基于功能磁共振图像的精神障碍群体全脑功能分析方法及系统技术方案

本发明专利技术提供了一种基于功能磁共振图像的精神障碍群体全脑功能分析方法，包括：步骤1、获取包含精神障碍群体和正常群体的人脑rs

【技术实现步骤摘要】
基于功能磁共振图像的精神障碍群体全脑功能分析方法及系统


[0001]本专利技术涉及医学图像工程
，特别涉及一种基于功能磁共振图像的精神障碍群体脑功能分析方法。

技术介绍

[0002]精神障碍(Mental Disorder，MD)是导致严重痛苦或个人功能受损的一种或者多种行为或精神模式的组合，世界上每8人中就有1人患有精神障碍，而其发病的成因通常伴随着大脑结构和功能的改变。
[0003]作为一种非侵入性成像技术，静息态功能磁共振成像(rs
‑
fMRI)已成为促进理解MDD引起的复杂脑功能变化的基本原理和机制的主要工具。在近期的研究中，一些新颖的图论指标(Graph Theory Metrics,GTM)被提出并应用于rs
‑
fMRI的分析，以在网络神经科学的高度揭示与MDD相关的脑功能异常模式。
[0004]通过在全脑层面应用图论指标分析，先前研究已经证明了MDD群体存在广泛的小世界属性损失、全脑节点效率下降、局部中心性变化以及受损的富人俱乐部(Rich Club)属性。近年来，从小世界特征到Rich Club指标代表了对MDD大脑高级结构的信息集成和功能模块化的理解的增加。Rich Club节点通常指那些边数不成比例且彼此之间有很多条边相互连接的节点，Rich Club节点通常也被认为是脑网络中每个社区的内部枢纽节点。组尺度的Rich Club系数差异(例如，Hub节点和Non
‑
hub节点在全脑中占比不同)通常预示着由特定疾病引致的大脑信息传递中断。然而，正如Rich Club系数的公式证明所示，Rich Club节点通常存在于全脑网络的外围区域(社区外围)，这使得Rich Club系数无法描述节点之间互连的紧密程度。近年已有文献指出，在全脑网络中，很多社区外围的边缘节点在全脑信息分析解析上往往承担了极为重要的角色，这对于有效的全脑信息整合尤为关键。最近的一项研究提出了多样性俱乐部(Diverse Club)来解决上述问题。由于Rich Club往往是特定社区的中心，而Diverse Club通常是连接不同网络社区的拓扑中心，这两种Club概念往往具备一定的互补性，然而他们的定义也注定忽视了另一类重要的节点群体。显然，人脑中可能还存在另外一类节点：这类节点可能与多个社区的脑区有连接，但是它们并不倾向于成为特定社区的Hub节点。上述Rich Club节点和Diverse Club节点都对应的是基于相关的脑网络分析管道。然而，由于人脑的复杂性，精神障碍群体受损的脑功能模式通常还包含不同尺度的因果脑网络变化，即我们需要考虑这些变化的因果性。
[0005]专利文献CN115272295A公开了一种基于时域
‑
空域联合状态的动态脑功能网络分析方法及系统，方法包括，在时间维度上，根据预置的滑动窗截取预处理后的四维静息态功能磁共振影像数据片段，并计算窗口片段内任意两个脑区间时序信号的Pearson相关系数，得到动态脑功能连接矩阵；利用独立成分分析方法对动态脑功能连接矩阵进行提取，以获得个体相应的独立分量及独立分量对应的时间序列；基于个体相应的独立分量及独立分量对应的时间序列，利用高效前向搜索策略与分类器，构建时域
‑
空域融合判别模型，识别出
与特定神经精神疾病相关的特异性脑动态网络，并输出决策值。该方法仅基于脑区之间的相关性进行分析，但在实际情况下脑区的变化还包括一些因果关系，因此该方法输出的结果并不全面。
[0006]专利文献CN115240004A公开了基于静动态脑网络多特征融合的图像分类、装置、设备及介质，方法包括：获取待分类的头部核磁共振影像数据，对其进行预处理；根据预处理后的核磁共振影像，分别提取多个静态脑功能网络特征向量和多个动态脑功能网络变异系数特征向量；对提取到的每个特征向量，按照降维处理得到的最优特征确定对应的最优特征向量；将所有最优特征向量输入至预训练好的基于多核支持向量机模型的图像分类器，输出得到核磁共振影像数据的类别。该方法基于多个特征进行识别，但实际病灶与标准图像之间存在一定的差异，因此直接识别类型存在一定的识别误差。

