CN1620666A - 借助功能性磁共振层析成像所获得的脑图像的分析处理 - Google Patents

Abstract

本发明说明了一种用于分析处理借助功能性磁共振层析成像所获得的脑图像(fMRI图像)的方法。为此将神经元网络应用于模拟脑活动。在神经元网络中模拟脑中猜测的干扰(受干扰的神经元网络)。将在受干扰的神经元网络中所求出的活动与在fMRI图像中所观察的活动进行比较。在模型中可以人工地模拟脑中任意子结构的失效，并定量它对脑区的复杂协调的影响。与在病人处所测量的fMRI图像或fMRI活动样板的比较导至干扰原因的定位，并因而导至成功的诊断。

Description

借助功能性磁共振层析成像所获得的 脑图像的分析处理

由于在功能性核自旋层析成像(功能性磁共振成像，简称fMRI，或功能性磁共振层析成像，简称fMRT)领域中的迅猛的发展，以越来越高的程度成功地摄取病人在解决复杂的感觉任务、计划以及动力任务期间的脑活动区分布。

该技术的巨大的可能性却与其对于在神经病学和神经外科学中的检查结果(Befundung)和诊断学的当今的使用，还总是处于矛盾中。

该矛盾的主要原因归因于脑的复杂性：仅仅人的大脑皮质就可以划分为大约200个功能单元、脑区(Gehirnareal)，在这些功能单元之间存在着大约10,000个反馈的密集的结网路径。这些结网路径分别由多个突触(synaptisch)连接，也就是神经束(Nervenstrang)组成。

作为该复杂构造的，以及脑中分散平行的信号处理的结果，只能在很少有的情况下在fMRI图像中(例如在一个区中)的活动变化上，明显地读出功能失误。更确切地说，大脑的功能干扰通常在一个区的、与健康人相比较已改变了的协调中表现出来，该协调又以复杂的方式改变整个脑的活动状态。

对于医生产生了高度不平凡的、和迄今除了少数特殊情况之外还未解决的问题，即从fMRI图像中的所测量的复杂异常中求出大脑干扰的本身原因。

本发明的任务是使得fMRI图像可以在更强的程度上能应用于诊断。

根据本发明的独立权利要求来解决该任务。在从属权利要求中表征了本发明有利的改进方案。

根据本发明说明了一种用于分析处理借助功能性磁共振层析成像所获得的脑图像(fMRI图像)的方法。将神经元网络应用于模拟脑活动。在神经元网络中模拟脑中猜测的干扰(受干扰的神经元网络)。将在受干扰的神经元网络中所求出的活动与在fMRI图像中所观察的活动进行比较。从该比较中推断脑中的干扰。

可能的干扰原因可以划分成多个等级：

(a)一个区中的失效或部分失效。

(b)两个或多个区之间的一个或多个连接路径的完全失效。

(c)在细胞层面上的失效，这些失效例如具有譬如一个区之内的、神经细胞群体(Population)的已改变短时动力学的后果。

一般说来，只有干扰原因的第一等级(a)应该在fMRI图像中直接澄清。由于密集的结网，这些干扰对其它区的影响却是复杂的，并需要量化。

干扰原因的其它两个等级(b)和(c)可以很隐蔽地起作用。例如从脑区的密集结网中得出，两个区之间的连接的完全中断不仅对两个有关的区有影响。连接的中断总的改变了通过脑的信号传播，并因此间接地促使与所观察的区看来无关的其它脑功能的干扰。

根据本发明给医生提供了一个工具，借助该工具可以模拟在通过脑解决规定任务期间多个脑区的复杂的协调。模拟器基于模拟所耦合神经元群体的动力学，也就是基于神经元网络。该动力学模拟神经元活动的时间过程。

在模型中可以人工地模拟脑中任意子结构的失效，并定量该失效对脑区的复杂的协调的影响。与在病人处测量的fMRI图像或fMRI活动样本进行的比较，导至干扰原因的定位，并因而导至成功的诊断。因此在脑活动的所测量的空间分布的一个方面和医学上重要的功能性脑状态的另一个方面之间，建立一种定量的联系。

除了基于许多单个神经元的脑模拟之外，神经元网络也可以具有一种结构，该结构依据脑在其划分为区及这些区的连接方面的结构。一方面，这导至降低神经元网络的复杂性。另一方面，神经元网络在其结构方面因而相当于脑的结构。

所以有利地将第三代神经模拟器(神经认知(Kongnition))用来定量地解读和以此检查(Befundung)fMRI图像。在或多或少静态基础上的神经元网络模型称为第一代神经模拟器，经典的神经元网络。将神经元动态特性的，尤其是由它们所生成脉冲的模型称为第二代神经模拟器。最后人们将神经元组织成池(Pool)和将池组织成区的分等级的模型称为第三代神经模拟器。在此，一个池包括数千个神经元。

