CN112348833A - 基于动态连接的脑功能网络变异识别方法及系统 - Google Patents

基于动态连接的脑功能网络变异识别方法及系统 Download PDF

Info

Publication number
CN112348833A
CN112348833A CN202011230144.8A CN202011230144A CN112348833A CN 112348833 A CN112348833 A CN 112348833A CN 202011230144 A CN202011230144 A CN 202011230144A CN 112348833 A CN112348833 A CN 112348833A
Authority
CN
China
Prior art keywords
brain
magnetic resonance
dynamic
measurement
quartile
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
CN202011230144.8A
Other languages
English (en)
Other versions
CN112348833B (zh
Inventor
王博丞
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.)
Zhejiang University of Media and Communications
Original Assignee
Zhejiang University of Media and Communications
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 Zhejiang University of Media and Communications filed Critical Zhejiang University of Media and Communications
Priority to CN202011230144.8A priority Critical patent/CN112348833B/zh
Publication of CN112348833A publication Critical patent/CN112348833A/zh
Application granted granted Critical
Publication of CN112348833B publication Critical patent/CN112348833B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Neurology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Psychiatry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Hospice & Palliative Care (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Neurosurgery (AREA)
  • Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于动态连接的脑功能网络变异识别方法及系统，该方法包含：生成场域分布信息数据；对大脑皮层进行分区；计算动态连接性矩阵；对动态链接矩阵进行阈值化；根据动态连接性矩阵计算大脑功能性拓扑度量；对大脑功能性拓扑度量进行非参检验；对非参检验后的大脑功能性拓扑度量进行降噪；通过分类模型对降噪后的大脑功能性拓扑度量进行分析以对测试者进行分类。本发明的基于动态连接的脑功能网络变异识别方法及系统，通过自动脑分区方法将大脑皮层分割为若干个子区域，对这些脑区进行时空动态特性分析，计算滑动窗口下脑连接矩阵的拓扑中心性，通过非参检验和后置噪声处理，减小了动态脑连接矩阵方法带来的较强干扰信息和噪声。

Description

基于动态连接的脑功能网络变异识别方法及系统
技术领域
本发明涉及一种基于动态连接的脑功能网络变异识别方法及系统。
背景技术
随着神经影像科学技术的发展，人们对大脑结构性和功能性特征的研究不断深入。尤其是磁共振技术的不断提高，在成像质量和效率等方面都取得了惊人进步，这为深入探索大脑功能机理和类脑仿生等奠定了基础。在国内外脑科学相关的研究和应用中，已经基本实现了对大脑结构性病变的准确诊断。以阿尔兹海默症为例，明显的大脑结构改变往往意味着该病情已恶化至不可逆转。因此，如何实现人类大脑功能性异常的早期预测，是目前各国研究的前沿问题。
依靠磁共振成像技术，现有的大脑功能性变异诊断方法主要包括静态和动态功能连接两种。静态功能连接方法重点评估大脑中各个脑区之间关联程度的平均水平，计算时间或空间上的相关性系数。而动态功能连接方法是将一段时间序列下的功能磁共振信号窗口化，形成彼此重叠的片段序列，评估每个片段中大脑在时间和空间上的特征。有证据表明，动态功能连接分析方法更有助于脑功能异常的标识和早期预测。
在大脑功能连接分析基础上，为进一步对大脑的复杂工作模式进行表征，现有技术方案会对由静态/动态功能连接矩阵进行指标评估，计算全局性变异系数或局部性显著差异，采用复杂脑网络、流形学习等算法建模，刻画大脑工作机理，将大脑的原始度量空间由高维向低维转化，并从中提取相关模式信息。随着人工智能技术发展和实验水平的不断提升，根据这些提取出来的大脑模式信息，现有技术已实现较高水平的分类识别能力，将脑功能异常患者和健康对照人群区分开来。
尽管近年已有部分研究采用动态脑连接方法分析大脑时空特性变异，例如对阿尔兹海默症患者的预测。但现有的研究方法和技术都只实现了两类对象的识别能力，即患者和健康。无法进一步识别出早期轻度认知障碍和晚期轻度认知障碍，它们被普遍认为是阿尔兹海默症的前期阶段。
发明内容
本发明提供了一种基于动态连接的脑功能网络变异识别方法及系统，采用如下的技术方案：
一种基于动态连接的脑功能网络变异识别方法，包括以下步骤：
对磁共振成像设备的磁场分布情况进行评估以生成场域分布信息数据；
通过磁共振成像设备获取到的测试者的磁共振数据以及场域分布信息数据对测试者的大脑皮层进行分区得到大脑皮层分区结构，磁共振数据包括结构性磁共振数据和功能性磁共振数据；
基于大脑皮层分区结构和功能性磁共振数据计算测试者的动态连接性矩阵；
对动态链接矩阵进行阈值化处理；
根据阈值化处理后的动态连接性矩阵计算测试者的大脑功能性拓扑度量；
对大脑功能性拓扑度量进行非参检验；
对非参检验后的大脑功能性拓扑度量进行降噪；
通过分类模型对降噪后的大脑功能性拓扑度量进行分析以对测试者进行分类。
进一步地，通过四分位法对非参检验后的大脑功能性拓扑度量进行降噪。
进一步地，通过四分位法对非参检验后的大脑功能性拓扑度量进行降噪的具体方法为：
将大脑功能性拓扑度量中的特征值按大小进行排序；
标记这组特征值中的中位数、平均数、最大值、最小值、下四分位数和上四分位数；
将下四分位数和上四分位数的差值记为四分差；
将最小值至1.5倍四分差之间的值以及上四分位至1.5倍四分差之间的值删除；
重复以上步骤进行多次噪声排除。
一种基于动态连接的脑功能网络变异识别系统，包括：
生成模块，用于对磁共振成像设备的磁场分布情况进行评估以生成场域分布信息数据；
分区模块，用于通过磁共振成像设备获取到的测试者的磁共振数据以及场域分布信息数据对测试者的大脑皮层进行分区得到大脑皮层分区结构，磁共振数据包括结构性磁共振数据和功能性磁共振数据；
第一计算模块，用于基于大脑皮层分区结构和功能性磁共振数据计算测试者的动态连接性矩阵；
阈值化模块，用于对动态链接矩阵进行阈值化处理；
第二计算模块，用于根据阈值化处理后的动态连接性矩阵计算测试者的大脑功能性拓扑度量；
检验模块，用于对大脑功能性拓扑度量进行非参检验；
降噪模块，用于对非参检验后的大脑功能性拓扑度量进行降噪；
分类模块，用于通过分类模型对降噪后的大脑功能性拓扑度量进行分析以对测试者进行分类。
进一步地，降噪模块通过四分位法对非参检验后的大脑功能性拓扑度量进行降噪。
进一步地，降噪模块通过四分位法对非参检验后的大脑功能性拓扑度量进行降噪的具体方法为：
将大脑功能性拓扑度量中的特征值序列按大小进行排序；
将大脑功能性拓扑度量中的特征值按大小进行排序；
标记这组特征值中的中位数、平均数、最大值、最小值、下四分位数和上四分位数；
将下四分位数和上四分位数的差值记为四分差；
将最小值至1.5倍四分差之间的值以及上四分位至1.5倍四分差之间的值删除；
重复以上步骤进行多次噪声排除。
进一步地，检验模块通过下述公式对大脑功能性拓扑度量进行非参检验：
T＝(t-1)t(t+1)＝t3-t，
Figure BDA0002764920120000031
式中，C是分组个数，ni是第i组中的样本数量，N是所有分组的样本总和，Ri是每个分组中的特征值排序和，t是具有相同排序位置的特征值数量；
通过上述公式计算出H值从满足卡方分布的统计表查找到其对应的F值以判断大脑功能性拓扑度量的显著性。
进一步地，大脑功能性拓扑度量包含全局性度量值和区域性度量值；
全局性度量值包括大脑全局效率、脑功能最大化模组数量、脑功能同配性、脑功能最佳模组数量、脑功能最短路径、全脑平均聚类系数和小世界特征系数；
区域性度量包括各个脑区的局部效率、聚类系数、连接强度、介数中心性、排序中心性、特征向量中心性和连接度。
进一步地，分类模块中的分类模型具有四个分类类别；
四个分类类别包含：健康、早期轻度认知障碍、晚期轻度认知障碍和阿尔兹海默症患者。
进一步地，分类模块中的分类模型包含一个输入层、四个中间隐层和一个输出层。
本发明的有益之处在于所提供的基于动态连接的脑功能网络变异识别方法及系统，通过自动脑分区方法将大脑皮层分割为若干个子区域，对这些脑区进行时空动态特性分析，计算滑动窗口下脑连接矩阵的拓扑中心性，通过非参统计学检验和后置噪声处理，解决了动态脑连接矩阵方法带来的较强干扰信息和噪声的问题。
附图说明
图1是本发明的基于动态连接的脑功能网络变异识别方法的示意图；
图2是本发明的实施例中窗口化的动态脑功能性连接矩阵结果示意图；
图3是本发明的实施例中采用非参检验后的显著性结果示意图；
图4是本发明的实施例中采用后置噪声处理前后的特征分布示意图；
图5是本发明的基于动态连接的脑功能网络变异识别系统的示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
如图1所示为本发明的一种基于动态连接的脑功能网络变异识别方法，包括以下步骤：S1：对磁共振成像设备的磁场分布情况进行评估以生成场域分布信息数据。S2：通过磁共振成像设备获取到的测试者的磁共振数据以及场域分布信息数据对测试者的大脑皮层进行分区得到大脑皮层分区结构，磁共振数据包括结构性磁共振数据和功能性磁共振数据。S3：基于大脑皮层分区结构和功能性磁共振数据计算测试者的动态连接性矩阵。S4：对动态链接矩阵进行阈值化处理。S5：根据阈值化处理后的动态连接性矩阵计算测试者的大脑功能性拓扑度量。S6：对大脑功能性拓扑度量进行非参检验。S7：对非参检验后的大脑功能性拓扑度量进行降噪。S8：通过分类模型对降噪后的大脑功能性拓扑度量进行分析以对测试者进行分类。根据以上步骤，通过自动脑分区方法将大脑皮层分割为若干个子区域，对这些脑区进行时空动态特性分析，计算滑动窗口下脑连接矩阵的拓扑中心性，通过非参统计学检验和后置噪声处理，结合一种基于深度学习的分类模型，对测试者进行分类。以下具体介绍上述步骤。
对于步骤S1：对磁共振成像设备的磁场分布情况进行评估以生成场域分布信息数据。
在本发明中，通过磁共振成像设备对测试者进行脑补数据采集，首先需要对本发明中采用的磁共振成像设备的磁场分布情况进行评估生成场域分布信息数据。
对于步骤S2：通过磁共振成像设备获取到的测试者的磁共振数据以及场域分布信息数据对测试者的大脑皮层进行分区得到大脑皮层分区结构，磁共振数据包括结构性磁共振数据和功能性磁共振数据。
具体的，在本申请中，通过磁共振成像设备获取到的测试者的结构性磁共振数据的空间分辨率是256x 256,170张切片，切片厚度为1.2毫米。功能性磁共振数据的空间分辨率是64x 64，48张切片，切片厚度为3.3毫米，取140帧。对这些结构性、功能性磁共振数据以及磁场分布信息数据，采用常见软件如FreeSurfer进行切片校准、运动校准、配准和归一化等处理，将三维大脑注册到CIFTI灰度空间，形成左右大脑皮层各32492个表面像素以及26298个皮下体元。采用人类连接组多模态大脑皮层分区，自动将这32492个像素进行分割，并最终形成左右大脑皮层各180个子分区结构，共360个子分区。
对于步骤S3：基于大脑皮层分区结构和功能性磁共振数据计算测试者的动态连接性矩阵。
根据步骤S2的脑分区方法生成了360个大脑皮层子区。在这基础上，继续对功能性磁共振数据采用滑动窗口进行分割。本申请中，时间序列为140帧，设定窗口大小是15帧，滑动步长为1帧，共产生125个分割后的子序列。在360个脑分区内部，各个模态下的数据都采用均一化处理，并在这125个窗口序列中，进行相关性分析，计算分区之间的皮尔森系数，最终为测试者形成360x 360x 125大小的动态连接性矩阵。如图2所示，为发明实施例中窗口化的动态脑功能性连接矩阵结果示意图。
对于步骤S4：对动态链接矩阵进行阈值化处理。
对动态连接性矩阵需要进一步阈值处理。采用以下公式计算最佳阈值：
maxdPSW(GCE)＝GE-dPSW,
Figure BDA0002764920120000051
其中，GE是全局效率，M是前述的脑区分割的数量，在本申请中为360个脑区。n是脑区个数。PSW为最强权重与所有有效权重之间的比例，变化范围从0到1，步长为0.05。dij是脑区i和脑区j之间的拓扑距离，随着PSW值变化而变化。迭代搜索取得最大GCE值所对应的PSW，并将其作为动态链接矩阵的最佳阈值。dPSW代表该最佳阈值在不同测试者或不同窗口中是变化的。最终，在动态脑连接矩阵中，将最强权重比例之外的权重置零，并将位于对角线上的连接权重也置零。
对于步骤S5：根据阈值化处理后的动态连接性矩阵计算测试者的大脑功能性拓扑度量。
基于大脑动态连接矩阵形成的加权脑网络和二值化脑网络，计算大脑功能性拓扑度量。大脑功能性拓扑度量将大脑各个脑区看做有向图或无向图中的通信节点，脑区之间的相关性连接权重作为节点间的连接强度，并计算生成该图结构的邻接矩阵。针对这个邻接矩阵，计算大脑功能性拓扑度量。大脑功能性拓扑度量包含全局性度量值和区域性度量值。其中，全局性度量值包括大脑全局效率、脑功能最大化模组数量、脑功能同配性、脑功能最佳模组数量、脑功能最短路径、全脑平均聚类系数和小世界特征系数。区域性度量值包括各个脑区的局部效率、聚类系数、连接强度、介数中心性、排序中心性、特征向量中心性和连接度。为窗口化后的动态连接矩阵生成共计360x 7+7＝2527个特征值。
对于步骤S6：对大脑功能性拓扑度量进行非参检验。
动态脑连接矩阵方法将原本连续的时间序列分割为相互重叠的信号序列，在此基础上计算出来的大脑功能性拓扑度量具有较强干扰信息和噪声。同时，这些特征数据的分布也不遵循正态分布，使得常用的统计分析方法，如方差齐次性检验等，无法直接用于对比不同组数据之间的差异性。本申请中采用非参化统计检验对噪声信号进行排除，使用以下公式：
T＝(t-1)t(t+1)＝t3-t，
Figure BDA0002764920120000061
式中，C是分组个数，在本申请中，C为4。ni是第i组中的样本数量，N是所有分组的样本总和，Ri是每个分组中的特征值排序和，t是具有相同排序位置的特征值数量。
根据以上公式计算出来的H值，可用于在满足卡方分布的统计表中进行查找，并标记相应的F值，作为特征的显著性评估。如图3所述为本发明的实施例中采用非参检验后的显著性结果示意图。
对于步骤S7：对非参检验后的大脑功能性拓扑度量进行降噪。
作为一种优选的实施方式，本申请中，通过四分位法对非参检验后的大脑功能性拓扑度量进行降噪。
通过四分位法对非参检验后的大脑功能性拓扑度量进行降噪的具体方法为：
将大脑功能性拓扑度量中的特征值按大小进行排序。标记这组特征值中的中位数、平均数、最大值、最小值、下四分位数和上四分位数。将下四分位数和上四分位数的差值记为四分差。将最小值至1.5倍四分差之间的值以及上四分位至1.5倍四分差之间的值删除。重复以上步骤进行多次噪声排除。如图4所示为本发明实施例中采用后置噪声处理前后的特征分布示意图。图4中的上面两个图为采用后置噪声处理前的分布图，图4中的下面两个图为采用后置噪声处理后的分布图。
对于步骤S8：通过分类模型对降噪后的大脑功能性拓扑度量进行分析以对测试者进行分类。
本申请中，分类模型具有四个分类类别，四个分类类别包含：健康、早期轻度认知障碍、晚期轻度认知障碍和阿尔兹海默症患者。
可以理解的是，分类模型是一种深度学习模型，包含一个输入层、四个中间隐层和一个输出层。预先通过本申请中的磁共振成像设采集若干已知状态的受试者的磁共振数据，并且将这些磁共振数据经过上述的步骤S2-步骤S7的处理后，再对数据进行类别标记，之后输入未经训练的分类模型对其进行训练。此过程不再赘述。
如图5所示，本发明还公开一种基于动态连接的脑功能网络变异识别系统100，用于实现前述的基于动态连接的脑功能网络变异识别方法，主要包括：生成模块10、分区模块20、第一计算模块30、阈值化模块40、第二计算模块50、检验模块60、降噪模块70和分类模块80。
生成模块10用于对磁共振成像设备的磁场分布情况进行评估以生成场域分布信息数据。
分区模块20用于通过磁共振成像设备获取到的测试者的磁共振数据以及场域分布信息数据对测试者的大脑皮层进行分区得到大脑皮层分区结构，磁共振数据包括结构性磁共振数据和功能性磁共振数据。
分区模块20根据前述的步骤S2中描述的方法对测试者的大脑皮层进行分区得到大脑皮层分区结构。分区模块20采用人类连接组多模态大脑皮层分区，自动将这32492个像素进行分割，并最终形成左右大脑皮层各180个子分区结构，共360个子分区。
第一计算模块30用于基于大脑皮层分区结构和功能性磁共振数据计算测试者的动态连接性矩阵。
第一计算模块30根据前述的步骤S3中描述的方法测试者形成360x 360x 125大小的动态连接性矩阵。
阈值化模块40用于对动态链接矩阵进行阈值化处理。
阈值化模块40根据前述的步骤S4中介绍的过程对动态链接矩阵进行阈值化处理。
具体的，阈值化模块40采用以下公式计算最佳阈值：
maxdPSW(GCE)＝GE-dPSW,
Figure BDA0002764920120000071
最终，在动态脑连接矩阵中，将最强权重比例之外的权重置零，并将位于对角线上的连接权重也置零。
第二计算模块50用于根据阈值化处理后的动态连接性矩阵计算测试者的大脑功能性拓扑度量。
第二计算模块50根据步骤S5中描述的方法，为窗口化后的动态连接矩阵生成共计360x7+7＝2527个特征值。
检验模块60用于对大脑功能性拓扑度量进行非参检验。
检验模块60使用以下公式对大脑功能性拓扑度量进行非参检验：
T＝(t-1)t(t+1)＝t3-t，
Figure BDA0002764920120000072
根据以上公式计算出来的H值，可用于在满足卡方分布的统计表中进行查找，并标记相应的F值，作为特征的显著性评估。
降噪模块70用于对非参检验后的大脑功能性拓扑度量进行降噪。
本申请中，降噪模块70通过四分位法对非参检验后的大脑功能性拓扑度量进行降噪。
降噪模块70通过四分位法对非参检验后的大脑功能性拓扑度量进行降噪的具体方法为：将大脑功能性拓扑度量中的特征值按大小进行排序。标记这组特征值中的中位数、平均数、最大值、最小值、下四分位数和上四分位数。将下四分位数和上四分位数的差值记为四分差。将最小值至1.5倍四分差之间的值以及上四分位至1.5倍四分差之间的值删除。重复以上步骤进行多次噪声排除。
分类模块80用于通过分类模型对降噪后的大脑功能性拓扑度量进行分析以对测试者进行分类。分类模块80中的分类模型具有四个分类类别，四个分类类别包含：健康、早期轻度认知障碍、晚期轻度认知障碍和阿尔兹海默症患者。分类模块80中的分类模型包含一个输入层、四个中间隐层和一个输出层。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (10)

1.一种基于动态连接的脑功能网络变异识别方法，其特征在于，包括以下步骤：
对磁共振成像设备的磁场分布情况进行评估以生成场域分布信息数据；
通过所述磁共振成像设备获取到的测试者的磁共振数据以及所述场域分布信息数据对测试者的大脑皮层进行分区得到大脑皮层分区结构，所述磁共振数据包括结构性磁共振数据和功能性磁共振数据；
基于所述大脑皮层分区结构和所述功能性磁共振数据计算测试者的动态连接性矩阵；
对所述动态链接矩阵进行阈值化处理；
根据阈值化处理后的所述动态连接性矩阵计算测试者的大脑功能性拓扑度量；
对所述大脑功能性拓扑度量进行非参检验；
对非参检验后的所述大脑功能性拓扑度量进行降噪；
通过分类模型对降噪后的所述大脑功能性拓扑度量进行分析以对测试者进行分类。
2.根据权利要求1所述的基于动态连接的脑功能网络变异识别方法，其特征在于，
通过四分位法对非参检验后的所述大脑功能性拓扑度量进行降噪。
3.根据权利要求2所述的基于动态连接的脑功能网络变异识别方法，其特征在于，
所述通过四分位法对非参检验后的所述大脑功能性拓扑度量进行降噪的具体方法为：
将所述大脑功能性拓扑度量中的特征值按大小进行排序；
标记这组特征值中的中位数、平均数、最大值、最小值、下四分位数和上四分位数；
将所述下四分位数和所述上四分位数的差值记为四分差；
将所述最小值至1.5倍所述四分差之间的值以及上所述四分位至1.5倍所述四分差之间的值删除；
重复以上步骤进行多次噪声排除。
4.一种基于动态连接的脑功能网络变异识别系统，其特征在于，包括：
生成模块，用于对磁共振成像设备的磁场分布情况进行评估以生成场域分布信息数据；
分区模块，用于通过所述磁共振成像设备获取到的测试者的磁共振数据以及所述场域分布信息数据对测试者的大脑皮层进行分区得到大脑皮层分区结构，所述磁共振数据包括结构性磁共振数据和功能性磁共振数据；
第一计算模块，用于基于所述大脑皮层分区结构和所述功能性磁共振数据计算测试者的动态连接性矩阵；
阈值化模块，用于对所述动态链接矩阵进行阈值化处理；
第二计算模块，用于根据阈值化处理后的所述动态连接性矩阵计算测试者的大脑功能性拓扑度量；
检验模块，用于对所述大脑功能性拓扑度量进行非参检验；
降噪模块，用于对非参检验后的所述大脑功能性拓扑度量进行降噪；
分类模块，用于通过分类模型对降噪后的所述大脑功能性拓扑度量进行分析以对测试者进行分类。
5.根据权利要求4所述的基于动态连接的脑功能网络变异识别系统，其特征在于，
所述降噪模块通过四分位法对非参检验后的所述大脑功能性拓扑度量进行降噪。
6.根据权利要求5所述的基于动态连接的脑功能网络变异识别系统，其特征在于，
所述降噪模块通过四分位法对非参检验后的所述大脑功能性拓扑度量进行降噪的具体方法为：
将所述大脑功能性拓扑度量中的特征值序列按大小进行排序；
将所述大脑功能性拓扑度量中的特征值按大小进行排序；
标记这组特征值中的中位数、平均数、最大值、最小值、下四分位数和上四分位数；
将所述下四分位数和所述上四分位数的差值记为四分差；
将所述最小值至1.5倍所述四分差之间的值以及上所述四分位至1.5倍所述四分差之间的值删除；
重复以上步骤进行多次噪声排除。
7.根据权利要求4所述的基于动态连接的脑功能网络变异识别系统，其特征在于，
所述检验模块通过下述公式对所述大脑功能性拓扑度量进行非参检验：
T＝(t-1)t(t+1)＝t3-t，
Figure FDA0002764920110000021
式中，C是分组个数，ni是第i组中的样本数量，N是所有分组的样本总和，Ri是每个分组中的特征值排序和，t是具有相同排序位置的特征值数量；
通过上述公式计算出H值从满足卡方分布的统计表查找到其对应的F值以判断所述大脑功能性拓扑度量的显著性。
8.根据权利要求4所述的基于动态连接的脑功能网络变异识别系统，其特征在于，
所述大脑功能性拓扑度量包含全局性度量值和区域性度量值；
所述全局性度量值包括大脑全局效率、脑功能最大化模组数量、脑功能同配性、脑功能最佳模组数量、脑功能最短路径、全脑平均聚类系数和小世界特征系数；
所述区域性度量包括各个脑区的局部效率、聚类系数、连接强度、介数中心性、排序中心性、特征向量中心性和连接度。
9.根据权利要求4所述的基于动态连接的脑功能网络变异识别系统，其特征在于，
所述分类模块中的分类模型具有四个分类类别；
四个分类类别包含：健康、早期轻度认知障碍、晚期轻度认知障碍和阿尔兹海默症患者。
10.根据权利要求4所述的基于动态连接的脑功能网络变异识别系统，其特征在于，
所述分类模块中的分类模型包含一个输入层、四个中间隐层和一个输出层。
CN202011230144.8A 2020-11-06 2020-11-06 基于动态连接的脑功能网络变异识别方法及系统 Active CN112348833B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011230144.8A CN112348833B (zh) 2020-11-06 2020-11-06 基于动态连接的脑功能网络变异识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011230144.8A CN112348833B (zh) 2020-11-06 2020-11-06 基于动态连接的脑功能网络变异识别方法及系统

Publications (2)

Publication Number Publication Date
CN112348833A true CN112348833A (zh) 2021-02-09
CN112348833B CN112348833B (zh) 2023-07-11

Family

ID=74428492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011230144.8A Active CN112348833B (zh) 2020-11-06 2020-11-06 基于动态连接的脑功能网络变异识别方法及系统

Country Status (1)

Country Link
CN (1) CN112348833B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113558603A (zh) * 2021-06-11 2021-10-29 杭州电子科技大学 一种基于深度学习的多模态认知障碍识别方法
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
CN113558602B (zh) * 2021-06-11 2023-11-14 杭州电子科技大学 一种假设驱动的认知障碍脑网络分析方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014134225A2 (en) * 2013-02-26 2014-09-04 Pronutria, Inc. Nutritive polypeptides, formulations and methods for treating disease and improving muscle health and maintenance
CN107242873A (zh) * 2017-07-05 2017-10-13 成都信息工程大学 一种基于功能磁共振心理生理交互的脑网络构建方法
WO2018005814A1 (en) * 2016-06-29 2018-01-04 The University Of North Carolina At Chapel Hill Methods, systems, and computer readable media for utilizing functional connectivity brain imaging for diagnosis of a neurobehavioral disorder
CN107689057A (zh) * 2017-07-10 2018-02-13 中国科学院高能物理研究所 自适应小动物脑功能磁共振成像数据分析方法
CN110232332A (zh) * 2019-05-23 2019-09-13 中国人民解放军国防科技大学 动态功能连接局部线性嵌入特征的提取及脑状态分类方法和系统
CN111631715A (zh) * 2020-07-08 2020-09-08 上海海事大学 一种阿尔茨海默症早期认知功能下降预测方法
CN111710415A (zh) * 2020-06-18 2020-09-25 中南大学 一种基于Granger神经疾病全脑有向网络分析方法
CN111753947A (zh) * 2020-06-08 2020-10-09 深圳大学 静息态脑网络构建方法、装置、设备及计算机存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014134225A2 (en) * 2013-02-26 2014-09-04 Pronutria, Inc. Nutritive polypeptides, formulations and methods for treating disease and improving muscle health and maintenance
WO2018005814A1 (en) * 2016-06-29 2018-01-04 The University Of North Carolina At Chapel Hill Methods, systems, and computer readable media for utilizing functional connectivity brain imaging for diagnosis of a neurobehavioral disorder
CN107242873A (zh) * 2017-07-05 2017-10-13 成都信息工程大学 一种基于功能磁共振心理生理交互的脑网络构建方法
CN107689057A (zh) * 2017-07-10 2018-02-13 中国科学院高能物理研究所 自适应小动物脑功能磁共振成像数据分析方法
CN110232332A (zh) * 2019-05-23 2019-09-13 中国人民解放军国防科技大学 动态功能连接局部线性嵌入特征的提取及脑状态分类方法和系统
CN111753947A (zh) * 2020-06-08 2020-10-09 深圳大学 静息态脑网络构建方法、装置、设备及计算机存储介质
CN111710415A (zh) * 2020-06-18 2020-09-25 中南大学 一种基于Granger神经疾病全脑有向网络分析方法
CN111631715A (zh) * 2020-07-08 2020-09-08 上海海事大学 一种阿尔茨海默症早期认知功能下降预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ALI KHAZAEE ET AL.: "Application of advanced machine learning methods on resting-state fMRI network for identification of mild cognitive impairment and Alzheimer’s disease", 《BRAIN IMAGING AND BEHAVIOR》, pages 799 *
JINHUA SHENG ET AL.: "Identifying and characterizing different stages toward Alzheimer\'s disease using ordered core features and machine learning", 《HELIYON》, vol. 7, no. 6, pages 1 - 9 *
党鸽等: "基于静息态脑电图的卒中后抑郁脑网络异常特征研究", 《中国卒中杂志》, vol. 15, no. 5, pages 459 - 467 *
盛景业等: "动态脑功能网络Rich-club时空观测方法", 《数据采集与处理》, vol. 35, no. 2, pages 239 - 250 *
魏杰等: "不同时间尺度的静息态功能脑网络对抑郁症识别的影响", 《科学通报》, vol. 63, no. 20, pages 2093 - 2102 *
龙雨涵等: "非线性脑区相关性分析及动态脑网络构建方法", 《信号处理》, vol. 34, no. 8, pages 963 - 973 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113558603A (zh) * 2021-06-11 2021-10-29 杭州电子科技大学 一种基于深度学习的多模态认知障碍识别方法
CN113558603B (zh) * 2021-06-11 2023-11-10 杭州电子科技大学 一种基于深度学习的多模态认知障碍识别方法
CN113558602B (zh) * 2021-06-11 2023-11-14 杭州电子科技大学 一种假设驱动的认知障碍脑网络分析方法
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

Also Published As

Publication number Publication date
CN112348833B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
CN112348833A (zh) 基于动态连接的脑功能网络变异识别方法及系统
Chang et al. Performance measure characterization for evaluating neuroimage segmentation algorithms
CN102509123B (zh) 一种基于复杂网络的脑功能磁共振图像分类方法
CN102855491B (zh) 一种基于网络中心性的脑功能磁共振图像分类方法
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
CN107133651B (zh) 基于超网络判别子图的功能磁共振影像数据分类方法
CN112418337B (zh) 基于脑功能超网络模型的多特征融合数据分类方法
CN109993230B (zh) 一种面向脑功能磁共振图像分类的tsk模糊系统建模方法
CN113610808B (zh) 基于个体脑连接图的群体脑图谱个体化方法、系统和设备
CN103020653B (zh) 基于网络分析的结构和功能磁共振图像联合分类方法
CN106650818B (zh) 基于高阶超网络的静息态功能磁共振影像数据分类方法
CN111009324A (zh) 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法
CN111783887B (zh) 基于fMRI小世界脑网络计算机分类测谎识别方法
CN115115896A (zh) 一种脑功能磁共振图像分类方法、装置、终端及存储介质
CN111932522B (zh) 一种基于脑成像大数据深度学习的阿尔兹海默症分类器
Mamun et al. Lcdctcnn: Lung cancer diagnosis of ct scan images using cnn based model
Tan et al. Automated detection of congenital heart disease in fetal ultrasound screening
CN113080847A (zh) 基于图的双向长短期记忆模型诊断轻度认知障碍的装置
CN114612691A (zh) 一种基于复杂脑网络的阿尔茨海默症特征提取及分类方法
CN116738352B (zh) 视网膜血管阻塞疾病的视杆细胞异常分类方法及装置
CN110718301A (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
CN116403211B (zh) 一种基于单细胞病理图像细胞核的分割和聚类方法及系统
Muhammad et al. Brain Tumor Detection and Classification in Magnetic Resonance Imaging (MRI) using Region Growing, Fuzzy Symmetric Measure, and Artificial Neural Network Backpropagation
Coupé et al. Simultaneous segmentation and grading of hippocampus for patient classification with Alzheimer’s disease
Riad et al. A new approach for segmentation of brain MR image

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