一种针对青少年孤独症的大脑结构网络模型分析方法技术

本发明专利技术公开一种针对青少年孤独症的大脑结构网络模型分析方法，包括：大脑结构网络模型构建：通过对大脑结构像原始数据预处理、脑区分割、大脑结构网络节点与边的定义以及二值化处理，构建大脑结构网络模型；置换检验：检验孤独症患者组和正常对照组被试样本的有效性；大脑结构网络模型分析：对孤独症患者组和正常对照组的大脑结构网络模型进行复杂网络属性对比分析。本发明专利技术利用各脑区的结构像灰质体积构建大脑结构网络模型，通过对孤独症患者组和正常对照组大脑结构网络模型的复杂网络属性对比分析更加全面准确地对孤独症患者的大脑结构网络进行分析研究，为孤独症、网络成瘾、吸烟成瘾、网络游戏成瘾及认知等健康领域提供了研究方向。

An analysis method of brain structure network model for adolescent autism

The invention discloses a brain structure network model analysis method for adolescent autism, which includes: brain structure network model construction: brain structure network model is constructed by preprocessing the original data of brain structure, brain region segmentation, definition of brain structure network nodes and edges and binary processing; displacement test: to test whether the autism patients group and the normal control group are Validity of the test sample; analysis of the brain structure network model: a comparative analysis of the complex network attributes of the brain structure network model of the autistic group and the normal control group. The invention constructs brain structure network model by using the structure like gray matter volume of each brain area, and analyzes and researches the brain structure network of autistic patients more comprehensively and accurately by comparing and analyzing the complex network attributes of brain structure network model of autistic patients and normal control group, which is a health leader of autism, Internet addiction, smoking addiction, Internet game addiction and cognition Domain provides research direction.

【技术实现步骤摘要】
一种针对青少年孤独症的大脑结构网络模型分析方法
本专利技术属于医学图像处理与分析、孤独症、网络成瘾、吸烟成瘾、网络游戏成瘾及认知等健康
，尤其涉及一种针对青少年孤独症的大脑结构网络模型分析方法。
技术介绍
青少年孤独症是在儿童群体中常见的广泛发育障碍的代表性疾病之一。从目前的统计数据来看，孤独症的患病率大约为万分之三左右，其中男孩发病率远高于女孩，约为3.5倍。孤独症严重干扰患儿的大脑智力发育和心理正常发育，如不及时加以治疗，患儿将会出现社会交往障碍、与人交流障碍、兴趣狭窄等症状，对患儿的家庭也是一种煎熬。另外，患儿还有并发其他精神类疾病的风险，如约3/4的患儿会存在精神发育迟滞的症状，有1/4～1/3的患儿会同时患有癫痫，部分患儿一方面智力低下，另一方面却在音乐、机械记忆等方面有超常表现。因此，有理由怀疑孤独症患儿的大脑网络相较于正常人出现了异常发展。近半个世纪以来，伴随着核磁共振等大脑成像技术的发展，人类从未如此直观地观察活体大脑——这个已知生命体中最复杂的系统。若能借助这些成像技术，更精确地对孤独症患儿进行早期诊断，将非常有意义，是一件造福全人类的大事。2006年，DaprettoM分析了孤独症患者大脑的镜像神经元异常，发现孤独症儿童在额下回没有镜像神经元活动，且该区域的神经元活动强度与患儿的社交障碍的严重程度呈负相关；2011年，OzonoffS等计算了孤独症在患儿的兄弟姐妹中复发风险的估计值，并发现男性受试者的复发风险几乎增加了三倍，而如果男性受试者有一个年龄较大的患病的哥哥或者姐姐，则其患病风险又增加了两倍；2015年，乔基于功能磁共振成像技术构建了孤独症患者在静息态下的全脑功能连接，发现其相比于正常人存在功能连接异常，然而在分析研究孤独症患者大脑中的异常位置时，采用单个节点度值的大小作为依据，只观察了度值相对较大的节点，并没有进一步研究各节点之间的关系，忽略了整体的内部关联，无法全面、精准地对孤独症进行研究；2018年，李等提出光学脑成像技术更适合孤独症儿童大脑图像采集，并使用近红外光谱技术(NIRS)和漫反射相关光谱技术(DCS)，分别测量皮层的血氧代谢和血流活动，并将这些信息送入机器学习模型进行预测，然而近红外光谱技术(NIRS)存在检测深度有限的弱点，成像主要集中在表面皮层区域，同时，由于受光散射效应的影响，成像的空间分辨率相对较低，一般在毫米到厘米的范围，无法对脑结构进行深入、准确地研究。目前还没有一种方法能够准确地分析孤独症患者的大脑结构网络与正常人的差异，对青少年孤独症的分析研究造成极大阻碍。
技术实现思路
本专利技术的目的是提供一种针对青少年孤独症的大脑结构网络模型分析方法，以解决上述现有技术存在的问题，提供一种针对青少年孤独症的更加全面、深入、精准的分析方法。为实现上述目的，本专利技术提供了如下方案：本专利技术提供一种针对青少年孤独症的大脑结构网络模型分析方法，包括以下步骤：S1、大脑结构网络模型构建：用于获取孤独症患者组和正常对照组的大脑结构网络模型，具体包括：S1-1、获取大脑结构图像原始数据，使用DPARSF软件进行预处理，得到大脑灰质图像；S1-2、使用AAL90模板将大脑灰质图像按脑区分割成90个部分；S1-3、定义AAL90模板中的每个脑区为大脑结构网络模型的节点，任意两个脑区之间的边定义为所有被试的这两个脑区上灰质体积序列的相关系数，得到带权值的大脑结构网络模型，其中某个脑区上的灰质体积是指该脑区上所有体素中的灰质体积的均值；S1-4、按照大脑结构网络模型中没有孤立点且使大脑结构网络模型密度最小的原则选定阈值，得到0-1二值化的大脑结构网络模型；S2、置换检验：通过置换检验算法来检验孤独症患者组和正常对照组被试样本的有效性；S3、大脑结构网络模型分析：对孤独症患者组和正常对照组的大脑结构网络模型进行复杂网络属性对比分析，具体包括：S3-1、对孤独症患者组和正常对照组的大脑结构网络模型进行全局网络分析，分别对以下复杂网络属性进行对比分析：聚类系数、特征路径长度、小世界属性、全局效率、局部效率、平均节点介数及平均边介数、模块化属性；S3-2、对孤独症患者组和正常对照组的大脑结构网络模型损伤恢复能力分析；S3-3、对孤独症患者组和正常对照组的大脑结构网络模型进行局部网络分析,分别对以下复杂网络属性进行对比分析：节点度、介数、局部聚类系数、大脑结构网络模型的网络中心。优选的，步骤S1-3中的相关系数采用皮尔逊相关系数。优选的，所述步骤S2包括以下步骤：S2-1、提出H0假设：选取来自同一总体的两组被试样本，一组为孤独症患者组，被试样本数量为N1，另一组为正常对照组，被试样本数量为N2，每一组中的大脑结构网络模型的复杂网络属性无显著差异，显著性水平为α；S2-2、计算初始两组被试大脑结构网络模型的复杂网络属性的差值DC0；S2-3、将两组被试大脑结构网络模型数据混合，生成N个随机排列，对于第i个排列，1≤i≤N,将被试样本分为前N1例和后N2例两组，分别构建大脑结构网络模型，并计算这两个大脑结构网络模型的复杂网络属性的差值DCi；S2-4、统计这N个差值DC1，DC2，...，DCN中大于DC0的个数M，计算p值为：p＝M/N；S2-5、作出推断：如果p<α，则说明在两组被试样本来自同一总体的假设下，当前样本的出现是不正常的，要拒绝H0假设，即两组被试的复杂网络属性的差异有统计学意义；否则认为两组被试的复杂网络属性的差异无统计学意义。优选的，步骤S2-1中显著性水平α取值为0.05。优选的，步骤S2-1中复杂网络属性包括：聚类系数、特征路径长度、小世界属性、全局效率、局部效率、平均节点介数和模块化。优选的，所述步骤S3-1包括以下步骤：S3-1-1、聚类系数分析，聚类系数表示网络中节点的聚集程度，由公式3计算：其中，CC为聚类系数，N为网络节点数，degi为节点i的度，ki为与节点i相邻接的节点之间实际存在的边数；S3-1-2、特征路径长度分析，特征路径长度表示网络中任意两点之间最短路径长度的均值，由公式4计算：其中，CPL为特征路径长度，N为网络节点数，Distij为节点i到节点j的最短路径长度；S3-1-3、小世界属性分析，介于规则网络和随机网络之间的复杂网络称为小世界网络，小世界网络特征路径长度小，聚类系数高，由公式5计算：其中，σ为小世界属性，C为该网络的聚类系数，L为该网络的特征路径长度，Crand、Lrand分别为节点数相同的若干随机网络的平均聚类系数和平均特征路径长度，γ称为标准化后的聚类系数，λ称为标准化后的特征路径长度；S3-1-4、全局效率分析，全局效率表示网络中任意两点之间最短距离的倒数的均值，由公式6计算：其中，GEff为全局效率，N为网络节点数，Distij为节点i到节点j的最短路径长度；<本文档来自技高网...

【技术保护点】
1.一种针对青少年孤独症的大脑结构网络模型分析方法，其特征在于，包括以下步骤：/nS1、大脑结构网络模型构建：用于获取孤独症患者组和正常对照组的大脑结构网络模型，具体包括：/nS1-1、获取大脑结构图像原始数据，使用DPARSF软件进行预处理，得到大脑灰质图像；/nS1-2、使用AAL90模板将大脑灰质图像按脑区分割成90个部分；/nS1-3、定义AAL90模板中的每个脑区为大脑结构网络模型的节点，任意两个脑区之间的边定义为所有被试的这两个脑区上灰质体积序列的相关系数，得到带权值的大脑结构网络模型，其中某个脑区上的灰质体积是指该脑区上所有体素中的灰质体积的均值；/nS1-4、按照大脑结构网络模型中没有孤立点且使大脑结构网络模型密度最小的原则选定阈值，得到0-1二值化的大脑结构网络模型；/nS2、置换检验：通过置换检验算法来检验孤独症患者组和正常对照组被试样本的有效性；/nS3、大脑结构网络模型分析：对孤独症患者组和正常对照组的大脑结构网络模型进行复杂网络属性对比分析，具体包括：/nS3-1、对孤独症患者组和正常对照组的大脑结构网络模型进行全局网络分析，分别对以下复杂网络属性进行对比分析：聚类系数、特征路径长度、小世界属性、全局效率、局部效率、平均节点介数及平均边介数、模块化属性；/nS3-2、对孤独症患者组和正常对照组的大脑结构网络模型损伤恢复能力分析；/nS3-3、对孤独症患者组和正常对照组的大脑结构网络模型进行局部网络分析,分别对以下复杂网络属性进行对比分析：节点度、介数、局部聚类系数、大脑结构网络模型的网络中心。/n...

【技术特征摘要】
1.一种针对青少年孤独症的大脑结构网络模型分析方法，其特征在于，包括以下步骤：
S1、大脑结构网络模型构建：用于获取孤独症患者组和正常对照组的大脑结构网络模型，具体包括：
S1-1、获取大脑结构图像原始数据，使用DPARSF软件进行预处理，得到大脑灰质图像；
S1-2、使用AAL90模板将大脑灰质图像按脑区分割成90个部分；
S1-3、定义AAL90模板中的每个脑区为大脑结构网络模型的节点，任意两个脑区之间的边定义为所有被试的这两个脑区上灰质体积序列的相关系数，得到带权值的大脑结构网络模型，其中某个脑区上的灰质体积是指该脑区上所有体素中的灰质体积的均值；
S1-4、按照大脑结构网络模型中没有孤立点且使大脑结构网络模型密度最小的原则选定阈值，得到0-1二值化的大脑结构网络模型；
S2、置换检验：通过置换检验算法来检验孤独症患者组和正常对照组被试样本的有效性；
S3、大脑结构网络模型分析：对孤独症患者组和正常对照组的大脑结构网络模型进行复杂网络属性对比分析，具体包括：
S3-1、对孤独症患者组和正常对照组的大脑结构网络模型进行全局网络分析，分别对以下复杂网络属性进行对比分析：聚类系数、特征路径长度、小世界属性、全局效率、局部效率、平均节点介数及平均边介数、模块化属性；
S3-2、对孤独症患者组和正常对照组的大脑结构网络模型损伤恢复能力分析；
S3-3、对孤独症患者组和正常对照组的大脑结构网络模型进行局部网络分析,分别对以下复杂网络属性进行对比分析：节点度、介数、局部聚类系数、大脑结构网络模型的网络中心。


2.根据权利要求1所述的针对青少年孤独症的大脑结构网络模型分析方法，其特征在于：步骤S1-3中的相关系数采用皮尔逊相关系数。


3.根据权利要求1所述的针对青少年孤独症的大脑结构网络模型分析方法，其特征在于：所述步骤S2包括以下步骤：
S2-1、提出H0假设：选取来自同一总体的两组被试样本，一组为孤独症患者组，被试样本数量为N1，另一组为正常对照组，被试样本数量为N2，每一组中的大脑结构网络模型的复杂网络属性无显著差异，显著性水平为α；
S2-2、计算初始两组被试大脑结构网络模型的复杂网络属性的差值DC0；
S2-3、将两组被试大脑结构网络模型数据混合，生成N个随机排列，对于第i个排列，1≤i≤N,将被试样本分为前N1例和后N2例两组，分别构建大脑结构网络模型，并计算这两个大脑结构网络模型的复杂网络属性的差值DCi；
S2-4、统计N个差值DC1，DC2，...，DCN中大于DC...

【专利技术属性】
技术研发人员：邢建川，丁志新，杨骁，张栋，王翔，卢胜，孔渝峰，黄钰栋，李威锦，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51