CN116898401B - 基于联合递归量化的孤独症谱系障碍亚型分类方法及装置 - Google Patents
基于联合递归量化的孤独症谱系障碍亚型分类方法及装置 Download PDFInfo
- Publication number
- CN116898401B CN116898401B CN202310869626.5A CN202310869626A CN116898401B CN 116898401 B CN116898401 B CN 116898401B CN 202310869626 A CN202310869626 A CN 202310869626A CN 116898401 B CN116898401 B CN 116898401B
- Authority
- CN
- China
- Prior art keywords
- brain
- asd
- jrp
- brain network
- rois
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 208000029560 autism spectrum disease Diseases 0.000 title claims abstract description 14
- 238000011002 quantification Methods 0.000 title claims abstract description 9
- 210000004556 brain Anatomy 0.000 claims abstract description 108
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims abstract description 21
- 238000000819 phase cycle Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000003064 k means clustering Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 230000002776 aggregation Effects 0.000 claims description 15
- 238000004220 aggregation Methods 0.000 claims description 15
- 238000000926 separation method Methods 0.000 claims description 15
- 238000013139 quantization Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 3
- 230000000284 resting effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000008846 dynamic interplay Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000030251 communication disease Diseases 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000008925 spontaneous activity Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000011285 therapeutic regimen Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- 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
- A61B5/0033—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
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
-
- 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)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Neurology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Neurosurgery (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Quality & Reliability (AREA)
- High Energy & Nuclear Physics (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Computing Systems (AREA)
Abstract
本发明公开了基于联合递归量化的孤独症谱系障碍亚型分类方法及装置,属于医学图像技术领域,包括:基于ASD的rs‑fMRI图像获取每个ROI的BOLD信号;对每个ROI中获取的BOLD信号进行相位变换得到瞬时相位序列,获取功能连接矩阵序列;基于ROI间的功能连接矩阵序列构建脑网络内和脑网络间动态功能连接的状态空间轨迹;根据网络内和脑网络间动态功能连接的状态空间轨迹计算脑网络的联合递归图JRP,进一步的计算JRP的递归特征;以脑网络的JRP的递归特征为聚类特征,应用k均值聚类对ASD进行亚型分类。本发明实现通过ASD的rs‑fMRI图像获取其大脑网络功能交互过程中的非线性特征,从而获取ASD亚型。
Description
技术领域
本发明涉及医学图像技术领域,尤其是基于联合递归量化的孤独症谱系障碍亚型分类方法及装置。
背景技术
孤独症谱系障碍(Autism spectrum disorder,以下简称ASD)是一种早发性神经发育障碍,其核心症状是社会交往和沟通障碍,同时伴有重复和刻板的行为模式。美国疾病控制与预防中心发病率和死亡率周报显示根据2020年的最新统计数据分析,每36名8岁儿童中就有一名被确认患有ASD。虽然近年来针对ASD的遗传学和神经影像学研究日益增长,但是其发病机制仍不清楚,因此目前仍然没有统一有效的治疗方案与药物。
静息态功能磁共振成像(resting state functional magnetic resonanceimaging,以下简称rs-fMRI)通过血氧水平依赖(blood-oxygen-leveldependent,以下简称BOLD)信号的变化获得大脑静息态下的自发活动信息,其被广泛应用于ASD大脑功能连接模式的分析中。然而在不断开展的ASD大脑功能连接模式分析中,也出现了不一致的结果,特别是在ASD大脑非典型区域的一致性上仍有争议。ASD的异质性可能是造成这些不一致结果的原因,利用rs-fMRI划分ASD亚型从而进一步揭示ASD的神经异质性机制是一种研究ASD异质性的有效手段。传统的ASD亚型分析方法基于静息态功能连接,即基于ASD大脑BOLD信号的线性相关进行ASD亚型划分,但是这往往忽略了大脑网络功能交互中所包含的非线性特征。本发明提出一种基于联合递归量化分析实现ASD亚型分类方法及装置,该发明基于动态系统的分析方法获取ASD大脑网络功能交互的详细时空描述,并通过进一步的计算获取时空描述中的非线性特征,从而实现基于ASD大脑网络功能交互的非线性特征获取ASD亚型。
发明内容
本发明需要解决的技术问题是提供一种基于联合递归量化的孤独症谱系障碍亚型分类方法及装置,能够弥补ASD亚型获取技术无法利用ASD大脑网络功能交互过程中非线性信息的不足,实现通过ASD的rs-fMRI图像获取其大脑网络功能交互过程中的非线性特征,从而获取ASD亚型。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于联合递归量化的孤独症谱系障碍亚型分类方法,包括以下步骤:
基于ASD的rs-fMRI图像获取每个ROI的BOLD信号;
对每个ROI中获取的BOLD信号进行相位变换得到瞬时相位序列,并计算ROI间的功能连接,获取功能连接矩阵序列;
基于ROI间的功能连接矩阵序列构建脑网络内和脑网络间动态功能连接的状态空间轨迹;
根据网络内和脑网络间动态功能连接的状态空间轨迹计算脑网络的联合递归图JRP,进一步的计算JRP的递归特征;
以脑网络的JRP的递归特征为聚类特征,应用k均值聚类对ASD进行亚型分类。
本发明技术方案的进一步改进在于:基于ASD的rs-fMRI图像获取每个ROI的BOLD信号包括:
基于脑区先验模板从经过预处理的rs-fMRI图像中提取每个ROI的BOLD信号,获取T×R矩阵,其中T为BOLD信号的时间点个数,R为ROI个数。
本发明技术方案的进一步改进在于:对每个ROI中获取的BOLD信号进行相位变换得到瞬时相位序列,并计算ROI间的功能连接,获取功能连接矩阵序列,具体包括以下步骤:
对于每个ROI的BOLD信号,即长度为T的序列x(t),其中x(t)为T×1向量,利用希尔伯特变换获得其解析表式xa(t):
xa(t)=x(t)+jH[x(t)]
其中H[.]表示希尔伯特变换;
然后对于x(t)的解析表式xa(t)进行相位变换得到瞬时相位序列:
计算每对ROI的瞬时相位序列之间的余弦相似性r:
其中为T×1向量,/>表示两个ROI的相位差,使用余弦相似性r来评估ROI间的功能连接,从而获取动态功能连接矩阵,即T×R×R矩阵。
本发明技术方案的进一步改进在于:基于ROI间的功能连接矩阵序列构建脑网络内和脑网络间动态功能连接的状态空间轨迹包括:
基于动态功能连接矩阵分别构建脑网络内和脑网络间动态功能连接的状态空间轨迹,其中动态功能连接矩阵为T×R×R矩阵,每对ROI之间的动态功能连接视为独立的状态空间变量,状态空间变量为T×1向量,状态空间轨迹是通过广义函数从功能连接序列构造的:
其中和/>表示脑网络内和脑网络间动态功能连接的状态空间轨迹,/>表示状态空间中的正交单位向量,M和N表示脑网络内和脑网络间动态功能连接的独立状态空间变量的个数。
本发明技术方案的进一步改进在于:根据网络内和脑网络间动态功能连接的状态空间轨迹计算脑网络的JRP,进一步的计算JRP的递归特征包括:
计算脑网络的JRP;
基于构建的脑网络内和脑网络间动态功能连接的状态空间轨迹和/>分别计算递归图RP:
其中Θ表示希尔伯特变换,ε是一个自定的距离阈值,表示状态/>和状态/>之间的欧氏距离;
然后基于脑网络内和脑网络间的动态功能连接的RP来计算脑网络的JRP:
其中,εp表示系统p的距离阈值;
计算JRP的递归特征;
通过联合递归量化分析对JRP中递归点构成的结构的特征进行量化分析计算其递归特征,包括确定率DET、平均对角线长度L、熵ENTR、散度DIV、层流率LAM和捕获时间TT,其中DET、L、ENTR和DIV是与对角线结构相关的递归特征,其计算方法如下:
其中lmin表示对角线结构的最小长度,P(l)是对角线结构长度为l的直方图,LAM和TT是与垂直/水平线结构相关的递归特征,其计算方法如下:
其中νmin表示垂直结构的最小长度,即在连续两次测量中持续重复的模式,P(v)是垂直结构长度为ν的直方图。
本发明技术方案的进一步改进在于:以脑网络的JRP的递归特征为聚类特征,应用k均值聚类对ASD进行亚型分类包括:
以JRP的递归特征作为聚类特征,对ASD个体进行k均值聚类获取ASD亚型,JRP的递归特征包括DET、L、ENTR、DIV、LAM和TT。
一种基于联合递归量化分析的ASD亚型分类装置,包括:
输入模块,被配置为ASD的rs-fMRI数据的输入;
预处理模块,被配置为对获取的ASD的rs-fMRI数据进行预处理,并基于先验的脑区模板提取所有ROI的BOLD信号;
相位变换模块,被配置为对每个ROI的BOLD信号进行希尔伯特变换,并进一步的将BOLD信号转换为瞬时相位序列;
动态功能连接计算模块,被配置为对瞬时相位序列计算余弦相似性来评估ROI间的动态功能连接;
相空间重构模块,被配置为根据脑网络内和脑网络间每对ROI之间的动态功能连接来构建瞬时相位序列的空间轨迹;
联合递归模块,被配置为根据脑网络内和脑网络间动态功能连接的相空间轨迹,构建网络内和网络间的RP,进而构建脑网络的JRP用于表述脑网络的动态功能连接分离和聚合的非线性特征;
ASD亚型分类模块,被配置为根据获得的脑网络的动态功能连接分离和聚合的非线性特征,获得ASD的分亚型结果,其中分离和聚合的非线性特征包括DET、L、ENTR、DIV、LAM和TT。
由于采用了上述技术方案,本发明取得的技术进步是:
1、本发明可以对脑网络的动态功能交互进行联合递归量化分析,提取到脑网络动态功能连接分离和聚合的非线性特征。
2、本发明通过相空间轨迹构建的形式背景建立方法,实现时间序列到状态空间轨迹的转变,可直观地揭示脑网络功能连接的动态演化规律。而且通过将脑网络动态功能连接分离和聚合的递归特性获取,提供了脑网络内和脑网络间的ROI之间功能连接动态交互的非线性特征。本技术方案弥补了传统的基于线性相关衡量脑区间功能连接的方法的缺陷,能获取脑网络动态功能连接分离和聚合的非线性特征,达到基于脑网络动态功能连接分离和聚合的非线性特征对ASD进行分亚型的目的,从而可以对ASD脑网络功能模式的异质性进行进一步的揭示。
应当注意的是,以上的描述和后文的具体实例的描述仅是示例性和解释性的,并不能限制本发明。
附图说明
图1为本发明提供的基于联合递归量化分析实现ASD亚型分类方法实现的流程图;
图2是根据本发明实施方式的一种基于联合递归量化分析的ASD亚型分类装置的结构框图。
具体实施方式
下面结合附图及实施例对本发明做进一步详细说明:
如图1所示,基于联合递归量化的孤独症谱系障碍亚型分类方法,包括以下步骤:
S1、基于ASD的rs-fMRI图像获取每个感兴趣区域(region of interest,以下简称ROI)的BOLD信号;
具体包括:
基于脑区先验模板从经过预处理的rs-fMRI图像中提取每个ROI的BOLD信号,获取T×R矩阵,其中T为BOLD信号的时间点个数,R为ROI个数。
S2、对每个ROI中获取的BOLD信号进行相位变换得到瞬时相位序列,并计算ROI间的功能连接,获取功能连接矩阵序列;
具体包括:
对于每个ROI的BOLD信号,即长度为T的序列x(t),其中x(t)为T×1向量,利用希尔伯特变换获得其解析表式xa(t):
xa(t)=x(t)+jH[x(t)]
其中H[.]表示希尔伯特变换;
然后对于x(t)的解析表式xa(t)进行相位变换得到瞬时相位序列
计算每对ROI的瞬时相位序列之间的余弦相似性r:
其中为T×1向量,/>表示两个ROI的相位差,使用余弦相似性r来评估ROI间的功能连接,从而获取动态功能连接矩阵,即T×R×R矩阵。
S3、基于ROI间的功能连接矩阵序列构建脑网络内和脑网络间动态功能连接的状态空间轨迹;
具体包括:
基于动态功能连接矩阵分别构建脑网络内(脑网络内的ROI之间)和脑网络间(脑网络间的ROI之间)动态功能连接的状态空间轨迹,其中动态功能连接矩阵为T×R×R矩阵,每对ROI之间的动态功能连接视为独立的状态空间变量,状态空间变量为T×1向量,状态空间轨迹是通过广义函数从功能连接序列构造的:
其中和/>表示脑网络内和脑网络间动态功能连接的状态空间轨迹,/>表示状态空间中的正交单位向量,M和N表示脑网络内和脑网络间动态功能连接的独立状态空间变量的个数。
S4、根据网络内和脑网络间动态功能连接的状态空间轨迹计算脑网络的联合递归图(joint recurrence plot,以下简称JRP),进一步的计算JRP的递归特征;
具体包括以下步骤:
S41计算脑网络的JRP;
基于构建的脑网络内和脑网络间动态功能连接的状态空间轨迹和/>分别计算递归图(recurrence plot,以下简称RP):
其中Θ表示希尔伯特变换,ε是一个自定的距离阈值,表示状态/>和状态之间的欧氏距离;
然后基于脑网络内和脑网络间的动态功能连接的RP来计算脑网络的JRP:
其中,εp表示系统p的距离阈值;
S42计算JRP的递归特征;
通过联合递归量化分析对JRP中递归点构成的结构(包括对角线和垂直/水平线)的特征进行量化分析计算其递归特征,包括确定率(determinism,以下简称DET)、平均对角线长度(mean diagonal length,以下简称L)、熵(entropy,以下简称ENTR)、散度(divergence,以下简称DIV)、层流率(laminarity,以下简称LAM)和捕获时间(trappingtime,以下简称TT),其中DET、L、ENTR和DIV是与对角线结构相关的递归特征,其计算方法如下:
其中lmin表示对角线结构的最小长度,P(l)是对角线结构长度为l的直方图,LAM和TT是与垂直/水平线结构相关的递归特征,其计算方法如下:
其中vmin表示垂直结构的最小长度,即在连续两次测量中持续重复的模式,P(v)是垂直结构长度为v的直方图。
S5、以脑网络的JRP的递归特征为聚类特征,应用k均值聚类对ASD进行亚型分类;
具体包括:
以JRP的递归特征作为聚类特征,对ASD个体进行k均值聚类获取ASD亚型,JRP的递归特征包括DET、L、ENTR、DIV、LAM和TT。
如图2所示,一种基于联合递归量化分析的ASD亚型分类装置,包括:
输入模块,被配置为ASD的rs-fMRI数据的输入;
预处理模块,被配置为对获取的ASD的rs-fMRI数据进行预处理,并基于先验的脑区模板提取所有ROI的BOLD信号;
相位变换模块,被配置为对每个ROI的BOLD信号进行希尔伯特变换,并进一步的将BOLD信号转换为瞬时相位序列;
动态功能连接计算模块,被配置为对瞬时相位序列计算余弦相似性来评估ROI间的动态功能连接;
相空间重构模块,被配置为根据脑网络内和脑网络间每对ROI之间的动态功能连接来构建瞬时相位序列的空间轨迹;
联合递归模块,被配置为根据脑网络内和脑网络间动态功能连接的相空间轨迹,构建网络内和网络间的RP,进而构建脑网络的JRP用于表述脑网络的动态功能连接分离和聚合的非线性特征;
ASD亚型分类模块,被配置为根据获得的脑网络的动态功能连接分离和聚合的非线性特征,获得ASD的分亚型结果,其中分离和聚合的非线性特征包括DET、L、ENTR、DIV、LAM和TT。
综上所述,本发明可以对脑网络的动态功能交互进行联合递归量化分析,提取到脑网络动态功能连接分离和聚合的非线性特征。本发明通过相空间轨迹构建的形式背景建立方法,实现时间序列到状态空间轨迹的转变,可直观地揭示脑网络功能连接的动态演化规律。而且通过将脑网络动态功能连接分离和聚合的递归特性获取,提供了脑网络内和脑网络间的ROI之间功能连接动态交互的非线性特征。本技术方案弥补了传统的基于线性相关衡量脑区间功能连接的方法的缺陷,能获取脑网络动态功能连接分离和聚合的非线性特征,达到基于脑网络动态功能连接分离和聚合的非线性特征对ASD进行分亚型的目的,从而可以对ASD脑网络功能模式的异质性进行进一步的揭示。
Claims (5)
1.一种基于联合递归量化的孤独症谱系障碍亚型分类方法,其特征在于:包括以下步骤:
基于ASD的rs-fMRI图像获取每个ROI的BOLD信号;
对每个ROI中获取的BOLD信号进行相位变换得到瞬时相位序列,并计算ROI间的功能连接,获取功能连接矩阵序列;
基于ROI间的功能连接矩阵序列构建脑网络内和脑网络间动态功能连接的状态空间轨迹;
根据网络内和脑网络间动态功能连接的状态空间轨迹计算脑网络的联合递归图JRP,进一步的计算JRP的递归特征;
以脑网络的JRP的递归特征为聚类特征,应用k均值聚类对ASD进行亚型分类;
基于ROI间的功能连接矩阵序列构建脑网络内和脑网络间动态功能连接的状态空间轨迹包括:
基于动态功能连接矩阵分别构建脑网络内和脑网络间动态功能连接的状态空间轨迹,其中动态功能连接矩阵为T×R×R矩阵,每对ROI之间的动态功能连接视为独立的状态空间变量,状态空间变量为T×1向量,状态空间轨迹是通过广义函数从功能连接序列构造的:
其中和/>表示脑网络内和脑网络间动态功能连接的状态空间轨迹,/>表示状态空间中的正交单位向量,M和N表示脑网络内和脑网络间动态功能连接的独立状态空间变量的个数;
根据网络内和脑网络间动态功能连接的状态空间轨迹计算脑网络的JRP,进一步的计算JRP的递归特征包括:
计算脑网络的JRP;
基于构建的脑网络内和脑网络间动态功能连接的状态空间轨迹和/>分别计算递归图RP:
其中Θ表示希尔伯特变换,ε是一个自定的距离阈值,表示状态/>和状态/>之间的欧氏距离;
然后基于脑网络内和脑网络间的动态功能连接的RP来计算脑网络的JRP:
其中,εp表示系统p的距离阈值;
计算JRP的递归特征;
通过联合递归量化分析对JRP中递归点构成的结构的特征进行量化分析计算其递归特征,包括确定率DET、平均对角线长度L、熵ENTR、散度DIV、层流率LAM和捕获时间TT,其中DET、L、ENTR和DIV是与对角线结构相关的递归特征,其计算方法如下:
其中lmin表示对角线结构的最小长度,P(l)是对角线结构长度为l的直方图,LAM和TT是与垂直/水平线结构相关的递归特征,其计算方法如下:
其中νmin表示垂直结构的最小长度,即在连续两次测量中持续重复的模式,P(v)是垂直结构长度为ν的直方图。
2.根据权利要求1所述的基于联合递归量化的孤独症谱系障碍亚型分类方法,其特征在于:基于ASD的rs-fMRI图像获取每个ROI的BOLD信号包括:
基于脑区先验模板从经过预处理的rs-fMRI图像中提取每个ROI的BOLD信号,获取T×R矩阵,其中T为BOLD信号的时间点个数,R为ROI个数。
3.根据权利要求1所述的基于联合递归量化的孤独症谱系障碍亚型分类方法,其特征在于:对每个ROI中获取的BOLD信号进行相位变换得到瞬时相位序列,并计算ROI间的功能连接,获取功能连接矩阵序列,具体包括以下步骤:
对于每个ROI的BOLD信号,即长度为T的序列x(t),其中x(t)为T×1向量,利用希尔伯特变换获得其解析表式xa(t):
xa(t)=x(t)+jH[x(t)]
其中H[·]表示希尔伯特变换;
然后对于x(t)的解析表式xa(t)进行相位变换得到瞬时相位序列
计算每对ROI的瞬时相位序列之间的余弦相似性r:
其中为T×1向量,/>表示两个ROI的相位差,使用余弦相似性r来评估ROI间的功能连接,从而获取动态功能连接矩阵,即T×R×R矩阵。
4.根据权利要求1所述的基于联合递归量化的孤独症谱系障碍亚型分类方法,其特征在于:以脑网络的JRP的递归特征为聚类特征,应用k均值聚类对ASD进行亚型分类包括:
以JRP的递归特征作为聚类特征,对ASD个体进行k均值聚类获取ASD亚型,JRP的递归特征包括DET、L、ENTR、DIV、LAM和TT。
5.一种基于联合递归量化分析的ASD亚型分类装置,其特征在于:使用如权利要求1~4任一项所述的基于联合递归量化的孤独症谱系障碍亚型分类方法,包括:
输入模块,被配置为ASD的rs-fMRI数据的输入;
预处理模块,被配置为对获取的ASD的rs-fMRI数据进行预处理,并基于先验的脑区模板提取所有ROI的BOLD信号;
相位变换模块,被配置为对每个ROI的BOLD信号进行希尔伯特变换,并进一步的将BOLD信号转换为瞬时相位序列;
动态功能连接计算模块,被配置为对瞬时相位序列计算余弦相似性来评估ROI间的动态功能连接;
相空间重构模块,被配置为根据脑网络内和脑网络间每对ROI之间的动态功能连接来构建瞬时相位序列的空间轨迹;
联合递归模块,被配置为根据脑网络内和脑网络间动态功能连接的相空间轨迹,构建网络内和网络间的RP,进而构建脑网络的JRP用于表述脑网络的动态功能连接分离和聚合的非线性特征;
ASD亚型分类模块,被配置为根据获得的脑网络的动态功能连接分离和聚合的非线性特征,获得ASD的分亚型结果,其中分离和聚合的非线性特征包括DET、L、ENTR、DIV、LAM和TT。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310869626.5A CN116898401B (zh) | 2023-07-17 | 2023-07-17 | 基于联合递归量化的孤独症谱系障碍亚型分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310869626.5A CN116898401B (zh) | 2023-07-17 | 2023-07-17 | 基于联合递归量化的孤独症谱系障碍亚型分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116898401A CN116898401A (zh) | 2023-10-20 |
CN116898401B true CN116898401B (zh) | 2024-02-02 |
Family
ID=88359717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310869626.5A Active CN116898401B (zh) | 2023-07-17 | 2023-07-17 | 基于联合递归量化的孤独症谱系障碍亚型分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116898401B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017012480A (ja) * | 2015-07-01 | 2017-01-19 | 国立大学法人福井大学 | 自閉スペクトラム症診断補助のための医療用画像処理方法及び医療用画像処理システム並びにバイオマーカー |
CN109522894A (zh) * | 2018-11-12 | 2019-03-26 | 电子科技大学 | 一种探测fMRI脑网络动态协变的方法 |
CN109993230A (zh) * | 2019-04-04 | 2019-07-09 | 江南大学 | 一种面向脑功能磁共振图像分类的tsk模糊系统建模方法 |
CN110555468A (zh) * | 2019-08-15 | 2019-12-10 | 武汉科技大学 | 一种联合递归图和cnn的脑电信号识别方法及系统 |
CN111035383A (zh) * | 2019-12-20 | 2020-04-21 | 东南大学 | 一种面向孤独症谱系障碍儿童脑电信号的分析方法 |
CN111414579A (zh) * | 2020-02-19 | 2020-07-14 | 深圳市儿童医院 | 基于多角度相关关系获取脑区关联信息的方法和系统 |
CN112190261A (zh) * | 2020-09-16 | 2021-01-08 | 电子科技大学 | 一种基于静息态脑网络的孤独症脑电信号的分类装置 |
CN112690777A (zh) * | 2021-01-13 | 2021-04-23 | 常州大学 | 一种基于状态转换动态脑网络算法的神经障碍诊断系统 |
CN113017597A (zh) * | 2021-03-11 | 2021-06-25 | 安徽师范大学 | 一种动态高阶脑网络分析方法 |
CN113876337A (zh) * | 2021-09-16 | 2022-01-04 | 中国矿业大学 | 一种基于多元递归网络的心脏疾病识别方法 |
CN114595715A (zh) * | 2022-02-25 | 2022-06-07 | 西安交通大学 | 一种基于多时间尺度的孤独症功能磁共振信号分类方法 |
US11379981B1 (en) * | 2021-06-07 | 2022-07-05 | The Florida International University Board Of Trustees | Systems and methods for diagnosing autism spectrum disorder using fMRI data |
CN115272295A (zh) * | 2022-09-05 | 2022-11-01 | 北京信息科技大学 | 基于时域-空域联合状态的动态脑功能网络分析方法及系统 |
CN115316973A (zh) * | 2022-07-28 | 2022-11-11 | 华南师大(清远)科技创新研究院有限公司 | 一种基于脑网络特征的孤独症幼儿分类方法及装置 |
CN115730253A (zh) * | 2022-11-21 | 2023-03-03 | 江苏商贸职业学院 | 一种基于图核的动态脑网络状态构建方法 |
CN116027888A (zh) * | 2022-07-21 | 2023-04-28 | 西安邮电大学 | 一种基于plv动态脑功能网络的p300意图识别方法 |
CN116433590A (zh) * | 2023-02-27 | 2023-07-14 | 浙江大学滨江研究院 | 基于功能磁共振图像的精神障碍群体全脑功能分析方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110584684B (zh) * | 2019-09-11 | 2021-08-10 | 五邑大学 | 一种驾驶疲劳相关的eeg功能连接动态特性的分析方法 |
-
2023
- 2023-07-17 CN CN202310869626.5A patent/CN116898401B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017012480A (ja) * | 2015-07-01 | 2017-01-19 | 国立大学法人福井大学 | 自閉スペクトラム症診断補助のための医療用画像処理方法及び医療用画像処理システム並びにバイオマーカー |
CN109522894A (zh) * | 2018-11-12 | 2019-03-26 | 电子科技大学 | 一种探测fMRI脑网络动态协变的方法 |
CN109993230A (zh) * | 2019-04-04 | 2019-07-09 | 江南大学 | 一种面向脑功能磁共振图像分类的tsk模糊系统建模方法 |
CN110555468A (zh) * | 2019-08-15 | 2019-12-10 | 武汉科技大学 | 一种联合递归图和cnn的脑电信号识别方法及系统 |
CN111035383A (zh) * | 2019-12-20 | 2020-04-21 | 东南大学 | 一种面向孤独症谱系障碍儿童脑电信号的分析方法 |
CN111414579A (zh) * | 2020-02-19 | 2020-07-14 | 深圳市儿童医院 | 基于多角度相关关系获取脑区关联信息的方法和系统 |
CN112190261A (zh) * | 2020-09-16 | 2021-01-08 | 电子科技大学 | 一种基于静息态脑网络的孤独症脑电信号的分类装置 |
CN112690777A (zh) * | 2021-01-13 | 2021-04-23 | 常州大学 | 一种基于状态转换动态脑网络算法的神经障碍诊断系统 |
CN113017597A (zh) * | 2021-03-11 | 2021-06-25 | 安徽师范大学 | 一种动态高阶脑网络分析方法 |
US11379981B1 (en) * | 2021-06-07 | 2022-07-05 | The Florida International University Board Of Trustees | Systems and methods for diagnosing autism spectrum disorder using fMRI data |
CN113876337A (zh) * | 2021-09-16 | 2022-01-04 | 中国矿业大学 | 一种基于多元递归网络的心脏疾病识别方法 |
CN114595715A (zh) * | 2022-02-25 | 2022-06-07 | 西安交通大学 | 一种基于多时间尺度的孤独症功能磁共振信号分类方法 |
CN116027888A (zh) * | 2022-07-21 | 2023-04-28 | 西安邮电大学 | 一种基于plv动态脑功能网络的p300意图识别方法 |
CN115316973A (zh) * | 2022-07-28 | 2022-11-11 | 华南师大(清远)科技创新研究院有限公司 | 一种基于脑网络特征的孤独症幼儿分类方法及装置 |
CN115272295A (zh) * | 2022-09-05 | 2022-11-01 | 北京信息科技大学 | 基于时域-空域联合状态的动态脑功能网络分析方法及系统 |
CN115730253A (zh) * | 2022-11-21 | 2023-03-03 | 江苏商贸职业学院 | 一种基于图核的动态脑网络状态构建方法 |
CN116433590A (zh) * | 2023-02-27 | 2023-07-14 | 浙江大学滨江研究院 | 基于功能磁共振图像的精神障碍群体全脑功能分析方法及系统 |
Non-Patent Citations (1)
Title |
---|
赵杰 等.基于递归定量分析方法的孤独症儿童脑电信号特征提取与分类研究.生物医学功能学杂志.2021,第38卷(第4期),第663-670页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116898401A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Blind image quality assessment based on multichannel feature fusion and label transfer | |
Soundararajan et al. | Video quality assessment by reduced reference spatio-temporal entropic differencing | |
CN109522894B (zh) | 一种探测fMRI脑网络动态协变的方法 | |
Prakash et al. | Medical image fusion based on redundancy DWT and Mamdani type min-sum mean-of-max techniques with quantitative analysis | |
CN103942781B (zh) | 一种基于脑影像的脑网络构造方法 | |
Sharmila et al. | Hybrid method for multimodality medical image fusion using discrete wavelet transform and entropy concepts with quantitative analysis | |
CN109730678A (zh) | 一种多层大脑功能网络模块划分方法 | |
US9268791B2 (en) | Method and apparatus for image processing and computer readable medium | |
CN108846800A (zh) | 一种图像超分辨率重建的无参考图像质量评价方法 | |
Liu et al. | Swiniqa: Learned swin distance for compressed image quality assessment | |
CN116898401B (zh) | 基于联合递归量化的孤独症谱系障碍亚型分类方法及装置 | |
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 | |
CN112515653B (zh) | 一种基于核磁共振图像的脑网络构建方法 | |
Srinivasarao et al. | Cloud-Based LeNet-5 CNN for MRI Brain Tumor Diagnosis and Recognition. | |
CN112580468A (zh) | 一种大脑功能网络中时间稳定社团检测方法 | |
Chetouani et al. | Combination of deep learning-based and handcrafted features for blind image quality assessment | |
Jain et al. | Multimodal image fusion employing discrete cosine transform | |
CN109064403A (zh) | 基于分类耦合字典稀疏表示的指纹图像超分辨率方法 | |
Deshpande et al. | Detection of multiple sclerosis lesions using sparse representations and dictionary learning | |
Ben Amor et al. | Improved performance of quality metrics using saliency map and CSF filter for standard coding H264/AVC | |
Latha et al. | Improved probability based fuzzy C-means and active contour using brain tumor images | |
Helonde et al. | Image fusion based on medical images using DWT and PCA methods | |
Prakasa et al. | The Concave n-Square Salient Wood Image-based Quality Assessment | |
Shi et al. | An unsupervised region of interest extraction model for tau PET images and its application in the diagnosis of Alzheimer's disease | |
Garcia-Alvarez et al. | Evaluation of region-of-interest coders using perceptual image quality assessments |
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 |