CN107256408B - 一种大脑功能网络的关键路径搜索方法 - Google Patents

Abstract

本发明公开了一种大脑功能网络关键路径搜索方法，主要步骤为：对前期采集的大脑功能磁共振成像数据进行预处理；将处理后的图像按标准脑模板划分为若干脑区，计算各脑区相关系数并将相关系数矩阵中的元素作为连接强弱的初始值；对路径进行编号并计算路径的优化度，将路径编号和对应的优化度存储到矩阵中；将路径按优化度降序排列并划分到不同的子群体中，构造子群体；对每个子群体中优化度最差的路径进行更新；将优化后的所有子群混合，进行个体局部随机更新操作，更新路径优化度。若全局路径优化度差值小于阀值，输出关键路径；否则重新划分子群。该方法可以研究大脑功能网络各功能区的功能交互，并分析网络结构和功能之间的潜在关系。

Description

一种大脑功能网络的关键路径搜索方法

技术领域

本发明涉及一种大脑功能连接的分析方法，具体是一种大脑功能网络的关键路径搜索方法，属于生物医学信息处理技术领域。

背景技术

大脑作为人体最重要的器官之一，是人类处理认知和情感的高级信息处理系统，对于大脑功能的探讨无疑是非常有意义的事情。大脑是由多个神经元、神经元集群以及多个脑区相互连接而成的复杂结构网络，各部分之间的神经元相互配合完成脑的各种功能。近年来，许多科研工作者将复杂网络理论应用在脑科学研究中，利用复杂网络基本原理结合统计学的研究方法，对网络节点进行统计分析，发现了许多网络基本属性及节点间潜在拓扑关系。在脑疾病研究中，复杂网络结合统计学的方法也得到了广泛应用，并取得了很多重要的结论。研究结果表明，各种脑疾病患者的脑网络均存在不同程度的拓扑属性异常，这说明脑网络研究具有临床应用的价值。相对于解剖结构上存在的神经网络而言，大脑功能网络是个抽象的网络，众多研究结果表明大脑功能网络具有小世界属性和模块化的组织结构等拓扑属性。

功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)是一种新兴的神经影像学方式，与脑电图(Electroencephalogram,EEG)相比，拥有更好的空间分辨率。近年来，由于fMRI的低侵入性、无辐射性及相对较宽泛的可用性，开始在脑科学研究领域广泛应用。fMRI测量的血氧水平依赖(BOLD)信号是由脱氧血红蛋白和含氧血红蛋白的磁化率变化引起的，当某个区域的神经元群体活动时，代谢需求将会提高，会引起局部脑血流量(CBF)和血氧含量的改变。fMRI能实时跟踪信号的改变，比如思维活动或认知实验中信号的变化。大批的脑科学研究人员已经开始从事磁共振功能神经成像的研究，并将它应用于认知神经科学。静息态功能磁共振的方法以其简单的实验设计，较高的信噪比，简单的数据处理流程而被广泛采用。

现实世界中，几乎所有的复杂系统(比如社会、生物、信息、交通运输系统)都可以自然地表示为网络。近年来，借助新兴无创的fMRI成像技术，脑科学迎来了一个发展的高峰。实际上，脑功能有两个基本组织原则，即功能性分化(空间距离邻近的神经元彼此之间连接的概率较高，并形成具有一定独立功能的单元，大脑神经连接网络的聚类系数可以反映这一特征)和功能性整合(空间远离的神经元彼此之间连接的概率较低，大脑神经连接网络的特征路径长度可以反映这一特征)相对应。因此大脑不同功能单元之间的神经元连接不如单元之内的神经元连接多，少量长的轴突投射已足以使脑神经网络具有小的特征路径长度，从而使大脑达到整体协作又局部专注的经济的工作模式。

大脑是人的神经感觉中枢，传统研究方法仅关注不同功能区域间的相关性，本发明可克服以往孤立研究节点统计特性的做法，从网络整体的角度对脑功能网络进行分析，揭示网络中结构和功能之间的潜在关系。

发明内容

本发明的目的在于克服现有技术的不足，提供一种大脑功能网络的关键路径搜索方法。

为了解决背景技术所存在的问题，本发明采用以下技术方案：

对磁共振设备采集到的大脑图像进行读取和格式转换；再进行时间矫正、头动矫正、配准、分割结构像、空间标准化、平滑等预处理；最后进行低频滤波，降低低频漂移及高频的生物噪音。

进一步，选定一种标准化大脑分区模板(如AAL分区模板、Brodmann分区模板等)与预处理后的核磁图像进行匹配，划分图像为p个大脑区域，每个脑区分别对应脑功能网络中的一个节点。

进一步，计算磁共振图像中每个脑区所有体素的时间序列平均值，提取不同标准分区对应的时间序列，通过多元线性回归分析去除一些由头动及全局信号造成的伪差异。

进一步，对一组实验对象的时间序列进行单样本T检验，用得到的组分析结果表示脑功能网络中所有节点的值，进而计算两两脑区间的相关系数，得到一个归一化的时间序列相关系数矩阵R^P×P，将相关系数矩阵R中元素r_ij(i,j＝1,2,...,p)作为连接大脑功能网络节点i到节点j的权值向量初始值。

进一步，定义路径W＝(W¹,W²,...,W^P)，其中W¹,W²,...,W^p代表p个节点的编号，W表示从节点W¹出发依次经过节点W²,...,W^p的路径，定义路径的优化度f(i)为路径内所有权值向量和的倒数。

进一步，定义一个二维矩阵U来记录路径编号和路径优化度的关系，U＝{W(i),f(i),i＝1,...,N}，N表示所有路径的数目。按U中的优化度降序排列结果将所有的路径分成m个群体Y¹,Y²,...,Y^m，每个群体中包含n条路径，同时满足N＝m×n。

进一步，定义调整因子Insert(i₁,i₂)为将W＝(Wⁱ),i＝1,2,...,p中的

插入到

位置之前。一个或多个调整因子的有序排列就是调整序列，记作

InsertList,InsertList＝(Insert₁,Insert₂,…,Insert_t) (1)

其中，Insert₁,Insert₂,…,Insert_t是调整因子。

进一步，路径间的差异是路径之间的调整序，子群体内训练方程为：

l＝min{int[rand length(InsertList)],l_max} (2)

S＝{(Insert_i)|Insert_i∈InsertList,i＝1,2,…,l} (3)

W_q＝W_w+S (4)

其中，length(InsertList)表示调整序列中全部调整因子的个数，l_max表示允许选用的最大调整因子个数，S表示更新W_w的调整序，W_w为子群体内路径优化度最差的路径。

进一步，当子群体内的路径优化度的差值小于阀值时，则跳到下一步，否则，子群体重复进行最差路径优化。对各个子群内的路径进行过局部优化之后，将所有路径重新混合在一起，进行路径去重操作。

进一步，按照一定的概率对每个单独的路径进行局部随机更新操作。路径随机更新优化操作如下：对每条单独的路径W，随机选择一个节点Wⁱ，与节点Wⁱ左右连接的节点分别表示为W^i-1，Wⁱ⁺¹，然后选择除了Wⁱ、W^i-1、Wⁱ⁺¹以外的距离Wⁱ最近的节点W^j

其中，Reverse(Wⁱ,W^j)表示将节点Wⁱ和节点W^j之间的所有节点(包括节点Wⁱ和节点W^j)进行倒位逆序排列。SUM(Wⁱ,W^j)表示节点Wⁱ和节点W^j之间路径的权值和。如果新的路径W'路径优化度f(i)优于原路径W的路径优化度，则用W'取代W，重新计算路径优化度。

进一步，如果全部路径最大优化度和最差优化度的差值小于一个确定的阀值ε，则算法收敛，停止迭代，输出优化度最大的路径，即关键路径。否则，重新进行子群体的划分，对路径的优化度进行再优化。

采用上述技术方案后，本发明的有益技术效果是：本发明提供的大脑功能网络的关键路径搜索方法，从网络整体的角度对脑功能网络进行分析，揭示网络中结构和功能之间的潜在关系，弥补传统方法中对脑网络整体属性描述不足。

