CN111340821B - 一种基于模块连接的大脑结构网络的偏测性检测方法 - Google Patents
一种基于模块连接的大脑结构网络的偏测性检测方法 Download PDFInfo
- Publication number
- CN111340821B CN111340821B CN202010105253.0A CN202010105253A CN111340821B CN 111340821 B CN111340821 B CN 111340821B CN 202010105253 A CN202010105253 A CN 202010105253A CN 111340821 B CN111340821 B CN 111340821B
- Authority
- CN
- China
- Prior art keywords
- brain
- fiber bundle
- network
- module
- 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.)
- Active
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 109
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 239000000835 fiber Substances 0.000 claims abstract description 63
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 238000002598 diffusion tensor imaging Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 10
- 238000005192 partition Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 235000016496 Panda oleosa Nutrition 0.000 claims description 3
- 238000010531 catalytic reduction reaction Methods 0.000 claims description 3
- 229920002678 cellulose Polymers 0.000 claims description 3
- 239000001913 cellulose Substances 0.000 claims description 3
- 210000003710 cerebral cortex Anatomy 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 241001653634 Russula vesca Species 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 6
- 210000004885 white matter Anatomy 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003925 brain function Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000004641 brain development Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000002450 orbitofrontal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开一种基于模块连接的大脑结构网络的偏测性检测方法，包括以下步骤：对弥散张量成像进行预处理，根据选定的标准化脑图谱，对预处理后的弥散张量成像进行区域分割；采用确定性纤维束追踪算法，基于追踪的结束条件对全脑的纤维进行重建，并计算两两脑区间的纤维束数量与部分各向异性指数、以及每个脑区的表面积，得到脑区间的纤维束数量矩阵FN，部分各向异性指数矩阵FA和脑区表面积矩阵Surface；与传统的偏侧性检测方法相比，本发明所述的一种基于模块连接的大脑结构网络的偏侧性检测方法，将网络模块性与偏侧性进行融合，能够更有效、精确地挖掘大脑局部网络指标的偏侧性，从而为探究大脑工作机制提供一定的帮助。
Description
技术领域
本发明属于脑结构成像领域以及大脑网络拓扑结构分析技术领域，尤其涉及一种基于模块连接的大脑结构网络的偏测性检测方法。
背景技术
