CN110827271A - 基于功能影像数据构建个体辨识力提高的脑功能网络方法 - Google Patents
基于功能影像数据构建个体辨识力提高的脑功能网络方法 Download PDFInfo
- Publication number
- CN110827271A CN110827271A CN201911109008.0A CN201911109008A CN110827271A CN 110827271 A CN110827271 A CN 110827271A CN 201911109008 A CN201911109008 A CN 201911109008A CN 110827271 A CN110827271 A CN 110827271A
- Authority
- CN
- China
- Prior art keywords
- brain
- brain function
- function network
- network
- magnetic resonance
- 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
Images
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
- 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)
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于功能影像数据构建个体辨识力提高的脑功能网络方法,该方法包括提供评估对象大脑静息态和/或任务态下的磁共振成像数据,基于所述磁共振成像数据,构建所述评估对象的第一脑功能网络,在所述第一脑功能网络中,提取脑区与脑区之间的“直接连接”,所述脑区与脑区之间的“直接连接”构成评估对象的各脑区之间的脑功能特征向量,以及基于所述脑功能特征向量,构建所述评估对象的第二脑功能网络,即为个体辨识力提高的脑功能网络。该方法能够从有限的功能磁共振成像数据得到尽可能高个体辨识力的特征或者指标,基于这样的特征或者指标构建“脑纹”来刻画个体的脑功能特征,为精神疾病的诊断和治疗提供有价值的影像标志。
Description
技术领域
本发明涉及神经工程和神经影像领域,特别涉及一种基于功能影像数据构建个体辨识力提高的脑功能网络方法。
背景技术
近年来,国内外的科学家们已经对功能磁共振成像以及基于功能磁共振成像的脑功能网络进行了广泛且深入的研究。过去,研究人员主要在组的层面分析脑功能网络,比如,研究病人组和健康人组的差异。但是,组层面的分析没有考虑到大脑在个体间本质上的结构和功能的差异。最近,一些研究发现个体的大脑组织和该组平均估计值之间存在定量差异。为了更好地了解个体的大脑,研究人员开始考虑个体差异并研究基于功能磁共振成像的个体特征。个性化神经科学的概念涌现,例如,个性化的大脑模板、个性化的脑网络模型和对大脑疾病的个性化医疗。通过研究个体差异,一方面,我们可以加深对个体的大脑活动和大脑行为关系的理解;另一方面,我们可以对患者进行分类,以实现个性化的医疗。
一些研究证明了脑功能网络适合于测量稳定的个体特征。用来研究个体差异的理想特征应该使得个体看起来尽可能不同,同时又保留每个个体的本质特征,即具有较高的个体辨识力。一些研究已经检验了脑功能网络的个体辨识力及其在精神疾病中的应用。最近的研究发现使用36分钟的功能磁共振成像数据,脑功能网络的个体辨识力可以达到90%。然而,这样长度的功能磁共振成像扫描时间是比大多数研究中的功能磁共振成像扫描时间(通常小于10分钟)长的,这可能会限制功能磁共振成像在实际应用中的推广。因此,为了实现使用有限的功能磁共振成像数据得到个体的精确和可靠的脑功能网络的目的,我们非常需要新的成像和分析技术。
通常,基于2个脑区的功能磁共振成像数据代表时间序列计算出的统计相关性被当作这两个脑区之间的功能性脑连接。然而,这样计算出来的脑连接有时不能准确反映这两个脑区之间的关系。比如,脑区1对脑区2无直接作用,但脑区1对脑区3有直接作用,脑区3对脑区2也有直接作用,则通过功能磁共振成像数据计算出来的脑区1和脑区2之间的脑连接可能会比较强,这个比较强的脑连接即为脑区3的介导所产生的,会误导我们认识脑区1和脑区2之间的真实相互作用。此外,对于具有直接连接作用的一对脑区,由于它们和其他脑区的相互作用引起的一些间接影响,统计相关度量可能被高估。
因此,本领域急需一种新的成像和分析技术,能够克服上述缺点,实现从有限的功能磁共振成像数据得到尽可能高个体辨识力的特征或者指标,基于这样的特征或者指标构建“脑纹”来刻画个体的脑功能特征,为精神疾病的诊断和治疗提供有价值的影像标志。
发明内容
本发明的目的在于提供一种基于功能影像数据构建个体辨识力提高的脑功能网络方法,所述方法能够从有限的功能磁共振成像数据得到尽可能高个体辨识力的特征或者指标,基于这样的特征或者指标构建“脑纹”来刻画个体的脑功能特征,为精神疾病的诊断和治疗提供有价值的影像标志。
本发明提供了一种基于功能影像数据构建个体辨识力提高的脑功能网络方法,包括以下步骤:
(a)提供评估对象大脑静息态和/或任务态下的磁共振成像数据;
(b)基于所述磁共振成像数据,构建所述评估对象的第一脑功能网络;
(c)在所述第一脑功能网络中,提取脑区与脑区之间的“直接连接”,所述脑区与脑区之间的“直接连接”构成评估对象的各脑区之间的脑功能特征向量;以及
(d)基于所述脑功能特征向量,构建所述评估对象的第二脑功能网络,即为个体辨识力提高的脑功能网络。
在另一优选例中,所述的磁共振成像数据包括:功能磁共振成像数据和T1加权像数据。
在另一优选例中,在步骤(b)中,提取代表各个脑区神经活动信息的时间序列,得出基于各脑区代表时间序列的脑区之间的功能性连接关系,从而构建出所述评估对象的第一脑功能网络。
在另一优选例中,在步骤(c),所述的提取脑区与脑区之间的“直接连接”,是用选自下组的方法进行:静默法、L1正则化偏向关、L2正则化偏向关、或其组合。
在另一优选例中,所述静默法包括计算局部响应矩阵S,从而获得脑区与脑区之间的“直接连接”。
在另一优选例中,所述的局部响应矩阵S是通过公式Ia或Ib计算出:
S=(G-I+diag(S·G))G-1 (Ia)
S=(G-I+diag((G-I)G))G-1 (Ib)
各式中,
S是局部响应矩阵;
G是全局响应矩阵;
I是单位矩阵;
diag(S·G)表示将S·G的非对角线元素置零。
在另一优选例中,所述的局部响应矩阵S是通过公式Ib计算出。
在另一优选例中,G对应于第一脑功能网络,其中,所述第一脑功能网络的主要特点是用基于时间序列确定的脑区间的功能性连接关系进行表征;
S对应于第二脑功能网络,其中所述第二脑功能网络的主要特点是用脑功能特征向量进行表征。
在另一优选例中,所述第一脑功能网络是用包括以下步骤的方法进行构建:
(f1)将功能磁共振成像数据进行预处理;
(f2)基于大脑分割模板定义感兴趣脑区,提取各个感兴趣脑区的时间序列;和
(f3)基于所述时间序列,构建第一脑功能网络,其中,在所述构建第一脑功能网络中,每个感兴趣脑区定义为一个节点,脑区与脑区之间的联系为连接节点的边,所述连接节点和所述边构成第一脑功能网络。
在另一优选例中,任两节点的连接边的权重为所述两个脑区间代表时间序列的相关性系数或其他统计相关量。
在另一优选例中,在步骤(f2)中,感兴趣脑区的数量为Z1,Z1为≥10的正整数;较佳地,Z1为正整数且10≤Z1≤1500;较佳地Z1为≥200的正整数。
在另一优选例中,所述的第二脑功能网络和第一脑功能网络中的节点是相同的。
在另一优选例中,所述预处理操作选自下组:对齐、配准、空间标准化、空间重采样、空间平滑处理、回归无关变量、时间滤波、头动矫正、或其组合。
在另一优选例中,所述方法还包括步骤:
(e)将所述脑功能特征向量作为评估对象个体辨识力的特征进行个体辨识,用来评估所述评估对象大脑的个性化程度。
在另一优选例中,在步骤(e)中,包括计算第二脑功能网络的个体辨识力和/或计算第一脑功能网络的个体辨识力。
在另一优选例中,计算脑功能网络个体辨识力是用包括以下步骤的方法进行:
(S1)提供M×N个脑功能网络,其中,所述脑功能网络来自M个评估对象的每个评估对象的N次的功能磁共振成像数据;其中M为≥4的正整数,N为≥4的正整数;
(S2)从这M×N个脑功能网络中取出一个脑网络,计算该脑网络和剩下的(M×N-1)个脑网络的相似性并按相似性大小排序,如果相似性最高的(N-1)个脑网络和取出的那一个脑网络属于同一个评估对象,则此次辨识成功,否则此次辨识失败;如此轮流进行多次辨识,计算辨识成功的次数占总辨识次数的比例,即个体辨识力。
在另一优选例中,在步骤(S2)中,共进行M×N次辨识,从而获得针对M×N个脑功能网络的总体的个体辨识力。
在另一优选例中,在步骤(S2)中,针对某一个评估对象P的N个脑功能网络,共进行N次辨识,从而获得针对所述评估对象P的N个脑功能网络的个体辨识力。
在另一优选例中,所述的M×N个脑功能网络中仅包括待计算的第二脑功能网络。
在另一优选例中,所述的M×N个脑功能网络中仅包括待计算的第一脑功能网络。
在另一优选例中,计算脑功能网络个体辨识力的方法选自下组:个体辨识实验法、常用的机器学习分类法、或其组合。
在另一优选例中,所述的基于功能影像数据构建个体辨识力提高的脑功能网络方法是非诊断性和非治疗性的。
在另一优选例中,本申请还提供了一种用于构建脑功能网络的装置,其特征在于,所述装置包括:
(a)输入单元,所述输入单元用于输入评估对象大脑静息态和/或任务态下的磁共振成像数据;
(b)第一脑功能网络构建单元,第一脑功能网络构建单元用于基于所述磁共振成像数据,构建所述评估对象的第一脑功能网络;
(c)脑功能特征向量提取单元,所述脑功能特征向量提取单元用于在所述第一脑功能网络中提取脑区与脑区之间的“直接连接”,所述脑区与脑区之间的“直接连接”构成评估对象的各脑区之间的脑功能特征向量;
(d)第二脑功能网络构建单元,第二脑功能网络构建单元用于基于所述脑功能特征向量,构建所述评估对象的第二脑功能网络,即为个体辨识力提高的脑功能网络;和
(e)输出单元,所述输出单元用于输出所述的第二脑功能网络。
在另一优选例中,所述的用于构建脑功能网络的装置还包括存储单元,用于存储输入的磁共振成像数据、第一脑功能网络的数据、和/或第二脑功能网络的数据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的可替代的实施方式。
图1是根据本发明实施例的基于功能影像数据构建个体辨识力提高的脑功能网络方法流程示意图;
图2是根据本发明实施例的静默法的示意图;
图3是根据本发明实施例的个体辨识示意图。
具体实施方式
本发明人经过广泛而深入的研究,首次提出了一种基于功能影像数据构建个体辨识力提高的脑功能网络方法,所述方法能够从有限的功能磁共振成像数据得到尽可能高个体辨识力的特征或者指标,基于这样的特征或者指标构建“脑纹”来刻画个体的脑功能特征,为精神疾病的诊断和治疗提供有价值的影像标志。
在以下的叙述中,为了使读者更好地理解本申请而提出了许多技术细节。但是,本领域的普通技术人员可以理解,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。
术语
如本文所用,术语“评估对象”、“对象”、“被试者”和“被试”可互换使用。
如本文所用,术语“脑功能网络”和“脑网络”可互换使用。
如本文所用,术语“权重”指的是脑区与脑区之间的两节点的连接边的大小。
大脑分割模板
本文所用的大脑分割模板可以是事先定义好的大脑结构和功能分割模板,比如AAL90模板,该模板是大脑结构分割模板;比如Power264模板,该模板是大脑功能分割模板,也是可以是从数据驱动角度得到的大脑分割模板,比如利用独立成分分析(ICA)得到大脑分割模板。
需要说明的是,在本专利的权利要求和说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本专利的申请文件中,如果提到根据某要素执行某行为,则是指至少根据该要素执行该行为的意思,其中包括了两种情况:仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。
本发明的主要优点
(a)本发明提出的基于功能影像数据构建个体辨识力提高的脑功能网络方法,从有限的功能磁共振成像数据得到尽可能高个体辨识力的特征或者指标。
(b)根据本发明提出的基于功能影像数据构建个体辨识力提高的脑功能网络方法得到的脑功能特征向量或者指标来研究大脑,有助于深入理解大脑活动和认知关系。
(c)本发明提出的基于功能影像数据构建个体辨识力提高的脑功能网络方法得到的脑功能特征向量或者指标,为精神疾病的诊断和治疗提供有价值的影像标志。
本发明提供了一种基于功能影像数据构建个体辨识力提高的脑功能网络方法,该方法包括以下步骤:
(a)首先收集评估对象的磁共振成像数据;
(b)再根据大脑静息态或任务态功能磁共振成像数据,从功能磁共振成像数据中提取代表各个脑区神经活动信息的时间序列,进而基于各脑区代表时间序列计算脑区间的功能性连接,从而构建第一脑功能网络;
(c)然后从所构建的第一脑功能网络中提取脑区与脑区之间的“直接连接”,以及由个体脑区间的“直接连接”构成该个体的脑功能特征向量,
(d)基于所述脑功能特征向量,构建所述评估对象的第二脑功能网络,即为个体辨识力提高的脑功能网络。
优选地,所述方法还可包括步骤(e)并把该脑功能特征向量作为特征进行个体辨识,评估该对象大脑的个性化程度。
优选地,在步骤(e)中,包括计算第二脑功能网络的个体辨识力和/或计算第一脑功能网络的个体辨识力。
优选地,磁共振成像数据包括功能磁共振成像和T1加权像。
优选地,第一脑功能网络构建方法具体为:
(f1)首先对于功能磁共振成像数据进行预处理;典型地,所述处理过程包括对齐、配准、空间标准化、空间重采样、空间平滑处理、回归无关变量、时间滤波等步骤,并根据被试头动大小等因素剔除质量不达标的数据;
(f2)然后再基于大脑分割模板定义感兴趣脑区,提取各个感兴趣脑区的时间序列;
(f3)最后基于所述时间序列,生成第一脑功能网络,在第一脑功能网络中,每个感兴趣脑区表示一个节点,脑区与脑区之间的联系为连接节点的边;任两节点的连接边权重为两脑区间代表时间序列的相关系数或其他统计相关量;脑功能网络是由这些边和节点组成的。
优选地,感兴趣脑区的数量为Z1,Z1为≥10的正整数;较佳地,Z1为正整数且10≤Z1≤1500;较佳地Z1为≥200的正整数。
优选地,第二脑功能网络和第一脑功能网络中的节点是相同的。
优选地,所述静默法包括计算局部响应矩阵S,从而获得脑区与脑区之间的“直接连接”。
优选地,所述的提取脑区与脑区之间的“直接连接”的方法为“静默法”:
S=(G-I+diag(S·G))G-1 (Ia)
其中S是局部响应矩阵;
G是全局响应矩阵;
I是单位矩阵;
diag(S·G)表示将S·G的非对角线元素置零。
假设相关性总是沿着路径减小,且根据定义不能超过1,则diag(S·G)可被近似为diag((G-I)·G)。因此,可以由公式Ib,从G得出S:
S=(G-I+diag((G-I)G))G-1 (Ib)
各式中,
S是局部响应矩阵;
G是全局响应矩阵;
I是单位矩阵;
diag((G-I)G)表示将(G-I)·G的非对角线元素置零。
优选地,G对应于第一脑功能网络,其中,所述第一脑功能网络的主要特点是用基于时间序列确定的脑区间的功能性连接关系进行表征;
S对应于第二脑功能网络,其中所述第二脑功能网络的主要特点是用脑功能特征向量进行表征。
该方法据其从实验观察得到的全局响应矩阵G来估计局部响应矩阵S。该方法具有严格数学物理基础,专门为高维的复杂网络设计,已在线虫的神经连接、模拟网络等数据上展示出辨识网络中的直接连接边和间接连接边的能力。
作为一个典型的复杂网络,本发明首次将该指标应用于神经影像数据分析中,提取脑功能网络中的“直接连接”。需要说明的是,这里给出的“静默法”是一个具体实例,本发明提出的提取“直接连接”的方法包括但不限于“静默法”,还包括L1正则化偏向关、L2正则化偏向关。
优选地,计算脑功能网络个体辨识力是用包括以下步骤的方法进行:
(S1)提供M×N个脑功能网络,其中,所述脑功能网络来自M个评估对象的每个评估对象的N次的功能磁共振成像数据;其中M为≥4的正整数,N为≥4的正整数;
(S2)从这M×N个脑功能网络中取出一个脑网络,计算该脑网络和剩下的(M×N-1)个脑网络的相似性并按相似性大小排序,如果相似性最高的(N-1)个脑网络和取出的那一个脑网络属于同一个评估对象,则此次辨识成功,否则此次辨识失败;如此轮流进行多次辨识,计算辨识成功的次数占总辨识次数的比例,即个体辨识力。
优选地,在步骤(S2)中,共进行M×N次辨识,从而获得针对M×N个脑功能网络的总体的个体辨识力。
优选地,在步骤(S2)中,针对某一个评估对象P的N个脑功能网络,共进行N次辨识,从而获得针对所述评估对象P的N个脑功能网络的个体辨识力。
优选地,所述的M×N个脑功能网络中仅包括待计算的第二脑功能网络。
优选地,所述的M×N个脑功能网络中仅包括待计算的第一脑功能网络。
优选地,计算脑功能网络个体辨识力的方法选自下组:个体辨识实验法、常用的机器学习分类法、或其组合。
本发明还提供了一种用于构建脑功能网络的装置,所述装置包括:
(a)输入单元,所述输入单元用于输入评估对象大脑静息态和/或任务态下的磁共振成像数据;
(b)第一脑功能网络构建单元,第一脑功能网络构建单元用于基于所述磁共振成像数据,构建所述评估对象的第一脑功能网络;
(c)脑功能特征向量提取单元,所述脑功能特征向量提取单元用于在所述第一脑功能网络中提取脑区与脑区之间的“直接连接”,所述脑区与脑区之间的“直接连接”构成评估对象的各脑区之间的脑功能特征向量;
(d)第二脑功能网络构建单元,第二脑功能网络构建单元用于基于所述脑功能特征向量,构建所述评估对象的第二脑功能网络,即为个体辨识力提高的脑功能网络;和
(e)输出单元,所述输出单元用于输出所述的第二脑功能网络。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施例作进一步地详细描述。应该理解,这些仅仅为读者提供本发明可能采取的一些实例,但不旨在限制本发明的范围。
实施例1
图1为本发明一种基于功能影像数据构建个体辨识力提高的脑功能网络方法的步骤流程图。如图1所示,(a)首先收集评估对象的磁共振成像数据(功能磁共振成像和T1加权像),提供评估对象大脑静息态和/或任务态下的磁共振成像数据;(b)基于所述磁共振成像数据,构建所述评估对象的第一脑功能网络,即从功能磁共振成像数据中提取代表各个脑区神经活动信息的时间序列,进而基于各脑区代表时间序列计算脑区间的功能性连接,从而构建第一脑功能网络;(c)然后从所构建的第一脑功能网络中,提取脑区与脑区之间的“直接连接”,该脑区与脑区之间的“直接连接”构成评估对象的各脑区之间的脑功能特征向量;(d)基于所述脑功能特征向量,构建所述评估对象的第二脑功能网络,即为个体辨识力提高的脑功能网络。可选的,还包括步骤(e)利用对于同一评估对象多次采集的数据集计算该对象第二脑功能网络的个体辨识力,从而用于将得到的个体辨识力提高的第二脑功能网络来评估该对象的大脑的个性化程度。
以下对本发明方法作进一步的描述,具体步骤如下:
1.构建第一脑功能网络
首先对于功能磁共振成像数据进行预处理,处理过程包括对齐、配准、空间标准化、空间重采样、空间平滑处理、回归无关变量、时间滤波等步骤。并根据被试头动大小等因素剔除质量不达标的数据;
然后再基于大脑分割模板定义感兴趣脑区,提取各个感兴趣脑区的时间序列;
最后生成第一脑功能网络。每个感兴趣脑区表示一个节点;任两节点的连接边权重为两脑区间代表时间序列的相关系数。脑功能网络是由这些边和节点组成的。
2.如图2所示,利用“静默法”提取脑区与脑区之间的“直接连接”:
S=(G-I+diag(S·G))G-1,
其中,G是全局响应矩阵,S是局部响应矩阵,I是单位矩阵,diag(S·G)表示将S·G的非对角线元素置零。假设相关性总是沿着路径减小,且根据定义不能超过1,则diag(S·G)可被近似为diag((G-I)·G)。因此,S可以由G得到
S=(G-I+diag((G-I)G))G-1
该方法据其从实验观察得到的全局响应矩阵G来估计局部响应矩阵S。该方法具有严格数学物理基础,专门为高维的复杂网络设计,已在线虫的神经连接、模拟网络等数据上展示出辨识网络中的直接连接边和间接连接边的能力。作为一个典型的复杂网络,本发明首次将该指标应用于神经影像数据分析中,提取脑功能网络中的“直接连接”。需要说明的是,这里给出的“静默法”是一个具体实例,本发明提出的提取“直接连接”的方法包括但不限于“静默法”。
3.计算脑功能网络的个体辨识力,如图3所示:
首先对于同一对象多次采集的功能磁共振数据集,对于每一次采集的功能磁共振数据构建脑功能网络,得到功能连接矩阵,将矩阵中左下三角对应的全部连接组成特征向量用于个体辨识。以M个被试,每个被试被采集N次功能磁共振成像数据为例,则一共可以构建M×N个脑功能网络;
然后在每次辨识时,从这M×N个脑功能网络中取出一个脑网络,计算该脑网络和剩下的(M×N-1)个脑网络的相似性并按相似性大小排序,如果相似性最高的(N-1)个脑网络和取出的那一个脑网络属于同一个被试,则此次辨识成功,否则此次辨识失败;
最后如此轮流进行M×N次辨识,计算辨识成功的次数占总辨识次数的比例,即个体辨识力。
个体辨识力能评估脑功能网络对于个体大脑活动刻画的精确程度,从功能磁共振数据得到的脑功能网络对于个体的大脑活动描述越准确,个体辨识力越高。需要说明的是,这里给出的计算脑功能网络的个体辨识力的方法是一个具体实例,本发明提出的计算脑功能网络的个体辨识力的方法包括但不限于该实例。计算脑功能网络的个体辨识力的方法还包括任何常用的机器学习分类方法、个体辨识实验法、或其组合。
实施例2:
下面是根据本发明的方法以具体的评估对象为例进行构建个体辨识力提高的脑功能网络的具体实施例。
1.1数据处理:
我们选择来自Consortium for Reliability and Reproducibility公开数据集中“One-month Test-Retest Reliability and Dynamical Resting-State Study”这组数据,其中15名被试为女性,15名被试为男性,平均年龄24岁左右。每一名被试在一个月内扫描了十次,每三天一次。我们利用Data Processing Assistant for rs-fMRI(DPARSF)。这是一个基于Statistical Parametric Mapping(SPM)和Data Processing and Analysisof Brain Imaging(DPABI)的数据处理工具。处理过程包括对齐、配准、空间标准化、空间重采样、空间平滑处理、回归无关变量、时间滤波等步骤。并根据被试头动大小等因素剔除质量不达标的数据;去除前五个时间点的数据,根据扫描层顺序对齐,配准,EPI模板空间标准化,空间重采样至3mm3,空间平滑(6mm),回归无关变量,时域滤波(0.01-0.1Hz)。
1.2构建脑功能网络
然后,我们Power等人再2011年《Neuron》杂志上发表提出的大脑分割模板,定义了264个感兴趣的脑区。我们将脑区与脑区之间的代表时间序列的皮尔逊相关值定义为该感兴趣脑区对之间的连接边的强度,得到一个264*264的第一脑功能网络。
1.3利用静默法计算脑功能网络
然后我们将每个人的每一次测量的第一脑功能网络作为G输入静默法中,根据公式(Ia),我们可以提取出脑功能网络中的“直接连接”S,也就是第二脑功能网络。
1.4验证得到的个体辨识力
首先对于我们选择的同一评估对象10次采集的功能磁共振公开数据集,对于每一次采集的功能磁共振数据构建第一脑功能网络,再根据静默法得到第二脑功能网络,将两个网络中左下三角对应的全部连接组成特征向量用于个体辨识。以30个被试,每个被试被采集10次功能磁共振成像数据为例,则一共可以构建300个第一脑功能网络和300个第二脑功能网络;
以计算第二脑功能网络的个体辨识力为例,在每次辨识时,从这300个脑功能网络中取出一个脑网络,计算该脑网络和剩下的299个脑网络的相似性并按相似性大小排序,如果相似性最高的9个脑网络和取出的那一个脑网络属于同一个被试,则此次辨识成功,否则此次辨识失败;
最后如此轮流进行300次辨识,计算辨识成功的次数占总辨识次数的比例,即个体辨识力。
结果表明第一脑功能网络的个体辨识力为73.5%而第二脑功能网络的个体辨识力为98.0%。可以明显的得出,根据本发明的方法得到的第二脑功能网络的个体辨识力是提高的。
综上所述,本发明提出的一种基于功能影像数据构建个体辨识力提高的脑功能网络方法,从有限的功能磁共振成像数据得到尽可能高个体辨识力的特征或者指标。基于这样的特征或者指标来研究大脑,有助于深入理解大脑活动和认知关系,也为精神疾病的诊断和治疗提供有价值的影像标志。
在本申请提及的所有文献都被认为是整体性地包括在本申请的公开内容中,以便在必要时可以作为修改的依据。此外应理解,在阅读了本申请的上述公开内容之后,本领域技术人员可以对本申请作各种改动或修改,这些等价形式同样落于本申请所要求保护的范围。
Claims (10)
1.一种基于功能影像数据构建个体辨识力提高的脑功能网络方法,其特征在于,包括以下步骤:
(a)提供评估对象大脑静息态和/或任务态下的磁共振成像数据;
(b)基于所述磁共振成像数据,构建所述评估对象的第一脑功能网络;
(c)在所述第一脑功能网络中,提取脑区与脑区之间的“直接连接”,所述脑区与脑区之间的“直接连接”构成评估对象的各脑区之间的脑功能特征向量;以及
(d)基于所述脑功能特征向量,构建所述评估对象的第二脑功能网络,即为个体辨识力提高的脑功能网络。
2.如权利要求1所述的方法,其特征在于,在步骤(c),所述的提取脑区与脑区之间的“直接连接”,是用选自下组的方法进行:静默法、L1正则化偏向关、L2正则化偏向关、或其组合。
3.如权利要求2所述的方法,其特征在于,所述静默法包括计算局部响应矩阵S,从而获得脑区与脑区之间的“直接连接”。
4.如权利要求3所述的方法,其特征在于,所述的局部响应矩阵S是通过公式Ia或Ib计算出:
S=(G-I+diag(S·G))G-1 (Ia)
S=(G-I+diag((G-I)G))G-1 (Ib)
各式中,
S是局部响应矩阵;
G是全局响应矩阵;
I是单位矩阵;
diag(S·G)表示将S·G的非对角线元素置零。
5.如权利要求1所述的方法,其特征在于,所述第一脑功能网络是用包括以下步骤的方法进行构建:
(f1)将功能磁共振成像数据进行预处理;
(f2)基于大脑分割模板定义感兴趣脑区,提取各个感兴趣脑区的时间序列;和
(f3)基于所述时间序列,构建第一脑功能网络,其中,在所述构建第一脑功能网络中,每个感兴趣脑区定义为一个节点,脑区与脑区之间的联系为连接节点的边,所述连接节点和所述边构成第一脑功能网络。
6.如权利要求1所述的方法,其特征在于,所述方法还包括步骤:
(e)将所述脑功能特征向量作为评估对象个体辨识力的特征进行个体辨识,用来评估所述评估对象大脑的个性化程度。
7.如权利要求6所述的方法,其特征在于,在步骤(e)中,包括计算第二脑功能网络的个体辨识力和/或计算第一脑功能网络的个体辨识力。
8.如权利要求6所述的方法,其特征在于,计算脑功能网络个体辨识力是用包括以下步骤的方法进行:
(S1)提供M×N个脑功能网络,其中,所述脑功能网络来自M个评估对象的每个评估对象的N次的功能磁共振成像数据;其中M为≥4的正整数,N为≥4的正整数;
(S2)从这M×N个脑功能网络中取出一个脑网络,计算该脑网络和剩下的(M×N-1)个脑网络的相似性并按相似性大小排序,如果相似性最高的(N-1)个脑网络和取出的那一个脑网络属于同一个评估对象,则此次辨识成功,否则此次辨识失败;如此轮流进行多次辨识,计算辨识成功的次数占总辨识次数的比例,即个体辨识力。
9.如权利要求6所述的方法,其特征在于,计算脑功能网络个体辨识力的方法选自下组:个体辨识实验法、常用的机器学习分类法、或其组合。
10.一种用于构建脑功能网络的装置,其特征在于,所述装置包括:
(a)输入单元,所述输入单元用于输入评估对象大脑静息态和/或任务态下的磁共振成像数据;
(b)第一脑功能网络构建单元,第一脑功能网络构建单元用于基于所述磁共振成像数据,构建所述评估对象的第一脑功能网络;
(c)脑功能特征向量提取单元,所述脑功能特征向量提取单元用于在所述第一脑功能网络中提取脑区与脑区之间的“直接连接”,所述脑区与脑区之间的“直接连接”构成评估对象的各脑区之间的脑功能特征向量;
(d)第二脑功能网络构建单元,第二脑功能网络构建单元用于基于所述脑功能特征向量,构建所述评估对象的第二脑功能网络,即为个体辨识力提高的脑功能网络;和
(e)输出单元,所述输出单元用于输出所述的第二脑功能网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911109008.0A CN110827271A (zh) | 2019-11-13 | 2019-11-13 | 基于功能影像数据构建个体辨识力提高的脑功能网络方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911109008.0A CN110827271A (zh) | 2019-11-13 | 2019-11-13 | 基于功能影像数据构建个体辨识力提高的脑功能网络方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110827271A true CN110827271A (zh) | 2020-02-21 |
Family
ID=69554719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911109008.0A Pending CN110827271A (zh) | 2019-11-13 | 2019-11-13 | 基于功能影像数据构建个体辨识力提高的脑功能网络方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110827271A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991335A (zh) * | 2021-04-23 | 2021-06-18 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种想像能力评估方法、系统及可读存储介质 |
CN114864051A (zh) * | 2022-07-06 | 2022-08-05 | 北京智精灵科技有限公司 | 一种基于神经网络的认知提升方法及系统 |
CN116823813A (zh) * | 2023-08-28 | 2023-09-29 | 北京航空航天大学 | 一种基于磁共振影像的脑韧性评估方法、系统及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931281A (zh) * | 2016-04-14 | 2016-09-07 | 中国人民解放军国防科学技术大学 | 基于网络特征熵定量刻画脑功能网络的方法 |
CN108288070A (zh) * | 2018-01-12 | 2018-07-17 | 迈格生命科技(深圳)有限公司 | 一种神经指纹提取分类方法及系统 |
-
2019
- 2019-11-13 CN CN201911109008.0A patent/CN110827271A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931281A (zh) * | 2016-04-14 | 2016-09-07 | 中国人民解放军国防科学技术大学 | 基于网络特征熵定量刻画脑功能网络的方法 |
CN108288070A (zh) * | 2018-01-12 | 2018-07-17 | 迈格生命科技(深圳)有限公司 | 一种神经指纹提取分类方法及系统 |
Non-Patent Citations (4)
Title |
---|
BARUCH BARZEL ET AL: ""network link prediction by global silencing of indirect correlations"", 《NATURE》 * |
EMILY S FINN ET AL: ""Functional connectome fingerprinting: identifying individuals using patterns of brain connectivity"", 《NATURE》 * |
屈永康等: "基于正则化Softmax回归的全脑功能性磁共振成像数据特征选择框架", 《模式识别与人工智能》 * |
林颖等: "结合DCGAN与LSTM的阿兹海默症分类算法", 《计算机应用研究》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991335A (zh) * | 2021-04-23 | 2021-06-18 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种想像能力评估方法、系统及可读存储介质 |
CN112991335B (zh) * | 2021-04-23 | 2024-04-26 | 合肥中聚源智能科技有限公司 | 一种想像能力评估方法、系统及可读存储介质 |
CN114864051A (zh) * | 2022-07-06 | 2022-08-05 | 北京智精灵科技有限公司 | 一种基于神经网络的认知提升方法及系统 |
CN116823813A (zh) * | 2023-08-28 | 2023-09-29 | 北京航空航天大学 | 一种基于磁共振影像的脑韧性评估方法、系统及电子设备 |
CN116823813B (zh) * | 2023-08-28 | 2023-12-01 | 北京航空航天大学 | 一种基于磁共振影像的脑韧性评估方法、系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188836B (zh) | 一种基于变分自编码器的脑功能网络分类方法 | |
CN108288070B (zh) | 一种神经指纹提取分类方法及系统 | |
US6611630B1 (en) | Method and apparatus for automatic shape characterization | |
CN110827271A (zh) | 基于功能影像数据构建个体辨识力提高的脑功能网络方法 | |
KR102271558B1 (ko) | 빅데이터를 활용한 인공지능 두피영상 진단 분석 시스템 및 이를 이용한 제품 추천 시스템 | |
CN112002428B (zh) | 以独立成分网络为参照的全脑个体化脑功能图谱构建方法 | |
CN112614126B (zh) | 基于机器学习的磁共振图像脑区划分方法、系统和装置 | |
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 | |
CN117172294B (zh) | 一种稀疏脑网络的构建方法、系统、设备和存储介质 | |
CN115563484A (zh) | 一种基于生理唤醒识别的街道绿化品质检测方法 | |
CN110289097A (zh) | 一种基于Xgboost神经网络堆叠模型的模式识别诊断系统 | |
CN115457334A (zh) | 静息态功能磁共振影像数据分类方法、系统及相关产品 | |
CN115005798A (zh) | 一种基于连边功能连接的脑影像特征提取方法 | |
CN115337000A (zh) | 基于脑结构影像评估疾病引起大脑衰老的机器学习方法 | |
Martínez-Vargas et al. | Enhanced data covariance estimation using weighted combination of multiple Gaussian kernels for improved M/EEG source localization | |
Dessouky et al. | Computer-aided diagnosis system for Alzheimer’s disease using different discrete transform techniques | |
Cooper | An introduction to meta-analysis and the integrative research review | |
Zhu | Early diagnosis of Parkinson's Disease by analyzing magnetic resonance imaging brain scans and patient characteristic | |
Sun et al. | A practical cross-domain ECG biometric identification method | |
Wang et al. | Revealing the temporal dynamics in non-invasive electrophysiological recordings with topography-based analyses | |
Saraswathi et al. | Frcnn based deep learning for identification and classification of alopecia areata | |
WO1999064983A9 (en) | Method and apparatus for automatic shape characterization | |
Xu et al. | Unsupervised profiling of microglial arbor morphologies and distribution using a nonparametric Bayesian approach | |
CN113729708A (zh) | 一种基于眼动技术的谎言评判方法 | |
CN113080929A (zh) | 一种基于机器学习的抗nmdar脑炎图像特征分类方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200221 |