CN111084622A - 一种静息态功能核磁共振信号的去趋势波动分析方法 - Google Patents

一种静息态功能核磁共振信号的去趋势波动分析方法 Download PDF

Info

Publication number
CN111084622A
CN111084622A CN201911324594.0A CN201911324594A CN111084622A CN 111084622 A CN111084622 A CN 111084622A CN 201911324594 A CN201911324594 A CN 201911324594A CN 111084622 A CN111084622 A CN 111084622A
Authority
CN
China
Prior art keywords
resting
magnetic resonance
nuclear magnetic
time
brain
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
Application number
CN201911324594.0A
Other languages
English (en)
Inventor
禹东川
贾会宾
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201911324594.0A priority Critical patent/CN111084622A/zh
Publication of CN111084622A publication Critical patent/CN111084622A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
    • A61B5/748—Selection of a region of interest, e.g. using a graphics tablet
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/06—Children, e.g. for attention deficit diagnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
    • 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

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Neurology (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种静息态功能核磁共振信号的去趋势波动分析方法，包括：第一步，通过核磁共振设备采集原始静息态脑影像数据；第二步，使用程序对获得的原始影像数据进行预处理；第三步，对预处理之后的影像数据提取192个感兴趣区（ROI），覆盖9个大尺度脑功能网络；第四步，对每个被试、每次扫描及每个ROI的瞬时波幅时间序列信号分别进行去趋势分析，获得DFA指数；第五步，根据研究目的，考查两组被试DFA指数是否有显著的组间差异。本发明所提供的静息态功能核磁共振信号的去趋势波动分析方法，能够在静息状态下获取易于儿童发展障碍诊断的功能核磁共振图像的时空特征参数，辅助医疗工作者完成儿童发展障碍的初步诊断。

Description

一种静息态功能核磁共振信号的去趋势波动分析方法
技术领域
本发明是一种静息态功能核磁共振信号的去趋势波动分析方法，属于脑影像数据分析的技术领域。
背景技术
功能性磁共振成像(fMRI)技术所基于的原理是，如果大脑内神经活动增强，相应脑区的血流量就会增加，并进而引起局部血液中氧合血红蛋白与去氧血红蛋白比例的变化，这被称为血氧水平依赖(Blood Oxygenation Level Dependent，BOLD)信号。fMRI技术的优点是：(1)fMRI技术具有无创性；(2)相对EEG/MEG技术而言，fMRI的空间分辨率很高(毫米级)。但是fMRI技术也具有一定的局限性。例如，fMRI信号采集的环境相对封闭，因此可能引起测试者(特别是儿童测试者)对幽闭环境的恐惧和焦虑。fMRI信号采集时要求受试者保持头部不动，而这对于测试者(特别是儿童测试者)来说很难实现。这些因素都会导致fMRI信号采集的失败。fMRI技术的另外一个缺点是其时间分辨率相对较差(秒级)。
在众多的fMRI分析方法中，研究者广泛采用的是基于复杂网络理论的功能网络分析方法，从网络层次来研究脑区与脑区之间的相互关系。功能连接可以研究大脑特定脑区生理信号之间的相互关系或信息交流，这既包括无向的功能连接也包括有向的功能连接。无向的功能连接衡量的是脑区之间无向的信息交流，但是有向的功能连接则可以衡量脑区之间有向的信息交流或因果关系。
虽然功能网络分析方法取得了一些研究成果，但仍然存在如下一些不足：
(1)重测信度未知
不同的实验室研究者使用相同的脑成像技术、实验范式和脑成像指标对脑活动进行研究，研究结果可能不一致，即可重复性较差。造成这种现象的原因可能是相应的技术手段信度较低。一个优秀的脑成像指标应该具有相对较高的重测信度，这样才能用于临床。在脑成像领域，同一种研究技术中不同的参数组合可能会显著地影响其重测信度。哪怕使用相同的参数组合得到的不同指标也可能存在重测信度上的差异。对于特定的脑成像信号分析技术需要确定重测信度最高的参数组合和脑成像指标，以便实现该技术的最优化。
(2)没有综合考虑空域信息与时域信息
先前的绝大部分研究亦或是单纯考察脑活动的空域信息(即空间特征)，亦或是单纯考察脑活动的时域信息(即时间特征)，而没有综合考虑空间特征和时间特征，如空间特征的时间动力学特征。已经有相当多的研究证明即使是在无任务的自由休息状态，受试者大脑活动的空间特征也是随着时间的变化而变化的；而探究脑成像信号空间特征的时间动力学特征已被证明是有价值的、可加深对人脑机制的理解。因此，在未来的研究中，有必要探讨脑活动空间特征的时间动力学特性。
(3)现有的技术手段存在一些局限性
目前来说，各种脑成像信号时空间特征分析技术还不甚成熟，存在一些局限性或者缺点。例如，Wackermann(1996)提出的度量脑成像信号空间复杂性的方法(即“Omega复杂性”)有一个严重的缺陷：使用该技术得到的全脑或某脑功能网络的空间复杂性取值范围是1至节点的数目，这导致空间复杂性指标对节点的数目敏感。另外，在使用Omega复杂性评估每个节点对整体空间复杂性的贡献程度(即LCD指标)时，某个节点的LCD等于全部N个节点的空间复杂性减去除去该节点后剩余N-1个节点的空间复杂性。由于空间复杂性取值范围的问题，LCD的取值理论上永远大于0，这会导致没有办法评估其对整体功能连接水平的贡献是正向的还是负向的。
(4)缺乏多模态信号之间的相互比较
目前，研究脑活动有多种模态的脑成像信号可供选择，例如EEG、MEG、fNIRS和fMRI。由于价格昂贵以及要求受试者在数据采集过程中保持头部不动等因素，MEG技术在ASD研究中开展不多。研究者使用最多的技术依旧是EEG、fNIRS和fMRI。头皮EEG技术记录的是大脑的突触后电位，且主要是0.1～100Hz的神经电活动。fNIRS和fMRI技术记录的是大脑的0.01～0.1Hz血液动力学信号。fNIRS记录的主要是较为浅层的大脑皮层的Oxy-Hb和Deoxy-Hb信号变化值，而fMRI记录的全脑的BOLD信号。EEG技术和fNIRS/fMRI技术记录的信号存在本质上的区别、反映的是脑活动的不同维度的信息，因此使用不同的脑成像工具时得到有显著差异的结果也就不足为奇了。在实际的研究中，需要使用相同的时空间特征分析技术对不同模态的脑成像信号进行分析，以期发现各个模态所共同反映的信息以及每个模态所独有的信息。
本发明提供了一种静息态功能核磁共振信号的去趋势波动分析方法，能够在静息状态下获取易于儿童发展障碍诊断的功能核磁共振图像的时空特征参数，辅助医疗工作者完儿童发展障碍的初步诊断。
考虑到前人研究及研究技术的局限性，本发明期望解决如下几个方面的问题：(1)对脑成像信号时空间特征分析技术进行信度分析，以期确定最可靠的参数组合和相关指标；(2)对现存的每种脑成像信号时空间特征分析技术进行完善，使其能够综合反映脑成像信号的时域与空域信息；(3)使用相同的时空间特征分析技术对不同模态的脑成像信号进行分析，以期发现各个模态所共同反映的信息以及每个模态所独有的信息。
发明内容
本发明的目的是提供一种静息态功能核磁共振信号的去趋势波动分析方法。能够在静息状态下获取易于儿童发展障碍诊断的功能核磁共振图像的时空特征参数，辅助医疗工作者完成儿童发展障碍的初步诊断。
为了实现以上目的，本发明所采用的技术方案如下：
一种静息态功能核磁共振信号的去趋势波动分析方法，该方法包括以下模块：数据采集模块、数据预处理模块、特征参数提取模块、去趋势波动分析模块、统计分析模块。该方法包括以下步骤：
S1.采集数据：通过功能核磁共振设备采集测试者静息态下的脑影像数据；
S2.数据预处理：使用程序对获得的影像数据进行预处理，为后续特征提取和数据分析做准备；
S3.特征参数提取：对预处理之后的影像数据提取192个感兴趣区(ROI)，覆盖9个大尺度脑功能网络；
S4.去趋势波动分析：对每个被试、每次扫描及每个ROI的瞬时波幅时间序列信号分别进行去趋势分析，获得DFA指数；
S5：统计分析：根据研究目的，考查两组被试DFA指数是否有显著的组间差异。
进一步的，所述步骤S1中的功能核磁共振设备应为可以获得静息态数据的的功能核磁共振设备，采集的序列及相关参数如下：(1)T2加权平面回波成像(T2-weighted echo-planar imaging，T2*EPI)：重复时间(Repetition time，TR)为2000ms，回波时间(Echotime，TE)为30ms，翻转角(flip angle)为90°，视野(field of view)为220×200mm，矩阵(matrix)为64×64，体素大小(voxel size)为3.4×3.4×3.4mm，共扫描包括全脑的43层(slices)信号。实验中，采集被试10分钟(即300个采样点)的静息态fMRI信号。为避免磁场匀场效应对信号质量的影响，每次扫描的前5个采样点不纳入后续数据分析；(2)T1加权快速扰相梯度回波序列(T1-weighted Fast Spoiled Gradient echo，T1*FSPGR)：重复时间为8.1ms，回波时间为3.1ms，反转时间(Inversion time，TI)为450ms，翻转角为8°，视野为256×256mm，矩阵为256×256，体素大小为1.0×1.0×1.0mm，共扫描包括全脑的176层。
进一步的，所述步骤S2中数据预处理步骤如下：(1)为保证被试已经适应扫描环境并按实验指导语要求睁眼休息，删掉每个静息态fMRI信号时间序列的前4个数据点；(2)对静息态fMRI图像进行时间层矫正(slice timing)，以消除间隔扫描带来的时间相位差；(3)使用六参数刚体线性变换(Rigid-body 6)将被试的功能像对齐至第一个时间点，再对齐至平均功能像，从而实现头动的矫正；(4)将个体的T1加权像通过六自由度线性变换对齐至平均功能像；(5)对T1加权结构像进行分割，分为灰质(gray matter，GM)、白质(whitematter，WM)和脑脊液(cerebrospinal fluid，CSF)，并基于分割结果将被试的功能像从个体空间转换到MNI空间；(6)使用图像分割时得到的空间变换信息并结合EPI模板将功能像配准到3mm体素的MNI152空间；(8)对脑成像信号进行平滑操作，平滑操作时的半峰全宽(full width at half maximum，FWHM)为6×6×6。
进一步的，所述步骤S3中特征提取确定的9个大尺度脑功能网络的192个感兴趣区(ROI)，其中标尺中1～9分别是CoTCN、AN、DMN、VAN、VN、FpTCN、SN、SR以及DAN。
进一步的，所述步骤S3中，这9个大尺度脑网络分别是带状盖任务控制网络(Cingulo-opercular Task Control Network，CoTCN)、听觉网络(Auditory Network，AN)、默认网络(Default Mode Network，DMN)、腹侧注意网络(Ventral Attention Network，VAN)、视觉网络(Visual Network，VN)、额顶任务控制网络(Fronto-parietal TaskControl Network，FpTCN)、突显网络(Salience Network，SN)、皮层下区域(SubcorticalRegions，SR)以及腹侧注意网络(Dorsal Attention Network，DAN)。
进一步的，所述步骤S3中，以每个ROI的MNI坐标为球心、6mm为半径定义一个球形区域，并将该球形区域内的体素BOLD效应平均，后续分析中将该体素间平均信号的时间序列代表该ROI的信号。
进一步的，所述步骤S4可具体分为如下步骤：(1)对于某个时间序列A(t)，我们可以通过如下公式计算其“信号波形”：
Figure BDA0002328037780000051
其中<·>表示该时间序列的时域平均。本操作可以消除瞬时波幅时间序列的总体趋势。与A(t)相比，计算得到的“信号波形”S(t)对信号的平稳性没有严格要求；(2)定义了一系列的窗口长度T。它们分别是4、8、16、32以及64个TR。对于集合T中的每一个窗口长度τ，“信号波形”S(t)被划分为一系列长度为τ且重叠50％的窗口。在每一个窗口通过最小二乘拟合(least-squares fit)消除其线性趋势，并进而计算其波幅值标准差。对于每个窗口长度τ，计算该窗口长度下所有窗口标准差的均值作为该窗口长度下的“波动函数”<F(τ)>；(3)在所有窗口长度下的波动函数<F(τ)>计算完成后，在双对数轴(double logarithmic axes)上绘制所有窗口长度的波动函数(即分别对窗口长度和波动函数进行对数变换)。通常，在此双对数坐标系统中波动函数和窗口长度的关系表现为线性关系。在此图中，波动函数和窗口长度的最小二乘直线(1east-squares line)的斜率被称为DFA指数。此指数可用于衡量信号的长程时域相关性(LRTCs)。假如0＜DFA指数＜0.5，该信号是“反相关的”(anti-correlated)，即窗口长度越大，波动函数越小。假如DFA指数＝0.5，该信号是不相关的、无LRTCs的随机过程。假如0.5＜DFA指数＜1，该信号为正相关的，即窗口长度越大，波动函数越大。假如1＜DFA指数＜2，该信号为非平稳性信号。
进一步的，所述步骤S5中，我们分别对每个ROI的DFA指数进行了独立样本t检验。优选地，以每个被试的标准化智力评分、年龄、头动平均位移、头动位移大于0.2mm的图像的百分比、性别和站点为协变量，并采用FDR程序对p值进行校正来控制多重比较问题。
有益效果：与现有静息态功能核磁共振信号分析方法相比，本发明具有以下优点：
(1)本发明提出了一种静息态功能核磁共振信号的去趋势波动分析方法，避免传统静息态功能核磁共振信号分析方法没有综合考虑空域信息与时域信息的不足。
(2)本发明深入研究了不同的参数组合影响结果的重测信度问题，通过一系列研究确定重测信度最高的参数组合和脑成像指标，从而避免了传统静息态功能核磁共振信号分析方法未考虑重测信度的问题。
综上所述，本发明结构简单，适用性广泛，性能优越，提供了一种静息态功能核磁共振信号的去趋势波动分析方法，能够在静息状态下获取易于儿童发展障碍诊断的功能核磁共振图像的时空特征参数，辅助医疗工作者完儿童发展障碍的初步诊断，具有较好的市场前景。
附图说明
图1为本发明的结构框图；
图2为192个感兴趣区(ROI)的空间分布。
具体实施方式
下面对本发明技术方案进行结合附图和实施例详细说明。
如图1所示，一种静息态功能核磁共振信号的去趋势波动分析方法，包括数据采集、数据预处理、特征参数提取、去趋势波动分析、统计分析。所述数据采集：通过功能核磁共振设备采集测试者静息态下的脑影像数据；所述数据预处理：使用程序对获得的影像数据进行预处理，为后续特征提取和数据分析做准备；所述特征参数提取：对预处理之后的影像数据提取192个感兴趣区(ROI)，覆盖9个大尺度脑功能网络；所述去趋势波动分析：对每个被试、每次扫描及每个ROI的瞬时波幅时间序列信号分别进行去趋势分析，获得DFA指数；所述统计分析：根据研究目的，考查两组被试DFA指数是否有显著的组间差异。
下面结合具体的实施案例对本发明做进一步的详细说明，需注明的是，所述是对本发明的解释而不是限定。
实施例：
本示例共分五步，分别为数据采集、数据预处理、特征参数提取、去趋势波动分析、统计分析。
第一步，数据采集，通过核磁共振设备采集测试者静息态下的原始脑影像数据。
1.扫描时，被试被要求在MRI扫描仪中平躺、睁眼休息、尽量避免头动。
2.采集的序列及相关参数如下：(1)T2加权平面回波成像(T2-weighted echo-planar imaging，T2*EPI)：重复时间(Repetition time，TR)为2000ms，回波时间(Echotime，TE)为30ms，翻转角(flip angle)为90°，视野(field of view)为220×200mm，矩阵(matrix)为64×64，体素大小(voxel size)为3.4×3.4×3.4mm，共扫描包括全脑的43层(slices)信号。实验中，采集被试10分钟(即300个采样点)的静息态fMRI信号。为避免磁场匀场效应对信号质量的影响，每次扫描的前5个采样点不纳入后续数据分析；(2)T1加权快速扰相梯度回波序列(T1-weighted Fast Spoiled Gradient echo，T1*FSPGR)：重复时间为8.1ms，回波时间为3.1ms，反转时间(Inversion time，TI)为450ms，翻转角为8°，视野为256×256mm，矩阵为256×256，体素大小为1.0×1.0×1.0mm，共扫描包括全脑的176层。
第二步，数据预处理，使用程序对获得的原始影像数据进行预处理。
所述数据预处理步骤如下：(1)为保证被试已经适应扫描环境并按实验指导语要求睁眼休息，删掉每个静息态fMRI信号时间序列的前4个数据点；(2)对静息态fMRI图像进行时间层矫正(slice timing)，以消除间隔扫描带来的时间相位差；(3)使用六参数刚体线性变换(Rigid-body 6)将被试的功能像对齐至第一个时间点，再对齐至平均功能像，从而实现头动的矫正；(4)将个体的T1加权像通过六自由度线性变换对齐至平均功能像；(5)对T1加权结构像进行分割，分为灰质(gray matter，GM)、白质(white matter，WM)和脑脊液(cerebrospinal fluid，CSF)，并基于分割结果将被试的功能像从个体空间转换到MNI空间；(6)使用图像分割时得到的空间变换信息并结合EPI模板将功能像配准到3mm体素的MNI152空间；(8)对脑成像信号进行平滑操作，平滑操作时的半峰全宽(full width athalf maximum，FWHM)为6×6×6。
第三步，特征参数提取。
所述特征参数提取按照图2所示，确定的9个大尺度脑功能网络的192个感兴趣区(ROI)，其中标尺中1～9分别是CoTCN、AN、DMN、VAN、VN、FpTCN、SN、SR以及DAN。
这9个大尺度脑网络分别是带状盖任务控制网络(Cingulo-opercular TaskControl Network，CoTCN)、听觉网络(Auditory Network，AN)、默认网络(Default ModeNetwork，DMN)、腹侧注意网络(Ventral Attention Network，VAN)、视觉网络(VisualNetwork，VN)、额顶任务控制网络(Fronto-parietal Task Control Network，FpTCN)、突显网络(SalienceNetwork，SN)、皮层下区域(Subcortical Regions，SR)以及腹侧注意网络(DorsalAttentionNetwork，DAN)。
以每个ROI的MNI坐标为球心、6mm为半径定义一个球形区域，并将该球形区域内的体素BOLD效应平均，后续分析中将该体素间平均信号的时间序列代表该ROI的信号。
第四步，去趋势波动分析。
所述去趋势波动分析可具体分为如下步骤：(1)对于某个时间序列A(t)，我们可以通过如下公式计算其“信号波形”：
Figure BDA0002328037780000081
其中<·>表示该时间序列的时域平均。本操作可以消除瞬时波幅时间序列的总体趋势。与A(t)相比，计算得到的“信号波形”S(t)对信号的平稳性没有严格要求；(2)定义了一系列的窗口长度T。它们分别是4、8、16、32以及64个TR。对于集合T中的每一个窗口长度τ，“信号波形”S(t)被划分为一系列长度为τ且重叠50％的窗口。在每一个窗口通过最小二乘拟合(least-squares fit)消除其线性趋势，并进而计算其波幅值标准差。对于每个窗口长度τ，计算该窗口长度下所有窗口标准差的均值作为该窗口长度下的“波动函数”<F(τ)>；(3)在所有窗口长度下的波动函数<F(τ))计算完成后，在双对数轴(double logarithmic axes)上绘制所有窗口长度的波动函数(即分别对窗口长度和波动函数进行对数变换)。通常，在此双对数坐标系统中波动函数和窗口长度的关系表现为线性关系。在此图中，波动函数和窗口长度的最小二乘直线(least-squaresline)的斜率被称为DFA指数。此指数可用于衡量信号的长程时域相关性(LRTCs)。假如0＜DFA指数＜0.5，该信号是“反相关的”(anti-correlated)，即窗口长度越大，波动函数越小。假如DFA指数＝0.5，该信号是不相关的、无LRTCs的随机过程。假如0.5＜DFA指数＜1，该信号为正相关的，即窗口长度越大，波动函数越大。假如1＜DFA指数＜2，该信号为非平稳性信号。
第五步，统计分析。
我们分别对每个ROI的DFA指数进行了独立样本t检验。优选地，以每个被试的标准化智力评分、年龄、头动平均位移、头动位移大于0.2mm的图像的百分比、性别和站点为协变量，并采用FDR程序对p值进行校正来控制多重比较问题。
根据以上所述，便可实现本发明。

Claims (8)

1.一种静息态功能核磁共振信号的去趋势波动分析方法，其特征在于：方法包括如下步骤：S1采集数据，通过核磁共振设备采集测试者静息态下的原始脑影像数据；S2数据预处理，对获得的原始脑影像数据进行预处理；S3特征参数提取，对预处理之后的影像数据提取192个感兴趣区，覆盖9个大尺度脑功能网络；S4去趋势波动分析，对每个被试、每次扫描及每个感兴趣区的瞬时波幅时间序列信号分别进行去趋势分析，获得DFA指数；S5统计分析，考查两组被试DFA指数是否有显著的组间差异。
2.根据权利要求1所述的一种静息态功能核磁共振信号的去趋势波动分析方法，其特征是，所述步骤S1中所采用核磁共振设备的参数设置为：(1)T2加权平面回波成像的重复时间为2000ms，回波时间为30ms，翻转角为90°，视野为220×200mm，矩阵为64×64，体素大小为3.4×3.4×3.4mm，共扫描包括全脑的43层信号；(2)T1加权快速扰相梯度回波序列的重复时间为8.1ms，回波时间为3.1ms，反转时间为450ms，翻转角为8°，视野为256×256mm，矩阵为256×256，体素大小为1.0×1.0×1.0mm，共扫描包括全脑的176层。
3.根据权利要求1所述的一种静息态功能核磁共振信号的去趋势波动分析方法，其特征是，所述步骤S2中数据预处理的具体步骤如下：(1)删掉每个静息态fMRI信号时间序列的前4个数据点；(2)对静息态fMRI图像进行时间层矫正，以消除间隔扫描带来的时间相位差；(3)使用六参数刚体线性变换将被试的功能像对齐至第一个时间点，再对齐至平均功能像，实现头动的矫正；(4)将个体的T1加权像通过六自由度线性变换对齐至平均功能像；(5)对T1加权结构像进行分割，分为灰质、白质和脑脊液，并基于分割结果将被试的功能像从个体空间转换到MNI空间；(6)使用图像分割时得到的空间变换信息并结合EPI模板将功能像配准到3mm体素的MNI152空间；(7)对脑成像信号进行平滑操作，平滑操作时的半峰全宽为6×6×6。
4.根据权利要求1所述的一种静息态功能核磁共振信号的去趋势波动分析方法，其特征是，所述步骤S3中9个大尺度脑功能网络为：带状盖任务控制网络、听觉网络、默认网络、腹侧注意网络、视觉网络、额顶任务控制网络、突显网络、皮层下区域以及腹侧注意网络。
5.根据权利要求1所述的一种静息态功能核磁共振信号的去趋势波动分析方法，其特征是，所述步骤S3中以每个感兴趣区的MNI坐标为球心、6mm为半径定义一个球形区域，并将该球形区域内的体素BOLD效应平均，后续分析中将该体素间平均信号的时间序列代表该感兴趣区的信号。
6.根据权利要求1所述的一种静息态功能核磁共振信号的去趋势波动分析方法，其特征是，所述步骤S4中去趋势波动分析方法可具体分为如下步骤：(1)对于某个时间序列A(t)，通过如下公式计算其“信号波形”：
Figure FDA0002328037770000021
其中<·>表示该时间序列的时域平均；(2)定义了一系列的窗口长度T，分别是4、8、16、32以及64个TR，对于集合T中的每一个窗口长度τ，“信号波形”S(t)被划分为一系列长度为τ且重叠50％的窗口，在每一个窗口通过最小二乘拟合消除其线性趋势，并进而计算其波幅值标准差，对于每个窗口长度τ，计算该窗口长度下所有窗口标准差的均值作为该窗口长度下的“波动函数”<F(τ)>；(3)在所有窗口长度下的波动函数<F(τ)>计算完成后，在双对数轴上绘制所有窗口长度的波动函数，即分别对窗口长度和波动函数进行对数变换。
7.根据权利要求1所述的一种静息态功能核磁共振信号的去趋势波动分析方法，其特征是，所述步骤S5中，分别对每个感兴趣区的DFA指数进行了独立样本t检验。
8.根据权利要求7所述的一种静息态功能核磁共振信号的去趋势波动分析方法，其特征是，所述步骤S5中，以每个被试的标准化智力评分、年龄、头动平均位移、头动位移大于0.2mm的图像的百分比、性别和站点为协变量，并采用FDR程序对p值进行校正来控制多重比较问题。
CN201911324594.0A 2019-12-20 2019-12-20 一种静息态功能核磁共振信号的去趋势波动分析方法 Pending CN111084622A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911324594.0A CN111084622A (zh) 2019-12-20 2019-12-20 一种静息态功能核磁共振信号的去趋势波动分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911324594.0A CN111084622A (zh) 2019-12-20 2019-12-20 一种静息态功能核磁共振信号的去趋势波动分析方法

Publications (1)

Publication Number Publication Date
CN111084622A true CN111084622A (zh) 2020-05-01

Family

ID=70395360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911324594.0A Pending CN111084622A (zh) 2019-12-20 2019-12-20 一种静息态功能核磁共振信号的去趋势波动分析方法

Country Status (1)

Country Link
CN (1) CN111084622A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6388443B1 (en) * 1998-01-23 2002-05-14 Forschungszentrum Jülich GmbH Computer for evaluating signals from nuclear magnetic resonance tomography and a nuclear resonance tomograph equipped with said computer
US20080298659A1 (en) * 2007-05-31 2008-12-04 Spence Jeffrey S Systems and Methods for Processing Medical Image Data to Facilitate Comparisons Among Groups of Subjects
US20170128025A1 (en) * 2015-11-10 2017-05-11 Baycrest Centre Quantitative mapping of cerebrovascular reactivity using resting-state functional magnetic resonance imaging
CN108492871A (zh) * 2018-02-06 2018-09-04 广东思派康电子科技有限公司 一种计算机可读存储介质及应用该介质的心率分析仪
WO2019177462A1 (en) * 2018-03-16 2019-09-19 Stichting Vu Method of determining brain activity

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6388443B1 (en) * 1998-01-23 2002-05-14 Forschungszentrum Jülich GmbH Computer for evaluating signals from nuclear magnetic resonance tomography and a nuclear resonance tomograph equipped with said computer
US20080298659A1 (en) * 2007-05-31 2008-12-04 Spence Jeffrey S Systems and Methods for Processing Medical Image Data to Facilitate Comparisons Among Groups of Subjects
US20170128025A1 (en) * 2015-11-10 2017-05-11 Baycrest Centre Quantitative mapping of cerebrovascular reactivity using resting-state functional magnetic resonance imaging
CN108492871A (zh) * 2018-02-06 2018-09-04 广东思派康电子科技有限公司 一种计算机可读存储介质及应用该介质的心率分析仪
WO2019177462A1 (en) * 2018-03-16 2019-09-19 Stichting Vu Method of determining brain activity

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王春方等: "基于去趋势波动分析（DFA）的脑卒中后抑郁症静息态脑电特征提取与识别", 《中国生物医学工程学报》 *
郑慧君等: "利用心率的去趋势波动分析提取睡眠呼吸暂停低通气综合症患者的睡眠结构信息", 《中国生物医学工程学报》 *
郑煌: "基于复杂性科学和功能磁共振成像的精神疾病分类研究", 《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》 *

Similar Documents

Publication Publication Date Title
Richards et al. Brains for all the ages: structural neurodevelopment in infants and children from a life-span perspective
De Martino et al. The impact of ultra-high field MRI on cognitive and computational neuroimaging
EP2141506B1 (en) Identifying fiber tracts using magnetic resonance imaging (MRI)
CN115359045B (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
CN107240125B (zh) 一种扩散加权成像方法
WO2020075737A1 (ja) 脳機能結合相関値の調整方法、脳機能結合相関値の調整システム、脳活動分類器のハーモナイズ方法、脳活動分類器のハーモナイズシステム、及び脳活動バイオマーカシステム
US8811706B2 (en) System, method and computer accessible medium for providing real-time diffusional kurtosis imaging and for facilitating estimation of tensors and tensor-derived measures in diffusional kurtosis imaging
US20170238879A1 (en) Method of Analyzing the Brain Activity of a Subject
CN109920550A (zh) 一种基于dMRI研究青少年肌阵挛性癫痫的方法
Van et al. An introduction to model-independent diffusion magnetic resonance imaging
US9965862B2 (en) System, method and computer accessible medium for providing real-time diffusional kurtosis imaging and for facilitating estimation of tensors and tensor-derived measures in diffusional kurtosis imaging
US20100135560A1 (en) Image processing method
KR101388546B1 (ko) 기능성 자기 공명 영상을 사용한 뇌기능 진단 시스템 및 방법
Smal et al. Quantitative comparison of tracking methods for motion analysis in tagged MRI
CN111084622A (zh) 一种静息态功能核磁共振信号的去趋势波动分析方法
WO2023070865A1 (zh) 血管反应性的评价方法、装置、电子设备及存储介质
CN111445553B (zh) 基于深度学习的体素内不相干运动成像加速方法及装置
CN114596306A (zh) 基于机器学习诊断帕金森疾病的系统
CN111369637B (zh) 一种融合白质功能信号的dwi纤维优化重建方法及系统
Zhang et al. Implicit modeling with uncertainty estimation for intravoxel incoherent motion imaging
Wang et al. White matter BOLD signals at 7 Tesla reveal visual field maps in optic radiation and vertical occipital fasciculus
Kemmer et al. Quantifying the strength of structural connectivity underlying functional brain networks
Moradi EMD-Based EEG and fMRI Data Analysis and Integration for High Precision Brain Functional Imaging
Vardhan et al. Modeling longitudinal MRI changes in populations using a localized, information-theoretic measure of contrast
KR102618156B1 (ko) 자기공명영상을 이용한 신경 수초 평가 방법

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200501

RJ01 Rejection of invention patent application after publication