CN117172294A - 一种稀疏脑网络的构建方法、系统、设备和存储介质 - Google Patents
一种稀疏脑网络的构建方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN117172294A CN117172294A CN202311443805.9A CN202311443805A CN117172294A CN 117172294 A CN117172294 A CN 117172294A CN 202311443805 A CN202311443805 A CN 202311443805A CN 117172294 A CN117172294 A CN 117172294A
- Authority
- CN
- China
- Prior art keywords
- brain
- group
- sparse
- matrix
- white matter
- 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.)
- Granted
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 310
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 159
- 238000010586 diagram Methods 0.000 claims abstract description 120
- 238000003384 imaging method Methods 0.000 claims abstract description 43
- 230000000877 morphologic effect Effects 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000010276 construction Methods 0.000 claims abstract description 9
- 210000004885 white matter Anatomy 0.000 claims description 93
- 239000000835 fiber Substances 0.000 claims description 64
- 238000002598 diffusion tensor imaging Methods 0.000 claims description 43
- 238000010606 normalization Methods 0.000 claims description 11
- 238000003745 diagnosis Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 210000004884 grey matter Anatomy 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims 3
- 238000012935 Averaging Methods 0.000 claims 1
- 208000024827 Alzheimer disease Diseases 0.000 abstract description 21
- 210000004126 nerve fiber Anatomy 0.000 abstract description 8
- 210000005036 nerve Anatomy 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000002610 neuroimaging Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 208000010877 cognitive disease Diseases 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 102000003712 Complement factor B Human genes 0.000 description 1
- 108090000056 Complement factor B Proteins 0.000 description 1
- 208000031124 Dementia Alzheimer type Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000005821 brain abnormality Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 208000027061 mild cognitive impairment Diseases 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000007171 neuropathology Effects 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002739 subcortical effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域，具体为一种稀疏脑网络的构建方法、系统、设备和存储介质，该构建方法让由待检者和辅助受试者集的T1加权成像集获得的形态学脑网络集去学习拓扑结构表现形式，并通过组稀疏表示方法，关注不同组之间的差异性，得到脑区域间联合约束组矩阵图，经目标函数最小化处理，减小脑区域间联合约束组矩阵图中待检者与其他受试者的脑区域连接关系的差异性，增强待检者脑区域内的神经纤维束生物学表达强度，提高稀疏脑网络的特征表达效果，便于提取与阿尔茨海默病相关的神经纤维束生物学表达，从而达到提高阿尔茨海默病神经影像研究结果准确度的目的。
Description
技术领域
本发明涉及图像数据处理技术领域，具体为一种稀疏脑网络的构建方法、系统、设备和存储介质。
背景技术
脑网络分析在研究阿尔茨海默病（Alzheimer's disease，AD）大脑异常方面得到了广泛应用，为科学家们深入了解这一神经退行性疾病的机制和临床应用提供了强有力的工具。构建脑网络的方法涵盖了多种神经成像技术，包括功能磁共振成像（functionalMagnetic Resonance Imaging，fMRI）、弥散张量成像（Diffusion Tensor Imaging，DTI）和结构磁共振成像（structural Magnetic Resonance Imagings，MRI）。这些技术允许我们从不同的角度观察大脑结构和功能，从而全面理解阿尔茨海默病的发病机制。
在阿尔茨海默病研究中，基于结构磁共振成像（如T1加权成像）上建立的形态脑网络（MBN）引起了广泛兴趣。这是因为结构磁共振成像是一种非侵入性、相对容易获得的成像技术，可用于诊断和监测阿尔茨海默病的进展。近年来，基于影像组学的MBN（称为radMBN）已成为在AD分析中具有坚实生物基础的强大技术。通过在大量患者数据中进行机器学习和深度学习分析，radMBN能够提供关于AD患者大脑结构和连接模式的关键信息，有助于更好地识别和理解疾病的生物标志物。然而，radMBN在AD研究中仍然存在一些限制。首先，radMBN仅考虑个体水平上成对大脑区域之间的相互作用，而不考虑多个大脑区域或受试者之间的高阶关系。其次，radMBN只能表征皮层和皮层下灰质区域的解剖变化，无法直接测量神经元病理学或大脑活动的变化。第三，radMBN中存在大量冗余和无效的连接，这些连接会干扰脑图的学习和解释，导致radMBN用于阿尔茨海默病神经影像研究分析时，分析结果的准确度较低。
发明内容
本发明的目的是提供一种稀疏脑网络的构建方法、系统、设备和存储介质，用于提高阿尔茨海默病神经影像研究结果的准确度。
本发明技术方案如下：
一种稀疏脑网络的构建方法，包括如下操作：
S1、获取待检者和辅助受试者集的T1加权成像，得到T1加权成像集；基于所述T1加权成像集，得到形态学脑网络集；
S2、获取正常受试者组和确诊受试者组的弥散张量成像，得到弥散张量成像集；获取所述弥散张量成像集的白质纤维束脑连接图集，所述白质纤维束脑连接图集经连通性平均处理，得到组级别白质束连通性矩阵图；
S3、基于所述形态学脑网络集和组级别白质束连通性矩阵图，得到脑区域间联合约束组矩阵图；所述脑区域间联合约束组矩阵图经差异性最小化处理，得到脑区域间稀疏连接组矩阵图；
S4、获取所述脑区域间稀疏连接组矩阵图中，待检者的稀疏连接矩阵，经归一化和对称运算后，得到稀疏脑网络。
所述S1中得到形态学脑网络集的操作具体为：所述T1加权成像集中，每个T1加权成像经线性配准、非线性配准和灰质分割处理后，分别提取不同脑区的纹理特征和强度特征，得到的所有影像组学特征矩阵图，形成影像组学特征矩阵图集；所述影像组学特征矩阵图集中，每个影像组学特征矩阵图经脑区域间相似性处理，得到的所有形态学脑网络，形成所述形态学脑网络集。
所述S2中获取白质纤维束脑连接图集的操作具体为：获取所述弥散张量成像集中，每个弥散张量成像的各向异性图；获取当前各向异性图中，当前脑区域与其他脑区域之间的优选各向异性分数均值，得到当前脑区域的连通性矩阵，所有脑区域的连通性矩阵组合后，得到当前各向异性图的白质纤维束脑连接图；所有白质纤维束脑连接图，形成所述白质纤维束脑连接图集。
所述S2中连通性平均处理的操作具体为：所述白质纤维束脑连接图集中，正常受试者组的所有白质纤维束脑连接图，和确诊受试者组的所有白质纤维束脑连接图，分别依次经第一连通性矩阵相加、第一连通性矩阵平均处理后，分别得到正常组平均白质纤维束脑连接图和确诊组平均白质纤维束脑连接图；所述正常组平均白质纤维束脑连接图和确诊组平均白质纤维束脑连接图，经对应脑区域的第二连通性矩阵相加、第二连通性矩阵平均处理，得到所述组级别白质束连通性矩阵图。
获取症状受试者组的弥散张量成像，与所述S2中正常受试者组和患病受试者组的弥散张量成像结合后，得到的优化弥散张量成像集执行所述S2中获取白质纤维束脑连接图集的操作。
所述S3中得到脑区域间联合约束组矩阵图的操作可通过如下公式实现：
，
Ti为所述脑区域间联合约束组矩阵图中第i个个体的脑区域间联合约束矩阵，
为所述组级别白质束连通性矩阵图，σ1为连通强度权重调节正参数，为所述形态学脑网
络集中第i个个体的形态学脑网络，σ2为脑区域相似性权重调节正参数。
所述S3中差异性最小化处理的操作可通过如下公式实现：
，
MS为所述脑区域间稀疏连接组矩阵图中第s个脑区域的脑区域间稀疏连接矩阵，
Ns为待检者和辅助受试者的数量和，为第i个个体第s个脑区的影像组学特征矩阵图，Nb
为脑区总数量，为第i个个体第t个脑区的影像组学特征矩阵图为第i个人第s个脑区到第
t个脑区的连通性，BS为所述脑区域间联合约束组矩阵图中第s个脑区的脑区联合约束因
子，为点乘运算，λ为稀疏度控制参数，为L2范式运算，为L2,1范式运算。
一种稀疏脑网络的构建系统，包括：
形态学脑网络集生成模块，用于获取待检者和辅助受试者集的T1加权成像，得到T1加权成像集；基于所述T1加权成像集，得到形态学脑网络集；
