CN109102492A - 一种基于协同聚类的功能磁共振影像脑连接图谱构建方法 - Google Patents
一种基于协同聚类的功能磁共振影像脑连接图谱构建方法 Download PDFInfo
- Publication number
- CN109102492A CN109102492A CN201810707734.1A CN201810707734A CN109102492A CN 109102492 A CN109102492 A CN 109102492A CN 201810707734 A CN201810707734 A CN 201810707734A CN 109102492 A CN109102492 A CN 109102492A
- Authority
- CN
- China
- Prior art keywords
- brain
- function
- map
- connects
- connection map
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于协同聚类的功能磁共振影像脑连接图谱构建方法,脑功能连接图谱研究是脑功能和脑疾病研究的先导性关键环节,如何构建并验证脑功能连接图谱已成为当前脑科学研究的热点和前沿。最新研究表明,现有脑功能连接图谱的构建方法还存在一些不足:基于模型的假设驱动方法的鲁棒性不高、不依赖于模型的基于脑图谱方法的正确性难以验证、基于数据驱动方法构建的全脑尺度脑功能连接图谱不够精细等。为了克服现有方法的不足,本发明提出了一种新颖且易于验证的方法——采用协同聚类算法同时识别某个特定脑结构的功能子区及其连接脑区,实现了精细化的脑功能连接图谱构建;同时采取不同角度的三种途径验证了脑功能连接图谱的正确性。
Description
技术领域
本发明属于生物医学领域,涉及一种基于协同聚类的脑连接图谱构建方法,特别是涉及一种基于协同聚类的功能磁共振影像脑连接图谱构建方法。
背景技术
自20世纪90年代,功能磁共振影像脑连接图谱构建研究成为了揭示脑功能机理的重要途径。由此可见,脑功能连接图谱构建研究是大脑功能机理揭示的一项基础,当前已成为脑科学研究的热点和前沿。总结归纳国内外的研究,脑功能连接图谱构建主要有三种方法,即基于种子区域的方法、基于脑图谱的方法以及基于数据驱动的方法。
基于种子区域的方法是一种依赖于模型的假设驱动方法。根据研究问题的先验假设选择脑区作为种子区域,然后识别与种子区域功能连接显著的脑区,从而完成种子区域脑区功能连接图谱的构建。在脑功能连接图谱研究中,基于种子区域的方法的优点是简单易用、易于解释且应用广泛。但是该方法也存在不足,如构建的脑功能连接图谱的鲁棒性对种子区域的空间位置和大小的依赖性较高。
基于脑图谱的方法是一种不依赖于模型的构建脑功能连接图谱的方法。该方法将脑图谱中的脑区作为节点,每两个节点之间边的权重基于功能连接定义,然后使用模块检测算法将所有节点划分到各个网络模块中,每一个网络模块中的节点及其相互连接就构成一个模块化的脑功能网络,即脑功能连接图谱。此外,实现网络模块之间全局通信的枢纽节点及其连接同样为脑功能连接图谱的一个有机组成部分。虽然基于脑图谱的方法被国内外研究者较为广泛地用于以脑连接组学为手段的脑功能研究中,但是该方法所使用脑图谱的来源以及脑区数量直接影响了所构建脑功能连接图谱(或者脑功能网络)的空间拓扑特征和神经生物学解释。
基于数据驱动的方法是另外一种不依赖于模型的构建脑功能连接图谱的方法,主要包括基于独立成分分析的方法、基于聚类的方法。该方法将全脑划分成多个子网络,每一个子网络中的脑区及其相互连接构成大脑功能连接图谱的一部分。虽然上述基于数据驱动的方法在两种子方法之间或者不同数据集之间构建的脑功能连接图谱均具有较高的鲁棒性和可解释性,并促进了以脑连接组学为手段的脑功能研究,但是现有的基于数据驱动的方法还不能得到某个特定脑结构的功能连接图谱。
现有各种方法构建的脑功能连接图谱还存在明显的不足:基于种子区域的方法对种子区域的选择比较敏感;基于脑图谱的方法依赖于所选择的脑图谱;基于数据驱动的方法尽管不存在前两种方法的缺陷,但现有的基于数据驱动的方法仅限于在全脑尺度上的脑功能连接图谱构建。
发明内容
针对现有方法的不足,本发明的目的在于提出一种有别于传统的新颖且易于验证的基于数据驱动的方法,来解决某个特定脑结构精细化的功能连接图谱构建问题。
为了实现上述目的,本发明采用协同聚类算法同时识别某个特定脑结构的功能子区及其连接脑区,即构建考察脑结构精细化的功能连接图谱。该发明的技术方案如图1所示,具体描述如下。
在本发明提出的基于协同聚类的脑功能连接图谱构建方法中,优先选择研究得较为成熟的丘脑、小脑、基底节等作为考察脑结构。以丘脑的功能连接图谱构建为例,本发明采取的技术路线如图1。首先,提取待考察脑结构丘脑(图1(a)),可从发布的脑图谱中提取。然后,基于功能磁共振影像来计算丘脑每个体素与其功能主环路(大脑皮层)每个体素之间的功能连接,排列组成丘脑与大脑皮层主环路之间的功能连接矩阵,简称丘脑体素的主环路功能连接矩阵(图1(b))。最后,基于协同聚类对丘脑体素的主环路功能连接矩阵沿行和列方向同时进行聚类,依据聚类类别重新排列丘脑体素的主环路功能连接矩阵(图1(c)),图1(d)为基于协同聚类构建的丘脑功能连接图谱示意图,即聚类识别的丘脑功能子区及其连接脑区。
在对丘脑、小脑、基底节等脑结构进行脑功能连接图谱构建成功的基础上,还可以逐渐推广到其它脑结构的功能连接图谱构建研究,进而不断完善本发明提出的基于协同聚类的脑功能连接图谱构建方法并使其具有普适性。
另外,对构建的脑功能连接图谱的正确性进行验证一直是一个难题。本发明采取的验证方案描述如下。
本发明采取三种不同角度的验证途径。首先,选择脑分区及子区连接脑区研究得较为成熟的脑结构(如丘脑、小脑、基底节等)进行验证。由于功能连接以解剖连接为基础、人类和动物的大脑具有同源性等原因,本发明将基于示踪技术所获得的动物脑解剖连接图谱作为参考,来验证构建的人类脑功能连接图谱。其次,对称性是基于磁共振影像通过非侵入性活体方式进行脑科学研究的重要验证手段之一。因此,本发明将通过比较左右半球之间构建的脑功能连接图谱的对称性进行验证。再者,由于功能连接和解剖连接有着紧密联系,而弥散张量成像技术是估计解剖连接的有效工具,所以本发明还将使用具有互补性的弥散张量影像来验证基于功能磁共振影像构建的脑功能连接图谱,如通过判断脑功能连接图谱中的连接脑区是否存在结构连接关系进行验证。
附图说明
图1是本发明提出的基于协同聚类的功能磁共振影像脑连接图谱构建方法的技术方案。
图2是使用本发明提出方法得到的与5个丘脑分割子区对应相连接的脑功能网络。图中的5个脑功能网络包括默认网络、额顶网络、视觉网络、楔前叶网络和运动网络。
图3和图4分别是使用本发明提出方法得到的左侧和右侧丘脑分割子区。与上述图2的5个脑功能网络对应相连接的5个丘脑分割子区分别为丘脑内侧核、丘脑额顶区、丘脑枕、丘脑楔前叶区和丘脑运动区。
具体实施方式
本发明提出了一种基于协同聚类的功能磁共振影像脑连接图谱构建方法,该方法的技术方案如图1所示。以丘脑的功能连接图谱构建为例,具体的实施方式说明如下。
(1)采集获取静息态功能磁共振影像数据。采集得到了57个被试的静息态功能磁共振影像,其空间分辨率和重复时间分别为3.125×3.125×4.2立方毫米和2秒。
(2)提取待考察脑结构丘脑及其功能主环路(除脑岛外的大脑皮层)。使用FreeSurfer提取57个被试的丘脑和大脑皮层。
(3)抑制静息态功能磁共振影像的噪声。使用去噪效果出色的空间独立成分分析通过去除噪声成分的方式有效抑制影像的噪声,来构建鲁棒的脑功能连接图谱。
(4)在组水平上构建更加鲁棒的脑功能连接图谱。在基于功能连接信息的脑连接图谱构建中,将同一组被试功能连接信息的固定效应模型统计量如均值,作为协同聚类的特征在组水平上构建更加鲁棒的丘脑功能连接图谱。具体来说,使用协同聚类算法对同侧的丘脑及其大脑皮层功能主环路的组水平功能连接矩阵(矩阵元素为57个被试功能连接的平均值)进行聚类。通过聚类识别丘脑的功能子区及其连接脑区,即实现丘脑的功能连接图谱构建。
(5)构建得到丘脑的功能连接图谱。丘脑被分割为5个功能子区,包括丘脑内侧核、丘脑额顶区、丘脑枕、丘脑楔前叶区和丘脑运动区(图2)。与5个丘脑功能子区对应相连接的5个脑功能网络分别为默认网络、额顶网络、视觉网络、楔前叶网络和运动网络(图3和4)。
(6)验证构建的丘脑功能连接图谱。分割得到的丘脑内侧核和丘脑枕与Morel细胞构筑图谱具有一致性,同时与这两个功能子区对应相连接的默认网络和视觉网络通过结构连接以及动物丘脑的解剖连接得到进一步验证。与额顶网络、楔前叶网络、运动网络对应相连接的丘脑功能子区,被分别命名为丘脑额顶区、丘脑楔前叶区和丘脑运动区。另外,左侧和右侧丘脑的功能连接图谱具有对称性,进一步验证了所构建脑功能连接图谱的可靠性(图2-4)。
Claims (6)
1.一种基于协同聚类的功能磁共振影像脑连接图谱构建方法,其特征在于,所述的协同聚类为一种新颖的用于脑功能连接图谱构建的方法。
2.根据权利要求1所述的一种基于协同聚类的功能磁共振影像脑连接图谱构建方法,其特征在于,所述的协同聚类能够在组水平上构建更加鲁棒的脑功能连接图谱。
3.根据权利要求1所述的一种基于协同聚类的功能磁共振影像脑连接图谱构建方法,其特征在于,所述的协同聚类不仅能够构建全脑功能连接图谱,而且还能够对某个特定脑结构进行功能连接图谱构建。
4.根据权利要求3所述的对某个特定脑结构进行功能连接图谱构建问题,其特征在于,所述的协同聚类能够对某个特定脑结构进行精细化的功能子区分割,并同时识别划分子区的功能连接脑区。
5.根据权利要求4所述的对某个特定脑结构进行精细化的功能子区分割问题,其特征在于,对于研究得比较成熟的脑结构,所述此类脑结构分割子区的功能可以根据其功能连接脑区进一步得到验证。
6.根据权利要求4所述的对某个特定脑结构进行精细化的功能子区分割问题,其特征在于,对于未知脑结构、或者研究得还不成熟的脑结构,所述此类脑结构分割子区的功能可以根据其功能连接脑区进行推测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810707734.1A CN109102492B (zh) | 2018-07-02 | 2018-07-02 | 一种基于协同聚类的功能磁共振影像脑连接图谱构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810707734.1A CN109102492B (zh) | 2018-07-02 | 2018-07-02 | 一种基于协同聚类的功能磁共振影像脑连接图谱构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109102492A true CN109102492A (zh) | 2018-12-28 |
CN109102492B CN109102492B (zh) | 2020-06-09 |
Family
ID=64845336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810707734.1A Active CN109102492B (zh) | 2018-07-02 | 2018-07-02 | 一种基于协同聚类的功能磁共振影像脑连接图谱构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102492B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110652307A (zh) * | 2019-09-11 | 2020-01-07 | 中国科学院自动化研究所 | 基于功能核磁影像的精神分裂症患者纹状体功能检测方法 |
CN110811622A (zh) * | 2019-11-12 | 2020-02-21 | 北京大学 | 一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法 |
CN111583181A (zh) * | 2020-04-08 | 2020-08-25 | 深圳市神经科学研究院 | 个体化脑功能图谱构建方法及系统 |
CN113283465A (zh) * | 2021-04-02 | 2021-08-20 | 电子科技大学 | 一种弥散张量成像数据分析方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706561A (zh) * | 2009-11-20 | 2010-05-12 | 电子科技大学 | 功能性磁共振图像的聚类方法 |
CN103077298A (zh) * | 2012-10-24 | 2013-05-01 | 西安电子科技大学 | 融合图像体素及先验脑图谱划分的大脑网络构建方法 |
CN103838943A (zh) * | 2012-11-21 | 2014-06-04 | 大连灵动科技发展有限公司 | 一种功能磁共振数据处理的脑区间协方差分析方法 |
US20150310598A1 (en) * | 2014-04-24 | 2015-10-29 | Oregon Health & Science University | Contrast reagent leakage correction in dynamic susceptibility contrast magnetic resonance imaging |
CN106023194A (zh) * | 2016-05-18 | 2016-10-12 | 西安交通大学 | 基于静息态功能连接的杏仁核谱聚类分割方法 |
CN106667490A (zh) * | 2017-01-09 | 2017-05-17 | 北京师范大学 | 一种基于磁共振脑影像的被试对象间个体差异的数据间关系分析方法 |
CN106823137A (zh) * | 2016-12-30 | 2017-06-13 | 王征 | 一种优化神经调控的方法和装置 |
CN107392907A (zh) * | 2017-09-01 | 2017-11-24 | 上海理工大学 | 基于静息态功能性磁共振成像的海马旁回功能分区方法 |
-
2018
- 2018-07-02 CN CN201810707734.1A patent/CN109102492B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706561A (zh) * | 2009-11-20 | 2010-05-12 | 电子科技大学 | 功能性磁共振图像的聚类方法 |
CN103077298A (zh) * | 2012-10-24 | 2013-05-01 | 西安电子科技大学 | 融合图像体素及先验脑图谱划分的大脑网络构建方法 |
CN103838943A (zh) * | 2012-11-21 | 2014-06-04 | 大连灵动科技发展有限公司 | 一种功能磁共振数据处理的脑区间协方差分析方法 |
US20150310598A1 (en) * | 2014-04-24 | 2015-10-29 | Oregon Health & Science University | Contrast reagent leakage correction in dynamic susceptibility contrast magnetic resonance imaging |
CN106023194A (zh) * | 2016-05-18 | 2016-10-12 | 西安交通大学 | 基于静息态功能连接的杏仁核谱聚类分割方法 |
CN106823137A (zh) * | 2016-12-30 | 2017-06-13 | 王征 | 一种优化神经调控的方法和装置 |
CN106667490A (zh) * | 2017-01-09 | 2017-05-17 | 北京师范大学 | 一种基于磁共振脑影像的被试对象间个体差异的数据间关系分析方法 |
CN107392907A (zh) * | 2017-09-01 | 2017-11-24 | 上海理工大学 | 基于静息态功能性磁共振成像的海马旁回功能分区方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110652307A (zh) * | 2019-09-11 | 2020-01-07 | 中国科学院自动化研究所 | 基于功能核磁影像的精神分裂症患者纹状体功能检测方法 |
CN110652307B (zh) * | 2019-09-11 | 2021-01-12 | 中国科学院自动化研究所 | 基于功能核磁影像的精神分裂症患者纹状体功能检测系统 |
CN110811622A (zh) * | 2019-11-12 | 2020-02-21 | 北京大学 | 一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法 |
CN111583181A (zh) * | 2020-04-08 | 2020-08-25 | 深圳市神经科学研究院 | 个体化脑功能图谱构建方法及系统 |
CN113283465A (zh) * | 2021-04-02 | 2021-08-20 | 电子科技大学 | 一种弥散张量成像数据分析方法及装置 |
CN113283465B (zh) * | 2021-04-02 | 2022-04-29 | 电子科技大学 | 一种弥散张量成像数据分析方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109102492B (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102492A (zh) | 一种基于协同聚类的功能磁共振影像脑连接图谱构建方法 | |
CN103886328B (zh) | 基于脑网络模块结构特征的功能磁共振影像数据分类方法 | |
CN103345749B (zh) | 一种基于模态融合的大脑网络功能连接偏侧性检测方法 | |
Dimitriadis et al. | Improving the reliability of network metrics in structural brain networks by integrating different network weighting strategies into a single graph | |
Behrens et al. | Non-invasive mapping of connections between human thalamus and cortex using diffusion imaging | |
CN102509123B (zh) | 一种基于复杂网络的脑功能磁共振图像分类方法 | |
CN115359045A (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 | |
CN112418337B (zh) | 基于脑功能超网络模型的多特征融合数据分类方法 | |
CN103942781B (zh) | 一种基于脑影像的脑网络构造方法 | |
CN102496159A (zh) | 一种联合fmri和meg的脑区因果连接检测方法 | |
CN102855491A (zh) | 一种基于网络中心性的脑功能磁共振图像分类方法 | |
Abidin et al. | Detecting cognitive impairment in HIV-infected individuals using mutual connectivity analysis of resting state functional MRI | |
CN105117731A (zh) | 一种大脑功能网络的社团划分方法 | |
Huster et al. | Hemispheric and gender related differences in the midcingulum bundle: a DTI study | |
Qi et al. | Parallel group ICA+ ICA: Joint estimation of linked functional network variability and structural covariation with application to schizophrenia | |
CN107967942B (zh) | 一种基于近红外脑成像图谱特征的儿童孤独症谱系障碍分析系统 | |
CN115005798B (zh) | 一种基于连边功能连接的脑影像特征提取方法 | |
Daianu et al. | Left versus right hemisphere differences in brain connectivity: 4-Tesla HARDI tractography in 569 twins | |
Zou et al. | Brain anomaly networks uncover heterogeneous functional reorganization patterns after stroke | |
D’Souza et al. | A matrix autoencoder framework to align the functional and structural connectivity manifolds as guided by behavioral phenotypes | |
Scharwächter et al. | Network analysis of neuroimaging in mice | |
Liu et al. | Hierarchical graph convolutional network built by multiscale atlases for brain disorder diagnosis using functional connectivity | |
Lee et al. | Group sparse dictionary learning and inference for resting-state fMRI analysis of Alzheimer's disease | |
CN104921727A (zh) | 基于自适应先验信息指导的脑功能连通性检测系统和方法 | |
Caiazzo et al. | Structural connectome with high angular resolution diffusion imaging MRI: assessing the impact of diffusion weighting and sampling on graph-theoretic measures |
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 |