CN107658018A - 一种基于结构连接和功能连接的融合脑网络构建方法 - Google Patents
一种基于结构连接和功能连接的融合脑网络构建方法 Download PDFInfo
- Publication number
- CN107658018A CN107658018A CN201710944535.8A CN201710944535A CN107658018A CN 107658018 A CN107658018 A CN 107658018A CN 201710944535 A CN201710944535 A CN 201710944535A CN 107658018 A CN107658018 A CN 107658018A
- Authority
- CN
- China
- Prior art keywords
- brain
- matrix
- brain network
- fibre bundle
- value
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 218
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000004927 fusion Effects 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 113
- 238000003384 imaging method Methods 0.000 claims abstract description 13
- 239000000835 fiber Substances 0.000 claims description 71
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000009792 diffusion process Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims description 3
- 210000004369 blood Anatomy 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000011426 transformation method Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 208000014644 Brain disease Diseases 0.000 abstract description 11
- 238000011160 research Methods 0.000 abstract description 10
- 230000002490 cerebral effect Effects 0.000 abstract description 6
- 201000010099 disease Diseases 0.000 abstract description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 54
- 238000004458 analytical method Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 210000004885 white matter Anatomy 0.000 description 3
- 108010022579 ATP dependent 26S protease Proteins 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 101150030061 Eloc gene Proteins 0.000 description 2
- 208000010877 cognitive disease Diseases 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 208000027061 mild cognitive impairment Diseases 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241000459479 Capsula Species 0.000 description 1
- 230000008344 brain blood flow Effects 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 210000000877 corpus callosum Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005714 functional activity Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003950 pathogenic mechanism Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000008289 pathophysiological mechanism Effects 0.000 description 1
- 230000000379 polymerizing effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Abstract
本发明涉及脑功能成像领域以及大脑网络的构建领域，具体为一种基于结构连接和功能连接的融合脑网络构建方法。本发明的目的是结合现有的结构脑网络和静息态功能脑网络在疾病研究中的各自优点，提出了一种融合两种连接的脑网络构建方法，即一种基于结构连接和功能连接的融合脑网络构建方法。本发明将结构连接矩阵与静息态功能连接矩阵进行融合。本发明的融合脑网络构建方法能够更有效地发现脑部疾病患者的脑网络与正常人的脑网络在网络属性指标上的差异性，从而为各种脑部疾病的研究带来一定的帮助。
