CN113362408A - 脑活动多尺度局部对比度图像贝叶斯重建的方法及系统 - Google Patents
脑活动多尺度局部对比度图像贝叶斯重建的方法及系统 Download PDFInfo
- Publication number
- CN113362408A CN113362408A CN202110510932.0A CN202110510932A CN113362408A CN 113362408 A CN113362408 A CN 113362408A CN 202110510932 A CN202110510932 A CN 202110510932A CN 113362408 A CN113362408 A CN 113362408A
- Authority
- CN
- China
- Prior art keywords
- image
- magnetic resonance
- independent
- resonance imaging
- local contrast
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000007177 brain activity Effects 0.000 title claims abstract description 35
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims abstract description 60
- 238000012880 independent component analysis Methods 0.000 claims abstract description 21
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 21
- 230000000007 visual effect Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000002156 mixing Methods 0.000 claims description 7
- 210000001525 retina Anatomy 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 210000003128 head Anatomy 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 210000000869 occipital lobe Anatomy 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 4
- 230000000638 stimulation Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 210000000857 visual cortex Anatomy 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 230000004287 retinal location Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000007473 univariate analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本公开提出了脑活动多尺度局部对比度图像贝叶斯重建的方法及系统，包括：获得功能性磁共振成像数据，基于功能性磁共振成像数据将体素活动转换成统计上尽可能彼此独立的时间变量，并将所述变量馈送到朴素贝叶斯分类器；朴素贝叶斯分类器对独立变量进行进一步分析，计算独立变量中每个类别的后验概率，预测的标签将被分配给概率最大的类；预测所有功能性磁共振成像数据的局部对比度后，用最小二乘法得到最佳组合系数，使用所有随机图像会话数据重新训练的组合系数和局部解码器被集成到重建模型中，用于进行脑活动多尺度局部对比度图像重建。在有限牺牲重建精度的情况下，神经网络独立成分分析比SMLR算法更有效，后者将计算时间从数小时减少到数秒。
Description
技术领域
本公开属于功能性磁共振成像(fMRI)技术领域，尤其涉及脑活动多尺度局部对比度图像贝叶斯重建的方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
功能性磁共振成像为测量大脑中血氧水平依赖(BOLD)信号提供了一种方便的工具，BOLD信号是大脑活动的反映。
最近，一些与单变量分析方法相比更加敏感的多元计算方法已成功应用于fMRI数据，以破译视觉体验。一般来说，所有的视觉解码研究都建立了视觉刺激和大脑活动之间的系统映射。然而，这些研究在从功能性磁共振成像数据中收集的输出信息方面存在差异，即它们是否对刺激图像进行分类、识别或重建。
功能性磁共振成像技术的最新进展使得从大脑活动中重建对比度定义的视觉图像成为可能，以这种方式，刺激图像被表示为具有不同尺度的一组元素图像的加权和。使用受试者观看刺激图像时记录的功能性磁共振成像活动解码局部图像的对比度权重。
目前使用较多的方法有稀疏多项式逻辑回归模型(SMLR)，已被证明对学习初级视觉皮层体素的功能性磁共振成像模式和刺激图像的对比度之间的映射有效，然而，在对逻辑回归模型引入加权参数的稀疏性先验限定时，已有研究使用基于隐式ARD准则的先验限定方法，由于在对加权参数寻优的过程需要计算黑森矩阵，导致该方法计算效率较低，因此SMLR方法在实际应用中非常耗时。
发明内容
为克服上述现有技术的不足，本公开提供了脑活动多尺度局部对比度图像贝叶斯重建的方法，基于独立成分分析的朴素贝叶斯分类器(NBC)来有效解码多尺度局部图像的对比度。
为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：
第一方面，公开了脑活动多尺度局部对比度图像贝叶斯重建的方法，包括：
获得功能性磁共振成像数据，基于功能性磁共振成像数据将体素活动转换成统计上尽可能彼此独立的时间变量，并将所述变量馈送到朴素贝叶斯分类器；
朴素贝叶斯分类器对独立变量进行进一步分析，计算独立变量中每个类别的后验概率，预测的标签将被分配给概率最大的类；
预测所有功能性磁共振成像数据的局部对比度后，用最小二乘法得到最佳组合系数，使用所有随机图像会话数据重新训练的组合系数和局部解码器被集成到重建模型中，用于进行脑活动多尺度局部对比度图像重建。
进一步的技术方案，获得功能性磁共振成像数据之前还包括，获取公共数据集，使用位于ATR脑活动成像中心的扫描仪扫描原始数据图像，并进行交错T2*加权梯度回波平面成像扫描以获得覆盖整个枕叶的功能图像。
进一步的技术方案，对公共数据集中的公共数据进行预处理，包括：切片时间校正、头动校正、配准和重新插值。
进一步的技术方案，通过不同类型的实验获得功能性磁共振成像数据，分别为视网膜映射部分、随机图像部分和图形图像部分；
视网膜映射部分，用于描绘早期视觉区域；
随机图像部分，用于以不同的组块(block)呈现棋盘空间随机图案；
图形图像部分，用于展示图形，同时记录功能性磁共振成像数据。
进一步的技术方案，用时间独立成分分析将观察到的体素活动转换成统计上尽可能彼此独立的变量，具体为：
R＝AX，
其中，R是D×N个观察到的fMRI信号，D代表体素数，N代表时间点数或样本数，X表示大小为V×N的隐藏因子矩阵，每一行X，xi(i＝1,...V)表示时间独立分量，V是独立分量的个数，也代表功能性磁共振成像特征的维度，混合矩阵A的大小为D×V；
为了估计未知参数A和X，假设X中的每个分量都是独立的，并且具有非高斯分布，估计独立分量和混合矩阵，
其中
是分解矩阵。
进一步的技术方案，通过朴素贝叶斯分类器，估计元素图像对比度水平的概率分布，给定功能磁共振观察值，具体包括：
给定图像对比度为离散对比度，被视为一种状态或类别；
在训练阶段，对于每个类离散对比度，使用训练数据来估计类先验和类条件概率；
在测试阶段使用新的测试数据即功能性磁共振成像信号计算每个类别的后验概率。
进一步的技术方案，进行脑活动多尺度局部对比度图像重建时，来自随机图像会话中的运行的训练数据被分成多组，并且每组的局部对比度由用其他组训练的解码器预测，重复该过程，直到所有组都被测试。
第二方面，公开了脑活动多尺度局部对比度图像贝叶斯重建系统，包括：
独立变量模块，被配置为：获得功能性磁共振成像数据，基于功能性磁共振成像数据将体素活动转换成统计上尽可能彼此独立的时间变量，并将所述变量馈送到朴素贝叶斯分类器；
朴素贝叶斯分类器模块，被配置为：朴素贝叶斯分类器对独立变量进行进一步分析，计算独立变量中每个类别的后验概率，预测的标签将被分配给概率最大的类；
图像重建模块，被配置为：预测所有功能性磁共振成像数据的局部对比度后，用最小二乘法得到最佳组合系数，使用所有随机图像会话数据重新训练的组合系数和局部解码器被集成到重建模型中，用于进行脑活动多尺度局部对比度图像重建。
以上一个或多个技术方案存在以下有益效果：
本公开技术方案中脑活动多尺度局部对比度图像贝叶斯重建，首先，通过独立成分分析获得功能磁共振数据的时间独立分量，并将其作为朴素贝叶斯分类器的新特征。然后，基于朴素贝叶斯估计理论计算每个局部元素图像的对比度。最终，基于独立成分分析的朴素贝叶斯模型方法可用于重建新的视觉图像。重建图像与再现图像的平均空间相关性为0.41±0.13(p<0.001)。与现有方法相比，在有限牺牲重建精度的情况下，基于独立成分分析的朴素贝叶斯模型比SMLR算法更有效，由于避免了具有较高计算复杂度的加权参数稀疏性先验限定假设，前者将计算时间从数小时减少到数秒。
本发明使用基于独立成分分析的朴素贝叶斯模型，使得特征满足类条件独立性假设，以便进一步作为朴素贝叶斯模型的输入，可以有效地从功能性磁共振成像数据重建对比度定义的视觉图像。本发明基于功能性磁共振成像数据，可以实现数秒内重构人类的视觉体验，为实时功能性磁共振成像的研究提供了思路。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本发明一种脑活动多尺度局部对比度图像贝叶斯重建方法的流程图；
图2是本发明基于独立成分分析的朴素贝叶斯模型和SMLR模型的图像重建程序示意图；
图3是本发明使用NBC对对比度定义的视觉刺激解码步骤的示意图；
图4是本发明脑活动多尺度局部对比度图像贝叶斯重建结果；
图5是本发明原始图像和重建图像在不同视觉皮层区域活动的空间相关性；
图6是本发明的一种脑活动多尺度局部对比度图像贝叶斯重建系统。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了脑活动多尺度局部对比度图像贝叶斯重建的方法，参见附图1所示，该方法包括：
步骤(1)：获取数据集；
步骤(2)：对公共数据进行预处理；
步骤(3)：针对预处理后的功能性磁共振成像数据，使用时间独立成分分析来提取时间独立分量，并将此作为朴素贝叶斯分类器的新特征；
步骤(4)：在满足独立性前提下，假定特征近似服从高斯分布，通过最大似然估计法，估计元素图像对比度水平的类先验概率及类条件概率；
步骤(5)：基于贝叶斯理论，计算类后验概率值，利用后验概率值对图像对比度进行预测，最终实现图像重建。
具体包括以下几个步骤：
步骤(1)：获取公共数据集。使用位于ATR脑活动成像中心的扫描仪扫描原始数据图像，进行交错T2*加权梯度回波平面成像扫描以获得覆盖整个枕叶的功能图像。
步骤(2)：对公共数据进行预处理。预处理包括4部分，分别是：切片时间校正、头动校正、配准和重新插值。
在该步骤中，被试观看随机图像所收集的fMRI数据用于模型训练；被试观看三组图形图像时所收集的fMRI数据用于模型测试。
本公开实施例中，重构的对象是被试所观看的图像刺激(即一组几何图形、两组字母图形)，具体而言，图像刺激可以看成由10×10的基本单元构成，通过估计每个基本单元的灰度值，可以重构被试观看的刺激图像。
实验过程分为三种不同类型的实验，分别为视网膜映射部分、随机图像部分和图形图像部分，每个实验过程的内容设计如下：
视网膜定位部分用于描绘早期视觉区域(V1、V2、V3、V3a和VP)。在本发明中，选择V1、V2和V3的体素作为特征，三个区域的体素数目分别为1017、1045和1237。
在随机图像部分中，440个闪烁的棋盘空间随机图案以不同的组块呈现给受试者，并且每个刺激块是6秒长，随后是6秒的休息期。模型训练是在440个单次试验的块平均数据上进行的。
在图形图像部分，三组图形(组1中的几何图形以及组2和组3中的字母图形)被展示给受试者，同时记录fMRI数据。对于每一组，在整个实验过程中，受试者被展示了5种不同的图形模式，每一个刺激块都是12秒长，然后是12秒的休息时间。块平均数据被用作测试数据。为了补偿血流动力学延迟，来自每个体素的fMRI信号延迟4秒。
上述视网膜映射部分的数据主要用于视觉区边界的划分，即对V1、V2和V3进行定位，进一步提取三个脑区体元的fMRI数据用于后续模型的训练与测试。
随机图像session的fMRI数据进行预处理之后，用于重构模型训练。
图形图像session的fMRI数据进行预处理之后，用于重构模型测试。
步骤(4)：使用时间独立成分分析来提取时间独立分量，并将此作为朴素贝叶斯分类器的新特征。为了满足朴素贝叶斯分类模型的条件独立性假设，使用时间独立成分分析将观察到的体素活动转换成统计上尽可能彼此独立的变量，并将这些变量馈送到朴素贝叶斯分类器进行进一步分析。公式如下：R＝AX，其中R是D×N个观察到的fMRI信号(D代表体素数，N代表时间点数或样本数)，X表示大小为V×N的隐藏因子矩阵，每一行X，xi(i＝1,...V)表示时间独立分量，V是独立分量的个数，也代表本研究中功能性磁共振成像特征的维度。混合矩阵A的大小为D×V。为了估计未知参数A和X，假设X中的每个分量都是独立的，并且具有非高斯分布。使用这个简单的假设，可以估计独立分量和混合矩阵，
其中
是分解矩阵。
需要说明的是，针对预处理后随机图像session的fMRI数据进行时间独立成分分析，提取时间独立的成分作为后面朴素贝叶斯分类器(NBC)的输入特征，用于模型训练。将图形图像session的fMRI数据投影到相同的时间独立成分空间，作为NBC模型性能的测试数据。
步骤(5)：通过朴素贝叶斯分类器，估计元素图像对比度水平的概率分布，给定功能磁共振观察值。作为进一步的优选方案，在该方法中所述通过朴素贝叶斯分类器，估计元素图像对比度水平的概率分布，给定功能磁共振观察值，具体为：朴素贝叶斯分类器是一个基于应用贝叶斯定理的简单概率分类器，具有很强的独立性假设，或者更具体地说，是一个独立的特征模型，公式如下：
j＝1,...,N；k＝1,...,K，其中xj代表特定时间或每列X的功能磁共振信号样本，N为样本数；k代表对比度级别的数量；P(Ck|xj)表示fMRI信号xj对给定图像对比度Ck基础的反应的后验概率。在这里，离散对比度Ck被视为一种状态或类别。
在训练阶段，对于每个类Ck，使用训练数据来估计类先验P(Ck)和类条件概率P(xj|Ck)。然后，在测试阶段使用新的测试数据(功能性磁共振成像信号)计算每个类别的后验概率。预测的标签将被分配给概率最大的类：CNB＝maxP(Ck|xj)。类先验P(Ck)可以用下面的公式来估计：P(Ck)＝nk/n，其中nk代表类Ck中的训练样本数，n代表所有训练样本数。分类条件概率P(xj|Ck)很难用MAP方法直接计算。然而，独立成分分析的功能性磁共振成像特征是独立分布的，即
功能性磁共振成像的特征xij是一个连续变量。
为了简单起见，假设在全局独立成分分析之后，每个类别的功能性磁共振成像特征是正态分布的。平均值μi和方差σi的特征xi使用最大似然方法估计每个类中的特征，
其中，n是每个类别的样本数。然后，概率P(xij|Ck)可以通过将xij代入具有平均值μi和方差σi的正态分布方程来计算，方程如下：
朴素贝叶斯分类器对经过预处理且投影到时间独立成分空间的fMRI数据进行处理。朴素贝叶斯分类器是一个基于朴素贝叶斯定理的简单概率分类器，具有很强的独立性假设，因此，本公开实施例中需要利用时间独立成分分析对fMRI进行预处理。
步骤(6)：利用基于独立成分分析的朴素贝叶斯模型进行图像重建。具体为：作为进一步的优选方案，在该方法中所述基于独立成分分析的朴素贝叶斯模型图像重建，具体为：在本发明中，构建了四个不同的尺度上共361个图像基(从精细到粗糙，100个元素图像覆盖1×1个基本单元，90个图像基覆盖1×2个基本单元，90个图像基覆盖2×1个基本单元，81个图像基覆盖2×2个基本单元)属于四个不同的尺度之一，如图2所示。
在10×10的图像中，每个位置都有一个1×1的基本单元图像。1×1补片图像基底的对比度解码器具有0或1的输出值，每个模型一个位置。对于其他比例(1×2、2×1或2×2)，每个元素图像的NBC模型的目标对比度值是图像库中所有网格的平均对比度。
如果可以预测每个单元灰度值的概率，并将该单元的灰度赋值为最大概率灰度值，就可以重构出一幅10×10的几何图像。
由于大脑视皮层与视网膜上存在一一对应的映射关系，这体现在V1，V2，V3及更高级皮层，从V1到V3视觉区对外界刺激的编码也逐渐由精细变得复杂，受到这一点启示，不仅在1×1的尺度上进行对比度的预测(预测目标为0或1)，还考虑了其他较为粗糙的空间尺度，即1×2,2×1,2×2。
对于图2所示的图像，在对每个图像基进行对比度估计ψi(r)之后，重建图像是图像基底的组合，公式如下：
加权组合系数λ＝(λ1,λ2,...,λM)可以使用最小二乘法来估计，公式如下：
为了估计组合系数，来自随机图像模块中的20个run的训练数据被分成十组(每组两个run)，并且每组的局部对比度由用其他组训练的解码器预测。重复该过程，直到所有组都被测试。在预测所有训练样本的局部对比度后，用最小二乘法得到最佳组合系数。使用所有随机图像会话数据重新训练的组合系数和局部解码器被集成到重建模型中，并获得重构的几何图像。
实施例二
本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述方法的步骤。
实施例四
本实施例的目的是提供脑活动多尺度局部对比度图像贝叶斯重建系统，包括：
获取公开数据集模块，被配置为使用位于ATR脑活动成像中心的扫描仪扫描原始数据图像，并进行交错T2*加权梯度回波平面成像扫描以获得覆盖整个枕叶的功能图像；
公开数据预处理模块，被配置为对公共数据进行预处理，包括切片时间校正、头动校正、配准和重新插值；
实验记录受试者fMRI数据模块，被配置为视网膜定位部分、随机图像部分和图形图像，视网膜定位部分用于描绘早期视觉区域；随机图像部分中，将440个闪烁的棋盘空间随机图案以不同的块呈现给受试者，并且每个刺激块是6秒长，随后是6秒的休息期；图形图像部分，将几何图形以及字母图形分别被展示给3组受试者，同时记录fMRI数据；
独立成分分析提取独立变量模块，被配置为满足朴素贝叶斯分类模型的条件独立性假设，使用时间独立成分分析将观察到的体素活动转换成统计上尽可能彼此独立的变量，并将这些变量馈送到朴素贝叶斯分类器进行进一步分析；
朴素贝叶斯分类器模块，被配置为在训练阶段，对于每个类Ck，我们使用训练数据来估计类先验P(Ck)和类条件概率P(xj|Ck)。然后，在测试阶段，使用新的测试数据(功能性磁共振成像信号)，计算每个类别的后验概率。预测的标签将被分配给概率最大的类，作为分类器的输出，公式如下：CNB＝maxP(Ck|xk)。
基于独立成分分析的朴素贝叶斯图像重建模块，被配置为使用361个尺度分为1×1、1×2、2×1或2×2的基本单元，1×1基本单元图像基底的对比度解码器具有0或1的输出值，每个模型一个位置。对于其他比例(1×2、2×1或2×2)，每个元素图像的NBC模型的目标对比度值是图像库中所有网格的平均对比度。来自随机图像会话中的20次运行的训练数据被分成十组(每组两次运行)，并且每组的局部对比度由用其他组训练的解码器预测。重复该过程，直到所有组都被测试。在预测所有训练样本的局部对比度后，用最小二乘法得到最佳组合系数。使用所有随机图像会话数据重新训练的组合系数和局部解码器被集成到重建模型中，用于对测试数据进行对比度预测。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本公开中的任一方法。
本领域技术人员应该明白，上述本公开的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.脑活动多尺度局部对比度图像贝叶斯重建的方法，其特征是，包括：
获得功能性磁共振成像数据，基于功能性磁共振成像数据将体素活动转换成统计上尽可能彼此独立的时间变量，并将所述变量馈送到朴素贝叶斯分类器；
朴素贝叶斯分类器对独立变量进行进一步分析，计算独立变量中每个类别的后验概率，预测的标签将被分配给概率最大的类；
预测所有功能性磁共振成像数据的局部对比度后，用最小二乘法得到最佳组合系数，使用所有随机图像会话数据重新训练的组合系数和局部解码器被集成到重建模型中，用于进行脑活动多尺度局部对比度图像重建。
2.如权利要求1所述的脑活动多尺度局部对比度图像贝叶斯重建的方法，其特征是，获得功能性磁共振成像数据之前还包括，获取公共数据集，使用位于ATR脑活动成像中心的扫描仪扫描原始数据图像，并进行交错T2*加权梯度回波平面成像扫描以获得覆盖整个枕叶的功能图像。
3.如权利要求1所述的脑活动多尺度局部对比度图像贝叶斯重建的方法，其特征是，对公共数据集中的公共数据进行预处理，包括：切片时间校正、头动校正、配准和重新插值。
4.如权利要求1所述的脑活动多尺度局部对比度图像贝叶斯重建的方法，其特征是，通过不同类型的实验获得功能性磁共振成像数据，分别为视网膜映射部分、随机图像部分和图形图像部分；
视网膜映射部分，用于描绘早期视觉区域；
随机图像部分，用于以不同的块呈现棋盘空间随机图案；
图形图像部分，用于展示图形，同时记录功能性磁共振成像数据。
5.如权利要求1所述的脑活动多尺度局部对比度图像贝叶斯重建的方法，其特征是，用时间独立成分分析将观察到的体素活动转换成统计上尽可能彼此独立的变量，具体为：
R＝AX，
其中，R是D×N个观察到的fMRI信号，D代表体素数，N代表时间点数或样本数，X表示大小为V×N的隐藏因子矩阵，每一行X，xi(i＝1，...V)表示时间独立分量，V是独立分量的个数，也代表功能性磁共振成像特征的维度，混合矩阵A的大小为D×V；
为了估计未知参数A和X，假设X中的每个分量都是独立的，并且具有非高斯分布，估计独立分量和混合矩阵，
其中
是分解矩阵。
6.如权利要求1所述的脑活动多尺度局部对比度图像贝叶斯重建的方法，其特征是，通过朴素贝叶斯分类器，估计元素图像对比度水平的概率分布，给定功能磁共振观察值，具体包括：
给定图像对比度为离散对比度，被视为一种状态或类别；
在训练阶段，对于每个类离散对比度，使用训练数据来估计类先验和类条件概率；
在测试阶段使用新的测试数据即功能性磁共振成像信号计算每个类别的后验概率。
7.如权利要求1所述的脑活动多尺度局部对比度图像贝叶斯重建的方法，其特征是，进行脑活动多尺度局部对比度图像重建时，来自随机图像会话中的运行的训练数据被分成多组，并且每组的局部对比度由用其他组训练的解码器预测，重复该过程，直到所有组都被测试。
8.脑活动多尺度局部对比度图像贝叶斯重建系统，其特征是，包括：
独立变量模块，被配置为：获得功能性磁共振成像数据，基于功能性磁共振成像数据将体素活动转换成统计上尽可能彼此独立的时间变量，并将所述变量馈送到朴素贝叶斯分类器；
朴素贝叶斯分类器模块，被配置为：朴素贝叶斯分类器对独立变量进行进一步分析，计算独立变量中每个类别的后验概率，预测的标签将被分配给概率最大的类；
图像重建模块，被配置为：预测所有功能性磁共振成像数据的局部对比度后，用最小二乘法得到最佳组合系数，使用所有随机图像会话数据重新训练的组合系数和局部解码器被集成到重建模型中，用于进行脑活动多尺度局部对比度图像重建。
9.一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现上述权利要求1-7任一所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述权利要求1-7任一所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110510932.0A CN113362408A (zh) | 2021-05-11 | 2021-05-11 | 脑活动多尺度局部对比度图像贝叶斯重建的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110510932.0A CN113362408A (zh) | 2021-05-11 | 2021-05-11 | 脑活动多尺度局部对比度图像贝叶斯重建的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113362408A true CN113362408A (zh) | 2021-09-07 |
Family
ID=77526125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110510932.0A Pending CN113362408A (zh) | 2021-05-11 | 2021-05-11 | 脑活动多尺度局部对比度图像贝叶斯重建的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113362408A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115546124A (zh) * | 2022-09-21 | 2022-12-30 | 电子科技大学 | 联合ica和功能梯度的小脑-大脑运动功能整合方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106251299A (zh) * | 2016-07-25 | 2016-12-21 | 电子科技大学 | 一种高效降噪视觉图像重构方法 |
| CN109615608A (zh) * | 2018-11-13 | 2019-04-12 | 昆明理工大学 | 一种人脑活动中自然图像贝叶斯重建的方法 |
-
2021
- 2021-05-11 CN CN202110510932.0A patent/CN113362408A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106251299A (zh) * | 2016-07-25 | 2016-12-21 | 电子科技大学 | 一种高效降噪视觉图像重构方法 |
| CN109615608A (zh) * | 2018-11-13 | 2019-04-12 | 昆明理工大学 | 一种人脑活动中自然图像贝叶斯重建的方法 |
Non-Patent Citations (1)
| Title |
|---|
| SUTAO SONG ET AL.: "Bayesian reconstruction of multiscale local contrast images from brain activity", 《JOURNAL OF NEUROSCIENCE METHODS》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115546124A (zh) * | 2022-09-21 | 2022-12-30 | 电子科技大学 | 联合ica和功能梯度的小脑-大脑运动功能整合方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| St-Yves et al. | Generative adversarial networks conditioned on brain activity reconstruct seen images | |
| Carlson et al. | Patterns of activity in the categorical representations of objects | |
| Naselaris et al. | Cortical representation of animate and inanimate objects in complex natural scenes | |
| Meyer-Baese et al. | Comparison of two exploratory data analysis methods for fMRI: unsupervised clustering versus independent component analysis | |
| US9119549B2 (en) | Method for developing test for neuropsychiatric disease | |
| Wang et al. | SACICA: a sparse approximation coefficient-based ICA model for functional magnetic resonance imaging data analysis | |
| US11867783B2 (en) | Apparatus and method for analysing functional MRI data | |
| CN112233086B (zh) | 基于脑区功能连接的fMRI数据分类识别方法及装置 | |
| CN109615608A (zh) | 一种人脑活动中自然图像贝叶斯重建的方法 | |
| CN112233199A (zh) | 基于离散表征和条件自回归的fMRI视觉重构方法 | |
| Mohebbian et al. | Classifying MRI motion severity using a stacked ensemble approach | |
| CN113362408A (zh) | 脑活动多尺度局部对比度图像贝叶斯重建的方法及系统 | |
| Zhang et al. | Improved sparse decomposition based on a smoothed L0 norm using a Laplacian kernel to select features from fMRI data | |
| CN110569880A (zh) | 一种利用人工神经网络模型对视觉刺激解码方法 | |
| Meyer-Base et al. | Topographic independent component analysis for fMRI signal detection | |
| Song et al. | Bayesian reconstruction of multiscale local contrast images from brain activity | |
| Rimal | Identifying the neurocognitive difference between two groups using supervised learning | |
| Yang et al. | Fast T2w/FLAIR MRI acquisition by optimal sampling of information complementary to pre-acquired T1w MRI | |
| WO2020221737A1 (en) | Medical image analysis system and method for identification of lesions | |
| CN111325268A (zh) | 基于多层次特征表示和集成学习的影像分类方法及装置 | |
| Rabbani et al. | Temporal extrapolation of heart wall segmentation in cardiac magnetic resonance images via pixel tracking | |
| Onal et al. | An information theoretic approach to classify cognitive states using fMRI | |
| Mauri | An interpretable generative model for image-based predictions | |
| Donovan | Extensions of Independent Component Analysis to Analyze Functional Connectivity and Neural Spike Train Data | |
| Stansbury | Modeling neural representation using statistical features of natural scenes |
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: 20210907 |