JP2022536881A - ｆＭＲＩ脳ネットワークメカニズムに触発される動的機能モード学習方法 - Google Patents
ｆＭＲＩ脳ネットワークメカニズムに触発される動的機能モード学習方法 Download PDFInfo
- Publication number
- JP2022536881A JP2022536881A JP2021500628A JP2021500628A JP2022536881A JP 2022536881 A JP2022536881 A JP 2022536881A JP 2021500628 A JP2021500628 A JP 2021500628A JP 2021500628 A JP2021500628 A JP 2021500628A JP 2022536881 A JP2022536881 A JP 2022536881A
- Authority
- JP
- Japan
- Prior art keywords
- brain
- network
- resting
- fmri
- dynamic functional
- 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.)
- Pending
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 111
- 238000002599 functional magnetic resonance imaging Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000007246 mechanism Effects 0.000 title claims abstract description 17
- 230000000284 resting effect Effects 0.000 claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 6
- 230000003925 brain function Effects 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000002610 neuroimaging Methods 0.000 claims description 11
- 230000002123 temporal effect Effects 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 230000003936 working memory Effects 0.000 claims description 2
- 230000001149 cognitive effect Effects 0.000 abstract description 6
- 230000006378 damage Effects 0.000 abstract description 4
- 208000019736 Cranial nerve disease Diseases 0.000 abstract description 3
- 230000008521 reorganization Effects 0.000 abstract description 3
- 239000007787 solid Substances 0.000 abstract 1
- 238000012880 independent component analysis Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000001537 neural effect Effects 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 description 2
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 description 2
- 206010003805 Autism Diseases 0.000 description 2
- 208000020706 Autistic disease Diseases 0.000 description 2
- 208000018737 Parkinson disease Diseases 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000004641 brain development Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 201000000980 schizophrenia Diseases 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 210000003792 cranial nerve Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本発明によれば、複数の被験者の安静時ｆＭＲＩ脳画像データを収集することと、安静時ｆＭＲＩ脳画像データに対して前処理操作を行うことと、前処理後の安静時ｆＭＲＩ脳画像データに基づいて、ＧＩＣＡ－ＩＲ方法を採用して、グループレベル及び個体レベルの安静時脳機能ネットワーク及びそれらに対応する時系列をそれぞれ取得することと、スライド時間窓方法を使用して、各被験者に対応する安静時脳機能ネットワーク間の動的機能接続行列を計算し、その上三角要素を動的機能接続ベクトルに展開することにより、すべての被験者に対応する動的機能接続ベクトル集合を取得することと、ディープニューラルネットワークモデル及びアフィン伝播クラスタリングアルゴリズムを利用して、動的機能接続ベクトル集合に暗に含まれた脳固有の動的機能接続モードを抽出することと、を含むｆＭＲＩ脳ネットワークメカニズムに触発される動的機能モード学習方法が開示される。本発明は、脳の認知活動の基本原理及び脳神経疾患の損傷メカニズムの開示並びに職業脳可塑性再編の特徴の探索などに強固な基盤を提供することができる。【選択図】図１
