一种基于磁共振脑影像的被试对象间个体差异的数据间关系分析方法与流程

本发明涉及脑影像领域，特别涉及一种基于被试磁共振脑影像的被试对象间个体差异的数据间关系分析方法。

背景技术：

目前，现阶段的基于影像的神经科学分析方法通常是考察单个分析单元的脑影像信息与除该被分析的影像信息之外的其他数据的关系。例如，现有技术中在对比先天愚型与正常人的脑影像差别的时候，对于每个被试对象的完整的脑区图像，假设由n个脑区构成，仅逐个独立的分析脑影像中这n个脑区，将各个被试对象脑影像的单独脑区选出后进行逐个对比分析，以试图探索出先天愚型与正常人的差异脑区。这种方式忽略了影像数据不同分析单元之间的相对信息，即，仅独立考虑了多个脑区，而忽略了n个脑区中，各个脑区之间的相对信息，即未考虑各个脑区之间的变异及相互关系。

同时，目前磁共振影像数据的神经影像分析方法大多采用基于脑影像原始数据的组间差异比较、被试间相关分析等，忽略了以两两被试间的差异为数据基本单元来展开分析。

由此可见，现有技术忽略了被试个体脑影像多个分析单元之间的相对信息及两两被试间个体差异信息，部分阻碍了对被试对象脑影像信息与除该被分析的影像信息之外的其他数据的关系研究。

技术实现要素：

有鉴于此，本发明的主要目的在于提供一种基于磁共振脑影像的被试对象间个体差异的数据间关系分析方法，通过利用磁共振影像数据中多维变量度量两两被试之间的相似性(即特征空间距离)，并分析影像数据的被试间相似度和除该影像数据之外的其他数据的被试间相似度之间的关系，以确定所述被试对象脑影像多维变量与除该被分析的影像信息之外的其他数据的相关性。

本申请提供一种基于磁共振脑影像的被试对象间个体差异的数据间关系分析方法，所述方法包括以下步骤：

A、获取各被试对象的磁共振脑影像；

B、基于每个被试对象磁共振脑影像的至少一个被分析单元、以及每个被分析单元对应的至少一个参数变量，构建每个被试对象的多维变量；

C、根据所述每个被试对象的多维变量，分别计算两两被试对象的所述多维变量之间的特征距离，并据此构建各被试对象的第一特征距离矩阵；

D、获取各被试对象的第二种数据，分别计算两两被试对象的所述第二种数据之间的特征距离；据此构建各被试对象的第二特征距离矩阵；

E、根据第一、第二特征距离矩阵的相似度大小，确定所述被试对象的所述被分析单元的所述参数变量与所述第二种数据的相关性强弱。

由上，通过利用磁共振影像数据中多维变量度量两两被试之间的相似性(即特征空间距离)，并分析影像数据的被试间相似度和除该影像数据之外的其他数据的被试间相似度之间的关系，以确定所述被试对象脑影像多维变量与除该被分析的影像信息之外的其他数据的相关性。

优选地，所述每个被试对象的多维变量包括：

基于该被试对象的1个被分析单元、该被分析单元对应的n1个参数变量构成的n1维变量；或

基于该被试对象的m2个被分析单元、每个被分析单元对应的1个参数变量构成的m2维变量；或

基于该被试对象的m3个被分析单元、每个被分析单元对应的n3个参数变量构成的m3*n3维变量；

其中：n1大于1，m2大于1，m3大于2，n3大于2。

优选地，所述磁共振影像包括以下任一：结构磁共振影像、弥散磁共振影像、任务态功能磁共振影像、静息态功能磁共振影像。

优选地，所述被分析单元至少包括以下其一：整个大脑、大脑半球、由任意个体素组成的各个感兴趣区域、各个感兴趣区域之间的脑连接。

优选地，所述参数变量为任一可量化的脑指标；

其中，所述脑指标包括：脑磁共振信号强度、脑灰质相关指标、脑白质相关指标、脑功能激活相关指标、脑静息态功能相关指标、脑网络连接数据、脑网络拓扑属性或脑偏侧化指标。

优选地，所述脑灰质相关指标包括以下任一：灰质皮层表面积、灰质体积、灰质皮层厚度、灰质密度；

所述脑白质相关指标包括以下任一：平均弥散系数、各向异性分数、相对各向异性、轴向弥散系数以及径向弥散系数；

所述脑功能激活相关指标包括以下任一：激活面积、激活强度；

所述脑静息态功能相关指标包括以下任一：局部一致性、低频振荡振幅、分数低频振幅。

优选地，所述每个参数变量包括：

由同一个指标相关的一个或多个数据所构成的一维向量；

由p个不同指标分别相关的一个或多个数据所构成的p维向量，p大于1。

优选地，所述被试对象的第二种数据至少包括以下其一：

基于被试对象磁共振脑影像的其他被分析单元或其他参数变量提取出的每个被试对象的多维变量、环境数据、遗传数据、临床数据、行为数据。

由上，本申请提供一种基于磁共振脑影像的被试对象间个体差异的数据间关系分析方法，通过利用磁共振脑影像数据中多维变量的被试对之间的相似性，并分析该影像数据的被试间相似度和除该影像数据之外的其他数据的被试间相似度之间的关系，以确定所述被试对象的脑影像的多维变量与所述第二种数据的相关性。

附图说明

图1为本发明实施提供的一种基于磁共振脑影像的被试对象间个体差异的数据间关系分析方法的流程图；

图2为对应图1的图像示意图示例，其中(A)为各个被试对象磁共振脑影像的全脑多维变量的空间分布图；(B)为各个被试对象的磁共振脑影像的多维变量示意图；(C)为采用线性相关方法来度量某两个被试对象的多维变量之间特征距离的示意图；(D)为分别计算两两被试对象的所述多维变量之间的特征距离矩阵示意图，其中每个矩阵像素对应每个特征距离值。

图3的(A)为基于磁共振影像的被试间特征距离矩阵的举例示意图；(B)为基于基因序列信息的被试间特征距离矩阵的第一举例示意图；(C)为基于基因序列信息的被试间特征距离矩阵的第二举例示意图。

具体实施方式

下面将结合附图1-3，对本发明实施例进行详细描述。

参见图1，本发明的一种基于磁共振脑影像的被试对象间个体差异的数据间关系分析方法包括以下步骤：

S101，针对s个被试对象，获取各被试对象的磁共振脑影像；其中，所述磁共振影像可包括以下任一：结构磁共振影像、弥散磁共振影像、任务态功能磁共振影像、静息态功能磁共振影像。其中，图2例子中的图(A)所示为s＝43。

S102，基于每个被试对象磁共振脑影像的至少一个被分析单元、以及每个被分析单元对应的至少一个参数变量，构建每个被试对象的多维变量。

其中，所述被分析单元即为所被分析的对象，可以为整个大脑、大脑半球、由任意个体素组成的各个感兴趣区域、或各个感兴趣区域之间的脑连接。举例来说，基于磁共振影像数据，可将大脑皮层按照一定的规则分割成不同的感兴趣区域，即不同脑区。在脑网络分析中，脑区也被称为脑网络的节点，这些脑区/节点可以作为本发明的各个分析单元。同理，如果计算各个脑区之间的相互关系，在脑网络研究中，这种相互关系被称为脑连接。各个脑连接也可以作为本发明的各个分析单元。

每个被分析单元会存在着至少一个可量化的脑指标值，即对应着至少一个参数变量。其中，所述脑指标可包括：脑磁共振信号强度、脑灰质相关指标、脑白质相关指标、脑功能激活相关指标、脑静息态功能相关指标、脑网络连接数据、脑网络拓扑属性或脑偏侧化指标等。

而对于上述每个脑指标，即每个参数变量，其还可以由若干子参数变量构成，例如：所述脑灰质相关指标包括灰质皮层表面积、灰质体积、灰质皮层厚度、灰质密度等；所述脑白质相关指标包括平均弥散系数、各向异性分数、相对各向异性、轴向弥散系数以及径向弥散系数等；所述脑功能激活相关指标包括激活面积、激活强度等；所述脑静息态功能相关指标包括局部一致性、低频振荡振幅、分数低频振幅等。

由上可见，对于每一个被试对象，其便可以根据其若干被分析单元、每个被分析单元对应的若干参数变量、每个参数变量包含的若干子参数变量(参数变量和子参数变量可统称为参数变量)，构建出每个被试对象的多维变量，此处记为t维变量，图2例子中的图(B)所示为t＝90。其中，每个被试对象的t维变量可如下构建：

情况a：基于该被试对象的1个被分析单元、该被分析单元对应的n1个参数变量，确定出t＝n1，故构建n1维变量，n1大于1。例如当各个被试对象均使用大脑左半球作为被分析单元，采用大脑左半球的灰质皮层表面积、灰质体积、灰质皮层厚度等n1个参数作为n1个参数变量，则每个被试对象构建为n1维变量；

情况b：基于该被试对象的m2个被分析单元、每个被分析单元对应的1个参数变量，确定出t＝m2，故构建m2维变量，m2大于1。例如当各个被试对象均使用m2个脑区作为m2个被分析单元，每个脑区使用脑网络节点效率这1个参数作为参数变量时，每个被试对象对应m2维变量；

情况c：基于该被试对象的m3个被分析单元、每个被分析单元对应的n3个参数变量，确定出t＝m3*n3，故构建m3*n3维变量，m3大于2，n3大于2。例如当各个被试对象均使用m3个脑区作为m3个被分析单元，每个脑区使用灰质皮层表面积、灰质体积、灰质皮层厚度等n3个参数作为n3个参数变量时，每个被试对象对应m3*m2维变量。

此处说明的是，如图2(A)(B)例子对应的是上述情况b，图2(B)示出了横坐标为43个被试对象标号、纵坐标为90个节点标号，坐标中每个色块的深浅对应脑网络节点效率，即表示：共有43个被试对象(即s＝43)，每个被试对象采用了90个脑区(或称为节点)作为被分析单元(即m2＝90)，每个节点采用该节点效率作为参数变量。

步骤S102中所述的每个参数变量，该参数变量可以为一个值，或由同一个指标相关的一个或多个数据所构成的一维向量，或有多个不同指标分别相关的一个或多个数据所构成的多维向量(例如由若干子参数变量构成的多维向量)。例如，当参数变量为如图2所示的脑网络节点效率时，每个参数变量为一个值；又如，当参数变量为脑区之间的连接数据(例如脑区之间的纤维数量)时，则该参数变量为该脑区与其他多个脑区的连接数据(例如纤维数量)所构成的一组数据(形成一维矩阵)，即一维向量；又如，当该参数变量还含有其他指标(如脑灰质相关指标)的值，则由这些共同构成了多组数据(形成多维矩阵)，即多维向量。

这里，将本步骤的原理进一步阐述如下：基于磁共振影像数据，将大脑皮层按照一定的规则分割成不同的区域，即脑区，也被称为脑网络的节点。之后，计算脑区之间的相互关系，这种相互关系被称为脑网络的边，也称为脑连接。脑连接强度可以定义为脑区间形态学数据(如灰质皮层厚度、灰质体积、灰质皮层表面积、灰质密度)的相关性(即脑灰质结构网络)，也可以定义为两个脑区之间白质纤维束的属性(如纤维数量、纤维长度、纤维密度、平均各向异性分数等)(即脑白质结构网络)，还可以定义为两个脑区之间的功能活动的时间线性或者非线性相关性(即脑静息态功能网络)。通过计算任意两个脑区之间的脑连接，得到网络中各个节点间的连接关系，这种关系可以用邻接矩阵表示。通过图论的分析方法，计算该网络的拓扑属性。例如，将每个被试对象的大脑灰质分割成90个脑区(每个脑区为一个网络节点，也即一个分析单元)，然后计算网络节点属性，例如计算的网络节点属性为网络节点效率，这样每个被试对象就可获得90个节点效率值(即参数变量值)。

S103，根据所述每个被试对象磁共振脑影像的多维变量，分别计算两两被试对象间脑影像的多维变量之间的特征距离(例如皮尔森相关系数)。

即针对上述s个被试对象，每个对象的t维变量，计算出两两被试对象脑影像t维变量之间的特征距离。其中，计算两组t维变量的特征距离的算法，可以采用现有算法或分析工具，并非本发明关注点，对此故不再赘述。

如图2例子中，每个被试对象有90个节点效率值，对应本步骤，通过计算任意两个被试之间的90个节点效率值的皮尔森相关系数，根据该相关系数获取两两被试对象间的特征距离。图2(C)示意出了第26被试对象90维的数据与第39被试对象90维的数据之间的特征距离的度量，该图中示意的是采用皮尔森线性相关度量特征距离。

S104，根据所述两两被试对象间脑影像的所述多维变量之间的特征距离，构建出被试对象之间磁共振脑影像多维变量的特征距离矩阵，此处称为第一特征距离矩阵。如图2(D)即示意出了各个被试对象特征距离矩阵图，其中每个像素对应被试对象间所述多维变量的特征距离，像素灰度的深浅表示特征距离值的大小。

S105，获取各被试对象的第二种数据，分别计算两两被试对象的所述第二种数据之间的特征距离；据此构建各被试对象的第二特征距离矩阵。

其中，所述被试对象的第二种数据为除第一种数据相关的脑影像以外的多维变量数据。例如，非第一种数据相关的脑影像其他分析单元的多维变量数据、环境数据、遗传数据、临床数据、行为数据。

S106，判断所述磁共振脑影像多维变量的第一特征距离矩阵与所述第二种数据的第二特征距离矩阵的相似度，以确定所述各被试对象脑影像多维变量，即所述被试对象的所述被分析单元的所述参数变量，与各被试对象所述第二种数据之间相关性的强度。

其中，所述判断所述磁共振脑影像多维变量的第一特征距离矩阵与所述第二种数据的第二特征距离矩阵的相似度的方法，采用现有的两矩阵相似性判断方法，或分析工具来实现，不再赘述，例如可以采用下述方式：

计算脑影像特征第一特征距离矩阵和第二种数据的第二特征距离矩阵相互关系(例如皮尔森相关系数等)。可以利用相似值来度量两个特征距离矩阵是否显著相关以及相关程度。此处的皮尔森相关系数分析只是其中一种相关性分析，其他可以判断二者的相似度的相关性分析同样适用。

下面，结合图3示出的本发明的方法在实际实验中所获得的具体的特征距离矩阵，进一步解释本步骤的原理例如，图3(A)所示为：分别取22个先天愚型和21个正常人作为被试对象，这43个被试对象的磁共振脑影像的多维变量的特征距离矩阵示意图，该图表示两两被试间的差异的分布。为了便于读者观测，该图中先天愚型被试对象作为前22个对象(需要说明的是，本文只是为了便于读者更易于直观图示方式了解本发明才将先天愚型被试对象作为前22个对象来显示该图，实际上，由于本步骤的确定两个矩阵相似性的强度可由计算机执行判断，是不需要将先天愚型被试对象作为前22个对象，所述43个被试对象随机排列即可)，该图示中由0到1表示特征距离越来越远，从该图示出的特征距离值可以明显看出：22个先天愚型两两之间的特征距离较近，大部分位于0.3上下；21个正常人两两之间的特征距离较近，大部分位于0.2上下；而先天愚型与正常人之间的特征距离较远，大部分位于0.85之上。

图3(B)所示为：分别取上述22个先天愚型和21个正常人的某个或某些遗传特征数据(可以是一维或多维特征数据)进行两两相似性计算，该例子中遗传特征数据采用的是基因序列信息，对两两被试个体的基因序列信息的特征距离进行计算，获得该43个被试对象的该基因序列特征距离矩阵，其中，被试对象的顺序与图3(A)相同。

当图3(A)和(B)图示的两个特征距离矩阵之间的相似度越高，则表示，所确定的这43个被试对象磁共振脑影像的所述多维变量，与所述遗传特征数据，即基因序列信息，之间的关系度越强。

如果如上获得的该43个被试对象的遗传特征数据的特征距离矩阵并非如图3(B)而如图3(C)所示的结果，即表示这两个特征距离矩阵之间相似度并不高，则表示所确定的这43个被试对象磁共振脑影像的所述多维变量，与所述基因序列信息之间的关系度不高。

其中，图3(C)是一种假设的情况，实际得到的图形为图3(B)；即，这43个被试对象磁共振脑影像的所述多维变量，与所述遗传特征数据，即基因序列信息，之间的关系度较强，相似度高。

根据上面的方式，则可以运用到数据分析过程中，例如可以用来判断在上述步骤S102中所用的多维变量与步骤S105中所用的第二种数据的关系度的大小，从而可以用来进行指标的筛选。当针对大量的被试对象，分别积累了多种脑指标的所述多维变量、也积累了多种类型的第二种数据时，则可以采用本发明的方法，确定出哪种脑指标数据与哪类第二种数据的关系度比较近。

另外进一步说明的是，上述所描述的影像，是指广义上的影像数据，可以以图像方式存在或呈现，也可以是以数据格式存在或呈现。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。