CN112990224B - 一种用于从fMRI数据中识别脑功能划分的粒子群方法 - Google Patents
一种用于从fMRI数据中识别脑功能划分的粒子群方法 Download PDFInfo
- Publication number
- CN112990224B CN112990224B CN202110159080.5A CN202110159080A CN112990224B CN 112990224 B CN112990224 B CN 112990224B CN 202110159080 A CN202110159080 A CN 202110159080A CN 112990224 B CN112990224 B CN 112990224B
- Authority
- CN
- China
- Prior art keywords
- particle
- population
- individual
- particles
- fmri
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000003925 brain function Effects 0.000 title claims abstract description 36
- 238000002599 functional magnetic resonance imaging Methods 0.000 title claims description 51
- 210000004556 brain Anatomy 0.000 claims abstract description 37
- 238000000638 solvent extraction Methods 0.000 claims abstract description 16
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims abstract description 5
- 238000013401 experimental design Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 241001596963 Phyla cuneifolia Species 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 5
- 230000000284 resting effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011229 interlayer Substances 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- SNWQUNCRDLUDEX-UHFFFAOYSA-N inden-1-one Chemical compound C1=CC=C2C(=O)C=CC2=C1 SNWQUNCRDLUDEX-UHFFFAOYSA-N 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 7
- 230000036039 immunity Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004886 head movement Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 208000027089 Parkinsonian disease Diseases 0.000 description 1
- 206010034010 Parkinsonism Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 210000004727 amygdala Anatomy 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 210000004326 gyrus cinguli Anatomy 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001103 thalamus Anatomy 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种用于从fMRI数据中识别脑功能划分的粒子群方法，包括实验设计步骤、fMRI数据采集步骤、fMRI数据预处理步骤、选取被划分的脑区步骤、粒子群系统识别划分步骤和划分结构分析步骤，本发明应用粒子群系统进行人脑功能划分识别，具有记忆能力强、多样性、鲁棒性高等优势，并充分利用粒子种群全局搜索能力强的优势，从fMRI数据中识别出高质量的脑功能划分结构；本发明通过使用粒子群系统识别脑功能划分结构，不需要fMRI数据的先验知识，对fMRI数据本身的分布与规律特性要求较低，抗噪能力强；与其他算法相比，在真实fMRI数据集上可识别出更高质量的脑功能划分结构。
Description
技术领域
本发明涉及脑功能划分识别方法，具体是一种用于从fMRI数据中识别脑功能划分的粒子群方法。
背景技术
功能磁共振成像(functional Magnetic Resonance Imaging，fMRI)是一种基于血管中血氧浓度的变化反映脑功能的成像技术。fMRI技术因具有无创伤性、时空分辨较高和操作简单等优点而成为目前获取脑功能数据的重要技术，为认知神经功能的研究提供了有利条件，也为神经疾病的病理学临床研究提供技术支撑，具有着重要的科研价值和广阔的应用前景。尤其是通过fMRI数据识别脑功能划分，有助人们理解大脑的工作机制，同时也为发现神经性疾病和精神疾病，如精神分裂症、抑郁症、帕金森等的机理提供帮助。
脑功能划分研究主要是将全脑或脑区分割为功能一致的子区域，能反映脑功能的分离性。目前，已有多种识别方法被提出，以刻画脑区的功能子区域分布。例如：基于K均值的脑功能划分识别方法、基于层次聚类的脑功能划分识别方法、基于谱聚类的脑功能划分识别方法基于区域增长的脑功能识别方法、基于字典学习的脑功能识别方法等。在这些方法中，K均值的识别方法对初始化敏感，易陷入局部最优；层次聚类的识别方法对噪声敏感，具有较高的计算和存储代价；谱聚类的识别方法具有坚实的数学理论基础，但是其结果深受特征向量选择的影响；区域增长的识别方法和字典学习的识别方法比较耗费计算资源，其结果的优劣与相应的搜索方法密切相关。初步研究表明，具有较强全局寻优能力的群智能算法可以识别出高质量的脑功能划分结构。作为一种典型的群智能算法，粒子群算法在函数优化、模式识别图像处理等方面得到了成功应用。因此，本发明通过利用粒子群算法的优势，旨在获得较好的脑功能划分结构。
发明内容
本发明的目的在于提供一种用于从fMRI数据中识别脑功能划分的粒子群方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种用于从fMRI数据中识别脑功能划分的粒子群方法，包括实验设计步骤、fMRI数据采集步骤、fMRI数据预处理步骤、选取被划分的脑区步骤、粒子群系统识别划分步骤和划分结构分析步骤。
步骤1，实验设计；为揭示人脑功能划分的一般性规律和尽可能减少外在因素的干挠，采用静息态实验范式进行fMRI数据的采集。
步骤2，fMRI数据获取；为了验证本方法的有效性和可信性，采用真实的fMRI数据，在与多个方法对比的基础上验证本方法的有效性。
步骤3，fMRI数据预处理；通过数据预处理降低原数据中的误差和干挠成分；采用DPASFA实现fMRI预处理，具体过程是：首先删除前10幅图像，以减少被试适应和扫描仪匀场带来的噪声；然后进行层间校时间正和头动空间校正，接着进行空间标准化和空间光滑，最后去除飘移和滤波等。
步骤4：选取被划分的脑区；目前为止，已出现了一些著名的脑区，如丘脑、杏仁核、楔前叶、扣带回和海马等；研究表明，这些脑区的功能是不同质的、多样性的；本方法采用楔前叶作为被划分的脑区，基于AAL模板，利用matlab编程的方法制作楔前叶的掩膜mask；然后，将该mask用于全脑fMRI数据中提取楔前叶内体素所对应的fMRI数据；至此，划分楔前叶所需的、已处理的fMRI时间序列数据已得到。
步骤5，使用粒子群系统识别脑功能划分；包括以下几个步骤：初始化参数；低维映射，降低fMRI时间序列的维数；产生由n个粒子组成的初始种群，每个粒子的初始化包括粒子位置初始化和粒子速度初始化，并对初始种群进行适应度计算，由此得到每个个体的初始历史最优个体和整个种群的初始历史最优个体；停滞检测，如果某个体i停滞代数超过了停滞阈值thr_ind，则随机生成一个位于以该个体到种群中其它个体的平均距离为半径的超球体之外的新个体，并用之代替个体i，同时计算新个体的适应度，并将其作为新个体的历史最优个体；如果种群的停滞代数超过了停滞阈值thr_pop，删除种群中最差的1/3个体，然后在剩下种群中随机选取个体的基础上利用差分变异产生新的1/3个体，并加入种群中，从而使种群规模不变；执行粒子速度更新操作，针对种群中的个体i，在其空间位置的邻域内随机选择某个粒子个体，基于该粒子个体的历史最优个体和整个种群的历史最优个体对个体i的速度进行更新；执行粒子位置更新操作，针对种群中的个体i，利用其更新后的速度对该个体进行更新；执行适应度计算操作，适应度的计算采用误差平方和(SSE)，通过适应度的大小来反映划分与fMRI数据的匹配程度，在计算该粒子个体i的适应度后，若更新后的粒子i比粒子i的历史最优个体更优，则用更新后的个体替换其历史最优个体；执行种群历史最优个体更新操作，将种群中粒子的历史最优解与种群的历史最优解比较，若前者较优，则用最优的粒子历史最优解替换种群的历史最优解；直到迭代结束，输出最优粒子位置即最优功能簇中心，由邻近思想识别出的最优粒子的划分结构就是从fMRI数据中学习到的功能划分结构。
步骤6，划分结构分析：对于识别出的划分结构中的子区域，通过比较其与大脑其他区域的功能连接来分析这些子区域的功能特性；选取的划分脑区是楔前叶，通过观察楔前叶子区域与大脑其它区域的功能连接特性发现其功能特异性。
与现有技术相比，本发明的有益效果是：
(1)本发明应用粒子群系统进行人脑功能划分识别，具有记忆能力强、多样性、鲁棒性高等优势，并充分利用粒子种群全局搜索能力强的优势，从fMRI数据中识别出高质量的脑功能划分结构。
(2)本发明通过使用粒子群系统识别脑功能划分结构，不需要fMRI数据的先验知识，对fMRI数据本身的分布与规律特性要求较低，抗噪能力强；与其他算法相比，在真实fMRI数据集上可识别出更高质量的脑功能划分结构。
(3)本发明在真实fMRI数据上识别出的功能划分结构具有实际的生物学意义，可为脑工作机制的理解和脑疾病的发现提供帮助。
附图说明
图1本发明所涉及方法的流程图。
图2脑功能划分识别过程细化流程图。
图3粒子群系统识别划分结构的流程图。
图4惯性权重系数动态变化示意图。
图5基于邻域的粒子选择示意图。
图6粒子速度更新操作示意图。
图7粒子位置更新示意图。
图8变异操作示意图。
图9不同的算法的楔前叶的划分图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通；也可以是两个对象(体素/脑区)间的功能依赖性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
请参阅图1-3，本发明实施例中，一种用于从fMRI数据中识别脑功能划分的粒子群方法，包括实验设计步骤、fMRI数据采集步骤、fMRI数据预处理步骤、选取被划分的脑区步骤、粒子群系统识别划分步骤和划分结构分析步骤。
其中步骤(1)实验设计：
本方法征募15名健康志愿者，实验采用静息态实验范式，fMRI数据采集是在3.0T磁共振成像扫描仪上对所有被试完成头部扫描。具体的静息态实验范式如下：被试平躺在扫描仪内，处于放松状态，同时通过专门衬垫固定被试头部，以防止扫描过程中被试头动。在扫描过程中，被试睁着眼睛，并保持清醒。
步骤(2)fMRI数据采集：
真实fMRI数据包括功能像和结构像。功能像通过EPI序列扫描，主要相关参数如下：TR(扫描一次全脑所花费的时间)：2000ms，切片数：33片，FOV(视野域)：200×200，重复扫描次数：200次.采用MPRAGE序列扫描结构像，主要的扫描参数如下：TR(扫描一次全脑所花费的时间)：2530ms，切片数：144片，FOV(视野域)：256×256，重复扫描次数：1次。
步骤(3)fMRI数据预处理：
采用DPASFA软件工具包对fMRI数据进行预处理。为避免启动扫描仪时的匀场效应和被试的适应对数据带来的不利影响，删除每个被试的前10幅脑功能图，然后进行层间校正、头动校正，再剩余的脑图空间标准化到蒙特利尔神经研究所(MNI)的标准脑模板空间，接着进行数据重采样，最后进行空间平滑、去除飘移和滤波，以减少噪声和去掉无用的信号。
步骤(4)选取被划分的脑区：
本方法选取楔前叶作为划分脑区，用其划分结构验证本发明方法的有效性。选取被划分脑区的具体过程如下：首先基于AAL模板制作楔前叶的掩膜mask；然后通过matlab编程的方式将该mask用于预处理后的fMRI数据，得到楔前叶内体素的fMRI时间序列。
步骤(5)粒子群系统识别划分：
本发明采取的是基于粒子群系统的脑功能划分方法，该方法是通过搜索功能簇中心识别的功能划分方法，通过对识别出的划分结构进行指标度量，寻求与fMRI数据集相匹配的划分结构，最后识别出高质量的脑功能划分。划分结构的识别具体包括以下步骤：
具体的，步骤(5.1)，初始化参数：包括种群数量Pn，种群数量指定了种群的规模(粒子数量)；最大和最小惯性权重wmax与wmin，最大和最小惯性权重限定惯性权重的动态变化范围；最大速度vmax，决定了粒子位置中每一维可变化到的最大值；最小速度vmin，限定了粒子位置中每一维可变化到的最小量；学习因子c1和c2，学习因子c1和c2决定了某个体向自己或邻居的历史最优个体和种群历史最优个体学习的能力；划分数K，划分数K指定了划分的子区域数；个体变异阈值Th_ind，个体变异阈值限定了个体变异前可停滞的最大代数；种群变异阈值Thpop，种群变异阈值表明了种群历史最优个体可以停滞的最大代数。
步骤(5.2)，低维映射：基于体素的fMRI时间序列，利用Pearson相关系数计算体素间的相关性，形成相关性矩阵A；然后对A逐行求和，并通过将求得的和放置于所在行的主对角线位置上，得到对角阵B；接着由公式(1)计算出拉普拉斯矩阵L，并求出L的特征值与特征向量；最后选择与L的前K个最大特征值所对应的特征向量，按从左到右的顺序排列得到低维的数据矩阵。
L＝B-/2AB-1/2 (1)
步骤(5.3)，初始化粒子种群：生成种群大小为Pn初始粒子种群，初始种群中每个粒子的初始化包括粒子位置初始化和粒子速度初始化。粒子位置初始化的具体过程为：计算出低维矩阵中每个维的最大值和最小值，将之作为随机生成粒子位置时相应维的上界和下界；依据此方式，生成Pn个粒子个体的初始位置。粒子速度初始化的具体过程为：以vmax和vmin分别为上下界，随机生成Pn个粒子的初始速度。最后，采用SSE对粒子位置(功能簇中心)的适应度进行度量，将粒子的初始化作为该粒子初始历史最优个体，并从初始种群中选择最优粒子个体作为种群的初始历史最优个体。
步骤(5.4)停滞检测：停滞检测包括粒子个体停滞检测和粒子种群停滞检测。粒子个体停滞检测的具体过程为：如果粒子i的停滞代数超过了个体停滞阈值thr_ind，则随机生成一个位于以该个体到种群中其它个体的平均距离为半径的超球体之外的新个体，并用之代替个体i，同时计算新个体的适应度。种群停滞检测的具体过程为：如果种群的停滞代数超过了停滞阈值thr_pop，删除种群中最差的1/3个体，然后在剩下种群中随机选取个体的基础上利用差分变异产生新的1/3个体，并加入种群。差分变异的具体计算公式如式(2)所示：
其中，
和/>
是从当前剩下的2/3群体中随机选择的三个粒子个体，r是随机数向量。利用差分变异操作增强种群的多样性，有利于提高种群的搜索能力。
步骤(5.5)，执行粒子速度更新操作：针对种群中的粒子个体i，按照公式(3)对其速度进行更新。
其中，r1和r2是0到1之间的随机数；w(t)表示第t次迭代的惯性权重系数，度量了v(t)在更新速度v(t+1)中所占的权重；gbest是种群的历史最优个体；pneighbor是在xi的邻域内随机选择的粒子的历史最优个体。本发明方法中，w(t)采用非线性动态变化的形式，其计算公式如(4)式：当t较小时，w(t)也较小，此时种群的全局搜索能力较强；当t较小大，w(t)也较大，此时种群的局部搜索能力较强。w(t)的这种非线性时变性与搜索前期和搜索后期的搜索需要相适应。本方法中pneighbor按如下方式随机选择：(1)当以xi到种群中其他个体的距离的平均值为邻域半径且邻域内的粒子个体数量不小于Pn/10时，将随机选择的粒子的历史最优个体作为pneighbor；否则，从到xi距离较小的前Pn/10个体中随机选择粒子，并将其历史最优个体作为pneighbor.由于pneighbor来自于粒子位置xi的邻域中随机选择的粒子的历史最优个体，因此得到的更新速度
更具有多向性，进而使得更新后的种群更具多样性。这种选择邻域粒子最优历史个体的思想是充分利用搜索过程中种群的拓扑特性，增强粒子群体的搜索能力。
步骤(5.6)执行粒子位置更新操作：由步骤(5.4)得到粒子i的更新速度后，根据公式(5)更新粒子i的位置。
步骤(5.7)，适应度计算：采用SSE，作为粒子(本质上是粒子位置)的适应度；SSE值的大小反映功能划分结构与数据集分布结构的匹配程度，因此可以用来刻画划分结果的质量。SSE的计算公式如式(6)所示。
其中，Ci表示第i个簇，xi表示Ci的簇中心。SSE的值越小，说明得到的功能划分越紧致，划分的结果就越好。
步骤(5.8)粒子历史最优个体更新操作：如果
比/>
的历史最优个体的位置更优，则用/>
替换之，并更新相应的适应度。
步骤(5.9)更新种群历史最优个体：如果种群中的所有个体均完成了一次迭代更新，则检查种群中粒子的历史最优个体，如果存在比种群历史最优个体更优的粒子历史最优个体，则用之替换种群历史的最优个体，并更新相应的适应度。循环迭代，直到迭代结束。输出最优的功能簇中心，根据邻近思想得到相应的功能划分结构。
图9显示了K-means、HC(Hierarchical clustering)、GMM(Gaussian MixedModel)、SSC(Sparse-represented spectral clustering)、SC(Spectral clustering)、PSO(Particle Swarm Optimization)的划分结果图。可以看到，K-means、HC、GMM、SSC的划分空间图是不连续的，而且划分边界也不光滑和规整。实验表明，本发明在脑功能划分结构上是更有效的。
表1不同算法划分结果的功能一致性
表1显示了在不同的划分结果上计算出的功能一致性度量(轮廓系数)；该系数的值越高，说明划分结果的功能一致性越高。可以看到，K-means、HC、GMM、SSC的划分结果的功能一致性比较低，而SC和PSO的划分结果的功能一致性较高。PSO的划分结果的功能一致最高，这说明了本发明方法是更有效的。功能一致性度量(轮廓系数)的计算公式如下：
其中C表示一个划分结果，由K个划分(亚区)，ck表示第k个划分。s(vi,vj)表示体素vi和vj的相似性，此处由皮尔森相关系数计算得到，N是被划分的脑区体素的总数。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.一种用于从fMRI数据中识别脑功能划分的粒子群方法，其特征在于，包括实验设计步骤、fMRI数据采集步骤、fMRI数据预处理步骤、选取被划分的脑区步骤、粒子群系统识别划分步骤和划分结构分析步骤；
步骤1，实验设计：征募15名健康志愿者，实验采用静息态实验范式，fMRI数据采集是在3.0T磁共振成像扫描仪上对所有被试完成头部扫描；
步骤2，fMRI数据获取：真实fMRI数据包括功能像和结构像，功能像通过EPI序列扫描，采用MPRAGE序列扫描结构像；
步骤3，fMRI数据预处理：通过数据预处理降低原数据中的误差和干挠成分；采用DPASFA实现fMRI预处理；
步骤4：选取被划分的脑区：采用楔前叶作为被划分的脑区，基于AAL模板，利用matlab编程的方法制作楔前叶的掩膜mask；然后，将该mask用于全脑fMRI数据中提取楔前叶内体素所对应的fMRI数据；
步骤5，使用粒子群系统识别脑功能划分：包括以下几个步骤：初始化参数、低维映射、初始化粒子种群、停滞检测、执行粒子速度更新操作、执行粒子位置更新操作、适应度计算、粒子历史最优个体更新操作和更新种群历史最优个体；
步骤5中，初始化参数：包括粒子种群数量Pn，粒子种群数量指定了种群的规模；最大和最小惯性权重wmax与wmin，最大和最小惯性权重限定惯性权重的取值范围；最大速度Vmax，决定了粒子位置中每一维变化的最大量；最小速度Vmin，限定了粒子位置中每一维变化的最小量；学习因子c1和c2，学习因子c1和c2决定了某个体向自己的历史最优个体和种群历史最优个体学习的能力；划分数K，划分数指定了划分的区域数；个体变异阈值Thind，个体变异阈值决定了个体变异前可停滞的最大代数；种群变异阈值Thpop，种群变异阈值表明了种群最优个体可以停滞的最大代数；
低维映射：基于预处理后的体素的fMRI时间序列，利用Pearson相关系数计算体素间的相关性，形成相关性矩阵A；然后对A逐行求和，并通过将求得的和置于相应行的主对角线位置上，得到对角阵B；计算出拉普拉斯矩阵L，并求出L的特征值与特征向量；最后选择与L的前K个最大特征值所对应的特征向量，按从左到右的顺序排列得到低维的数据矩阵；
初始化种群：生成粒子数为Pn的种群，每个粒子的初始化包括粒子位置初始化和粒子速度初始化；每个粒子的位置被初始化为K个簇中心，相应的初始速度以随机的方式生成，进一步的，初始化过程为：计算出低维矩阵中每个维的最大值和最小值，将之作为粒子位置相应维的上界和下界，采用随机生成的方式初始化Pn个粒子的初始位置；依据此方式，以vmax和vmin分别为上下界，随机生成Pn个粒子的初始速度；
停滞检测：停滞检测包括个体停滞检测和种群停滞检测两个方面，可以及时发现没有空间搜索能力的粒子和缺失多样性的种群，并通过新粒子个体替换的方式提高粒子种群的搜索能力，进一步的，个体停滞检测的具体过程如下：逐个检测种群中粒子的停滞代数是否超过个体停滞阈值thr_ind；针对超过个体停滞阈值的粒子i，则随机生成一个位于以该个体到种群中其它个体的平均距离为半径的邻域之外的新粒子，并用之代替粒子i，同时计算新粒子的适应度；种群停滞检测的具体过程为：如果种群的停滞代数超过了种群停滞阈值thr_pop，删除种群中最差的1/3粒子，然后在剩下种群中随机选取粒子的基础上利用差分变异产生新的1/3粒子，并将其加入种群；
执行粒子速度更新操作：针对种群中的粒子个体i，对其速度进行更新；
执行粒子位置更新操作：由执行粒子速度更新操作得到了粒子i的更新速度后，更新粒子i的位置，并更新相应的适应度；
适应度计算：采用SSE，作为粒子的适应度；SSE评分大小反映功能划分结构低维矩阵中数据集分布结构的匹配程度；
粒子历史最优个体更新：如果更新后的粒子优于粒子i的历史最优个体，则用更新后的粒子替换之，并更新相应的适应度；
更新种群历史最优解：检测种群中粒子，如果种群中更优的粒子历史最优个体比种群的历史最优个体优，则用之替换种群历史的最优个体，并更新相应的适应度；循环迭代，直到迭代结束，识别出最优的簇中心；根据SSE的思想得到最优的功能划分结构；
步骤6，划分结构分析：对于识别出的划分结构中的子区域，通过比较其与大脑其他区域的功能连接来分析这些子区域的功能特性；选取的划分脑区是楔前叶，通过观察楔前叶子区域与大脑其它区域的功能连接特性发现其功能特异性。
2.根据权利要求1所述的一种用于从fMRI数据中识别脑功能划分的粒子群方法，其特征在于，步骤1中，具体的静息态实验范式为：被试平躺在扫描仪内，处于放松状态，同时通过专门衬垫固定被试头部，以防止扫描过程中被试头动，在扫描过程中，被试睁着眼睛，并保持清醒。
3.根据权利要求1所述的一种用于从fMRI数据中识别脑功能划分的粒子群方法，其特征在于，步骤3中，具体过程是：首先删除前10幅图像，以减少被试适应和扫描仪匀场带来的噪声；然后进行层间校正和头动空间校正，接着进行空间标准化和空间光滑，最后去除飘移和滤波。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110159080.5A CN112990224B (zh) | 2021-02-04 | 2021-02-04 | 一种用于从fMRI数据中识别脑功能划分的粒子群方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110159080.5A CN112990224B (zh) | 2021-02-04 | 2021-02-04 | 一种用于从fMRI数据中识别脑功能划分的粒子群方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112990224A CN112990224A (zh) | 2021-06-18 |
| CN112990224B true CN112990224B (zh) | 2023-07-11 |
Family
ID=76347407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110159080.5A Active CN112990224B (zh) | 2021-02-04 | 2021-02-04 | 一种用于从fMRI数据中识别脑功能划分的粒子群方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112990224B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808735B (zh) * | 2021-09-08 | 2024-03-12 | 山西大学 | 一种基于脑影像的精神疾病评估方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104207778A (zh) * | 2014-10-11 | 2014-12-17 | 上海海事大学 | 一种基于静息态功能磁共振成像技术的心理健康检测方法 |
| CN107928631A (zh) * | 2017-12-21 | 2018-04-20 | 哈尔滨工业大学 | 基于差分路径因子估计的近红外脑功能信号处理方法 |
| CN108319928A (zh) * | 2018-02-28 | 2018-07-24 | 天津大学 | 一种基于多目标微粒群算法优化的深度学习模型及应用 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013102180A1 (en) * | 2011-12-30 | 2013-07-04 | Neurotrek, Inc. | Optimization of ultrasound waveform characteristics for transcranial ultrasound neuromodulation |
-
2021
- 2021-02-04 CN CN202110159080.5A patent/CN112990224B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104207778A (zh) * | 2014-10-11 | 2014-12-17 | 上海海事大学 | 一种基于静息态功能磁共振成像技术的心理健康检测方法 |
| CN107928631A (zh) * | 2017-12-21 | 2018-04-20 | 哈尔滨工业大学 | 基于差分路径因子估计的近红外脑功能信号处理方法 |
| CN108319928A (zh) * | 2018-02-28 | 2018-07-24 | 天津大学 | 一种基于多目标微粒群算法优化的深度学习模型及应用 |
Non-Patent Citations (4)
| Title |
|---|
| A Combination of Particle Swarm Optimization and Minkowski Weighted K-Means Clustering: Application in Lateralization of Temporal Lobe Epilepsy;Samira-Sadat Jamali-Dinan等;《Brain Topography》;519-532 * |
| Particle swarm optimization with dynamic nonlinear inertia weight and population-topology selection strategy for brain functional parcellation from fMRI data;xuewu zhao等;《https://doi.org/10.21203/rs.3.rs-2195844/v1》;1-36 * |
| 基于群智能算法的人脑功能划分方法研究;赵学武;《中国博士学位论文全文数据库 (基础科学辑)》(第05期);A006-45 * |
| 面向脑疾病分类的结构磁共振影像特征学习方法研究;许丽娜;《中国博士学位论文全文数据库 (医药卫生科技辑)》(第08期);E060-11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112990224A (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110120033A (zh) | 基于改进的U-Net神经网络三维脑肿瘤图像分割方法 | |
| CN111161879B (zh) | 一种基于大数据的疾病预测系统 | |
| 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 | |
| CN112418337B (zh) | 基于脑功能超网络模型的多特征融合数据分类方法 | |
| CN105022934B (zh) | 一种用于从fMRI数据中构建脑效应连接网络的人工免疫方法 | |
| CN101706561B (zh) | 功能性磁共振图像的聚类方法 | |
| Veenman et al. | A cellular coevolutionary algorithm for image segmentation | |
| CN112990224B (zh) | 一种用于从fMRI数据中识别脑功能划分的粒子群方法 | |
| CN111626321B (zh) | 一种图像数据的聚类方法及装置 | |
| CN113892936B (zh) | 一种基于全卷积神经网络的可解释脑龄预测方法 | |
| CN116433967B (zh) | 一种面向无创神经调控技术的个性化靶点选择方法 | |
| CN111513717A (zh) | 一种大脑功能状态提取方法 | |
| CN112233086A (zh) | 基于脑区功能连接的fMRI数据分类识别方法及装置 | |
| CN115985488A (zh) | 基于动态超网络的脑疾病诊断方法、装置及系统 | |
| CN118098567A (zh) | 一种基于脑网络结构约束的多视图稀疏典型相关分析方法 | |
| CN103006215A (zh) | 基于局部平滑回归的脑功能区定位方法 | |
| CN113283465B (zh) | 一种弥散张量成像数据分析方法及装置 | |
| Dodero et al. | Automatic white matter fiber clustering using dominant sets | |
| Zhang et al. | Semi-supervised tissue segmentation of 3D brain MR images | |
| CN113205124B (zh) | 一种基于密度峰值的高维真实场景下的聚类方法、系统及存储介质 | |
| Klein et al. | Grid-based spectral fiber clustering | |
| CN107194918A (zh) | 数据分析方法及装置 | |
| Ji et al. | Research on feature selection and classification algorithm of medical optical tomography images | |
| Cheng et al. | Intrinsic functional connectivity pattern-based brain parcellation using normalized cut | |
| CN115082586B (zh) | 群组先验引导的基于深度学习的丘脑个体化图谱绘制方法 |
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 |