Description
本発明は、脳画像診断画像処理の技術分野に関し、特に、ｆＭＲＩ脳ネットワークメカニズムに触発される動的機能モード学習方法に関するものである。
脳は、人体の最も重要な器官であり、人間の思考、意識、感情、記憶などの様々な認知行動を制御し、人間が高度な認知機能活動を実現するための中枢神経系であり、人間がこれまでに知っている最も複雑で洗練されたシステムの一つでもある。如何に脳を認識し、脳の神経活動の認知メカニズムを探索するかは、国内外の科学界が突破し探索するように努める重要な分野であり、非常に重要な研究価値を有する。
近年、科学技術の継続的な発展に伴い、脳機能画像技術は、現在の脳科学の分野で最も関心のある高い研究ホットスポット及び最前線方向の一つになっている。ここで、機能的磁気共鳴画像技術（ｆｕｎｃｔｉｏｎａｌ Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ、ｆＭＲＩ）は、機能、解剖及び画像の三つの側面の情報を組み合わせているため、脳機能活性化領域の部位、大きさ及び範囲を表示することができるだけでなく、活性化領域の正確な解剖学的位置を直接表示することもでき、無侵襲、無外傷、無放射、再現可能、正確な位置決め可能、高い時間的及び空間的解像度など、多くの優れた特性を有するため、各分野の脳科学研究で広く適用されている。
ｆＭＲＩに基づく脳機能ネットワーク接続分析は、当該技術を利用した脳科学研究の重要な内容である。脳は、常に動的に変化する非常に複雑なシステムであるため、時間に伴う脳機能接続モードの動的変化を定量的に説明することは、脳の神経活動の本質により合致し、脳ネットワークの基本的な属性を探索するためにより豊富な情報を提供することができる。したがって、動的脳機能ネットワーク接続分析方法を改善し発展させ、ｆＭＲＩ脳ネットワーク間の動的機能接続モードを介して脳の動的特性を探求することは、重要な意義を有し、ｆＭＲＩ信号に暗に含まれた内在情報を効果的に掘り出すことができるだけでなく、脳神経活動の法則をよりよく開示し、重要な役割が果たされるようにｆＭＲＩ技術を促進することもできる。しかしながら、現在の動的脳機能ネットワーク接続分析方法には、脳ネットワーク構築及び動的脳機能モード抽出などの側面でいくつかの鍵となる問題が存在しており、さらに体系的に解決する必要がある。
上記に基づいて、本発明は、ｆＭＲＩ神経画像技術を利用して脳画像ビッグデータを取得する場合、脳ネットワークメカニズム間の属性特徴を最大限に活用し、データの真の参照信号に基づくグループ独立成分分析（ｇｒｏｕｐ ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ ｗｉｔｈ ｉｎｔｒｉｎｓｉｃ ｒｅｆｅｒｅｎｃｅ、ＧＩＣＡ－ＩＲ）及びスライド時間窓分析並びにディープニューラルネットワークモデル及びアフィン伝搬クラスタリングアルゴリズムなどの方法を採用することにより、生体人間の脳の全脳動的機能接続モードを解析することを目的とする。それにより、脳の認知活動の基本原理（例えば、脳の発達、脳の老化など）及び脳神経疾患の損傷メカニズム（例えば、自閉症、小児ＡＤＨＤ、うつ病、統合失調症、アルツハイマー病、パーキンソン病など）の開示並びに職業脳可塑性再編の特徴（例えば、船員、パイロットなど）の探索などに強固な基盤を提供することができる。
本発明の目的は、ＧＩＣＡ－ＩＲ方法により、ｆＭＲＩ脳画像データにおける関心のあるグループレベル及び個体レベルの安静時脳機能ネットワーク及びそれらに対応する時系列を抽出し、それからスライド時間窓方法を採用して各グループのデータにおけるこれらの脳ネットワーク間に対応する動的機能接続行列を算出し、最後にディープニューラルネットワークモデル及びアフィン伝播クラスタリングアルゴリズムを使用して動的機能接続ベクトル集合に対してクラスタ分析を行い、人間の脳に固有の動的脳機能接続モードを抽出するｆＭＲＩ脳ネットワークメカニズムに触発される動的機能接続モード学習方法を提供することにある。
上記目的を達成するために、本発明は以下の技術的手段によって実現される。
ｆＭＲＩ脳ネットワークメカニズムに触発される動的機能モード学習方法は、
複数の被験者の安静時ｆＭＲＩ脳画像データを収集するステップＳ１と、
前処理後の安静時ｆＭＲＩ脳画像データが得られるように、ステップＳ１において収集された前記安静時ｆＭＲＩ脳画像データに対して前処理操作を行うステップＳ２と、
ステップＳ２における前記前処理後の安静時ｆＭＲＩ脳画像データに基づいて、ＧＩＣＡ－ＩＲ方法を採用して、グループレベルの安静時脳機能ネットワーク及びそれに対応する時系列並びに個体レベルの安静時脳機能ネットワーク及びそれに対応する時系列をそれぞれ取得するステップＳ３と、
スライド時間窓方法を使用して、各被験者に対応する前記安静時脳機能ネットワーク間の動的機能接続行列を計算し、その上三角要素を動的機能接続ベクトルに展開することにより、すべての被験者に対応する動的機能接続ベクトル集合を取得するステップＳ４と、
ディープニューラルネットワークモデル及びアフィン伝播クラスタリングアルゴリズムを利用して、前記動的機能接続ベクトル集合に暗に含まれた脳固有の動的機能接続モードを抽出するステップＳ５と、を含む。
複数の被験者の安静時ｆＭＲＩ脳画像データを収集するステップＳ１と、
前処理後の安静時ｆＭＲＩ脳画像データが得られるように、ステップＳ１において収集された前記安静時ｆＭＲＩ脳画像データに対して前処理操作を行うステップＳ２と、
ステップＳ２における前記前処理後の安静時ｆＭＲＩ脳画像データに基づいて、ＧＩＣＡ－ＩＲ方法を採用して、グループレベルの安静時脳機能ネットワーク及びそれに対応する時系列並びに個体レベルの安静時脳機能ネットワーク及びそれに対応する時系列をそれぞれ取得するステップＳ３と、
スライド時間窓方法を使用して、各被験者に対応する前記安静時脳機能ネットワーク間の動的機能接続行列を計算し、その上三角要素を動的機能接続ベクトルに展開することにより、すべての被験者に対応する動的機能接続ベクトル集合を取得するステップＳ４と、
ディープニューラルネットワークモデル及びアフィン伝播クラスタリングアルゴリズムを利用して、前記動的機能接続ベクトル集合に暗に含まれた脳固有の動的機能接続モードを抽出するステップＳ５と、を含む。
好ましくは、前記ステップＳ１において、被験者は、データ収集中に脳を覚醒状態に保ちつつ、磁気共鳴装置内に横になっている。
好ましくは、前記ステップＳ２において、前記前処理操作は、時間層校正、頭部運動矯正、空間標準化、空間平滑化、フィルタリング、線形ドリフト除去及び共変量回帰を含む。
好ましくは、すべての前処理操作は、いずれもＤＰＡＲＳＦソフトウェアによって完了する。
好ましくは、前記ステップＳ３において、個体レベルの安静時脳機能ネットワーク及びそれに対応する時系列は、グループレベルの安静時脳機能ネットワーク及びそれに対応する時系列に基づくとともに時空間重回帰によって取得される。
好ましくは、前記ステップＳ３におけるＧＩＣＡ－ＩＲ方法は、
前記前処理後の安静時ｆＭＲＩ脳画像データに基づいて、被験者ごとにＩＣＡ分析を個別に行うとともに、主成分分析方法を利用して、関心のある脳機能ネットワークに対応する被験者の独立成分によって構成された行列から暗に含まれた真の参照信号を抽出するプロセスと、
前記真の参照信号を利用して、グループレベルにおけるＩＣＡによるｆＭＲＩ脳画像データ分析を指示し、グループレベルの安静時脳機能ネットワーク及びその時系列を算出するプロセスと、
算出されたグループレベルの安静時脳機能ネットワーク及びその時系列に基づいて、グループにおける各被験者に対応する個体レベルの安静時脳機能ネットワーク及びその時系列を時空間重回帰によって取得するプロセスと、をさらに含む。
前記前処理後の安静時ｆＭＲＩ脳画像データに基づいて、被験者ごとにＩＣＡ分析を個別に行うとともに、主成分分析方法を利用して、関心のある脳機能ネットワークに対応する被験者の独立成分によって構成された行列から暗に含まれた真の参照信号を抽出するプロセスと、
前記真の参照信号を利用して、グループレベルにおけるＩＣＡによるｆＭＲＩ脳画像データ分析を指示し、グループレベルの安静時脳機能ネットワーク及びその時系列を算出するプロセスと、
算出されたグループレベルの安静時脳機能ネットワーク及びその時系列に基づいて、グループにおける各被験者に対応する個体レベルの安静時脳機能ネットワーク及びその時系列を時空間重回帰によって取得するプロセスと、をさらに含む。
好ましくは、各被験者の安静時ｆＭＲＩ脳画像データが前処理操作後にＴ個の時点及びＶ個のボクセルを含むＫ人の被験者の安静時ｆＭＲＩ脳画像データが収集されたと設定し、
前記ステップＳ３におけるＧＩＣＡ－ＩＲ方法は、
被験者ごとにＩＣＡ分析を個別に行い、被験者ｉの場合、ＩＣＡ分解は、次のように示され、
前記ステップＳ３におけるＧＩＣＡ－ＩＲ方法は、
被験者ごとにＩＣＡ分析を個別に行い、被験者ｉの場合、ＩＣＡ分解は、次のように示され、
すなわち、
ステップＳ３．１において取得された真の参照信号を利用して、グループレベルにおけるＩＣＡによるｆＭＲＩ脳画像データ分析を指示し、以下のように時間カスケード接続を採用してグループ分析を行い、
制約付き最適化によって式（３）をさらに解き、
ステップＳ３．２において算出されたグループレベルの安静時脳機能ネットワーク及びその時系列に基づいて、次の式が得られるように、時空間重回帰によってグループにおける各被験者に対応する個体レベルの安静時脳機能ネットワーク及びその時系列を取得し、
好ましくは、前記ステップＳ３において、前処理後の安静時ｆＭＲＩ脳画像データに基づいて、ＧＩＣＡ－ＩＲを使用して、デフォルトネットワーク、視覚ネットワーク、両側視覚ネットワーク、聴覚ネットワーク、感覚運動ネットワーク、実行制御ネットワーク、強調ネットワーク、ワーキングメモリネットワーク及び注意ネットワークを含む関心のある九つの安静時脳機能ネットワーク及びそれらに対応する時系列を算出し、時空間重回帰によってグループにおける各被験者に対応する脳ネットワーク時空情報を取得する。
好ましくは、前記ステップＳ４は、
ここで、ｉ番目の時間窓における動的機能接続ベクトルは、次のように示されるステップＳ４．２と、をさらに含む。
好ましくは、前記ステップＳ５は、
各サンプルが一人の被験者に対応する動的機能接続ベクトルを表すディープニューラルネットワーク学習サンプルが構成されるようにすべての被験者の動的機能接続ベクトル集合を列ごとに結合し、畳み込みニューラルネットワークモデルを採用して特徴を抽出するステップＳ５．１と、
各カテゴリに対応するクラスタセンタがｆＭＲＩ脳画像データに暗に含まれた対応する動的機能接続モードであるＱ個のカテゴリが取得されるように、アフィン伝播クラスタリングアルゴリズムを採用して、ステップＳ５．１においてディープニューラルネットワークモデルの学習によって取得された特徴サンプルに対してクラスタ分析を行うステップＳ５．２と、をさらに含む。
各サンプルが一人の被験者に対応する動的機能接続ベクトルを表すディープニューラルネットワーク学習サンプルが構成されるようにすべての被験者の動的機能接続ベクトル集合を列ごとに結合し、畳み込みニューラルネットワークモデルを採用して特徴を抽出するステップＳ５．１と、
各カテゴリに対応するクラスタセンタがｆＭＲＩ脳画像データに暗に含まれた対応する動的機能接続モードであるＱ個のカテゴリが取得されるように、アフィン伝播クラスタリングアルゴリズムを採用して、ステップＳ５．１においてディープニューラルネットワークモデルの学習によって取得された特徴サンプルに対してクラスタ分析を行うステップＳ５．２と、をさらに含む。
（１）本発明は、動的脳機能接続分析のための脳ネットワークメカニズム属性特徴を導入することにより、脳ネットワーク動的特性に基づいて暗に含まれた動的機能接続モードを取得するのに役立つ。
（２）本発明は、ＧＩＣＡ－ＩＲ方法及びスライド時間窓分析並びにディープニューラルネットワークモデル及びアフィン伝搬クラスタリングアルゴリズムなどを組み合わせることにより、クラスタリングの精度及び効率が向上する。
（３）本発明によって取得される動的機能接続モードは、脳認知活動の基本原理、脳疾患の神経損傷メカニズム及び職業脳可塑性の生物学的指標のさらなる研究のために分析基盤を提供することができる。
本発明の実施例の目的、技術的手段及び利点をより明確にするために、以下では、本発明の実施例における図面を参照しながら本発明の実施例における技術的手段を明確かつ完全に説明する。
図１及び図２に示すように、本発明は、ｆＭＲＩ脳ネットワークメカニズムに触発される動的機能モード学習する方法を提供し、当該方法は、以下のステップを含む。
Ｓ１では、複数（例えば、１００例）の健常な被験者の安静時ｆＭＲＩ脳画像データを収集する。
前記ステップＳ１において、被験者は、データ収集中に脳を覚醒状態に保ちつつ、磁気共鳴装置内に横になっている必要がある。各被験者のｆＭＲＩデータが収集される時点の数は、２１５である。
Ｓ２では、前処理後の健常な被験者の安静時ｆＭＲＩ脳画像データが得られるように、ステップＳ１において収集された健常な被験者の安静時ｆＭＲＩ脳画像データに対して前処理操作を行う。前記前処理操作は、時間層校正、頭部運動矯正、空間標準化、空間平滑化、フィルタリング、線形ドリフト除去及び共変量回帰の七つのステップを含む。ここで、すべての前処理操作は、いずれもＤＰＡＲＳＦソフトウェア（脳機能画像研究用ソフトウェア）によって完了する。
Ｓ３では、ステップＳ２における前処理後の健常な安静時ｆＭＲＩ脳画像データに基づいて、ＧＩＣＡ－ＩＲ方法を採用して、グループレベルの安静時脳機能ネットワーク及びそれに対応する時系列並びに個体レベルの安静時脳機能ネットワーク及びそれに対応する時系列をそれぞれ取得する。ここで、個体レベル情報（個体レベルの安静時脳機能ネットワーク及びそれに対応する時系列）は、時空間重回帰によって取得される。
Ｓ４では、スライド時間窓方法を使用して、各被験者に対応する上記安静時脳機能ネットワーク間の動的機能接続行列を計算し、その上三角要素を動的機能接続ベクトルに展開することにより、すべての被験者に対応する動的機能接続ベクトル集合を取得する。
Ｓ５では、ディープニューラルネットワークモデル及びアフィン伝播クラスタリングアルゴリズムを利用して、上記動的機能接続ベクトル集合に暗に含まれた脳固有の動的機能接続モードを抽出する。
前記ステップＳ３におけるＧＩＣＡ－ＩＲ方法は、以下のステップを含む。
Ｓ３．１では、各被験者の安静時ｆＭＲＩ脳画像データが前処理操作後にＴ個の時点及びＶ個のボクセルを含むＫ人の被験者の安静時ｆＭＲＩ脳画像データが含まれると仮定する。まず、被験者ごとに独立成分分析（ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ、ＩＣＡ）を個別に行う。被験者ｉの場合、ＩＣＡ分解は、次のように示される。
ここで、ＩＣＡ方法を利用してｆＭＲＩデータを分析する場合、ＩＣＡ分解による出力結果には、一般に多くの独立成分（ここに一体いくつの数Ｎがあるかは、一般に人為的に設定されるか、例えば、最小記述長ＭＤＬなどのある特定の方法に基づいて推定される）が含まれるが、各成分がいずれも意味を持つわけではないため、通常、その中の意味のある成分のみが後続の分析のために選択される。また、ＩＣＡの出力結果における各独立成分は、いずれも一つの脳機能ネットワークに対応しているため、一般に、関心のある脳機能ネットワークを選択することにより、対応する独立成分を特定することになっている。
また、異なる被験者間の独立成分の対応性は、空間相関性によって測定することができる。ここで、成分対応性とは、異なる被験者のＩＣＡ分解によって得られた独立成分間の対応を指す。ＩＣＡの分解結果は無秩序であるため、与えられた脳機能ネットワークについて、異なる被験者では、それらに対応する独立成分は異なる。したがって、異なる被験者における同じ脳機能ネットワークの対応する成分番号を特定するには、それらの間の相関性を計算し、それにより、その中の一人の被験者に対応する脳機能ネットワークの成分番号がわかっている限り、相関係数に基づいて、他の被験者の独立成分において当該脳機能ネットワークに対応するものがどの独立成分かを自動的に特定することができる（すなわち、相関性が最も大きい独立成分に対応する）。
Ｓ３．２では、上記ステップＳ３．１において取得された真の参照信号を利用して、グループレベルにおけるＩＣＡによるｆＭＲＩ脳画像データ分析を指示する。ここにおけるグループ分析（すなわち、グループレベルにおけるｆＭＲＩ脳画像データ分析）は、以下のように時間カスケード接続を採用して行う。
さらに、制約付き最適化によって上記モデル（すなわち、式３）をさらに解く。
Ｓ３．３では、ステップＳ３．２において算出されたグループレベルの安静時脳機能ネットワーク及びその時系列に基づいて、時空間重回帰によってグループにおける各被験者に対応する個体レベルの安静時脳機能ネットワーク及びその時系列を取得し、すなわち、
前記ステップＳ４は、以下のステップをさらに含む。
したがって、
ここで、ｉ番目の時間窓における動的機能接続ベクトルは、次のように示される。
前記ステップＳ５は、以下のステップをさらに含む。
Ｓ５．１では、各サンプルが一人の被験者に対応する動的機能接続ベクトルを表すディープニューラルネットワーク学習サンプルが構成されるようにすべての被験者の動的機能接続ベクトル集合を列ごとに結合し、畳み込みニューラルネットワークモデルを採用して特徴を抽出する。
Ｓ５．２では、各カテゴリに対応するクラスタセンタがｆＭＲＩ脳画像データに暗に含まれた対応する動的機能接続モードであるＱ個のカテゴリが取得されるように、アフィン伝播クラスタリングアルゴリズムを採用して、ステップＳ５．１においてディープニューラルネットワークモデルの学習によって取得された特徴サンプルに対してクラスタ分析を行う。
理解を容易にするために、上記ステップに対して以下のように具体例を示す。
ステップ１では、１００例の健常な被験者の安静時ｆＭＲＩ脳画像データを収集する。ここで、各被験者のｆＭＲＩデータが収集される時点の数（時系列の長さとも呼ばれ、すなわち、ｆＭＲＩデータが収集される時点の数だけ、対応する分析における時系列が長い）は、２１５である。
ステップ２では、収集された安静時ｆＭＲＩ脳画像データに対して前処理操作を行う。
ステップ３では、前処理後の各被験者に対応する安静時ｆＭＲＩデータに基づいて、ＧＩＣＡ－ＩＲ及びスライド時間窓方法を使用して、各被験者の動的機能接続ベクトル集合を取得する。具体的には以下を含む。
ステップ５では、ｆＭＲＩデータに暗に含まれた動的機能接続モードが取得されるように、ディープニューラルネットワークモデル及びアフィン伝播クラスタリングアルゴリズムを使用して、すべての被験者の動的機能接続ベクトル集合に対してクラスタ分析を行う。
上記のように、本発明は、ｆＭＲＩ神経画像技術を利用して脳画像ビッグデータを取得する場合、脳ネットワークメカニズム間の属性特徴を最大限に活用し、データの真の参照信号に基づくグループ独立成分分析（ＧＩＣＡ－ＩＲ）及びスライド時間窓分析並びにディープニューラルネットワークモデル及びアフィン伝搬クラスタリングアルゴリズムなどの方法を採用することにより、生体人間の脳の全脳動的機能接続モードを解析することを目的とする。それにより、脳の認知活動の基本原理（例えば、脳の発達、脳の老化など）及び脳神経疾患の損傷メカニズム（例えば、自閉症、小児ＡＤＨＤ、うつ病、統合失調症、アルツハイマー病、パーキンソン病など）の開示並びに職業脳可塑性再編の特徴（例えば、船員、パイロットなど）の探索などに強固な基盤を提供することができる。
本発明の内容を上記好適実施例によって詳細に説明したが、上記説明は、本発明を限定するものと見なされるべきではないことを認識されたい。当業者が上記内容を読んだ後、本発明に対する様々な修正及び代替は、いずれも明らかになる。したがって、本発明の保護範囲は、添付の特許請求の範囲によって限定されるべきである。
Claims (10)
- ｆＭＲＩ脳ネットワークメカニズムに触発される動的機能モード学習方法であって、
複数の被験者の安静時ｆＭＲＩ脳画像データを収集するステップＳ１と、
前処理後の安静時ｆＭＲＩ脳画像データが得られるように、ステップＳ１において収集された前記安静時ｆＭＲＩ脳画像データに対して前処理操作を行うステップＳ２と、
ステップＳ２における前記前処理後の安静時ｆＭＲＩ脳画像データに基づいて、ＧＩＣＡ－ＩＲ方法を採用して、グループレベルの安静時脳機能ネットワーク及びそれに対応する時系列並びに個体レベルの安静時脳機能ネットワーク及びそれに対応する時系列をそれぞれ取得するステップＳ３と、
スライド時間窓方法を使用して、各被験者に対応する前記安静時脳機能ネットワーク間の動的機能接続行列を計算し、その上三角要素を動的機能接続ベクトルに展開することにより、すべての被験者に対応する動的機能接続ベクトル集合を取得するステップＳ４と、
ディープニューラルネットワークモデル及びアフィン伝播クラスタリングアルゴリズムを利用して、前記動的機能接続ベクトル集合に暗に含まれた脳固有の動的機能接続モードを抽出するステップＳ５と、を含む、
ことを特徴とするｆＭＲＩ脳ネットワークメカニズムに触発される動的機能モード学習方法。 - 前記ステップＳ１において、被験者は、データ収集中に脳を覚醒状態に保ちつつ、磁気共鳴装置内に横になっている、
ことを特徴とする請求項１に記載のｆＭＲＩ脳ネットワークメカニズムに触発される動的機能モード学習方法。 - 前記ステップＳ２において、前記前処理操作は、時間層校正、頭部運動矯正、空間標準化、空間平滑化、フィルタリング、線形ドリフト除去及び共変量回帰を含む、
ことを特徴とする請求項１に記載のｆＭＲＩ脳ネットワークメカニズムに触発される動的機能モード学習方法。 - すべての前処理操作は、いずれもＤＰＡＲＳＦソフトウェアによって完了する、
ことを特徴とする請求項１又は３に記載のｆＭＲＩ脳ネットワークメカニズムに触発される動的機能モード学習方法。 - 前記ステップＳ３において、個体レベルの安静時脳機能ネットワーク及びそれに対応する時系列は、グループレベルの安静時脳機能ネットワーク及びそれに対応する時系列に基づくとともに時空間重回帰によって取得される、
ことを特徴とする請求項１に記載のｆＭＲＩ脳ネットワークメカニズムに触発される動的機能モード学習方法。 - 前記ステップＳ３におけるＧＩＣＡ－ＩＲ方法は、
前記前処理後の安静時ｆＭＲＩ脳画像データに基づいて、被験者ごとにＩＣＡ分析を個別に行うとともに、主成分分析方法を利用して、関心のある脳機能ネットワークに対応する被験者の独立成分によって構成された行列から暗に含まれた真の参照信号を抽出するプロセスと、
前記真の参照信号を利用して、グループレベルにおけるＩＣＡによるｆＭＲＩ脳画像データ分析を指示し、グループレベルの安静時脳機能ネットワーク及びその時系列を算出するプロセスと、
算出されたグループレベルの安静時脳機能ネットワーク及びその時系列に基づいて、グループにおける各被験者に対応する個体レベルの安静時脳機能ネットワーク及びその時系列を時空間重回帰によって取得するプロセスと、をさらに含む、
ことを特徴とする請求項１に記載のｆＭＲＩ脳ネットワークメカニズムに触発される動的機能モード学習方法。 - 各被験者の安静時ｆＭＲＩ脳画像データが前処理操作後にＴ個の時点及びＶ個のボクセルを含むＫ人の被験者の安静時ｆＭＲＩ脳画像データが収集されたと設定し、
前記ステップＳ３におけるＧＩＣＡ－ＩＲ方法は、
被験者ごとにＩＣＡ分析を個別に行い、被験者ｉの場合、ＩＣＡ分解は、次のように示され、
ステップＳ３．１において取得された真の参照信号を利用して、グループレベルにおけるＩＣＡによるｆＭＲＩ脳画像データ分析を指示し、以下のように時間カスケード接続を採用してグループ分析を行い、
ステップＳ３．２において算出されたグループレベルの安静時脳機能ネットワーク及びその時系列に基づいて、次の式が得られるように、時空間重回帰によってグループにおける各被験者に対応する個体レベルの安静時脳機能ネットワーク及びその時系列を取得し、
ことを特徴とする請求項１又は５又は６に記載のｆＭＲＩ脳ネットワークメカニズムに触発される動的機能モード学習方法。 - 前記ステップＳ３において、前処理後の安静時ｆＭＲＩ脳画像データに基づいて、ＧＩＣＡ－ＩＲを使用して、デフォルトネットワーク、視覚ネットワーク、両側視覚ネットワーク、聴覚ネットワーク、感覚運動ネットワーク、実行制御ネットワーク、強調ネットワーク、ワーキングメモリネットワーク及び注意ネットワークを含む関心のある九つの安静時脳機能ネットワーク及びそれらに対応する時系列を算出し、時空間重回帰によってグループにおける各被験者に対応する脳ネットワーク時空情報を取得する、
ことを特徴とする請求項１又は５又は６に記載のｆＭＲＩ脳ネットワークメカニズムに触発される動的機能モード学習方法。 - 前記ステップＳ４は、
ここで、ｉ番目の時間窓における動的機能接続ベクトルは、次のように示されるステップＳ４．２と、をさらに含む、
ことを特徴とする請求項７に記載のｆＭＲＩ脳ネットワークメカニズムに触発される動的機能モード学習方法。 - 前記ステップＳ５は、
各サンプルが一人の被験者に対応する動的機能接続ベクトルを表すディープニューラルネットワーク学習サンプルが構成されるようにすべての被験者の動的機能接続ベクトル集合を列ごとに結合し、畳み込みニューラルネットワークモデルを採用して特徴を抽出するステップＳ５．１と、
各カテゴリに対応するクラスタセンタがｆＭＲＩ脳画像データに暗に含まれた対応する動的機能接続モードであるＱ個のカテゴリが取得されるように、アフィン伝播クラスタリングアルゴリズムを採用して、ステップＳ５．１においてディープニューラルネットワークモデルの学習によって取得された特徴サンプルに対してクラスタ分析を行うステップＳ５．２と、をさらに含む、
ことを特徴とする請求項１に記載のｆＭＲＩ脳ネットワークメカニズムに触発される動的機能モード学習方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910536898.7 | 2019-06-20 | ||
| CN201910536898.7A CN110265148B (zh) | 2019-06-20 | 2019-06-20 | 一种fMRI脑网络机制启发的动态功能模式学习方法 |
| PCT/CN2019/093167 WO2020252805A1 (zh) | 2019-06-20 | 2019-06-27 | 一种fMRI脑网络机制启发的动态功能模式学习方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2022536881A true JP2022536881A (ja) | 2022-08-22 |
Family
ID=67919794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021500628A Pending JP2022536881A (ja) | 2019-06-20 | 2019-06-27 | ｆＭＲＩ脳ネットワークメカニズムに触発される動的機能モード学習方法 |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP2022536881A (ja) |
| CN (1) | CN110265148B (ja) |
| WO (1) | WO2020252805A1 (ja) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110797123B (zh) * | 2019-10-28 | 2023-05-26 | 大连海事大学 | 一种动态脑结构的图卷积神经网络演化方法 |
| CN111259849B (zh) * | 2020-01-22 | 2023-05-12 | 深圳大学 | 一种功能近红外光谱成像静息态脑网络检测方法和装置 |
| CN111402212B (zh) * | 2020-03-04 | 2023-11-14 | 上海海事大学 | 一种海员脑功能网络动态连接活动模式的提取方法 |
| CN112382385A (zh) * | 2020-11-12 | 2021-02-19 | 山东中医药大学 | 一种基于3d卷积神经网络的无先兆偏头痛辅助诊断算法 |
| CN113345572B (zh) * | 2021-05-13 | 2024-03-15 | 东南大学 | 基于荟萃分析的脑疾病判断系统和判断装置 |
| CN113314216B (zh) * | 2021-06-01 | 2022-11-22 | 南方科技大学 | 功能脑网络构建方法、装置、电子设备及可读存储介质 |
| CN114129147A (zh) * | 2021-10-14 | 2022-03-04 | 北京理工大学 | 基于脑功能网络的帕金森患者dbs术后效果预测系统及方法 |
| CN116363404B (zh) * | 2023-03-30 | 2023-11-21 | 哈尔滨工业大学 | 一种识别和量化脑自发活动预测性地图样表征的方法 |
| CN116597994B (zh) * | 2023-05-16 | 2024-05-14 | 天津大学 | 基于脑激活聚类算法的精神疾病脑功能活动测评装置 |
| CN116313131B (zh) * | 2023-05-24 | 2023-09-15 | 山东大学 | 基于仿造变量的脑网络差异识别系统、设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104715241A (zh) * | 2015-03-23 | 2015-06-17 | 南京工业大学 | 一种基于张量分解的fMRI特征提取与识别方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101563153B1 (ko) * | 2013-07-24 | 2015-10-26 | 삼성전자주식회사 | 의료 영상 신호 처리 방법 및 장치 |
| CN104715261A (zh) * | 2015-03-23 | 2015-06-17 | 南京工业大学 | fMRI动态脑功能子网络构建及并联SVM加权识别方法 |
| US20190083805A1 (en) * | 2016-03-28 | 2019-03-21 | The Board Of Trustees Of The Leland Stanford Junior University | Detecting or treating post-traumatic stress syndrome |
| CN106204581B (zh) * | 2016-07-08 | 2019-10-18 | 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 |
| CN106709244B (zh) * | 2016-12-12 | 2019-08-13 | 西北工业大学 | 一种静息态同步EEG-fMRI的脑功能网络建模方法 |
| US10327637B2 (en) * | 2017-06-08 | 2019-06-25 | Fdna Inc. | Systems, methods, and computer-readable media for patient image analysis to identify new diseases |
| CN109316188A (zh) * | 2018-09-30 | 2019-02-12 | 上海海事大学 | 一种偏头痛脑功能连接模式的提取方法 |
-
2019
- 2019-06-20 CN CN201910536898.7A patent/CN110265148B/zh active Active
- 2019-06-27 WO PCT/CN2019/093167 patent/WO2020252805A1/zh active Application Filing
- 2019-06-27 JP JP2021500628A patent/JP2022536881A/ja active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104715241A (zh) * | 2015-03-23 | 2015-06-17 | 南京工业大学 | 一种基于张量分解的fMRI特征提取与识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| SALMAN, S.MUSTAFA ET AL.: "Identifying FMRI dynamic connectivity states using affinity propagation clustering method: Applicati", 2017 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP), JPN6022051221, 19 June 2017 (2017-06-19), US, pages 904 - 908, ISSN: 0004938293 * |
| SHI, YUHU ET AL.: "The Study of Seafarer's Brain Functional Connectivity Before and After Sailling Using fMRI", PROCEEDINGS OF THE 2018 INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND PATTERN RECOGNITION, JPN7022005649, 18 August 2018 (2018-08-18), pages 48 - 51, XP059109655, ISSN: 0004938292, DOI: 10.1145/3268866.3268876 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110265148A (zh) | 2019-09-20 |
| CN110265148B (zh) | 2021-06-01 |
| WO2020252805A1 (zh) | 2020-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2022536881A (ja) | ｆＭＲＩ脳ネットワークメカニズムに触発される動的機能モード学習方法 | |
| CN105395194B (zh) | 一种功能磁共振成像辅助的脑电通道选择方法 | |
| KR102143900B1 (ko) | 사용자 독립적 뇌-컴퓨터 인터페이스 제공 시스템 및 그 방법 | |
| Thirion et al. | Detection of signal synchronizations in resting-state fMRI datasets | |
| WO2019102901A1 (ja) | 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル | |
| US11333730B2 (en) | Systems and methods for mapping neuronal circuitry and clinical applications thereof | |
| 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 | |
| Miller et al. | Higher dimensional analysis shows reduced dynamism of time-varying network connectivity in schizophrenia patients | |
| CN107967686B (zh) | 一种联合动态脑网络和长短时记忆网络的癫痫识别装置 | |
| CN110393525A (zh) | 一种基于深度循环自编码器的大脑活动检测方法 | |
| CN114241240A (zh) | 脑部图像的分类方法、装置、电子设备及存储介质 | |
| Zhao et al. | Two-stage spatial temporal deep learning framework for functional brain network modeling | |
| CN112162634A (zh) | 一种基于seeg信号的数字输入脑机接口系统 | |
| CN112861629B (zh) | 一种多窗口判别典型模式匹配方法及脑-机接口应用 | |
| Aljobouri | Independent Component Analysis with Functional Neuroscience Data Analysis | |
| CN116386845A (zh) | 基于卷积神经网络和面部动态视频的精神分裂症诊断系统 | |
| CN116226625A (zh) | 一种瞬态共激活模式分析方法及系统 | |
| CN109241996A (zh) | 一种基于梯度表征相似性和Searchlight的FMRI脑影像分析方法 | |
| KR102356471B1 (ko) | 뇌-컴퓨터 인터페이스 기반 기억력 향상 방법 및 서버 | |
| CN111329446B (zh) | 大脑视觉通路对面孔空间频率处理的视觉刺激系统及方法 | |
| KR20150026083A (ko) | 뇌파 영상 분석 장치 | |
| KR102096357B1 (ko) | 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치 및 방법, 상기 방법을 수행하기 위한 기록 매체 | |
| JP2001037733A (ja) | 脳機能計測システム | |
| CN104462149B (zh) | 一种图像处理方法及图像处理装置 | |
| Miller et al. | Higher dimensional fMRI connectivity dynamics show reduced dynamism in schizophrenia patients |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210121 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220124 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221206 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230418 |