附图说明

图1是本发明一种大脑功能网络的关键路径搜索方法的实施流程图。

具体实施方式

下面结合附图和具体实施实例对本发明作进一步的说明。

如图1所示，一种大脑功能网络的关键路径搜索方法的具体实施实例包括以下步骤：

(1)在本实例中，采用15例被试(8男+7女)的静息态磁共振扫描数据。对磁共振设备采集到的大脑图像进行读取和格式转换；再进行时间矫正、头动矫正、配准、分割结构像、空间标准化、平滑等预处理；最后进行低频滤波，降低低频漂移及高频的生物噪音；本实例中，低频滤波范围为0.01～0.08Hz。

(2)选定一种标准化大脑分区模板(如AAL分区模板、Brodmann分区模板等)与预处理后的核磁图像进行匹配，划分图像为p个大脑区域，每个脑区分别对应脑功能网络中的一个节点。在本实例中，将人脑依据AAL(Anatomical automatic labeling)模板划分为90个(左右半脑各45个)脑区，90个脑区分别表示大脑功能网络中的90个节点。

(3)计算磁共振图像中每个脑区所有体素的时间序脑区，列平均值，提取不同标准分区对应的时间序列，通过多元线性回归分析去除一些由头动及全局信号造成的伪差异。

(4)对一组实验对象的时间序列进行单样本T检验，用得到的组分析结果表示脑功能网络中所有节点的值，进而计算两两脑区间的相关系数，得到一个归一化的时间序列相关系数矩阵R^P×P，将相关系数矩阵R中元素r_ij(i,j＝1,2,...,p)作为连接大脑功能网络节点i到节点j的权值向量初始值。本实例中，采用Pearson相关系数。

(5)定义路径W＝(W¹,W²,...,W^P)，其中W¹,W²,...,W^p代表p个节点的编号，W表示从节点W¹出发依次经过节点W²,...,W^p的路径，定义路径的优化度f(i)为路径内所有权值向量和的倒数。

(6)定义一个二维矩阵U来记录路径编号和路径优化度的关系，U＝{W(i),f(i),i＝1,...,N}，N表示所有路径的数目。按U中的优化度降序排列结果将所有的路径分成m个群体Y¹,Y²,...,Y^m，每个群体中包含n条路径，同时满足N＝m×n。本实例中，有效路径总数N＝184，取m＝8,n＝23。

(7)定义调整因子Insert(i₁,i₂)为将W＝(Wⁱ),i＝1,2,...,p中的

插入到

位置之前。一个或多个调整因子的有序排列就是调整序列，记作

InsertList,InsertList＝(Insert₁,Insert₂,…,Insert_t) (1)

其中，Insert₁,Insert₂,…,Insert_t是调整因子。

(8)路径间的差异是路径之间的调整序，子群体内训练方程为：

l＝min{int[rand length(InsertList)],l_max} (2)

S＝{(Insert_i)|Insert_i∈InsertList,i＝1,2,…,l} (3)

W_q＝W_w+S (4)

其中，length(InsertList)表示调整序列中全部调整因子的个数，l_max表示允许选用的最大调整因子个数，S表示更新W_w的调整序，W_w为子群体内路径优化度最差的路径。

(9)当子群体内的路径优化度的差值小于阀值时，则跳到下一步，否则，子群体重复进行最差路径优化。对各个子群内的路径进行过局部优化之后，将所有路径重新混合在一起，进行路径去重操作。

(10)按照一定的概率对每个单独的路径进行局部随机更新操作。路径随机更新优化操作如下：对每条单独的路径W，随机选择一个节点Wⁱ，与节点Wⁱ左右连接的节点分别表示为W^i-1，Wⁱ⁺¹，然后选择除了Wⁱ、W^i-1、Wⁱ⁺¹以外的距离Wⁱ最近的节点W^j

其中，Reverse(Wⁱ,W^j)表示将节点Wⁱ和节点W^j之间的所有节点(包括节点Wⁱ和节点W^j)进行倒位逆序排列。SUM(Wⁱ,W^j)表示节点Wⁱ和节点W^j之间路径的权值和。如果新的路径W'路径优化度f(i)优于原路径W的路径优化度，则用W'取代W，重新计算路径优化度。