Description
技术领域
本发明涉及脑功能成像领域以及大脑网络的构建领域，具体为一种基于结构连接和功能连接的融合脑网络构建方法，该方法采用基于结构与功能两种模态的融合脑网络来重构人体大脑网络，为认知大脑内部的工作机制，研究大脑内部的神经活动规律以及脑部疾病的研究提供一定的依据。
背景技术
人脑可以看作由多个神经元、神经元集群或者多个脑区相互连接成的一个高度复杂的网络，这个庞大而复杂的网络是大脑进行信息处理和认知表达的生理基础。一些神经科学家在充分认识到构建人脑网络的重要性后，提出人脑连接组(human connectome)的概念。人脑连接组力图从宏观(大脑脑区)到微观(单个神经元)的各层次上全面而精细的刻画人类，从总体到个体水平构建大脑网络图谱，并进一步挖掘该网络的连接规律。近年来，基于图论的复杂网络理论(Graph Theory Analysis)的发展为人脑连接组的研究提供了必要的工具和分析方法。构建大脑网络关键的两步：一是如何定义网络节点，二是如何定义网络节点间的连接(边)。
随着科学技术的进步，无创性脑功能成像技术发展日新月异，为我们用多种成像技术进行大脑认知研究提供了广阔的舞台。由于成像机理的不同，每一种成像技术都具有相应的优点和不足，因此没有一种成像模态可以适合所有实验研究或临床应用。截至目前，功能磁共振成像技术(functional Magnetic Resonance Imaging，fMRI)以其高空间分辨率、非侵入式等特点在神经疾病诊断治疗方面得到了广泛应用。fMRI技术是通过测量由神经活动引起的脑血流和脑血氧等成分变化造成的磁共振信号变化来反应人脑内部活动的，其具有非常高的空间分辨率精度(毫米级)。对静息态fMRI进行预处理，选定感兴趣区域并提取平均时间序列，采用相关分析方法来度量脑区之间的功能连接。通过计算两两脑区间的平均时间序列的关联程度，得到感兴趣区域间的相关性。另外，弥散张量成像(DiffusionTensor Image, DTI)是一种描述大脑结构的新方法，是核磁共振成像(MagneticResonance Imaging，MRI)的特殊形式。DTI反映了大脑白质纤维束中水分子弥散的方向依赖特性，其部分各向异性指数图像可以显示大脑白质纤维的结构和各向异性特征，如显示内囊、胼胝体、外囊等结构。利用DTI所获得的数据进行大脑白质纤维成像，即弥散张量纤维束成像,它可以辨认大脑内部的特殊纤维通道及其相互之间的连接。
研究者们发现利用静息态fMRI构建的静息态功能脑网络以及利用DTI构建的结构脑网络具有很多重要的网络拓扑性质。研究静息态功能脑网络，可以探索人脑的功能组织模式，有助于理解人脑在正常或疾病状态下的功能活动规律，具有比较明确的生理意义与病理意义。研究结构脑网络，有助于揭示人脑结构网络的拓扑性质，可以更加直观地刻画脑区之间真实的结构连接。结构和功能是密不可分的, 结构是功能的基础, 功能是结构的表征。许多研究已经表明人脑的结构和功能具有密切的联系，如患有抑郁症、精神分裂症、癫痫等脑部疾病的病人，其大脑结构的异常往往伴随着相应的功能弱化。此外，研究者通过比较同一被试的静息态功能连接网络和结构连接网络发现, 尽管许多脑区间的功能连接较高,但是它们之间却并不一定存在直接的结构连接。这表明，功能连接和结构连接虽然存在密切联系，但并不完全取决于结构连接。
综上所述，大脑的结构连接与功能连接都可以反映整个大脑的状况，并且对各种脑部疾病的病理机制的探索和研究起着重要的作用，但采用不同模态的成像技术研究脑部疾病对大脑网络拓扑结构影响可能会得到不同的结果。若从多模态的角度融合结构连接和功能连接，可以更全面可靠地分析和理解脑部疾病的病理生理机制, 同时更有效地发现脑部疾病患者与正常人在脑网络拓扑属性上的差异，将会给各种脑部疾病的研究带来一定的帮助。
发明内容
本发明的目的是结合现有的结构脑网络和静息态功能脑网络在疾病研究中的各自优点，提出了一种融合两种连接的脑网络构建方法，即一种基于结构连接和功能连接的融合脑网络构建方法。
本发明是采用如下技术方案实现的：一种基于结构连接和功能连接的融合脑网络构建方法，该方法是采用如下步骤实现的：
步骤S1：对弥散张量成像进行预处理，然后根据选定的标准化脑图谱，对预处理后的弥散张量成像进行区域分割；
步骤S2：采用确定性纤维束追踪算法，根据纤维束追踪的结束条件，计算两两脑区间的纤维束数量与部分各向异性指数，由此得到脑区间的纤维束数量矩阵FN与部分各向异性指数矩阵FA；
步骤S3：设定阈值τ，然后根据阈值对脑区间的纤维束数量矩阵FN进行二值化处理，得到二值化的纤维数量矩阵B；
步骤S4：对静息态功能磁共振成像进行预处理，然后根据选定的标准化脑图谱对静息态功能磁共振成像进行区域分割，最后对分割的各个脑区分别进行平均时间序列的提取；
步骤S5：利用皮尔逊相关分析方法，计算两两脑区间的平均时间序列相关系数，得到平均时间序列的相关关联矩阵，并对平均时间序列的相关关联矩阵取绝对值，将取绝对值后的相关关联矩阵记为R；
步骤S6：根据步骤S3得到的二值化纤维数量矩阵B，分别对步骤S2得到的部分各向异性指数矩阵FA与步骤S5得到的取绝对值后的相关关联矩阵R进行稀疏化，得到结构脑网络矩阵FAs和静息态功能脑网络矩阵Rs；
步骤S7：采用Min-max 标准化方法对步骤S6得到的结构脑网络矩阵FAs和静息态功能脑网络矩阵Rs进行标准化，得到标准化结构脑网络矩阵FAz和标准化静息态功能脑网络矩阵Rz；
步骤S8：对步骤S7得到的标准化结构脑网络矩阵FAz和标准化静息态功能脑网络矩阵Rz进行融合，从而得到基于结构连接与功能连接的融合脑网络矩阵RFA。
与现有的结构脑网络与静息态功能脑网络的构建方法相比，本发明所述的一种基于结构连接和功能连接的融合脑网络构建方法，将结构连接矩阵与静息态功能连接矩阵进行融合。本发明的融合脑网络构建方法能够更有效地发现脑部疾病患者的脑网络与正常人的脑网络在网络属性指标上的差异性，从而为各种脑部疾病的研究带来一定的帮助。
分别计算三种脑网络（结构脑网络、静息态功能脑网络以及基于结构连接与功能连接的融合脑网络）的属性指标，利用统计方法分别对脑部疾病患者与正常人的脑网络（结构脑网络、静息态功能脑网络以及基于结构连接与功能连接的融合脑网络）属性指标进行差异分析。
