤波,滤波频率范围为0.01Hz~0.08Hz的带通滤波;
(2)独立成分分析
基于Matlab为平台,采用GIFT软件对步骤(14)平滑后的数据进行独立成分分析;
(21)确定成分,成分数为20;
(22)采用两步主成分分析方法对步骤(14)所得到的数据进行降维;
(23)采用FastICA算法获取各自独立成分;
(24)采用ICASSO算法对获取的成分运算100次;
(25)根据数据的成分及降维结果重建出被试各个独立成分的时间序列和空间分布;
(3)网络识别
(31)视觉识别
对步骤(25)得到的20个网络成分的空间分布进行识别,去掉与四大网络无关的成分,然后筛选出与研究有关的成分,确定四大网络;
(32)相似性比较,
选择步骤(31)得到的四大网络与先验空间模板进行相关性分析,若四大网络与先验空间模板的相关系数大于0.8,则认为提取出的网络成分较准确;
(4)功能连接
(41)在步骤(31)得到的四大网络模型中,选定每个大网络的核心脑区的峰值坐标为球心,以6mm为半径画球作为感兴趣区,得到9个感兴趣区;
(42)分别对四大网络的激活脑区进行二值化,得到四个模板,对该四个模板再求并集作为四大网络的共同模板;
(43)对于步骤(16)产生的数据用步骤(41)得到的9个感兴趣区在步骤(42)得到的共同模板内进行功能连接计算得到功能连接图;
(5)组间比较
根据步骤(43)得到的功能连接图比较组间的差异。
进一步地,步骤(31)中的四大网络包括左侧执行控制网络、右侧执行控制网络、默认功能网络和突显性网络,其中:
左侧执行控制网络包括左侧背外侧前额叶、左侧顶叶;
右侧执行控制网络包括右侧背外侧前额叶、右侧顶叶;
默认功能网络包括内侧前额叶、后扣带;
突显性网络包括双侧前岛叶、背侧前扣带。
进一步地,步骤(15)中噪声信号包括白质信号、脑积液信号、头动信号。
上面对本发明的实施方式做了详细说明。但是本发明并不限于上述实施方式,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (3)
1.一种针对海洛因成瘾机制的大型脑网络分析方法,其特征在于,包括以下步骤:
(1)数据预处理
基于Matlab为平台,利用SPM8软件对采集到的功能性磁共振成像的数据进行预处理,该数据预处理包括:
(11)时间校正
对采集到的功能性磁共振成像的数据进行时间差异矫正,使每个回波时间内所采集的全脑层面在同一时间点上;
(12)头动校正
以平均图像为模板,对时间序列内的所有图像进行评估,获取头动参数,并进行刚性转化;
(13)空间标准化
所有受试者的脑图像进行重新采样,并转化到SPM8软件提供的EPI模板;
(14)空间平滑
对步骤(13)得到的脑图像数据采用高斯函数进行平滑处理,以提高信噪比;
(15)通过回归协变量的方法去除经过空间平滑的脑图信号中的噪声信号;
(16)对经过步骤(15)处理后的数据进行低频滤波,滤波频率范围为0.01Hz~0.08Hz的带通滤波;
(2)独立成分分析
基于Matlab为平台,采用GIFT软件对步骤(14)平滑后的数据进行独立成分分析;
(21)确定成分,成分数为20;
(22)采用两步主成分分析方法对步骤(14)所得到的数据进行降维;
(23)采用FastICA算法获取各自独立成分;
(24)采用ICASSO算法对获取的成分运算100次;
(25)根据数据的成分及降维结果重建出被试各个独立成分的时间序列和空间分布;
(3)网络识别
(31)视觉识别
对步骤(25)得到的20个网络成分的空间分布进行识别,去掉与四大网络无关的成分,然后筛选出与研究有关的成分,确定四大网络;
(32)相似性比较
选择步骤(31)得到的四大网络与先验空间模板进行相关性分析,若四大网络与先验空间模板的相关系数大于0.8,则认为提取出的网络成分较准确;
(4)功能连接
(41)在步骤(31)得到的四大网络模型中,选定每个大网络的核心脑区的峰值坐标为球心,以6mm为半径画球作为感兴趣区,得到9个感兴趣区;
(42)分别对四大网络的激活脑区进行二值化,得到四个模板,对该四个模板再求并集作为四大网络的共同模板;
(43)对于步骤(16)产生的数据用步骤(41)得到的9个感兴趣区在步骤(42)得到的共同模板内进行功能连接计算得到功能连接图;
(5)组间比较
根据步骤(43)得到的功能连接图比较组间的差异。
2.根据权利要求1所述的一种针对海洛因成瘾机制的大型脑网络分析方法,其特征在于,步骤(31)中的四大网络包括左侧执行控制网络、右侧执行控制网络、默认功能网络和突显性网络,其中:
左侧执行控制网络包括左侧背外侧前额叶、左侧顶叶;
右侧执行控制网络包括右侧背外侧前额叶、右侧顶叶;
默认功能网络包括内侧前额叶、后扣带;
突显性网络包括双侧前岛叶、背侧前扣带。
3.根据权利要求1所述的一种针对海洛因成瘾机制的大型脑网络分析方法,其特征在于,步骤(15)中噪声信号包括白质信号、脑积液信号、头动信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610847218.XA CN106510709A (zh) | 2016-09-23 | 2016-09-23 | 一种针对海洛因成瘾机制的大型脑网络分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610847218.XA CN106510709A (zh) | 2016-09-23 | 2016-09-23 | 一种针对海洛因成瘾机制的大型脑网络分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106510709A true CN106510709A (zh) | 2017-03-22 |
Family
ID=58344148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610847218.XA Pending CN106510709A (zh) | 2016-09-23 | 2016-09-23 | 一种针对海洛因成瘾机制的大型脑网络分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106510709A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108606792A (zh) * | 2018-02-09 | 2018-10-02 | 中国人民解放军第四军医大学 | 在任务状态下分析海洛因成瘾者大脑各区功能联系的方法 |
CN110136093A (zh) * | 2018-02-09 | 2019-08-16 | 深圳先进技术研究院 | 一种运用数字图谱研究大脑默认模式网络的方法 |
CN111569225A (zh) * | 2020-05-08 | 2020-08-25 | 中国科学技术大学 | 实时功能性磁共振神经反馈调节认知控制的系统及方法 |
WO2021120961A1 (zh) * | 2019-12-16 | 2021-06-24 | 中国科学院深圳先进技术研究院 | 大脑成瘾结构图谱评估方法及装置 |
WO2023108873A1 (zh) * | 2021-12-16 | 2023-06-22 | 中国科学院深圳先进技术研究院 | 一种脑网络和脑成瘾连接计算方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235869A (zh) * | 2013-03-29 | 2013-08-07 | 西安电子科技大学 | 基于海洛因成瘾模型的大脑回路因果作用关系分析方法 |
CN103942781A (zh) * | 2014-04-01 | 2014-07-23 | 北京师范大学 | 一种基于脑影像的脑网络构造方法 |
-
2016
- 2016-09-23 CN CN201610847218.XA patent/CN106510709A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235869A (zh) * | 2013-03-29 | 2013-08-07 | 西安电子科技大学 | 基于海洛因成瘾模型的大脑回路因果作用关系分析方法 |
CN103942781A (zh) * | 2014-04-01 | 2014-07-23 | 北京师范大学 | 一种基于脑影像的脑网络构造方法 |
Non-Patent Citations (3)
Title |
---|
XIA LIANG ET AL.: "Interactions between the Salience and Default-Mode Networks Are Disrupted in Cocaine Addiction", 《THE JOURNAL OF NEUROSCIENCE》 * |
李强,王亚蓉,李玮,朱佳,郑颖,王玮: "强制戒断的海洛因成瘾者默认功能网络fMRI研究", 《实用放射学杂志》 * |
梅维: "海洛因成瘾者脑功能连接异常的功能磁共振研究", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108606792A (zh) * | 2018-02-09 | 2018-10-02 | 中国人民解放军第四军医大学 | 在任务状态下分析海洛因成瘾者大脑各区功能联系的方法 |
CN110136093A (zh) * | 2018-02-09 | 2019-08-16 | 深圳先进技术研究院 | 一种运用数字图谱研究大脑默认模式网络的方法 |
WO2021120961A1 (zh) * | 2019-12-16 | 2021-06-24 | 中国科学院深圳先进技术研究院 | 大脑成瘾结构图谱评估方法及装置 |
CN111569225A (zh) * | 2020-05-08 | 2020-08-25 | 中国科学技术大学 | 实时功能性磁共振神经反馈调节认知控制的系统及方法 |
CN111569225B (zh) * | 2020-05-08 | 2021-07-06 | 中国科学技术大学 | 实时功能性磁共振神经反馈调节认知控制的系统及方法 |
WO2021223574A1 (zh) * | 2020-05-08 | 2021-11-11 | 中国科学技术大学 | 实时功能性磁共振神经反馈调节认知控制的系统及方法 |
WO2023108873A1 (zh) * | 2021-12-16 | 2023-06-22 | 中国科学院深圳先进技术研究院 | 一种脑网络和脑成瘾连接计算方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106510709A (zh) | 一种针对海洛因成瘾机制的大型脑网络分析方法 | |
CN106204562B (zh) | 一种基于fMRI与DTI融合的穹隆白质分割的方法 | |
Li et al. | Multi-modal bioelectrical signal fusion analysis based on different acquisition devices and scene settings: Overview, challenges, and novel orientation | |
Ren et al. | Off-line and on-line stress detection through processing of the pupil diameter signal | |
Teige et al. | Dynamic semantic cognition: Characterising coherent and controlled conceptual retrieval through time using magnetoencephalography and chronometric transcranial magnetic stimulation | |
CN112641450B (zh) | 面向动态视频目标检测的时变脑网络重构方法 | |
CN102293647B (zh) | 一种联合脑电和功能磁共振信号的反馈系统 | |
CN110799097A (zh) | 用于分析侵入式脑部刺激的方法及系统 | |
CN112396584B (zh) | 基于特征模态与分层模块的脑功能模式特征提取方法 | |
CN112488002B (zh) | 基于n170的情绪识别方法及识别系统 | |
Keller et al. | The Effects of Bilateral Eye Movements on EEG Coherence When Recalling a Pleasant Memory. | |
CN106343992B (zh) | 心率变异性分析方法、装置及用途 | |
CN103767707A (zh) | 血样水平依赖性功能磁共振信号震荡频率聚类分析方法 | |
CN111028919A (zh) | 基于人工智能算法的恐惧症自我诊疗系统 | |
CN103235869B (zh) | 基于海洛因成瘾模型的大脑回路因果作用关系分析方法 | |
CN114781465A (zh) | 一种基于rPPG的非接触式疲劳检测系统及方法 | |
CN105844111A (zh) | 一种基于脑效应网络的新型脑电卒中评估方法 | |
CN115985466A (zh) | 一种临床针灸治疗方案选定方法、介质及系统 | |
Ghonchi et al. | Spatio-temporal deep learning for EEG-fNIRS brain computer interface | |
Basawaraj Birajadar et al. | Epilepsy Identification using Hybrid CoPrO-DCNN Classifier | |
CN108717535A (zh) | 一种基于混合特征和长短时记忆网络的麻醉深度估计方法 | |
CN111227833B (zh) | 一种基于广义线性模型的机器学习的术前定位方法 | |
CN107981862B (zh) | 一种核磁共振环境下的脑信号在线去噪方法 | |
CN115349872A (zh) | 基于脑电的红外背景下飞机识别的大脑认知机制研究方法 | |
Medaglia et al. | Contradiction in universal and particular reasoning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170322 |
|
RJ01 | Rejection of invention patent application after publication |