组级别白质束连通性矩阵图生成模块，用于获取正常受试者组和确诊受试者组的弥散张量成像，得到弥散张量成像集；获取所述弥散张量成像集的白质纤维束脑连接图集，所述白质纤维束脑连接图集经连通性平均处理，得到组级别白质束连通性矩阵图；
脑区域间稀疏连接组矩阵图生成模块，用于基于所述形态学脑网络集和组级别白质束连通性矩阵图，得到脑区域间联合约束组矩阵图；所述脑区域间联合约束组矩阵图经差异性最小化处理，得到脑区域间稀疏连接组矩阵图；
稀疏脑网络生成模块，用于获取所述脑区域间稀疏连接组矩阵图中，待检者的稀疏连接矩阵，经归一化和对称运算后，得到稀疏脑网络。
一种稀疏脑网络的构建设备，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现上述的稀疏脑网络的构建方法。
一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现上述的稀疏脑网络的构建方法。
本发明的有益效果在于：
本发明提供的一种稀疏脑网络的构建方法，将由正常受试者组和确诊受试者组的弥散张量成像得到的组级别白质束连通性矩阵图作为先验条件，让由待检者和辅助受试者集的T1加权成像集获得的形态学脑网络集去学习拓扑结构表现形式，并通过组稀疏表示方法，关注不同组之间的差异性，得到脑区域间联合约束组矩阵图，经目标函数最小化处理，减小脑区域间联合约束组矩阵中待检者与其他受试者的脑区域连接关系的差异性，增强待检者脑区域内的神经纤维束生物学表达强度，提高稀疏脑网络的特征表达效果，便于提取与阿尔茨海默病相关的神经纤维束生物学表达，从而达到提高阿尔茨海默病神经影像研究结果准确度的目的。
附图说明
通过阅读下文优选实施方式的详细描述，本申请的方案和优点对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
在附图中：
图1为实施例中，稀疏脑网络构建方法的流程示意图。
具体实施方式
下面将结合附图更详细地描述本公开的示例性实施方式。
本实施例提供一种稀疏脑网络的构建方法，参见图1，包括如下操作：
S1、获取待检者和辅助受试者集的T1加权成像，得到T1加权成像集；基于所述T1加权成像集，得到形态学脑网络集；
S2、获取正常受试者组和确诊受试者组的弥散张量成像，得到弥散张量成像集；获取所述弥散张量成像集的白质纤维束脑连接图集，所述白质纤维束脑连接图集经连通性平均处理，得到组级别白质束连通性矩阵图；
S3、基于所述形态学脑网络集和组级别白质束连通性矩阵图，得到脑区域间联合约束组矩阵图；所述脑区域间联合约束组矩阵图经差异性最小化处理，得到脑区域间稀疏连接组矩阵图；
S4、获取所述脑区域间稀疏连接组矩阵图中，待检者的稀疏连接矩阵，经归一化和对称运算后，得到稀疏脑网络。
S1、获取待检者和辅助受试者集的T1加权成像，组成T1加权成像集；基于T1加权成像集，得到形态学脑网络集。
获取T1加权成像。首先，采集格式为医学数字成像和通信（Digital Imaging andCommunications in Medicine，DICOM）的脑部T1加权成像（T1-weighted image，T1WI），接着将DICOM格式的T1加权成像转化为神经影像信息学技术倡议（NeuroimagingInformatics Technology Initiative，NIFTI）格式的三维图像，并删除了患者隐私数据，用于后续处理分析。
得到形态学脑网络集的操作为：T1加权成像集中，每个T1加权成像经线性配准、非线性配准和灰质分割处理后，提取不同脑区的纹理特征和强度特征，得到的所有影像组学特征矩阵图，形成影像组学特征矩阵图集；影像组学特征矩阵图集中，每个影像组学特征矩阵图经脑区域间相似性处理，得到的所有形态学脑网络形成形态学脑网络集。
T1加权成像集中单个T1加权成像的处理过程具体为，将T1加权成像进行线性配准和非线性配准到MNI152标准空间中，使用CAT12工具箱进行灰质分割处理，计算整个大脑的灰质体积，得到灰质图像；接着，利用AAL图谱中的脑区位置信息，提取灰质图像中对应的90个脑区、每个脑区25维的纹理特征和强度特征，得到影像组学特征矩阵图；接着，对影像组学特征矩阵图进行脑区域间相似性处理后，得到形态学脑网络。
脑区域间相似性处理可通过皮尔逊相关性处理实现，通过计算25×90的影像组学特征矩阵图的皮尔逊相关性系数，构建节点之间的连接关系矩阵，从而构建形态学脑网络，计算公式如下：
，
为第i个个体第s个脑区和第t个脑区的连接，X=[x1,,x2...,...,xNb]为影像组学特征矩阵图，Nb为脑区域总数量。其中，xs和xt分别代表第s个脑区和第t脑区的25维影像组学特征向量，/>和/>分别代表第s个脑区和第t个脑区的25维影像组学特征均值。通过这种成对脑区域之间的计算方式最终可以获得单个T1加权成像全脑的90×90的形态学脑网络。
待检者和辅助受试者集中，所有T1加权成像执行上述操作获得的形态学脑网络，形成一个形态学脑网络集。
S2、获取正常受试者组和确诊受试者组的弥散张量成像，得到弥散张量成像集；获取弥散张量成像集的白质纤维束脑连接图集，白质纤维束脑连接图集经连通性平均处理，得到组级别白质束连通性矩阵图。
正常受试者组中的受试者为未患病的正常人，确诊受试者组中的受试者为已确诊患有阿兹海默症的患者，通过将正常人与阿兹海默症患者的白质纤维束脑连接图建立起联系，形成的组级别白质束连通性矩阵图可作为先验条件，供待检者的形态学脑网络学习拓扑结构，从而便于待检者的脑网络图更好的展示与阿兹海默症相关的脑部神经信息。
