fMRI数据分析动态因果模型构建方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种fMRI数据分析动态因果模型构建方法、装置及存储介质，其中方法包括：获取大脑fMRI图像数据并进行预处理；从预处理后的大脑fMRI图像数据中选取感兴趣区域；采用GreedyEC算法对构建的fMRI数据分析动态因果模型进行模型空间搜索，得到第一全局最优fMRI数据分析动态因果模型；采用GreedyROI算法对构建的fMRI数据分析动态因果模型进行模型空间搜索，得到第二全局最优fMRI数据分析动态因果模型；使用贝叶斯模型比较两个全局最优fMRI数据分析动态因果模型，得到总体最优fMRI数据分析动态因果模型。仅需少量的先验知识的前提下即可构建最优的fMRI数据分析动态因果模型，降低DCM分析的门槛。降低DCM分析的门槛。降低DCM分析的门槛。

【技术实现步骤摘要】
fMRI数据分析动态因果模型构建方法、装置及存储介质


[0001]本专利技术涉及医学影像处理
，尤其涉及一种fMRI数据分析动态因果模型构建方法、装置及存储介质。

技术介绍

[0002]我国各类精神障碍患者人数在2亿人以上，其中在册严重精神障碍患者人数已达数百万。大脑活动机制的研究对于了解各种精神疾病的发病机制和探索人脑的认知过程具有重要意义。目前研究脑功能的常用假设有两种：功能分离假说和功能整合假说。
[0003]其中，功能整合假说更侧重于大脑不同区域之间的相互作用。它认为，人类的认知过程涉及到大脑不同区域之间的相互作用，强调合作而不是独立。功能整合假说将大脑区域的连接分为结构连接、功能连接和效应连接。效应连接能反映脑区之间的直接因果关系，对脑功能分析具有重要意义。
[0004]主流的有效连通性分析方法是格兰杰因果分析(GCA)和动态因果模型(DCM)。DCM方法分别在两个水平上模拟神经活动和血流动力学状态，将大脑区域的神经活动转化为观察到的功能性磁共振成像(functional Magnetic Resonance Imaging,fMRI)信号(Friston等，2003)。DCM恢复了从神经活动到大脑BOLD信号的整个过程，因此具有较高的可靠性。然而，由于生理过程建模复杂，计算成本大大增加，难以推广到大规模脑网络的因果分析。此外，DCM是神经图像分析中常用的有效连通性(effective connectivity,EC)估计工具，它一种模型驱动的分析方法，首先需要提出一个假设的因果网络模型，然后通过比较不同的假设模型得到最优模型。然而，在许多情况下，我们的先验知识有限，或者没有明确的假设。因此，很难提出一套假设模型。如果将所有可能的模型都列举出来，那么随着节点数量的增加，竞争模型的数量将呈二次指数增长，导致模型空间过大，计算成本较高。
[0005]因此，DCM具有其他分析方法所没有的重要优势：它能以更高的可靠性模拟生理过程。然而，早期使用DCM分析大脑网络的方法主要是假设驱动的。提出假设需要大量的先验知识，替代模型可能不包含在模型空间中。这两个特点限制了DCM的广泛应用。

技术实现思路

[0006]本专利技术提供了一种fMRI数据分析动态因果模型构建方法、装置及存储介质，以解决现有的基于假设构建应用于fMRI数据的动态因果模型需要大量先验知识且存在难以找到最优模型的问题。
[0007]第一方面，提供了一种fMRI数据分析动态因果模型构建方法，包括：
[0008]获取大脑fMRI图像数据并进行预处理；
[0009]从预处理后的大脑fMRI图像数据中选取感兴趣区域；
[0010]采用效应连接逐渐递减的GreedyEC算法对构建的fMRI数据分析动态因果模型进行模型空间搜索，得到第一全局最优fMRI数据分析动态因果模型；
[0011]采用效应连接逐渐递增的GreedyROI算法对构建的fMRI数据分析动态因果模型进
行模型空间搜索，得到第二全局最优fMRI数据分析动态因果模型；
[0012]使用贝叶斯模型比较第一全局最优fMRI数据分析动态因果模型和第二全局最优fMRI数据分析动态因果模型，得到总体最优fMRI数据分析动态因果模型。
[0013]上述方案基于两种算法构建各自对应的全局最优fMRI数据分析动态因果模型，GreedyEC算法基于效应连接逐渐递减的策略进行模型空间搜索，找到第一全局最优fMRI数据分析动态因果模型；GreedyROI算法基于效应连接逐渐递增的策略进行模型空间搜索，找到第二全局最优fMRI数据分析动态因果模型；最终使用贝叶斯模型比较选择得到总体最优fMRI数据分析动态因果模型。该方案仅需少量的先验知识的前提下即可构建最优的fMRI数据分析动态因果模型。
[0014]进一步地，对大脑fMRI图像数据进行预处理包括：
[0015]头动校正：以第一个时刻的三维大脑功能像作为基准，对其他时刻的三维大脑功能像做刚体变换以对齐；
[0016]空间归一化：将大脑结构像配准到头动校正后得到的大脑功能像，并使用模板对大脑结构像进行分割；根据分割结果中的灰质皮层，将大脑功能像和大脑结构像对齐到标准大脑模板；
[0017]空间平滑：对空间归一化后的图像进行高斯平滑。
[0018]进一步地，在所述头动校正的过程中还包括：仅保留平移运动不超过预设距离，且旋转角度不超过预设角度的三维大脑功能像。
[0019]进一步地，从预处理后的大脑fMRI图像数据中选取感兴趣区域的数量不超过8个。
[0020]进一步地，所述采用效应连接逐渐递减的GreedyEC算法对构建的fMRI数据分析动态因果模型进行模型空间搜索，得到第一全局最优fMRI数据分析动态因果模型，具体包括：
[0021]A1：对所有感兴趣区域ROI相互之间的双向效应连接进行编号，将基于所有感兴趣区域ROI之间均存在双向效应连接构建的fMRI数据分析动态因果模型定义为当前最优模型；
[0022]A2：考虑第1号效应连接，并令i＝1；
[0023]A3：在当前最优模型的基础上关闭第i号效应连接，构造当前备选模型；
[0024]A4：使用贝叶斯模型选择方法比较当前最优模型和当前备选模型的模型证据；
[0025]A5：若当前最优模型的模型证据大于当前备选模型，则在后续的备选模型中都开启第i号效应连接；反之，则将当前备选模型作为当前最优模型，并在后续的备选模型中都关闭第i号效应连接；
[0026]A6：令i＝i+1，并重复步骤A3
‑
A6，直到第n*(n
‑
1)号效率连接考虑完毕，其中n为选取的感兴趣区域个数；
[0027]A7：最后得到的当前最优模型则为第一全局最优fMRI数据分析动态因果模型。
[0028]GreedyEC算法从效应连接的角度出发，初始模型设为全连接模型。对效应连接进行编号，依次考虑每个效应连接对模型的贡献程度；如果关闭该效应连接使得模型优度下降，则在算法后续步骤中保持开启；反之在算法后续步骤中保持关闭该效应连接。
[0029]进一步地，所述采用效应连接逐渐递增的GreedyROI算法对构建的fMRI数据分析动态因果模型进行模型空间搜索，得到第二全局最优fMRI数据分析动态因果模型，具体包括：
[0030]B1：对一共n个感兴趣区域ROI进行编号，k表示当前阶段考虑的感兴趣区域ROI数目；
[0031]B2：定义基于第1号感兴趣区域ROI和第2号感兴趣区域ROI之间的效应连接所组成的模型空间，共构建22个fMRI数据分析动态因果模型均作为备选模型；
[0032]B3：使用贝叶斯模型选择方法比较模型空间中的所有备选模型，将最优模型作为2ROI最优模型，并令k＝2；
[0033]B4：固定上一步骤得到的kROI最优模型，加入第k+1号感兴趣区域ROI作为新节点，新节点与原有感兴趣区域ROI之间的可能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种fMRI数据分析动态因果模型构建方法，其特征在于，包括：获取大脑fMRI图像数据并进行预处理；从预处理后的大脑fMRI图像数据中选取感兴趣区域；采用效应连接逐渐递减的GreedyEC算法对构建的fMRI数据分析动态因果模型进行模型空间搜索，得到第一全局最优fMRI数据分析动态因果模型；采用效应连接逐渐递增的GreedyROI算法对构建的fMRI数据分析动态因果模型进行模型空间搜索，得到第二全局最优fMRI数据分析动态因果模型；使用贝叶斯模型比较第一全局最优fMRI数据分析动态因果模型和第二全局最优fMRI数据分析动态因果模型，得到总体最优fMRI数据分析动态因果模型。2.根据权利要求1所述的fMRI数据分析动态因果模型构建方法，其特征在于，对大脑fMRI图像数据进行预处理包括：头动校正：以第一个时刻的三维大脑功能像作为基准，对其他时刻的三维大脑功能像做刚体变换以对齐；空间归一化：将大脑结构像配准到头动校正后得到的大脑功能像，并使用模板对大脑结构像进行分割；根据分割结果中的灰质皮层，将大脑功能像和大脑结构像对齐到标准大脑模板；空间平滑：对空间归一化后的图像进行高斯平滑。3.根据权利要求2所述的fMRI数据分析动态因果模型构建方法，其特征在于，在所述头动校正的过程中还包括：仅保留平移运动不超过预设距离，且旋转角度不超过预设角度的三维大脑功能像。4.根据权利要求1所述的fMRI数据分析动态因果模型构建方法，其特征在于，从预处理后的大脑fMRI图像数据中选取感兴趣区域的数量不超过8个。5.根据权利要求1所述的fMRI数据分析动态因果模型构建方法，其特征在于，所述采用效应连接逐渐递减的GreedyEC算法对构建的fMRI数据分析动态因果模型进行模型空间搜索，得到第一全局最优fMRI数据分析动态因果模型，具体包括：A1：对所有感兴趣区域ROI相互之间的双向效应连接进行编号，将基于所有感兴趣区域ROI之间均存在双向效应连接构建的fMRI数据分析动态因果模型定义为当前最优模型；A2：考虑第1号效应连接，并令i＝1；A3：在当前最优模型的基础上关闭第i号效应连接，构造当前备选模型；A4：使用贝叶斯模型选择方法比较当前最优模型和当前备选模型的模型证据；A5：若当前最优模型的模型证据大于当前备选模型，则在后续的备选模型中都开启第i号效应连接；反之，则将当前备选模型作为当前最优模型，并在后续的备选模型中都关闭第i号效应连接；A6：令i＝i+1，并重复步骤A3
‑
A6，直到第n*(n
‑
1)号效率连接考虑完毕，其中n为选取的感兴趣区域个数；A7：最后得到的当前最优模型则为第一全局最优fMRI数据分析动态因果模型。6.根据权利要求1所述的fMRI数据分析动态因果模型构建方法，其特征在于，所述采用效应连接逐渐递增的GreedyROI算法对构建的fMRI数据分析动态因果模型进行模型空间搜索，得到第二全局最优fMRI数据分析动态因果模型，具体包括...

【专利技术属性】
技术研发人员：戴培山，欧奕琳，
申请(专利权)人：中南大学，
类型：发明
国别省市：