本发明方法可以作为分析处理工具集成到计算机的操作软件中，该计算机控制fMRI层析成像，或以独立的诊断辅助设备的形式来工作。

此外还通过一个在计算机上执行时实施本发明方法的计算机程序，以及通过具有程序码装置的计算机程序来解决该任务，以便当在计算机上执行该程序时，执行全部的本发明步骤。

此外还通过具有所述程序码装置的计算机程序来解决任务，在计算机可读的数据载体上存储了这些程序码装置。此外，当在计算机上执行该程序时，通过具有存储在机器可读的载体上的程序码装置的计算机程序产品来执行全部的本发明步骤。最后通过存储了数据结构的数据载体，该数据结构在装载到计算机的主存储器中之后执行本发明的步骤。

以下借助附图中示意地示出的实施例来详述本发明。各个图中的相同的参考符号在此表示相同的元素。细节如下：

图1展示了一个fMRI图像的实例；

图2简化地展示了脑视觉皮质(visuell Cortex)的主要区；

图3展示了脑区及其突触连接的抽象的再现；和

图4示意地展示了在一个区和一个所属的抑制池之间的交互作用。

以下在视觉注意力现象的实例上来阐述神经认知模拟的工作方式。

首先必须摄取脑中活动分布的fMRI图像。使用质子幅射层析成像(PET)，一种可以借助放射性示踪物质示出脑中物质交换变化和供血变化的方法，可以展示，某些脑区的激活导至局部提高神经细胞的供血和氧消耗(Fox，P.T.和Raichele，M.E.著：″在人体中人体传感刺激期间大脑血流和氧化代谢的聚焦生理学的去耦″，美国国家科学院会刊，1986，83卷，1140-1144页)。因此局部提高了对此必要的富氧动脉血的输入。然而供血通常与氧消耗超比例地上升，使得在静脉的流出区域中产生过剩的充氧血红蛋白。

功能性磁共振层析成像(fMRI)利用了以下的事实，血的氧含量影响血的磁特性，并因此导致磁共振层析成像中的不同的信号输出。由于血的磁特性和因而血的信号输出随着充氧或脱氧的血红蛋白含量而变化，血在功能性磁共振层析成像中表现得像一种(内源的(endogen))反差剂(Kontrastmittel)。在高分量脱氧血红蛋白的情况下，基于它的顺磁特性在血管周围感应出局部的磁场梯度，该磁场梯度在合适选出MRT测量序列(例如梯度回波序列或相应的回波平面成像序列)时，导致局部的信号减小。如果血中充氧血红蛋白的分量上升，所谓的磁化率效应则下降。这导致测量信号的上升。这种关系称为BOLD反差(血氧水平从属性反差)。该效应随着增加的磁共振层析成像的场强而增加(Ogawa S，Lee TM，Nayak AS，Glynn P著：″在高磁场下啮齿动物脑的磁共振图像中的充氧敏感的反差″，磁共振医学，1990，卷14，68-78页)，以至于对于功能性MRT(fMRT)采用1.5特斯拉磁场强度以上的设备。

在激活过程期间血中氧含量的局部改变可以借助具有高度空间分辨率的fMRI来示出，并准确地分配给脑的独有的解剖学结构。

因此可以借助fMRI求出，在给定的时刻或在活动期间激活了哪些脑区，和哪些未激活，或在何种程度激活了各个脑区。

图1中可以看出fMRI摄影的示意的实例。图1中用所表明的脑叶(Gehirnlappen)展示了左脑半球(Gehirnhlfte)的视图。展示了病人的摄影，给该病人提出了找出图像中一个点的地点的任务。在解决该任务时激活了fMRI图像上可见的阴影线示出的脑区12。

模拟的目标是脑区的详细的神经网络模型，该网络模型尤其从视觉注意力控制方面反映激活过程中脑中的实际情况，并因此通过生理上的机理提供这些功能的说明。

在图像处理的，例如数字图像处理的经典模型中，在处理的递差更高的层面上，以所谓的自底向上法的途径来分析所摄取的图像。

与图像处理的这些经典的模型相反，已证实了所谓的自顶向下法较好地反映视觉皮质的实际情况。在自顶向下法中，以反馈的途径将更高处理层面上的中间结果利用于，合宜地重新分析处理更低的处理层面。重要的是各个层面之间的反馈瞬间(Moment)。在下面要具体描述的模型中，通过各区的交互作用来实现该反馈。

反馈导致在各个神经元或各组神经元的注意力竞争中的平衡的移动。因此导致关于注意力的不相等的竞争(″倾向性(biased)竞争″)。对于某个空间范围或特征的提高了的注意力，以及其它特征或空间范围的因此随之而来的忽略，才实现了降低图像的数据量，并因而有针对性地觉察各个物体。

在寻找图像中的特征，例如寻找巴黎的埃菲尔铁塔时，在经典的图像处理中会在两个问题之间进行区分：

-埃菲尔铁塔在何处？这是一个所谓的″在何处″问题。它寻找图像中已知特征的地点(寻找)。

-第二问题是：在图像的中心可以看到哪个物体？也就是一个所谓的″何物″问题，识别在给定地点上的物体的问题(物体识别)。

以经典的方式回答″在何处″问题，其方式是借助规定的注意力窗口搜索整个图像。通过将已知的样板与规定的图像片断进行比较的方式，或通过按特征来搜索该规定的图像片断的方式来回答″何物″问题，注意力集中到这些特征上，以便识别图像特征。

在新的自顶向下法中平行地处理整个图像。在处理的过程中出现所寻找的特征，即它们在一段时间之后涌现出来，例如通过激活在各个池或特征之间已赢得竞争的那些″祖母池″(请参阅下文)的方式。用一个和同一个模型来回答″何物″和″在何处″问题。仅仅改变了所谓的输入倾向性(请参阅下文)，即在何物″或″在何处″的方向上移动注意力。借助该倾向性产生一种期望姿态。

将所谓的第三代神经模拟器应用于该自顶向下法的模拟。正如以下在视觉皮质的实例上所说明的那样，人们将池中神经元的和区中池的组织的分等级的模型，相当于脑区，称为第三代神经模拟器，正如以下在视觉皮质的实例上所说明的那样。一个池在此包括数千个神经元。

图2简化地展示了脑10的视觉皮质的主要区。描绘了大脑16和小脑18。在大脑16中，在视觉皮质中除了其它的以外，还存在着所示出的和下面要更准确地阐述的区V1，V4，PP和IT。多束的突触连接20存在于这些区之间。

现在根据图3来详述数学模型的构造，该图3示出了脑中关系的抽象的再现。

区IT(推断当前的(inferotemporal))用于图像识别或图像之内的物体识别(″何物″问题)。图像样板存储在它中，这些图像样板可以相当于可见世界物体的代表。示范性地展示了两个样板，砖和蜂房。如果最大地激活了分配给一个样板的所谓的″祖母神经元″，则识别了该样板。″祖母神经元″的识别某个样板的能力通过训练来获得。在本模型中为了样板识别，不用″祖母神经元″而是用模型的最小单元：池来工作。因此如果最大地激活了相应的″祖母池″，则由该″祖母池″识别了样板。与此相应地，在本模型中区IT同样含有许多池，正如存在着要识别的样板或物体那样。

区PP(后验顶骨(posterior parietal))用于已知样板的地点定位(″在何处″问题)。因此区PP在本模型中同样含有许多池24，正如在要识别的图像中存在着像素那样。PP中的小数量相邻池中的神经元活动的集中相当于物体的定位。

在本模型中区V1和V4汇总成区V1-V4，也用V4来表示该区V1-V4。该区一般主管提取特征。它含有约一百万个池24，对于每个特征一个池。池24对图像的各个特征作出响应。从图像的子波变换中得出图像的特征(请参阅下文)。因此通过某个参变量或空间频率、一种空间定向、和在x和y方向上的某个位置规定了一个特征(请参阅下文)。所有摄取的图像数据首先到达区V1-V4中。

至少一个抑制池22，也就是一个将抑制作用施加到其它池的活动上的池，添加于每个区。用双向的连接26将抑制池与可激励的池24相耦合。通过抑制池22在各池之间导致竞争性的交互作用或竞争。用池24来执行V1-V4中的竞争，这些池24既将地点信息，也将物体信息进行编码。PP使地点信息抽象化，并在空间层面上调解竞争。IT使物体等级的信息抽象化，并在物体等级的层面上调解竞争。

在区之间存在着突触连接20，通过这些突触连接20可以激励池24来活动。区IT与区V4相连接。区PP与区V4相连接。在模型中模拟的区之间的突触连接20反映视觉处理的″何物″路径和″在何处″路径。″何物″路径将区V4与物体识别的区IT相连接。″在何处″路径将区V4与地点定位的区PP相连接。区IT和PP彼此间不相连接。

突触连接20始终是双向的，即在PP或IT中进一步处理来自V4的数据。但是同时也将来自PP或IT的结果反馈到V4中，以便控制关于注意力的竞争。

通过采用平均域近似(Mean-Field-Nhrung)来模拟神经元池的活动。在原始视觉皮质中的和人体传感皮质中的、诸如定向沟(Spalt)的沟或区域汇总中，脑的许多区域组织具有类似特性的神经元成为组。这些神经元组，池，由大的和均匀的神经元群体(Population)组成，这些神经元群体接收相似的外部输入、互相耦合、和可能共同作为一个单元来起作用。这些池可以形成一个更稳固的处理和编码单元，因为与大的时窗中相对随机的神经元的时间均值相反，它们瞬时的群体均值回答更好地与现实世界中迅速交换的分析相匹配。

借助平均域近似来说明神经元池的活动。在此，池的脉冲活动通过该池全部神经元的脉冲速率的总体均值x来表达。池的该平均的活动x通过由一般来自：

       x(t)＝F(I(t)).                    (1)

中的输入脉冲电流I激励该池的神经元来得出。F在此为实函数。对于类型″综合与点火″(integrate-and-fire)的脉冲的神经元，这些神经元对输入电流I决定性地作出反应，以绝热的近似(Usher，M.和Niebur，E.著：″在视觉搜索中模拟IT神经元的时间动力学：一种自顶向下选择性注意力的机理″，认知神经科学杂志，311-327页(1996))适用：

$F\left(I\left(t\right)\right)=\frac{1}{T_{\mathrm{refractory}}-\mathrm{\τ}\log (1-\frac{1}{\mathrm{\τI}\left(t\right)})},---\left(2\right)$

式中，T_refractory说明神经元在发送脉冲之后的仃滞时间(约1ms)，和τ说明神经元膜的执行时间(Latenz)，也就是在外部输入和膜完全极化之间的时间(Usher，M.和Niebur，E.著：″在视觉搜索中模拟IT神经元的时间动力学：一种自顶向下选择性注意力的机理″，认知神经科学杂志，311-327页(1996))。τ的典型值是7ms。

除了通过平均的活动x之外，也可以通过在神经元之间流动的输入电流I的强度来表征绝缘的神经元池的活动。该活动在时间上根据以下的方程来展开：

$\mathrm{\τ}\frac{\∂}{\∂t}I\left(t\right)=-I\left(t\right)-\tilde{q}F\left(I\left(t\right)\right).---\left(3\right)$

在此，右侧第一项描述活动的衰减，而右侧第二项描述池内神经元之间的自激励。第二项描述池中的协作激励的交互作用。 参数化自激励的强度。 的典型值是0.8。

假设在通过n×n矩阵Г_ij ^orig描述的灰值图像中编码了直接摄取的图像。非正方形的矩阵同样是可能的。通常用64×64矩阵来工作，即n＝64。在此，下标i和j表示像素的空间位置。优选通过8比特来编码每个像素之内的灰值F_ij ^orig。在此，比特值0相当于黑色，而比特值255相当于白色。

在第一处理步骤中减去图像的恒定的分量。这在脑中，猜测在丘脑的所谓的LGN(横向膝状细胞核)中来进行。人们通过减去平均值获得n×n图像矩阵Г_ij：

${\mathrm{\Γ}}_{\mathrm{ij}}={\mathrm{\Γ}}_{\mathrm{ij}}^{\mathrm{orig}}-\frac{1}{n^2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\Γ}}_{\mathrm{ij}}^{\mathrm{orig}}.---\left(4\right)$

根据模型用以下的方式来进行通过区V4中的池从图像中提取特征，即这些池执行图像的伽柏(Gabor)子波变换，更准确地，池的活动相当于伽柏子波变换的系数。

用于伽柏子波变换的函数G_kpql是地点x和y的，或离散的下标i和j的函数，并通过

$G_{\mathrm{kpql}}(x,y)=a^{-k}{\mathrm{\Ψ}}_{{\mathrm{\θ}}_1}(a^{-k}(x-2p)-a^{-k}(y-2q)),---\left(5\right)$

来规定，式中，

${\mathrm{\Ψ}}_{{\mathrm{\θ}}_1}(x,y)=\mathrm{\ψ}(x\cos \left(l{\mathrm{\θ}}_0\right)+y\sin \left(l{\mathrm{\θ}}_0\right),-x\sin \left(l{\mathrm{\θ}}_0\right)+\mathrm{ycis}\left(l{\mathrm{\θ}}_0\right)).---\left(6\right)$

通过椭圆高斯函数和复数平面波的乘积规定了基本子波Ψ(x，y)：

$\mathrm{\ψ}(x,y)=\frac{e^{-\frac{1}{8}(4x^2+y^2)}}{\sqrt{2\mathrm{\π}}}[e^{\mathrm{ikx}}-e^{-\frac{k^2}{2}}].---\left(7\right)$

伽柏子波函数因此具有四个自由度：k，l，p和q。

k相当于特征的参变量，通过倍频程k，也就是通过空间的频率来表达，通过2^k倍的、由参数a标定的基频来求出；对于a通常选择值2。

l相当于角度定向，通过θ₁＝l·θ₀·θ₁，也就是通过多倍的角度步距θ₀＝π/L，也就是定向分辨率来表达。对于L优选选择值2至10。

p和q决定了函数中心点c在x和y方向上的空间位置，并通过

     c＝(c_x，c_y)＝(2p，2q).                   (8)

来表达。因此由I_kpql ^V4，E来激励区V4中池的活动I_kpql ^V4，式中，

$I_{\mathrm{kpql}}^{V4,E}:=\sqrt{\left|\right|\⟨G_{\mathrm{kpql}},\mathrm{\Γ}\⟩|{|}^2}:=\sqrt{{\left|\right|\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{G}_{\mathrm{kpql}}(i,j){\mathrm{\Γ}}_{\mathrm{ij}}\left|\right|}^2}.---\left(9\right)$

该池对于在具有下标l的空间定向的倍频程k时的空间频率，和对于由p和q决定其中心的刺激作出响应。根据模型这正相当于伽柏子波变换的系数。用以上训练的途径来确定池的各自的特性(请参阅下文)。

现在观察神经动力学的方程，这些方程决定了系统的时间上的展开。

在方程(3)通过抑制和激励的输入电流的继续进行中，具有由上述参数k，p，q和l所说明特性的在区V4中池的活动I_kpql ^V4，在时间上根据

$\mathrm{\τ}\frac{\∂}{\∂t}{I}_{\mathrm{kpql}}^{V4}=-I_{\mathrm{kpql}}^{V4}+\tilde{q}F\left(I_{\mathrm{kpql}}^{V4}\right)-\mathrm{bF}\left(I_k^{V4,I}\right)+I_{\mathrm{kpql}}^{V4,E}+I_{\mathrm{pq}}^{V4-\mathrm{PP}}+I_{\mathrm{kpql}}^{V4-\mathrm{IT}}+I_0+v.---\left(10\right)$

来展开。上面已阐述了右侧开始的两项。它们是池之内的活动的自然衰减或自激励。

方程(10)右侧的第三项bF(I_k ^V4，I)描述抑制池22的上面提及的抑制作用，下面将详述该抑制作用。方程(10)右侧的参数b标定抑制的强度。b的典型值是0.8。

方程(10)右侧的第四项I_kpql ^V4，E描述通过所摄取图像的根据按方程(9)的伽柏子波变换的激励。

方程(10)右侧的第五项I_pq ^V4-PP描述对于具有相当于p和q的空间位置的特征的注意力控制，也就是强调″在何处″问题，正如下面将详述的那样。

方程(10)右侧的第六项I_kpql ^V4-IT描述V4中对于来自IT的某些样板的注意力控制，也就是强调″何物″问题，正如下面将详述的那样。

方程(10)右侧的第七项I0描述分散的自发的背景输入。I0的典型值是0.025。ν代表活动的随机的噪声。它对于所有的池假设是同等强的。在具有标准偏差为0.01的高斯分布时，ν的典型均值是零。

方程(10)右侧的第三项bF(I_k ^V4，I)，如上面提及的那样，描述属于区V4的抑制池22的抑制作用。以下以图4为依据。区内的池24彼此处于竞争中，这通过抑制池22来调解(vermitteln)，该抑制池22从所有可激励的池24接收激励的输入27，并引导同样形状的抑制反馈28到所有可激励的池24上。该抑制的反馈28对较少激活的池的作用比对较激活的池要更强。因此较强激活的池的意图相对于较弱激活的池的得到贯彻。

图4中附加地展示了可激励一个或多个池的外部输入电流30(倾向性)。下面在与方程(15)的关联中将描述倾向性30的准确的函数。

抑制池之内的活动I_k ^V4，I满足以下的方程：

$\mathrm{\τ}\frac{\∂}{\∂t}{I}_k^{V4,I}\left(t\right)=-I_k^{V4,I}\left(t\right)+c\underset{\mathrm{pql}}{\mathrm{\Σ}}F\left(I_{\mathrm{kpql}}^{V4}\left(t\right)\right)-\mathrm{dF}\left(I_k^{V4,I}\left(t\right)\right).---\left(11\right)$

方程(11)右侧的第一项又描述了抑制池22的衰减。在属于V4的具有下标k的抑制池22中，第二项描述了来自V4的输入电流，通过参数c来标定。c的典型值是0.1。

第三项是属于V4的具有下标k的抑制池22的自我抑制。d的典型值是0.1。

根据经验，V4之内的抑制作用单独在通过倍频程k表达的给定参变量的空间结构之内起作用。在参变量k的结构之内，导致在地点p与q和定向1之间的竞争，通过总和 来调解。每个下标三数组(p，q，l)抑制所有另外的下标三数组(p，q，l)。不同参变量k的，即不同空间频率k的空间结构互不影响，因为方程(10)中的抑制作用-bF(I_k ^V4，I)仅反作用于k本身。

方程(10)右侧的第五项I_pq ^V4-PP，正如提及的那样，描述对于具有相当于p和q的空间位置的特征的注意力控制，也就是强调″在何处″问题。通过使来自区PP中的具有靠近值p与q的下标i和j的池活动I_pq ^V4-PP，反馈到进入区V4中的具有p与q的所有的池上，来进行注意力控制。通过

$I_{\mathrm{pq}}^{V4-\mathrm{PP}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{W}_{\mathrm{pqij}}F\left(I_{\mathrm{ij}}^{\mathrm{PP}}\right)---\left(12\right)$

来模拟该反馈，式中，系数W_pqij在它这方面求自：

$W_{\mathrm{pqij}}=A{e}^{\frac{{\mathrm{dist}}^2((p,q),(i,j))}{2S^2}}-B---\left(13\right)$

式中，耦合常数A(典型值为1.5)，空间标量因子S，该标量因子S决定特征的空间影响的作用半径(典型地S＝2)，和距离函数dist(p，q，i，j)，该距离函数dist(p，q，i，j)计算出在地点i与j和由p，q确定的伽柏子波函数中心点之间的距离。优选在这里采用欧几里得节拍学(Euklidische Metrik)：

    dist²((p，q)，(i，j))＝(p-i)²+(q-j)².     (14)

附加地存在着通向周围的负的连接B，这导至过度强调相邻的特征和贬低其它远离的特征。B的典型值为0.01。

在效果上，具有相当于p和q空间位置的池不直接地，而是在执行用高斯核(Kernel)的卷积(Faltung)之后才激励V4中的相应的池。换言之，V4和PP与由高斯加权模拟的对称局部化的连接相连接。

通过

$\mathrm{\τ}\frac{\∂}{\∂t}{I}_{\mathrm{ij}}^{\mathrm{PP}}=-I_{\mathrm{ij}}^{\mathrm{PP}}+\tilde{q}F\left(I_{\mathrm{ij}}^{\mathrm{PP}}\right)-\mathrm{bF}\left(I^{\mathrm{PP},I}\right)+I_{\mathrm{ij}}^{\mathrm{PP}-V4}+I_{\mathrm{ij}}^{\mathrm{PP},A}+I_0+v.---\left(15\right)$

给定了区PP中的池活动I_ij ^PP的时间上的展开。该方程在第一项、第二项、第六项、和第七项方面相当于方程(10)，但是用于区PP。

右侧的第三项又描述属于区PP的共同抑制池I的抑制作用。该池的活动I^PP，I满足方程

$\mathrm{\τ}\frac{\∂}{\∂t}{I}^{\mathrm{PP},I}=-I^{\mathrm{PP},I}+c\underset{i,j}{\mathrm{\Σ}}F\left(I_{\mathrm{ij}}^{\mathrm{PP}}\right)-\mathrm{dF}\left(I^{\mathrm{PP},I}\right).---\left(16\right)$

该方程在其结构上相当于已说明的方程(11)。对于区PP只有一种统一的抑制作用。

方程(15)的右侧第四项又描述了从V4向PP的注意力控制的反馈，并通过

$I_{\mathrm{ij}}^{\mathrm{PP}-V4}=\underset{k,p,q,l}{\mathrm{\Σ}}{W}_{\mathrm{pqij}}F\left(I_{\mathrm{kpql}}^{V4}\right),---\left(17\right)$

来给定，其中，上面在与方程(13)的关联中已规定了W_pqij。在V4和PP之间的突触连接20因此是对称构成的。V4在PP中因而控制了涉及某些地点的注意力(″在何处″问题)。

方程(15)的右侧第五项I_ij ^PP，A是一种外部的将注意力指向某个地点(i，j)的自顶向下倾向性。该倾向性在图4中由箭头30来代表。在预先调节倾向性时，期望物体在预先调节的地点上。该外部倾向性的典型值对于所期望的地点为0.07，而对于所有其它的地点为0。

方程(10)右侧的第六项I_kpql ^V4-IT-正如提及的那样-描述V4中对于来自IT的某些样板的注意力控制，也就是强调″何物″问题。通过将来自区IT的、代表样板c的池的活动I_c ^IT反馈到区V4中的所属的池上，来实现注意力控制。通过

$I_{\mathrm{kpql}}^{V4-\mathrm{IT}}=\underset{c}{\mathrm{\Σ}}{w}_{\mathrm{ckpql}}F\left(I_c^{\mathrm{IT}}\right).---\left(18\right)$

来模拟该反馈。下面来说明从IT到V4中的输入电流的，以及因此区V4中属于样板c的池的加权W_ckpql的确定。

I_c ^IT是区IT中的代表样板c的池的活动。I_c ^IT的时间上的展开遵循微分方程：

$\mathrm{\τ}\frac{\∂}{\∂t}{I}_c^{\mathrm{IT}}=-I_c^{\mathrm{IT}}+\tilde{q}F\left(I_c^{\mathrm{IT}}\right)-\mathrm{bF}\left(I^{\mathrm{IT},I}\right)+I_c^{\mathrm{IT}-V4}+I_c^{\mathrm{IT},A}+I_0+v.---\left(19\right)$

该方程在第一项、第二项、第六项、和第七项方面相当于方程(10)和(15)，但是用于区IT。

方程(19)右侧的第三项-bF(I^IT，I)又描述属于区IT样板c的抑制池22的抑制作用。属于区IT的抑制池的活动I^IT，I满足方程

$\mathrm{\τ}\frac{\∂}{\∂t}{I}^{\mathrm{IT},I}=-I^{\mathrm{IT},I}+c\underset{c}{\mathrm{\Σ}}F\left(I_c^{\mathrm{IT}}\right)-\mathrm{dF}\left(I^{\mathrm{IT},I}\right).---\left(20\right)$

该方程在其结构上相当于已经说明的方程(11)和(16)。对于区IT只有一个统一的抑制作用，该抑制作用在各个样板c之间促成关于注意力的竞争。

方程(19)右侧的第四项I_c ^IT-V4又描述从V4向IT反馈注意力控制，并通过

$I_c^{\mathrm{IT}-V4}=\underset{k,p,q,l}{\mathrm{\Σ}}{w}_{\mathrm{ckpql}}F\left(I_{\mathrm{kpql}}^{V4}\right),---\left(21\right)$

来给定，其中，w_ckpql已经在方程(18)中出现，并在下面将详述。在V4和IT之间的突触连接20因此是对称构成的。V4在IT中因此控制涉及某些样板的注意力(″何物″问题)。

方程(19)右侧的第五项I_c ^IT，A又是一个外部的、将注意力指向某个样板c的自顶向下倾向性。在预先调节该倾向性时，期望某个样板c或物体c。该外部倾向性的典型值对于所期望的样板是0.07，而对于所有其它的样板是0。

通过用已知物体的Hebbsch学习法(Hebbian训练)(Deco，G.和Obradovic，D.著：″对神经计算的信息理论的近似″，Springer出版社(1996))来构成在V4和IT之间的突触连接的加权w_ckpql。简化地来表达，为此给神经元网络相继演示样板c，并一直变化加权w_ckpql，直至IT中的祖母池c各自识别了样板c，即展示出最大的活动时为止。以一次的近似，通过存储在IT中的样板c的上述伽柏子波变换来得出加权w_ckpql。

在训练之后可以执行使用神经元网络的模拟，以便例如分析处理fMRI图像。在分析处理fMRI图像时原则上涉及一个相反的问题：应从(某些区活动的)作用中推断原因。基于结网的复杂性不可能从作用演绎地推断原因。唯一可能的是通过变化许多原因来模仿作用。

这借助所描述神经元网络的参数变化，例如通过关断一个区的各个池或所有的部分来实现。通过解上面给出的微分方程来计算出这种假设对神经元网络的作用，并与所测量的fMRI图像进行比较。

所给出的微分方程组是高度平行的。该组由大约120万个耦合的微分方程组成，优选借助离散化，通过借助欧拉法或Runge-Kutta法来迭代地数字解这些微分方程。优选选择1ms，也就是例如根据方程(2)的T_refractory作为时间步距。

借助所述的神经元网络可以互相吻合地模拟试验的数据(Kaster，S.；De Weerd，P.；Desimone，R.和Ungerleider，L.著：″通过功能性MRI展示的在人的异常细条纹皮质中直接注意的机理″；科学杂志282(1998)108-111页。Kaster，S.；Pinsk，M.；De Weerd，P.；Desimone，R.和Ungerleider，L.著：″在缺乏视觉刺激的直接注意期间人视觉皮质中增长的活动″，神经元杂志22(1999)，751-761页)。可以理解具有一秒以下刻度上的显著变化的V4中池活动的动力学。同样也可以理解通过期望的注意力控制和同时或相邻刺激的抑制作用。

同样也可以通过模拟来澄清医学上公知的″视觉忽视″现象。″视觉忽视″是注意力或感觉的一半视野的消隐，尽管病人眼睛没有任何的损伤。注意力的消隐是在通过脑视觉皮质处理所接受视觉数据中的干扰。在借助所述神经认知的神经元网络的模拟中已经假设了，主管地点定位的一半的区PP已损伤。例如一半的PP可能具有提高了程度的噪声ν。通过解微分方程可以展示出，在这些情况下不再能将注意力转向到该一半的视野上。主管该一半视野的池不再达到提高程度的活性。

因此主管地点定位的区PP的损伤呈现为″视觉忽视″的诊断。

在本发明的范围内可以实现所述实施例的许多变型和改进方案。尤其在相应地应用到脑的合适的区上时，可以将本发明采用于诊断所有的神经精神病学的现象，即脑功能作用的所有干扰。

引用文献的清单：

1.Fox，P.T.和Raichele，M.E.著：″在人体中人体传感刺激期间大脑血流和氧化代谢的聚焦生理学的去耦″，美国国家科学院会刊，1986，83卷，1140-1144页。

2.Ogawa S，Lee TM，Nayak AS，Glynn P著：″在高磁场下啮齿动物脑的磁共振图像中的充氧敏感的反差″，磁共振医学，1990，卷14，68-78页。

3.Usher，M.和Niebur，E.著：″在视觉搜索中模拟IT神经元的时间动力学：一种自顶向下选择性注意力的机理″，认知神经科学杂志，311-327页(1996)。

4.Deco，G.和Obradovic，D.著：″对神经计算的信息理论的近似″，Springer出版社(1996)。

5.Kaster，S.；De Weerd，P.；Desimone，R.和Ungerleider，L.著：″通过功能性MRI展示的在人的异常细条纹皮质中直接注意的机理″；科学杂志282(1998)108-111页。

6.Kaster，S.；Pinsk，M.；De Weerd，P.；Desimone，R.和Ungerleider，L.著：″在缺乏视觉刺激的直接注意期间人视觉皮质中增长的活动″，神经元杂志22(1999)，751-761页。

Claims (11)

1.用于分析处理借助功能性磁共振层析成像所获得脑图像(fMRI图像)的方法，

其特征在于，

a)将神经元网络用于模拟所述的脑活动；

b)在所述的神经元网络中模拟在所述脑中的猜测的干扰(受干扰的神经元网络)；

c)将所述受干扰的神经元网络中所求出的活动，与在所述fMRI图像中观察到的脑活动进行比较；和

e)从所述的比较中推断所述脑中的干扰。

2.按以上权利要求的方法，

其特征在于，

所述的用于模拟脑活动的神经元网络如此来模拟神经元的活动，使得所述神经元网络的多个神经元分别汇总成一个池；并

模拟所述池的活动。

3.按以上权利要求之一的方法，

其特征在于，

所述的用于模拟脑活动的神经元网络如此来模拟所述的脑活动，使得在功能性可区分的区(IT，PP，V4，V1)中进行所述的脑活动。

4.按两个以上权利要求的方法，

其特征在于，

如此来选择所述的区，使得它们分别具有多个池。

5.按权利要求2的方法，

其特征在于，

所述的池彼此处于关于注意力的竞争中；并且

通过至少一个抑制池来调解该竞争，该抑制池对于所述池的活动施加了抑制作用。

6.按以上权利要求之一的方法，

其特征在于，

在视看过程期间分析所述的脑活动；并且

为了分析所摄取的图像所述神经元网络应用子波变换。

7.按权利要求4的方法，

其特征在于，

在视看过程期间分析所述的脑活动；并且

所述神经元网络的区(IT)具有在视野中识别物体的功能，其方式是将该区的池专用到识别各专门的物体上。

8.按权利要求7的方法，

其特征在于，

在视看过程期间分析所述的脑活动；并且

所述神经元网络的区(PP)具有在视野中识别可识别物体的地点的功能，其方式是将该区的池专用到视野中专门地点上的物体的定位上。

9.按权利要求7的方法，

其特征在于，

如此来构成所述的神经元网络，使得可以提高对于某个要识别物体的，或对于某个要定位物体的注意力。

10.用于分析处理借助功能性磁共振层析成像所获得脑图像(fMRI图像)的装置

a)具有用于模拟所述脑活动的神经元网络；

b)具有用于在所述神经元网络(受干扰神经元网络)中模拟在所述脑中的猜测的干扰的装置；

c)具有用于将在所述受干扰神经元网络中所求出的活动与在所述fMRI图像中观察到的脑活动进行比较的装置；和

d)具有用于从所述的比较中推断所述脑中干扰的装置。

11.用于分析处理借助功能性磁共振层析成像所获得脑图像(fMRI图像)的装置

a)具有用于生成病人的脑fMRI图像的装置；和

b)具有用于按以上权利要求来分析处理所述fMRI图像的装置。

Images