一种基于功能连接和结构连接的网络融合方法技术

本发明专利技术公开了一种基于功能连接和结构连接的网络融合方法，包括以下步骤：步骤一、基于AAL模板和Yeo脑网络模板将大脑皮层划分为不同的脑区和网络；步骤二、对fMRI和DTI数据进行预处理；步骤三、对经过预处理的fMRI和DTI数据构建大尺度脑连接矩阵；步骤四、计算功能

【技术实现步骤摘要】
一种基于功能连接和结构连接的网络融合方法


[0001]本专利技术属于图像处理
，特别涉及一种基于功能连接和结构连接的网络融合方法。

技术介绍

[0002]人脑是已知自然界中最复杂的系统，如何理解和研究这个高度复杂的系统，一直是脑科学研究的难点和热点。磁共振成像(magnetic resonance imaging,MRI)是一种常见的观察身体内部组织结构的成像技术，对大脑、肌肉和大多数肿瘤组织的检查特别有效。磁共振没有电离辐射，因此除临床应用以外，在神经生理学、认知神经科学、神经精神类疾病等研究中也得到广泛使用，并且取得了丰硕的研究成果。其中，功能磁共振成像(functional magnetic resonance imaging，fMRI)和弥散张量成像(diffusion tensor imaging,DTI)由于其成像原理，尤其受到研究人员青睐。
[0003]基于血氧水平依赖(Blood Oxygenation Level
‑
Dependent,BOLD)成像的fMRI被用来间接的反应神经元信号的自发波动。因为无创性和高空间分辨率等优点，fMRI已被神经科学多个研究领域广泛应用，例如研究高级神经生理心理活动方式，探索皮层间功能的相互联系等。fMRI通常依据现有脑区模板(例如AAL模板等)划分脑区，并将其作为网络的节点，找寻脑区之间的节点关系，用于反映神经信息之间的动态协调性。但随着研究深入，研究人员逐渐发现，人类大脑存在功能整合的特点。功能整合表明大脑不同脑区之间会相互作用和协调合作，这些在空间位置上可能相互独立的脑区，在功能上却表现出协同的特点，表明大脑具有网络的特征。功能网络可以很好的刻画脑区之间信息的交互，但却难以描绘脑区之间的真实连接情况。
[0004]DTI可以通过水分子整体的弥散水平和方向，进行白质纤维束追踪，以无创的手段获取脑区白质纤维的具体走形，提供更加丰富的大脑解剖信息。根据两个脑区之间纤维束的连接情况，更加直观地刻画大脑真实的连接结构，以此构建大脑结构网络。研究人员采用DTI构建加权解剖结构网络，发现大脑网络传输的核心区域主要位于楔前叶和后扣带等皮层内侧。这一研究结果进一步支持了结构连接是脑功能连接的内在基础。但DTI的成像原理决定了DTI技术更适合分析大脑白质纤维的走向的完整性，对脑区功能之间的协同联系的探索帮助有限。因此，将两个模态数据融合分析，取长补短，是进一步考察大脑活动的需要。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供一种在脑网络层级将结构连接和功能连接融合，以大尺度脑网络为基础，探究了不同网络之间协同关系，并第一次依据网络间显著相关性定量描绘基于结构连接和功能连接的脑网络协同作用的融合功能连接和结构连接的网络融合方法。
[0006]本专利技术的目的是通过以下技术方案来实现的：一种基于功能连接和结构连接的网络融合方法，包括以下步骤：
[0007]步骤一、基于AAL模板和Yeo脑网络模板将大脑皮层划分为不同的脑区和网络；
[0008]步骤二、对fMRI和DTI数据进行预处理；
[0009]步骤三、对经过预处理的fMRI和DTI数据构建大尺度脑连接矩阵；
[0010]步骤四、计算功能网络
‑
结构连接之间的网络水平加权概率。
[0011]进一步地，所述步骤一具体实现方法为：基于AAL模板和Yeo脑网络模板将大脑皮层划分为90个脑区和8个脑网络；划分网络时，对同时属于多个网络的脑区采用“赢者通吃”模式划定所属，即脑区中最多数量体素点属于某个网络，就将脑区定为此网络；8个脑网络如下：视觉网络、边缘网络、感觉运动网络、默认模式网络、额顶网络、腹侧注意网络、背侧注意网络及皮层下网络。
[0012]进一步地，所述步骤二中，数据预处理的具体方法为：
[0013]用SPM12工具箱对fMRI数据进行预处理，包括以下步骤：(1)去除前五个时间点；(2)时间层校正；(3)头动校正；(4)标准化到MNI模板上；(5)利用线性回归去除头动、白质、脑脊液信号和线性趋势的影响；(6)带通滤波，频段为0.01
‑
0.1Hz；
[0014]使用FSL软件对DTI数据进行预处理，利用仿射变换配准对DTI数据进行头动和涡流校正；接着在个体水平上，对经过校正后的DTI数据使用确定性示踪算法追踪全脑的白质纤维束，并计算FA参数；追踪路径的终止条件为：FA值低于0.2或者追踪角度偏转超过35
°
。
[0015]进一步地，所述步骤三中，构建脑连接矩阵具体实现方法为：
[0016]对于fMRI数据，根据AAL模板提取被试每个脑区中所有体素的BOLD时间序列，求取每个时间点下当前脑区所有体素BOLD信号的平均值，以此平均时间序列作为当前脑区的时间序列，计算任意两个脑区平均时间序列之间的皮尔逊相关值，得到脑区
‑
脑区间功能连接矩阵；然后对连接矩阵进行Fisher
‑
z变换，得到符合正态分布的功能连接矩阵，其中矩阵中元素V(i.j)代表第i个脑区与第j个脑区间的功能连接强度，矩阵大小为90
×
90；
[0017]对于DTI数据，使用FSL软件对DTI数据进行处理时会生成大脑每个体素到其他任意体素之间的FA值，将属于两个脑区的体素之间的FA值求平均，得到平均FA矩阵，作为结构连接矩阵；并使用单尾符号检验检测结构连接矩阵中有哪些元素在组上是显著存在的，有显著统计学差异，保留显著差异的边，即有统计学差异的连接保留并置为1，其他连接置为0，由此生成一个二值化的结构连接网络mask；mask中每个值为1的元素v(i,j)代表脑区i与脑区j在组上有显著的连接存在。
[0018]进一步地，所述步骤四具体实现方法为：将每个被试的脑区i和脑区j之间的功能连接与结构连接提取出来，并存为一列矩阵，各自得到组水平的功能连接向量FC
(i,j)
和结构连接向量SC
(i,j)
，计算功能连接向量FC
(i,j)
和结构连接向量SC
(i,j)
之间的皮尔逊相关，皮尔逊相关方法计算两组数据的相关时，会同时计算得到两个参数：相关性r和显著性p；对任意两个脑区之间重复计算相关，分别得到90
×
90的功能连接和结构连接耦合矩阵C和90
×
90的显著性矩阵P；依据脑网络划分，从耦合矩阵C和显著性矩阵P中提取属于网络N
i
的脑区m和网络N
j
的脑区n之间的脑区显著性矩阵P
(m,n)
和耦合矩阵C
(m,n)
，使用阈值p<0.05将P
(m,n)
矩阵二值化，仅保留具有显著连接的部分并以此限制经绝对值化后的耦合矩阵|C|
m，n
得到显著耦合连接矩阵计算显著耦合连接矩阵和耦合矩阵|C|
m，n
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于功能连接和结构连接的网络融合方法，其特征在于，包括以下步骤：步骤一、基于AAL模板和Yeo脑网络模板将大脑皮层划分为不同的脑区和网络；步骤二、对fMRI和DTI数据进行预处理；步骤三、对经过预处理的fMRI和DTI数据构建大尺度脑连接矩阵；步骤四、计算功能
‑
结构连接之间的网络水平加权概率。2.根据权利要求1所述的一种基于功能连接和结构连接的网络融合方法，其特征在于，所述步骤一具体实现方法为：基于AAL模板和Yeo脑网络模板将大脑皮层划分为90个脑区和8个脑网络；划分网络时，对同时属于多个网络的脑区采用“赢者通吃”模式划定所属，即脑区中最多数量体素点属于某个网络，就将脑区定为此网络；8个脑网络如下：视觉网络、边缘网络、感觉运动网络、默认模式网络、额顶网络、腹侧注意网络、背侧注意网络及皮层下网络。3.根据权利要求1所述的一种基于功能连接和结构连接的网络融合方法，其特征在于，所述步骤二中，数据预处理的具体方法为：用SPM12工具箱对fMRI数据进行预处理，包括以下步骤：(1)去除前五个时间点；(2)时间层校正；(3)头动校正；(4)标准化到MNI模板上；(5)利用线性回归去除头动、白质、脑脊液信号和线性趋势的影响；(6)带通滤波，频段为0.01
‑
0.1Hz；使用FSL软件对DTI数据进行预处理，利用仿射变换配准对DTI数据进行头动和涡流校正；接着在个体水平上，对经过校正后的DTI数据使用确定性示踪算法追踪全脑的白质纤维束，并计算FA参数；追踪路径的终止条件为：FA值低于0.2或者追踪角度偏转超过35
°
。4.根据权利要求1所述的一种基于功能连接和结构连接的网络融合方法，其特征在于，所述步骤三中，构建脑连接矩阵具体实现方法为：对于fMRI数据，根据AAL模板提取被试每个脑区中所有体素的BOLD时间序列，求取每个时间点下当前脑区所有体素BOLD信号的平均值，以此平均时间序列作为当前脑区的时间序列，计算任意两个脑区平均时间序列之间的皮尔逊相关值，得到脑区
‑
脑区间功能连接矩阵；然后对连接矩阵进行Fisher
‑
z变换，得到符合正态分布的功能连接矩阵，其中矩阵中元素V(i.j)代表第i个脑区与第j个脑区间的功能连接强度，矩阵大小为90
×
90；对于DTI数据，使用FSL软...

【专利技术属性】
技术研发人员：罗程，裴浩男，蒋思思，李鹤纯，尧德中，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：