实验选取了三组被试作为实验对象：一组正常人（Normal control, NC），一组阿尔茨海默病（Alzheimer disease，AD）患者，一组轻度认知障碍（Mild cognitiveimpairment, MCI）患者，其中正常人被试数量为46，AD患者数量为50，MCI患者数量为41。
利用统计方法分别对AD患者与NC正常人、MCI患者与正常人的三种脑网络（结构脑网络、静息态功能脑网络与基于结构连接和功能连接的融合脑网络）的属性指标进行差异分析；三组被试的脑网络属性指标的平均值与差异分析的统计值（p）如表1、表2所示。
表1 AD患者与NC正常人的三种脑网络属性指标差异分析结果
表2 MCI患者与NC正常人的三种脑网络属性指标差异分析结果
表1的AD患者与NC正常人两组被试的脑网络属性差异分析统计值（p）显示，相较于结构脑网络和静息态功能脑网络，基于结构连接和功能连接的融合脑网络属性差异分析的统计值（p）最小，如表1中粗体部分所示；p值越小，表明两组被试的脑网络属性指标差异越显著，即AD患者的融合脑网络属性指标与NC正常人的融合脑网络属性指标间的差异最为显著；相较于现有的结构脑网络与静息态功能脑网络，两组被试在融合脑网络的全局效率（Eg）、聚合系数（Cp）、特征路径长度（Lp）、标准化的聚合系数（Gamma）与小世界属性（Sigma）的差异有大幅度地提高，两组被试在融合脑网络的局部效率（Eloc）与标准化的特征路径长度（Lambda）这两个属性指标上略有提高。
表2的MCI患者与NC正常人两组被试的脑网络属性差异分析统计值（p）显示，相较于结构脑网络和静息态功能脑网络，基于结构连接和功能连接的融合脑网络属性差异分析的统计值（p）最小，如表2中粗体部分所示；p值越小，表明两组被试的脑网络属性指标差异越显著，即MCI患者的融合脑网络属性指标与NC正常人的融合脑网络属性指标间的差异最为显著；相较于现有的结构脑网络与静息态功能脑网络，两组被试在融合脑网络的五个属性指标（Eg、Cp、Lp、Gamma与Sigma）的差异有大幅度地提高，两组被试在融合脑网络的两个属性指标（Eloc与Lambda）略有提高。
以上实验结果说明，本发明所述的基于结构连接和功能连接的融合脑网络构建方法，可以更加有效地发现脑部疾病患者与正常人在脑网络属性指标上的差异性，尤其在这五个属性指标（Eg、Cp、Lp、Gamma与Sigma）上的差异尤为显著，从而为脑部疾病的诊断提供了重要的辅助工具，具有实际的应用价值。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，对本发明进一步详细说明。
本发明提供的基于结构连接和功能连接的融合脑网络构建方法是一种全新的脑网络构建方法。该方法从多模态融合的角度，将结构脑网络和静息态功能脑网络进行融合；具体的实现步骤如下：
步骤S1：对弥散张量成像进行预处理，然后根据选定的标准化脑图谱，对预处理后的弥散张量成像进行区域分割；
所述步骤S1中，预处理采用脑功能磁共振成像软件 (FMRIB Software Library, FSL)进行，预处理的步骤具体包括：磁化系数修正、涡流失真修正、头动矫正；标准化脑图谱采用脑成像国际联盟（the International Consortium of Brain Mapping，ICBM）图谱。
步骤S2：采用确定性纤维束追踪算法，根据纤维束追踪的结束条件，计算两两脑区间的纤维束数量与部分各向异性指数，由此得到脑区间的纤维束数量矩阵FN与部分各向异性指数矩阵FA；
所述步骤S2中，确定性纤维束追踪算法采用以下四种算法的任一种：纤维联络连续追踪（Fiber Assignment by Continuous Tracking, FACT）、2nd order runge-kutta(2ndorderRK)、Tensoline与Interplated Streamline；纤维束追踪的结束条件具体包括：1)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束的部分各向异性指数小于0.1，则该条纤维束的追踪终止；2)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束位于大脑皮层的边界，则该条纤维束的追踪终止；3)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束的偏转角度大于35°，则该条纤维束的追踪终止。
步骤S3：设定阈值τ，然后根据阈值对脑区间的纤维束数量矩阵FN进行二值化处理，得到二值化的纤维数量矩阵B；
所述步骤S3中，对纤维束数量矩阵FN的二值化处理公式具体表示如下：
（1）
公式(1)中：表示二值化纤维数量矩阵B中第行第列的元素；表示纤维束数量矩阵中第行第列的元素；τ表示阈值，取值为3；二值化纤维数量矩阵B的维度为90×90。
步骤S4：对静息态功能磁共振成像进行预处理，然后根据选定的标准化脑图谱对静息态功能磁共振成像进行区域分割，最后对分割的各个脑区分别进行平均时间序列的提取；
步骤S4中，对静息态功能磁共振成像进行预处理，去除采集过程中由于设备、被试头动、生物噪音带来的噪音信号，提高了信噪比；并通过仿射变换和局部非线性变换方法将影响同一化到所选取的标准空间；预处理步骤至少包括时间层校正、头动校正、联合配准、空间标准化及低频滤波；采用的标准化脑图谱是国际通用的解剖标记模板（automatedanatomical labeling , AAL），依据该国际通用的解剖标记模板首先将全脑分割为90个区域，然后提取各脑区的平均时间序列，具体步骤包括：先提取每个脑区内部各体素在不同时间点上的激活值，再将该脑区内所有体素在同一时间点上的激活值进行算术平均，得到该脑区的平均时间序列；激活值指的是不同时间点上的血氧水平依赖强度。
步骤S5：利用皮尔逊相关分析方法，计算两两脑区间的平均时间序列相关系数，得到平均时间序列的相关关联矩阵，并对平均时间序列的相关关联矩阵取绝对值，将取绝对值后的相关关联矩阵记为R；
步骤S5中，皮尔逊相关分析方法采用如下计算公式：
（2）
公式（2）中，表示脑区在第个时间点的平均时间序列，表示脑区在整个扫描期间内平均时间序列的平均值。表示脑区在第个时间点的平均时间序列，表示脑区在整个扫描期间平均时间序列的平均值。即可表示为脑区和之间的皮尔逊相关系数；依据相关系数，得到平均时间序列的相关关联矩阵，并将取绝对值后的相关关联矩阵记为R，如下所示：
（3）
公式(2)与公式(3)中，n为全脑分割的区域个数，n的值为90。
步骤S6：根据步骤S3得到的二值化纤维数量矩阵B，分别对步骤S2得到的部分各向异性指数矩阵FA与步骤S5得到的取绝对值后的相关关联矩阵R进行稀疏化，得到结构脑网络矩阵FAs和静息态功能脑网络矩阵Rs；
步骤S6中，根据步骤S3得到的二值化纤维数量矩阵B，对步骤S2得到的部分各向异性指数矩阵FA与步骤S5得到的取绝对值后的相关关联矩阵R进行稀疏化的具体计算步骤如下：
若二值化纤维数量矩阵B的元素值为1，则结构脑网络矩阵FAs的元素值设为部分各向异性指数矩阵FA的对应元素；若元素值为0时，则结构脑网络矩阵FAs的对应元素值设为0；则结构脑网络矩阵FAs描述为如下公式所示：
（4）
若二值化纤维数量矩阵B的元素值为1，则静息态功能脑网络矩阵Rs元素值设为取绝对值后的相关关联矩阵R的对应元素，若元素值为0时，则静息态功能脑网络矩阵Rs的元素值设为0；则静息态功能脑网络矩阵Rs描述为如下公式所示：
（5）。
步骤S7：采用Min-max 标准化方法对步骤S6得到的结构脑网络矩阵FAs和静息态功能脑网络矩阵Rs进行标准化，得到标准化结构脑网络矩阵FAz和标准化静息态功能脑网络矩阵Rz；
步骤S7中，Min-max 标准化方法的计算公式如下所示：
（6）
公式（6）中，z为标准化结构脑网络矩阵FAz或标准化静息态功能脑网络矩阵Rz中的任一元素，即或，为结构脑网络矩阵FAs或静息态功能网络矩阵Rs中与z对应的元素，为结构脑网络矩阵FAs或静息态功能网络矩阵Rs中的元素最小值，为结构脑网络矩阵FAs或静息态功能网络矩阵Rs中的元素最大值。
步骤S8：对步骤S7得到的标准化结构脑网络矩阵FAz和标准化静息态功能脑网络矩阵Rz进行融合，从而得到基于结构连接与功能连接的融合脑网络矩阵RFA；
步骤S8中，融合脑网络矩阵RFA的计算过程如下公式所示：
（7）
公式（7）中，为权值，取值范围为0~1，具体计算公式如下所示：
（8）
公式（8）中，满足，即的取值需使得基于结构连接的脑网络与基于静息态功能连接的脑网络的标准方差最小；的取值范围为，步长为0.01，并与的取值一一对应（即）。
Claims (9)
1.一种基于结构连接和功能连接的融合脑网络构建方法，其特征在于：该方法是采用如下步骤实现的：
步骤S1：对弥散张量成像进行预处理，然后根据选定的标准化脑图谱，对预处理后的弥散张量成像进行区域分割；
步骤S2：采用确定性纤维束追踪算法，根据纤维束追踪的结束条件，计算两两脑区间的纤维束数量与部分各向异性指数，由此得到脑区间的纤维束数量矩阵FN与部分各向异性指数矩阵FA；
步骤S3：设定阈值τ，然后根据阈值对脑区间的纤维束数量矩阵FN进行二值化处理，得到二值化的纤维数量矩阵B；
步骤S4：对静息态功能磁共振成像进行预处理，然后根据选定的标准化脑图谱对静息态功能磁共振成像进行区域分割，最后对分割的各个脑区分别进行平均时间序列的提取；
步骤S5：利用皮尔逊相关分析方法，计算两两脑区间的平均时间序列相关系数，得到平均时间序列的相关关联矩阵，并对平均时间序列的相关关联矩阵取绝对值，将取绝对值后的相关关联矩阵记为R；
步骤S6：根据步骤S3得到的二值化纤维数量矩阵B，分别对步骤S2得到的部分各向异性指数矩阵FA与步骤S5得到的取绝对值后的相关关联矩阵R进行稀疏化，得到结构脑网络矩阵FAs和静息态功能脑网络矩阵Rs；
步骤S7：采用Min-max 标准化方法对步骤S6得到的结构脑网络矩阵FAs和静息态功能脑网络矩阵Rs进行标准化，得到标准化结构脑网络矩阵FAz和标准化静息态功能脑网络矩阵Rz；
步骤S8：对步骤S7得到的标准化结构脑网络矩阵FAz和标准化静息态功能脑网络矩阵Rz进行融合，从而得到基于结构连接与功能连接的融合脑网络矩阵RFA。
2.根据权利要求1所述的一种基于结构连接和功能连接的融合脑网络构建方法，其特征在于：所述步骤S1中，预处理采用脑功能磁共振成像软件进行，预处理的步骤具体包括：磁化系数修正、涡流失真修正、头动矫正；标准化脑图谱采用脑成像国际联盟图谱。
3.根据权利要求1所述的一种基于结构连接和功能连接的融合脑网络构建方法，其特征在于：所述步骤S2中，确定性纤维束追踪算法采用以下四种算法的任一种：纤维联络连续追踪、2nd order runge-kutta、Tensoline与Interplated Streamline；纤维束追踪的结束条件具体包括：1)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束的部分各向异性指数小于0.1，则该条纤维束的追踪终止；2)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束位于大脑皮层的边界，则该条纤维束的追踪终止；3)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束的偏转角度大于35°，则该条纤维束的追踪终止。
4.根据权利要求1所述的一种基于结构连接和功能连接的融合脑网络构建方法，其特征在于：所述步骤S3中，对纤维束数量矩阵FN的二值化处理公式具体表示如下：
（1）
公式(1)中：表示二值化纤维数量矩阵B中第行第列的元素；表示纤维束数量矩阵中第行第列的元素；τ表示阈值，取值为3；二值化纤维数量矩阵B的维度为90×90。
5.根据权利要求1所述的一种基于结构连接和功能连接的融合脑网络构建方法，其特征在于，步骤S4中，对静息态功能磁共振成像进行预处理，去除采集过程中由于设备、被试头动、生物噪音带来的噪音信号，提高了信噪比；并通过仿射变换和局部非线性变换方法将影响同一化到所选取的标准空间；预处理步骤至少包括时间层校正、头动校正、联合配准、空间标准化及低频滤波；采用的标准化脑图谱是国际通用的解剖标记模板，依据该国际通用的解剖标记模板首先将全脑分割为90个区域，然后提取各脑区的平均时间序列，具体步骤包括：先提取每个脑区内部各体素在不同时间点上的激活值，再将该脑区内所有体素在同一时间点上的激活值进行算术平均，得到该脑区的平均时间序列；激活值指的是不同时间点上的血氧水平依赖强度。
6.根据权利要求1所述的一种基于结构连接和功能连接的融合脑网络构建方法，其特征在于，步骤S5中，皮尔逊相关分析方法采用如下计算公式：
（2）
公式（2）中，表示脑区在第个时间点的平均时间序列，表示脑区在整个扫描期间内平均时间序列的平均值；表示脑区在第个时间点的平均时间序列，表示脑区在整个扫描期间平均时间序列的平均值；表示为脑区和之间的皮尔逊相关系数；依据相关系数，得到平均时间序列的相关关联矩阵，并将取绝对值后的相关关联矩阵记为R，如下所示：
（3）
公式(2)与公式(3)中，n为全脑分割的区域个数，n的值为90。
7.根据权利要求1所述的一种基于结构连接和功能连接的融合脑网络构建方法，其特征在于，步骤S6中，根据步骤S3得到的二值化纤维数量矩阵B，对步骤S2得到的部分各向异性指数矩阵FA与步骤S5得到的取绝对值后的相关关联矩阵R进行稀疏化的具体计算步骤如下：
若二值化纤维数量矩阵B的元素值为1，则结构脑网络矩阵FAs的元素值设为部分各向异性指数矩阵FA的对应元素；若元素值为0时，则结构脑网络矩阵FAs的对应元素值设为0；则结构脑网络矩阵FAs描述为如下公式所示：
（4）
若二值化纤维数量矩阵B的元素值为1，则静息态功能脑网络矩阵Rs元素值设为取绝对值后的相关关联矩阵R的对应元素，若元素值为0时，则静息态功能脑网络矩阵Rs的元素值设为0；则静息态功能脑网络矩阵Rs描述为如下公式所示：
（5）。
8.根据权利要求1所述的一种基于结构连接和功能连接的融合脑网络构建方法，其特征在于，步骤S7中， Min-max 标准化方法的计算公式如下所示：
（6）
公式（6）中，z为标准化结构脑网络矩阵FAz或标准化静息态功能脑网络矩阵Rz中的任一元素，即或，为结构脑网络矩阵FAs或静息态功能网络矩阵Rs中与z对应的元素，为结构脑网络矩阵FAs或静息态功能网络矩阵Rs中的元素最小值，为结构脑网络矩阵FAs或静息态功能网络矩阵Rs中的元素最大值。
9.根据权利要求1所述的一种基于结构连接和功能连接的融合脑网络构建方法，其特征在于，步骤S8中，融合脑网络矩阵RFA的计算过程如下公式所示：
（7）
公式（7）中，为权值，取值范围为0~1，具体计算公式如下所示：
（8）
公式（8）中，满足，即的取值需使得基于结构连接的脑网络与基于静息态功能连接的脑网络的标准方差最小；的取值范围为，步长为0.01，并与的取值一一对应。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710944535.8A CN107658018B (zh) | 2017-10-12 | 2017-10-12 | 一种基于结构连接和功能连接的融合脑网络构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710944535.8A CN107658018B (zh) | 2017-10-12 | 2017-10-12 | 一种基于结构连接和功能连接的融合脑网络构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107658018A true CN107658018A (zh) | 2018-02-02 |
| CN107658018B CN107658018B (zh) | 2019-07-05 |
Family
ID=61116680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710944535.8A Active CN107658018B (zh) | 2017-10-12 | 2017-10-12 | 一种基于结构连接和功能连接的融合脑网络构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107658018B (zh) |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898135A (zh) * | 2018-06-30 | 2018-11-27 | 天津大学 | 一种大脑边缘系统图谱构建方法 |
| CN109035265A (zh) * | 2018-09-26 | 2018-12-18 | 重庆邮电大学 | 一种新颖的结构脑连接图谱构建方法 |
| CN109034360A (zh) * | 2018-07-13 | 2018-12-18 | 北京工业大学 | 一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法 |
| CN109875509A (zh) * | 2019-02-27 | 2019-06-14 | 京东方科技集团股份有限公司 | 阿尔茨海默症患者康复训练效果的测试系统和方法 |
| CN109920550A (zh) * | 2018-12-25 | 2019-06-21 | 天津大学 | 一种基于dMRI研究青少年肌阵挛性癫痫的方法 |
| CN110110855A (zh) * | 2019-05-28 | 2019-08-09 | 西北工业大学 | 基于深度循环神经网络和有监督字典学习的脑网络重构方法 |
| CN110111325A (zh) * | 2019-05-14 | 2019-08-09 | 深圳大学 | 神经影像分类方法、计算机终端及计算机可读存储介质 |
| CN110189302A (zh) * | 2019-05-07 | 2019-08-30 | 上海联影智能医疗科技有限公司 | 脑图像分析方法、计算机设备和可读存储介质 |
| CN110584684A (zh) * | 2019-09-11 | 2019-12-20 | 五邑大学 | 一种驾驶疲劳相关的eeg功能连接动态特性的分析方法 |
| CN111340821A (zh) * | 2020-02-20 | 2020-06-26 | 太原理工大学 | 一种基于模块连接的大脑结构网络的偏测性检测方法 |
