CN113786186B - 基于模块化动态重构的多尺度脑网络分析方法及系统 - Google Patents

基于模块化动态重构的多尺度脑网络分析方法及系统 Download PDF

Info

Publication number
CN113786186B
CN113786186B CN202111344162.3A CN202111344162A CN113786186B CN 113786186 B CN113786186 B CN 113786186B CN 202111344162 A CN202111344162 A CN 202111344162A CN 113786186 B CN113786186 B CN 113786186B
Authority
CN
China
Prior art keywords
network
brain
functional
node
task
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
Application number
CN202111344162.3A
Other languages
English (en)
Other versions
CN113786186A (zh
Inventor
李诗怡
李嘉
王晓怡
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.)
Beijing Smart Spirit Technology Co ltd
Original Assignee
Beijing Smart Spirit Technology Co ltd
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 Beijing Smart Spirit Technology Co ltd filed Critical Beijing Smart Spirit Technology Co ltd
Priority to CN202111344162.3A priority Critical patent/CN113786186B/zh
Publication of CN113786186A publication Critical patent/CN113786186A/zh
Application granted granted Critical
Publication of CN113786186B publication Critical patent/CN113786186B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A61B5/0033—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
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
    • A61B5/748—Selection of a region of interest, e.g. using a graphics tablet
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Signal Processing (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Optics & Photonics (AREA)
  • Neurology (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于模块化动态重构的多尺度脑网络分析方法及系统。该方法包括如下步骤：包括获取功能磁共振脑成像数据；对数据进行预处理；将预处理后的数据分割为离散ROI并作为全脑网络节点，计算各节点血氧水平依赖信号之间的系数，构建在不同状态下的全脑功能连接网络；对每种状态下的全脑功能连接网络进行模块化识别和分区，划分出不同的功能网络模块；针对不同状态下划分的功能网络模块，获取全脑网络的模块化架构适应性指标、跨任务稳定性指标以及跨任务灵活性指标；根据模块化架构适应性指标、跨任务稳定性指标和跨任务灵活性指标，分析组成功能网络模块的所有节点随任务状态发生变化和保持稳定的平均程度。

Description

基于模块化动态重构的多尺度脑网络分析方法及系统
技术领域
本发明涉及一种基于模块化动态重构的多尺度脑网络分析方法，同时也涉及相应的多尺度脑网络分析系统，属于认知神经科学技术领域。
背景技术
人的大脑可以通过定义节点和连接边的方式抽象成一个复杂的网络结构。这个网络通常被简称为脑网络，其结构与人类的认知功能和脑疾病存在密切联系。分析和研究脑网络可以为人类探索大脑工作方式、研究神经性退化疾病的病理机制、改善心理疾病及大脑损伤的诊断治疗提供有力的工具。目前，脑网络分析及其应用已成为计算机与生物信息、医学等交叉学科中的研究热点之一。
在申请号为201810106339.8的中国发明申请中，公开了一种基于加权网络的大脑功能连接模块划分方法，主要步骤为：对大脑功能磁共振成像进行预处理并与标准分区模板匹配，提取各个脑区对应的时间序列；采用滑窗法分离每个窗口对应的子时间序列，将所有窗口的相关系数矩阵组合，构建大脑功能连接的动态加权网络；由介数率得出考虑权重时加权网络的边介数，计算忽略权重的边介数、介数率和连接边权重的比值，并移除该比值最大的连接边；输出模块划分结果并计算模块度的值，直到网络中没有可以移除的连接边为止；输出模块度的最大值对应的模块划分结果。
另外，在专利号为ZL 201710541557.X的中国发明专利中，公开了一种融合图像体素及先验脑图谱划分的大脑网络构建方法，包括对功能磁共振成像数据的预处理，基于图像体素构建初步大脑网络，在初步大脑网络的基础上基于先验脑图谱构建最终大脑网络。该发明能够全面细致地刻画大脑功能网络，将网络的核心节点在大脑空间中可视化的同时，实现清晰的观测脑区之间连接模式的功能。
发明内容
本发明所要解决的首要技术问题在于提供一种基于模块化动态重构的多尺度脑网络分析方法。
本发明所要解决的另一技术问题在于提供一种基于模块化动态重构的多尺度脑网络分析系统。
为实现上述目的，本发明采用以下的技术方案：
根据本发明实施例的第一方面，提供一种基于模块化动态重构的多尺度脑网络分析方法，包括以下步骤：
获取受试者在测试过程中以及静息状态下的功能磁共振脑成像数据；
对所述功能磁共振脑成像数据进行预处理；
将预处理后的功能磁共振脑成像数据分割为离散的感兴趣区并作为全脑网络的节点，计算各节点的血氧水平依赖信号之间的相关系数作为功能连接的强度指标，构建受试者在不同状态下的全脑功能连接网络；
对受试者每种状态下的所述全脑功能连接网络进行模块化识别和分区，划分出不同的功能网络模块；
根据不同状态下划分的功能网络模块，获取模块化架构适应性指标、跨任务稳定性指标和跨任务灵活性指标；
根据所述模块化架构适应性指标、跨任务稳定性指标和跨任务灵活性指标，分析组成所述功能网络模块的所有节点随任务状态发生变化和保持稳定的平均程度。
其中较优地，所述获取受试者在测试过程中以及静息状态下的功能磁共振脑成像数据，具体包括：
通过多范式脑影像数据采集单元选择和确定需要实施的多种认知范式及其对应的实验任务；
在受试者根据提示执行相关任务时，采集其功能磁共振脑成像数据t-fMRI；
在受试者在静息状态下，采集其功能磁共振脑成像数据rs-fMRI。
其中较优地，所述对所述功能磁共振脑成像数据进行预处理，降低数据中的噪声，具体包括：
对所获取的t-fMRI数据和rs-fMRI数据进行预处理，校正数据获取过程中由于系统因素对数据产生的系统性噪声信号和由于受试者因素所带来的随机性噪声信号，提高数据信噪比；其中，所述功能磁共振脑成像数据预处理包括时层校正、头动校正、空间标准化、去线性漂移和平滑处理。
其中较优地，所述将降噪后的功能磁共振脑成像数据分割为离散的感兴趣区并作为全脑网络的节点，计算各节点的血氧水平依赖信号之间的相关系数作为功能连接的强度指标，构建受试者在不同状态下的全脑功能连接网络，具体包括：
将预处理后的受试者每种状态下的磁共振图像对齐配准到同样的大脑模板上；
将磁共振图像分割成离散的感兴趣区；
将一个给定功能或解剖区域内所有体素的信息结合，通过计算感兴趣区内所有体素的扫描时间序列中血氧水平依赖信号的平均值得到该感兴趣区的血氧水平依赖信号；
以各个感兴趣区作为节点，计算所有可能的节点对之间的血氧水平依赖信号的Pearson相关系数，产生包含元素ri,j的N * N相关系数矩阵，其中ri,j表示节点i和节点j之间的功能连接相关系数，N表示根据特定大脑图谱划分的感兴趣区的数量，其中，每个受试者能够得到1个N * N的静息态全脑功能网络连接矩阵和n个N * N的任务态全脑功能网络连接矩阵。
其中较优地，所述对受试者每种状态下的所述全脑功能连接网络进行模块化识别和分区，划分出不同的功能网络模块，具体包括：
采用Louvian贪婪社区检测算法对受试者的每种状态下的全脑功能连接网络进行模块化识别和分区，把在时间序列上表现出相似动态变化轨迹的一组感兴趣区识别为一个网络模块；
结合基于数据和算法识别的网络模块和已有的功能分区图谱，将全脑网络连接矩阵划分为不同功能网络模块之间的拓扑图，同一个功能网络模块内的各节点功能连接紧密而强，不同功能网络模块之间的功能连接稀疏而弱；
对比各个感兴趣区按照功能图谱被划分到的神经网络，以及各个感兴趣区在不同任务状态下的重新整合，获得大脑不同网络模块对应的认知功能及各个网络模块随着认知变化的整合模式。
根据本发明实施例的第二方面，提供一种基于模块化动态重构的多尺度脑网络分析系统，包括多范式脑影像数据采集单元、脑影像数据预处理单元、全脑网络构建单元、大脑模块化网络分区单元、跨任务灵活性指标分析单元和中央处理器；其中，
所述多范式脑影像数据采集单元与所述中央处理器连接，用于数据采集；
所述脑影像数据预处理单元与所述中央处理器连接，用于数据预处理；
所述全脑网络构建单元与所述中央处理器连接，用于全脑网络构建；
所述大脑模块化网络分区单元与所述中央处理器连接，用于全脑网络分区；
所述跨任务灵活性指标分析单元与所述中央处理器连接，用于进行全脑网络分析；
所述中央处理器用于执行上述的多尺度脑网络分析方法。
本发明提供的基于模块化动态重构的多尺度脑网络分析方法，通过衡量全脑网络的模块化架构适应性指标和各个模块跨任务的灵活性与关键中心节点的稳定性，有助于揭示在复杂认知环境中，个体大脑皮层如何通过大尺度脑网络系统的适应联结，灵活调整全脑功能网络的模块分区和功能网络模块的节点组成，进行具有学习意义的认知调控。这些指标也可作为个体认知控制功能适应性、稳定性、灵活性的生物学指标，有助于临床上对认知功能下降的人群的早筛查和早识别。
附图说明
图1为本发明实施例提供的一种基于模块化动态重构的多尺度脑网络分析系统的结构示意图；
图2为本发明实施例提供的一种基于模块化动态重构的多尺度脑网络分析方法的流程图；
图3为本发明实施例中，基于CAB-NP调整Louvian算法获得的网络分区的示意图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。
请参照图1所示，为本发明实施例提供的一种基于模块化动态重构的多尺度脑网络分析系统。该多尺度脑网络分析系统至少包括：多范式脑影像数据采集单元1、脑影像数据预处理单元2、全脑网络构建单元3、大脑模块化网络分区单元4、跨任务灵活性指标分析单元5以及中央处理器6。
其中，多范式脑影像数据采集单元1与中央处理器6连接（可以是电连接，也可以是无线连接等），用于数据采集；脑影像数据预处理单元2与中央处理器6连接，用于数据预处理；全脑网络构建单元3与中央处理器6连接，用于全脑网络构建；大脑模块化网络分区单元4与中央处理器6连接，用于全脑网络分区；跨任务灵活性指标分析单元5与中央处理器6连接，用于进行全脑网络分析；该中央处理器用于执行本发明实施例所提供的多尺度脑网络分析方法。
由此，通过对大脑进行模块分区，考察在不同认知任务中人类个体功能脑网络的动态整合和分化的程度，获取综合的、多尺度的跨任务脑网络灵活性指标。
下面对各个单元的工作过程进行详细叙述，以详细说明多尺度脑网络分析方法的操作步骤。具体的，参照图2所示，该基于模块化动态重构的多尺度脑网络分析方法包括步骤S1～S5：
S1：分别获取受试者在测试过程中以及静息状态下的功能磁共振脑成像数据。
具体的，通过多范式脑影像数据采集单元1选择和确定需要实施的多种认知范式及其对应的实验任务，其中，不同的认知范式对应不同的实验任务，从而能够对受试者在不同任务中进行数据采集。在受试者根据提示执行相关任务时，采集其功能磁共振脑成像数据（task-state functional magnetic resonance imagin，t-fMRI）；而且，在受试者在静息状态下，采集其功能磁共振脑成像数据（resting-state fMRI，rs-fMRI）。
其中，多种认知范式为常用的用于测验各项认知能力的认知神经科学范式，可以（但不限于）包括：Flanker范式、回忆再认范式、N-back范式等。相应的，与其对应的实验任务（但不限于）包括箭头朝向判断任务、词干补笔任务、2-back视觉任务等。举例来说：基于Flanker范式的箭头朝向判断任务可用于对受试者进行认知控制方面的测试，基于回忆再认范式的词干补笔任务可用于对受试者进行短时记忆和再认方面的测试，基于N-back范式的2-back视觉任务可用于对受试者进行工作记忆和执行方面的测试。
S2：对功能磁共振脑成像数据进行预处理，降低数据中的噪声。
具体的，通过对所获取的t-fMRI数据和rs-fMRI数据，进行时层校正、头动校正、空间标准化、去线性漂移和平滑处理，从而能够校正数据获取过程中由于系统因素对数据产生的系统性噪声信号和由于受试者因素所带来的随机性噪声信号，降低数据信号中的噪声，提高数据信噪比。
其中，系统因素多为机器启动时发出的声音以及机器发热后对数据造成的影响；受试者因素为受试者在测试过程中可能产生的噪音，例如：身体与头部不自觉的水平移动和转动、受测者数据采集过程中的吞咽动作等。
S3：将降噪后的功能磁共振脑成像数据分割为离散的感兴趣区（region ofinterest，ROI）并作为全脑网络的节点，计算各节点的血氧水平依赖信号之间的相关系数作为功能连接的强度指标，构建受试者在不同状态下的全脑功能连接网络。
具体的，包括步骤S31～S34：
S31：将预处理后的受试者在每种状态下的磁共振图像对齐配准到同一个大脑模板上；
S32：将磁共振图像分割成离散的感兴趣区；
S33：将一个给定功能或解剖区域内所有体素的信息结合，通过计算ROI内所有体素的扫描时间序列中的血氧水平依赖信号的平均值，得到该ROI的血氧水平依赖信号；
S34：以各个ROI作为节点，计算所有可能的节点对之间的血氧水平依赖信号的Pearson相关系数，产生包含元素ri,j的N * N相关系数矩阵，其中，ri,j表示节点i和节点j之间的功能连接相关系数，N表示根据特定大脑图谱划分的ROI的数量。
可以理解的是，由于每个受试者在测试过程中均会执行n个测试任务，从而得到n个N * N的任务态全脑功能网络连接矩阵；而且，每个受试者会进行一次静息状态的数据采集，从而得到1个N * N的静息态全脑功能网络连接矩阵，因此，每个受试者能够得到1个N *N的静息态全脑功能网络连接矩阵和n个N * N的任务态全脑功能网络连接矩阵，从而构建受试者在不同状态下的全脑功能连接网络，即，该全脑功能连接网络为n＋1个N*N的矩阵。
S4：对受试者每种状态下的全脑功能连接网络进行模块化识别和分区，划分出不同的功能网络模块。
具体的，包括步骤S41～S45
S41：采用Louvian贪婪社区检测算法，对受试者的每种状态下的全脑功能连接网络，进行模块化识别和分区，把在时间序列上表现出相似动态变化轨迹的一组ROI识别为一个网络模块；
具体的，对于每一种任务状态，Louvian算法首先将全脑网络中的每一个节点作为一个独立社区，然后将相邻节点合并到该社区中形成新的社区，并计算社区在加入该节点前后模块度的变化量，不断将模块度变化最大且大于零的相邻节点合并到社区中。通过不断重复该分配步骤，直到所有节点的所属社区以及全脑网络的模块度不再发生变化，最终实现对全脑网络的模块化分区。
S42：结合基于数据和算法识别的网络模块和已有的功能分区图谱，将全脑网络连接矩阵划分为不同功能网络模块之间的拓扑图。
不同功能网络模块之间的拓扑图中，同一个功能网络模块内的各节点功能连接紧密而强，不同功能网络模块之间的功能连接稀疏而弱。
具体的，将基于算法数据驱动获得的网络分区和人类认知能力分布式神经网络图谱相对应，采用已发表的功能网络图谱对当前获得的网络分区进行映射，并调整ROI的分区，最终获取全脑网络的功能网络模块分区。功能网络图谱结合统计原则方法与神经生物学原则方法，基于大尺度静息态数据将人脑皮层结构划分为不同的分区，并将其与人类认知功能相联系。图3示出了基于Cole-Anticevic全脑功能网络分区图谱（Cole-Anticevicbrain-wide network partition，CAB-NP）调整Louvian算法获得的网络分区的过程。CAB-NP图谱将人脑皮层结构划分为12个功能网络模块，分别是：初级视觉网络（Primary VisualNetwork，VIS1），次级视觉网络（Secondary Visual Network，VIS2）、感觉运动网络（Somatomotor Network，SMN）、带状盖网络（Cingulo-Opecular Network， CON）、背侧注意网络（Dorsal Attention Network，DAN）、言语网络（Language Network， LAN）、额顶网络（Frontoparietal Network，FPN）、听觉网络（Auditory Network，AUD）、默认脑网络（Default Mode Network， DMN）、后侧多通道网络（Posterior Multimodal Network，PMM）、腹侧多通道网络（Ventral Multimodal Network，VMM）和眶额情感网络（Orbito-AffectiveNetwork，OAN）。
S43：对比各个ROI按照功能图谱被划分到的神经网络，以及各个ROI在不同任务状态下的重新整合，获得大脑不同网络模块对应的认知功能及各个网络模块随着认知变化的整合模式。
在上述实施例中，不同认知任务状态下（1组静息态、n组任务态）全脑功能网络模块化分区的优劣程度可以用模块化分区函数Q来衡量：
Figure DEST_PATH_IMAGE001
，其中，aij表征节点i和节点j之间的功能连接的强度；pij表征在指定的空模型中连接节点i和j的连边的期望权重，pij = kikj/2m，其中ki和kj是指节点i和节点j的强度，2m= ΣijAij，指的是在当前网络中连接的总数；σi和σj表征节点i和节点j被划分进的社区，当节点i和节点j划分进同一个社区，即σi = σj时，Kroneckerδ函数δ(σiσj) = 1，否则δ(σiσj) = 0；γ表征分辨率参数；函数Q的取值范围在0～1之间，函数Q值越大说明网络分区的水平越好，优选的，函数Q值大于0.36（即第一设定值为0.36，而且，第一设定值也可以是0.35、0.37、0.38等）后，说明网络分区水平越好，划分的模块化结构准确度越高。函数Q值小于0.22（即第二设定值为0.22，而且，第一设定值也可以是0.21、0.20、0.23等）后，说明网络分区水平较低，
S5：针对不同状态下划分的功能网络模块，通过量化其时间变异性，根据与任务状态时间序列相关的功能网络模块在时间和空间上的动态变化，获取受试者全脑网络的模块化架构适应性指标、跨任务稳定性指标，以及跨任务灵活性指标。
通过步骤S4中的模块化函数可以得到在每一个任务状态中受试者大脑区域的功能网络模块分区。随任务状态的改变，功能网络模块分区的组成成分会产生特定的变化，包括模块化函数的整体变化，以及模块化组成架构具体的变化。本步骤中跨任务指标包括：1）模块化架构适应性指标；2）跨任务稳定性指标；3）跨任务灵活性指标。其中，适应性指标反映全脑网络节点随任务状态发生变异的整体水平，跨任务稳定性指标反映功能网络各个模块分区随认知任务状态发生变化和保持稳定的程度，跨任务灵活性指标衡量了具体模块中的各个关键中心节点对功能网络模块的“忠诚度”。三者从全脑、功能模块、关键中心节点三种不同尺度衡量了大脑动态模块化的学习过程。
具体的，该步骤S5包括步骤S51～S53，其中步骤S51用于获取受试者全脑网络的模块化架构适应性指标，步骤S52用于获取功能网络模块的跨任务稳定性指标，步骤S53用于获取功能网络模块的跨任务灵活性指标。下面对各个步骤进行详细叙述：
S51：获取受试者全脑网络的模块化架构适应性指标；
具体的，将不同状态下（1组静息态、n组任务态）的全脑功能网络按照状态的连续性排列成不同层次；采用多层模块化函数Qml从时间层面上分析受试者的功能网络分区质量，整合受测者在不同认知状态下功能网络分区中的组成节点变异程度；
多层模块化分区函数Qml反映受试者在不同认知任务状态中全脑网络节点的功能模块分区随认知任务状态发生变化的程度，表征全脑网络节点跨任务的整体变异和适应性，可以写成：
Figure DEST_PATH_IMAGE002
；
其中，Aijl为第l层功能网络邻接矩阵的元素；Pijl表征在指定空模型中的对应矩阵，Pijl = kilkjl/2ml，kil和kjl指在第l层节点i和j的强度，2ml = ΣijAijl，表示第l层网络中连接的总数；γl为第l层的分辨率参数；gil和gjr表征节点i在第l层的社区分布和节点j在第r层的社区分布；ωjlr表征时变网络的层间耦合参数，其值等于第l层节点j和第r层节点j的连接强度；所有连边权重的总和2μ=ΣjrKjr；节点j在第l层的强度Kjl = kjl＋cjl，其中kjl和cjl分别表征节点j在第l层的层内和层间强度，cjl =Σrωjlr。
由此，可以通过计算模块化函数Qml来衡量功能网络模块分区的质量，反映了跨不同认知任务环境时大脑皮层学习的适应性程度。
S52：获取功能网络模块的跨任务稳定性指标；
具体包括步骤S521～S522：
S521：计算以m为步长，同一功能网络模块在两种任务状态（Gt，G(t ＋ m)）下的自相关函数U(t，t ＋ m)，
Figure DEST_PATH_IMAGE003
，其中，|G(t)∩G(t ＋ m)|表征同时归属于功能网络模块Gt和G(t ＋ m)的节点数量，|G(t)∪G(t ＋ m)|表征归属于功能网络模块Gt和G(t ＋ m)的所有节点数量；
S522：将t0定义为功能网络模块划分的初始时间，t’定义为功能网络模块划分的最后一个时间，该功能网络模块的跨任务稳定性ζ等于所有连续时间步长的自相关系数的均值，可以表示为：
Figure DEST_PATH_IMAGE004
。
由此，可进一步考察各功能网络模块组成的变化，采用跨任务稳定性指标衡量受试者在时间维度上（即不同任务状态中）功能网络模块的变异性，对于每一个功能网络模块，其跨任务稳定性反映了功能模块分区随随时间（任务状态）保持稳定的程度。
S53：获取功能网络模块的跨任务灵活性指标；
具体包括步骤S531～S533：
S531：将关键中心节点定义为功能网络模块中具有高度联结数的中心节点；
S532：将跨任务灵活性fi定义为中心节点在所有任务状态中更改其功能网络模块分区的次数，并采用在这个过程中所有可能更改的次数，即多层框架中连续的层数进行标准化；
S533：将整个网络的跨任务灵活性定义为网络中所有关键中心节点的平均灵活性：
Figure DEST_PATH_IMAGE005
，其中N为多层框架的层数。
由此，可考察各关键中心节点的灵活性变化，采用跨任务灵活性指标衡量受试者在时间维度上，网络中的关键中心节点随时间（任务状态）的变异程度。
S6：根据模块化架构适应性指标、跨任务稳定性指标和跨任务灵活性指标，分析组成功能网络模块的所有节点随任务状态发生变化和保持稳定的平均程度。
具体的，包括步骤S61～S63：
S61：输出计算得到的模块化函数Qml，以衡量功能网络模块分区适应性质量；
S62：输出计算得到的各个网络模块的跨任务稳定性ζ，以衡量不同认知模块的在不同任务环境中的稳定性表现；
S63：输出计算得到的跨任务灵活性f，以衡量不同关键中心节点在学习过程中的灵活性调度情况；
由此，通过三类指标从不同尺度上（全脑网络、模块、关键中心节点）描述大脑皮层的认知调控水平和学习中的灵活适应性，以分析组成功能网络模块的所有节点随任务状态发生变化和保持稳定的平均程度。
综上所述，本发明提供的基于模块化动态重构的多尺度脑网络分析方法及系统，通过衡量全脑网络的模块化架构适应性指标和各个模块跨任务的灵活性与关键中心节点的稳定性，有助于揭示在复杂认知环境中，个体大脑皮层如何通过大尺度脑网络系统的适应联结，灵活调整全脑功能网络的模块分区和功能网络模块的节点组成，进行具有学习意义的认知调控。这些指标也可作为个体认知控制功能适应性、稳定性、灵活性的生物学指标，有助于临床上对认知功能下降的人群的早筛查和早识别。
上面对本发明所提供的基于模块化动态重构的多尺度脑网络分析方法及系统进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质内容的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。

Claims (10)

1.一种基于模块化动态重构的多尺度脑网络分析方法，其特征在于包括以下步骤：
获取受试者在测试过程中以及静息状态下的功能磁共振脑成像数据；
对所述功能磁共振脑成像数据进行预处理；
将预处理后的功能磁共振脑成像数据分割为离散的感兴趣区并作为全脑网络的节点，计算各节点的血氧水平依赖信号之间的相关系数作为功能连接的强度指标，构建受试者在不同状态下的全脑功能连接网络；
对受试者在每种状态下的所述全脑功能连接网络进行模块化识别和分区，划分出不同的功能网络模块；
根据不同状态下划分的功能网络模块，获取模块化架构适应性指标、跨任务稳定性指标和跨任务灵活性指标；
根据所述模块化架构适应性指标、跨任务稳定性指标和跨任务灵活性指标，分析组成所述功能网络模块的所有节点随任务状态发生变化和保持稳定的平均程度。
2.如权利要求1所述的多尺度脑网络分析方法，其特征在于对受试者每种状态下的所述全脑功能连接网络进行模块化识别和分区，划分出不同的功能网络模块之后，还包括：
根据模块化分区函数Q衡量全脑功能网络模块化分区的优劣程度；
Figure 510708DEST_PATH_IMAGE001
，
其中，aij表征节点i和节点j之间的功能连接的强度；pij表征在指定的空模型中连接节点i和j的连边的期望权重，pij = kikj/2m，其中ki和kj是指节点i和节点j的强度，2m=ΣijAij，指的是在当前网络中连接的总数；σi和σj表征节点i和节点j被划分进的社区，当节点i和节点j划分进同一个社区，即σi = σj时，Kroneckerδ函数δ(σiσj) = 1，否则δ(σiσj) = 0；γ表征分辨率参数；所述函数Q的取值范围在0～1之间。
3.如权利要求1所述的多尺度脑网络分析方法，其特征在于，所述获取受试者在测试过程中以及静息状态下的功能磁共振脑成像数据，具体包括：
通过多范式脑影像数据采集单元选择和确定需要实施的多种认知范式及其对应的实验任务；
在受试者根据提示执行相关任务时，采集其功能磁共振脑成像数据t-fMRI；
在受试者在静息状态下，采集其功能磁共振脑成像数据rs-fMRI。
4.如权利要求3所述的多尺度脑网络分析方法，其特征在于，所述对所述功能磁共振脑成像数据进行预处理，降低数据中的噪声，具体包括：
对所获取的t-fMRI数据和rs-fMRI数据进行预处理，校正数据获取过程中由于系统因素对数据产生的系统性噪声信号和由于受试者因素所带来的随机性噪声信号，提高数据信噪比；其中，所述功能磁共振脑成像数据预处理包括时层校正、头动校正、空间标准化、去线性漂移和平滑处理。
5.如权利要求4所述的多尺度脑网络分析方法，其特征在于，所述将降噪后的功能磁共振脑成像数据分割为离散的感兴趣区并作为全脑网络的节点，计算各节点的血氧水平依赖信号之间的相关系数作为功能连接的强度指标，构建受试者在不同状态下的全脑功能连接网络，具体包括：
将预处理后的受试者每种状态下的磁共振图像对齐配准到同样的大脑模板上；
将磁共振图像分割成离散的感兴趣区；
将给定功能或解剖区域内所有体素的信息结合，通过计算感兴趣区内所有体素的扫描时间序列中血氧水平依赖信号的平均值得到该感兴趣区的血氧水平依赖信号；
以各个感兴趣区作为节点，计算所有可能的节点对之间的血氧水平依赖信号的Pearson相关系数，产生包含元素ri,j的N * N相关系数矩阵，其中ri,j表示节点i和节点j之间的功能连接相关系数，N表示根据特定大脑图谱划分的感兴趣区的数量，其中，每个受试者能够得到1个N * N的静息态全脑功能网络连接矩阵和n个N * N的任务态全脑功能网络连接矩阵。
6.如权利要求5所述的多尺度脑网络分析方法，其特征在于，所述对受试者每种状态下的所述全脑功能连接网络进行模块化识别和分区，划分出不同的功能网络模块，具体包括：
采用Louvian贪婪社区检测算法对受试者的每种状态下的全脑功能连接网络进行模块化识别和分区，把在时间序列上表现出相似动态变化轨迹的一组感兴趣区识别为一个网络模块；
结合基于数据和算法识别的网络模块和已有的功能分区图谱，将全脑网络连接矩阵划分为不同功能网络模块之间的拓扑图，同一个功能网络模块内的各节点功能连接紧密而强，不同功能网络模块之间的功能连接稀疏而弱；
对比各个感兴趣区按照功能图谱被划分到的神经网络，以及各个感兴趣区在不同任务状态下的重新整合，获得大脑不同网络模块对应的认知功能及各个网络模块随着认知变化的整合模式。
7.如权利要求6所述的多尺度脑网络分析方法，其特征在于，所述获取受试者全脑网络的模块化架构适应性指标，具体包括：
将不同状态下的全脑功能网络按照状态的连续性排列成不同层次，采用多层模块化函数Qml从时间层面上分析受试者的功能网络分区质量，
Figure 113334DEST_PATH_IMAGE002
；
其中，Aijl为第l层功能网络邻接矩阵的元素；Pijl表征在指定空模型中的对应矩阵，Pijl = kilkjl/2ml，kil和kjl指在第l层节点i和j的强度，2ml = ΣijAijl，表示第l层网络中连接的总数；γl为第l层的分辨率参数；gil和gjr表征节点i在第l层的社区分布和节点j在第r层的社区分布；ωjlr表征时变网络的层间耦合参数，其值等于第l层节点j和第r层节点j的连接强度；所有连边权重的总和2μ=ΣjrKjr；节点j在第l层的强度Kjl = kjl＋cjl，其中kjl和cjl分别表征节点j在第l层的层内和层间强度，cjl =Σrωjlr。
8.如权利要求7所述的多尺度脑网络分析方法，其特征在于，获取功能网络模块的跨任务稳定性指标，具体包括：
计算以m为步长，同一功能网络模块在两种任务状态（Gt, G(t ＋ m)）下的自相关函数U(t, t ＋ m)，
Figure 830755DEST_PATH_IMAGE003
，其中，|G(t)∩G(t ＋ m)|表征同时归属于功能网络模块Gt和G(t ＋ m)的节点数量，|G(t)∪G(t ＋ m)|表征归属于功能网络模块Gt和G(t ＋m)的所有节点数量；
将t0定义为功能网络模块划分的初始时间，t’定义为功能网络模块划分的最后一个时间，该功能网络模块的跨任务稳定性ζ等于所有连续时间步长的自相关系数的均值，可以表示为：
Figure 429226DEST_PATH_IMAGE004
。
9.如权利要求8所述的多尺度脑网络分析方法，其特征在于，获取功能网络模块的跨任务灵活性指标，具体包括：
将关键中心节点定义为所述功能网络模块中具有高度联结数的中心节点；
将跨任务灵活性fi定义为所述中心节点在所有任务状态中更改其功能网络模块分区的次数，并采用在这个过程中所有可能更改的次数，即多层框架中连续的层数进行标准化；
将整个网络的跨任务灵活性定义为网络中所有关键中心节点的平均灵活性：
Figure 430549DEST_PATH_IMAGE005
，其中N为多层框架的层数。
10.一种基于模块化动态重构的多尺度脑网络分析系统，其特征在于包括多范式脑影像数据采集单元、脑影像数据预处理单元、全脑网络构建单元、大脑模块化网络分区单元、跨任务灵活性指标分析单元和中央处理器；
所述多范式脑影像数据采集单元与所述中央处理器连接，用于数据采集；
所述脑影像数据预处理单元与所述中央处理器连接，用于数据预处理；
所述全脑网络构建单元与所述中央处理器连接，用于全脑网络构建；
所述大脑模块化网络分区单元与所述中央处理器连接，用于全脑网络分区；
所述跨任务灵活性指标分析单元与所述中央处理器连接，用于进行全脑网络分析；
所述中央处理器用于执行如权利要求1～9中任意一项所述的多尺度脑网络分析方法。
CN202111344162.3A 2021-11-12 2021-11-12 基于模块化动态重构的多尺度脑网络分析方法及系统 Active CN113786186B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111344162.3A CN113786186B (zh) 2021-11-12 2021-11-12 基于模块化动态重构的多尺度脑网络分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111344162.3A CN113786186B (zh) 2021-11-12 2021-11-12 基于模块化动态重构的多尺度脑网络分析方法及系统

Publications (2)

Publication Number Publication Date
CN113786186A CN113786186A (zh) 2021-12-14
CN113786186B true CN113786186B (zh) 2022-03-04

Family

ID=78955131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111344162.3A Active CN113786186B (zh) 2021-11-12 2021-11-12 基于模块化动态重构的多尺度脑网络分析方法及系统

Country Status (1)

Country Link
CN (1) CN113786186B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114255228A (zh) * 2021-12-23 2022-03-29 福州大学 基于静息态功能磁共振图像的脑功能连接网络分析方法
CN116630331B (zh) * 2023-07-26 2023-10-13 中日友好医院(中日友好临床医学研究所) 静息态功能脑网络的图像处理方法及装置
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
CN117045228A (zh) * 2023-09-27 2023-11-14 燕山大学 一种孤独症谱系障碍动态脑网络性别差异分析方法及装置
CN117350352B (zh) * 2023-12-06 2024-02-23 烟台大学 结构脑网络到功能连通性网络的学习方法、系统和设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10881322B2 (en) * 2016-08-25 2021-01-05 The Regents Of The University Of Colorado, A Body Corporate Neurophysiological signatures for fibromyalgia
CN111568414B (zh) * 2020-05-22 2022-05-10 中国人民解放军东部战区总医院 基于功能影像学的癫痫活动检测方法及系统
CN112700876A (zh) * 2020-12-28 2021-04-23 聊城大学 一种包含高阶信息的脑功能网络构建方法
CN113592836B (zh) * 2021-08-05 2022-11-18 东南大学 一种深度多模态图卷积的脑图分类方法
CN113476032B (zh) * 2021-08-13 2023-03-03 电子科技大学 一种基于有向图谐波分析的脑结构与功能耦合的方法

Also Published As

Publication number Publication date
CN113786186A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
CN113786186B (zh) 基于模块化动态重构的多尺度脑网络分析方法及系统
Lei et al. Self-calibrated brain network estimation and joint non-convex multi-task learning for identification of early Alzheimer's disease
Li et al. Deep spatial-temporal feature fusion from adaptive dynamic functional connectivity for MCI identification
CN109522894B (zh) 一种探测fMRI脑网络动态协变的方法
Ahmed et al. Single volume image generator and deep learning-based ASD classification
Yang et al. A deep neural network study of the ABIDE repository on autism spectrum classification
Mahanand et al. Identification of brain regions responsible for Alzheimer’s disease using a Self-adaptive Resource Allocation Network
Wu et al. An approach to directly link ICA and seed-based functional connectivity: Application to schizophrenia
CN110598793B (zh) 一种大脑功能网络特征分类方法
CN111009324B (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
CN111631715B (zh) 一种阿尔茨海默症早期认知功能下降预测方法
WO2018155765A1 (ko) 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치
CN117172294B (zh) 一种稀疏脑网络的构建方法、系统、设备和存储介质
Antonakakis et al. Aberrant whole-brain transitions and dynamics of spontaneous network microstates in mild traumatic brain injury
Huang et al. Coherent pattern in multi-layer brain networks: Application to epilepsy identification
CN111523617A (zh) 基于白质融合特征图和残差注意力网络的癫痫检测系统
CN116051545B (zh) 一种双模态影像的脑龄预测方法
CN116662736A (zh) 一种基于深度学习混合模型的人体状态评估方法
Boppana et al. Deep Learning Approach for an early stage detection of Neurodevelopmental Disorders
CN113317790A (zh) 一种基于持久同调的儿童自闭症神经生物学标记的寻找方法
Jain et al. Age-specific diagnostic classification of asd using deep learning approaches
CN115251889B (zh) 一种功能磁共振影像动态连接网络特征描述方法
CN117045228A (zh) 一种孤独症谱系障碍动态脑网络性别差异分析方法及装置
CN115546124B (zh) 联合ica和功能梯度的小脑-大脑运动功能整合方法
KR20200025853A (ko) 구조적 자기공명영상을 이용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치

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