【技术实现步骤摘要】
本专利技术涉及医学影像分析领域，尤其是涉及一种基于多变量分析的ad功能网络与代谢耦合检测方法。
技术介绍
1、阿尔茨海默病(alzheimer's disease，ad)是老年人中常见的一种复杂的神经系统退行性疾病，其主要影响老年人脑部的中枢神经，使其发生退行性改变。当患者出现明显的阿尔茨海默病临床症状时，疾病多数已经进入晚期，完全无法治疗。故阿尔茨海默病的早期诊断和干预成为大多数研究关注的焦点。
2、在临床前阶段，aβ淀粉样蛋白通常会在患者大脑中沉积10～15年，损伤神经元和突触的正常功能，随着疾病的进程、逐步出现神经纤维缠结、以及更严重的神经元损伤。由于目前尚无有效的治疗药物，因此对于阿尔茨海默病的早期诊断及干预至关重要。大脑葡萄糖代谢的降低及功能活动的减弱被认为是疾病早期神经元和突触功能障碍的标志物，并对于认知功能下降具有预测价值。既往研究主要关注特定脑区(如大脑默认网络枢纽区域)的代谢和功能变化。然而，阿尔茨海默病患者存在脑区异质性，如何综合全脑葡萄糖代谢与功能活动的耦合变化检测阿尔茨海默病目前缺少有效的检测方法。
技术实现思路
1、本专利技术的目的就是为了提供一种更系统的揭示葡萄糖代谢与功能活动之间关系的基于多变量分析的ad功能网络与代谢耦合检测方法。
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种基于多变量分析的ad功能网络与代谢耦合检测方法，包括以下步骤：
4、获取18f-fdg pet及fmri的影像数据，
5、针对重建和预处理后的18f-fdg pet及fmri影像数据，进行特征提取，分别获得全脑的葡萄糖代谢率特征和功能连接强度特征；
6、对所述功能连接强度特征进行降维处理；
7、对葡萄糖代谢率特征和降维处理后的功能连接强度特征进行多变量分析处理，获得典型相关变量；
8、所述典型相关变量对应关联的葡萄糖代谢与功能连接空间分布模式，基于所述空间分布模式获得阿尔茨海默病的功能网络与代谢耦合关系。
9、进一步地，所述获得葡萄糖代谢率特征的具体步骤包括：
10、基于所述重建和预处理后的18f-fdg pet影像数据，采用区域兴趣分析法计算每个脑区的平均葡萄糖摄取率；
11、将所述每个脑区的平均葡萄糖摄取率作为每个脑区的葡萄糖代谢率特征。
12、进一步地，获得功能连接强度特征的具体步骤包括：
13、从所述重建和预处理后的fmri影像数据中提取每个脑区的平均fmri时间序列信号；
14、基于相关系数法，计算每两个脑区的平均fmri时间序列信号之间的相关系数，构建全脑功能连接矩阵；
15、基于所述全脑功能连接矩阵的所有连接边，获得功能连接强度特征。
16、进一步地，所述脑区根据power脑区模板进行划分。
17、进一步地，所述相关系数法为皮尔逊相关系数法。
18、进一步地，采用中位数绝对偏差统计量方法进行降维处理。
19、进一步地，所述降维处理的表达式为：
20、median(|xi-median(x)|)
21、式中，xi表示第i个受试者的功能连接特征的向量，表示所有功能连接特征中位数的向量。
22、进一步地，所述多变量分析处理为稀疏典型相关分析处理，所述稀疏典型相关分析处理的优化方程为：
23、
24、
25、式中，u1和u2为使得典型相关变量x1u1和x2u2的相关系数最大化的线性变换向量，x1和x2为葡萄糖代谢率特征和功能连接强度特征的两个模态的特征矩阵，||·||1和||·||2分别表示l1和l2范数，c1和c2是正则化参数，其值通过网格搜索决定。
26、进一步地，所述获得典型相关变量的具体步骤包括：
27、基于葡萄糖代谢率特征和降维处理后的功能连接强度特征，采用重采样方法将两类特征组建若干个重采样特征数据集；