| CN111753833A (zh) * | 2020-07-23 | 2020-10-09 | 南京脑科医院 | 基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法 |
| CN112472063A (zh) * | 2020-12-15 | 2021-03-12 | 西安科技大学 | 基于分层模块的脑分离与整合平衡状态判定方法 |
| CN113255728A (zh) * | 2021-04-26 | 2021-08-13 | 浙江工业大学 | 一种基于图嵌入和多模态脑网络的抑郁症分类方法 |
| CN113344883A (zh) * | 2021-06-10 | 2021-09-03 | 华南师范大学 | 一种多层形态学脑网络构建方法、智能终端及存储介质 |
| CN113571163A (zh) * | 2021-07-05 | 2021-10-29 | 新乡医学院 | 一种构建全脑神经元网络连接图谱的方法 |
| CN113616184A (zh) * | 2021-06-30 | 2021-11-09 | 北京师范大学 | 基于多模态磁共振图像的脑网络建模与个体预测方法 |
| CN113724784A (zh) * | 2021-09-08 | 2021-11-30 | 山东建筑大学 | 阿尔兹海默病半脑不对称的遗传结构绘制系统及方法 |
| WO2022147885A1 (zh) * | 2021-01-09 | 2022-07-14 | 深圳先进技术研究院 | 影像驱动的脑图谱构建方法、装置、设备及存储介质 |
| CN116313131A (zh) * | 2023-05-24 | 2023-06-23 | 山东大学 | 基于仿造变量的脑网络差异识别系统、设备及存储介质 |
| WO2023168912A1 (zh) * | 2022-03-08 | 2023-09-14 | 之江实验室 | 一种基于多关系功能连接矩阵的疾病预测系统及装置 |
| CN117172294A (zh) * | 2023-11-02 | 2023-12-05 | 烟台大学 | 一种稀疏脑网络的构建方法、系统、设备和存储介质 |
| WO2024083057A1 (zh) * | 2022-10-19 | 2024-04-25 | 之江实验室 | 基于多模态磁共振成像的图卷积神经网络疾病预测系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104346530A (zh) * | 2014-10-29 | 2015-02-11 | 中国科学院深圳先进技术研究院 | 大脑异常参数的提取方法和系统 |
| CN105957047A (zh) * | 2016-05-06 | 2016-09-21 | 中国科学院自动化研究所 | 有监督的多模态脑影像融合方法 |
| CN106204562A (zh) * | 2016-07-04 | 2016-12-07 | 西安交通大学 | 一种基于fMRI与DTI融合的穹隆白质分割的方法 |
| CN106548206A (zh) * | 2016-10-27 | 2017-03-29 | 太原理工大学 | 基于最小生成树的多模态磁共振影像数据分类方法 |
-
2017
- 2017-10-12 CN CN201710944535.8A patent/CN107658018B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104346530A (zh) * | 2014-10-29 | 2015-02-11 | 中国科学院深圳先进技术研究院 | 大脑异常参数的提取方法和系统 |
| CN105957047A (zh) * | 2016-05-06 | 2016-09-21 | 中国科学院自动化研究所 | 有监督的多模态脑影像融合方法 |
| CN106204562A (zh) * | 2016-07-04 | 2016-12-07 | 西安交通大学 | 一种基于fMRI与DTI融合的穹隆白质分割的方法 |
| CN106548206A (zh) * | 2016-10-27 | 2017-03-29 | 太原理工大学 | 基于最小生成树的多模态磁共振影像数据分类方法 |
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898135B (zh) * | 2018-06-30 | 2021-07-06 | 天津大学 | 一种大脑边缘系统图谱构建方法 |
| CN108898135A (zh) * | 2018-06-30 | 2018-11-27 | 天津大学 | 一种大脑边缘系统图谱构建方法 |
| CN109034360A (zh) * | 2018-07-13 | 2018-12-18 | 北京工业大学 | 一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法 |
| CN109035265B (zh) * | 2018-09-26 | 2020-10-27 | 重庆邮电大学 | 一种结构脑连接图谱构建方法 |
| CN109035265A (zh) * | 2018-09-26 | 2018-12-18 | 重庆邮电大学 | 一种新颖的结构脑连接图谱构建方法 |
| CN109920550A (zh) * | 2018-12-25 | 2019-06-21 | 天津大学 | 一种基于dMRI研究青少年肌阵挛性癫痫的方法 |
| CN109875509A (zh) * | 2019-02-27 | 2019-06-14 | 京东方科技集团股份有限公司 | 阿尔茨海默症患者康复训练效果的测试系统和方法 |
| CN110189302A (zh) * | 2019-05-07 | 2019-08-30 | 上海联影智能医疗科技有限公司 | 脑图像分析方法、计算机设备和可读存储介质 |
| CN110111325A (zh) * | 2019-05-14 | 2019-08-09 | 深圳大学 | 神经影像分类方法、计算机终端及计算机可读存储介质 |
| CN110110855B (zh) * | 2019-05-28 | 2022-04-29 | 西北工业大学 | 基于深度循环神经网络和有监督字典学习的脑网络重构方法 |
| CN110110855A (zh) * | 2019-05-28 | 2019-08-09 | 西北工业大学 | 基于深度循环神经网络和有监督字典学习的脑网络重构方法 |
| CN110584684A (zh) * | 2019-09-11 | 2019-12-20 | 五邑大学 | 一种驾驶疲劳相关的eeg功能连接动态特性的分析方法 |
| CN110584684B (zh) * | 2019-09-11 | 2021-08-10 | 五邑大学 | 一种驾驶疲劳相关的eeg功能连接动态特性的分析方法 |
| CN111340821A (zh) * | 2020-02-20 | 2020-06-26 | 太原理工大学 | 一种基于模块连接的大脑结构网络的偏测性检测方法 |
| CN111753833A (zh) * | 2020-07-23 | 2020-10-09 | 南京脑科医院 | 基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法 |
| CN112472063B (zh) * | 2020-12-15 | 2023-03-14 | 西安科技大学 | 基于分层模块的脑分离与整合平衡状态判定方法 |
| CN112472063A (zh) * | 2020-12-15 | 2021-03-12 | 西安科技大学 | 基于分层模块的脑分离与整合平衡状态判定方法 |
| WO2022147885A1 (zh) * | 2021-01-09 | 2022-07-14 | 深圳先进技术研究院 | 影像驱动的脑图谱构建方法、装置、设备及存储介质 |
| CN113255728A (zh) * | 2021-04-26 | 2021-08-13 | 浙江工业大学 | 一种基于图嵌入和多模态脑网络的抑郁症分类方法 |
| CN113255728B (zh) * | 2021-04-26 | 2024-03-22 | 浙江工业大学 | 一种基于图嵌入和多模态脑网络的抑郁症分类方法 |
| CN113344883B (zh) * | 2021-06-10 | 2022-06-24 | 华南师范大学 | 一种多层形态学脑网络构建方法、智能终端及存储介质 |
| CN113344883A (zh) * | 2021-06-10 | 2021-09-03 | 华南师范大学 | 一种多层形态学脑网络构建方法、智能终端及存储介质 |
| CN113616184B (zh) * | 2021-06-30 | 2023-10-24 | 北京师范大学 | 基于多模态磁共振图像的脑网络建模与个体预测方法 |
| CN113616184A (zh) * | 2021-06-30 | 2021-11-09 | 北京师范大学 | 基于多模态磁共振图像的脑网络建模与个体预测方法 |
| CN113571163A (zh) * | 2021-07-05 | 2021-10-29 | 新乡医学院 | 一种构建全脑神经元网络连接图谱的方法 |
| CN113724784A (zh) * | 2021-09-08 | 2021-11-30 | 山东建筑大学 | 阿尔兹海默病半脑不对称的遗传结构绘制系统及方法 |
| CN113724784B (zh) * | 2021-09-08 | 2022-05-06 | 山东建筑大学 | 阿尔兹海默病半脑不对称的遗传结构绘制系统及方法 |
| WO2023168912A1 (zh) * | 2022-03-08 | 2023-09-14 | 之江实验室 | 一种基于多关系功能连接矩阵的疾病预测系统及装置 |
| WO2024083057A1 (zh) * | 2022-10-19 | 2024-04-25 | 之江实验室 | 基于多模态磁共振成像的图卷积神经网络疾病预测系统 |
| CN116313131A (zh) * | 2023-05-24 | 2023-06-23 | 山东大学 | 基于仿造变量的脑网络差异识别系统、设备及存储介质 |
| CN116313131B (zh) * | 2023-05-24 | 2023-09-15 | 山东大学 | 基于仿造变量的脑网络差异识别系统、设备及存储介质 |
| CN117172294A (zh) * | 2023-11-02 | 2023-12-05 | 烟台大学 | 一种稀疏脑网络的构建方法、系统、设备和存储介质 |
| CN117172294B (zh) * | 2023-11-02 | 2024-01-26 | 烟台大学 | 一种稀疏脑网络的构建方法、系统、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107658018B (zh) | 2019-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107658018A (zh) | 一种基于结构连接和功能连接的融合脑网络构建方法 | |
| Sadeghi et al. | An overview of artificial intelligence techniques for diagnosis of Schizophrenia based on magnetic resonance imaging modalities: Methods, challenges, and future works | |
| CN110934606B (zh) | 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质 | |
| Amico et al. | Mapping hybrid functional-structural connectivity traits in the human connectome | |
| WO2024083057A1 (zh) | 基于多模态磁共振成像的图卷积神经网络疾病预测系统 | |
| Sloan et al. | Learning rigid image registration-utilizing convolutional neural networks for medical image registration | |
| Glomb et al. | Connectome spectral analysis to track EEG task dynamics on a subsecond scale | |
| Gupta et al. | Fibernet 2.0: an automatic neural network based tool for clustering white matter fibers in the brain | |
| CN106204581A (zh) | 基于pca与k均值聚类的动态脑功能连接模式分解方法 | |
| CN111063423B (zh) | 阿尔茨海默病和轻度认知障碍脑网络特异性结构提取方法 | |
| US11693071B2 (en) | Systems and methods for mapping neuronal circuitry and clinical applications thereof | |
| CN103142229B (zh) | 扩散峭度张量成像的高阶张量特征参数提取方法 | |
| Zhu et al. | Discovering dense and consistent landmarks in the brain | |
| Chung et al. | Scalable brain network construction on white matter fibers | |
| CN111539509B (zh) | 一种虚拟数字脑构建方法与系统及智能机器人控制系统 | |
| CN114065825B (zh) | 一种基于结构相似性的脑磁meg源定位方法 | |
| CN117172294B (zh) | 一种稀疏脑网络的构建方法、系统、设备和存储介质 | |
| Wang et al. | SEEG-Net: An explainable and deep learning-based cross-subject pathological activity detection method for drug-resistant epilepsy | |
| Zhang et al. | Identifying cross-individual correspondences of 3-hinge gyri | |
| Sizemore et al. | Closures and cavities in the human connectome | |
| Osmanlıoğlu et al. | Connectomic assessment of injury burden and longitudinal structural network alterations in moderate‐to‐severe traumatic brain injury | |
| CN107256408B (zh) | 一种大脑功能网络的关键路径搜索方法 | |
| CN115461790A (zh) | 用于对图像中的结构进行分类的方法和装置 | |
| Li et al. | Diffusion tensor-based fast marching for modeling human brain connectivity network | |
| Mendoza et al. | Enhanced automatic segmentation for superficial white matter fiber bundles for probabilistic tractography datasets |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211223 Address after: 100000 room 1603-1, building 26, yard 8, West wenhuayuan Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Patentee after: BEIJING DAZHISHANG MEDICAL EQUIPMENT CO.,LTD. Address before: 030024 No. 79 West Main Street, Taiyuan, Shanxi, Yingze Patentee before: Taiyuan University of Technology |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231018 Address after: Room 709, Building 18, Haichuangyuan, No. 998, Wenyi West Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province, 311121 Patentee after: Hangzhou Ruier Weikang Technology Co.,Ltd. Address before: 100000 room 1603-1, building 26, yard 8, West wenhuayuan Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Patentee before: BEIJING DAZHISHANG MEDICAL EQUIPMENT CO.,LTD. |
|
| TR01 | Transfer of patent right |