CN110458832B - 静息态大脑功能对称性分析方法 - Google Patents
静息态大脑功能对称性分析方法 Download PDFInfo
- Publication number
- CN110458832B CN110458832B CN201910748947.3A CN201910748947A CN110458832B CN 110458832 B CN110458832 B CN 110458832B CN 201910748947 A CN201910748947 A CN 201910748947A CN 110458832 B CN110458832 B CN 110458832B
- Authority
- CN
- China
- Prior art keywords
- brain
- image
- value
- data
- falff
- 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.)
- Active
Links
- 230000003925 brain function Effects 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 230000000284 resting effect Effects 0.000 title claims abstract description 25
- 210000004556 brain Anatomy 0.000 claims abstract description 105
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 17
- 238000005481 NMR spectroscopy Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 11
- 206010003805 Autism Diseases 0.000 claims description 10
- 208000020706 Autistic disease Diseases 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 9
- 230000004886 head movement Effects 0.000 claims description 9
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 3
- 210000004884 grey matter Anatomy 0.000 claims description 3
- 210000004885 white matter Anatomy 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 2
- 241000282414 Homo sapiens Species 0.000 abstract description 13
- 238000011160 research Methods 0.000 abstract description 13
- 230000008859 change Effects 0.000 abstract description 9
- 206010012335 Dependence Diseases 0.000 abstract description 4
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000019771 cognition Effects 0.000 abstract description 2
- 230000036541 health Effects 0.000 abstract description 2
- 230000000391 smoking effect Effects 0.000 abstract description 2
- 238000012353 t test Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 12
- 210000001061 forehead Anatomy 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 239000010410 layer Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 3
- 210000001320 hippocampus Anatomy 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 208000014644 Brain disease Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 210000001370 mediastinum Anatomy 0.000 description 2
- 230000007659 motor function Effects 0.000 description 2
- 230000002360 prefrontal effect Effects 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 206010012559 Developmental delay Diseases 0.000 description 1
- 241001596963 Phyla cuneifolia Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000004641 brain development Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 210000004326 gyrus cinguli Anatomy 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001123 neurodevelopmental effect Effects 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000008925 spontaneous activity Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000004233 talus Anatomy 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (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
本发明涉及基于复杂网络的人脑研究领域，其公开了一种静息态大脑功能对称性分析方法，在大脑进行功能连接以后，实现对大脑默认网络间的功能连接特征进行分析研究。本发明以大脑功能磁共振数据为研究对象，采集数据后，进行数据的预处理，保证数据的一致性，首先研究数据的连接、节点属性，然后再利用fALFF、VMHC、fisher‑Z变换、双样本t检验来研究大脑的对称性变化。本发明的方案可应用于疾病的诊断和治疗、吸烟成瘾、网络成瘾、网络游戏成瘾、认知等健康领域。
Description
技术领域
本发明涉及基于复杂网络的人脑研究领域，具体涉及一种静息态大脑功能对称性分析方法。可应用于疾病的诊断和治疗、吸烟成瘾、网络成瘾、网络游戏成瘾、认知等健康领域。
背景技术
人类大脑从空间上被分为左右半球，在几何上基本是对称的，但是在实际功能上却不是对称的，即处理信息方面存在明显的分工。研究显示，大脑左半球会主要负责处理和语言方面相关的信息，擅长分析特定事物，而右半球则主要处理视觉信号和听觉信号等，负责各种信号的整合。若患者大脑某些脑区的功能对称性出现提高，则可认为该区域出现了异常。郭家梁等人探讨了静息态下抑郁症在Alpha频段的前额不对称性以及不对称性与抑郁症成都的关系。发现Alpha频段的前额不对称性可以对抑郁症患者和正常人有效区分，并表现出与抑郁症状态无关的特性；在大脑左侧，相对于前额前侧，前额背侧的活动降低可能成为抑郁症的潜在生物标记。该研究说明，对称性分析方法相较于其他方法，有一定的研究价值和规律，为研究人类大脑的结构和变化提供了一个新的出发点。
近年来，大脑的结构和功能已成为认知神经科学领域的研究热点。人们应用静息态功能核磁共振成像技术获取大脑数据，构建功能网络和结构网络，并进行了相关研究，在人类的一些精神疾病中，患者大脑的对称性发生了变化，且功能连接也发生了变化。
本发明通过分析被试网络的功能连接特性，探索正常人与孤独症患者大脑结构和功能间的对称性变化，探索正常人随着年龄的增长大脑结构和功能间的对称性变化，对某些大脑疾病、大脑发育结构变化有着重要的理论依据和应用价值。
发明内容
本发明所要解决的技术问题是：提出一种静息态大脑功能对称性分析方法，在大脑进行功能连接以后，实现对大脑默认网络间的功能连接特征进行分析研究。
本发明解决上述技术问题采用的技术方案是：
静息态大脑功能对称性分析方法，包括以下步骤：
步骤1、获取一组健康的被试者静息态下的核磁共振脑图像和一组患有孤独症的被试者的核磁共振脑图像；
步骤2、对采集到的各个核磁共振脑图像进行预处理；
步骤3、采用标准化分区模板将大脑功能核磁共振图像划为相应数量的大脑区域，选取默认模式脑区，并将每个脑区定义为一个节点，脑区与脑区之间的联系定义为连接节点的边，各个节点通过边相互连接构成默认模式网络；
步骤4、对大脑功能核磁共振图像提取fALFF值，所述fALFF值根据低频信号的功率谱与整个频率范围的功率谱之比来计算；
步骤5、对提取fALFF值之后的图像数据进行滤波；
步骤6、将滤波之后的静息态图像匹配到左右空间的对称模板上，然后提取VMHC值；
步骤7、对两组被试者的fALFF值做双样本T检验，进行差异性分析；
步骤8、用BrainNet软件进行数据的三维可视化展示，分析数据p值，t值及VMHC值。
作为进一步优化，步骤2中，所述预处理包括以下步骤：
(1)去除脑功能图像的前N个时间点的数据；
(2)时间校正处理：对采集图像的时间一致性进行校正；
(3)头动校正处理：通过采集图像中的头动大小超过阈值的图像数据进行剔除；
(4)配准处理：将每个被试者的脑结构图像与该被试的所有时间点上的脑功能图像的均值图像进行配对；
(5)分割处理：对配准之后的结构像，按照大脑结构中的灰质、白质、脑脊液进行分割；
(6)空间标准化处理：将图像数据标准化到MNI空间；
(7)平滑处理：对异常点平滑为若干个相邻时刻的数据的均值；
(8)去趋势处理：通过回归算法机器去除图像的线性漂移；
(9)滤波处理：对图像进行滤波，过滤掉0.01～0.1Hz频段以外的数据。
作为进一步优化，步骤6具体包括：
通过计算一个体素与大脑对称半球相应体素时间序列之间的Pearson相关系数，再经Fisher-Z变换转换相关值，逐一计算出每对对称体素时间序列的相关性，在得到每个被试全脑的VMHC图，进行均值标准化，提取VMHC值：
Pearson相关系数：
其中，ρ是皮尔森系数，
是时间序列x和y的均值；
Fisher-Z变换：
其中，r为相关系数；
VMHC:
其中，v1，v2为空间对称的两个体素，t1，t2为对应体素的信号序列。
作为进一步优化，步骤7中，双样本T检验具体包括：
当方差未知但相等的情况下，t统计量的计算公式为：
其中，
对于该检验问题，给定显著性水平α，检验的拒绝域为W＝(|t|≥t1-α/2(n1+n2-2))，如果t值落在拒绝域内，则拒绝原假设，则说明两样本均值具有显著差异，两个样本来自不同的总体；否则，认为两个样本来自同一总体，总体均值无显著差别。
本发明的有益效果是：
(1)可以比较在静息态和不同活动或刺激下默认模式脑区的p值，t值，VMHC值等节点和网络特性，以此来研究不同的活动、刺激或者疾病情况下默认模式脑区的连接特征、对称性特征。
(2)通过比较不同年龄阶段的大脑对称性变化，结合某些大脑疾病的对称性变化，有助于推断相应疾病下，患者大脑不同年龄下对称性变化趋势。
(3)本发明在脑功能连接分析、认知功能研究、精神疾病诊断与治疗等领域具有一定的应用价值。
附图说明
图1为大脑图像数据预处理流程图；
图2为实施例中的孤独症患者组(ASD)与正常组(HC)的功能网络聚类系数对比图；
图3为实施例中的孤独症患者组(ASD)与正常组(HC)的功能网络特征路径长度对比图；
图4为实施例中的孤独症患者组(ASD)与正常组(HC)的功能网络小世界属性对比图；
图5为实施例中的孤独症患者组(ASD)与正常组(HC)的功能网络全局效率对比图；
图6为实施例中的孤独症患者组(ASD)与正常组(HC)的功能网络局部效率对比图；
图7为实施例中的孤独症患者组(ASD)与正常组(HC)的功能网络同步性对比图；
图8为实施例中的孤独症患者组(ASD)与正常组(HC)的功能网络层次化对比图；
图9为实施例中的三组正常人(HC0、HC1、HC2)被试者VMHC值对比曲线图。
具体实施方式
本发明旨在提出一种静息态大脑功能对称性分析方法，在大脑进行功能连接以后，实现对大脑默认网络间的功能连接特征进行分析研究。本发明以fMRI(大脑功能磁共振)数据为研究对象，采集数据后，进行数据的预处理，保证数据的一致性，首先研究数据的连接、节点属性，然后再利用fALFF、VMHC、fisher-Z变换、双样本t检验来研究大脑的对称性变化。
本发明中的静息态大脑功能对称性分析方法包括以下实现步骤：
步骤1、获取一组健康的被试者静息态下的核磁共振脑图像和一组患有孤独症的被试者的核磁共振脑图像；
步骤2、对采集到的各个核磁共振脑图像进行预处理；
步骤3、采用标准化分区模板将大脑功能核磁共振图像划为相应数量的大脑区域，选取默认模式脑区，并将每个脑区定义为一个节点，脑区与脑区之间的联系定义为连接节点的边，各个节点通过边相互连接构成默认模式网络；
步骤4、对大脑功能核磁共振图像提取fALFF值，所述fALFF值根据低频信号的功率谱与整个频率范围的功率谱之比来计算；
步骤5、对提取fALFF值之后的图像数据进行滤波；
步骤6、将滤波之后的静息态图像匹配到左右空间的对称模板上，然后提取VMHC值；
步骤7、对两组被试者的fALFF值做双样本T检验，进行差异性分析；
步骤8、用BrainNet软件进行数据的三维可视化展示，分析数据p值，t值及VMHC值。
实施例：
本实施例中使用的核磁共振脑图像数据集由美国约翰霍普金斯大学肯尼迪·克里格研究所神经发育和成像研究中心主持采集，扫描仪为飞利浦3T扫描仪，每位被试都只采集了一个Session的数据，包括结构图像和静息态功能像。在211例被试者中，孤独症患者56例，正常对照组155例。
首先，需要使用DPARSF软件对原始图像数据进行预处理，预处理流程如图1所示：
(1)去除功能图像前N个时间点的数据：一方面，扫描仪刚开始运行，还未达到稳定状态；另一方面，被试在开始阶段也没有完全放松下来。因此需要去除最初的若干个时间点的数据，本文中N取10。
(2)时间校正(Slice Timing)：一般地，如果扫描仪直接进行逐层扫描，那么当前层的扫描结果必然受到上一层扫描时的电磁信号的干扰。因此，扫描仪一般使用隔层扫描的策略，即扫描顺序为“1，3，5，……，2，4，6，……”。这时，第2K-1层和2K层的数据采集时间间隔实际会相差约N/2个时间点(N为总时间点数)，这样采集出来的图像不具有时间一致性，一般通过回归方法去掉这些偏差。
(3)头动校正(Realign)：在图像扫描过程中，无法保证被试处于完全静止的状态，因此要在预处理中去除头动的干扰。在计算出被试的头动大小之后，本文手动去除了ASD被试中平动大于3mm和转动大于3°的数据，以及HC被试中平动大于2mm和转动大于2°的数据，一共剩下30个ASD被试和79个HC被试。在后续分析中，会将剩余的每个被试的头动向量FD_Jenkinson[31]的均值作为协变量回归掉，以进一步消除头动的影响。
(4)配准(Coregister)：由于功能像无法直接进行空间标准化，因此要首先将每个被试的结构像与该被试的所有时间点上的功能像的均值图像进行配对，然后将结构像标准化过程中的参数应用到其配对的功能像上，以完成功能像的空间标准化。
(5)分割(Segment)：对配准之后的结构像，按照大脑结构中的灰质、白质、脑脊液进行分割，然后将其标准化到MNI空间，得到标准化过程中的变换矩阵。
(6)空间标准化(Normalise)：由于每个被试的头骨大小受遗传因素、发育程度等影响存在个体差异，导致图像中的大脑体积等并不完全相同，因此要把所有图像数据都标准化到同一个三维空间上，才能进行比较研究，而这个空间被称为标准空间。本文中将所有被试图像都标准化到MNI空间。
(7)平滑(Smooth)：在图像数据采集过程中，一般会受到一些外在因素的影响，导致某些时刻的数据异常增大或减小。这时为了提高图像的信噪比，一般会做平滑处理。例如对于异常点，将其平滑为若干个相邻时刻的数据的均值即可。
(8)去趋势(Detrend)：机器运行一段时间后会因为发热，导致图像出现一些线性漂移，此时需要回归掉这些偏差。
(9)滤波(Filter)：在提取了fALFF信号之后可进行滤波操作，主要是为了去除呼吸和心跳等高频噪声的干扰。本研究中过滤掉0.01～0.1Hz频段以外的数据。
在上述预处理后的核磁共振脑图像的基础上，本实施例将完成以下研究：
一、大脑功能网络的构建：
大脑功能图像的原图像是一组4D图像，本发明使用DPARSF软件对大脑功能图像进行预处理之后得到拥有146个时间点的4D图像。对于每个被试者，通过采用标准化分区模板将大脑功能核磁共振图像划为相应数量的大脑区域，选取默认模式脑区，并将每个脑区定义为一个节点，脑区与脑区之间的联系定义为连接节点的边，各个节点通过边相互连接构成默认模式的脑功能网络；其中，“脑区与脑区之间的联系”可以通过计算脑区的信号序列之间的皮尔逊相关系数的绝对值来计算：
本发明会提取每个脑区对应的146个时间点的信号序列，并以信号序列之间的皮尔逊相关系数的绝对值作为功能网络中脑区之间的连接强度，具体由下式计算：
其中，wij即为脑区i，j之间的功能连接强度，ti为脑区i的信号序列，n为146。
二、大脑功能网络分析：
本文选取了0.04～0.42，步长为0.02的密度阈值区间，一共20个密度阈值，考察在不同密度阈值下0-1功能网络的网络属性差异。
经过计算，我们发现孤独症组功能网络聚类系数在所有密度下均小于正常对照组，如图2所示，不过随着图密度的增加，两组之间的差异越来越小。而在特征路径长度上，如图3所示，两组之间几乎没有差异。根据小世界属性的定义可知，病人功能网络的小世界属性也会弱于正常组，这在图4中也可以看出。说明，孤独症患者大脑功能网络的小世界属性出现了小幅的退化，而根据聚类系数变小，特征路径长度几乎不变，可以看出其有向随机网络发展的趋势。
在全局效率上，如图5所示，孤独症组功能网络的效率在密度较大时(0.16～0.42)优于正常人；而在局部效率上，如图6所示，存在同样的情况，说明孤独症患者功能网络虽有异常，但仍然能维持正常工作，甚至有更高的效率。
由复杂网络相关理论我们知道，规则网络同步性较差，而规则网络在向随机网络演化的过程中，随着重连概率(Rewiring probability p)的增大，网络的同步能力也在增强。在小世界网络中，节点间的平均距离(即特征路径长度)越小，网络的同步能力就越好。另外，对于同一个p来说，规模越大的小世界网络同步能力越强。通过对比两组被试大脑功能网络的同步性，如图7所示，可以看出正常人组网络同步性略优于孤独症患者组。而本文之前的分析已提到两组被试的特征路径长度并无显著差异，且两组被试在同一网络密度下，规模是一致的(节点数、边数均相同)，因此可以得出本文中孤独症患者组的功能网络相较于正常人其更接近规则网络，患者脑部存在发育迟缓问题。
在各种网络设计中常使用层次结构模型，一方面，可以将需要处理的复杂问题分解为若干个比较简单的、耦合小的部分交给下一层分别进行处理，提高处理效率；另一方面，层与层之间的独立性强，结构清晰，易于管理和维护。在复杂网络中，层次化也是非常重要的性质，对于层次清晰的网络，其网络效率和稳定性都很好。通过对比两组被试大脑功能网络的层次化程度上，如图8所示，可以看出正常人组略优于孤独症患者组。另外层次化和模块化也是紧密联系的，由之前分析，正常人结构网络的模块化程度也略高于孤独症患者，这是很合理的。
三、静息态大脑信号分析：
研究表明，人类大脑在处于静息态时所消耗的能量占据了大脑总能耗的绝大部分，而且相比静息态，任务态增加的能量消耗通常不超过5％。另外，大脑内部自发的神经活动所消耗的能量占大脑总能耗60％以上。由此可见，静息态在人脑功能研究中占据着重要地位。
本部分将通过计算两组被试静息态下大脑低频振幅比率(Fractional Amplitudeof Low-Frequency Fluctuation,fALFF)和体素的局部一致性(Regional Homogeneity,ReHo)来挖掘组间差异，寻找信号异常的脑区。下面对这两种信号作简要介绍。
fALFF在2008年由邹等基于ALFF(低频振幅)的缺陷进行改进而提出的。我们知道ALFF表征了静息态大脑所有低频信号的活动总强度，但是这当中包含了包括脑室位置在内的许多不具备生理意义的噪声，而fALFF则只考虑某个频段内振幅总值所占整个频段总振幅的比率。例如，在全频段上振幅总和为SA1，而0.01～0.08Hz频段内振幅总和为SA2，则SA2与SA1之比即为fALFF。fALFF去除了其他频段噪声的干扰，大大提高了信号检测的特异性和灵敏度。
ReHo在2004年由Zang等提出，主要用来分析大脑处于静息态下，每个体素和周围体素自发活动的一致性。具体到本文的实验中，对于每个被试的大脑功能图像，我们在预处理之后可以得到一个含有146个时间点的4D数据。之后我们可以提取到每个体素的活动序列，长度为146，然后我们就可以计算某个体素和周围体素的一致性。关于周围体素的定义，一般有3种选择：6，18，26。以27个边长为1的正方体堆成边长为3的大正方体为例：设待研究的体素在正中心，则周围6个体素即正方体6个面中心的小正方体，周围18个体素即正方体6个面中心和12个棱中心上的小正方体，周围26个体素即除它之外的所有小正方体。本文实验中使用26个周围体素。关于一致性的度量，ReHo使用的是信号序列之间的肯德尔相关系数来计算，其值越大表示该体素与周围体素的信号活动相似度越高。关于肯德尔相关系数，这里不做赘述。
本文首先使用DPARSF软件提取了每个被试在每个脑区(AAL90模板)上的fALFF值，并做了Fisher-z变换和平滑(smooth)操作。Fisher-z变换是为了使fALFF值服从正态分布便于分析，具体公式如下：
其中，μ、σ分别为所有体素fALFF值的均值和标准差。然后对两组被试的fALFF值做双样本T检验，显著性水平设置为0.05，团块中体素个数不少于40个，并使用置换检验法。由于全排列计算量巨大，本部分依然使用随机排列进行置换，次数为1000次。同时，将预处理中得到的平均头动(mean FD_Jenkinson)作为协变量回归掉(Nuisance CovariatesRegression)。
得到双样本T检验的结果，并使用BrainNet软件进行三维可视化，具体的t值、p值(未校正)见表1：
表1：两组被试fALFF值双样本T检验结果(p值未校正)
| 脑区(ASD>HC) | t值 | p值 | 脑区(ASD<HC) | t值 | p值 |
| 左侧中央后回 | 3.2584 | 0.00150 | 左侧额中回 | -2.1297 | 0.03549 |
| 左侧顶上回 | 3.4122 | 0.00091 | 左侧三角部额下回 | -2.0966 | 0.03839 |
| 左侧顶下缘角回 | 2.8162 | 0.00579 | 左侧颞中回 | -2.7802 | 0.00642 |
| 左侧中央前回 | 2.2248 | 0.02819 | 右侧缘上回 | -3.1061 | 0.00243 |
| 右侧中央后回 | 3.0933 | 0.00253 | 右侧三角部额下回 | -3.0536 | 0.00285 |
| 右侧颞中回 | 2.2593 | 0.02589 | 右侧额中回 | -2.9797 | 0.00357 |
| 左侧楔前叶 | 2.0089 | 0.04707 | 左侧内侧和旁扣带脑回 | -3.3175 | 0.00124 |
| 左侧补充运动区 | 2.3163 | 0.02245 | 右侧内侧和旁扣带脑回 | -2.2632 | 0.02564 |
| 左侧中央旁小叶 | 2.1268 | 0.03574 | |||
| 右侧补充运动区 | 4.0441 | 0.00010 | |||
| 右侧中央旁小叶 | 3.2736 | 0.00143 | |||
| 右侧楔前叶 | 2.3019 | 0.02328 |
由表1可知，fALFF值异常增高的脑区有中央后回、补充运动区、中央旁小叶、顶下缘角回等脑区；异常降低的脑区有额中回、三角部额下回、内侧和旁扣带脑回等脑区。
对于ReHo的处理步骤基本同上，具体的t值、p值(未校正)见表2：
表2：两组被试ReHo值双样本T检验结果(p值未校正)
由表2可知，ReHo值异常增高的脑区有中央后回、顶上回、中央前回、海马旁回等脑区；异常降低的脑区有额中回、脑岛等脑区。顶下缘角回是视觉性语言中枢，其fALFF信号增强说明孤独症患者视觉性语言能力强于常人。额下回的fALFF信号减弱暗示患者短期记忆能力和做出决定的能力出现退化。海马旁回是海马区发挥功能的重要结构，它的ReHo信号增强说明孤独症患者的记忆力较常人更突出。
中央旁小叶和补充运动区与人类身体运动机能密切相关，此处的fALFF信号和ReHo信号均出现增强说明孤独症患者在运动机能方面有异常增强或退化。中央后回和顶上回的fALFF信号和ReHo信号均增强说明孤独症患者感觉器官更灵敏。额中回的fALFF信号和ReHo信号均出现减弱暗示患者短期记忆能力和做出决定的能力出现退化。
四、静息态大脑功能对称性分析：
人类大脑从空间上被分为左右半球，在几何上基本是对称的，但是在实际功能上却不是对称的，即处理信息方面存在明显的分工。研究显示，大脑左半球会主要负责处理和语言方面相关的信息，擅长分析特定事物，而右半球则主要处理视觉信号和听觉信号等，负责各种信号的整合。若患者大脑某些脑区的功能对称性出现提高，则可认为该区域出现了异常。关于对称性的度量，本文使用VMHC(Voxel-mirrored homotopic connectivity)来计算。具体计算方法仍然是计算空间对称的体素的信号序列之间的皮尔逊相关系数。
在完成fALFF值提取之后，通过滤波只保留了0.01～0.1Hz频段上的数据。之后将静息态图像配到一个左右空间对称的模板上，以减少被试大脑左右半球几何差异带来的影响，并做了平滑，之后便可以提取VMHC值。在得到VMHC值之后并做了Fisher-z变换和平滑操作。然后做双样本T检验，步骤和参数设置同上述fALFF的处理过程。此处也加入了被试头动参数作为协变量回归掉。最后得到双样本T检验的结果，并使用BrainNet软件进行三维可视化，具体的t值、p值(未校正)见表3。
表3：两组被试VMHC值双样本T检验结果(p值未校正)
由表3可知，VMHC值异常增高的脑区有中央旁小叶、补充运动区等脑区；异常降低的脑区有额中回、颞中回、距状裂周围皮层等脑区。其中中央旁小叶和补充运动区和人类身体运动机能密切相关，VMHC值出现异常增高说明相关功能出现异常。距状裂周围皮层的VMHC值出现异常说明病人组视觉信息加工能力异常(突出或退化)。
此外，本文中还对比了几组不同年龄段的正常人的大脑功能的对称性，获得的三组正常人被试VMHC值对比曲线如图9所示，其中HC0数据，年龄为8-13岁，共50例；HC1，年龄为18-23岁，共20例；HC2，年龄为27-40岁，共16例。由图2可以知道，大部分脑区的功能对称性在27岁之后均出现下降，这说明大脑左右半球的分工更明确，整体的信息处理能力更强大。
Claims (4)
1.静息态大脑功能对称性分析方法，其特征在于，包括以下步骤：
步骤1、获取一组健康的被试者静息态下的核磁共振脑图像和一组患有孤独症的被试者的核磁共振脑图像；
步骤2、对采集到的各个核磁共振脑图像进行预处理；
步骤3、采用标准化分区模板将大脑功能核磁共振图像划为相应数量的大脑区域，选取默认模式脑区，并将每个脑区定义为一个节点，脑区与脑区之间的联系定义为连接节点的边，各个节点通过边相互连接构成默认模式网络；
步骤4、对大脑功能核磁共振图像提取fALFF值，所述fALFF值根据低频信号的功率谱与整个频率范围的功率谱之比来计算；
步骤5、对提取fALFF值之后的图像数据进行滤波；
步骤6、将滤波之后的静息态图像匹配到左右空间的对称模板上，然后提取VMHC值；
步骤7、对两组被试者的fALFF值做双样本T检验，进行差异性分析；
步骤8、用BrainNet软件进行数据的三维可视化展示，分析数据p值，t值及VMHC值。
2.如权利要求1所述的静息态大脑功能对称性分析方法，其特征在于，
步骤2中，所述预处理包括以下步骤：
(1)去除脑功能图像的前N个时间点的数据；
(2)时间校正处理：对采集图像的时间一致性进行校正；
(3)头动校正处理：通过采集图像中的头动大小超过阈值的图像数据进行剔除；
(4)配准处理：将每个被试者的脑结构图像与该被试的所有时间点上的脑功能图像的均值图像进行配对；
(5)分割处理：对配准之后的结构像，按照大脑结构中的灰质、白质、脑脊液进行分割；
(6)空间标准化处理：将图像数据标准化到MNI空间；
(7)平滑处理：对异常点平滑为若干个相邻时刻的数据的均值；
(8)去趋势处理：通过回归算法机器去除图像的线性漂移；
(9)滤波处理：对图像进行滤波，过滤掉0.01～0.1Hz频段以外的数据。
3.如权利要求1所述的静息态大脑功能对称性分析方法，其特征在于，
步骤6具体包括：
通过计算一个体素与大脑对称半球相应体素时间序列之间的Pearson相关系数，再经Fisher-Z变换转换相关值，逐一计算出每对对称体素时间序列的相关性，在得到每个被试全脑的VMHC图，进行均值标准化，提取VMHC值：
Pearson相关系数：
其中，ρ是皮尔森系数，
是时间序列x和y的均值；
Fisher-Z变换：
其中，r为相关系数；
VMHC:
其中，v1，v2为空间对称的两个体素，t1，t2为对应体素的信号序列。
4.如权利要求1所述的静息态大脑功能对称性分析方法，其特征在于，
步骤7中，双样本T检验具体包括：
当方差未知但相等的情况下，t统计量的计算公式为：
其中，
对于该检验问题，给定显著性水平α，检验的拒绝域为W＝(|t|≥t1-α/2(n1+n2-2))，如果t值落在拒绝域内，则拒绝原假设，则说明两样本均值具有显著差异，两个样本来自不同的总体；否则，认为两个样本来自同一总体，总体均值无显著差别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910748947.3A CN110458832B (zh) | 2019-08-14 | 2019-08-14 | 静息态大脑功能对称性分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910748947.3A CN110458832B (zh) | 2019-08-14 | 2019-08-14 | 静息态大脑功能对称性分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110458832A CN110458832A (zh) | 2019-11-15 |
| CN110458832B true CN110458832B (zh) | 2022-12-27 |
Family
ID=68486458
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910748947.3A Active CN110458832B (zh) | 2019-08-14 | 2019-08-14 | 静息态大脑功能对称性分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110458832B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340821B (zh) * | 2020-02-20 | 2020-12-08 | 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 |
| 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 |
| CN115546124B (zh) * | 2022-09-21 | 2023-04-18 | 电子科技大学 | 联合ica和功能梯度的小脑-大脑运动功能整合方法 |
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 |
| 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 |
| CN106485039A (zh) * | 2015-08-24 | 2017-03-08 | 复旦大学附属华山医院 | 一种汉语脑语言区分布图的构建方法 |
| CN107316292A (zh) * | 2017-06-22 | 2017-11-03 | 电子科技大学 | 一种基于结构协变计算大脑形态学对称性的方法 |
-
2019
- 2019-08-14 CN CN201910748947.3A patent/CN110458832B/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 |
| CN106485039A (zh) * | 2015-08-24 | 2017-03-08 | 复旦大学附属华山医院 | 一种汉语脑语言区分布图的构建方法 |
| 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 |
| CN107316292A (zh) * | 2017-06-22 | 2017-11-03 | 电子科技大学 | 一种基于结构协变计算大脑形态学对称性的方法 |
Non-Patent Citations (2)
| Title |
|---|
| "基于静息态脑功能磁共振成像对高原人群脑功能及脑结构改变的研究";沈亚;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20180915(第09期);E060-38 * |
| "男性单双相抑郁障碍静息态脑功能磁共振的差异";韦秋香;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20160815(第08期);E071-52 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110458832A (zh) | 2019-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110458832B (zh) | 静息态大脑功能对称性分析方法 | |
| CN106023194B (zh) | 基于静息态功能连接的杏仁核谱聚类分割方法 | |
| Yeo et al. | The organization of the human cerebral cortex estimated by intrinsic functional connectivity | |
| CN110473635B (zh) | 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 | |
| Varikuti et al. | Resting-state test–retest reliability of a priori defined canonical networks over different preprocessing steps | |
| CN113571195A (zh) | 基于小脑功能连接特征的阿尔茨海默病早期的预测模型 | |
| CN106204562A (zh) | 一种基于fMRI与DTI融合的穹隆白质分割的方法 | |
| CN112396584B (zh) | 基于特征模态与分层模块的脑功能模式特征提取方法 | |
| Suk et al. | Discriminative group sparse representation for mild cognitive impairment classification | |
| CN112741613A (zh) | 一种静息态人脑默认网络功能与结构耦合分析方法 | |
| CN103767707A (zh) | 血样水平依赖性功能磁共振信号震荡频率聚类分析方法 | |
| CN112233086B (zh) | 基于脑区功能连接的fMRI数据分类识别方法及装置 | |
| Fraenz et al. | Interindividual differences in matrix reasoning are linked to functional connectivity between brain regions nominated by Parieto-Frontal Integration Theory | |
| Rohini et al. | Differentiation of early mild cognitive impairment in brainstem MR images using multifractal detrended moving average singularity spectral features | |
| CN114677345A (zh) | 青少年肌阵挛癫痫多脑区共激活模式研究方法 | |
| CN104207775A (zh) | 一种基于互样本熵的肥胖病人功能影像分析方法 | |
| CN111227833B (zh) | 一种基于广义线性模型的机器学习的术前定位方法 | |
| Mendoza et al. | Enhanced automatic segmentation for superficial white matter fiber bundles for probabilistic tractography datasets | |
| Acar et al. | Electrocortical source imaging of intracranial EEG data in epilepsy | |
| Boberek et al. | Segmentation of MRI brain images for automatic detection and precise localization of tumor | |
| Khanna et al. | Identification and Assessment of Pre-processing Techniques for Parkinson's Diagnosis | |
| Ghanbari et al. | On characterizing population commonalities and subject variations in brain networks | |
| Sitaram et al. | Spatial characteristics of spontaneous and stimulus-induced individual functional connectivity networks in severe disorders of consciousness | |
| CN113057620A (zh) | 青少年肌阵挛癫痫患者不同脑区耦合关系的有效连接方法 | |
| Maduskar et al. | Automatic identification of intracranial hemorrhage in non-contrast CT with large slice thickness for trauma cases |
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 |