CN109241996A - 一种基于梯度表征相似性和Searchlight的FMRI脑影像分析方法 - Google Patents

一种基于梯度表征相似性和Searchlight的FMRI脑影像分析方法 Download PDF

Info

Publication number
CN109241996A
CN109241996A CN201810867987.5A CN201810867987A CN109241996A CN 109241996 A CN109241996 A CN 109241996A CN 201810867987 A CN201810867987 A CN 201810867987A CN 109241996 A CN109241996 A CN 109241996A
Authority
CN
China
Prior art keywords
data
brain image
matrix
gradient
mapping matrix
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
Application number
CN201810867987.5A
Other languages
English (en)
Other versions
CN109241996B (zh
Inventor
张道强
盛晓亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201810867987.5A priority Critical patent/CN109241996B/zh
Publication of CN109241996A publication Critical patent/CN109241996A/zh
Application granted granted Critical
Publication of CN109241996B publication Critical patent/CN109241996B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (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

本发明公开了一种基于梯度表征相似性和Searchlight的FMRI脑影像分析方法，包括以下步骤：(1)输入原始的脑影像数据，将原始的脑影像数据通过体素坐标构造成四维数据；(2)将四维脑影像数据通过固定大小分成K个立方体小块；(3)通过脑影像数据得到映射矩阵，并在每个立方体数据中执行相同求解映射操作；(4)通过体素坐标索引，将每个小映射矩阵拼接成完整的映射矩阵；(5)对完整的映射矩阵进行计算，得到表征相似性矩阵，分析不同认知任务之间的相似性。本发明不仅可以得到更好地结果，而且数据越多，分析出的结果更具有分析参考意义。

Description

一种基于梯度表征相似性和Searchlight的FMRI脑影像分析 方法
技术领域
本发明属于脑影像与计算机科学的交叉技术领域，特别涉及一种基于梯度表征相似性和Searchlight的FMRI脑影像分析方法。
背景技术
近些年来，神经影像技术快速发展，测量方式主要包括脑电图(electroencephalography EEG)，结构核磁共振成像(structural magnetic resonanceimaging,structural MRI)，功能核磁共振成像(functional MRI,fMRI)和脑磁图(magnetoencephalography,MEG)。fMRI作为一种成像技术，能够将大脑神经活动呈现出来。因为信息是以神经活动模式编码的，脑解码主要思想是利用这些神经活动数据来揭示认知的过程，我们借助这些影像数据，能够探究人类大脑某个区域所代表的信息以及信息是如何被编码的。
脑解码是对大脑信息进行解码。信息隐藏在大脑的神经活动中，而神经活动可以不同的角度来分析，其中重要的一环是探究不同认知任务之间的相似性程度，然后对认知任务建立模型，进而更好的对大脑神经活动进行分析，利用机器学习的分析方法进行研究成为了一个新研究热点。由于大脑的复杂性，所以，如何理解大脑的工作方式，在神经科学和机器学习领域中是一项重大挑战。
fMRI即功能核磁图像，是通过不同认知任务，大脑皮层相应部位产生相应的神经活动，并通过磁共振图像来显示的一种研究方法。运用机器学习的方法分析fMRI图像，使研究人员不必知道一个大脑区域的功能是什么，根据不同大脑神经活动模式获取相应大脑区域表征的信息。现今，fMRI脑影像数据都是多被试者数据，全脑数据因此为高维数据。而且每个图像都包含了大量体素，进而数据包含的体素数量非常大，导致经典的方法分析多被试者fMRI数据非常困难。因此构建出一种可以高效地分析fMRI脑影像数据的模型是十分必要的。
本发明基于以上问题，提出一种基于梯度表征相似性和Searchlight的fMRI脑影像分析方法。实现了用基于梯度表征相似性和Searchlight方法分析fMRI脑影像以及模型的高效性。
发明内容
发明目的：针对现有技术的问题，提供一种不仅可以得到更好地结果，而且数据越多分析出的结果更具有分析参考意义的基于梯度表征相似性和Searchlight的FMRI脑影像分析方法。
技术方案：为解决上述技术问题，本发明提供一种基于梯度表征相似性和Searchlight的FMRI脑影像分析方法，包括如下步骤：
(1)输入原始的脑影像数据，将原始的脑影像数据通过体素坐标构造成四维数据；
(2)将四维脑影像数据通过固定大小分成K个立方体小块；
(3)通过脑影像数据得到映射矩阵，并在每个立方体数据中执行相同求解映射操作；
(4)通过体素坐标索引，将每个小映射矩阵拼接成完整的映射矩阵；
(5)对完整的映射矩阵进行计算，得到表征相似性矩阵，分析不同认知任务之间的相似性。
进一步的，所述步骤(1)中将原始的脑影像数据通过体素坐标构造成四维数据的具体步骤如下：通过z-score标准化(zero-meannormalization)对输入的原始的脑影像数据进行预处理，然后将脑影像数据中每个对象的FMRI图像所对应的数据根据每个体素相应的坐标数据将脑影像数据重建为四维数据。
进一步的，所述步骤(2)中所述固定的大小为3×3×3。
进一步的，所述步骤(3)中通过脑影像数据得到映射矩阵，并在每个立方体数据中执行相同求解映射操作的具体步骤如下：
将基于梯度的表征相似性方法应用于数据，先将步骤(2)中得到的立方体数据转化为二维数据，然后对转化过的二维数据使用基于梯度的表征相似性算法得到映射矩阵β；
具体如下：
1≤i≤T，1≤j≤V，定义为第l个对象的FMRI时间序列数据，其中T表示时间序列的大小，V表示脑影像数据中的体素个数；1≤i≤T，1≤k≤P，X表示设计矩阵，P表示不同类别刺激任务的个数；1≤k≤P，1≤j≤V，B表示需要求解的映射矩阵；∈(l)定义为第l个对象的实际值和预测值之间的误差；r(B(l))表示约束项，后续会有具体定义。
然后将基于梯度的表征相似性算法应用于所得数据：
其中损失函数为F为Frobenius范数，r(B(l))表示为l1范数，具体定义为α||B||1。
再用随机梯度下降算法(Stochastic Gradient Descent(SGD))优化，优化过程如下：
其中定义为对J(B(l))的梯度的第t次迭代，迭代的步骤如下所示，αt表示自适应学习速率，定义如下：
其中t为迭代的次数，αt表示第t次更新的学习速率；自适应的学习速率会使每次迭代优化过程中的参数自动更新；在每个立方体数据中应用基于梯度的表征相似性算法，第K个立方体数据得到的映射矩阵为
进一步的，所述步骤(4)中通过体素坐标索引，将每个小映射矩阵拼接成完整的映射矩阵的具体步骤如下：将步骤(3)中得到的映射矩阵进行整合得到一个新的映射矩阵，然后利用坐标矩阵数据，将每个体素的坐标数据作为索引，将每个立方体数据的映射矩阵拼接为一个新的完整的映射矩阵矩阵和初始输入的原始的脑影像数据相对应。
进一步的，所述步骤(5)中对完整的映射矩阵进行计算，得到表征相似性矩阵，分析不同认知任务之间的相似性的具体步骤如下：将步骤(4)中得到的完整映射矩阵进行计算得到相似性矩阵，计算矩阵的Pearson相关系数，得到相似性矩阵。
与现有技术相比，本发明的优点在于：
(1)本发明提出的基于梯度的表征相似性方法，使用随机梯度算法进行优化求解，取得了很好的实验结果；
(2)现有的表征相似性研究方法大多不适用于多被试者的大规模脑影像数据，我们将数据分成K个数据块，对每个数据块进行研究分析，再对结果进行整合分析，可以得到更好地结果，数据的越多分析出的结果更具有分析参考的意义。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。本发明描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的其他实施例，都属于本发明所保护的范围。
下面选择3个用于实验的数据集，结合图1对本发明上述方法进行具体说明。其中，数据集的内容、任务等参数如下表1所示。因为数据集为多被试者数据，在实验中对数据集中所有对象的数据所得结果求平均，得到的平均值作为数据集最终的结果。具体而言，在每次的实验中，先选取一个对象数据进行实验得到结果，其余对象数据依次单个进行实验得到是实验结果，最终的结果是由所有实验的平均结果计算。
表1 数据集信息统计表
本发明的总体流程如图1所示。具体的实施过程包含五个步骤：
步骤一是构建四维的脑影像数据。首先，使用z-score标准化(zero-meannormalization)进行预处理。接着每个对象的fMRI图像所对应的数据根据每个体素相应的坐标数据将原始数据重建为四维数据。
步骤二是将数据分为K块。对步骤一中得到的四维脑影像数据首先使用3×3×3的固定大小对数据进行分块，将数据分为K个立方体的数据块。
步骤三是获取映射矩阵。我们将基于梯度的表征相似性方法应用于数据。将每个立方体数据转化为二维数据。第K个3×3×3大小的立方体数据转化为1×27的二维数据，对转化过的二维数据使用基于梯度的表征相似性算法来得到映射矩阵r(B(l))表示的为l1范数，将公式(3)中的参数α设置为0.9。
步骤四是将步骤三中得到的映射矩阵的整合得到一个新的映射矩阵。我们利用坐标矩阵数据，将每个体素的坐标数据作为索引，将每个立方体数据的映射矩阵拼接为一个新的完整的映射矩阵
步骤五对步骤四中得到完整映射矩阵进行计算得到相似性矩阵，计算矩阵的Pearson相关系数，得到相似性矩阵，使用两个评价标准Pearson相关系数的最小值，均方误差(mean-square error，MSE)评估本发明所提出的算法。经计算，本发明所提出的表征相似性方法得出的映射矩阵中不同认知任务之间的相关系数最小值在数据集W011中为0.609，其均方根误差值为0.791；在数据集W017中相关系数最小值为0.358，其均方根误差值为0.803；在数据集W017中相关系数最小值为0.411，其均方根误差值为0.793。

Claims (6)

1.一种基于梯度表征相似性和Searchlight的FMRI脑影像分析方法，其特征在于，包括如下步骤：
(1)输入原始的脑影像数据，将原始的脑影像数据通过体素坐标构造成四维数据；
(2)将四维脑影像数据通过固定大小分成K个立方体小块；
(3)通过脑影像数据得到映射矩阵，并在每个立方体数据中执行相同求解映射操作；
(4)通过体素坐标索引，将每个小映射矩阵拼接成完整的映射矩阵；
(5)对完整的映射矩阵进行计算，得到表征相似性矩阵，分析不同认知任务之间的相似性。
2.根据权利要求1所述的一种基于梯度表征相似性和Searchlight的FMRI脑影像分析方法，其特征在于：所述步骤(1)中将原始的脑影像数据通过体素坐标构造成四维数据的具体步骤如下：通过z-score标准化(zero-meannormalization)对输入的原始的脑影像数据进行预处理，然后将脑影像数据中每个对象的FMRI图像所对应的数据根据每个体素相应的坐标数据将脑影像数据重建为四维数据。
3.根据权利要求1所述的一种基于梯度表征相似性和Searchlight的FMRI脑影像分析方法，其特征在于：所述步骤(2)中所述固定的大小为3×3×3。
4.根据权利要求1所述的一种基于梯度表征相似性和Searchlight的FMRI脑影像分析方法，其特征在于：所述步骤(3)中通过脑影像数据得到映射矩阵，并在每个立方体数据中执行相同求解映射操作的具体步骤如下：
将基于梯度的表征相似性方法应用于数据，先将步骤(2)中得到的立方体数据转化为二维数据，然后对转化过的二维数据使用基于梯度的表征相似性算法得到映射矩阵β；
具体如下：Y(l)＝X(l)B(l)+∈(l)
定义为第l个对象的FMRI时间序列数据，其中T表示时间序列的大小，V表示脑影像数据中的体素个数；X表示设计矩阵，P表示不同类别刺激任务的个数；B表示需要求解的映射矩阵；∈(l)定义为第l个对象的实际值和预测值之间的误差；r(B(l))表示约束项，后续会有具体定义；
然后将基于梯度的表征相似性算法应用于所得数据：
其中损失函数为F为Frobenius范数，r(B(l))表示为l1范数，具体定义为α‖B‖1；
再用随机梯度下降算法(Stochastic Gradient Descent(SGD))优化，优化过程如下：
其中定义为对J(B(l))的梯度的第t次迭代，迭代的步骤如下所示，αt表示自适应学习速率，定义如下：
其中t为迭代的次数，αt表示第t次更新的学习速率；自适应的学习速率会使每次迭代优化过程中的参数自动更新；在每个立方体数据中应用基于梯度的表征相似性算法，第K个立方体数据得到的映射矩阵为
5.根据权利要求1所述的一种基于梯度表征相似性和Searchlight的FMRI脑影像分析方法，其特征在于：所述步骤(4)中通过体素坐标索引，将每个小映射矩阵拼接成完整的映射矩阵的具体步骤如下：将步骤(3)中得到的映射矩阵进行整合得到一个新的映射矩阵，然后利用坐标矩阵数据，将每个体素的坐标数据作为索引，将每个立方体数据的映射矩阵拼接为一个新的完整的映射矩阵矩阵和初始输入的原始的脑影像数据相对应。
6.根据权利要求1所述的一种基于梯度表征相似性和Searchlight的FMRI脑影像分析方法，其特征在于：所述步骤(5)中对完整的映射矩阵进行计算，得到表征相似性矩阵，分析不同认知任务之间的相似性的具体步骤如下：将步骤(4)中得到的完整映射矩阵进行计算得到相似性矩阵，计算矩阵的Pearson相关系数，得到相似性矩阵。
CN201810867987.5A 2018-08-02 2018-08-02 一种基于梯度表征相似性和Searchlight的FMRI脑影像分析方法 Active CN109241996B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810867987.5A CN109241996B (zh) 2018-08-02 2018-08-02 一种基于梯度表征相似性和Searchlight的FMRI脑影像分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810867987.5A CN109241996B (zh) 2018-08-02 2018-08-02 一种基于梯度表征相似性和Searchlight的FMRI脑影像分析方法

Publications (2)

Publication Number Publication Date
CN109241996A true CN109241996A (zh) 2019-01-18
CN109241996B CN109241996B (zh) 2022-04-01

Family

ID=65072723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810867987.5A Active CN109241996B (zh) 2018-08-02 2018-08-02 一种基于梯度表征相似性和Searchlight的FMRI脑影像分析方法

Country Status (1)

Country Link
CN (1) CN109241996B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113094445A (zh) * 2021-03-15 2021-07-09 北京工业大学 一种基于语义向量的任务态脑影像资源多维标注和组织方法
CN114820460A (zh) * 2022-04-02 2022-07-29 南京航空航天大学 一种单基因位点与时序脑图像关联分析的方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330948A (zh) * 2017-06-28 2017-11-07 电子科技大学 一种基于流行学习算法的fMRI数据二维可视化方法
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330948A (zh) * 2017-06-28 2017-11-07 电子科技大学 一种基于流行学习算法的fMRI数据二维可视化方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
叶子骏: ""基于静息态fMRI特征提取的ADHD分类研究"", 《中国优秀硕士学位论文全文数据库（电子期刊）医药卫生科技辑》 *
夏涛等: ""大脑如何表征情绪: 基于fMRI 的多变量模式分析证据"", 《科学通报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113094445A (zh) * 2021-03-15 2021-07-09 北京工业大学 一种基于语义向量的任务态脑影像资源多维标注和组织方法
CN113094445B (zh) * 2021-03-15 2024-07-02 北京工业大学 一种基于语义向量的任务态脑影像资源多维标注和组织方法
CN114820460A (zh) * 2022-04-02 2022-07-29 南京航空航天大学 一种单基因位点与时序脑图像关联分析的方法及装置
CN114820460B (zh) * 2022-04-02 2023-09-29 南京航空航天大学 一种单基因位点与时序脑图像关联分析的方法及装置

Also Published As

Publication number Publication date
CN109241996B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
Huang et al. A graph signal processing perspective on functional brain imaging
CN113539435B (zh) 一种基于图模型的脑功能配准方法
Oosterhof et al. Surface-based information mapping reveals crossmodal vision–action representations in human parietal and occipitotemporal cortex
Ossadtchi et al. Automated interictal spike detection and source localization in magnetoencephalography using independent components analysis and spatio-temporal clustering
Iversen et al. MEG/EEG data analysis using EEGLAB
WO2020252805A1 (zh) 一种fMRI脑网络机制启发的动态功能模式学习方法
Zhang et al. Deep learning models unveiled functional difference between cortical gyri and sulci
CN103646183A (zh) 一种基于人工神经网络和多模态mri的阿尔茨海默病智能判别分析方法
CN110090017A (zh) 一种基于lstm的脑电信号源定位方法
Liu et al. Bayesian electromagnetic spatio-temporal imaging of extended sources based on matrix factorization
Zhao et al. Two-stage spatial temporal deep learning framework for functional brain network modeling
CN109241996A (zh) 一种基于梯度表征相似性和Searchlight的FMRI脑影像分析方法
Kunanbayev et al. Data augmentation for p300-based brain-computer interfaces using generative adversarial networks
CN106251299B (zh) 一种高效降噪视觉图像重构方法
Yu et al. iVAR: Interactive visual analytics of radiomics features from large-scale medical images
Chen et al. Deep convolutional generative adversarial network-based EMG data enhancement for hand motion classification
CN107256408B (zh) 一种大脑功能网络的关键路径搜索方法
Li et al. Subject-based dipole selection for decoding motor imagery tasks
CN115813409B (zh) 一种超低延迟的运动图像脑电图解码方法
RU2743608C1 (ru) Способ локализации отделов головного мозга
CN109146005A (zh) 一种基于稀疏表示的脑认知能力分析方法
KR100970589B1 (ko) 비음수 텐서 분해를 이용한 뇌파의 주파수 특징 추출 방법
Tucciarelli et al. Does ipsilateral remapping following hand loss impact motor control of the intact hand?
Xu et al. Unsupervised profiling of microglial arbor morphologies and distribution using a nonparametric Bayesian approach
Morishige et al. Estimation of hyper-parameters for a hierarchical model of combined cortical and extra-brain current sources in the MEG inverse problem

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