CN109034360A - 一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法 - Google Patents
一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法 Download PDFInfo
- Publication number
- CN109034360A CN109034360A CN201810772541.4A CN201810772541A CN109034360A CN 109034360 A CN109034360 A CN 109034360A CN 201810772541 A CN201810772541 A CN 201810772541A CN 109034360 A CN109034360 A CN 109034360A
- Authority
- CN
- China
- Prior art keywords
- brain
- network
- data
- ant
- fmri
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Epidemiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法,该方法充分利用脑结构和功能之间的关系及蚁群算法易于进行信息融合的特点。通过将脑结构信息和功能信息融于蚁群算法搜索脑效应连接网络中,旨在获得更符合大脑生理结构的脑效应连接网络。具体包括以下步骤:对两组磁共振数据进行预处理,选取相同的感兴趣区域;利用DTI数据获取感兴趣区域的结构约束信息,并使用结构信息来压缩蚁群搜索的空间,以避免蚁群的许多不必要的搜索;然后在蚁群随机搜索中通过将结构信息融合于启发函数中,以增强蚂蚁搜索的目的性,改进算法的优化效率;最后蚁群算法通过迭代搜索,寻找与fMRI数据最匹配的脑效应连接网络。本方法准确地识别脑效应连接网络。
Description
技术领域
本发明涉及fMRI功能磁共振成像数据和DTI弥散张量成像数据的脑效应连接网络构建方法,特别是一种基于多模态信息融合的蚁群学习方法。
背景技术
磁共振成像(magnetic resonance imaging,MRI),是一种具有空间分辨率高,组织对比度高的医学影像技术。其中结构磁共振成像(structure magnetic resonanceimaging,sMRI)、磁共振弥散张量成像(diffusion tensor imaging,DTI)、功能磁共振成像(functional magnetic resonance imaging,fMRI)等多模态磁共振影像技术能够无创伤性地从灰质、白质纤维、基于血液氧合水平等不同方面获取人脑的结构和功能连接信息,为认知神经科学的实验研究提供了有利条件,同时又在病理学研究方面具有很重要的临床意义,拥有着广泛的应用前景和重要科学价值。特别是通过分析fMRI数据构建的脑功能网络和DTI数据构建的脑结构网络,可以帮助了解复杂的人类大脑的运作,并为理解精神病和神经性疾病,如早老性痴呆和帕金森病,精神分裂症,上瘾,和抑郁症等提供帮助。
脑功能网络的连接主要包括功能连接和效应连接两种描述。其中,脑效应连接网络是一种由节点和有向边构成的图模型,其中节点表示脑区,有向边刻画了一个脑区施加于另一个脑区神经活动的因果效应,而与边相关的连接参数表示边的连接强度。由于脑效应连接网络的识别是评价正常脑功能及其与神经退化疾病(如阿尔兹海默病、帕金森病等精神疾病)相关损伤的有效手段,所以成为目前人脑连接组研究中的一项重要研究课题。
目前效应连接网络学习方法主要分为两类,一类是模型驱动方法,一类是数据驱动方法。模型驱动方法包括:结构方程建模(structural equationmodeling,SEM)和动态因果模型(dynamic causal modeling,DCM)等。这类方法依赖于先验知识和特定的假设,一般适用于模型参数已知和小规模脑效应连接网络构建。数据驱动方法包括:格兰杰因果模型(Granger causalitymapping,Granger)、线性非高斯无环模型(Linearnon-Gaussianacyclic model,LiNGAM)、广义同步(Generalised synchronization,Gen Synch)等。然而这些方法目前都存在一定局限性,例如,格兰杰因果方法需要满足一个前提条件,即时间序列必须具有平稳性,否则可能会出现虚假回归问题。。
贝叶斯网方法(BayesianNetwork,BN)也是一种数据驱动方法,它可以推断给定条件下随机变量的依赖关系,而且在功能连接上推断比较准确。已有一些贝叶斯网方法被成功应用于脑效应连接网络的学习,如贪婪等价类搜索(greedy equivalence search,GES),独立多采样贪婪等价类搜索(independent multisample greedy equivalence search,iMaGES)等。然而这些方法使用贪婪的搜索方式进行搜索,往往容易陷入局部最优而影响学习效果。
与此同时,多模态磁共振成像数据融合已成为目前神经影像学中一个新的研究方向。许多研究已经表明脑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,结构和功能具有密切的联系。对许多神经精神疾病的研究也表明,病人大脑结构的异常往往伴随着相应的功能弱化。因此使用多模态磁共振数据,可以从结构-功能不同的角度诠释大脑的运行机理。但是,如何有效地利用多模态磁共振成像研究神经、精神疾病的影像学标记尚缺乏系统性的研究。
针对上述问题,本发明利用贝叶斯网方法作为基础框架,使用融合多模态信息(fMRI和DTI)的蚁群优化算法进行有效搜索,旨在获得更符合脑生理结构的效应连接网络结构。
发明内容
针对现有脑效应网络构建方法的不足及多模态磁共振数据融合技术带来的新方法和新挑战。本发明提出一种用于从fMRI数据和DTI数据中构建脑效应连接网络的蚁群方法。该方法充分利用脑结构和功能之间的关系及蚁群算法易于进行信息融合的特点。通过将脑结构信息和功能信息融于蚁群算法搜索脑效应连接网络中,旨在获得更符合大脑生理结构的脑效应连接网络。
实现本发明的主要思路是:从fMRI数据中获取功能连接信息,从DTI数据中获得结构连接信息;使用结构信息对蚁群算法搜索空间进行压缩,并将结构信息加入到蚁群启发信息更新过程中;蚁群算法在结构信息的约束下从功能信息数据中构建脑效应连接网络;对脑效应连接网络进行分析,揭示网络连接所表示的生物学意义。分析在多模态数据下构建脑效应连接网络与单模态下的差异和原因,并用真实数据进行检验。
本发明采用的技术方案为一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法,该方法包括以下步骤:
步骤1数据获取:首先为了验证本方法的有效性,使用一种仿真数据生成方法,生成一组匹配的仿真fMRI数据和DTI数据,生成的仿真数据由于已知标准网络结构,因此用于检测算法有效性,衡量算法的性能。然后使用真实采集的配套fMRI和DTI数据,进行真实脑效应连接网络构建。
步骤2数据预处理:真实fMRI数据预处理使用统计参数图软件包(SPM12)来实现。真实DTI数据预处理使用FSL工具或DSI studio软件实现。
步骤3选取感兴趣区域ROI:采用AAL模板,共包含90个脑区。然后分别提取这90个脑区的结构信息和功能信息,这里的结构信息为脑区的各向异性分数值(Farctionalanisotropy,FA),功能信息为脑区的体素值(Voxels),最终获得的90个脑区FA值和体素值。
步骤4使用结构信息构建约束网络:根据获得的90个脑区FA值,对其求皮尔森相关,获得90×90的皮尔森相关矩阵。根据已有多模态研究表明,结构对功能有约束作用,因此将此相关矩阵作为效应连接网络的初始解。此约束网络限制掉了许多连接,降低算法搜索空间。
步骤5使用结构信息计算新启发函数:原始蚁群算法中,启发函数为增加边后的评分增益。将结构信息引入启发函数,指导算法搜索优秀解。
步骤6使用蚁群算法搜索与fMRI数据最匹配的脑效应连接网络:具体包括以下几个步骤:初始化参数;初始化种群规模,根据步骤4的结果初始化启发信息及信息素;每只蚂蚁迭代搜索寻找K2评分更高的网络结构,当网络评分无法增加时,该蚂蚁则停止搜索过程,并在所走路径下留下信息素。之后下一代蚂蚁继续搜索,直到连续10代蚂蚁搜索到相同的网络结构时,停止蚁群算法,输出当前网络,即获得的最优网络。最终得到的这个最优网络结构就是本次运行中从fMRI数据中学习到的效应连接网络。
步骤7结果分析:对于学得的脑效应连接网络结构(有向无环图),节点表示脑区(ROI),有向弧为脑区之间的效应连接。将本方法与一些单模态方法在仿真数据上进行比较,验证方法有效性。在真实数据中,使用AAL模板对比AD病人与正常人的脑效应连接网络,通过分析网络模式差异,寻找患病的可能因素。
与现有技术相比,本发明具有以下明显的优势和有益效果;
(1)本发明提出了一种多模态磁共振融合方法,可以将结构信息与功能信息结合,学习脑效应连接网络。
(2)本发明应用蚁群算法融合DTI结构信息和fMRI功能信息进行脑效应连接网络结构学习,相比单一从fMRI数据中获得脑效应连接网络的方法,新能够获得更符合脑生理结构的脑效应连接网络。
(3)本发明通过两种模态信息的融合,对数据集本身的分布和规律特性要求很低且抗噪声能力强,相较其他算法,在仿真数据集上获得了更准确的网络。
(4)本发明在真实fMRI数据集和DTI数据集上学习的脑效应连接网络结构合理可靠,具有实际的生物学意义,可为脑网络异常检测和疾病发现提供有力的帮助。
附图说明
图1为本发明所涉及方法的流程图。
图2算法的框架。
图3仿真fMRI数据生成过程流程图。
图4 DTI数据预处理过程流程图。
图5带有6个节点的初始候选连接图的变化示意图。
图6 AD病人脑效应连接网络构建结果。
图7 HC正常组脑效应连接网络构建结果。
具体实施方式
下面阐述本发明的具体实施方式和详细步骤,本发明具体实现的框架如图2所示,具体包括:
步骤1:数据获取。
首先为了验证本方法的有效性,使用一种仿真数据生成方法,生成了一组匹配的仿真fMRI数据和DTI数据。使用一种常用的动态因果模型(Dynamic Causal Modelling,DCM)模型生成仿真fMRI数据,模型如下:
zt+1=σAzt+Cu (1)
其中{zt}为神经序列,t为当前时刻,A为标准网络矩阵,σ为衰减系数,C为控制矩阵,u为含高斯噪声的外部输入。例如生成一个包含6个脑区节点的BOLD fMRI数据,过程如图3所示。然后生成一组与fMRI数据匹配的DTI数据,该DTI数据生成原则为连接边大于等于效应连接边数。相关参数如下:Session duration(扫描时间)=10min,TR(重复时间)=3s,Noise(噪声)=1%,HRF std.dev(血液动力学响应标准差)=0.5s,node(脑区个数)=6,σ(衰减系数)=2.5,矩阵A和C为6×6矩阵。
真实fMRI数据和DTI数据来自于ADNI(Alzheimer's Disease NeuroimagingInitiative)数据库,ADNI数据库是一个公共数据库,由超过1500名被试的采集数据组成,被试的年龄在55到100岁之间,包括早期轻度认知障碍(Early Mild CognitiveImpairment,EMCI)患者,晚期轻度认知障碍(Late Mild Cognitive Impairment,LMCI)患者,阿兹海默症患者(Alzheimer's disease,AD)以及健康对照组(Health Control,HC)。采集fMRI数据的具体参数设置如下:重复时间为3000ms,回波时间为30ms,翻转角为90°,矩阵为448×448,层厚为4mm,共48层,每名被试采集197个时间点。采集DTI数据的具体参数设置如下:重复时间为7200ms,回波时间为56ms,翻转角为90°,矩阵为1044×1044,梯度方向为54,非加权弥散像(b=0s/mm2)。从中分别选取了5名AD患者和5名健康对照组的配套fMRI数据和DTI数据。
步骤2数据预处理。
fMRI数据预处理:预处理操作使用统计参数图SPM软件(SPM12,http://www.fil.ion.ucl.ac.uk/spm)完成,包括:时间校正、头动校正、空间标准化,数据重采样,高斯平滑等。
DTI数据预处理:预处理操作使用DSI Studio软件(http://dsi-studio.labsolver.org/)完成,包括:设置大脑模板(setbrain mask),纤维束重建(Reconstruction),纤维束可视化,纤维束追踪(FiberTracking)。具体过程如图4所示。
步骤3选取感兴趣区域。
所采用的仿真数据集使用的ROI共有6个区域,但这6个区域并不具有实际的意义。同样地,与之匹配的DTI数据也含有6个感兴趣区域,这些区域也不具实际意义。
对于真实数据,选取的感兴趣区域使用最常用的自动解剖标记(AAL)板获得大脑的90个皮层及皮层下脑区(不含26个小脑脑区)。对fMRI数据而言,提取90个脑区中每个脑区(ROI)内所有体素的时间序列,并做平均,获得每个脑区的平均BOLD信号。针对DTI数据,根据纤维束追踪的结果,获取这90个脑区中每个脑区平均的白质纤维部分各向异性值FA(fractional anisotropy)。
步骤4使用结构信息构建约束网络:基于FA值,利用下式计算每对脑区间i和j的皮尔森相关系数r(Xi,Xj):
式中,n是DTI数据的样本数,为Xi脑区的第l个样本的FA值,和分别为Xi脑区的均值和方差。求皮尔森相关后,获得90×90的皮尔森相关矩阵。根据已有多模态研究表明,结构对功能有约束作用,因此将此相关矩阵作为效应连接网络的初始解。此约束网络限制掉了许多连接,大大降低了算法搜索空间。例如对于仿真数据中6个节点的脑效应连接网络,如图5所示,初始候选连接图包含30条侯选边(含方向)见图5(a),使用结构信息压缩后侯选边减少为18条(含方向)见图5(b)。
步骤5使用结构信息计算新启发函数:原始蚁群算法中,启发函数为增加边后的评分增益。将结构信息引入启发函数,指导算法搜索优秀解。新的启发函数计算为:
ηij(t)=ω·(f(Xi,Π(Xi)∪Xj)-f(Xi,Π(Xi))) (2)
式中,ω为权重因子计算方式为ω=1+r(Xi,Xj),ω的作用是利用结构信息调控蚁群搜索过程中的路径选择。如果弧ij的结构相关性强,那么认识蚁群更倾向于选择这条弧。反之,如果相关性差,它被选的概率会下降,但这并不意味着它不会被选择。
步骤6使用蚁群算法搜索与fMRI数据最匹配的脑效应连接网络,具体包括以下几个步骤:
步骤6.1初始化参数;初始化种群规模m,初始信息素浓度τ0,根据步骤4的结果初始化启发信息。
步骤6.2蚁群搜索脑效应连接网络:每只蚂蚁将步骤4结构信息约束后的全部脑区连接所包含的弧作为初始的候选弧集,通过每次在图中增加一条有向弧来增加图的K2评分值,从而增量地构建可行解。K2评分度量公式如下:
其中,D为fMRI数据集,G为从fMRI数据中学习到的网络结构,Xi为一个脑区变量,Π(Xi)为其父母变量集合,N为脑区个数。在搜索过程中,第t次迭代,蚂蚁k从当前候选弧集中选取一条有向弧aij(Xj→Xi)的概率转移规则计算为:
式中,τij(t)和ηij(t)分别表示在第t次迭代过程中,路径(有向弧)aij的信息素浓度和启发信息,β为启发信息权重系数,DAk(t)为当前候选弧集中所有启发信息大于0弧的集合;q0是调节蚁群开采和勘探的参数,q是在[0,1]范围内随机产生的一个随机数;I和J为一对节点,其选择概率如下:
其中α为信息素权重系数,信息素浓度τij(t)计算更新公式为:
τij(t+1)=(1-ρ)τij(t)+ρτ0 (6)
其中τij(t+1)表示下一代蚁群行走路径aij的信息素,τij(t)为当前信息素浓度,τ0为初始信息素浓度,ρ为信息素挥发系数。
每只蚂蚁根据启发信息迭代搜索寻找K2评分更高的网络结构,当网络评分无法增加时,该蚂蚁则停止搜索过程,并在所走路径下留下信息素。之后下一代蚂蚁继续搜索,直到连续10代蚂蚁搜索到相同的网络结构时,停止算法,输出当前网络,即获得的最优网络。
步骤6.3计算效应连接强度:
当蚁群算法迭代结束后,路径上将会残留信息素。通过复用这种信息素来计算效应连接强度,信息素浓度高的路径表示蚁群走这条路径的次数多,也同样说明,这两个脑区之间的关系比较强。脑效应连接即有向弧aij的连接强度计算为:
式中,τmean和τsd分别为τij的平局值和标准差。它们的计算方式分别为:
步骤7结果分析:对于学得的脑效应连接网络结构(有向无环图),节点表示脑区(ROI),有向弧为脑区之间的效应连接。将本发明方法与一些单模态方法在仿真数据上进行比较,探究新方法优势及劣势。在真实数据中,使用AAL模板对比AD病人与正常人的脑效应连接网络,通过分析网络模式差异,寻找患病的可能因素。对比结果实验中,使用精度,召回率,F度量三项指标,计算方式分别为:
其中Ds表示学习到的脑效应连接网络与标准网络中相同弧的数量,Dw表示反向弧的数量,Da表示学习到效应连接而标准网络中不存在的弧的数量,TD表示标准网络中所有弧数量的总和。
步骤7.1生成模拟fMRI数据集上的结果与分析。
实验中,对比了10种不同的算法,它们分别为:
①PC(Peter and clerk,一种条件独立性测试贝叶斯网方法);
②CPC(conservative PC,保守的PC算法);
③CCD(Cyclic Causal Discovery,有环因果发现算法);
④FCI(Fast Causal Inference,快速因果推断算法);
⑤LINGAM(Linear Non-Gaussian Acyclic causal Models,线性非高斯有向无环模型);
⑥GC(Granger causality,格兰杰因果分析方法);
⑦GS(Generalised synchronisation,广义同步);
⑧GES(Greedy Equivalence Search,贪婪等价类搜索);
⑨ACOEC(Ant Colony optimization learning effective connectivity,蚁群优化的脑效应连接网络学习方法);
⑩MACOEC(本发明提出的新方法,一种从fMRI数据和DTI数据中学习脑效应连接网络的蚁群方法);
表1 10种算法在仿真fMRI数据集中的实验结果对比
从表三的结果中,可以发现,PC算法、CPC算法,FCI算法表现最差,三项指标均处于最低水平。GC算法召回率表现不错,然而精度和F度量表现不佳。CCD算法和GS算法强于上述几种方法,综合评价指标F度量超过了0.6.LINGAM算法表现也不错,F度量达到了0.77.三种贝叶斯网结构评分方法,GES,ACOEC和MACOEC方法表现最为突出,各项指标均高于0.8.值得注意的是,本发明提出的新算法MACOEC在仿真数据集上的识别效果明显由于其他算法。精度、召回率及F度量三项指标都显著由于其他方法。
对比ACOEC和MACOEC算法,可以发现,使用DTI结构信息的新方法可以有效提升算法的检测性能。这是因为,脑结构与功能之间具有密切联系,且结构对功能有约束作用。
步骤7.2真实fMRI数据集上的结果与分析
图6展示了AD病人的脑效应连接网络连接图,其中包含了184条连接。图7为HC正常组的脑效应连接网络连接图,其中包含了217条连接。整体来看,病人的脑效应连接总数明显少于正常人。具体来看,颞叶(Temporal)和海马(Hippocampus)的脑效应连接,病人明显少于正常人。这是由于AD病人大脑患病后,颞叶和海马出现萎缩,记忆功能衰退。由此可见,引入结构信息的新方法识别的脑效应连接网络结构更符号大脑生理结构的变化,具有实际意义。
Claims (8)
1.一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法,其特征在于:该方法包括以下步骤,
步骤1数据获取:首先为了验证本方法的有效性,使用一种仿真数据生成方法,生成一组匹配的仿真fMRI数据和DTI数据,生成的仿真数据由于已知标准网络结构,因此用于检测算法有效性,衡量算法的性能;然后使用真实采集的配套fMRI和DTI数据,进行真实脑效应连接网络构建;
步骤2数据预处理:真实fMRI数据预处理使用统计参数图软件包实现;真实DTI数据预处理使用FSL工具或DSI studio软件实现;
步骤3选取感兴趣区域ROI:采用AAL模板,共包含90个脑区;然后分别提取这90个脑区的结构信息和功能信息,这里的结构信息为脑区的各向异性分数值FA,功能信息为脑区的体素值。
步骤4使用结构信息构建约束网络:根据获得的90个脑区FA值,对其求皮尔森相关,获得90×90的皮尔森相关矩阵;
步骤5使用结构信息计算新启发函数:原始蚁群算法中,启发函数为增加边后的评分增益;将结构信息引入启发函数,指导算法搜索优秀解;
步骤6使用蚁群算法搜索与fMRI数据最匹配的脑效应连接网络:具体包括以下几个步骤:初始化参数;初始化种群规模,根据步骤4的结果初始化启发信息及信息素;每只蚂蚁迭代搜索寻找K2评分更高的网络结构,当网络评分无法增加时,该蚂蚁则停止搜索过程,并在所走路径下留下信息素;之后下一代蚂蚁继续搜索,直到连续10代蚂蚁搜索到相同的网络结构时,停止蚁群算法,输出当前网络,即获得的最优网络;最终得到的这个最优网络结构就是本次运行中从fMRI数据中学习到的效应连接网络;
步骤7结果分析:对于学得的脑效应连接网络结构,节点表示脑区ROI,有向弧为脑区之间的效应连接。
2.根据权利要求1所述的一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法,其特征在于:步骤1:数据获取;
首先为了验证本方法的有效性,使用一种仿真数据生成方法,生成了一组匹配的仿真fMRI数据和DTI数据;使用DCM模型生成仿真fMRI数据,模型如下:
zt+1=σAzt+Cu (1)
其中{zt}为神经序列,t为当前时刻,A为标准网络矩阵,σ为衰减系数,C为控制矩阵,u为含高斯噪声的外部输入。
3.根据权利要求1所述的一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法,其特征在于:步骤2数据预处理;
fMRI数据预处理:预处理操作使用统计参数图SPM软件完成,包括:时间校正、头动校正、空间标准化,数据重采样,高斯平滑;
DTI数据预处理:预处理操作使用DSI Studio软件完成,包括:设置大脑模板,纤维束重建,纤维束可视化,纤维束追踪。
4.根据权利要求1所述的一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法,其特征在于:步骤3选取感兴趣区域;
所采用的仿真数据集使用的ROI共有6个区域,但这6个区域并不具有实际的意义;同样地,与之匹配的DTI数据也含有6个感兴趣区域,这些区域也不具实际意义;
对于真实数据,选取的感兴趣区域使用最常用的自动解剖标记板获得大脑的90个皮层及皮层下脑区;对fMRI数据而言,提取90个脑区中每个脑区(ROI)内所有体素的时间序列,并做平均,获得每个脑区的平均BOLD信号;针对DTI数据,根据纤维束追踪的结果,获取这90个脑区中每个脑区平均的白质纤维部分各向异性值FA。
5.根据权利要求1所述的一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法,其特征在于:步骤4使用结构信息构建约束网络:基于FA值,利用下式计算每对脑区间i和j的皮尔森相关系数r(Xi,Xj):
式中,n是DTI数据的样本数,为Xi脑区的第l个样本的FA值,和分别为Xi脑区的均值和方差;求皮尔森相关后,获得90×90的皮尔森相关矩阵。
6.根据权利要求1所述的一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法,其特征在于:步骤5使用结构信息计算新启发函数:原始蚁群算法中,启发函数为增加边后的评分增益;将结构信息引入启发函数,指导算法搜索优秀解;新的启发函数计算为:
ηij(t)=ω·(f(Xi,Π(Xi)∪Xj)-f(Xi,Π(Xi))) (2)
式中,ω为权重因子计算方式为ω=1+r(Xi,Xj),ω的作用是利用结构信息调控蚁群搜索过程中的路径选择;如果弧ij的结构相关性强,那么认识蚁群更倾向于选择这条弧;反之,如果相关性差,它被选的概率会下降,但这并不意味着它不会被选择。
7.根据权利要求1所述的一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法,其特征在于:步骤6使用蚁群算法搜索与fMRI数据最匹配的脑效应连接网络,具体包括以下几个步骤:
步骤6.1初始化参数;初始化种群规模m,初始信息素浓度τ0,根据步骤4的结果初始化启发信息;
步骤6.2蚁群搜索脑效应连接网络:每只蚂蚁将步骤4结构信息约束后的全部脑区连接所包含的弧作为初始的候选弧集,通过每次在图中增加一条有向弧来增加图的K2评分值,从而增量地构建可行解;K2评分度量公式如下:
其中,D为fMRI数据集,G为从fMRI数据中学习到的网络结构,Xi为一个脑区变量,Π(Xi)为其父母变量集合,N为脑区个数;在搜索过程中,第t次迭代,蚂蚁k从当前候选弧集中选取一条有向弧aij(Xj→Xi)的概率转移规则计算为:
式中,τij(t)和ηij(t)分别表示在第t次迭代过程中,路径aij的信息素浓度和启发信息,β为启发信息权重系数,DAk(t)为当前候选弧集中所有启发信息大于0弧的集合;q0是调节蚁群开采和勘探的参数,q是在[0,1]范围内随机产生的一个随机数;I和J为一对节点,其选择概率如下:
其中α为信息素权重系数,信息素浓度τij(t)计算更新公式为:
τij(t+1)=(1-ρ)τij(t)+ρτ0 (6)
其中τij(t+1)表示下一代蚁群行走路径aij的信息素,τij(t)为当前信息素浓度,τ0为初始信息素浓度,ρ为信息素挥发系数;
每只蚂蚁根据启发信息迭代搜索寻找K2评分更高的网络结构,当网络评分无法增加时,该蚂蚁则停止搜索过程,并在所走路径下留下信息素;之后下一代蚂蚁继续搜索,直到连续10代蚂蚁搜索到相同的网络结构时,停止算法,输出当前网络,即获得的最优网络;
步骤6.3计算效应连接强度:
当蚁群算法迭代结束后,路径上将会残留信息素;通过复用这种信息素来计算效应连接强度,信息素浓度高的路径表示蚁群走这条路径的次数多,这两个脑区之间的关系比较强;脑效应连接即有向弧aij的连接强度计算为:
式中,τmean和τsd分别为τij的平局值和标准差;它们的计算方式分别为:
8.根据权利要求1所述的一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法,其特征在于:步骤7结果分析:对于学得的脑效应连接网络结构,节点表示脑区,有向弧为脑区之间的效应连接;在真实数据中,使用AAL模板对比AD病人与正常人的脑效应连接网络,通过分析网络模式差异,寻找患病的可能因素;对比结果实验中,使用精度,召回率,F度量三项指标,计算方式分别为:
其中Ds表示学习到的脑效应连接网络与标准网络中相同弧的数量,Dw表示反向弧的数量,Da表示学习到效应连接而标准网络中不存在的弧的数量,TD表示标准网络中所有弧数量的总和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810772541.4A CN109034360A (zh) | 2018-07-13 | 2018-07-13 | 一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810772541.4A CN109034360A (zh) | 2018-07-13 | 2018-07-13 | 一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109034360A true CN109034360A (zh) | 2018-12-18 |
Family
ID=64642888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810772541.4A Pending CN109034360A (zh) | 2018-07-13 | 2018-07-13 | 一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034360A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110192860A (zh) * | 2019-05-06 | 2019-09-03 | 复旦大学 | 一种面向网络信息认知的脑成像智能测试分析方法及系统 |
CN110473635A (zh) * | 2019-08-14 | 2019-11-19 | 电子科技大学 | 一种青少年脑结构网络和脑功能网络关系模型的分析方法 |
CN110547869A (zh) * | 2019-09-17 | 2019-12-10 | 上海交通大学 | 一种基于虚拟现实的术前辅助规划装置 |
CN111539509A (zh) * | 2020-04-16 | 2020-08-14 | 山东第一医科大学(山东省医学科学院) | 一种虚拟数字脑构建方法与系统及智能机器人控制系统 |
CN111882045A (zh) * | 2020-08-12 | 2020-11-03 | 北京师范大学 | 基于可微神经结构搜索的大脑时-空网络分解方法及系统 |
CN112641450A (zh) * | 2020-12-28 | 2021-04-13 | 中国人民解放军战略支援部队信息工程大学 | 面向动态视频目标检测的时变脑网络重构方法 |
CN114219069A (zh) * | 2021-11-16 | 2022-03-22 | 北京工业大学 | 一种基于自动变分自编码器的脑效应连接网络学习方法 |
CN115099369A (zh) * | 2022-08-08 | 2022-09-23 | 电子科技大学 | 一种基于功能连接和结构连接的网络融合方法 |
CN116030941A (zh) * | 2023-03-30 | 2023-04-28 | 北京科技大学 | 基于以边为中心的效应连接网络的阿尔茨海默病诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022934A (zh) * | 2015-06-29 | 2015-11-04 | 北京工业大学 | 一种用于从fMRI数据中构建脑效应连接网络的人工免疫方法 |
CN105787809A (zh) * | 2016-03-10 | 2016-07-20 | 国家电网公司 | 一种基于数据挖掘的电网设备运行状态智能校验方法 |
CN106021949A (zh) * | 2016-05-31 | 2016-10-12 | 常州大学 | 一种大脑默认网络的功能连接分析方法 |
CN107658018A (zh) * | 2017-10-12 | 2018-02-02 | 太原理工大学 | 一种基于结构连接和功能连接的融合脑网络构建方法 |
-
2018
- 2018-07-13 CN CN201810772541.4A patent/CN109034360A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022934A (zh) * | 2015-06-29 | 2015-11-04 | 北京工业大学 | 一种用于从fMRI数据中构建脑效应连接网络的人工免疫方法 |
CN105787809A (zh) * | 2016-03-10 | 2016-07-20 | 国家电网公司 | 一种基于数据挖掘的电网设备运行状态智能校验方法 |
CN106021949A (zh) * | 2016-05-31 | 2016-10-12 | 常州大学 | 一种大脑默认网络的功能连接分析方法 |
CN107658018A (zh) * | 2017-10-12 | 2018-02-02 | 太原理工大学 | 一种基于结构连接和功能连接的融合脑网络构建方法 |
Non-Patent Citations (2)
Title |
---|
JINDUO LIU等: "An ant colony optimization algorithm for learning brain effective connectivity network from fMRI data", 《2016 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE (BIBM)》 * |
SHILPA DANG等: "Tractography-Based Score for Learning Effective Connectivity From Multimodal Imaging Data Using Dynamic Bayesian Networks", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110192860B (zh) * | 2019-05-06 | 2022-10-11 | 复旦大学 | 一种面向网络信息认知的脑成像智能测试分析方法及系统 |
CN110192860A (zh) * | 2019-05-06 | 2019-09-03 | 复旦大学 | 一种面向网络信息认知的脑成像智能测试分析方法及系统 |
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 |
CN110473635A (zh) * | 2019-08-14 | 2019-11-19 | 电子科技大学 | 一种青少年脑结构网络和脑功能网络关系模型的分析方法 |
CN110473635B (zh) * | 2019-08-14 | 2023-02-28 | 电子科技大学 | 一种青少年脑结构网络和脑功能网络关系模型的分析方法 |
CN110547869A (zh) * | 2019-09-17 | 2019-12-10 | 上海交通大学 | 一种基于虚拟现实的术前辅助规划装置 |
CN111539509A (zh) * | 2020-04-16 | 2020-08-14 | 山东第一医科大学(山东省医学科学院) | 一种虚拟数字脑构建方法与系统及智能机器人控制系统 |
CN111882045A (zh) * | 2020-08-12 | 2020-11-03 | 北京师范大学 | 基于可微神经结构搜索的大脑时-空网络分解方法及系统 |
CN111882045B (zh) * | 2020-08-12 | 2023-10-17 | 北京师范大学 | 基于可微神经结构搜索的大脑时-空网络分解方法及系统 |
CN112641450B (zh) * | 2020-12-28 | 2023-05-23 | 中国人民解放军战略支援部队信息工程大学 | 面向动态视频目标检测的时变脑网络重构方法 |
CN112641450A (zh) * | 2020-12-28 | 2021-04-13 | 中国人民解放军战略支援部队信息工程大学 | 面向动态视频目标检测的时变脑网络重构方法 |
CN114219069A (zh) * | 2021-11-16 | 2022-03-22 | 北京工业大学 | 一种基于自动变分自编码器的脑效应连接网络学习方法 |
CN114219069B (zh) * | 2021-11-16 | 2024-04-26 | 北京工业大学 | 一种基于自动变分自编码器的脑效应连接网络学习方法 |
CN115099369A (zh) * | 2022-08-08 | 2022-09-23 | 电子科技大学 | 一种基于功能连接和结构连接的网络融合方法 |
CN116030941A (zh) * | 2023-03-30 | 2023-04-28 | 北京科技大学 | 基于以边为中心的效应连接网络的阿尔茨海默病诊断方法 |
CN116030941B (zh) * | 2023-03-30 | 2023-08-25 | 北京科技大学 | 基于以边为中心的效应连接网络的阿尔茨海默病诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034360A (zh) | 一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法 | |
Cui et al. | Braingb: a benchmark for brain network analysis with graph neural networks | |
Wang et al. | Single slice based detection for Alzheimer’s disease via wavelet entropy and multilayer perceptron trained by biogeography-based optimization | |
CN110121749A (zh) | 用于图像采集的深度学习医疗系统和方法 | |
Deco et al. | The most relevant human brain regions for functional connectivity: Evidence for a dynamical workspace of binding nodes from whole-brain computational modelling | |
CN109065128A (zh) | 一种加权图正则化稀疏脑网络构建方法 | |
CN106127769A (zh) | 一种基于脑连接网络的脑龄预测方法 | |
CN111728590A (zh) | 基于动态功能连接的个体认知能力预测方法和系统 | |
CN105117731A (zh) | 一种大脑功能网络的社团划分方法 | |
CN110111885B (zh) | 属性预测方法、装置、计算机设备及计算机可读存储介质 | |
KR20210108376A (ko) | 콘텐츠를 특징화하기 위해 뇌 특성 활동 맵 데이터베이스를 활용하기 위한 장치 및 방법 | |
US20220092771A1 (en) | Technique for quantifying a cardiac function from CMR images | |
CN109864737A (zh) | 一种心电信号中p波识别方法和系统 | |
CN115272295A (zh) | 基于时域-空域联合状态的动态脑功能网络分析方法及系统 | |
Bazinet et al. | Assortative mixing in micro-architecturally annotated brain connectomes | |
CN114699063A (zh) | 体脂率的测量方法、装置及计算机可读存储介质 | |
CN114372985A (zh) | 适应多中心图像的糖尿病视网膜病变病灶分割方法及系统 | |
Dinh et al. | Facial soft tissue thicknesses prediction using anthropometric distances | |
CN116434979A (zh) | 生理状态云监测方法、监测系统及储存介质 | |
CN114202772B (zh) | 基于人工智能和智慧医疗的参考信息生成系统及方法 | |
Reddy et al. | Optimization Driven Spike Deep Belief Neural Network classifier: a deep-learning based Multichannel Spike Sorting Neural Signal Processor (NSP) module for high-channel-count Brain Machine Interfaces (BMIs) | |
Kim et al. | Graph-aware modeling of brain connectivity networks | |
Chan et al. | Automated quality controlled analysis of 2d phase contrast cardiovascular magnetic resonance imaging | |
CN111914952A (zh) | 一种基于深度神经网络的ad特征参数筛选方法及系统 | |
Cheng et al. | Low rank self-calibrated brain network estimation and autoweighted centralized multi-task learning for early mild cognitive impairment diagnosis |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |