CN110689029A - 一种确定fMRI脑功能连接网络稀疏度的方法 - Google Patents

一种确定fMRI脑功能连接网络稀疏度的方法 Download PDF

Info

Publication number
CN110689029A
CN110689029A CN201911057906.6A CN201911057906A CN110689029A CN 110689029 A CN110689029 A CN 110689029A CN 201911057906 A CN201911057906 A CN 201911057906A CN 110689029 A CN110689029 A CN 110689029A
Authority
CN
China
Prior art keywords
sparsity
tested
brain function
function connection
nodes
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
CN201911057906.6A
Other languages
English (en)
Other versions
CN110689029B (zh
Inventor
陈俊
张艳
赖丁尧
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.)
China University of Metrology
Original Assignee
China University of Metrology
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 China University of Metrology filed Critical China University of Metrology
Priority to CN201911057906.6A priority Critical patent/CN110689029B/zh
Publication of CN110689029A publication Critical patent/CN110689029A/zh
Application granted granted Critical
Publication of CN110689029B publication Critical patent/CN110689029B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/513—Sparse representations
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种确定fMRI脑功能连接网络稀疏度的方法，包括如下步骤：步骤一，获得fMRI数据；步骤二，数据预处理；步骤三，构建脑网络；步骤四，基于节点介数选出单个被试在各个稀疏度下的核心节点；步骤五，基于步骤四得到该被试的全稀疏度核心节点；步骤六，计算该被试在各个稀疏度下的核心节点与全稀疏度核心节点的重复率；步骤七，对所有被试重复步骤三至步骤六，计算所有被试在各个稀疏度下的平均重复率，其值最大时对应的稀疏度视为该组被试的最佳稀疏度。本发明基于节点介数，得到所有稀疏度下的平均重复率，量化了在不同稀疏度下建立的脑功能连接网络之间的差异，在常用的稀疏度范围之中确定了构建脑功能连接网络的稀疏度。

Description

一种确定fMRI脑功能连接网络稀疏度的方法
技术领域
本发明属于生物医学图像模式识别技术领域，特别涉及一种确定fMRI脑功能连接网络稀疏度的方法。
背景技术
人脑是一个极其复杂的网络系统，人脑中存在着大量的神经元细胞，这些神经元细胞通过突触相互联系。功能磁共振成像(functional magnetic resonance imaging,fMRI)技术通过检测血氧水平依赖(BOLD)信号来反映大脑中神经元细胞的生理活动。随着分析研究fMRI的方法手段增多，人们发现大脑可以被视为具有拓扑结构性质的网络系统，于是图论就成了分析大脑网络的主要数学工具之一。构建静息态大脑功能连接网络成了脑网络分析的必经之路。虽然在静息态大脑功能连接网络分析上得到了很大的进步，但脑功能连接网络的建立还存在一些问题。在建立大脑功能连接网络时，通过计算不同脑区之间的相关系数，得到相关系数矩阵，将相关系数矩阵转变为脑功能连接矩阵需要设定连接矩阵稀疏度，稀疏度越小，连接图越稀疏；反之，连接图越密集。为了使构建的脑功能连接网络满足平均度合理以及构建的大脑网络节点间完整连接的条件，设定稀疏度时，范围通常取0.1-0.5，但是不同的稀疏度仍会对静息态脑功能连接网络的相关分析造成不同程度的影响。因此如何进一步确定构建脑功能连接网络的稀疏度，就成了一个亟待解决的问题。
发明内容
针对现有的技术不足，本发明提出一种确定fMRI脑功能连接网络稀疏度的方法，旨在利用节点介数，筛选出所有被试在各个稀疏度下的核心节点，与其在稀疏度0.1-0.5(步长为0.01)选出的全稀疏度核心节点对比，得到所有被试在各个稀疏度下的核心节点重复率，进而计算各个稀疏度下所有被试的平均重复率并确定最佳的稀疏度，为进一步确定脑功能连接网络的稀疏度提供了解决方法，使得构建的脑功能连接网络具有更好的稳定性。
一种确定fMRI脑功能网络稀疏度的方法，具体步骤如下：
步骤一，利用磁共振扫描仪记录人脑静息态过程中的血氧水平依赖信号，获得fMRI数据；
步骤二，对fMRI数据进行预处理；
步骤三，在稀疏度0.1-0.5(步长为0.01)建立单个被试的脑功能连接网络；
步骤四，计算该被试在各个稀疏度下脑功能连接网络中所有节点的介数，并从大到小排列，取出排列靠前的N个节点，作为该被试在该稀疏度下的核心节点；
步骤五，统计步骤四中该被试在所有稀疏度下各节点作为核心节点出现的频数，进行排序，得到出现频数最大的前N个节点，作为该被试的全稀疏度核心节点；
步骤六，计算该被试在各个稀疏度下的核心节点与全稀疏度核心节点的重复率；
步骤七，对所有被试重复步骤三至步骤六，计算所有被试在各个稀疏度下的平均重复率，平均重复率最大的视为该组被试构建脑功能连接网络的最佳稀疏度。
进一步地，如上所述的确定fMRI脑功能连接网络稀疏度的方法，步骤四中核心节点依靠被试在该稀疏度下建立的脑功能连接网络中各节点的介数从大到小排序得到。
进一步地，如上所述的确定fMRI脑功能连接网络稀疏度的方法，步骤五中全稀疏度核心节点依靠统计被试在所有稀疏度下各节点作为核心节点出现的频数确定。
进一步地，如上所述的确定fMRI脑功能连接网络稀疏度的方法，当有多组被试时通过组间比较综合考虑选择最佳的稀疏度。
进一步地，如上所述的确定fMRI脑功能连接网络稀疏度的方法，所述核心节点数N可以灵活选择。
本发明有益效果：
第一，本发明提出了一种确定fMRI脑功能连接网络稀疏度的方法，利用节点介数筛选出所有被试在各个稀疏度下的核心节点，与全稀疏度核心节点对比，得到所有被试在各个稀疏度下的重复率，并计算所有被试在各个稀疏度下的平均重复率，量化了不同稀疏度下建立的脑功能连接网络之间的差异。
第二，本发明提出了进一步确定fMRI脑功能连接网络稀疏度的方法，简化了构建脑功能连接网络时选择稀疏度的流程，为大脑功能连接网络相关研究提供了支持。
附图说明
图1为本发明一种确定fMRI脑功能连接网络稀疏度方法的流程图。
图2为该组被试的平均重复率与稀疏度关系的曲线图。
图3为该组某被试在最佳稀疏度下的二值化功能连接矩阵和大脑功能网络可视图。
具体实施方式
下面结合附图对本发明做出详细地说明：
本发明提出一种确定fMRI脑功能连接网络稀疏度的方法，属于生物医学图像模式识别技术领域，该方法包括：利用经过预处理的功能磁共振(fMRI)数据，在稀疏度为0.1-0.5(步长为0.01)构建大脑功能网络，根据节点介数筛选出所有被试在各个稀疏度下的核心节点，与其全稀疏度核心节点对比，得到所有被试在各个稀疏度下的重复率，并计算所有被试在各个稀疏度下的平均重复率，反映了构建的脑功能连接网络核心节点随着稀疏度的变化，量化了不同稀疏度下建立的脑功能连接网络之间的差异。
参照图1，一种确定fMRI脑功能连接网络稀疏度的方法，包括以下步骤：
步骤一，利用磁共振扫描仪记录人脑静息态过程中的血氧水平依赖信号，获得正常被试共计19人的原始fMRI数据；
步骤二，对该组正常被试共计19人的原始fMRI数据进行预处理，其主要操作包括：格式转换，将原始数据的格式从DIM的格式转变为NIFTI(*.hdr和*.img)格式；删除前20个时间点；以第32层为参考层进行时间层校正；头动校正，依据平动不超过3毫米，转动不超过3°的标准筛查被试数据；图像空间标准化，依照EPI模板将数据标准化到MNI(蒙特利尔神经学研究所)人脑标准空间；图像平滑处理，采用4平滑核的半高全宽(FWHM)的高斯函数；去除线性漂移；带通滤波，以0.01-0.08赫兹的频段进行带通滤波；去除协变量，包括头动参数，脑白质信号以及脑脊液信号；提取脑区的时间序列，采用用解剖学自动标记模板(AAL)；从而得到预处理好的数据。
具体地，功能磁共振的采集信号，血氧水平依赖(BOLD)信号十分复杂，不仅包含需要采集的信息，还混进了其他的噪声，所以对原始数据进行预处理操作是十分必要的。删除前20个时间点是因为磁共振设备在启动时的信号不平稳；时间层校正，将不同时间段扫描得到的数据校正，得到顺序正确的大脑图像；头动校正可以剔除不合理的原始数据；图像空间标准化是为了消除个体大脑结构差异，将所有个体的大脑都标准化到相同的空间模板上去；图像平滑处理可以提高图像的信噪比；去除线性漂移是为了消除磁共振设备温度上升造成的线性趋势；带通滤波是为了消除来自设备的低频漂移和来自生理噪声的高频影响，且大脑活动信号的频段主要集中在0.01-0.08Hz频段上；去除协变量主要是为了去除生理信号噪声的影响。
步骤三，对经过步骤二的单个被试的90个脑区时间序列，计算所有脑区两两之间的皮尔逊相关系数，得到90*90的相关系数矩阵，为了增加相关性矩阵的正态性，对相关系数矩阵进行Fisher r to z变换，得到标准化的相关系数矩阵，在稀疏度0.1-0.5(步长为0.01)的情况下，将标准化相关系数矩阵二值化，得到所有稀疏度下该被试的功能连接矩阵；皮尔逊相关系数衡量两个变量之间的相关性，其中以两个脑区为例，皮尔逊相关系数计算如下式：
Figure BDA0002257020210000041
其中，r为两个脑区BOLD-fMRI信号之间的相关系数，x、y为任意两个脑区的时间序列，分别为对应时间序列的均值，xi、yi分别表示在第i个时间点两个脑区的信号值；以此，计算所有脑区两两之间的相关系数，从而得到一个90*90的相关系数矩阵；
步骤四，计算该被试在各个稀疏度下脑功能连接网络中所有节点的介数，并从大到小排列，取出排列靠前的20个节点，作为该被试在该稀疏度下的核心节点；节点介数反映了相应的节点在整个网络中的作用和影响力，节点介数的计算如下式：
其中σst表示的是节点s和节点t之间的最短路径的数量，σst(v)表示的是最短路径中经过节点的数量；
步骤五，统计步骤四中该被试在所有稀疏度下各节点作为核心节点出现的频数，进行排序，得到出现频数最大的前20个节点，作为该被试的全稀疏度核心节点；
步骤六，计算该被试在各个稀疏度下的核心节点与全稀疏度核心节点的重复率；重复率反映了该稀疏度下的核心节点与全稀疏度核心节点之间的差异，计算如下式：
Figure BDA0002257020210000051
其中α表示相同的核心节点个数，N表示设定的核心节点个数；
步骤七，对所有被试重复步骤三至步骤六，计算19个被试在各个稀疏度下的平均重复率，其值最大时对应的稀疏度视为该组被试构建脑功能连接网络的最佳稀疏度，由图2得该组被试的最佳稀疏度为0.3，图3为该组某被试在稀疏度为0.3时的二值化功能连接矩阵和大脑功能网络可视图。
本发明提出的平均重复率，量化了不同稀疏度下建立的脑功能连接网络之间的差异。该方法，简化了构建脑功能连接网络时选择稀疏度的流程，为进一步研究大脑功能连接网络相关研究提供了支持。上述实例仅用于说明本发明，其中技术方案和特征都是可以有所变化的，凡是在本发明技术基础上进行的等同变换和改进，均不应该排除在本发明的保护范围之外。

Claims (5)

1.一种确定fMRI脑功能连接网络稀疏度的方法，其特征在于，包括如下步骤：
步骤一，利用磁共振扫描仪记录人脑静息态过程中的血氧水平依赖信号，获得fMRI数据；
步骤二，对fMRI数据进行预处理；
步骤三，在稀疏度0.1-0.5(步长为0.01)建立单个被试的脑功能连接网络；
步骤四，计算该被试在各个稀疏度下脑功能连接网络中所有节点的介数，并从大到小排列，取出排列靠前的N个节点，作为该被试在该稀疏度下的核心节点；
步骤五，统计步骤四中该被试在所有稀疏度下各节点作为核心节点出现的频数，进行排序，得到出现频数最大的前N个节点，作为该被试的全稀疏度核心节点；
步骤六，计算该被试在各个稀疏度下的核心节点与全稀疏度核心节点的重复率；
步骤七，对所有被试重复步骤三至步骤六，计算所有被试在各个稀疏度下的平均重复率，其值最大时对应的稀疏度视为该组被试构建脑功能连接网络的最佳稀疏度。
2.根据权利要求1所述的一种确定fMRI脑功能连接网络稀疏度的方法，步骤四中核心节点依靠被试在该稀疏度下建立的脑功能连接网络中各节点的介数从大到小排序得到。
3.根据权利要求1所述的一种确定fMRI脑功能连接网络稀疏度的方法，其特征在于，步骤五中全稀疏度核心节点依靠统计被试在所有稀疏度下各节点作为核心节点出现的频数确定。
4.根据权利要求1所述的一种确定fMRI脑功能连接网络稀疏度的方法，其特征在于，当有多组被试时通过组间比较综合考虑选择最佳的稀疏度。
5.根据权利要求1所述的一种确定fMRI脑功能连接网络稀疏度的方法，其特征在于，所述核心节点个数N可以灵活选择。
CN201911057906.6A 2019-11-01 2019-11-01 一种确定fMRI脑功能连接网络稀疏度的方法 Active CN110689029B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911057906.6A CN110689029B (zh) 2019-11-01 2019-11-01 一种确定fMRI脑功能连接网络稀疏度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911057906.6A CN110689029B (zh) 2019-11-01 2019-11-01 一种确定fMRI脑功能连接网络稀疏度的方法

Publications (2)

Publication Number Publication Date
CN110689029A true CN110689029A (zh) 2020-01-14
CN110689029B CN110689029B (zh) 2023-03-24

Family

ID=69115257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911057906.6A Active CN110689029B (zh) 2019-11-01 2019-11-01 一种确定fMRI脑功能连接网络稀疏度的方法

Country Status (1)

Country Link
CN (1) CN110689029B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111785379A (zh) * 2020-06-22 2020-10-16 深圳大学 脑功能连接预测方法、装置、计算机设备及存储介质
CN112068056A (zh) * 2020-09-14 2020-12-11 中国计量大学 一种确定fmri动态脑功能时间窗口的方法
CN116564484A (zh) * 2023-05-16 2023-08-08 天津大学 一种基于网络稀疏度阈值选择的脑功能网络构建方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2013097118A1 (zh) * 2011-12-28 2013-07-04 中国科学院自动化研究所 对脑功能磁共振数据进行处理的方法
CN106798558A (zh) * 2017-02-19 2017-06-06 郑州轻工业学院 基于主成分分析的关键脑区的度量方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013097118A1 (zh) * 2011-12-28 2013-07-04 中国科学院自动化研究所 对脑功能磁共振数据进行处理的方法
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
CN106798558A (zh) * 2017-02-19 2017-06-06 郑州轻工业学院 基于主成分分析的关键脑区的度量方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111785379A (zh) * 2020-06-22 2020-10-16 深圳大学 脑功能连接预测方法、装置、计算机设备及存储介质
CN111785379B (zh) * 2020-06-22 2023-12-26 深圳大学 脑功能连接预测方法、装置、计算机设备及存储介质
CN112068056A (zh) * 2020-09-14 2020-12-11 中国计量大学 一种确定fmri动态脑功能时间窗口的方法
CN112068056B (zh) * 2020-09-14 2023-03-10 中国计量大学 一种确定fmri动态脑功能时间窗口的方法
CN116564484A (zh) * 2023-05-16 2023-08-08 天津大学 一种基于网络稀疏度阈值选择的脑功能网络构建方法

Also Published As

Publication number Publication date
CN110689029B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN110689029B (zh) 一种确定fMRI脑功能连接网络稀疏度的方法
CN109522894B (zh) 一种探测fMRI脑网络动态协变的方法
CN113616184B (zh) 基于多模态磁共振图像的脑网络建模与个体预测方法
CN110491501B (zh) 一种青少年孤独症大脑功能网络模型分析方法
CN111127441A (zh) 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统
CN112068056B (zh) 一种确定fmri动态脑功能时间窗口的方法
CN109730678A (zh) 一种多层大脑功能网络模块划分方法
CN108447546A (zh) 基于加权网络的大脑功能连接模块划分方法
CN111523617B (zh) 基于白质融合特征图和残差注意力网络的癫痫检测系统
CN116433590A (zh) 基于功能磁共振图像的精神障碍群体全脑功能分析方法及系统
CN112634214A (zh) 一种结合节点属性与多层次拓扑的脑网络分类方法
CN107832656B (zh) 一种基于动态功能脑网络的大脑功能状态信息处理方法
CN110718301B (zh) 基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法
CN115281685A (zh) 基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质
CN115969369A (zh) 一种大脑任务负荷识别方法、应用及设备
CN111803028A (zh) 一种基于网络参数迁移的个性化癫痫发作检测装置
CN108596879B (zh) 一种基于希尔伯特黄变换的fMRI时频域动态网络构建方法
CN113143247A (zh) 一种大脑功能超网络的构建方法
CN116977708B (zh) 一种基于自适应聚合可视图的轴承智能诊断方法及系统
Yadav Bayesian deep learning based convolutional neural network for classification of Parkinson’s disease using functional magnetic resonance images
CN112515653A (zh) 一种基于核磁共振图像的脑网络构建方法
Yang et al. Joint hub identification for brain networks by multivariate graph inference
CN113378898B (zh) 基于相对熵损失函数卷积神经网络的脑龄预测方法
CN114723937A (zh) 一种基于核磁共振影像的血管周围间隙分类方法及系统
CN115985488A (zh) 基于动态超网络的脑疾病诊断方法、装置及系统

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