技术实现思路

[0007]为了解决上述问题，本专利技术提供了一种基于功能磁共振图像的精神障碍群体全脑功能分析方法，该方法可以有效分析患者与正常人的磁共振影像数据，为医生对患者开展医疗计划提供图像指导。
[0008]一种基于功能磁共振图像的精神障碍群体全脑功能分析方法，包括：
[0009]步骤1、获取包含精神障碍群体和正常群体的人脑rs
‑
fMRI影像数据。
[0010]步骤2、对所述人脑rs
‑
fMRI影像数据进行预处理，获得对应的人脑rs
‑
fMRI数据。
[0011]步骤3、将步骤2获得的人脑rs
‑
fMRI数据导入预设的脑模板中，并基于BOLD信号时间点对导入数据的脑模板中的脑区数据进行提取，获得对应的时序数据矩阵。
[0012]步骤4、基于分析框架，对步骤3获得的时序数据矩阵进行解析，构造获得对应的相关性脑网络连接矩阵或/和因果性脑网络连接矩阵，所述分析框架包括基于相关的脑网络分析，基于因果的脑网络分析，以及相关与因果的脑网络分析。
[0013]步骤5、将步骤3获得的脑网络连接矩阵，通过预构建的分析通道进行分析，所述分析通道包括全脑相性关分析通道，静态因果性分析通道和动态因果性分析通道：
[0014]将所述相关性脑网络连接矩阵输入至全脑相关性分析通道中，通过多图论系数计算方法和Active Index算法获得对应的脑区系数，并通过所述脑区系数生成对应的Hub节点与组件分析结果；
[0015]将所述因果性脑网络连接矩阵分别输入至静态因果性分析通道和动态因果性分析通道，分别基于全时域的时序数据矩阵和分时域的时序数据矩阵，通过预构建的LSTM骨架对因果性脑网络连接矩阵中子网络间的因果关系进行解析，并根据解析获得的因果关系构建个体尺度神经格兰杰连接矩阵后，生成对应脑区的相关性数值，所述相关性数据值包括静态功能子网络尺度统计分析结果，动态功能子网络尺度统计分析结果，以及对应的Hub节点分析结果。
[0016]步骤6、基于步骤5的分析结果，生成可视化的全脑磁共振知道图像。
[0017]本专利技术在相关性分析过程中，通过Active Index算法弥补传统Rich Club系数和Diverse Club系数对节点分析结果的缺陷，同时在传统分析过程中引入了基于非线性神经格兰杰(NGC)全脑多尺度因果分析，从而在新的角度为医生提供了治疗方案指导。
[0018]具体的，在步骤2中，所述预处理包括层间时序矫正，头动矫正，协变量移除，空间
标准化以及滤波。
[0019]具体的，所述层间时序矫正用于移动每个切片的时间序列以暂时将所有人脑静息态功能磁共振影像数据的切片对齐到参考时间点。
[0020]所述头动矫正用于矫正本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于功能磁共振图像的精神障碍群体全脑功能分析方法，其特征在于，包括：步骤1、获取包含精神障碍群体和正常群体的人脑rs
‑
fMRI影像数据；步骤2、对所述人脑rs
‑
fMRI影像数据进行预处理，获得对应的人脑rs
‑
fMRI数据；步骤3、将步骤2获得的人脑rs
‑
fMRI数据导入预设的脑模版中，并基于BOLD信号时间点对导入数据的脑模版中的脑区数据进行提取，获得对应的时序数据矩阵；步骤4、基于分析框架，对步骤3获得的时序数据矩阵进行解析，构造获得对应的相关性脑网络连接矩阵或/和因果性脑网络连接矩阵，所述分析框架包括基于相关的脑网络分析，基于因果的脑网络分析，以及相关与因果的脑网络分析；步骤5、将步骤4获得的脑网络连接矩阵，通过预构建的分析通道进行分析，所述分析通道包括全脑相关性分析通道，静态因果性分析通道和动态因果性分析通道：将所述相关性脑网络连接矩阵输入至全脑相关性分析通道中，通过多图论系数计算方法和Active Index算法获得对应的脑区系数，并通过所述脑区系数生成对应的Hub节点与组间分析结果；将所述因果性脑网络连接矩阵分别输入至静态因果性分析通道和动态因果性分析通道，分别基于全时域的时序数据矩阵和分时域的时序数据矩阵，通过预构建的LSTM骨架对因果性脑网络连接矩阵中子网络间的因果关系进行解析，并根据解析获得的因果关系构建个体尺度神经格兰杰连接矩阵后，根据所述个体尺度动态神经格兰杰连接矩阵中子网络间的因果关系强弱，生成对应脑区的相关性数值，所述相关性数值包括静态功能子网络尺度统计分析结果，动态功能子网络尺度统计分析结果以及对应的Hub节点分析结果；步骤6、基于步骤5的分析结果，生成可视化的全脑磁共振指导图像。2.根据权利要求1所述的基于功能磁共振图像的精神障碍群体全脑功能分析方法，其特征在于，在步骤2中，所述预处理包括层间时序矫正，头动矫正，协变量移除，空间标准化以及滤波。3.根据权利要求1所述的基于功能磁共振图像的精神障碍群体全脑功能分析方法，其特征在于，在步骤3中，所述脑模版包括AAL
‑
116脑模板，AAL
‑
90脑模板，Brainnetome
‑
246脑模板以及Power
‑
264脑模板。4.根据权利要求1所述的基于功能磁共振图像的精神障碍群体全脑功能分析方法，其特征在于，在步骤4中，当分析框架为基于相关的脑网络分析时，将时序数据矩阵构造成N
×
N的脑网络连接矩阵，并通过Fisher z标准化对构造获得的脑网络连接矩阵进行处理，获得对应的相关性脑网络连接矩阵；当分析框架为基于因果的脑网络分析时，通过基于LSTM骨架的神经格兰杰网络将时序数据矩阵构成构造成N
×
N的因果性脑网络连接矩阵；当分析框架为相关与因果的脑网络分析时，将时序数据矩阵分别通过基于相关的脑网络分析和基于因果的脑网络分析，获得对应的基于相关性的脑网络连接矩阵和基于因果性的脑网...

【专利技术属性】
技术研发人员：付钰，卓成，张宏，薛乐，
申请(专利权)人：浙江大学滨江研究院，
类型：发明
国别省市：