28、对于每一个重采样特征数据集，采用多变量分析处理方法，得到典型相关变量对和对应的权重；
29、基于所述典型相关变量对和对应的权重选择权重较大且较为稳定的特征，即所述典型相关变量。
30、进一步地，还包括采用置换检验评估所述多变量分析处理的显著性，所述评估的具体步骤包括：
31、固定功能连接强度特征的顺序不变，随机置换若干次葡萄糖代谢率特征的顺序，并在每一次置换后进行稀疏典型相关分析处理，获得若干次典型相关系数；
32、将若干次典型相关系数和原始获得的相关系数进行比较，评估多变量分析处理的显著性。
33、与现有技术相比，本专利技术具有以下有益效果：
34、(1)本专利技术基于一体的fdg-pet/fmri技术测量了同步变化的葡萄糖代谢率特征和功能连接强度特征，检测患者全脑功能-代谢耦合的活动关系，相比于以往对单个或少数几个脑区进行的单变量分析，本专利技术可以更系统的揭示高维数据背后的葡萄糖代谢和功能活动的关系。
35、(2)本专利技术检测的全脑功能-代谢耦合的活动关系可与认知损伤联系在一起，找到和认知功能下降有关的新型影像标志物，有助于为阿尔茨海默病的早期诊断和评估提供有力参考。
本文档来自技高网...【技术保护点】
1.一种基于多变量分析的AD功能网络与代谢耦合检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多变量分析的AD功能网络与代谢耦合检测方法，其特征在于，所述获得葡萄糖代谢率特征的具体步骤包括：
3.根据权利要求1所述的一种基于多变量分析的AD功能网络与代谢耦合检测方法，其特征在于，获得功能连接强度特征的具体步骤包括：
4.根据权利要求2或3任一所述的一种基于多变量分析的AD功能网络与代谢耦合检测方法，其特征在于，所述脑区根据Power脑区模板进行划分。
5.根据权利要求3所述的一种基于多变量分析的AD功能网络与代谢耦合检测方法，其特征在于，所述相关系数法为皮尔逊相关系数法。
6.根据权利要求1所述的一种基于多变量分析的AD功能网络与代谢耦合检测方法，其特征在于，采用中位数绝对偏差统计量方法进行降维处理。
7.根据权利要求6所述的一种基于多变量分析的AD功能网络与代谢耦合检测方法，其特征在于，所述降维处理的表达式为：
8.根据权利要求1所述的一种基于多变量分析的AD功能网络与代谢
9.根据权利要求1所述的一种基于多变量分析的AD功能网络与代谢耦合检测方法，其特征在于，所述获得典型相关变量的具体步骤包括：
10.根据权利要求1所述的一种基于多变量分析的AD功能网络与代谢耦合检测方法，其特征在于，还包括采用置换检验评估所述多变量分析处理的显著性，所述评估的具体步骤包括：
...【技术特征摘要】
1.一种基于多变量分析的ad功能网络与代谢耦合检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多变量分析的ad功能网络与代谢耦合检测方法，其特征在于，所述获得葡萄糖代谢率特征的具体步骤包括：
3.根据权利要求1所述的一种基于多变量分析的ad功能网络与代谢耦合检测方法，其特征在于，获得功能连接强度特征的具体步骤包括：
4.根据权利要求2或3任一所述的一种基于多变量分析的ad功能网络与代谢耦合检测方法，其特征在于，所述脑区根据power脑区模板进行划分。
5.根据权利要求3所述的一种基于多变量分析的ad功能网络与代谢耦合检测方法，其特征在于，所述相关系数法为皮尔逊相关系数法。
6.根据权利要求1所述的一种基于多变量分析的a...
【专利技术属性】
技术研发人员：张淼，李瑶，张垚煜，李雯丽，李彪，林晓珠，孟宏平，
申请(专利权)人：上海交通大学医学院附属瑞金医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。