偏侧性是指大脑左右半球在结构和功能上存在的不对称性，其源于胚胎时期且随着年龄、环境和经验的积累而发生变化，是人脑发育的一个基本特征。大脑结构偏侧性主要包括大脑白质体积、白质整合性等。大脑功能偏侧性是指时空处理、语言、运动以及认知控制功能在左右半球存在的差异。许多神经学研究揭示正常人存在白质偏侧性的区域往往伴随着大脑功能的偏侧性。如研究表明正常人在枕顶区和眶额区的白质呈右偏侧性，这与该区域对应的视空以及注意功能的右偏侧性一致。因此，研究左右半球白质的差异性对我们探究大脑认知功能的加工机制非常重要。
基于神经影像技术和复杂网络理论的脑网络方法，为我们研究脑区间的连接模式提供了有效途径，已被成功用于大脑偏侧性研究中。结合弥散张量成像(diffusion tensorimaging,DTI)技术和图理论，通过研究左右两个半球内部的白质网络，一些研究已经证实大脑两个半球网络之间存在显著的拓扑不对称性。例如，健康成年人的右半球网络在全局效率显著优于左半球网络，表明右半球在视空注意功能显著优于左半球。
近来，大量研究表明脑网络具备模块化结构的拓扑性质。模块化结构表现了网络的聚集程度，是复杂网络的基本属性之一。每一个模块都由网络中的部分节点组成，人脑可以划分为若干个模块(主要包括运动模块、视觉模块、注意模块、默认模块和边缘系统)，每个模块对应不同的大脑功能，其解释了大脑结构和功能之间的潜在关系，为探究大脑工作机制提供了新的视角。传统的关于大脑结构网络的偏侧性研究主要是探究大脑左右半球网络在拓扑结构上存在的差异性，忽视了网络模块内以及模块间拓扑性质的偏侧性。因此，基于模块连接的偏侧性研究，更有助于从局部脑区连接的角度，探究大脑拓扑结构的偏侧性，进一步探究大脑工作机制。
发明内容
针对现有技术的不足，本发明提出了采用一种基于社区划分算法Louvain对大脑结构网络进行模块划分，基于划分的模块，利用偏侧性指数对模块内部与模块间结构连接的不对称性进行检测。
一种基于模块连接的大脑结构网络的偏测性检测方法，采用如下步骤实现的：
步骤S1：对弥散张量成像进行预处理，然后根据选定的标准化脑图谱，对预处理后的弥散张量成像进行区域分割；
步骤S2：采用确定性纤维束追踪算法，基于追踪的结束条件对全脑的纤维进行重建，并计算两两脑区间的纤维束数量与部分各向异性指数以及每个脑区的表面积，由此得到脑区间的纤维束数量矩阵FN，部分各向异性指数矩阵FA和脑区表面积矩阵Surface；
步骤S3：将矩阵FN与FA进行耦合，并基于Surface矩阵进行归一化，构建大脑结构网络矩阵SC；
步骤S4：将大脑结构网络矩阵SC划分为左半球网络SCL和右半球网络SCR；
步骤S5：基于社区划分算法Louvain分别对两个网络SCL和SCR进行模块划分；
步骤S6：基于图理论，从全局效率、局部效率、连接密度、连接强度的角度分析各模块内部、以及模块间的结构连接；
步骤S7：通过计算各模块内部与两两模块间连接指标的偏侧性指数，得到基于模块连接的大脑结构网络的偏侧性分析结果。
在步骤S1中，首先利用FSL中的BET工具箱对DTI原始图像进行去头骨操作；然后利用FSL中的FLIRT工具进行头动矫正，以及利用FSL中的eddy_correct工具进行涡流矫正；最后利用PANDA软件对DTI图像进行张量重建；根据选定的标准化脑图谱BN模板，对预处理后的DTI图像进行分割，将大脑分为246个脑区；
其中，PANDA软件是由北京师范大学研发的用于分析大脑弥散张量成像的工具箱；
在步骤S2中，纤维束追踪的结束条件具体包括：1)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束的部分各向异性指数小于0.1，则该条纤维束的追踪终止；2)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束位于大脑皮层的边界，则该条纤维束的追踪终止；3)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束的偏转角度大于35°，则该条纤维束的追踪终止。基于纤维束追踪的结果，计算两两脑区间的纤维束数量、部分各向异性指数以及脑区表面积，由此得到脑区间的纤维束数量矩阵FN，部分各向异性指数矩阵FA和脑区表面积矩阵Surface；
在步骤S3中，构建结构脑网络SC的处理公式如下所示：
公式(1)中，SCi,j表示大脑结构网络矩阵SC中第i行第j列的元素；FAi,j表示部分各向异性指数矩阵FA中第i行第j列的元素；FNi,j表示纤维束数量矩阵FN中第i行第j列的元素；Surfacei表示脑区i的表面积；τ表示阈值，取值为3；大脑结构网络矩阵SC的维度为246×246。
在步骤S4中，将大脑结构网络SC划分为左右两个半球网络的处理公式如下；
其中，
公式(2)和(3)中，SCi,j表示大脑结构网络矩阵SC中第i行第j列的元素；SCLiL,jL表示大脑左半球结构网络矩阵SCL中第iL行第jL列的元素，其中；SCRiR,jR表示大脑右半球结构网络矩阵SCR中第iR行第jR列的元素。
在步骤S5中，Louvain算法是基于模块度的社区发现算法，其优化目标是最大化整个社区网络的模块度。基于社区发现算法Louvain对大脑结构网络进行模块划分包括以下步骤：
步骤S51：社区网络的模块度是评估一个社区网络划分好坏的度量方法，它的含义是社区内节点的连边数与随机情况下的边数之差，它的取值范围是(0,1)，其定义如下：
公式中，Wi,j表示节点i和j之间的权值，ki表示节点的度，m为网络中的总连接边数，ci为节点所在的社团编号。∑in表示社区c内的所有边的权重之和。∑tot表示与社区c内的节点相连的边的权重之和。
步骤S52:社区划分算法Louvain划分模块的方法如下：①初始时将每个顶点当作一个社区，社区个数与顶点个数相同；②依次将每个顶点与之相邻顶点合并在一起，计算它们的模块度增益ΔQ是否大于0，如果大于0，就将该结点放入该相邻结点所在社区；③迭代第二步，直至算法稳定，即所有顶点所属社区不再变化；④将各个社区所有节点压缩成为一个结点，社区内点的权重转化为新结点环的权重，社区间权重转化为新结点边的权重；⑤重复步骤1-3，直至算法稳定。
在步骤S6中，利用图理论分析各模块内部的结构连接，包括全局效率、局部效率、连接密度、连接强度；各指标的具体计算公式如下：
全局效率(Eg):
局部效率(Eloc):
连接密度(D):
连接强度(S):
公式(6)-(9)中，H表示半球网络；c表示模块网络；
表示半球H内模块c的节点个数；
表示半球H内模块c的结构连接个数；
表示半球H内模块c的连接密度；
表示半球H内模块c的所有连接权重之和；
表示半球H内模块c的连接强度；dij表示节点i和节点j间的最短路径长度；
表示半球H内模块c的全局效率，
表示半球H内模块c的局部效率。
在步骤S7中:不对称性指数的计算方法如下：
公式(10)中，GR表示右半球结构网络的图论连接指标，GL表示左半球结构网络的图论连接指标，
表示右半球内模块c的图论连接指标，
表示左半球内模块c的图论连接指标。
与现有技术相比，本发明的有益效果是：与传统的偏侧性检测方法相比，本发明所述的一种基于模块连接的大脑结构网络的偏侧性检测方法，将网络模块性与偏侧性进行融合，能够更有效、精确地挖掘大脑局部网络指标的偏侧性，从而为探究大脑工作机制提供一定的帮助。
附图说明
图1为本发明方法流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。
实施例
(1)实验数据
实验选取了52名正常人(Normal control,NC)作为实验对象。
(2)实验过程
请参阅图1，按照图1所示的流程，采用如下步骤对52名被试的大脑结构网络的偏侧性进行分析：
步骤S1：对弥散张量成像进行预处理，然后根据选定的标准化脑图谱，对预处理后的弥散张量成像进行区域分割；
在步骤S1中，采用脑功能磁共振成像软件(FMRIB Software Library,FSL)进行，预处理的步骤具体包括：磁化系数修正、涡流失真修正、头动矫正；标准化脑图谱采用脑成像国际联盟(the International Consortium of Brain Mapping，ICBM)图谱；对预处理后的弥散张量图像进行分割，将大脑分为246个脑区；
步骤S2：采用确定性纤维束追踪算法，基于追踪的结束条件对全脑的纤维进行重建，并计算两两脑区间的纤维束数量、部分各向异性指数以及每个脑区的表面积，由此得到脑区间的纤维束数量矩阵FN、部分各向异性指数矩阵FA以及表面积矩阵Surface；
在步骤S2中，确定性纤维束追踪算法采用以下四种算法的任一种：纤维联络连续追踪(Fiber Assignment by Continuous Tracking,FACT)、2nd order runge-kutta(2ndorderRK)、Tensoline与Interplated Streamline；纤维束追踪的结束条件具体包括：1)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束的部分各向异性指数小于0.1，则该条纤维束的追踪终止；2)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束位于大脑皮层的边界，则该条纤维束的追踪终止；3)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束的偏转角度大于35°，则该条纤维束的追踪终止。
步骤S3：将矩阵FN与FA进行耦合，并基于Surface矩阵进行归一化，构建大脑结构网络矩阵SC；
在步骤S3中，利用公式(1)计算两个脑区之间的连接：
公式(1)中，SCi,j表示大脑结构网络矩阵SC中第i行第j列的元素；FAi,j表示部分各向异性指数矩阵FA中第i行第j列的元素；FNi,j表示纤维束数量矩阵FN中第i行第j列的元素；Surfacei表示脑区i的表面积；τ表示阈值，取值为3；大脑结构网络矩阵SC的维度为246×246。
步骤S4：将大脑结构网络SC划分为左半球网络SCL和右半球网络SCR；
在步骤S4中，利用公式(2)构建左半球网络SCL，利用公式(3)构建右半球网络SCR：
其中，
公式(2)和(3)中，SCi,j表示大脑结构网络矩阵SC中第i行第j列的元素；SCLiL,jL表示大脑左半球结构网络矩阵SCL中第iL行第jL列的元素，其中；SCRiR,jR表示大脑右半球结构网络矩阵SCR中第iR行第jR列的元素。
步骤S5：基于社区划分算法Louvain分别对两个网络SCL和SCR进行模块划分；
在步骤S5中，Louvain算法是基于模块度的社区发现算法，其优化目标是最大化整个社区网络的模块度。基于社区发现算法Louvain大脑结构网络进行模块划分包括以下步骤：
步骤S51：社区网络的模块度是评估一个社区网络划分好坏的度量方法，它的含义是社区内节点的连边数与随机情况下的边数之差，它的取值范围是(0,1)，其定义如下：
公式中，Wi,j表示节点i和j之间的权值，ki表示节点的度，m为网络中的总连接边数，ci为节点所在的社团编号。∑in表示社区c内的所有边的权重之和。∑tot表示与社区c内的节点相连的边的权重之和。
步骤S52:社区划分算法Louvain划分模块的方法如下：①初始时将每个顶点当作一个社区，社区个数与顶点个数相同；②依次将每个顶点与之相邻顶点合并在一起，计算它们的模块度增益ΔQ是否大于0，如果大于0，就将该结点放入该相邻结点所在社区；③迭代第二步，直至算法稳定，即所有顶点所属社区不再变化；④将各个社区所有节点压缩成为一个结点，社区内点的权重转化为新结点环的权重，社区间权重转化为新结点边的权重；⑤重复步骤1-3，直至算法稳定。
步骤S6：利用图理论分析各模块内部的结构连接，包括全局效率、局部效率、连接密度、连接强度；
在步骤S6中，利用图理论分析各模块内部的结构连接，包括全局效率、局部效率、连接密度、连接强度；各指标的具体计算公式如下：
全局效率(Eg):
局部效率(Eloc):
连接密度(D):
连接强度(S):
公式(6)-(9)中，H表示半球网络；c表示模块网络；
表示半球H内模块c的节点个数；
表示半球H内模块c的结构连接个数；
表示半球H内模块c的连接密度；
表示半球H内模块c的所有连接权重之和；
表示半球H内模块c的连接强度；dij表示节点i和节点j间的最短路径长度；
表示半球H内模块c的全局效率，
表示半球H内模块c的局部效率。
步骤S7：通过计算各模块内部与两两模块间连接指标的偏侧性指数，得到基于模块连接的大脑结构网络的偏侧性分析结果。
在步骤S7中:利用公式(10)计算偏侧性指数：
公式(10)中，GR表示右半球结构网络的图论连接指标，GL表示左半球结构网络的图论连接指标，
表示右半球内模块c的图论连接指标，
表示左半球内模块c的图论连接指标。
(3)实验结果
表1半球网络内部与模块内部结构连接存在显著偏侧性的指标
表2模块间的结构连接存在显著偏侧性指标
与传统的偏侧性检测方法相比，本发明所述的一种基于模块连接的大脑结构网络的偏侧性检测方法，将网络模块性与偏侧性进行融合，能够更有效、精确地挖掘大脑局部网络指标的偏侧性，从而为探究大脑工作机制提供一定的帮助。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于模块连接的大脑结构网络的偏测性检测方法，其特征在于，包括以下步骤：
步骤S1：对弥散张量成像进行预处理，根据选定的标准化脑图谱，对预处理后的弥散张量成像进行区域分割；
步骤S2：采用确定性纤维束追踪算法，基于追踪的结束条件对全脑的纤维进行重建，并计算两两脑区间的纤维束数量与部分各向异性指数、以及每个脑区的表面积，得到脑区间的纤维束数量矩阵FN，部分各向异性指数矩阵FA和脑区表面积矩阵Surface；
步骤S3：将矩阵FN与FA进行耦合，并基于Surface矩阵进行归一化，构建大脑结构网络矩阵SC；
步骤S4：将大脑结构网络矩阵SC划分为左半球网络SCL和右半球网络SCR；
步骤S5：基于社区划分算法Louvain分别对两个网络SCL和SCR进行模块划分；
步骤S6：基于图理论，从全局效率、局部效率、连接密度、连接强度的角度分析各模块内部、以及模块间的结构连接；
步骤S7：通过计算各模块内部与两两模块间连接指标的偏侧性指数，得到基于模块连接的大脑结构网络的偏侧性分析结果。
2.根据权利要求1所述的检测方法，其特征在于，在步骤S1中，具体包括：首先利用FSL中的BET工具箱对弥散张量成像的原始图像进行去头骨操作；然后利用FSL中的FLIRT工具进行头动矫正，以及利用FSL中的eddy_correct工具进行涡流矫正；最后利用PANDA软件对弥散张量成像图像进行张量重建；根据选定的标准化脑图谱，对预处理后的弥散张量成像图像进行分割，将大脑分为246个脑区。
3.根据权利要求2所述的检测方法，其特征在于，在步骤S2中，纤维束追踪的结束条件具体包括：1)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束的部分各向异性指数小于0.1，则该条纤维束的追踪终止；2)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束位于大脑皮层的边界，则该条纤维束的追踪终止；3)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束的偏转角度大于35°，则该条纤维束的追踪终止。
4.根据权利要求3所述的检测方法，其特征在于，在步骤S3中，构建结构脑网络SC的处理公式如下所示：
公式(1)中，SCi,j表示大脑结构网络矩阵SC中第i行第j列的元素；FAi,j表示部分各向异性指数矩阵FA中第i行第j列的元素；FNi,j表示纤维束数量矩阵FN中第i行第j列的元素；Surfacei表示脑区i的表面积；τ表示阈值，取值为3；大脑结构网络矩阵SC的维度为246×246。
5.根据权利要求4所述的检测方法，其特征在于，在步骤S4中，将大脑结构网络SC划分为左右两个半球网络的处理公式如下；
其中，
公式(2)和(3)中，SCi,j表示大脑结构网络矩阵SC中第i行第j列的元素；SCLiL,jL表示大脑左半球结构网络矩阵SCL中第iL行第jL列的元素，其中；SCRiR,jR表示大脑右半球结构网络矩阵SCR中第iR行第jR列的元素。
6.根据权利要求5所述的检测方法，其特征在于，在步骤S5中，基于社区发现算法Louvain对大脑结构网络进行模块划分包括以下步骤：
步骤S51：社区网络的模块度是社区内节点的连边数与随机情况下的边数之差，它的取值范围是(0,1)，其定义如下：
公式中，Wi,j表示节点i和j之间的权值，ki表示节点的度，m为网络中的总连接边数，ci为节点所在的社团编号，∑in表示社区c内的所有边的权重之和，∑tot表示与社区c内的节点相连的边的权重之和；
步骤S52:社区划分算法Louvain划分模块的方法包括：
①初始时将每个顶点当作一个社区，社区个数与顶点个数相同；
②依次将每个顶点与之相邻顶点合并在一起，计算它们的模块度增益ΔQ是否大于0，如果大于0，就将该节 点放入该相邻节 点所在社区，计算公式如下：
③迭代第二步，直至算法稳定，即所有顶点所属社区不再变化；
④将各个社区所有节点压缩成为一个节 点，社区内点的权重转化为新节 点环的权重，社区间权重转化为新节 点边的权重；
⑤重复步骤①-③，直至算法稳定。
7.根据权利要求6所述的检测方法，其特征在于，在步骤S6中，利用图理论分析各模块内部的结构连接，包括全局效率、局部效率、连接密度、连接强度；各指标的具体计算公式如下：
全局效率(Eg):
局部效率(Eloc):
连接密度(D):
连接强度(S):
公式(6)-(9)中，H表示半球网络；c表示模块网络；
表示半球H内模块c的节点个数；
表示半球H内模块c的结构连接个数；
表示半球H内模块c的连接密度；
表示半球H内模块c的所有连接权重之和；
表示半球H内模块c的连接强度；dij表示节点i和节点j间的最短路径长度；
表示半球H内模块c的全局效率，
表示半球H内模块c的局部效率。
8.根据权利要求7所述的检测方法，其特征在于，在步骤S7中，偏侧性指数的计算方法如下：
公式(10)中，GR表示右半球结构网络的图论连接指标，GL表示左半球结构网络的图论连接指标，
表示右半球内模块c的图论连接指标，
表示左半球内模块c的图论连接指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010105253.0A CN111340821B (zh) | 2020-02-20 | 2020-02-20 | 一种基于模块连接的大脑结构网络的偏测性检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010105253.0A CN111340821B (zh) | 2020-02-20 | 2020-02-20 | 一种基于模块连接的大脑结构网络的偏测性检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111340821A CN111340821A (zh) | 2020-06-26 |
| CN111340821B true CN111340821B (zh) | 2020-12-08 |
Family
ID=71183555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010105253.0A Active CN111340821B (zh) | 2020-02-20 | 2020-02-20 | 一种基于模块连接的大脑结构网络的偏测性检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111340821B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784206B (zh) * | 2020-07-29 | 2021-03-19 | 南昌航空大学 | 采用LeaderRank算法评估社交网络关键节点的方法 |
| CN112741613A (zh) * | 2021-01-13 | 2021-05-04 | 武汉大学 | 一种静息态人脑默认网络功能与结构耦合分析方法 |
| CN113283465B (zh) * | 2021-04-02 | 2022-04-29 | 电子科技大学 | 一种弥散张量成像数据分析方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609946A (zh) * | 2012-02-08 | 2012-07-25 | 中国科学院自动化研究所 | 一种基于黎曼流形的脑白质纤维束跟踪的组间处理方法 |
| CN105117731A (zh) * | 2015-07-17 | 2015-12-02 | 常州大学 | 一种大脑功能网络的社团划分方法 |
| KR101621849B1 (ko) * | 2014-12-02 | 2016-05-31 | 삼성전자주식회사 | 뇌 네트워크의 분석을 위한 노드를 결정하는 방법 및 장치 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8320647B2 (en) * | 2007-11-20 | 2012-11-27 | Olea Medical | Method and system for processing multiple series of biological images obtained from a patient |
| NO2883206T3 (zh) * | 2012-08-09 | 2018-03-03 | ||
| WO2014139021A1 (en) * | 2013-03-15 | 2014-09-18 | Synaptive Medical (Barbados) Inc. | Intramodal synchronization of surgical data |
| CN103345749B (zh) * | 2013-06-27 | 2016-04-13 | 中国科学院自动化研究所 | 一种基于模态融合的大脑网络功能连接偏侧性检测方法 |
| 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 |
| CN104573742B (zh) * | 2014-12-30 | 2018-03-23 | 中国科学院深圳先进技术研究院 | 医学图像分类方法和系统 |
| CN106548206B (zh) * | 2016-10-27 | 2019-08-02 | 太原理工大学 | 基于最小生成树的多模态磁共振影像数据分类方法 |
| 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 |
| CN107658018B (zh) * | 2017-10-12 | 2019-07-05 | 太原理工大学 | 一种基于结构连接和功能连接的融合脑网络构建方法 |
| CN109147941A (zh) * | 2018-10-17 | 2019-01-04 | 上海交通大学 | 基于结构磁共振影像数据的大脑健壮性评估方法 |
| CN109921921B (zh) * | 2019-01-26 | 2021-06-04 | 复旦大学 | 一种时变网络中时效稳定社团的检测方法和装置 |
| CN110458832B (zh) * | 2019-08-14 | 2022-12-27 | 电子科技大学 | 静息态大脑功能对称性分析方法 |
-
2020
- 2020-02-20 CN CN202010105253.0A patent/CN111340821B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609946A (zh) * | 2012-02-08 | 2012-07-25 | 中国科学院自动化研究所 | 一种基于黎曼流形的脑白质纤维束跟踪的组间处理方法 |
| KR101621849B1 (ko) * | 2014-12-02 | 2016-05-31 | 삼성전자주식회사 | 뇌 네트워크의 분석을 위한 노드를 결정하는 방법 및 장치 |
| CN105117731A (zh) * | 2015-07-17 | 2015-12-02 | 常州大学 | 一种大脑功能网络的社团划分方法 |
Non-Patent Citations (1)
| Title |
|---|
| "Reduced hemispheric asymmetry of brain anatomical networks";Dandan Li等;《Brain Imaging and Behavior (2019)》;20180511;第669-684页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111340821A (zh) | 2020-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340821B (zh) | 一种基于模块连接的大脑结构网络的偏测性检测方法 | |
| CN113616184A (zh) | 基于多模态磁共振图像的脑网络建模与个体预测方法 | |
| CN106548206B (zh) | 基于最小生成树的多模态磁共振影像数据分类方法 | |
| Roncal et al. | MIGRAINE: MRI graph reliability analysis and inference for connectomics | |
| CN112418337B (zh) | 基于脑功能超网络模型的多特征融合数据分类方法 | |
| CN117058514B (zh) | 基于图神经网络的多模态脑影像数据融合解码方法和装置 | |
| CN112348833B (zh) | 基于动态连接的脑功能网络变异识别方法及系统 | |
| Uzun et al. | GAN as a generative architectural plan layout tool: A case study for training DCGAN with Palladian Plans and evaluation of DCGAN outputs | |
| CN115239674B (zh) | 基于多尺度判别的计算机血管造影成像合成方法 | |
| CN112634214A (zh) | 一种结合节点属性与多层次拓扑的脑网络分类方法 | |
| CN111861924A (zh) | 一种基于进化gan的心脏磁共振图像数据增强方法 | |
| CN117058170A (zh) | 基于双分支多尺度交叉融合网络的颈动脉斑块分割方法 | |
| CN113705680B (zh) | 一种基于多模态磁共振数据的癌症伴随型抑郁识别方法 | |
| Zhang et al. | Multi-modality image fusion in adaptive-parameters SPCNN based on inherent characteristics of image | |
| WO2023108873A1 (zh) | 一种脑网络和脑成瘾连接计算方法及装置 | |
| CN114821299A (zh) | 一种遥感图像变化检测方法 | |
| CN115868923A (zh) | 基于展开式循环神经网络的荧光分子断层成像方法及系统 | |
| CN112690774B (zh) | 一种基于磁共振影像的卒中复发预测方法和系统 | |
| CN111414579A (zh) | 基于多角度相关关系获取脑区关联信息的方法和系统 | |
| CN112101438A (zh) | 一种左右眼分类方法、装置、服务器和存储介质 | |
| Oeltze et al. | Interactive visual analysis of scientific data | |
| CN116188420A (zh) | 一种基于卷积Transformer的多模态医学图像分割方法 | |
| CN115760785A (zh) | 一种脑体素形态学高阶特征提取方法 | |
| CN112274144A (zh) | 近红外脑功能成像数据的处理方法、装置和存储介质 | |
| CN113283465B (zh) | 一种弥散张量成像数据分析方法及装置 |
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 |