一种fMRI脑激活数据仓库的建立方法技术

本发明专利技术公开了一种fMRI脑激活数据仓库的建立方法，包括以下步骤：FMRI数据仓库模型的建立方法；基于FMRI数据仓库模型的挖掘功能设计。由于本发明专利技术引入了新技术，对数据进行二次分析、处理和整合从而发现新的规律，揭示脑高级活动的深层机制，使目前散乱的脑功能成像数据和结果得到有序化运用。随着数据仓库不断发展与完善，其服务也应该突破管理和决策的范围，延伸向其他领域。面对脑功能成像研究的新需求，数据仓库的许多功能如：数据深层挖掘、多维分析和动态查询等，都可以作为强有力的工具，为其提供全新的方法。

Method for establishing fMRI brain activation data warehouse

The invention discloses a method for establishing a fMRI brain activation data warehouse, comprising the following steps: establishing a FMRI data warehouse model and designing a mining function based on a FMRI data warehouse model. The invention introduces new technology, two times of analysis, data processing and integration to the discovery of new rules, reveal the deep mechanism of brain activity, the scattered brain imaging data and results obtained by ordering. With the continuous development and perfection of data warehouse, its service should break through the scope of management and decision, and extend to other fields. Facing the new demand of brain functional imaging research, many functions of data warehouse, such as data deep mining, multidimensional analysis and dynamic query, can be used as powerful tools to provide new methods for them.

【技术实现步骤摘要】

本专利技术涉及一种基于fMRI脑激活数据仓库模型，特别是这种模型的建立方法,属于医学图像处理领域。
技术介绍
科学表明人脑处于不同功能状态时脑区的激活部位是不同的。对于这一点，传统的研究主要集中在神经心理学领域，即研究各种原因所致脑局部性损伤病人的生理、心理及行为变化。针对上述情况，由此产生了一种非入侵脑功能成像技术，即功能磁共振成像（FMRI）。我们通过探测区域磁共振信号的改变就可以研究人脑的认知活动及功能定位。利用FMRI方法定性观察一定刺激下脑功能对应的皮层活动区域，获得的空间分辨率可达到1mm以下，明显高于正电子发射断层图（PbT）等传统脑成像方法。因此，FMRI在神经科学，认知心理学，临床应用等研究等领域都得到越来越广泛的应用。因此，FMRI极大增强了我们进行脑研究的能力，近年来已经广泛应用于感知觉、运动控制和语言认知等脑功能研究。虽然SPM已经为实验提供了大量的数据和结果，但随着脑科学研究的不断深入，对数据的挖掘不断产生了新的需求，SPM已经无法完全满足脑科学研究的需要。本世纪80年代中期首次提出的“数据仓库”的概念是WilliamH.Inmon先生在其《建立数据仓库》一书中定义的。他认为：数据仓库是在管理和决策中面向主题的、集成的、与时间相关的、不可修改的数据集合。但是随着数据仓库不断发展与完善，其服务也应该突破管理和决策的范围，延伸向其他领域。面对脑功能成像研究的新需求，当前主要使用的SMP技术已经不能满足科学研究的需要，我们在数据仓库的基础上，根据预先设定的实施方式，把数据仓库与FMRI技术进行一次结合，这种方法虽然部分解决了科学研究需要大量数据的问题，但是随着社会的进步、技术的发展以及数据的大量化，必然会使这种技术不断地更新与升级。
技术实现思路
为解决现有技术存在的上述问题，本专利技术要设计一种基于FMRI的数据仓库设计及分析方法。为了实现上述目的，本专利技术的技术方案如下：A、fMRI数据仓库的建立A1、建立fMRI数据仓库的基本框架，如图1所示。首先把脑功能成像的实验数据DICOM文件，清洗和抽取到数据库中，并把数据库作为数据仓库的数据源，再定义和处理OLAP，最后将得到的各种结果，转换成其它脑功能成像数据处理软件（如SPM和MRIcro）可识别的格式，进行进一步的结合分析。为了使数据仓库有高度可扩展性，我们对数据仓库的多维数据集采用分布式分区设计。如图2所示，四次实验的数据集及其四个分区是在分析服务器1上定义的。分区的数据源分别存储在不同计算机上，但实验1、2和4的聚合数据存储在分析服务器1中，而实验3的数据源是作为远程分区定义的，它的聚合数据存储在分析服务器2上，因此它即可以与实验1、2和4一起分析，还可以单独分析。A2、进行数据抽取。我们选择两类数据源录入数据库：我们选取标准化后的中间数据作为反映大脑在试验中强度变化的数据。第二类是统计结果数据，例如选择t检验的结果数据，即t值，并在之前事先确定一个显著性检验水准P（如0.01或0.05）并以此对每一点的统计量进行显著性假设检验，高于t检验拒绝域的t值才能录入。A3、将引入维度和事实表，包括了被测试人员维、测试方式维、脑区域维、脑坐标维、实验时间序列维。被测试人员维，它代表被测试人员的维度；测试方式维，代表实验内容的不同；脑区域维，代表了脑部的几十分区域，根据树形结构对其进行进一步处理，如图3，把“额叶”分为“额叶1”和“额叶2”两部分，“额叶1”为属于左脑中的部分，“额叶2”为属于右脑中的部分；脑坐标维，代表脑的三维空间立体坐标，X、Y和Z轴，三个维度存储在同一张维度表中，将坐标点按照三维数组的存储顺序编号，这样每一个点（x，y，z）都对应一个坐标编号；实验时间序列维，代表实验中每一帧扫描的时刻，实验开始时是第0时刻，而后维度上的每一格代表一帧扫描的时间。事实表包括了基于体素点统计信息和强度信息的两个标准星型模型，如图4。第一种度量值为体素点在整个实验中不同时刻的信号强度，即抽取的标准化后的数据值。第二种度量值为统计后的结果数据，如t检验的值。B、基于FMRI数据仓库模型的挖掘功能设计B1、数据处理。主要是将实验数据进一步的运算处理，使其更符合在对数据进行分析的需求。B2、数据分析与挖掘。该模块的功能是对处理完毕的数据进一步提取、然后进行再处理、分析及图表显示。B3、SPMt文件挖掘。在SPM中使用t检验来表示象素点的信号在功能性控制和任务间发生变化的差异。通常描述一幅结果数据需要几十万个体素点。本部分就是对SPM产生的t文件（基于t检验产生的结果文件），进行分析和察看，弥补其他软件对t文件分析的繁琐性等缺点。总之，明确把握了如何把数据仓库的相关技术应用于脑科学研究领域，对所有体素点的准确定量和精确定位分析。该方法可以对统计中超过置信水平的点几千甚至上万个体素聚集到一起分析。该方法已经应用于大连理工大学神经信息研究所的“汉语认知”神经信息学研究中。同时，也可为其它科研领域应用数据仓库提供借鉴。今后我们还有很多计划，以期望数据仓库技术在脑科学研究中发挥更大的作用。与现有技术相比，本专利技术具有以下有益效果：1、本专利技术把数据仓库原理融入到FMRI技术中，由于数据仓库有高度的可扩展性，方便研究中所需的数据能大量提取与存储。2、由于本专利技术将从整体上把握FMRI数据仓库模型的构造，使各个部分衔接成熟，让结构化问题进行逻辑化表示。3、本专利技术把数据仓库的相关技术应用于脑科学研究领域，可以对所有体素点进行准确定量和精确定位分析，还可以对统计中超过置信水平的点几千甚至上万个体素聚集到一起分析，这让脑科学研究的发展更加严谨。附图说明本专利技术共有附图4张，其中：图1是数据结构总体框架。图2是本专利技术的四分区多维数据集示意图。图3是脑区域结构图；其中(a)为脑区域属性关系例图，(b)为脑区域维处理方案例图，(c)为实际系统中的脑区结构例图。图4是基于体素点统计信息（左）和强度信息（右）的星型模型。具体实施方式如图1至图4所示，首先把脑功能成像的实验数据DICOM文件，清洗和抽取到数据库中，并把数据库作为数据仓库的数据源。然后是定义和处理OLAP，它使数据仓库能够快速响应重复而复杂的实验数据分析查询。管理单元为定义、访问和管理OLAP，生成并处理多维数据集等功能提供一个通用的框架和用户界面，而且它也提供了几种数据挖掘模型.同时，通过API和开放构架，可以方便的通过编程来扩展对实验数据的浏览、计算和挖掘等功能。最后，还可以将得到的各种结果，转换成其它脑功能成像数据处理软件（如SPM和MRIcro）可识别的格式，以便与他们结合分析。在数据分析挖掘阶段，对于一个固定体素点或固定区域，y=bold（x0,y0,z0,n）函数曲线的变化趋势反映了该点或区域在整个FMRI实验过程中信号的变化情况。显然，取不同的点或区域将得出不同的函数曲线。研究中可以通过比较不同区域的bold（x,y,z,n）函数曲线来识别出功能本文档来自技高网...

【技术保护点】
一种fMRI脑激活数据仓库的建立方法，其特征在于：包括以下步骤：A、fMRI数据仓库的建立A1、建立fMRI数据仓库的基本框架，如图1所示，首先把脑功能成像的实验数据DICOM文件，清洗和抽取到数据库中，并把数据库作为数据仓库的数据源，再定义和处理OLAP，最后将得到的各种结果，转换成其它脑功能成像数据处理软件可识别的格式，进行进一步的结合分析，为了使数据仓库有高度可扩展性，我们对数据仓库的多维数据集采用分布式分区设计，如图2所示，四次实验的数据集及其四个分区是在分析服务器1上定义的，分区的数据源分别存储在不同计算机上，但实验1、2和4的聚合数据存储在分析服务器1中，而实验3的数据源是作为远程分区定义的，它的聚合数据存储在分析服务器2上，因此它即可以与实验1、2和4一起分析，还可以单独分析，A2、进行数据抽取，我们选择两类数据源录入数据库：我们选取标准化后的中间数据作为反映大脑在试验中强度变化的数据，第二类是统计结果数据，例如选择t检验的结果数据，即t值，并在之前事先确定一个显著性检验水准P并以此对每一点的统计量进行显著性假设检验，高于t检验拒绝域的t值才能录入，A3、将引入维度和事实表，包括了被测试人员维、测试方式维、脑区域维、脑坐标维、实验时间序列维，被测试人员维，它代表被测试人员的维度；测试方式维，代表实验内容的不同；脑区域维，代表了脑部的几十分区域，根据树形结构对其进行进一步处理，如图3，把“额叶”分为“额叶1”和“额叶2”两部分，“额叶1”为属于左脑中的部分，“额叶2”为属于右脑中的部分；脑坐标维，代表脑的三维空间立体坐标，X、Y和Z轴，三个维度存储在同一张维度表中，将坐标点按照三维数组的存储顺序编号，这样每一个点（x，y，z）都对应一个坐标编号；实验时间序列维，代表实验中每一帧扫描的时刻，实验开始时是第0时刻，而后维度上的每一格代表一帧扫描的时间，事实表包括了基于体素点统计信息和强度信息的两个标准星型模型，如图4，第一种度量值为体素点在整个实验中不同时刻的信号强度，即抽取的标准化后的数据值，第二种度量值为统计后的结果数据，如t检验的值，B、基于FMRI数据仓库模型的挖掘功能设计B1、数据处理，主要是将实验数据进一步的运算处理，使其更符合在对数据进行分析的需求，B2、数据分析与挖掘，该模块的功能是对处理完毕的数据进一步提取、然后进行再处理、分析及图表显示，B3、SPMt文件挖掘，在SPM中使用t检验来表示象素点的信号在功能性控制和任务间发生变化的差异，通常描述一幅结果数据需要几十万个体素点，本部分就是对SPM产生的t文件，进行分析和察看，弥补其他软件对t文件分析的繁琐性等缺点。...

【技术特征摘要】
1.一种fMRI脑激活数据仓库的建立方法，其特征在于：包括以下步骤：
A、fMRI数据仓库的建立
A1、建立fMRI数据仓库的基本框架，如图1所示，首先把脑功能成像的
实验数据DICOM文件，清洗和抽取到数据库中，并把数据库作为数据仓库的数
据源，再定义和处理OLAP，最后将得到的各种结果，转换成其它脑功能成像数
据处理软件可识别的格式，进行进一步的结合分析，
为了使数据仓库有高度可扩展性，我们对数据仓库的多维数据集采用分布
式分区设计，如图2所示，四次实验的数据集及其四个分区是在分析服务器1
上定义的，分区的数据源分别存储在不同计算机上，但实验1、2和4的聚合数
据存储在分析服务器1中，而实验3的数据源是作为远程分区定义的，它的聚
合数据存储在分析服务器2上，因此它即可以与实验1、2和4一起分析，还可
以单独分析，
A2、进行数据抽取，我们选择两类数据源录入数据库：我们选取标准化后
的中间数据作为反映大脑在试验中强度变化的数据，第二类是统计结果数据，
例如选择t检验的结果数据，即t值，并在之前事先确定一个显著性检验水准P
并以此对每一点的统计量进行显著性假设检验，高于t检验拒绝域的t值才能录
入，
A3、将引入维度和事实表，包括了被测试人员维、测试方式维、脑区域维、
脑坐标维、实验时间序列维，
被测试人员维，它代表被测试人员的维度；测试方式维...

【专利技术属性】
技术研发人员：李聪慧，王秀坤，
申请(专利权)人：大连灵动科技发展有限公司，
类型：发明
国别省市：辽宁;21