一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法技术

本发明专利技术公开了一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法，该方法充分利用脑结构和功能之间的关系及蚁群算法易于进行信息融合的特点。通过将脑结构信息和功能信息融于蚁群算法搜索脑效应连接网络中，旨在获得更符合大脑生理结构的脑效应连接网络。具体包括以下步骤：对两组磁共振数据进行预处理，选取相同的感兴趣区域；利用DTI数据获取感兴趣区域的结构约束信息，并使用结构信息来压缩蚁群搜索的空间，以避免蚁群的许多不必要的搜索；然后在蚁群随机搜索中通过将结构信息融合于启发函数中，以增强蚂蚁搜索的目的性，改进算法的优化效率；最后蚁群算法通过迭代搜索，寻找与fMRI数据最匹配的脑效应连接网络。本方法准确地识别脑效应连接网络。

【技术实现步骤摘要】
一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法
本专利技术涉及fMRI功能磁共振成像数据和DTI弥散张量成像数据的脑效应连接网络构建方法，特别是一种基于多模态信息融合的蚁群学习方法。
技术介绍
磁共振成像(magneticresonanceimaging，MRI)，是一种具有空间分辨率高，组织对比度高的医学影像技术。其中结构磁共振成像(structuremagneticresonanceimaging，sMRI)、磁共振弥散张量成像(diffusiontensorimaging，DTI)、功能磁共振成像(functionalmagneticresonanceimaging，fMRI)等多模态磁共振影像技术能够无创伤性地从灰质、白质纤维、基于血液氧合水平等不同方面获取人脑的结构和功能连接信息，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数据构建的脑功能网络和DTI数据构建的脑结构网络，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。脑功能网络的连接主要包括功能连接和效应连接两种描述。其中，脑效应连接网络是一种由节点和有向边构成的图模型，其中节点表示脑区，有向边刻画了一个脑区施加于另一个脑区神经活动的因果效应，而与边相关的连接参数表示边的连接强度。由于脑效应连接网络的识别是评价正常脑功能及其与神经退化疾病(如阿尔兹海默病、帕金森病等精神疾病)相关损伤的有效手段，所以成为目前人脑连接组研究中的一项重要研究课题。目前效应连接网络学习方法主要分为两类，一类是模型驱动方法，一类是数据驱动方法。模型驱动方法包括：结构方程建模(structuralequationmodeling,SEM)和动态因果模型(dynamiccausalmodeling,DCM)等。这类方法依赖于先验知识和特定的假设，一般适用于模型参数已知和小规模脑效应连接网络构建。数据驱动方法包括：格兰杰因果模型(Grangercausalitymapping,Granger)、线性非高斯无环模型(Linearnon-Gaussianacyclicmodel,LiNGAM)、广义同步(Generalisedsynchronization，GenSynch)等。然而这些方法目前都存在一定局限性，例如，格兰杰因果方法需要满足一个前提条件，即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(BayesianNetwork,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。已有一些贝叶斯网方法被成功应用于脑效应连接网络的学习，如贪婪等价类搜索(greedyequivalencesearch，GES)，独立多采样贪婪等价类搜索(independentmultisamplegreedyequivalencesearch，iMaGES)等。然而这些方法使用贪婪的搜索方式进行搜索，往往容易陷入局部最优而影响学习效果。与此同时，多模态磁共振成像数据融合已成为目前神经影像学中一个新的研究方向。许多研究已经表明脑结构和功能是密不可分的，结构是功能的基础，功能是结构的表征，结构和功能具有密切的联系。对许多神经精神疾病的研究也表明，病人大脑结构的异常往往伴随着相应的功能弱化。因此使用多模态磁共振数据，可以从结构-功能不同的角度诠释大脑的运行机理。但是，如何有效地利用多模态磁共振成像研究神经、精神疾病的影像学标记尚缺乏系统性的研究。针对上述问题，本专利技术利用贝叶斯网方法作为基础框架，使用融合多模态信息(fMRI和DTI)的蚁群优化算法进行有效搜索，旨在获得更符合脑生理结构的效应连接网络结构。
技术实现思路
针对现有脑效应网络构建方法的不足及多模态磁共振数据融合技术带来的新方法和新挑战。本专利技术提出一种用于从fMRI数据和DTI数据中构建脑效应连接网络的蚁群方法。该方法充分利用脑结构和功能之间的关系及蚁群算法易于进行信息融合的特点。通过将脑结构信息和功能信息融于蚁群算法搜索脑效应连接网络中，旨在获得更符合大脑生理结构的脑效应连接网络。实现本专利技术的主要思路是：从fMRI数据中获取功能连接信息，从DTI数据中获得结构连接信息；使用结构信息对蚁群算法搜索空间进行压缩，并将结构信息加入到蚁群启发信息更新过程中；蚁群算法在结构信息的约束下从功能信息数据中构建脑效应连接网络；对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。分析在多模态数据下构建脑效应连接网络与单模态下的差异和原因，并用真实数据进行检验。本专利技术采用的技术方案为一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法，该方法包括以下步骤：步骤1数据获取：首先为了验证本方法的有效性，使用一种仿真数据生成方法，生成一组匹配的仿真fMRI数据和DTI数据，生成的仿真数据由于已知标准网络结构，因此用于检测算法有效性，衡量算法的性能。然后使用真实采集的配套fMRI和DTI数据，进行真实脑效应连接网络构建。步骤2数据预处理：真实fMRI数据预处理使用统计参数图软件包(SPM12)来实现。真实DTI数据预处理使用FSL工具或DSIstudio软件实现。步骤3选取感兴趣区域ROI：采用AAL模板，共包含90个脑区。然后分别提取这90个脑区的结构信息和功能信息，这里的结构信息为脑区的各向异性分数值(Farctionalanisotropy,FA)，功能信息为脑区的体素值(Voxels)，最终获得的90个脑区FA值和体素值。步骤4使用结构信息构建约束网络：根据获得的90个脑区FA值，对其求皮尔森相关，获得90×90的皮尔森相关矩阵。根据已有多模态研究表明，结构对功能有约束作用，因此将此相关矩阵作为效应连接网络的初始解。此约束网络限制掉了许多连接，降低算法搜索空间。步骤5使用结构信息计算新启发函数：原始蚁群算法中，启发函数为增加边后的评分增益。将结构信息引入启发函数，指导算法搜索优秀解。步骤6使用蚁群算法搜索与fMRI数据最匹配的脑效应连接网络：具体包括以下几个步骤：初始化参数；初始化种群规模，根据步骤4的结果初始化启发信息及信息素；每只蚂蚁迭代搜索寻找K2评分更高的网络结构，当网络评分无法增加时，该蚂蚁则停止搜索过程，并在所走路径下留下信息素。之后下一代蚂蚁继续搜索，直到连续10代蚂蚁搜索到相同的网络结构时，停止蚁群算法，输出当前网络，即获得的最优网络。最终得到的这个最优网络结构就是本次运行中从fMRI数据中学习到的效应连接网络。步骤7结果分析：对于学得的脑效应连接网络结构(有向无环图)，节点表示脑区(ROI)，有向弧为脑区之间的效应连接。将本方法与一些单模态方法在仿真数据上进行比较，验证方法有效性。在真实数据中，使用AAL模板对比AD病人与正常人的脑效应连接网络，通过分析网络模式差异，寻找患病的可能因素。与现有技术相比，本专利技术具有以下明显的优势和有益效果；(1)本专利技术提出了一种多模态磁共振融合方法，可以将结构信息与功能信息结合，学习脑效应连接网络。(2)本专利技术应用蚁群算法融合DTI结构信息和f本文档来自技高网...

