CN116597994B - 基于脑激活聚类算法的精神疾病脑功能活动测评装置 - Google Patents

基于脑激活聚类算法的精神疾病脑功能活动测评装置 Download PDF

Info

Publication number
CN116597994B
CN116597994B CN202310546068.9A CN202310546068A CN116597994B CN 116597994 B CN116597994 B CN 116597994B CN 202310546068 A CN202310546068 A CN 202310546068A CN 116597994 B CN116597994 B CN 116597994B
Authority
CN
China
Prior art keywords
brain
time
state
activation
module
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
CN202310546068.9A
Other languages
English (en)
Other versions
CN116597994A (zh
Inventor
明东
张波
刘爽
张文荃
杜铭浩
张小臣
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202310546068.9A priority Critical patent/CN116597994B/zh
Publication of CN116597994A publication Critical patent/CN116597994A/zh
Application granted granted Critical
Publication of CN116597994B publication Critical patent/CN116597994B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • 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

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Neurosurgery (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Psychology (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Probability & Statistics with Applications (AREA)

Abstract

本发明公开了一种基于脑激活聚类算法的精神疾病脑功能活动测评装置，包括：脑激活判定模块，用于对每个脑区进行脑激活判定；BOLD‑fMRI时间序列融合模块，用于将所有人的各个脑区BOLD‑fMRI时间序列在时间维度进行融合，得到一包含所有被试时间序列的矩阵；聚类分析模块，利用K均值聚类将融合后的时间序列数据分成k个类别，聚类个数k通过肘部法则和轮廓系数确定最优值；脑功能活动时变参数计算模块，对脑功能活动时变特性的分析转化为对脑激活状态随时间点转换的统计分析；组间假设检验模块，用于对脑功能活动时变特性进行患者组与对照组的组间双样本t检验件，输出精神疾病患者脑功能活动时变特性的异常。本发明充分发掘精神疾病脑功能活动的时变特征，揭示其患病机理，从而辅助精神疾病的临床诊断和治疗。

Description

基于脑激活聚类算法的精神疾病脑功能活动测评装置
技术领域
本发明涉及医学信号处理领域，尤其涉及一种基于脑激活聚类算法的精神疾病脑功能活动测评装置。
背景技术
功能磁共振成像(functional magnetic resonance imaging,fMRI)技术可以基于脑血氧水平的变化实现对大脑内部功能活动的成像。由于其非侵入、成像速度快、以及空间分辨率高的优势，已成为探测精神疾病患者大脑功能活动的一种理想媒介，对于揭示精神疾病的患病机理，推动临床诊断和治疗具有重要意义。
现有基于fMRI的精神疾病患者脑功能活动分析方法主要分为两类。第一类方法是脑功能活动静态分析方法，主要包括：低频振荡振幅分析、局部一致性分析、以及基于相关性的功能连接分析。此类方法基于大脑功能活动在静息态fMRI采集过程中保持静止不变的“静态”假设，而大脑是一个复杂的动态系统，因此静态分析方法无法准确度量精神疾病患者大脑的动态活动特征。第二类方法是脑功能活动时变分析方法。现有的时变分析方法主要是基于滑动时间窗口演变而来。通常利用滑动时间窗对完整fMRI时间序列进行分割，之后在每个窗口下进行静态功能活动指标的计算，最后联合所有窗口下的指标进行稳定性的分析。
基于滑动窗口的方法在本质上仍然是利用窗口内的连续多个时间点的fMRI序列进行计算，并不能表示当前时间点下的瞬态脑功能活动特征。并且，窗宽与滑动步长的选择对于脑动态活动特征的探测具有重要影响，但现有研究缺乏一致的选择标准，因此现有基于滑动时间窗的脑功能活动时变分析测评具有一定的局限性。
发明内容
本发明提供了一种基于脑激活聚类算法的精神疾病脑功能活动测评装置，本发明克服了现有技术的不足，以充分发掘精神疾病脑功能活动的时变特征，揭示其患病机理，从而辅助精神疾病的临床诊断和治疗，详见下文描述：
一种基于脑激活聚类算法的精神疾病脑功能活动测评装置，所述装置包括：
脑激活判定模块，用于对每个脑区进行脑激活判定；
BOLD-fMRI时间序列融合模块，用于将所有人的各个脑区BOLD-fMRI时间序列在时间维度进行融合，得到一个包含所有被试时间序列的矩阵；
聚类分析模块，利用K均值聚类将融合后的时间序列数据分成k个类别，聚类个数k通过肘部法则和轮廓系数确定最优值；
脑功能活动时变参数计算模块，对脑功能活动时变特性的分析转化为对脑激活状态随时间点转换的统计分析；
组间假设检验模块，用于对脑功能活动时变特性进行患者组与对照组的组间双样本t检验件，输出精神疾病患者脑功能活动时变特性的异常。
其中，所述矩阵为：[160个脑区×(T名被试×N个时间点)]。
进一步地，所述脑功能活动时变特性为：激活占比、平均持续时间、转换频率、总转换次数。
其中，所述激活占比为：
其中，Dk表示大脑在状态k下的总停留时间，K表示所有的激活状态，ti表示在状态i下的时间点，tall表示所有的时间点。
进一步地，所述平均持续时间为：
其中，Pk表示状态k每次出现的平均持续时间，K表示所有的共激活状态，ti表示在状态i下的时间点，nk表示状态k出现的总次数。
其中，所述转换频率为：
其中，Fij表示由状态i到状态j的转换频率，t为时间点，st表示在第t个时间点的状态，st+1表示在第t+1个时间点的状态，当st＝i且st+1＝j时，f(st,st+1)＝1，否则为0。
进一步地，所述总转换次数为：全部时间序列中不同大脑激活状态的总切换次数，表示大脑活动的整体活跃程度，计算公式如下：
其中，TNT表示总转换次数，K表示所有的共激活状态，Fij表示由状态i转换到状态j的次数。
本发明提供的技术方案的有益效果是：
1、本发明针对当前精神疾病脑功能动态活动分析方法的不足，从功能磁共振图像的原始数据出发，设计了联合脑激活判定与聚类算法的时变功能活动分析方法；
2、本方法可以对大脑在每个瞬态时间点所处的脑激活状态进行准确分类，进而对时变特征进行定量分析，有效推动对精神疾病大脑动态功能损伤与患病机理的理解，推动功能磁共振成像在精神疾病智能诊疗领域的发展。
附图说明
图1为一种基于脑激活聚类算法的精神疾病脑功能活动测评装置的操作示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
通过对背景技术的分析研究发现，精神分裂症、抑郁症、焦虑症等精神疾病的患病机理与大脑的动态功能活动密不可分，脑功能活动时变分析方法的进步对于推动精神疾病脑损伤的理解十分必要。因此，本发明实施例提出了一种基于脑激活聚类算法的精神疾病脑功能活动测评装置。
实施例1
一种基于脑激活聚类算法的精神疾病脑功能活动测评装置，参见图1，该装置包括：
功能磁共振成像数据采集和预处理模块1，用于招募精神疾病患者和健康对照组，对所有N个被试进行静息态功能磁共振成像扫描，共采集T个时间点的数据，并进行预处理操作；
其中，上述预处理步骤包括：去除初期不稳定的时间点、时间层校正、头动校正、空间标准化、滤波、平滑。N为被试人数。
BOLD-fMRI(基于血氧水平依赖的功能磁共振成像)时间序列提取模块2，利用将全脑划分为160个脑区的Dosenbach脑功能模板与每个被试的fMRI图像进行配准，从而将全脑划分为160个脑区，并提取出每个脑区内部的平均BOLD-fMRI时间序列，通过z变换将每个脑区的BOLD-fMRI时间序列进行标准化以表示功能活动的相对变化强度；
脑激活判定模块3，用于对每个脑区进行脑激活判定，该模块对去除冗余非激活信息、降低模型复杂度具有显著效果，是研究大脑动态功能活动的关键。
由于大脑的每个区域并非持续保持激活或者静止状态，而是激活与静止交替出现。已有基于脑电技术的研究表明，脑区的激活时长约占全部时长的20％。因此，本发明实施例对标准化的时间序列进行降序排序，保留前20％的数据作为脑激活时间点的数据，并将其余未激活时间点的数据设为0以判定未激活。
BOLD-fMRI时间序列融合模块4，本发明实施例意在通过聚类分析得出具有高度稳定性的在所有被试中重复出现的大脑激活状态，所以需要对所有被试在每个时间点下的脑激活数据进行融合，而非个体水平聚类。因此，将所有人的各个脑区BOLD-fMRI时间序列在时间维度进行融合，得到一个包含所有被试时间序列的矩阵[160个脑区×(T名被试×N个时间点)]。
聚类分析模块5，用于利用K均值聚类将融合后的时间序列数据分成k个类别，所划分出的每一种类别的全脑激活状态具有高度的稳定性，即在不同时间点具有高相似性和重复性。聚类个数k通过肘部法则和轮廓系数确定最优值。
肘部法则的核心指标是误差平方和(sum of the squared errors，SSE)。其计算公式如下：
其中，Ci是第i个簇，k是类别个数，p是Ci中的样本点，mi是Ci的质心(Ci中所有样本的均值)。聚类数k越高，样本划分越精细，每个簇的聚合程度越高，因此SSE越小。并且，当k小于实际存在的类别个数时，随着k的增大会大幅增加每个簇的聚合程度，故SSE的下降幅度较快，而当k到达真实聚类数时，随着k的增大导致簇内的聚合程度增加不明显，故SSE的下降幅度骤减并趋于平缓。因此SSE随k值增大的变化关系图是一个类似手肘的形状，而肘部对应的k值就是数据的真实聚类数。
当肘部法则效果不佳时，进一步以轮廓系数法进行k值评估。某个样本点的轮廓系数定义如下：
其中，a是Xi与同簇其他样本的平均距离，称为凝聚度，b是Xi与最近簇中所有样本的平均距离，称为分离度。而最近簇Cj的定义如下：
其中，p是第k个簇Ck中的样本，n为簇Ck中的样本个数。即用Xi到某个簇所有样本平均距离作为衡量该点到该簇的距离后，选择离Xi最近的一个簇作为最近簇。求出所有样本的轮廓系数后再求平均值即平均轮廓系数，其取值范围为[-1，1]。平均轮廓系数越大，簇内样本的距离越近，簇间样本距离越远，聚类效果越好。
脑功能活动时变参数计算模块6，聚类分析之后，可确定每个被试在每个时间点的大脑激活状态，进而对脑功能的时变特性进行分析。对脑功能活动时变特性的分析可转化为对脑激活状态随时间点转换的统计分析。
其中，时变特性可定义为以下四种参数：激活占比、平均持续时间、转换频率、总转换次数。
(1)激活占比表示大脑处在某一状态下的全部时间，通常以其在全部时间序列中所占的比例表示，其计算公式如下：
其中，Dk表示大脑在状态k下的总停留时间，K表示所有的激活状态，ti表示在状态i下的时间点，tall表示所有的时间点。
(2)平均持续时间表示某一大脑激活状态每次出现时的平均持续时间，计算公式如下：
其中，Pk表示状态k每次出现的平均持续时间，K表示所有的共激活状态，ti表示在状态i下的时间点，nk表示状态k出现的总次数。
(3)转换频率表示大脑从某一特定状态转换到另一个特定状态的频率，多种网络之间转换频率，可由一个非对称矩阵来表示，其计算公式如下：
其中，Fij表示由状态i到状态j的转换频率，t为时间点，st表示在第t个时间点的状态，st+1表示在第t+1个时间点的状态，当st＝i且st+1＝j时，f(st,st+1)＝1，否则为0。
(4)总转换次数是全部时间序列中不同大脑激活状态的总切换次数，表示大脑活动的整体活跃程度，计算公式如下：
其中，TNT表示总转换次数，K表示所有的共激活状态，Fij表示由状态i转换到状态j的次数。
组间假设检验模块7，用于对脑功能活动时变特性进行患者组与对照组的组间双样本t检验件，以揭示精神疾病患者脑功能活动时变特性的异常。
实施例2
下面结合具体的实例对实施例1中的方案进行进一步地介绍，详见下文描述：
一、功能磁共振成像数据采集和预处理模块1
招募精神疾病患者(n＝N1)和健康对照组(n＝N2)，并对所有被试(n＝N)进行静息态功能磁共振成像与T1加权成像扫描。fMRI数据通过平面回波成像序列进行采集，扫描参数为：回波时间TE＝21ms，重复时间TR＝2,500ms，翻转角FA＝90°，扫描视野FOV＝200mm×200mm，矩阵大小64×64，体素大小3.5mm×3.1mm×3.1mm，层数40层，共采集200个时间点。同时采集高分辨T1加权成像数据用于辅助预处理。
T1数据通过磁化准备快速梯度回波序列进行采集，扫描参数为：TR＝2,530ms，TE＝2.34ms，FA＝7°，FOV＝256mm×224mm，层厚1.0mm。数据采集完成后，使用Matlab平台下的Data Processing Assistant for Resting-State fMRI(DPARSF)工具包将静息态fMRI数据进行预处理操作。具体步骤包括：去除前10个不稳定的时间点、时间层校正、头动校正、空间标准化、滤波到0.01至0.1Hz、6mm*6mm*6mm Gaussian高斯平滑。
二、BOLD时间序列提取模块2
对预处理后的fMRI数据进行BOLD时间序列提取。首先，根据脑区功能将全脑划分为160个脑区的Dosenbach脑图谱对每个被试的全脑进行分割，之后提取每个脑区内所有体素的BOLD时间序列并计算平均值，将四维体素水平的BOLD数据转化为ROI(感兴趣区)水平的二维数据。以上时间序列提取通过Matlab平台下的DPARSF(静息态功能磁共振数据预处理助手)工具包进行，在ROI定义中导入Dosenbach脑模板(本领域技术人员所公知)。因此每个被试可得到160个脑区的时间序列，可由160×200的矩阵进行表示。为了表示每个脑区内功能活动的相对变化强度，从而判断此脑区是否激活，继续对每个脑区的时间序列进行标准化，标准化通过z变换(本领域技术人员所公知)实现。
三、脑激活判定模块3
对每个脑区在所有时间点的BOLD数据进行降序排序，保留前20％的数据判定为脑激活，并将其余未激活时间点的数据设为0以判定该脑区在这些时刻未激活。脑激活判定对于去除冗余非激活信息、降低模型计算复杂度、以及提升全脑激活状态的聚类效果具有显著效果。
四、BOLD时间序列融合模块4
对所有被试的各个脑区进行脑激活判定之后，将所有被试的BOLD时间序列在时间维度进行串联融合，得到一个包含所有被试时间序列的矩阵[160个脑区×(T×N个时间点)]。
五、聚类分析模块5
利用K均值聚类将融合后的时间序列数据分成k个类别，所划分出的每一种类别的全脑激活状态具有高度的稳定性，即在不同时间点具有高相似性和重复性。在K均值算法中，设定聚类个数k的范围为2至20个，并对每个k值进行聚类。之后绘制每个k值对应的误差平方和曲线，通过肘部法则确定k最优值。若通过肘部法则无法判定最优k值，可继续通过计算轮廓系数，联合肘部法则和轮廓系数确定k的最优值，即大脑可分为k种激活状态。
六、脑功能活动时变参数计算模块6
经聚类分析之后，可确定每个被试在每个时间点的大脑激活状态，对脑功能活动时变特性的分析可转化为对脑激活状态随时间点转换的统计分析。时变特性可定义为以下四种参数：
(1)激活占比：每种脑状态激活的总时间点的个数在总采集时间(T个时间点)中所占的比例；
(2)平均持续时间：每种状态每次出现所持续的平均时间；
(3)状态间转换频率：每两种状态之间的转换频率，可由一个二维矩阵M表示，Ma,b表示由状态a转换到状态b的频率。
(4)总转换次数：每个被试在T个时间点内的状态转换总次数；
七、组间假设检验模块7
对每个脑功能活动时变参数进行患者组与对照组的组间双样本t检验件，显著性水平0.05，并采用错误发现率进行多重比较校正，以揭示精神疾病患者相比于健康人具有显著差异的脑功能活动时变特性的异常。
以上第三、四、五、六、七模块的内部软件操作通过MATLAB脚本实现。
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，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。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于脑激活聚类算法的精神疾病脑功能活动测评装置，其特征在于，所述装置包括：
脑激活判定模块，用于对每个脑区进行脑激活判定；
BOLD-fMRI时间序列融合模块，用于将所有人的各个脑区BOLD-fMRI时间序列在时间维度进行融合，得到一个包含所有被试时间序列的矩阵；
聚类分析模块，利用K均值聚类将融合后的时间序列数据分成k个类别，聚类个数k通过肘部法则和轮廓系数确定最优值；
脑功能活动时变参数计算模块，对脑功能活动时变特性的分析转化为对脑激活状态随时间点转换的统计分析；
组间假设检验模块，用于对脑功能活动时变特性进行患者组与对照组的组间双样本t检验件，输出精神疾病患者脑功能活动时变特性的异常；
其中，根据脑区功能将全脑划分为160个脑区的Dosenbach脑图谱对每个被试的全脑进行分割，提取每个脑区内所有体素的BOLD时间序列并计算平均值，将四维体素水平的BOLD数据转化为感兴趣区水平的二维数据；时间序列提取通过Matlab平台下的静息态功能磁共振数据预处理助手的工具包进行，在感兴趣区定义中导入Dosenbach脑模板，每个被试得到160个脑区的时间序列，对每个脑区的时间序列进行标准化；对每个脑区在所有时间点的BOLD数据进行降序排序，保留前20％的数据判定为脑激活，并将其余未激活时间点的数据设为0以判定该脑区在这些时刻未激活；
其中，所述矩阵为：[160个脑区×(T名被试×N个时间点)]；
所述脑功能活动时变特性为：激活占比、平均持续时间、转换频率、总转换次数；
所述激活占比为：
其中，Dk表示大脑在状态k下的总停留时间，K表示所有的激活状态，ti表示在状态i下的时间点，tall表示所有的时间点；
所述平均持续时间为：
其中，Pk表示状态k每次出现的平均持续时间，K表示所有的共激活状态，ti表示在状态i下的时间点，nk表示状态k出现的总次数；
所述转换频率为：
其中，Fij表示由状态i到状态j的转换频率，t为时间点，st表示在第t个时间点的状态，st+1表示在第t+1个时间点的状态，当st＝i且st+1＝j时，f(st,st+1)＝1，否则为0；
所述总转换次数为：全部时间序列中不同大脑激活状态的总切换次数，表示大脑活动的整体活跃程度，计算公式如下：
其中，TNT表示总转换次数，K表示所有的共激活状态，Fij表示由状态i转换到状态j的次数。
CN202310546068.9A 2023-05-16 2023-05-16 基于脑激活聚类算法的精神疾病脑功能活动测评装置 Active CN116597994B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310546068.9A CN116597994B (zh) 2023-05-16 2023-05-16 基于脑激活聚类算法的精神疾病脑功能活动测评装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310546068.9A CN116597994B (zh) 2023-05-16 2023-05-16 基于脑激活聚类算法的精神疾病脑功能活动测评装置

Publications (2)

Publication Number Publication Date
CN116597994A CN116597994A (zh) 2023-08-15
CN116597994B true CN116597994B (zh) 2024-05-14

Family

ID=87607497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310546068.9A Active CN116597994B (zh) 2023-05-16 2023-05-16 基于脑激活聚类算法的精神疾病脑功能活动测评装置

Country Status (1)

Country Link
CN (1) CN116597994B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204581A (zh) * 2016-07-08 2016-12-07 西安交通大学 基于pca与k均值聚类的动态脑功能连接模式分解方法
CN107832656A (zh) * 2017-09-18 2018-03-23 天津大学 一种基于动态功能脑网络的大脑功能状态信息处理方法
CN110265148A (zh) * 2019-06-20 2019-09-20 上海海事大学 一种fMRI脑网络机制启发的动态功能模式学习方法
CN111513717A (zh) * 2020-04-03 2020-08-11 常州大学 一种大脑功能状态提取方法
CN111863244A (zh) * 2020-07-28 2020-10-30 中国人民解放军国防科技大学 基于稀疏池化图卷积的功能连接精神疾病分类方法和系统
CN112002428A (zh) * 2020-08-24 2020-11-27 天津医科大学 以独立成分网络为参照的全脑个体化脑功能图谱构建方法
CN114677345A (zh) * 2022-03-18 2022-06-28 兰州理工大学 青少年肌阵挛癫痫多脑区共激活模式研究方法
CN115115896A (zh) * 2022-07-28 2022-09-27 华南师大(清远)科技创新研究院有限公司 一种脑功能磁共振图像分类方法、装置、终端及存储介质
CN115424067A (zh) * 2022-08-30 2022-12-02 上海市精神卫生中心（上海市心理咨询培训中心） 基于多重融合脑网络图技术实现抑郁症亚型分类处理的系统、方法、处理器及其存储介质
CN115659144A (zh) * 2022-10-28 2023-01-31 上海海事大学 基于fMRI多频段分析的亚健康人员分类方法、系统及设备
CN115985488A (zh) * 2022-10-30 2023-04-18 上海海事大学 基于动态超网络的脑疾病诊断方法、装置及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204581A (zh) * 2016-07-08 2016-12-07 西安交通大学 基于pca与k均值聚类的动态脑功能连接模式分解方法
CN107832656A (zh) * 2017-09-18 2018-03-23 天津大学 一种基于动态功能脑网络的大脑功能状态信息处理方法
CN110265148A (zh) * 2019-06-20 2019-09-20 上海海事大学 一种fMRI脑网络机制启发的动态功能模式学习方法
CN111513717A (zh) * 2020-04-03 2020-08-11 常州大学 一种大脑功能状态提取方法
CN111863244A (zh) * 2020-07-28 2020-10-30 中国人民解放军国防科技大学 基于稀疏池化图卷积的功能连接精神疾病分类方法和系统
CN112002428A (zh) * 2020-08-24 2020-11-27 天津医科大学 以独立成分网络为参照的全脑个体化脑功能图谱构建方法
CN114677345A (zh) * 2022-03-18 2022-06-28 兰州理工大学 青少年肌阵挛癫痫多脑区共激活模式研究方法
CN115115896A (zh) * 2022-07-28 2022-09-27 华南师大(清远)科技创新研究院有限公司 一种脑功能磁共振图像分类方法、装置、终端及存储介质
CN115424067A (zh) * 2022-08-30 2022-12-02 上海市精神卫生中心（上海市心理咨询培训中心） 基于多重融合脑网络图技术实现抑郁症亚型分类处理的系统、方法、处理器及其存储介质
CN115659144A (zh) * 2022-10-28 2023-01-31 上海海事大学 基于fMRI多频段分析的亚健康人员分类方法、系统及设备
CN115985488A (zh) * 2022-10-30 2023-04-18 上海海事大学 基于动态超网络的脑疾病诊断方法、装置及系统

Also Published As

Publication number Publication date
CN116597994A (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
Sadeghi et al. An overview of artificial intelligence techniques for diagnosis of Schizophrenia based on magnetic resonance imaging modalities: Methods, challenges, and future works
Nielsen et al. Multisite functional connectivity MRI classification of autism: ABIDE results
CN107669244B (zh) 基于EEG-fMRI的癫痫异常放电位点定位系统
CN109522894A (zh) 一种探测fMRI脑网络动态协变的方法
CN111863244B (zh) 基于稀疏池化图卷积的功能连接精神疾病分类方法和系统
CN110969614B (zh) 基于三维卷积神经网络的脑龄预测方法及系统
CN112419247A (zh) 基于机器学习的mr图像脑肿瘤检测方法和系统
CN109920550A (zh) 一种基于dMRI研究青少年肌阵挛性癫痫的方法
CN113768519A (zh) 基于深度学习和静息态脑电数据分析病人意识水平的方法
CN108597615A (zh) 一种轻度认知障碍患者痴呆转化的筛选参考方法
Suwalska et al. CMB-HUNT: automatic detection of cerebral microbleeds using a deep neural network
CN116597994B (zh) 基于脑激活聚类算法的精神疾病脑功能活动测评装置
CN110801228B (zh) 一种基于神经网络预测的脑效应连接度量方法
CN108197661A (zh) 基于体素水平脑功能信息的认知活动状态分类系统和方法
Sindhu et al. A review of magnetic resonance imaging and its clinical applications
Logiraj et al. TractNet: a deep learning approach on 3D curves for segmenting white matter fibre bundles
CN114596306A (zh) 基于机器学习诊断帕金森疾病的系统
CN114723937A (zh) 一种基于核磁共振影像的血管周围间隙分类方法及系统
Chung et al. Altered topological structure of the brain white matter in maltreated children through topological data analysis
GUPTA et al. Identification of Alzheimer's disease from MRI image employing a probabilistic deep learning-based approach and the VGG16
Mostafa et al. Autism detection based on MRI images using Deep Learning
Zöllner et al. Segmentation of renal compartments in DCE-MRI of human kidney
CN115251889B (zh) 一种功能磁共振影像动态连接网络特征描述方法
CN111543994B (zh) 基于白质连接图及并联卷积神经网络的癫痫辅助检测系统
Xie et al. Alzheimer's Disease Early Diagnosis Based on Resting-State Dynamic Functional Connectivity

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