一种用于从fMRI数据中构建脑效应连接网络的人工免疫方法技术

一种用于从fMRI数据中构建效应连接网络的人工免疫方法，在生物免疫系统的基础上，提出一种与fMRI数据相结合的人工免疫系统，可以用于对大脑效应连接网络的构建；具体包括以下步骤：实验设计，采用静息态实验，进行功能磁共振扫描；fMRI数据获取，在尽量降低头动和其他误差的情况下，扫描获得fMRI图像数据；预处理，采用统计的方法对数据进行预处理，去除部分外界因素带来的误差和噪声；选择感兴趣区域，选择与研究相关的脑区；使用人工免疫系统优化贝叶斯网结构学习的方法构建效应连接网络，通过网络结构学习寻找与fMRI数据集匹配的效应连接网络；分析，对构建的网络进行分析，发掘网络结构所揭露的生物特性。

【技术实现步骤摘要】

本专利技术涉及fMRI功能磁共振成像数据的脑效应网络构建方法，特别是一种基于 人工免疫系统的贝叶斯网结构学习方法。
技术介绍
功能磁共振成像技术（functionalmageneticresonanceimaging,fMRI)是一种 基于磁共振成像的、非介入的、无创伤且非常有效的脑功能成像技术。由于它具有可靠的理 论基础、良好的时空分辨率等诸多特性，为认知神经科学的实验研究提供了有利条件，同时 又在病理学研究方面具有很重要的临床意义，拥有着广泛的应用前景和重要科学价值。特 别是通过分析fMRI数据构建的脑网络，可以帮助了解复杂的人类大脑的运作，并为理解精 神病和神经性疾病，如早老性痴呆和帕金森病，精神分裂症，上瘾，和抑郁症等提供帮助。 脑网络的研究主要是对脑区节点进行连接性分析。现阶段连接性分析主要包括功 能连接分析和效应连接分析。功能连接是空间上远离的神经生理事件或神经单元活动在时 间上的关联性和统计依赖性，效应连接是指一个神经系统对另一个神经系统直接或间接的 影响，关注时间先后的因果效应，刻画了神经单元之间相互作用的方向性。由于效应连接可 以描述大脑网络信息传输的方向性，它已经成为当代认知科学领域的一个热门话题。 通常对效应连接的刻画需要特定的解析模型，目前已有多种建模方法被提出用来 刻画脑区之间的效应连接。例如：结构方程建模（structuralequationmodeling,SEM)、 动态因果模型（dynamiccausalmodeling,DCM)、格兰杰因果模型（Grangercausality mapping,Granger)、贝叶斯网（BayesianNetwork,BN)等。目前在功能性磁共振成像 (fMRI)技术的效应连接研究中，结构方程模型（SEM)和动态因果建模（DCM)是模式驱动方 法，它们依赖于先验知识和特定的假设，因此不适用于对大脑网络进行试探性研究。格兰杰 因果关系映射方法（Granger)采用向量自回归模型来构建脑区之间的效应连接。向量自回 归模型（VAR模型）通过VAR系数矩阵表征时间对区域之间连通性的影响，当时间序列的维 数过高，或者脑区网络过大时，VAR模型将面临很大挑战。而且进行格兰杰因果关系检验的 一个前提条件是时间序列必须具有平稳性，否则可能会出现虚假回归问题。贝叶斯网方法 (BN)也是一种数据驱动方法，它可以推断给定条件下随机变量的依赖关系，而且在功能连 接上推断比较准确。因此本专利技术通过利用贝叶斯网方法的优势，旨在获得够好的效应连接 网络结构。 从数据集中自动学习到贝叶斯网的结构有两类方法：基于约束满足的方法和基于 评分搜索的方法。基于约束满足的方法（也称依赖分析或者基于条件独立性测试的方法）， BN被看做是变量间的独立性关系的图结构。该方法先通过计算节点间的互信息（Mutual Information,MI)和条件独立性测试（ConditionalIndependencetest,CI)来找出数据 集D中各个变量间的条件独立性关系，在寻找和这些条件独立性断言一致的网络模型。这 种方法其问题在于，互信息和独立性测试的计算代价较大，且高阶独立性测试结果通常不 是很可靠。另外，在数据缺失时，基于约束满足的方法并不适用，因为不能从数据集中直接 求得两点之间的互信息。基于评分搜索的方法，主要是采用某种评分准则作为衡量网络模 型和给定数据集的符合程度，从而找出当前评分意义上评分值最高的网络模型，即找出后 验概率最大的网络。这种方法当变量比较多时，搜索空间很大，一些启发式搜索方法易陷入 局部最优。本专利技术所采用的是一种评分搜索的贝叶斯网结构学习方法。通过人工免疫系统 多样性产生和维持机制来保持种群的多样性，克服了一般寻优过程易陷入局部最优而出现 早熟收敛的问题，获得高质量的网络。
技术实现思路
针对上述脑效应网络构建方法的不足，本专利技术提出一种用于从fMRI数据中构建 脑效应连接网络的人工免疫方法。该方法充分利用了贝叶斯网方法的优势，并利用免疫系 统的多样性产生和维持机制来保持种群的多样性，克服了一般寻优过程易陷入局部最优而 出现早熟收敛的问题，使得最终获得的最优网络结构更加贴近fMRI数据所反映的脑效应 连接网络。 实现本专利技术的主要思路是：获取静息态fMRI数据；使用SPM8对数据进行预处理； 选取与脑网络构建相关的感兴趣区域；通过人工免疫系统优化贝叶斯网结构学习方法，针 对提取的感兴趣区域进行脑效应连接网络的构建；对每个受试者的脑效应连接网络进行分 析，揭示网络连接所表示的生物学意义，使用组分析的方法，构建具有一般性的脑效应连接 网络，反映人脑网络连接的普遍性规律。 -种用于从fMRI数据中构建脑效应连接网络的人工免疫方法包括以下步骤：(步骤1)实验设计；由于为了揭露人脑连接性的一般性规律，实验采用静息态实 验，因为静息态的数据容易采集，且无任何干扰因素容易进行比较。 (步骤2)fMRI数据获取；为了将本方法与现有的脑效应连接网络构建方法进行对 比，除了使用对受试者进行磁共振扫描所获的真实数据以外，还选用了一组来自"Network modellingmethodsforFMRI〃(Smithetal.，2011)的仿真数据集。因为真实的数据所构 建的网络并没有统一的标准来衡量，所以选用一组的仿真数据集来进行对比试验，验证本 方法的有效性。(步骤3)fMRI数据预处理；数据预处理的作用是去除原数据的误差和干扰。数据 预处理首先使用统计参数图软件包来实现。为避免磁共振机器每个session启动时的匀场 效应及受试者初入环境的不适应可能对结果造成一定影响，删除每个被试每个session前 四幅功能图像，随后进行层间时间校正、头动校正（去除头部三维平移和三维旋转角度过 多的数据），然后进行空间标准化，（高斯）平滑。 (步骤4)选取感兴趣区域（R0I);由于fMRI数据具有高维的特点，直接使用全脑 时间序列数据，数据量会很大。因此，在使用fMRI数据时，通常都需要对图像进行降维。降 维的方法有很多，如平均值代表点法，感兴趣区域（R0I)，脑模板区域（AV0I)等。R0I与模 板等方法相比，可以自由的选取与自己实验相关的大脑区域，因此可操作性强。选用默认网 络（DMN)作为感兴趣区域，因为通常在个体清醒静息的状态，不专注于外界时，默认网络活 动就很明显。因此默认网络作为静息态实验的感兴趣区域会有很好的效果和实际意义。对 于仿真fMRI数据而言，选取了具有10个感兴趣区域的数据集。随后，继续使用SPM软件， 将所有被试的脑功能影像数据映射到选取的感兴趣区域位置，提取每个脑区内所有体素的 时间序列，并做平均，获得每个脑区的平均BOLD信号，然后对信号进行带通滤波处理以消 除低频漂移和高频噪音的影响，至此图像数据已转化成构建网络所需要的时间序列数据。(步骤5)使用人工免疫系统构建网络；包括以下几个步骤：初始化参数；产生初 始抗体群，随机产生n个抗体并从记忆库中选取m个抗体构成初始群体；亲和度计算，对 初始种群进行亲和度计算，亲和度计算的方法采用K2评分，通过评分的好坏来反映网络和 fMRI数据匹配的程度；执行免疫选择操作，按照亲和度计算的结果，选取亲和本文档来自技高网...

【技术保护点】
一种用于从fMRI数据中构建脑效应连接网络的人工免疫方法，该方法充分利用了贝叶斯网方法的优势。并利用免疫系统的多样性产生和维持机制来保持种群的多样性，克服了一般寻优过程易陷入局部最优而出现早熟收敛的问题，使得最终获得的最优网络结构更加贴近fMRI数据所反映的脑效应连接网络；该方法的过程为：获取静息态fMRI数据；使用SPM8对数据进行预处理；选取与脑网络构建相关的感兴趣区域；通过人工免疫系统优化贝叶斯网结构学习方法，针对提取的感兴趣区域进行脑效应连接网络的构建；对每个受试者的脑效应连接网络进行分析，揭示网络连接所表示的生物学意义，构建具有一般性的脑效应连接网络，反映人脑网络连接的普遍性规律；其特征在于：该方法包括以下步骤：步骤1)实验设计；由于为了揭露人脑连接性的一般性规律，实验采用静息态实验；步骤2)fMRI数据获取；为了将本方法与现有的脑效应连接网络构建方法进行对比，除了使用对受试者进行磁共振扫描所获的真实数据以外，还选用了一组仿真数据集；因为真实的数据所构建的网络并没有统一的标准来衡量，所以选用一组的仿真数据集来进行对比实验，以此进行方法的对比，验证本方法的有效性；步骤3)fMRI数据预处理；数据预处理的作用是去除原数据的误差和干扰；数据预处理首先使用统计参数图软件包来实现；为避免磁共振机器每个session启动时的匀场效应及受试者初入环境的不适应可能对结果造成一定影响，删除每个被试每个session前四幅功能图像，随后进行层间时间校正、头动校正，然后进行空间标准化、高斯平滑；步骤4)选取感兴趣区域；由于fMRI数据具有高维的特点，直接使用全脑时间序列数据，数据量会很大；本方法在真实fMRI数据部分,选用默认网络(DMN)作为感兴趣区域；因为通常在个体清醒静息的状态，不专注于外界时，默认模式网络就会活动；因此默认网络作为静息态实验的感兴趣区域会有很好的效果和实际意义；对于仿真fMRI数据部分，本方法选取了具有10个感兴趣区域的数据集；随后，继续使用SPM软件，将所有被试的脑功能影像数据映射到选取的感兴趣区域位置，提取每个脑区内所有体素的时间序列，并做平均，获得每个脑区的平均BOLD信号，然后对信号进行带通滤波处理以消除低频漂移和高频噪音的影响，至此图像数据已转化成构建网络所需要的时间序列数据；步骤5)使用人工免疫系统构建网络；包括以下几个步骤:初始化参数；产生初始抗体群，随机产生n个抗体并从记忆库中选取m个抗体构成初始群体；亲和度计算，对初始种群进行亲和度计算，亲和度计算的方法采用K2评分，通过评分的好坏来反映网络和fMRI数据匹配的程度；执行免疫选择操作，按照亲和度计算的结果，选取亲和度较高的a个抗体；执行克隆操作，对之前免疫选择的a个抗体进行克隆，克隆的规模由原抗体数和选择的个体数共同决定；执行交叉变异操作，通过交叉运算，形成新的种群，并对新形成的种群进行变异运算；执行克隆抑制操作，为避免种群的冗余，保持结构的多样性，将相同的抗体删除，直到抗体浓度为1即相同的抗体只保留一个；种群更新，选取当前最好的抗体，直到迭代结束，输出最优抗体即最优网络结构；最终得到的最优抗体的网络结构就是从fMRI数据中学习到的效应连接网络；步骤6)网络结构分析；对于学得的网络结构，节点表示脑区，边表示一个脑区对另一个脑区直接或间接的影响，关注时间先后的因果效应，刻画了神经单元之间相互作用的方向性；选取的是默认网络中的PCC、LIPL、RIPL、MPFC作为感兴趣区域，通过观察区域之间的连接性，发现静息态下默认网络中子网络的相互影响关系。...

【技术特征摘要】

【专利技术属性】
技术研发人员：冀俊忠，刘金铎，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11