获取白质纤维束脑连接图集的操作具体为：获取弥散张量成像集中，每个弥散张量成像的各向异性图；获取当前各向异性图中，当前脑区域与其他脑区域之间的优选各向异性分数均值，得到当前脑区域的连通性矩阵，所有脑区域的连通性矩阵组合后，得到当前各向异性图的白质纤维束脑连接图；所有白质纤维束脑连接图，形成白质纤维束脑连接图集。优选各向异性分数均值可以为当前脑区域与另外一个脑区域之间的所有各向异性分数的均值；也可以为当前脑区域与另外一个脑区域之间，所有神经束的各向异性分数均值的均值。
弥散张量成像集中单个弥散张量成像的处理过程具体为：通过计算弥散张量成像中脑区之间神经纤维束的各向异性分数，将各向异性分数与弥散张量成像结合，得到各向异性图；使用AAL模板将各向异性图划分为90个感兴趣脑区域，接着将各向异性图中两个脑区域间的优选各向异性分数均值，作为两个脑区域间的连通性，也可以看作为两个脑区域间的连接权重，更新各向异性图后，得到90×90的白质纤维束脑连接图。
连通性平均处理的操作具体为：白质纤维束脑连接图集中，正常受试者组的所有白质纤维束脑连接图，和确诊受试者组的所有白质纤维束脑连接图，分别依次经第一连通性矩阵相加、第一连通性矩阵平均处理后，分别得到正常组平均白质纤维束脑连接图和确诊组平均白质纤维束脑连接图；正常组平均白质纤维束脑连接图和确诊组平均白质纤维束脑连接图经对应脑区域的第二连通性矩阵相加、第二连通性矩阵平均处理，得到组级别白质束连通性矩阵图。
具体为，将正常受试者组中，所有正常受试者的白质纤维束脑连接图中，由脑区域之间的连通性组成的的连通性矩阵，进行对应脑区域间的矩阵相加实现第一连通性矩阵相加后，除以正常受试者的个数实现第一连通性矩阵平均处理，得到正常组平均白质纤维束脑连接图；同时，将确诊受试者组中，所有确诊受试者的白质纤维束脑连接图中，由脑区域之间的连通性组成的的连通性矩阵，进行对应脑区域间的矩阵相加实现第一连通性矩阵相加后，除以确诊受试者的个数实现第一连通性矩阵平均处理，得到确诊组平均白质纤维束脑连接图；将正常组平均白质纤维束脑连接图，与确诊组平均白质纤维束脑连接图，进行对应脑区域的连通性矩阵进行相加实现第二连通性矩阵相加后，除以正常受试者组和确诊受试者组的组数量和，即除以2实现第二连通性矩阵平均处理，得到组级别白质束连通性矩阵图。
得到组级别白质束连通性矩阵图可通过如下公式实现：
，
为组级别白质束连通性矩阵图，为正常受试者组的白质纤维束脑连接图，为确诊受试者的白质纤维束脑连接图，NNC为正常受试者组中受试者总数，NAD为确诊受
试者组中受试者总数，Nb为脑区域总数，Nb=90。
为提高组级别白质束连通性矩阵图的信息丰富性，获取症状受试者组的弥散张量成像，与S2中正常受试者组和患病受试者组的弥散张量成像结合后，得到的优化弥散张量成像集执行S2中获取白质纤维束脑连接图集的操作。症状受试者组中的受试者为出现了中期认知障碍症状的人。
S3、基于形态学脑网络集和组级别白质束连通性矩阵图，得到脑区域间联合约束组矩阵图；脑区域间联合约束组矩阵图经差异性最小化处理，得到脑区域间稀疏连接组矩阵图。
利用组稀疏表示方法，将形态学脑网络集中的每个形态学脑网络，分别经脑区域相似性权重调节后，再分别与连通强度权重调节后的组级别白质束连通性矩阵图进行相乘后，组合形成脑区域间联合约束组矩阵图。具体为，通过构建形态学脑网络集中个体脑区相似性，与组级别白质束连通性矩阵图的联合约束矩阵，获得脑区域间联合约束组矩阵图，可通过如下公式实现：
，
Ti为脑区域间联合约束组矩阵图中第i个个体的脑区域间联合约束矩阵，B=[T1,
T2...,...,TNS]，NS为待检者和辅助受试者的数量总和，B为脑区域间联合约束组矩阵图，为组级别白质束连通性矩阵图，σ1为连通强度权重调节正参数，用于调整中白质纤
维连接强度权重的正参数，为形态学脑网络集中第i个个体的形态学脑网络，σ2为脑区
域相似性权重调节正参数，用于调整中脑区域相似性的权重的正参数。组稀疏表示缓解
了形态学脑网络拓扑结构方面的个体差异，使得形态学脑网络更加关注组之间差异。
基于为每个个体建立的脑区域间联合约束矩阵Ti，所有个体的第s个脑区域约束的脑区联合约束因子为BS，脑区联合约束因子BS也可以称作所有个体的第s个脑区域与其他脑区域的稀疏连通性组合形成的一个新矩阵，可以通过如下公式实现：
,
为第NS个个体第s个脑区与其他脑区域的连通性，Ns为待检者和辅助受试者的
数量和，为第i个个体第s个脑区域与第Nb个脑区的连通性，为便于待检者中每个脑区
域，能够共享其与辅助受试者集以及正常受试者组和确诊受试者组中的受试者的相同拓扑
结构，通过将脑区联合约束组矩阵中每个个体每个脑区域的脑区联合约束因子添加到最小
化目标函数中，减小个体之间脑区域连通性的差异，增强每个个体每个脑区内的神经纤维
束生物学表达强度，当最小化目标函数中执行的训练次数达到预设迭代次数时，输出结果，
得到脑区间稀疏连接组矩阵。
差异性最小化处理的操作可通过如下公式实现：
，
MS为脑区域间稀疏连接组矩阵图中第s个脑区域的脑区域间稀疏连接矩阵，Ns为
待检者和辅助受试者的数量和，为第i个个体第s个脑区的影像组学特征矩阵图，Nb为脑
区总数量，为第i个个体第t个脑区的影像组学特征矩阵图为第i个人第s个脑区到第t个
脑区的连通性，BS为所述脑区域间联合约束组矩阵图中第s个脑区的脑区联合约束因子，
为点乘运算，λ为稀疏度控制参数，为L2范式运算，为L2,1范式运算。
MS的展开式如下：
,
代表的第i个个体第s个脑区域与其它脑区域的稀疏连通性，为第i个个体
第s个脑区域与第Nb个脑区的稀疏连通性。由组稀疏表示构建的脑网络，通过在每个个体的
脑区域间稀疏连接组矩阵图中，施加行向量为非零值，以及施加行向量为零值来减少个体
的可变性，也就是矩阵MS中同一行全为零，或全不为零，从而共享相同扑结构。
S4、获取脑区域间稀疏连接性组矩阵中，待检者的稀疏连接矩阵，经归一化和对称运算后，得到稀疏脑网络。
具体为，从脑区域间稀疏连接性组矩阵中，提取出待检者的稀疏连接矩阵，稀疏连接矩阵是由不同脑区域之间的稀疏连通性值组成，将待检者的稀疏连接矩阵进行归一化处理，具体为对待检者的稀疏连接矩阵的列数据进行最大-最小归一化处理，然后对归一化的稀疏连接矩阵进行对称运算，去获取稀疏连接矩阵的对称邻接矩阵，得到稀疏脑网络。
对称运算的操作可通过如下公式实现：
，
AGSRJC-radMBN为稀疏脑网络，A0为归一化的稀疏连接矩阵，归一化的稀疏连接矩
阵的转置矩阵。
归一化操作之前，还包括将待检者的稀疏连接矩阵中，相同脑区域之间的稀疏连通性赋值为0，得到的更新稀疏连接矩阵用于执行S4中归一化的操作。
更新稀疏连接矩阵A1(i)的表现形式为：
。
为验证本实施例提供的构建方法的效果，做了如下实验。
实验设置：共从阿尔茨海默病的神经影像学数据集，简称ADNI数据集中确定了938次基线扫描，包括818名受试者的T1加权成像和120参与者的DTI成像。其中，120参与者被分为正常受试者组-NC组（正常对照组）、症状受试者组-MCI组（轻度认知障碍组）和确诊受试者组-AD组（阿尔茨海默症组）。使用的实验开发环境是MATLAB r2020b，使用AMD R7-5800H的处理器，16GB运行内存，以及Windows11操作系统。参数λ设为0.1，迭代次数为500。
表1 实验参数设置表
。
在构建完稀疏脑网络之后，在图卷积神经网络上进行了准确率、敏感性和特异性测试，结果参见表2，可见本实施例提供的构建方法获得的稀疏脑网络，具有较高的准确率、敏感性和特异性，有利于提高阿尔茨海默病的神经影像学研究结果的准确度。
表2 不同脑网络的测试结果汇总表
。
本实施例还提供一种稀疏脑网络的构建系统，包括：
形态学脑网络集生成模块，用于获取待检者和辅助受试者集的T1加权成像，得到T1加权成像集；基于T1加权成像集，得到形态学脑网络集；
组级别白质束连通性矩阵图生成模块，用于获取正常受试者组和确诊受试者组的弥散张量成像，得到弥散张量成像集；获取弥散张量成像集的白质纤维束脑连接图集，白质纤维束脑连接图集经连通性平均处理，得到组级别白质束连通性矩阵图；
脑区域间稀疏连接组矩阵图生成模块，用于基于形态学脑网络集和组级别白质束连通性矩阵图，得到脑区域间联合约束组矩阵图；脑区域间联合约束组矩阵图经差异性最小化处理，得到脑区域间稀疏连接组矩阵图；
稀疏脑网络生成模块，用于获取脑区域间稀疏连接组矩阵图中，待检者的稀疏连接矩阵，经归一化和对称运算后，得到稀疏脑网络。
本实施例还提供一种稀疏脑网络的构建设备，包括处理器和存储器，其中，处理器执行存储器中保存的计算机程序时实现上述的稀疏脑网络的构建方法。
本实施例还提供一种计算机可读存储介质，用于存储计算机程序，其中，计算机程序被处理器执行时实现上述的稀疏脑网络的构建方法。
本实施例提供的一种稀疏脑网络的构建方法，将由正常受试者组和确诊受试者组的弥散张量成像得到的组级别白质束连通性矩阵图作为先验条件，让由待检者和辅助受试者集的T1加权成像集获得的形态学脑网络集去学习拓扑结构表现形式，并通过组稀疏表示方法，关注不同组之间的差异性，得到脑区域间联合约束组矩阵图，接着通过目标函数最小化处理，减小脑区域间联合约束组矩阵中待检者与其他受试者的脑区域连接关系的差异性，增强待检者脑区域内的神经纤维束生物学表达强度，提高稀疏脑网络的特征表达效果，便于提取与阿尔茨海默病相关的神经纤维束生物学表达，从而达到提高阿尔茨海默病神经影像研究结果准确度的目的。
Claims (10)
1.一种稀疏脑网络的构建方法，其特征在于，包括如下操作：
S1、获取待检者和辅助受试者集的T1加权成像，得到T1加权成像集；基于所述T1加权成像集，得到形态学脑网络集；
S2、获取正常受试者组和确诊受试者组的弥散张量成像，得到弥散张量成像集；获取所述弥散张量成像集的白质纤维束脑连接图集，所述白质纤维束脑连接图集经连通性平均处理，得到组级别白质束连通性矩阵图；
S3、基于所述形态学脑网络集和组级别白质束连通性矩阵图，得到脑区域间联合约束组矩阵图；所述脑区域间联合约束组矩阵图经差异性最小化处理，得到脑区域间稀疏连接组矩阵图；
S4、获取所述脑区域间稀疏连接组矩阵图中，待检者的稀疏连接矩阵，经归一化和对称运算后，得到稀疏脑网络。
2.根据权利要求1所述的稀疏脑网络的构建方法，其特征在于，所述S1中得到形态学脑网络集的操作具体为：
所述T1加权成像集中，每个T1加权成像经线性配准、非线性配准和灰质分割处理后，分别提取不同脑区的纹理特征和强度特征，得到的所有影像组学特征矩阵图，形成影像组学特征矩阵图集；
所述影像组学特征矩阵图集中，每个影像组学特征矩阵图经脑区域间相似性处理，得到的所有形态学脑网络，形成所述形态学脑网络集。
3.根据权利要求1所述的稀疏脑网络的构建方法，其特征在于，所述S2中获取白质纤维束脑连接图集的操作具体为：
获取所述弥散张量成像集中，每个弥散张量成像的各向异性图；
获取当前各向异性图中，当前脑区域与其他脑区域之间的优选各向异性分数均值，得到当前脑区域的连通性矩阵，所有脑区域的连通性矩阵组合后，得到当前各向异性图的白质纤维束脑连接图；
所有白质纤维束脑连接图，形成所述白质纤维束脑连接图集。
4.根据权利要求1所述的稀疏脑网络的构建方法，其特征在于，所述S2中连通性平均处理的操作具体为：
所述白质纤维束脑连接图集中，正常受试者组的所有白质纤维束脑连接图，和确诊受试者组的所有白质纤维束脑连接图，分别依次经第一连通性矩阵相加、第一连通性矩阵平均处理后，分别得到正常组平均白质纤维束脑连接图和确诊组平均白质纤维束脑连接图；
所述正常组平均白质纤维束脑连接图和确诊组平均白质纤维束脑连接图，经对应脑区域的第二连通性矩阵相加、第二连通性矩阵平均处理，得到所述组级别白质束连通性矩阵图。
5.根据权利要求1所述的稀疏脑网络的构建方法，其特征在于，获取症状受试者组的弥散张量成像，与所述S2中正常受试者组和患病受试者组的弥散张量成像结合后，得到的优化弥散张量成像集执行所述S2中获取白质纤维束脑连接图集的操作。
6.根据权利要求1所述的稀疏脑网络的构建方法，其特征在于，所述S3中得到脑区域间联合约束组矩阵图的操作可通过如下公式实现：
，
Ti为所述脑区域间联合约束组矩阵图中第i个个体的脑区域间联合约束矩阵，为所述组级别白质束连通性矩阵图，σ1为连通强度权重调节正参数，/>为所述形态学脑网络集中第i个个体的形态学脑网络，σ2为脑区域相似性权重调节正参数。
7.根据权利要求1所述的稀疏脑网络的构建方法，其特征在于，所述S3中差异性最小化处理的操作可通过如下公式实现：
，
MS为所述脑区域间稀疏连接组矩阵图中第s个脑区域的脑区域间稀疏连接矩阵，Ns为待检者和辅助受试者的数量和，为第i个个体第s个脑区的影像组学特征矩阵图，Nb为脑区总数量，/>为第i个个体第t个脑区的影像组学特征矩阵图为第i个人第s个脑区到第t个脑区的连通性，BS为所述脑区域间联合约束组矩阵图中第s个脑区的脑区联合约束因子，/>为点乘运算，λ为稀疏度控制参数，/>为L2范式运算，/>为L2,1范式运算。
8.一种稀疏脑网络的构建系统，其特征在于，包括：
形态学脑网络集生成模块，用于获取待检者和辅助受试者集的T1加权成像，得到T1加权成像集；基于所述T1加权成像集，得到形态学脑网络集；
组级别白质束连通性矩阵图生成模块，用于获取正常受试者组和确诊受试者组的弥散张量成像，得到弥散张量成像集；获取所述弥散张量成像集的白质纤维束脑连接图集，所述白质纤维束脑连接图集经连通性平均处理，得到组级别白质束连通性矩阵图；
脑区域间稀疏连接组矩阵图生成模块，用于基于所述形态学脑网络集和组级别白质束连通性矩阵图，得到脑区域间联合约束组矩阵图；所述脑区域间联合约束组矩阵图经差异性最小化处理，得到脑区域间稀疏连接组矩阵图；
稀疏脑网络生成模块，用于获取所述脑区域间稀疏连接组矩阵图中，待检者的稀疏连接矩阵，经归一化和对称运算后，得到稀疏脑网络。
9.一种稀疏脑网络的构建设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1-7任一项所述的稀疏脑网络的构建方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的稀疏脑网络的构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311443805.9A CN117172294B (zh) | 2023-11-02 | 2023-11-02 | 一种稀疏脑网络的构建方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311443805.9A CN117172294B (zh) | 2023-11-02 | 2023-11-02 | 一种稀疏脑网络的构建方法、系统、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117172294A true CN117172294A (zh) | 2023-12-05 |
| CN117172294B CN117172294B (zh) | 2024-01-26 |
Family
ID=88947132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311443805.9A Active CN117172294B (zh) | 2023-11-02 | 2023-11-02 | 一种稀疏脑网络的构建方法、系统、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117172294B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117350352A (zh) * | 2023-12-06 | 2024-01-05 | 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 |
| CN117934977A (zh) * | 2024-03-22 | 2024-04-26 | 烟台大学 | 基于图连接和图节点的脑网络分类方法、系统和设备 |
| CN117976199A (zh) * | 2024-04-01 | 2024-05-03 | 天津理工大学 | 基于高阶网络的脑区识别方法、装置、设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104545916A (zh) * | 2014-12-23 | 2015-04-29 | 中国科学院深圳先进技术研究院 | 磁共振弥散张量去噪方法和系统 |
| CN107658018A (zh) * | 2017-10-12 | 2018-02-02 | 太原理工大学 | 一种基于结构连接和功能连接的融合脑网络构建方法 |
| CN110767263A (zh) * | 2019-10-18 | 2020-02-07 | 中国人民解放军陆军军医大学 | 基于稀疏子空间学习的非编码rna与疾病关联预测方法 |
| CN110827282A (zh) * | 2020-01-13 | 2020-02-21 | 南京慧脑云计算有限公司 | 一种基于磁共振成像的脑白质纤维束示踪分析方法及系统 |
| CN112330729A (zh) * | 2020-11-27 | 2021-02-05 | 中国科学院深圳先进技术研究院 | 图像深度预测方法、装置、终端设备及可读存储介质 |
| CN113164126A (zh) * | 2018-12-04 | 2021-07-23 | 布雷恩维沃有限公司 | 利用脑特征活动图谱数据库来表征内容的装置和方法 |
| CN113283465A (zh) * | 2021-04-02 | 2021-08-20 | 电子科技大学 | 一种弥散张量成像数据分析方法及装置 |
| CN113793319A (zh) * | 2021-09-13 | 2021-12-14 | 浙江理工大学 | 基于类别约束字典学习模型的织物图像瑕疵检测方法及系统 |
| US20230056838A1 (en) * | 2020-02-03 | 2023-02-23 | Koninklijke Philips N.V. | Apparatus to analyse diffusion magnetic resonance imaging data |
| CN115841607A (zh) * | 2022-10-11 | 2023-03-24 | 重庆邮电大学 | 一种基于图注意力网络的脑网络结构和相似度的联合学习方法 |
-
2023
- 2023-11-02 CN CN202311443805.9A patent/CN117172294B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104545916A (zh) * | 2014-12-23 | 2015-04-29 | 中国科学院深圳先进技术研究院 | 磁共振弥散张量去噪方法和系统 |
| CN107658018A (zh) * | 2017-10-12 | 2018-02-02 | 太原理工大学 | 一种基于结构连接和功能连接的融合脑网络构建方法 |
| CN113164126A (zh) * | 2018-12-04 | 2021-07-23 | 布雷恩维沃有限公司 | 利用脑特征活动图谱数据库来表征内容的装置和方法 |
| CN110767263A (zh) * | 2019-10-18 | 2020-02-07 | 中国人民解放军陆军军医大学 | 基于稀疏子空间学习的非编码rna与疾病关联预测方法 |
| CN110827282A (zh) * | 2020-01-13 | 2020-02-21 | 南京慧脑云计算有限公司 | 一种基于磁共振成像的脑白质纤维束示踪分析方法及系统 |
| US20230056838A1 (en) * | 2020-02-03 | 2023-02-23 | Koninklijke Philips N.V. | Apparatus to analyse diffusion magnetic resonance imaging data |
| CN112330729A (zh) * | 2020-11-27 | 2021-02-05 | 中国科学院深圳先进技术研究院 | 图像深度预测方法、装置、终端设备及可读存储介质 |
| CN113283465A (zh) * | 2021-04-02 | 2021-08-20 | 电子科技大学 | 一种弥散张量成像数据分析方法及装置 |
| CN113793319A (zh) * | 2021-09-13 | 2021-12-14 | 浙江理工大学 | 基于类别约束字典学习模型的织物图像瑕疵检测方法及系统 |
| CN115841607A (zh) * | 2022-10-11 | 2023-03-24 | 重庆邮电大学 | 一种基于图注意力网络的脑网络结构和相似度的联合学习方法 |
Non-Patent Citations (4)
| Title |
|---|
| GHANBARI, YASSER 等: "Identifying group discriminative and age regressive sub-networks from DTI-based connectivity via a unified framework of non-negative matrix factorization and graph embedding", 《MEDICAL IMAGE ANALYSIS》, vol. 18, no. 8, pages 1337 - 1348 * |
| ZHENG QIANG 等: "Novel active contour model based on multi-variate local Gaussian distribution for local segmentation of MR brain images", 《OPTICAL REVIEW》, vol. 24, no. 6, pages 653 - 659, XP036380876, DOI: 10.1007/s10043-017-0362-7 * |
| 徐金东 等: "一种基于多尺度稀疏分解的遥感图像融合新方法", 《国土资源遥感》, vol. 29, no. 3, pages 51 - 58 * |
| 黄文敏 等: "脑功能网络建模及分析研究进展", 《中国科学》, vol. 50, no. 1, pages 85 - 97 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117350352A (zh) * | 2023-12-06 | 2024-01-05 | 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 |
| 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 |
| CN117934977A (zh) * | 2024-03-22 | 2024-04-26 | 烟台大学 | 基于图连接和图节点的脑网络分类方法、系统和设备 |
| CN117934977B (zh) * | 2024-03-22 | 2024-05-31 | 烟台大学 | 基于图连接和图节点的脑网络分类方法、系统和设备 |
| CN117976199A (zh) * | 2024-04-01 | 2024-05-03 | 天津理工大学 | 基于高阶网络的脑区识别方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117172294B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117172294B (zh) | 一种稀疏脑网络的构建方法、系统、设备和存储介质 | |
| CN113040715B (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
| CN109376751B (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
| CN115359045B (zh) | 基于多模态磁共振成像的图卷积神经网络疾病预测系统 | |
| He et al. | Image segmentation algorithm of lung cancer based on neural network model | |
| CN109242860B (zh) | 基于深度学习及权重空间集成的脑肿瘤图像分割方法 | |
| CN113539435B (zh) | 一种基于图模型的脑功能配准方法 | |
| CN113616184A (zh) | 基于多模态磁共振图像的脑网络建模与个体预测方法 | |
| CN112002428B (zh) | 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 | |
| CN106127769A (zh) | 一种基于脑连接网络的脑龄预测方法 | |
| CN116051545B (zh) | 一种双模态影像的脑龄预测方法 | |
| CN115553752A (zh) | 一种基于多模态数据融合的脑功能障碍辅助评估方法 | |
| CN115272295A (zh) | 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 | |
| CN117122303A (zh) | 一种脑网络的预测方法、系统、设备和存储介质 | |
| CN113255734A (zh) | 一种基于自监督学习和迁移学习的抑郁症分类方法 | |
| CN114005514B (zh) | 医学影像诊断方法、系统及装置 | |
| Mouches et al. | Unifying brain age prediction and age-conditioned template generation with a deterministic autoencoder | |
| CN117350352B (zh) | 结构脑网络到功能连通性网络的学习方法、系统和设备 | |
| CN116798605A (zh) | 一种基于核磁共振图像的阿尔兹海默症辅助诊断方法 | |
| CN116561518A (zh) | 一种基于脑区权重相关性的脑网络构建方法 | |
| CN113283518B (zh) | 一种基于聚类的多模态大脑网络特征选择方法 | |
| Li et al. | MobileViT-based classification of Alzheimer's disease | |
| Zhao et al. | Machine learning approaches in comparative studies for Alzheimer’s diagnosis using 2D MRI slices | |
| CN114494132A (zh) | 基于深度学习和纤维束空间统计分析的疾病分类系统 | |
| CN114266738A (zh) | 轻度脑损伤磁共振影像数据的纵向分析方法及系统 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240701 Address after: 264003 Yingrui Industrial Park, building 5, No. 66, Feilong Road, Laishan District, Yantai City, Shandong Province Patentee after: Shandong Zhongjia Yingrui Medical Technology Co.,Ltd. Country or region after: China Address before: No. 30, Qingquan Road, Laishan District, Yantai City, Shandong Province Patentee before: Yantai University Country or region before: China |
|
| TR01 | Transfer of patent right |