CN106875366B - 对静息态复数fMRI数据进行ICA后处理消噪的相位精确范围检测方法 - Google Patents
对静息态复数fMRI数据进行ICA后处理消噪的相位精确范围检测方法 Download PDFInfo
- Publication number
- CN106875366B CN106875366B CN201710116707.2A CN201710116707A CN106875366B CN 106875366 B CN106875366 B CN 106875366B CN 201710116707 A CN201710116707 A CN 201710116707A CN 106875366 B CN106875366 B CN 106875366B
- Authority
- CN
- China
- Prior art keywords
- phase
- noising
- ingredient
- amplitude
- ica
- 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.)
- Active
Links
- 238000002599 functional magnetic resonance imaging Methods 0.000 title claims abstract description 33
- 238000012805 post-processing Methods 0.000 title claims abstract description 9
- 238000001514 detection method Methods 0.000 title claims abstract description 8
- 239000004615 ingredient Substances 0.000 claims abstract description 42
- 238000000926 separation method Methods 0.000 claims description 4
- 229910002056 binary alloy Inorganic materials 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 15
- 230000003925 brain function Effects 0.000 abstract description 8
- 208000018152 Cerebral disease Diseases 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract 1
- 238000012880 independent component analysis Methods 0.000 description 27
- 210000004556 brain Anatomy 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种对静息态复数fMRI数据进行ICA后处理消噪的相位精确范围检测方法,属于生物医学信号处理领域。对于某一待消噪SM成分,在区间(0,π/2]范围内,采用等间距相位扫描方法,得到K个待检测的有效体素相位范围根据待消噪SM成分的先验信息,构建其参考SM幅值;通过最大化相位消噪SM成分幅值与参考SM幅值之间的相关系数,求解最终的有效体素精确相位范围本发明保障了在ICA中利用完备的静息态复数fMRI数据,大大提升了SM成分所包含的脑功能信息,例如,利用本发明所检测相位范围消噪后的默认网络成分,其所包含的有效体素数是仅仅利用幅值fMRI数据进行ICA的6倍。因此,本发明能为脑功能研究和脑疾病诊断提供更好的技术支持。
Description
技术领域
本发明涉及静息态复数fMRI数据的ICA分析,特别是涉及一种ICA后处理消噪的相位范围检测方法。
背景技术
功能磁共振成像(functional magnetic resonance imaging,fMRI)是一种脑成像数据,凭借其无损伤和高空间分辨率特点,已成为脑功能研究和脑疾病诊断的重要工具之一。根据实验方式的不同,fMRI数据可分为任务态数据和静息态数据。与任务态数据相比,静息态数据不需要被试者执行特定任务,只需平躺就可以采集,因此更适于脑疾病患者。目前,数据驱动的独立成分分析(independent component analysis,ICA)方法已在静息态fMRI数据分析中得到了广泛应用。ICA能够将静息态fMRI数据分离为空间激活脑区(spatial map,SM)成分,以及与其对应的时间过程(time course,TC)成分。基于SM或TC成分可进行脑功能连接分析,发现健康被试和脑疾病(如精神分裂症、阿尔兹海默病、抑郁症、躁郁症等)被试的显著性差异,进而用于脑疾病研究和诊断。
完备的fMRI数据是复数的,包括幅值数据和相位数据。因为相位数据所含信息的特异性,fMRI复数数据(幅值数据+相位数据)提取的脑功能信息远大于fMRI幅值数据。例如,针对任务态fMRI数据,ICA从复数数据中提取的任务相关成分体素比幅值数据多139%,提取的默认网络成分体素比幅值数据多331%(见M.C.Yu,Q.H.Lin,L.D.Kuang,X.F.Gong,F.Cong,and V.D.Calhoun,ICA of full complex-valued fMRI data using phaseinformation of spatial maps,Journal of Neuroscience Methods,vol.249,pp.75-91,2015)。
然而,为了充分利用复数fMRI数据,需要对上述ICA方法提取的SM成分进行ICA后处理相位消噪。简而言之,就是利用相位对ICA分离的SM成分体素进行挑选,相位范围在[-π/4,π/4]之内的体素被视为有效体素,在相位范围[-π/4,π/4]之外的体素被视为噪声体素而去除(详见“林秋华,于谋川,龚晓峰,丛丰裕,一种对复数fMRI数据进行ICA分析的后处理消噪方法,专利号201410191416.6”)。
根据目前的文献报道,尚未见到有关静息态复数fMRI数据的ICA研究。由ICA对任务态复数fMRI数据的处理方法可知,如果对静息态复数fMRI数据进行ICA分析,同样需要进行ICA后处理相位消噪,以获取更多的脑功能信息。但是,因为静息态数据和任务态数据的实验范式差异较大,其脑网络激活特性也存在着较大差异。因此,需要发明一种新的相位范围检测方法,适于在静息态fMRI数据的ICA后处理相位消噪中,精确区分有效体素和噪声体素。
发明内容
本发明的目的在于,利用相位扫描方法,结合待消噪SM成分的先验信息,求解有效体素的精确相位范围。
本发明的技术方案是,对于某一ICA分离的含噪SM成分,根据其先验信息构建该SM成分的参考SM幅值;设有效体素的精确相位范围为在区间(0,π/2]范围内等间距地取K个值,记为k=1,...,K,K为大于等于9的正整数,得到K个待检测的有效体素相位范围对于每个利用对SM成分进行相位消噪,计算消噪SM成分幅值与参考SM幅值之间的相关系数ck(k=1,...,K);在获得的K个相关系数中,找到最大相关系数ckmax对应的则此时的即为检测出的有效体素精确相位范围具体实现步骤如下:
第一步,输入某一个由静息态复数fMRI数据经过ICA分离得到的含噪SM成分s′i,1≤i≤N,N为ICA分离的独立成分个数;
第二步,采用专利201410189199.7(林秋华,于谋川,龚晓峰,丛丰裕,一种对复数fMRI数据的ICA估计成分进行相位校正的方法)中的方法对s′i进行相位校正,得到无相位模糊的SM成分si;
第三步,计算si的相位图像si,phase,令si,phase(l)表示si第l个体素的相位值,l=1,...,L,L为脑内体素总数,si,phase(l)的取值范围为(-π,π];
第四步,根据s′i的先验信息,构建与s′i最为相关的参考SM,仅包含幅值数据,记为s′i,ref;构建方法可选用以下两种方法之一:(1)直接利用现有成果,例如文献“S.M.Smith,P.T.Fox,K.L.Miller,D.C.Glahn,P.M.Fox,C.E.Mackay,et al.,Correspondence of thebrain’s functional architecture during activation and rest,Proceedings of theNational Academy of Sciences,vol.106,no.31,pp.13040-13045,August 2009”中提供了有关默认网络、视觉、运动等成分的先验SM,可以作为参考SM幅值;(2)利用WFU_PickAtlas软件(详见http://fmri.wfubmc.edu/cms/software)生成参考SM幅值;
第五步,设定K值,K≥9,并令k=1;
第六步,令所对应的相位范围为[-kπ/2K,kπ/2K];
第七步,构建si相位消噪的二进制mask:
第八步,用对si进行相位消噪,得到消噪后的SM成分
其中“·”表示点乘;
第九步,计算的幅值与参考SM幅值s′i,ref的相关系数ck:
其中“corr”表示相关运算,“|·|”表示取模值;
第十步,判断k是否小于K,若是,则k=k+1,并跳转到第六步;若否,则跳转到第十一步;
第十一步,寻找K个相关系数ck(k=1,...,K)的最大值ckmax,获得ckmax对应的则该所确定的相位范围即为用于si消噪的有效体素精确相位范围
第十二步,利用第七步和第八步,重新求得利用精确相位范围消噪后的SM成分
第十三步,去掉所有体素中幅值小于0.5的体素,输出最终消噪的SM成分
本发明所达到的效果和益处是,通过利用本发明检测的有效体素精确相位范围,对ICA从静息态复数fMRI数据中所分离的SM成分进行相位消噪,可大大提升SM成分所包含的脑功能信息。例如,对于默认网络成分,本发明检测的相位范围为[-π/16,π/16]。利用该相位范围消噪后的默认网络成分所包含的有效体素数是仅仅利用幅值fMRI数据所分离SM(采用了最为有效的Infomax算法)有效体素数的6倍。因此,本发明保障了在ICA中利用完备的静息态复数fMRI数据,进而提取更多连续且有意义的激活区域,为基于静息态复数fMRI数据的脑功能研究和脑疾病诊断提供了更好的技术支持。此外,本发明也适于在任务态复数fMRI数据的ICA分析中检测更为精确的相位消噪范围。
附图说明
图1是对某一含噪SM成分进行ICA后处理消噪的具体步骤。
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。
假设现有ICA从单被试静息态复数fMRI数据中分离得到的含噪默认网络SM成分,记为s′1,其脑内体素总数L=59610。对该默认网络SM成分进行精确相位范围检测及ICA后处理消噪的具体步骤如附图所示:
第一步,输入含噪的默认网络SM成分s′1;
第二步,采用专利201410189199.7中的方法对s′1进行相位校正,得到无相位模糊的默认网络SM成分s1;
第三步,计算s1的相位图像s1,phase,s1,phase(l)表示s1第l个体素的相位值,l=1,...,59610,s1,phase(l)的取值范围为(-π,π];
第四步,选取文献“S.M.Smith,P.T.Fox,K.L.Miller,D.C.Glahn,P.M.Fox,C.E.Mackay,et al.,Correspondence of the brain’s functional architectureduring activation and rest,Proceedings of the National Academy of Sciences,vol.106,no.31,pp.13040-13045,August 2009”中提供的默认网络SM,作为s′1的参考SM幅值s′1,ref;
第五步,取K=32,并令k=1;
第六步,令所对应的相位范围为[-kπ/64,kπ/64];
第七步,根据公式(1),构建对应的相位消噪二进制mask:
第八步,根据公式(2),用对s1进行相位消噪,得到消噪后的默认网络SM成分
第九步,根据公式(3),计算的幅值与参考SM幅值s′1,ref的相关系数ck;
第十步,判断k是否小于32,若是,则k=k+1,并跳转到第六步;若否,则跳转到第十一步;
第十一步,寻找32个相关系数ck(k=1,...,32)的最大值ckmax,获得ckmax对应的该所确定的相位范围[-π/16,π/16]即为用于s1消噪的有效体素精确相位范围;
第十二步,利用第七步和第八步,重新求得利用精确相位范围[-π/16,π/16]消噪后的默认网络SM成分
第十三步,去掉所有体素中幅值小于0.5的体素,输出最终消噪的默认网络SM成分
Claims (2)
1.一种对静息态复数fMRI数据进行ICA后处理消噪的相位精确范围检测方法,对于某一ICA分离的含噪SM成分,根据其先验信息构建该SM成分的参考SM幅值;设有效体素的精确相位范围为在区间(0,π/2]范围内等间距地取K个值,记为k=1,...,K,得到K个待检测的有效体素相位范围对于每个利用对SM成分进行相位消噪,计算消噪SM成分幅值与参考SM幅值之间的相关系数ck,k=1,...,K;在获得的K个相关系数中,找到最大相关系数ckmax对应的则此时的即为检测出的有效体素精确相位范围其特征在于以下步骤:
第一步,输入某一个由静息态复数fMRI数据经过ICA分离得到的含噪SM成分s′i,1≤i≤N,N为ICA分离的独立成分个数;
第二步,对s′i进行相位校正,得到无相位模糊的SM成分si;
第三步,计算si的相位图像si,phase,令si,phase(l)表示si第l个体素的相位值,l=1,...,L,L为脑内体素总数,si,phase(l)的取值范围为(-π,π];
第四步,根据s′i的先验信息,构建与s′i最为相关的参考SM,仅包含幅值数据,记为s′i,ref;构建方法为:利用WFU_PickAtlas软件生成参考SM幅值;
第五步,设定K值,并令k=1;
第六步,令所对应的相位范围为[-kπ/2K,kπ/2K];
第七步,构建si相位消噪的二进制mask:
第八步,用对si进行相位消噪,得到消噪后的SM成分
其中“·”表示点乘;
第九步,计算的幅值与参考SM幅值s′i,ref的相关系数ck:
其中“corr”表示相关运算,“|·|”表示取模值;
第十步,判断k是否小于K,若是,则k=k+1,并跳转到第六步;若否,则跳转到第十一步;
第十一步,寻找K个相关系数ck的最大值ckmax,k=1,...,K,获得ckmax对应的则该所确定的相位范围即为用于si消噪的有效体素精确相位范围
第十二步,利用第七步和第八步,重新求得利用精确相位范围消噪后的SM成分
第十三步,去掉所有体素中幅值小于0.5的体素,输出最终消噪的SM成分
2.根据权利要求1所述的一种对静息态复数fMRI数据进行ICA后处理消噪的相位精确范围检测方法,K为大于等于9的正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710116707.2A CN106875366B (zh) | 2017-03-01 | 2017-03-01 | 对静息态复数fMRI数据进行ICA后处理消噪的相位精确范围检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710116707.2A CN106875366B (zh) | 2017-03-01 | 2017-03-01 | 对静息态复数fMRI数据进行ICA后处理消噪的相位精确范围检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106875366A CN106875366A (zh) | 2017-06-20 |
CN106875366B true CN106875366B (zh) | 2019-06-21 |
Family
ID=59169123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710116707.2A Active CN106875366B (zh) | 2017-03-01 | 2017-03-01 | 对静息态复数fMRI数据进行ICA后处理消噪的相位精确范围检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106875366B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108903942B (zh) * | 2018-07-09 | 2021-05-11 | 大连理工大学 | 一种利用复数fMRI空间源相位识别空间差异的方法 |
CN110110776B (zh) * | 2019-04-28 | 2021-11-05 | 大连理工大学 | 一种构建病人与健康人的静息态复数fMRI数据ICA-CNN分类框架的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985092A (zh) * | 2014-05-07 | 2014-08-13 | 大连理工大学 | 一种对复数fMRI数据进行ICA分析的后处理消噪方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1790991B1 (en) * | 2005-11-28 | 2011-11-16 | Kabushiki Kaisha Toshiba | Data processing system and data processing method involving a Wiener filter |
-
2017
- 2017-03-01 CN CN201710116707.2A patent/CN106875366B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985092A (zh) * | 2014-05-07 | 2014-08-13 | 大连理工大学 | 一种对复数fMRI数据进行ICA分析的后处理消噪方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN106875366A (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zijdenbos et al. | Automatic quantification of multiple sclerosis lesion volume using stereotaxic space | |
Jog et al. | Improving magnetic resonance resolution with supervised learning | |
Roy et al. | MR contrast synthesis for lesion segmentation | |
Manjón et al. | Improved estimates of partial volume coefficients from noisy brain MRI using spatial context | |
CN108903942B (zh) | 一种利用复数fMRI空间源相位识别空间差异的方法 | |
US20160100769A1 (en) | Device and method for denoising of electroencephalography signal using segment-based principal component analysis | |
Roy et al. | Atlas based intensity transformation of brain MR images | |
EP3677170A1 (en) | Parkinson's disease diagnosis apparatus and method | |
Xue et al. | Unsupervised inline analysis of cardiac perfusion MRI | |
Ghanbari et al. | Identifying group discriminative and age regressive sub-networks from DTI-based connectivity via a unified framework of non-negative matrix factorization and graph embedding | |
CN106875366B (zh) | 对静息态复数fMRI数据进行ICA后处理消噪的相位精确范围检测方法 | |
JP2017532152A (ja) | 画像細部のセグメンテーションのための磁気共鳴撮像プロトコル | |
Sarraf et al. | Brain network extraction from probabilistic ica using functional magnetic resonance images and advanced template matching techniques | |
EP2933743B1 (en) | Method of characterizing molecular diffusion within a body from a set of diffusion-weighted magnetic resonance signals and apparatus for carrying out such a method | |
CN117764885A (zh) | 一种结合心电传感器的超低场磁共振弥散加权成像方法 | |
Lee et al. | Group sparse dictionary learning and inference for resting-state fMRI analysis of Alzheimer's disease | |
Hutter et al. | Low-rank and sparse matrix decomposition for compressed sensing reconstruction of magnetic resonance 4D phase contrast blood flow imaging (loSDeCoS 4D-PCI) | |
Kovacevic et al. | Deformation based representation of groupwise average and variability | |
Patne et al. | Review of CT and PET image fusion using hybrid algorithm | |
Kurugol et al. | Motion-robust spatially constrained parameter estimation in renal diffusion-weighted MRI by 3D motion tracking and correction of sequential slices | |
Kerfoot et al. | Automated CNN-based reconstruction of short-axis cardiac MR sequence from real-time image data | |
CN102599910A (zh) | 磁共振动态成像方法及系统 | |
Karpate et al. | Longitudinal intensity normalization in multiple sclerosis patients | |
Washimkar et al. | Application of fcm clustering on am-fm to detect mri disease progression for multiple sclerosis | |
Dubost et al. | Automated quantification of enlarged perivascular spaces in clinical brain MRI across sites |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |