CN111753947B - 静息态脑网络构建方法、装置、设备及计算机存储介质 - Google Patents
静息态脑网络构建方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN111753947B CN111753947B CN202010516464.3A CN202010516464A CN111753947B CN 111753947 B CN111753947 B CN 111753947B CN 202010516464 A CN202010516464 A CN 202010516464A CN 111753947 B CN111753947 B CN 111753947B
- Authority
- CN
- China
- Prior art keywords
- brain network
- brain
- network nodes
- correlation coefficient
- determining
- 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 374
- 230000000284 resting effect Effects 0.000 title claims abstract description 91
- 238000010276 construction Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 68
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000003925 brain function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000011157 brain segmentation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
-
- 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
- A61B5/05—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- High Energy & Nuclear Physics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种静息态脑网络构建方法、装置、设备及计算机存储介质，该方法包括：获取全脑影像对应的静息态功能磁共振数据；根据标准脑模板确定所述全脑影像中的脑网络节点，并根据静息态功能磁共振数据分别确定每个脑网络节点对应体素的平均时间序列；根据所述平均时间序列计算任意两个脑网络节点之间的距离相关系数；根据所述距离相关系数确定所述全脑影像中的脑网络连接边，以根据脑网络节点及脑网络连接边构建脑网络。由此，通过利用距离相关系数构建脑网络，简化了脑网络的构建步骤，且提高了脑网络的准确度。
Description
技术领域
本发明涉及脑网络技术领域，尤其涉及一种静息态脑网络构建方法、装置、设备及计算机存储介质。
背景技术
随着人对大脑功能的持续关注以及脑功能成像技术的不断进步，脑科学的研究得到了高速发展。功能磁共振成像(functional magnetic resonance imaging,fMRI)是一种利用磁振造影来测量神经元活动所引发的血液动力改变的成像方式，具有非侵入、没辐射暴露以及高分辨率的优点，是目前用来研究大脑功能的主要手段之一。
想要对大脑功能进行分析与研究就需要先构建大脑功能网络，目前脑功能网络模型基本上是利用皮尔森系数来进行构建，然而由于皮尔森系数对功能磁共振数据有较高的要求，造成大脑功能网络构建困难,，且构建后的大脑功能网络准确度低。
发明内容
本发明提供一种静息态脑网络构建方法、装置、设备及计算机存储介质，旨在解决目前脑网络构建步骤复杂，且构建的脑网络准确度低的技术问题。
为实现上述目的，本发明提供一种静息态脑网络构建方法，所述静息态脑网络构建方法包括：
获取全脑影像对应的静息态功能磁共振数据；
根据标准脑模板确定所述全脑影像中的脑网络节点，并根据静息态功能磁共振数据分别确定每个脑网络节点对应体素的平均时间序列；
根据所述平均时间序列计算任意两个脑网络节点之间的距离相关系数；
根据所述距离相关系数确定所述全脑影像中的脑网络连接边，以根据脑网络节点及脑网络连接边构建脑网络。
优选地，确定所述全脑影像中的脑网络节点总数，以构建所述脑网络节点对应的零矩阵；
将所述任意两个脑网络节点之间的距离相关系数作为所述零矩阵的元素，以得到相关矩阵；
确定距离相关系数阈值，对所述相关矩阵的元素进行阈值化，以得到阈值相关矩阵；
根据所述阈值相关矩阵，确定所述全脑影像中的脑网络连接边。
优选地，分别将所述相关矩阵中各个位置的元素与距离相关系数阈值比较大小；
将大于或等于距离相关系数阈值的距离相关系数对应位置的元素设置为预设值，以得到阈值相关矩阵。
优选地，确定所述阈值相关矩阵的元素中值为预设值的各个目标元素；
分别确定所述目标元素在所述全脑影像中对应的两个脑网络节点，并在所述两个脑网络节点之间建立脑网络连接边。
优选地，计算所述脑网络的聚类系数及平均路径长度；
基于所述脑网络的聚类系数及平均路径长度，计算小世界性。
优选地，根据所述小世界性，判断所述脑网络是否具有小世界拓扑结构；
若所述脑网络不具有小世界拓扑结构，则对所述脑网络进行优化，以得到具有小世界拓扑结构的脑网络。
优选地，获取全脑影像，并对所述全脑影像进行预处理，以得到所述全脑影像对应的静息态功能磁共振数据。
此外，为实现上述目的，本发明还提供一种静息态脑网络构建装置，所述静息态脑网络构建装置包括：
获取模块，用于获取全脑影像对应的静息态功能磁共振数据；
确定模块，用于根据标准脑模板确定所述全脑影像中的脑网络节点，并根据静息态功能磁共振数据分别确定每个脑网络节点对应体素的平均时间序列；
计算模块，用于根据所述平均时间序列计算任意两个脑网络节点之间的距离相关系数；
构建模块，用于根据所述距离相关系数确定所述全脑影像中的脑网络连接边，以根据脑网络节点及脑网络连接边构建脑网络。
此外，为实现上述目的，本发明还提供一种静息态脑网络构建设备，所述静息态脑网络构建设备包括处理器，存储器以及存储在所述存储器中的静息态脑网络构建程序，所述静息态脑网络构建程序被所述处理器运行时，实现如上所述的静息态脑网络构建方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机存储介质，所述计算机存储介质上存储有静息态脑网络构建程序，所述静息态脑网络构建程序被处理器运行时实现如上所述静息态脑网络构建方法的步骤。
相比现有技术，本发明公开了一种静息态脑网络构建方法、装置、设备及计算机存储介质，获取全脑影像对应的静息态功能磁共振数据；根据标准脑模板确定所述全脑影像中的脑网络节点，并根据静息态功能磁共振数据分别确定每个脑网络节点对应体素的平均时间序列；根据所述平均时间序列计算任意两个脑网络节点之间的距离相关系数；根据所述距离相关系数确定所述全脑影像中的脑网络连接边，以根据脑网络节点及脑网络连接边构建脑网络，通过利用距离相关系数构建脑网络，简化了脑网络的构建步骤，且提高了脑网络的准确度。
附图说明
图1是本发明各实施例涉及的静息态脑网络构建设备的硬件结构示意图；
图2是本发明静息态脑网络构建方法第一实施例的流程示意图；
图3是本发明静息态脑网络构建方法第二实施例的流程示意图；
图4是本发明静息态脑网络构建装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例主要涉及的静息态脑网络构建设备是指能够实现网络连接的网络连接设备，所述静息态脑网络构建设备可以是服务器、云平台等。
参照图1，图1是本发明各实施例涉及的静息态脑网络构建设备的硬件结构示意图。本发明实施例中，静息态脑网络构建设备可以包括处理器1001(例如中央处理器Central Processing Unit、CPU)，通信总线1002，输入端口1003，输出端口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；输入端口1003用于数据输入；输出端口1004用于数据输出，存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
继续参照图1，图1中作为一种可读存储介质的存储器1005可以包括操作系统、网络通信模块、应用程序模块以及静息态脑网络构建程序。在图1中，网络通信模块主要用于连接服务器，与服务器进行数据通信；而处理器1001可以调用存储器1005中存储的静息态脑网络构建程序，并执行如下操作：
获取全脑影像对应的静息态功能磁共振数据；
根据标准脑模板确定所述全脑影像中的脑网络节点，并根据静息态功能磁共振数据分别确定每个脑网络节点对应体素的平均时间序列；
根据所述平均时间序列计算任意两个脑网络节点之间的距离相关系数；
根据所述距离相关系数确定所述全脑影像中的脑网络连接边，以根据脑网络节点及脑网络连接边构建脑网络。
进一步地，处理器1001还可以用于调用存储器1005中存储的静息态脑网络构建程序，并执行以下步骤：
确定所述全脑影像中的脑网络节点总数，以构建所述脑网络节点对应的零矩阵；
将所述任意两个脑网络节点之间的距离相关系数作为所述零矩阵的元素，以得到相关矩阵；
确定距离相关系数阈值，对所述相关矩阵的元素进行阈值化，以得到阈值相关矩阵；
根据所述阈值相关矩阵，确定所述全脑影像中的脑网络连接边。
进一步地，处理器1001还可以用于调用存储器1005中存储的静息态脑网络构建程序，并执行以下步骤：
分别将所述相关矩阵中各个位置的元素与距离相关系数阈值比较大小；
将大于或等于距离相关系数阈值的距离相关系数对应位置的元素设置为预设值，以得到阈值相关矩阵。
进一步地，处理器1001还可以用于调用存储器1005中存储的静息态脑网络构建程序，并执行以下步骤：
确定所述阈值相关矩阵的元素中值为预设值的各个目标元素；
分别确定所述目标元素在所述全脑影像中对应的两个脑网络节点，并在所述两个脑网络节点之间建立脑网络连接边。
进一步地，处理器1001还可以用于调用存储器1005中存储的静息态脑网络构建程序，并执行以下步骤：
计算所述脑网络的聚类系数及平均路径长度；
基于所述脑网络的聚类系数及平均路径长度，计算小世界性。
进一步地，处理器1001还可以用于调用存储器1005中存储的静息态脑网络构建程序，并执行以下步骤：
根据所述小世界性，判断所述脑网络是否具有小世界拓扑结构；
若所述脑网络不具有小世界拓扑结构，则对所述脑网络进行优化，以得到具有小世界拓扑结构的脑网络。
进一步地，处理器1001还可以用于调用存储器1005中存储的静息态脑网络构建程序，并执行以下步骤：
获取全脑影像，并对所述全脑影像进行预处理，以得到所述全脑影像对应的静息态功能磁共振数据。
基于上述的结构，提出本发明静息态脑网络构建方法的各个实施例。
参照图2，图2是本发明静息态脑网络构建方法第一实施例的流程示意图，具体地，所述方法包括：
步骤S10：获取全脑影像对应的静息态功能磁共振数据；
本实施例中，获取被测试者在静息态下的全脑影像，即功能磁共振图像(functional magnetic resonance imaging，fMRI)，可选地，采用3T磁共振扫描仪获取被测试者在静息态下的功能磁共振数据。
具体地，获取全脑影像，并对所述全脑影像进行预处理，以得到所述全脑影像对应的静息态功能磁共振数据。
需要说明的是，为了避免在采集图像过程中由于机器或则被测试者外界因素造成的功能磁共振图像不准确，而造成构建的脑网络结构不准确，在获取静息态功能磁共振数据之后，需对静息态功能磁共振数据进行预处理，具体地，本实施例中，采用SPM(统计参考图)对静息态功能磁共振数据依次进行格式转换、前n个时间数据点的去除、时间层校正、头动校正、空间标准化、去线性漂移、滤波及计算局部一致性与低频波振幅处理工作，需要说明的是，常见的静息态功能磁共振图像通常为DICOM格式，因此需将获取的静息态功能磁共振图像转换为NIFTI格式后再进行数据处理，进一步地，由于机器刚启动时会导致前面的一些数据不稳定，因此需要去除机器采集的前n个时间数据点，比如去除前10个数据点，接着为了消除间隔扫描出现的时间相位差，使重复时间(repetition time，TR)中每一层获取时间一致，被试在成像过程中会出现头部移动的情况，从而造成偏差，因此需要利用头动校正会消除这种偏差，进一步地，为了减少图像噪声，在进行头动校正之后，依次进行空间标准化及空间平滑，可选地，利用EPI模型进行空间标准化，进一步地，由于机器工作升温或被试适应，随着时间积累采集的静息态功能磁共振数据会存在一个线性趋势，因此需要对数据进行去线性漂移，为了筛选出具有生理学意义的静息态功能磁共振数据，还对数据进行滤波处理，最后利用静息态功能磁共振数据的肯德尔和谐系数计算局部一致性来表征个体素与周围体素的一致性。
步骤S20：根据标准脑模板确定所述全脑影像中的脑网络节点，并根据静息态功能磁共振数据分别确定每个脑网络节点对应体素的平均时间序列；
该步骤中，标准脑模板分为基于体素的标准脑模板或基于感兴趣区域的标准脑膜板，可选地，利用体素或感兴趣区域定义脑网络节点，其中，利用体素定义脑网络节点时，将全脑影像中的图像体素看做静息态脑网络中的节点，如：本实施例中采集的每个图像体素的大小为6mm x6mm x6mm，每个图像中共有560个图像体素，则就有560个大脑网络节点，进一步地，利用感兴趣区域定义脑网络节点时，可根据脑分割模板将大脑分为若干个感兴趣区域，比如根据人脑网络组图谱将整个大脑分成246个感兴趣区域，其中，每个感兴趣区域均代表网络的一个节点。
在定义脑网络节点之后，比如，若利用体素定义脑网络节点，则提取静息态功能磁共振数据中每一个体素点的时间序列，其中，每一个体素点的时间序列即为每个脑网络节点所含体素的平均时间序列，若利用感兴趣区域定义脑网络节点，则分别确定每一个感兴趣区域对应的体素点集，并提取预处理后的静息态功能磁共振数据中每一个体素点的时间序列，最后分别计算每一个感兴趣区域的所含体素的平均时间序列。
步骤S30：根据所述平均时间序列计算任意两个脑网络节点之间的距离相关系数；
本实施例中，与平时使用Pearson系数用来表示节点功能关系不同，本发明使用距离相关系数来表示节点功能关系，需要说明的是，当前脑功能网络模型基本上是利用皮尔森系数来进行构建，皮尔森系数是协方差与标准差的比值，所以它对数据有较高的要求：数据是成对的来自正态分布的总体及数据之间的差距不能太大，然而大部分实验数据并不能同时达到以上两个要求，因此用采集的大部分实验数据根据Pearson系数构建脑网络时，构建的脑网络准确率低，因此本发明利用距离相关系数构建准确率高的脑网络，具体地，基于相关系数计算公式分别任意两个两个脑网络节点之间的距离相关系数，以确定任意两个两个脑网络节点之间的相关性，具体地，相关系数计算公式为其中，u和v分别代表任意两个脑网络节点对应的平均时间序列，
同理计算/>和/>以获取任意两个两个脑网络节点之间的距离相关系数，当/>说明u和v是相互独立的；/>越大，说明u和v的相关性越强。
步骤S40：根据所述距离相关系数确定所述全脑影像中的脑网络连接边，以根据脑网络节点及脑网络连接边构建脑网络。
在计算全脑影像中的任意两个脑网络节点之间的距离相关系数之后，即可知道任意两个脑网络节点之间的相关性，在两个脑网络节点之间的相关性达到预设相关要求时，即可在该两个脑网络节点之间建立对应的脑网络连接边，比如：如果两个脑网络节点间的距离相关系数大于阈值，则对应的脑网络节点之间建立连接边(即邻接矩阵对应的元素值为1)，反之则不建立连接边(即邻接矩阵对应的元素值为0)，根据脑网络节点及对应的脑网络节点之间的连接边之后，最后构建得到由脑网络连接边与脑网络节点构成的脑网络模型。
进一步地，步骤S40之后，还包括：
步骤S50：计算所述脑网络的聚类系数及平均路径长度；
步骤S60：基于所述脑网络的聚类系数及平均路径长度，计算小世界性。
其中，脑网络的聚类系数指所有节点聚类系数的平均值，是用于度量脑网络的局部特性，因此在构建得到由脑网络连接边与脑网络节点构成的脑网络模型之后，根据脑网络模型的脑网络节点的度及脑网络节点i的邻居脑网络节点间存在的边数以计算出脑网络的聚类系数，而平均路径长度是脑网络中各个节点相连的最少边长度的平均数，用于度量脑网络的整体特性，在得到脑网络的聚类系数及平均路径长度之后，根据脑网络的聚类系数及平均路径长度，计算出脑网络的小世界性。
进一步地，计算小世界性的步骤之后，还包括：根据所述小世界性，判断所述脑网络是否具有小世界拓扑结构；若所述脑网络不具有小世界拓扑结构，则对所述脑网络进行优化，以得到具有小世界拓扑结构的脑网络，其中，若小世界性大于1，则表明脑网络具有世界拓扑结构。
本实施例中，通过获取全脑影像对应的静息态功能磁共振数据，根据标准脑模板确定所述全脑影像中的脑网络节点，并根据静息态功能磁共振数据分别确定每个脑网络节点对应体素的平均时间序列，根据所述平均时间序列计算任意两个脑网络节点之间的距离相关系数，根据所述距离相关系数确定所述全脑影像中的脑网络连接边，以根据脑网络节点及脑网络连接边构建脑网络，利用距离系数来准确地体现出节点之间的连接情况，以构建出更准确地脑网络。
基于上述图2所示的第二实施例，提出本发明第三实施例。如图3所示，图3是本发明静息态脑网络构建方法第二实施例的流程示意图。
所述根据所述距离相关系数确定脑网络连接边的步骤包括：
步骤S401：确定所述全脑影像中的脑网络节点总数，以构建所述脑网络节点对应的零矩阵；
在根据标准脑模板确定所述全脑影像中的脑网络节点之后，确定全脑影像中的脑网络节点总数，比如若脑网络节点总数为N，则根据脑网络节点总数N建立N*N的零矩阵。
步骤S402：将所述任意两个脑网络节点之间的距离相关系数作为所述零矩阵的元素，以得到相关矩阵；
需要说明的是，将任意两个脑网络节点之间的距离相关系数作为零矩阵的元素填入对应的零矩阵中，以得到相关矩阵，比如本实施例中的脑网络节点总数为560，则建立560*560大小的零矩阵，将两个脑网络节点之间的距离相关系数/>填入零矩阵对应的元素位置中，以一个被试的数据为例：r(1,2)＝0.5238，则在矩阵中第1行第2列填入0.5238，r(25,31)＝0.1681，则在第25行第31列填入0.1681。
步骤S403：确定距离相关系数阈值，对所述相关矩阵的元素进行阈值化，以得到阈值相关矩阵；
该步骤中，取一系列阈值，比如从0.05到0.95，其中，步长为0.05则得到阈值矩阵，根据阈值矩阵则可得到矩阵中每一个阈值对应的脑网络连接边数L，当L＝LnN时(N为脑网络节点总数)，该距离相关系数阈值即为本发明所需要的距离相关系数阈值，在确定距离相关系数阈值，对相关矩阵进行阈值化，以得到阈值相关矩阵。
具体地，步骤S403包括：
步骤S403a：分别将所述相关矩阵中各个位置的元素与距离相关系数阈值比较大小；
步骤S403b：将大于或等于距离相关系数阈值的距离相关系数对应位置的元素设置为预设值，以得到阈值相关矩阵。
需要说明的是，若距离相关系数阈值为0.35，则相关矩阵中元对应的距离相关系数为0.59，则将相关系数为0.59对应位置的元素设置为预设值，比如1，其中，距离相关系数的范围为0到1，距离相关系数越大，则表征两个脑网络节点之间的相关性越强，通过对相关矩阵的元素进行阈值化，使得相关矩阵既能减少弱连接，又能保证脑网络的连通性。
步骤S404：根据所述阈值相关矩阵，确定所述全脑影像中的脑网络连接边。
具体地，确定阈值相关矩阵的元素中值为预设值的各个目标元素，接着分别确定目标元素在全脑影像中对应的两个脑网络节点，并在两个脑网络节点之间建立脑网络连接边。
本实施例中，确定所述全脑影像中的脑网络节点总数，以构建所述脑网络节点对应的零矩阵，将所述任意两个脑网络节点之间的距离相关系数作为所述零矩阵的元素，以得到相关矩阵，确定距离相关系数阈值，对所述相关矩阵的元素进行阈值化，以得到阈值相关矩阵，根据所述阈值相关矩阵，确定所述全脑影像中的脑网络连接边，当距离相关系数为0，那么可以说该两变量是独立的，当距离相关系数越大，说明两个变量之间相关性越强，通过设置阈值减少脑网络中的噪声边，这样在构建脑网络时能更准确地体现脑网络节点之间的连接情况，以构造更准确的脑网络。
此外，本实施例还提供一种静息态脑网络构建装置。参照图4，图4为本发明静息态脑网络构建装置第一实施例的功能模块示意图。
本实施例中，所述静息态脑网络构建装置为虚拟装置，存储于图1所示的静息态脑网络构建设备的存储器1005中，以实现静息态脑网络构建程序的所有功能：获取全脑影像对应的静息态功能磁共振数据；根据标准脑模板确定所述全脑影像中的脑网络节点，并根据静息态功能磁共振数据分别确定每个脑网络节点对应体素的平均时间序列；根据所述平均时间序列计算任意两个脑网络节点之间的距离相关系数；根据所述距离相关系数确定所述全脑影像中的脑网络连接边，以根据脑网络节点及脑网络连接边构建脑网络。
具体地，所述静息态脑网络构建装置包括：
获取模块10，用于获取全脑影像对应的静息态功能磁共振数据；
确定模块20，用于根据标准脑模板确定所述全脑影像中的脑网络节点，并根据静息态功能磁共振数据分别确定每个脑网络节点对应体素的平均时间序列；
计算模块30，用于根据所述平均时间序列计算任意两个脑网络节点之间的距离相关系数；
构建模块40，用于根据所述距离相关系数确定所述全脑影像中的脑网络连接边，以根据脑网络节点及脑网络连接边构建脑网络。
进一步地，所述计算模块包括：
第一确定单元，用于确定所述全脑影像中的脑网络节点总数，以构建所述脑网络节点对应的零矩阵；
矩阵单元，用于将所述任意两个脑网络节点之间的距离相关系数作为所述零矩阵的元素，以得到相关矩阵；
阈化单元，用于确定距离相关系数阈值，对所述相关矩阵的元素进行阈值化，以得到阈值相关矩阵；
第二确定单元，用于根据所述阈值相关矩阵，确定所述全脑影像中的脑网络连接边。
进一步地，所述阈化单元包括：
比较子单元，用于分别将所述相关矩阵中各个位置的元素与距离相关系数阈值比较大小；
阈化子单元，用于将大于或等于距离相关系数阈值的距离相关系数对应位置的元素设置为预设值，以得到阈值相关矩阵。
进一步地，所述第二确定单元包括：
第一确定子单元，用于确定所述阈值相关矩阵的元素中值为预设值的各个目标元素；
第一确定子单元，用于分别确定所述目标元素在所述全脑影像中对应的两个脑网络节点，并在所述两个脑网络节点之间建立脑网络连接边。
进一步地，所述静息态脑网络构建装置还包括：
第一子计算模块，用于计算所述脑网络的聚类系数及平均路径长度；
第二子计算模块，用于基于所述脑网络的聚类系数及平均路径长度，计算小世界性。
进一步地，所述静息态脑网络构建装置还包括：
判断模块，用于根据所述小世界性，判断所述脑网络是否具有小世界拓扑结构；
优化模块，用于若所述脑网络不具有小世界拓扑结构，则对所述脑网络进行优化，以得到具有小世界拓扑结构的脑网络。
进一步地，所述获取模块还包括：
预处理单元，用于获取全脑影像，并对所述全脑影像进行预处理，以得到所述全脑影像对应的静息态功能磁共振数据。
此外，本发明实施例还提供一种计算机存储介质，所述计算机存储介质上存储有静息态脑网络构建程序，所述静息态脑网络构建程序被处理器运行时实现如上所述静息态脑网络构建方法的步骤，此处不再赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种静息态脑网络构建方法，其特征在于，所述静息态脑网络构建方法包括：
获取全脑影像对应的静息态功能磁共振数据；
根据标准脑模板确定所述全脑影像中的脑网络节点，并根据静息态功能磁共振数据分别确定每个脑网络节点对应体素的平均时间序列；
根据所述平均时间序列和距离相关系数公式计算任意两个脑网络节点之间的距离相关系数，
其中，所述距离相关系数公式为：
，
式中，u和v分别代表任意两个脑网络节点对应的平均时间序列，，，/>，
=/>，
同理计算和/>，以获取任意两个脑网络节点之间的距离相关系数；
根据所述距离相关系数确定所述全脑影像中的脑网络连接边，以根据脑网络节点及脑网络连接边构建脑网络；
所述根据所述距离相关系数确定所述全脑影像中的脑网络连接边的步骤包括：
确定所述全脑影像中的脑网络节点总数，以构建所述脑网络节点对应的零矩阵；
将所述任意两个脑网络节点之间的距离相关系数作为所述零矩阵的元素，以得到相关矩阵；
分别将所述相关矩阵中各个位置的元素与距离相关系数阈值比较大小；
将大于或等于距离相关系数阈值的距离相关系数对应位置的元素设置为预设值，以得到阈值相关矩阵；
确定所述阈值相关矩阵的元素中值为预设值的各个目标元素；
分别确定所述目标元素在所述全脑影像中对应的两个脑网络节点，并在所述两个脑网络节点之间建立脑网络连接边。
2.根据权利要求1所述的方法，其特征在于，所述根据脑网络节点及脑网络连接边构建脑网络的步骤之后，还包括：
计算所述脑网络的聚类系数及平均路径长度；
基于所述脑网络的聚类系数及平均路径长度，计算小世界性。
3.根据权利要求2所述的方法，其特征在于，所述计算小世界性的步骤之后，还包括：
根据所述小世界性，判断所述脑网络是否具有小世界拓扑结构；
若所述脑网络不具有小世界拓扑结构，则对所述脑网络进行优化，以得到具有小世界拓扑结构的脑网络。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述获取全脑影像对应的静息态功能磁共振数据的步骤包括：
获取全脑影像，并对所述全脑影像进行预处理，以得到所述全脑影像对应的静息态功能磁共振数据。
5.一种静息态脑网络构建装置，其特征在于，所述静息态脑网络构建装置包括：
获取模块，用于获取全脑影像对应的静息态功能磁共振数据；
确定模块，用于根据标准脑模板确定所述全脑影像中的脑网络节点，并根据静息态功能磁共振数据分别确定每个脑网络节点对应体素的平均时间序列；
计算模块，用于根据所述平均时间序列和距离相关系数公式计算任意两个脑网络节点之间的距离相关系数，其中，所述距离相关系数公式为：
，
式中，u和v分别代表任意两个脑网络节点对应的平均时间序列，，，/>，
=/>，
同理计算和/>，以获取任意两个脑网络节点之间的距离相关系数；
构建模块，用于根据所述距离相关系数确定所述全脑影像中的脑网络连接边，以根据脑网络节点及脑网络连接边构建脑网络；
所述构建模块，还用于确定所述全脑影像中的脑网络节点总数，以构建所述脑网络节点对应的零矩阵；将所述任意两个脑网络节点之间的距离相关系数作为所述零矩阵的元素，以得到相关矩阵；分别将所述相关矩阵中各个位置的元素与距离相关系数阈值比较大小；将大于或等于距离相关系数阈值的距离相关系数对应位置的元素设置为预设值，以得到阈值相关矩阵；确定所述阈值相关矩阵的元素中值为预设值的各个目标元素；分别确定所述目标元素在所述全脑影像中对应的两个脑网络节点，并在所述两个脑网络节点之间建立脑网络连接边。
6.一种静息态脑网络构建设备，其特征在于，所述静息态脑网络构建设备包括处理器，存储器以及存储在所述存储器中的静息态脑网络构建程序，所述静息态脑网络构建程序被所述处理器运行时，实现如权利要求1-4中任一项所述的静息态脑网络构建方法的步骤。
7.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有静息态脑网络构建程序，所述静息态脑网络构建程序被处理器运行时实现如权利要求1-4中任一项所述静息态脑网络构建方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010516464.3A CN111753947B (zh) | 2020-06-08 | 2020-06-08 | 静息态脑网络构建方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010516464.3A CN111753947B (zh) | 2020-06-08 | 2020-06-08 | 静息态脑网络构建方法、装置、设备及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111753947A CN111753947A (zh) | 2020-10-09 |
| CN111753947B true CN111753947B (zh) | 2024-05-03 |
Family
ID=72675968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010516464.3A Active CN111753947B (zh) | 2020-06-08 | 2020-06-08 | 静息态脑网络构建方法、装置、设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111753947B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112348833B (zh) * | 2020-11-06 | 2023-07-11 | 浙江传媒学院 | 基于动态连接的脑功能网络变异识别方法及系统 |
| CN113628167B (zh) * | 2021-07-13 | 2024-04-05 | 深圳市神经科学研究院 | 个体化结构脑网络构建方法、系统、电子设备及存储介质 |
| CN114159043A (zh) * | 2021-12-17 | 2022-03-11 | 天津大学 | 基于Qcut算法的脑功能网络异常脑节点数据检测方法 |
| CN114376558B (zh) * | 2022-03-24 | 2022-07-19 | 之江实验室 | 基于磁共振和孪生图神经网络的脑图谱个体化方法及系统 |
Citations (11)
| 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 |
| JP2013220326A (ja) * | 2012-04-19 | 2013-10-28 | Jichi Medical Univ | 経頭蓋脳機能解析方法 |
| CN103886328A (zh) * | 2014-03-19 | 2014-06-25 | 太原理工大学 | 基于脑网络模块结构特征的功能磁共振影像数据分类方法 |
| CN104200288A (zh) * | 2014-09-18 | 2014-12-10 | 山东大学 | 一种基于因素与事件间相关关系识别的设备故障预测方法 |
| CN104239722A (zh) * | 2014-09-18 | 2014-12-24 | 山东大学 | 一种基于因素间相关关系识别的预测方法 |
| CN105938617A (zh) * | 2015-03-06 | 2016-09-14 | 法玛科技顾问股份有限公司 | 定量分析核子医学脑部影像的系统及方法 |
| CN106295709A (zh) * | 2016-08-18 | 2017-01-04 | 太原理工大学 | 基于多尺度脑网络特征的功能磁共振影像数据分类方法 |
| CN107256408A (zh) * | 2017-05-12 | 2017-10-17 | 常州大学 | 一种大脑功能网络的关键路径搜索方法 |
| CN109344889A (zh) * | 2018-09-19 | 2019-02-15 | 深圳大学 | 一种脑疾病分类方法、装置和用户终端 |
| CN110827291A (zh) * | 2019-10-18 | 2020-02-21 | 北京量健智能科技有限公司 | 一种用于自动化脑mri定量分析的方法和装置 |
| CN111161301A (zh) * | 2019-12-31 | 2020-05-15 | 上海商汤智能科技有限公司 | 图像分割方法及装置、电子设备和存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7907769B2 (en) * | 2004-05-13 | 2011-03-15 | The Charles Stark Draper Laboratory, Inc. | Image-based methods for measuring global nuclear patterns as epigenetic markers of cell differentiation |
| EP1946701B1 (en) * | 2005-10-12 | 2013-08-21 | Tokyo Denki University | Brain function analysis method and brain function analysis program |
| WO2013142051A1 (en) * | 2012-03-19 | 2013-09-26 | University Of Florida Research Foundation, Inc. | Methods and systems for brain function analysis |
-
2020
- 2020-06-08 CN CN202010516464.3A patent/CN111753947B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013220326A (ja) * | 2012-04-19 | 2013-10-28 | Jichi Medical Univ | 経頭蓋脳機能解析方法 |
| 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 |
| CN103886328A (zh) * | 2014-03-19 | 2014-06-25 | 太原理工大学 | 基于脑网络模块结构特征的功能磁共振影像数据分类方法 |
| CN104200288A (zh) * | 2014-09-18 | 2014-12-10 | 山东大学 | 一种基于因素与事件间相关关系识别的设备故障预测方法 |
| CN104239722A (zh) * | 2014-09-18 | 2014-12-24 | 山东大学 | 一种基于因素间相关关系识别的预测方法 |
| CN105938617A (zh) * | 2015-03-06 | 2016-09-14 | 法玛科技顾问股份有限公司 | 定量分析核子医学脑部影像的系统及方法 |
| CN106295709A (zh) * | 2016-08-18 | 2017-01-04 | 太原理工大学 | 基于多尺度脑网络特征的功能磁共振影像数据分类方法 |
| CN107256408A (zh) * | 2017-05-12 | 2017-10-17 | 常州大学 | 一种大脑功能网络的关键路径搜索方法 |
| CN109344889A (zh) * | 2018-09-19 | 2019-02-15 | 深圳大学 | 一种脑疾病分类方法、装置和用户终端 |
| CN110827291A (zh) * | 2019-10-18 | 2020-02-21 | 北京量健智能科技有限公司 | 一种用于自动化脑mri定量分析的方法和装置 |
| CN111161301A (zh) * | 2019-12-31 | 2020-05-15 | 上海商汤智能科技有限公司 | 图像分割方法及装置、电子设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于解剖距离的功能脑网络建模方法研究;牛力敏;郭浩;陈俊杰;;《科学技术与工程》;第14卷(第32期);第247-251页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111753947A (zh) | 2020-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111753947B (zh) | 静息态脑网络构建方法、装置、设备及计算机存储介质 | |
| DE19746939B4 (de) | Verfahren zur Messung des Herzmuskels in Herzbildern | |
| EP4071765A1 (en) | Method and system for drawing brain functional atlas | |
| CN107242873B (zh) | 一种基于功能磁共振心理生理交互的脑网络构建方法 | |
| CN110458817B (zh) | 医学图像的质量预测方法、装置、设备及存储介质 | |
| US20040114789A1 (en) | Method for measuring structural thickness from low-resolution digital images | |
| US7450780B2 (en) | Similarity measures | |
| US9824456B2 (en) | Automatic segmentation of image frames in anatomical scan based on non-rigid registration with manually segmented frame | |
| CN103942781B (zh) | 一种基于脑影像的脑网络构造方法 | |
| CN112068056B (zh) | 一种确定fmri动态脑功能时间窗口的方法 | |
| CN117172294B (zh) | 一种稀疏脑网络的构建方法、系统、设备和存储介质 | |
| CN113160138B (zh) | 一种脑部核磁共振图像分割方法及系统 | |
| CN114391826A (zh) | 一种基于边缘驱动图神经网络的人类表征预测方法及装置 | |
| CN109102509B (zh) | 分割模型训练方法、装置及计算机可读存储介质 | |
| JP2004518474A (ja) | 心臓のｍｒ血流測定の位置合わせに関する信頼性尺度 | |
| CN114187235A (zh) | 一种对伪影不敏感的医学图像的形变场提取方法和配准方法和装置 | |
| CN112515653B (zh) | 一种基于核磁共振图像的脑网络构建方法 | |
| CN109741439A (zh) | 一种二维mri胎儿图像的三维重建方法 | |
| CN116561518A (zh) | 一种基于脑区权重相关性的脑网络构建方法 | |
| CN112508880A (zh) | 颅内血管图像配准方法、电子设备和计算机可读存储介质 | |
| CN112508872A (zh) | 颅内血管图像预处理方法和电子设备 | |
| CN117224082A (zh) | 一种基于图学习优化算法的动态脑功能网络学习方法 | |
| CN114792296A (zh) | 一种核磁共振图像与超声图像融合方法与系统 | |
| CN112861699A (zh) | 一种基于单张深度图像和多阶段神经网络的任意姿势人体身高估计方法 | |
| CN112508882A (zh) | 一种脑血管图像预处理方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |