本發明專利技術針對現有大腦網絡構建方法中節點選取方法的不足提出融合圖像體素及先驗腦圖譜劃分的大腦網絡構建方法，包括對功能磁共振成像數據的預處理，基于圖像體素構建初步大腦網絡，在初步大腦網絡的基礎上基于先驗腦圖譜構建最終大腦網絡。本發明專利技術將現有技術中兩種節點選取方法進行融合，在圖像體素的基礎上尋找度值較大的節點，利用Talairach腦區定位軟件在先驗腦圖譜的基礎上篩選節點，以篩選出的節點為圓心畫半徑為6毫米的球體作為大腦網絡的核心節點，根據核心節點及求得的大腦網絡的邊確定最終的大腦網絡。本發明專利技術能全面細致的刻畫大腦功能網絡，將網絡的核心節點在大腦空間中可視化的同時，實現清晰的觀測腦區之間連接模式的功能。
【技術實現步驟摘要】
本專利技術涉及腦功能成像領域以及大腦網絡的構建領域，具體是一種來構建人體大腦網絡，為認知大腦內部的工作機制，研究大腦內部的神經活動規律以及重大神經科學問題提供拓樸圖像依據。
技術介紹
人腦可以看作由多個神經元、神經元集群或者多個腦區相互連接成的一個高度復雜的網絡，這個龐大而復雜的網絡是大腦進行信息處理和認知表達的生理基礎。一些神經科學家充分認識到構建人腦網絡的重要性后，提出人腦連接組(humanconnectome)的概念。人腦連接組力圖從宏觀(大腦腦區)到微觀(單個神經元)的各層次上全面而精細的刻畫人類從總體到個體水平的大腦網絡圖譜，并進一步挖掘該網絡的連接規律。構建大腦網絡關鍵的兩步一是如何定義網絡節點，二是如何定義網絡節點間的連接(邊)。近年來,基于圖論的復雜網絡理論(Graph Theory Analysis)的發展為人腦連接組的研究提供了必要的工具和分析方法。其中，基于功能磁共振成像數據構建大腦網絡時，網絡節點的選取十分重要并直接影響最終網絡模型的精確性。目前對大腦網絡節點的選取普遍采用兩種方式將圖像體素或由先驗腦圖譜劃分得到的大腦區域看作大腦網絡的節點。將圖像體素看作網絡節點時，通常是基于功能磁共振成像預處理后的數據集，把圖像中的每個體素點作為大腦網絡中的節點。這樣選取節點的優點是能夠全面、細致的刻畫腦網絡，精確定位出特定解剖結構中的核心節點，并且可以將核心節點在大腦空間中可視化。但是如果采取這樣的網絡節點定義方式，可能在某一包含圖像體素較多的腦區內部由于局部體素自相關過多而導致“偽核心節點”的產生；同時將每個體素看作網絡節點時網絡中包含上千或上萬的節點，不利于觀測整個網絡的連接模式。利用先驗腦圖譜劃分得到的大腦區域作為網絡節點時，最常用的是AAL大腦解剖圖譜(可參見 Tzourio-Mazoyer N, Landeau B, Papathanassiou D, Crivello F,Etard 0, etal. (2002)Automated anatomical labeling of activations in SPM usinga macroscopicanatomical parcellation of the MNI MRI single-subject brain.Neuro image 15 :273-289.)，該圖譜將大腦分成90個獨立的腦區，研究者在構建大腦網絡時通常將每個大腦區域看作大腦網絡的一個節點；除此之外，也可以按照其它的解剖結構劃分方式將大腦分割成一定數目的腦區。這樣選取節點的優點是所構建出的大腦網絡節點意義相對明確，網絡可視化強，能夠清楚的觀測網絡中點與點之間的連接模式。但是，由于根據解剖結構得到的腦區與腦區之間的邊界不好確定，并且每個腦區中所包含的圖像體素個數可以從十幾到幾千，這樣就導致網絡中節點的分割方式相對粗糙，包含體素較多的節點的腦區也更容易產生邊的連接，影響最終網絡模型的精確性。因此，在構建大腦網絡時節點的選取方式需要改進。
技術實現思路
本專利技術的目的在于克服上述現有技術中存在的大腦網絡節點選取方式的不足之處，從而提出了一種改進的節點選取方法來構建大腦網絡，即。為了實現本專利技術的目的，本專利技術采取的技術方案是將現有技術中圖像體素和先驗腦圖譜兩種節點選取方法進行融合并將圖像體素或先驗腦圖譜看作大腦網絡的節點，在圖像體素的基礎上尋找度值較大的節點，初步大腦網絡，然后利用Talairach腦區定位軟件在先驗腦圖譜的基礎上篩選節點，并以篩選出的節點為圓心畫半徑為6毫米的球體作為大腦網絡中的核心節點，在初步大腦網絡的基礎上基于先驗腦圖譜構建最終的大腦網絡，其步驟包括:步驟1:利用磁共振成像手段獲取大腦信號數據并對獲取的數據進行預處理，采用SPM5統計參數圖分析軟件對數據進行預處理，具體操作如下:(1.1)采用最小二乘法對采集到的大腦信號數據進行頭動校正；(1.2)對校正后的數據利用仿射變換將平均圖像配準到標準模板，并將體素進行重切；(1.3)采用帶通濾波器對配準重切后的數據進行濾波，以去除噪聲；(1.4)對濾波后的數據進行線性回歸，去除白質、腦脊液和被試實驗過程中頭動產生的影響；步驟2:基于圖像體素構建初步的大腦網絡，具體操作如下:(2.1)將大腦圖 像中的圖像體素定義為大腦網絡中的節點；(2.2)在一系列稀疏度中尋找臨界值S ,在尋找臨界值S 的過程中，同時也在利用如下公式計算大腦網絡中實際存在的邊數:S% =(H)其中，M表示大腦網絡中實際存在的邊，N為大腦網絡中節點的個數，!表示2大腦網絡中最大可能存在的邊數；尋找臨界值S 的具體操作按如下步驟:(2.2.1)提取(2.1)步驟中每一個體素點的時間序列，將每兩個體素點的時間序列進行相關得到每兩個體素點之間的皮爾森相關系數ru，將皮爾森相關系數取絕對值得到IruI ;皮爾森相關系數代表第i個體素點和第j個體素點之間的相關性，的值介于-1和I之間，當-1彡riJ ( 0時表示第i個體素點和第j個體素點之間是負相關，當I ^ ^ 0時表示第i個體素點和第j個體素點之間是正相關；I riJ I的值越大表示第i個體素點和第j個體素點之間的相關性越高；(2.2.2)根據節點總數N建立N*N的零矩陣，將每兩點之間的皮爾森相關系數ru填入對應的零矩陣中，得到對稱矩陣，定義該對稱矩陣為相關系數矩陣；(2.2.3)選擇一系列稀疏度值，根據公式(1-1)計算每一稀疏度下的M值，即網絡中保留的實際邊數，將M值四舍五入取整；(2.2.4)將相關系數矩陣的上三角矩陣中所有的IrijI按降序排列，計算每一稀疏度S%下M值的IruI值定義為Γ臨界，建立與(2.2.2)步驟中相關系數矩陣大小相同的零矩陣，稱該矩陣為鄰接矩陣，找出相關系數矩陣中所有|ru|彡r| 的位置，將鄰接矩陣中對應Irij彡rlls#的位置置1，然后將對角線位置置O，鄰接矩陣中值為I的位置表示兩個節點之間有連接，即網絡中兩個節點之間存在邊，值為O則表示兩個節點之間沒有連接，即網絡中的兩個節點間沒有邊；(2.2.5)在所選的每個稀疏度下計算所有節點的度值，節點i的度值Cli定義為與該點直接相連的邊數，節點的度值越大則該節點的連接邊越多，節點在網絡中的地位也就越重要；(2.2.6)統計度值不等于零的節點數目K，得到比例K/N，將第一個K/N = I時所對應的稀疏度s%定義為S用于保證網絡處于全連接狀態，同時最大程度減少網絡中隨機產生的邊的數目；(2.3)根據(2.1)步驟中的節點以及(2.2.4)步驟中的邊確定初步的大腦網絡；步驟3:在初步大腦網絡的基礎上基于先驗腦圖譜構建最終的大腦網絡，具體操作如下:(3.1)尋找最終大腦網絡的核心節點，具體操作包括；(3.1.1)優化初步大腦網絡中的節點，在稀疏度下尋找度值較大的節點，去除一部分不重要的節點；(3.1.2)利用Talairach腦區定位軟件,將優化后的節點坐標和Talairach腦區定位軟件中腦圖譜劃分的腦區進行對比篩選，若一個腦區中只包含一個節點，則保留該節點；若一個腦區中包含多個節點，則保留其中度值最大的節點，即保留該腦區中最重要的節占.(3.1.3)分別以(3.1.2)步驟中保留節點的坐標為圓心，在大腦本文檔來自技高網...
【技術保護點】
融合圖像體素及先驗腦圖譜劃分的大腦網絡構建方法，其特征在于，基于圖像體素構建初步的大腦網絡，在初步大腦網絡的基礎上基于先驗腦圖譜構建最終的大腦網絡，具體操作步驟如下：步驟1：利用磁共振成像手段獲取大腦信號數據并對獲取的數據進行預處理，采用SPM5統計參數圖分析軟件對數據進行預處理，具體操作如下：(1.1)采用最小二乘法對采集到的大腦信號數據進行頭動校正；(1.2)對校正后的數據利用仿射變換將平均圖像配準到標準模板，并將體素進行重切；(1.3)采用帶通濾波器對配準重切后的數據進行濾波，以去除噪聲；(1.4)對濾波后的數據進行線性回歸，去除白質、腦脊液和被試實驗過程中頭動產生的影響；步驟2：基于圖像體素構建初步的大腦網絡，具體操作如下：(2.1)將大腦圖像中的圖像體素定義為大腦網絡中的節點；(2.2)在一系列稀疏度S％中尋找臨界值S臨界％，在尋找臨界值S臨界％的過程中，同時也在利用如下公式計算大腦網絡中實際存在的邊數：S%=M/N(N-1)2---(1-1)其中，M表示大腦網絡中實際存在的邊，N為大腦網絡中節點的個數，表示大腦網絡中最大可能存在的邊數；尋找臨界值S臨界％的具體操作步驟如下：(2.2.1)提取(2.1)步驟中每一個體素點的時間序列，將每兩個體素點的時間序列進行相關得到每兩個體素點之間的皮爾森相關系數rij，將皮爾森相關系數rij取絕對值得到|rij|；皮爾森相關系數rij代表第i個體素點和第j個體素點之間的相關性，rij的值介于?1和1之間，當?1≤rij≤0時表示第i個體素點和第j個體素點之間是負相關，當l≥rij≥0時表示第i個體素點和第j個體素點之間是正相關；|rij|的值越大表示第i個體素點和第j個體素點之間的相關性越高；(2.2.2)根據大腦網絡節點總數N建立N*N的零矩陣，將每兩點之間的皮爾森相關系數rij填入對應的零矩陣中，得到對稱矩陣，定義該對稱矩陣為相關系數矩陣；(2.2.3)選擇一系列稀疏度值，根據公式(1?1)計算每一稀疏度下的M值，M表示大腦網絡中實際存在的邊數，將M值四舍五入取整；(2.2.4)將相關系數矩陣的上三角矩陣中所有的|rij|按降序排列，計算每一稀疏度S％下M值的|rij|值定義為r臨界，建立與(2.2.2)步驟中相關系數矩陣大小相同的零矩陣，稱該矩陣為鄰接矩陣，找出相關系數矩陣中所有|rij|≥r臨界的位置，將鄰接矩陣中對應|rij|≥r臨界的位置置1，然后將對角線位置置0，鄰接矩陣中值為1的位置表示兩個節點之間有連接，即網絡中兩個節點之間存在邊，值為0則表示兩個節點之間沒有連接，即網絡中的兩個節點間沒有邊；(2.2.5)在所選的每個稀疏度下計算所有節點的度值，節點i的度值di定義為與該點直接相連的邊數，節點的度值越大則該節點的連接邊越多，節點在網絡中的地位也就越重要；(2.2.6)統計度值不等于零的節點數目K，得到比例K/N，將第一個K/N＝1時所對應的稀疏度S％定義為S臨界％，S臨界％用于保證網絡處于全連接狀態，同時最大程度減少網絡中隨機產生的邊的數目；(2.3)根據(2.1)步驟中的節點以及(2.2.4)步驟中的邊確定初步的大腦網絡；步驟3：在初步大腦網絡的基礎上基于先驗腦圖譜構建最終的大腦網絡，具體操作如下：(3.1)尋找最終大腦網絡的核心節點，具體操作包括；(3.1.1)優化初步大腦網絡中的節點，在稀疏度S臨界％下尋找度值較大的節點，去除一部分不重要的節點；(3.1.2)利用Talairach腦區定位軟件，將優化后的節點坐標和Talairach腦區定位軟件中腦圖譜劃分的腦區進行對比篩選，若一個腦區中只包含一個節點，則保留該節點；若一個腦區中包含多個節點，則保留其中度值最大的節點，即保留該腦區中最重要的節點；(3.1.3)分別以(3.1.2)步驟中保留節點的坐標為圓心，在大腦空間中畫半徑 為6毫米的球，去掉得到球體內白質，腦脊液的體素，即去除噪聲，以保證腦區功能一致性，當畫出的球有兩個或多個存在重疊部分時，將重疊部分從每個球體內去除，然后將每個球體看作一個腦區；(3.1.4)將(3.1.3)步驟中得到的腦區看作大腦網絡中的核心節點，計算核心節點總數N核心，所保留的核心節點為最終大腦網絡的網絡節點；(3.2)構建大腦網絡的邊即網絡節點間的連接，具體操作如下：(3.2.1)提取每個核心節點的時間序列，將每兩個核心節點的時間序列進行相關得到每兩個核心節點之間的皮爾森相關系數Rij，將皮爾森相關系數Rij取絕對值得到|Rij|；(3.2.2)根據核心節點總數N核心建立N核心*...
【技術特征摘要】
1.融合圖像體素及先驗腦圖譜劃分的大腦網絡構建方法，其特征在于，基于圖像體素構建初步的大腦網絡，在初步大腦網絡的基礎上基于先驗腦圖譜構建最終的大腦網絡，具體操作步驟如下: 步驟1:利用磁共振成像手段獲取大腦信號數據并對獲取的數據進行預處理，采用SPM5統計參數圖分析軟件對數據進行預處理，具體操作如下: (1.D采用最小二乘法對采集到的大腦信號數據進行頭動校正； (1.2)對校正后的數據利用仿射變換將平均圖像配準到標準模板，并將體素進行重切； (1.3)采用帶通濾波器對配準重切后的數據進行濾波，以去除噪聲； (1.4)對濾波后的數據進行線性回歸，去除白質、腦脊液和被試實驗過程中頭動產生的影響； 步驟2:基于圖像體素構建初步的大腦網絡，具體操作如下: (2.1)將大腦圖像中的圖像體素定義為大腦網絡中的節點； (2.2)在一系列稀...
【專利技術屬性】
技術研發人員：劉繼欣，秦偉，李靜，李國英，熊詩威，南姣芬，田捷，
申請(專利權)人：西安電子科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。