本发明专利技术针对现有大脑网络构建方法中节点选取方法的不足提出融合图像体素及先验脑图谱划分的大脑网络构建方法，包括对功能磁共振成像数据的预处理，基于图像体素构建初步大脑网络，在初步大脑网络的基础上基于先验脑图谱构建最终大脑网络。本发明专利技术将现有技术中两种节点选取方法进行融合，在图像体素的基础上寻找度值较大的节点，利用Talairach脑区定位软件在先验脑图谱的基础上筛选节点，以筛选出的节点为圆心画半径为6毫米的球体作为大脑网络的核心节点，根据核心节点及求得的大脑网络的边确定最终的大脑网络。本发明专利技术能全面细致的刻画大脑功能网络，将网络的核心节点在大脑空间中可视化的同时，实现清晰的观测脑区之间连接模式的功能。
【技术实现步骤摘要】
本专利技术涉及脑功能成像领域以及大脑网络的构建领域，具体是一种来构建人体大脑网络，为认知大脑内部的工作机制，研究大脑内部的神经活动规律以及重大神经科学问题提供拓朴图像依据。
技术介绍
人脑可以看作由多个神经元、神经元集群或者多个脑区相互连接成的一个高度复杂的网络，这个庞大而复杂的网络是大脑进行信息处理和认知表达的生理基础。一些神经科学家充分认识到构建人脑网络的重要性后，提出人脑连接组(humanconnectome)的概念。人脑连接组力图从宏观(大脑脑区)到微观(单个神经元)的各层次上全面而精细的刻画人类从总体到个体水平的大脑网络图谱，并进一步挖掘该网络的连接规律。构建大脑网络关键的两步一是如何定义网络节点，二是如何定义网络节点间的连接(边)。近年来,基于图论的复杂网络理论(Graph Theory Analysis)的发展为人脑连接组的研究提供了必要的工具和分析方法。其中，基于功能磁共振成像数据构建大脑网络时，网络节点的选取十分重要并直接影响最终网络模型的精确性。目前对大脑网络节点的选取普遍采用两种方式将图像体素或由先验脑图谱划分得到的大脑区域看作大脑网络的节点。将图像体素看作网络节点时，通常是基于功能磁共振成像预处理后的数据集，把图像中的每个体素点作为大脑网络中的节点。这样选取节点的优点是能够全面、细致的刻画脑网络，精确定位出特定解剖结构中的核心节点，并且可以将核心节点在大脑空间中可视化。但是如果采取这样的网络节点定义方式，可能在某一包含图像体素较多的脑区内部由于局部体素自相关过多而导致“伪核心节点”的产生；同时将每个体素看作网络节点时网络中包含上千或上万的节点，不利于观测整个网络的连接模式。利用先验脑图谱划分得到的大脑区域作为网络节点时，最常用的是AAL大脑解剖图谱(可参见 Tzourio-Mazoyer N, Landeau B, Papathanassiou D, Crivello F,Etard 0, etal. (2002)Automated anatomical labeling of activations in SPM usinga macroscopicanatomical parcellation of the MNI MRI single-subject brain.Neuro image 15 :273-289.)，该图谱将大脑分成90个独立的脑区，研究者在构建大脑网络时通常将每个大脑区域看作大脑网络的一个节点；除此之外，也可以按照其它的解剖结构划分方式将大脑分割成一定数目的脑区。这样选取节点的优点是所构建出的大脑网络节点意义相对明确，网络可视化强，能够清楚的观测网络中点与点之间的连接模式。但是，由于根据解剖结构得到的脑区与脑区之间的边界不好确定，并且每个脑区中所包含的图像体素个数可以从十几到几千，这样就导致网络中节点的分割方式相对粗糙，包含体素较多的节点的脑区也更容易产生边的连接，影响最终网络模型的精确性。因此，在构建大脑网络时节点的选取方式需要改进。
技术实现思路
本专利技术的目的在于克服上述现有技术中存在的大脑网络节点选取方式的不足之处，从而提出了一种改进的节点选取方法来构建大脑网络，即。为了实现本专利技术的目的，本专利技术采取的技术方案是将现有技术中图像体素和先验脑图谱两种节点选取方法进行融合并将图像体素或先验脑图谱看作大脑网络的节点，在图像体素的基础上寻找度值较大的节点，初步大脑网络，然后利用Talairach脑区定位软件在先验脑图谱的基础上筛选节点，并以筛选出的节点为圆心画半径为6毫米的球体作为大脑网络中的核心节点，在初步大脑网络的基础上基于先验脑图谱构建最终的大脑网络，其步骤包括:步骤1:利用磁共振成像手段获取大脑信号数据并对获取的数据进行预处理，采用SPM5统计参数图分析软件对数据进行预处理，具体操作如下:(1.1)采用最小二乘法对采集到的大脑信号数据进行头动校正；(1.2)对校正后的数据利用仿射变换将平均图像配准到标准模板，并将体素进行重切；(1.3)采用带通滤波器对配准重切后的数据进行滤波，以去除噪声；(1.4)对滤波后的数据进行线性回归，去除白质、脑脊液和被试实验过程中头动产生的影响；步骤2:基于图像体素构建初步的大脑网络，具体操作如下:(2.1)将大脑图 像中的图像体素定义为大脑网络中的节点；(2.2)在一系列稀疏度中寻找临界值S ,在寻找临界值S 的过程中，同时也在利用如下公式计算大脑网络中实际存在的边数:S% =(H)其中，M表示大脑网络中实际存在的边，N为大脑网络中节点的个数，!表示2大脑网络中最大可能存在的边数；寻找临界值S 的具体操作按如下步骤:(2.2.1)提取(2.1)步骤中每一个体素点的时间序列，将每两个体素点的时间序列进行相关得到每两个体素点之间的皮尔森相关系数ru，将皮尔森相关系数取绝对值得到IruI ;皮尔森相关系数代表第i个体素点和第j个体素点之间的相关性，的值介于-1和I之间，当-1彡riJ ( 0时表示第i个体素点和第j个体素点之间是负相关，当I ^ ^ 0时表示第i个体素点和第j个体素点之间是正相关；I riJ I的值越大表示第i个体素点和第j个体素点之间的相关性越高；(2.2.2)根据节点总数N建立N*N的零矩阵，将每两点之间的皮尔森相关系数ru填入对应的零矩阵中，得到对称矩阵，定义该对称矩阵为相关系数矩阵；(2.2.3)选择一系列稀疏度值，根据公式(1-1)计算每一稀疏度下的M值，即网络中保留的实际边数，将M值四舍五入取整；(2.2.4)将相关系数矩阵的上三角矩阵中所有的IrijI按降序排列，计算每一稀疏度S%下M值的IruI值定义为Γ临界，建立与(2.2.2)步骤中相关系数矩阵大小相同的零矩阵，称该矩阵为邻接矩阵，找出相关系数矩阵中所有|ru|彡r| 的位置，将邻接矩阵中对应Irij彡rlls#的位置置1，然后将对角线位置置O，邻接矩阵中值为I的位置表示两个节点之间有连接，即网络中两个节点之间存在边，值为O则表示两个节点之间没有连接，即网络中的两个节点间没有边；(2.2.5)在所选的每个稀疏度下计算所有节点的度值，节点i的度值Cli定义为与该点直接相连的边数，节点的度值越大则该节点的连接边越多，节点在网络中的地位也就越重要；(2.2.6)统计度值不等于零的节点数目K，得到比例K/N，将第一个K/N = I时所对应的稀疏度s%定义为S用于保证网络处于全连接状态，同时最大程度减少网络中随机产生的边的数目；(2.3)根据(2.1)步骤中的节点以及(2.2.4)步骤中的边确定初步的大脑网络；步骤3:在初步大脑网络的基础上基于先验脑图谱构建最终的大脑网络，具体操作如下:(3.1)寻找最终大脑网络的核心节点，具体操作包括；(3.1.1)优化初步大脑网络中的节点，在稀疏度下寻找度值较大的节点，去除一部分不重要的节点；(3.1.2)利用Talairach脑区定位软件,将优化后的节点坐标和Talairach脑区定位软件中脑图谱划分的脑区进行对比筛选，若一个脑区中只包含一个节点，则保留该节点；若一个脑区中包含多个节点，则保留其中度值最大的节点，即保留该脑区中最重要的节占.(3.1.3)分别以(3.1.2)步骤中保留节点的坐标为圆心，在大脑本文档来自技高网...
【技术保护点】
融合图像体素及先验脑图谱划分的大脑网络构建方法，其特征在于，基于图像体素构建初步的大脑网络，在初步大脑网络的基础上基于先验脑图谱构建最终的大脑网络，具体操作步骤如下：步骤1：利用磁共振成像手段获取大脑信号数据并对获取的数据进行预处理，采用SPM5统计参数图分析软件对数据进行预处理，具体操作如下：(1.1)采用最小二乘法对采集到的大脑信号数据进行头动校正；(1.2)对校正后的数据利用仿射变换将平均图像配准到标准模板，并将体素进行重切；(1.3)采用带通滤波器对配准重切后的数据进行滤波，以去除噪声；(1.4)对滤波后的数据进行线性回归，去除白质、脑脊液和被试实验过程中头动产生的影响；步骤2：基于图像体素构建初步的大脑网络，具体操作如下：(2.1)将大脑图像中的图像体素定义为大脑网络中的节点；(2.2)在一系列稀疏度S％中寻找临界值S临界％，在寻找临界值S临界％的过程中，同时也在利用如下公式计算大脑网络中实际存在的边数：S%=M/N(N-1)2---(1-1)其中，M表示大脑网络中实际存在的边，N为大脑网络中节点的个数，表示大脑网络中最大可能存在的边数；寻找临界值S临界％的具体操作步骤如下：(2.2.1)提取(2.1)步骤中每一个体素点的时间序列，将每两个体素点的时间序列进行相关得到每两个体素点之间的皮尔森相关系数rij，将皮尔森相关系数rij取绝对值得到|rij|；皮尔森相关系数rij代表第i个体素点和第j个体素点之间的相关性，rij的值介于?1和1之间，当?1≤rij≤0时表示第i个体素点和第j个体素点之间是负相关，当l≥rij≥0时表示第i个体素点和第j个体素点之间是正相关；|rij|的值越大表示第i个体素点和第j个体素点之间的相关性越高；(2.2.2)根据大脑网络节点总数N建立N*N的零矩阵，将每两点之间的皮尔森相关系数rij填入对应的零矩阵中，得到对称矩阵，定义该对称矩阵为相关系数矩阵；(2.2.3)选择一系列稀疏度值，根据公式(1?1)计算每一稀疏度下的M值，M表示大脑网络中实际存在的边数，将M值四舍五入取整；(2.2.4)将相关系数矩阵的上三角矩阵中所有的|rij|按降序排列，计算每一稀疏度S％下M值的|rij|值定义为r临界，建立与(2.2.2)步骤中相关系数矩阵大小相同的零矩阵，称该矩阵为邻接矩阵，找出相关系数矩阵中所有|rij|≥r临界的位置，将邻接矩阵中对应|rij|≥r临界的位置置1，然后将对角线位置置0，邻接矩阵中值为1的位置表示两个节点之间有连接，即网络中两个节点之间存在边，值为0则表示两个节点之间没有连接，即网络中的两个节点间没有边；(2.2.5)在所选的每个稀疏度下计算所有节点的度值，节点i的度值di定义为与该点直接相连的边数，节点的度值越大则该节点的连接边越多，节点在网络中的地位也就越重要；(2.2.6)统计度值不等于零的节点数目K，得到比例K/N，将第一个K/N＝1时所对应的稀疏度S％定义为S临界％，S临界％用于保证网络处于全连接状态，同时最大程度减少网络中随机产生的边的数目；(2.3)根据(2.1)步骤中的节点以及(2.2.4)步骤中的边确定初步的大脑网络；步骤3：在初步大脑网络的基础上基于先验脑图谱构建最终的大脑网络，具体操作如下：(3.1)寻找最终大脑网络的核心节点，具体操作包括；(3.1.1)优化初步大脑网络中的节点，在稀疏度S临界％下寻找度值较大的节点，去除一部分不重要的节点；(3.1.2)利用Talairach脑区定位软件，将优化后的节点坐标和Talairach脑区定位软件中脑图谱划分的脑区进行对比筛选，若一个脑区中只包含一个节点，则保留该节点；若一个脑区中包含多个节点，则保留其中度值最大的节点，即保留该脑区中最重要的节点；(3.1.3)分别以(3.1.2)步骤中保留节点的坐标为圆心，在大脑空间中画半径 为6毫米的球，去掉得到球体内白质，脑脊液的体素，即去除噪声，以保证脑区功能一致性，当画出的球有两个或多个存在重叠部分时，将重叠部分从每个球体内去除，然后将每个球体看作一个脑区；(3.1.4)将(3.1.3)步骤中得到的脑区看作大脑网络中的核心节点，计算核心节点总数N核心，所保留的核心节点为最终大脑网络的网络节点；(3.2)构建大脑网络的边即网络节点间的连接，具体操作如下：(3.2.1)提取每个核心节点的时间序列，将每两个核心节点的时间序列进行相关得到每两个核心节点之间的皮尔森相关系数Rij，将皮尔森相关系数Rij取绝对值得到|Rij|；(3.2.2)根据核心节点总数N核心建立N核心*...
【技术特征摘要】
1.融合图像体素及先验脑图谱划分的大脑网络构建方法，其特征在于，基于图像体素构建初步的大脑网络，在初步大脑网络的基础上基于先验脑图谱构建最终的大脑网络，具体操作步骤如下: 步骤1:利用磁共振成像手段获取大脑信号数据并对获取的数据进行预处理，采用SPM5统计参数图分析软件对数据进行预处理，具体操作如下: (1.D采用最小二乘法对采集到的大脑信号数据进行头动校正； (1.2)对校正后的数据利用仿射变换将平均图像配准到标准模板，并将体素进行重切； (1.3)采用带通滤波器对配准重切后的数据进行滤波，以去除噪声； (1.4)对滤波后的数据进行线性回归，去除白质、脑脊液和被试实验过程中头动产生的影响； 步骤2:基于图像体素构建初步的大脑网络，具体操作如下: (2.1)将大脑图像中的图像体素定义为大脑网络中的节点； (2.2)在一系列稀...
【专利技术属性】
技术研发人员：刘继欣，秦伟，李静，李国英，熊诗威，南姣芬，田捷，
申请(专利权)人：西安电子科技大学，
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。