(11)如果全部路径最大优化度和最差优化度的差值小于一个确定的阀值ε，则算法收敛，停止迭代，输出优化度最大的路径，即关键路径。否则，返回步骤(6)。本实例中，ε＝0.4，能够实现关键路径的查找。

以上所述仅为本发明的较佳实施例，并不用以限制本发明。凡在本发明的精神和原则之内所作的任何修改、等同替换和局部补充等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种大脑功能网络的关键路径搜索方法，其特征在于包括以下步骤：

(1)对磁共振设备采集到的大脑图像进行读取和格式转换；再进行预处理，预处理包括时间矫正、头动矫正、配准、分割结构像、空间标准化和平滑；最后进行低频滤波，降低低频漂移及高频的生物噪音；

(2)选定一种标准化大脑分区模板与预处理后的核磁图像进行匹配，标准化大脑分区模板包括AAL分区模板、Brodmann分区模板，划分图像为p个大脑区域，每个脑区分别对应脑功能网络中的一个节点；

(3)计算磁共振图像中每个脑区所有体素的时间序列平均值，提取不同标准分区对应的时间序列，通过多元线性回归分析去除一些由头动及全局信号造成的伪差异；

(4)对一组实验对象的时间序列进行单样本T检验，用得到的组分析结果表示脑功能网络中所有节点的值，进而计算两两脑区间的相关系数，得到一个归一化的时间序列相关系数矩阵R^P×P，将相关系数矩阵R中元素r_ij，i，j＝1，2，...，p作为连接大脑功能网络节点i到节点j的权值向量初始值；

(5)定义路径W＝(W¹,W²,...,W^P)，其中W¹,W²,...,W^p代表p个节点的编号，W表示从节点W¹出发依次经过节点W²,...,W^p的路径；定义路径的优化度f(i)为路径内所有权值向量和的倒数；

(6)定义一个二维矩阵U来记录路径编号和路径优化度的关系，U＝{W(i),f(i),i＝1,...,N}，N表示所有路径的数目；按U中的优化度降序排列结果将所有的路径分成m个群体Y¹,Y²,...,Y^m，每个群体中包含n条路径，同时满足N＝m×n；

(7)定义调整因子Insert(i₁,i₂)为将W＝(Wⁱ),i＝1,2,...,p中的

插入到

位置之前；一个或多个调整因子的有序排列就是调整序列，记作

InsertList,InsertList＝(Insert₁,Insert₂,…,Insert_t) (1)

其中，Insert₁,Insert₂,…,Insert_t是调整因子；

(8)路径间的差异是路径之间的调整序，子群体内训练方程为：

l＝min{int[rand length(InsertList)],l_max} (2)

S＝{(Insert_i)|Insert_i∈InsertList,i＝1,2,…,l} (3)

W_q＝W_w+S (4)

其中，length(InsertList)表示调整序列中全部调整因子的个数，l_max表示允许选用的最大调整因子个数，S表示更新W_w的调整序，W_w为子群体内路径优化度最差的路径；

(9)当子群体内的路径优化度的差值小于阀值时，则跳到下一步，否则，子群体重复进行最差路径优化；对各个子群内的路径进行过局部优化之后，将所有路径重新混合在一起，进行路径去重操作；

(10)按照一定的概率对每个单独的路径进行局部随机更新操作，路径随机更新优化操作如下：对每条单独的路径W，随机选择一个节点Wⁱ，与节点Wⁱ左右连接的节点分别表示为W^i-1，Wⁱ⁺¹，然后选择除了Wⁱ、W^i-1、Wⁱ⁺¹以外的距离Wⁱ最近的节点W^j

其中，Reverse(Wⁱ,W^j)表示将节点Wⁱ和节点W^j之间的所有节点进行倒位逆序排列，所有节点包括节点Wⁱ和节点W^j；SUM(Wⁱ,W^j)表示节点Wⁱ和节点W^j之间路径的权值和；如果新的路径W'路径优化度f(i)优于原路径W的路径优化度，则用W'取代W，重新计算路径优化度；

(11)如果全部路径最大优化度和最差优化度的差值小于一个确定的阀值ε，则算法收敛，停止迭代，输出优化度最大的路径，即关键路径；否则，返回步骤(6)。

Images