【技术保护点】
1.一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法，其特征在于：该方法包括以下步骤，步骤1数据获取：首先为了验证本方法的有效性，使用一种仿真数据生成方法，生成一组匹配的仿真fMRI数据和DTI数据，生成的仿真数据由于已知标准网络结构，因此用于检测算法有效性，衡量算法的性能；然后使用真实采集的配套fMRI和DTI数据，进行真实脑效应连接网络构建；步骤2数据预处理：真实fMRI数据预处理使用统计参数图软件包实现；真实DTI数据预处理使用FSL工具或DSI studio软件实现；步骤3选取感兴趣区域ROI：采用AAL模板，共包含90个脑区；然后分别提取这90个脑区的结构信息和功能信息，这里的结构信息为脑区的各向异性分数值FA，功能信息为脑区的体素值。步骤4使用结构信息构建约束网络：根据获得的90个脑区FA值，对其求皮尔森相关，获得90×90的皮尔森相关矩阵；步骤5使用结构信息计算新启发函数：原始蚁群算法中，启发函数为增加边后的评分增益；将结构信息引入启发函数，指导算法搜索优秀解；步骤6使用蚁群算法搜索与fMRI数据最匹配的脑效应连接网络：具体包括以下几个步骤：初始化参数；初始化种群规模，根据步骤4的结果初始化启发信息及信息素；每只蚂蚁迭代搜索寻找K2评分更高的网络结构，当网络评分无法增加时，该蚂蚁则停止搜索过程，并在所走路径下留下信息素；之后下一代蚂蚁继续搜索，直到连续10代蚂蚁搜索到相同的网络结构时，停止蚁群算法，输出当前网络，即获得的最优网络；最终得到的这个最优网络结构就是本次运行中从fMRI数据中学习到的效应连接网络；步骤7结果分析：对于学得的脑效应连接网络结构，节点表示脑区ROI，有向弧为脑区之间的效应连接。...

【技术特征摘要】
1.一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法，其特征在于：该方法包括以下步骤，步骤1数据获取：首先为了验证本方法的有效性，使用一种仿真数据生成方法，生成一组匹配的仿真fMRI数据和DTI数据，生成的仿真数据由于已知标准网络结构，因此用于检测算法有效性，衡量算法的性能；然后使用真实采集的配套fMRI和DTI数据，进行真实脑效应连接网络构建；步骤2数据预处理：真实fMRI数据预处理使用统计参数图软件包实现；真实DTI数据预处理使用FSL工具或DSIstudio软件实现；步骤3选取感兴趣区域ROI：采用AAL模板，共包含90个脑区；然后分别提取这90个脑区的结构信息和功能信息，这里的结构信息为脑区的各向异性分数值FA，功能信息为脑区的体素值。步骤4使用结构信息构建约束网络：根据获得的90个脑区FA值，对其求皮尔森相关，获得90×90的皮尔森相关矩阵；步骤5使用结构信息计算新启发函数：原始蚁群算法中，启发函数为增加边后的评分增益；将结构信息引入启发函数，指导算法搜索优秀解；步骤6使用蚁群算法搜索与fMRI数据最匹配的脑效应连接网络：具体包括以下几个步骤：初始化参数；初始化种群规模，根据步骤4的结果初始化启发信息及信息素；每只蚂蚁迭代搜索寻找K2评分更高的网络结构，当网络评分无法增加时，该蚂蚁则停止搜索过程，并在所走路径下留下信息素；之后下一代蚂蚁继续搜索，直到连续10代蚂蚁搜索到相同的网络结构时，停止蚁群算法，输出当前网络，即获得的最优网络；最终得到的这个最优网络结构就是本次运行中从fMRI数据中学习到的效应连接网络；步骤7结果分析：对于学得的脑效应连接网络结构，节点表示脑区ROI，有向弧为脑区之间的效应连接。2.根据权利要求1所述的一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法，其特征在于：步骤1：数据获取；首先为了验证本方法的有效性，使用一种仿真数据生成方法，生成了一组匹配的仿真fMRI数据和DTI数据；使用DCM模型生成仿真fMRI数据，模型如下：zt+1＝σAzt+Cu(1)其中{zt}为神经序列，t为当前时刻，A为标准网络矩阵，σ为衰减系数，C为控制矩阵，u为含高斯噪声的外部输入。3.根据权利要求1所述的一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法，其特征在于：步骤2数据预处理；fMRI数据预处理：预处理操作使用统计参数图SPM软件完成，包括：时间校正、头动校正、空间标准化，数据重采样，高斯平滑；DTI数据预处理：预处理操作使用DSIStudio软件完成，包括:设置大脑模板，纤维束重建，纤维束可视化，纤维束追踪。4.根据权利要求1所述的一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法，其特征在于：步骤3选取感兴趣区域；所采用的仿真数据集使用的ROI共有6个区域，但这6个区域并不具有实际的意义；同样地，与之匹配的DTI数据也含有6个感兴趣区域，这些区域也不具实际意义；对于真实数据，选取的感兴趣区域使用最常用的自动解剖标记板获得大脑的90个皮层及皮层下脑区；对fMRI数据而言，提取90个脑区中每个脑区(ROI)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；针对DTI数据，根据纤维束追踪的结果，获取这90个脑区中每个脑区平均的白质纤维部分各向异性值FA。5.根据权利要求1所述的一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法，其特征在于：步骤4使用结构信息构建约束网络：基于FA值，利用下式计算每对脑区间i和j的皮尔森相关系数r(Xi,Xj)：式中，n...

【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