专利名称：功能性磁共振图像的聚类方法
技术领域：
本发明属于生物信息技术中的模式、图像识别领域，特别涉及一种功能性磁共振 成像(functional magnetic resonance imaging, fMRI)图像后处理技术。
背景技术：
目前，脑功能成像技术已得到了广泛应用，其中的功能性磁共振成像 (f皿ctionalmagnetic resonance imaging, fMRI)是在石兹共振成像(magnetic resonance imaging,MRI)技术的基础上发展起来的，通过功能磁共振成像技术对许多生理和生物物理 参数进行测量，它是进行脑功能活动探测和成像的无创伤手段。其成像方法主要包括模型 驱动(Model-driven)分析方法及数据驱动(Data-driven)分析方法两类。其中
模型驱动(Model-driven)分析方法该方法在处理预RI图像的时候要依靠实验 模式(型)，现在用的比较多的是Friston等人基于广义线性模型(General Linear Model, GLM)提出的统计参数图(Statistical Parametric M即ping， SPM)来分析预RI图像。这 类方法相对说来比较简单、直观；但由于需要一个包含与实验模式、其它人为增加的心跳、 呼吸、头动等因素相关的先验模式对预RI图像进行分析，并且在处理过程中还要依赖于统 计推断来获得最后的结果；因而存在干扰因素多、噪声量大，其最终结果取决于统计推断的 准确度，人为因素影响大等缺陷。 数据驱动(Data-driven)分析方法该方法主要包括独立成份分析方法和 聚类分析方法，其中、McKeown等人在1998提出的独立成份分析方法(Ind印endent ComponentAnalysis, ICA)，该方法是将多维数据分解为若干个相互独立的分量，在预RI数 据分析中，可以在不对实验的任务进行任何假设前提下分离出各类独立的成分，从而使这 类方法在预RI图像分析和处理方面越来越受重视；但在独立成份分析中如何对成份进行 客观选择，目前还是一个没有解决的难题，该方法对成份的选择目前还停留在人为判断的 基础上，因而仍存在受人的主观因素影响大的缺陷。 聚类分析方法包括其一是K-均值聚类(K-means)分析方法，即每个类别都采
用该类所有数据的平均值来表示，虽然它能很好地体现出聚类在几何学和统计学上的意 义，但是K-均值聚类方法中对类别数和初始聚类中心的选择没有准则可依循，人为因素 对聚类结果的的好坏影响极大；其二是分级聚类(Hierarchical clustering, HC)分析 方法，该方法是通过将数据组织成若干组，并形成一个相应的树状图来进行聚类，但分级 聚类的缺点在于一旦对数据进行合并或分裂之后，就无法再进行调整，加之对合并或者分 裂点的位置选择由于无客观标准可循，主要凭个人经验处理，因此仍存在受人的主观因素 影响大的缺陷；其三是仿射聚类分析方法(Frey B J， Dueck D. Clustering by passing messagesbetween data points. Science, 2007， 315 (5814) :972 976)，该分析方法是近
两年才提出的，它是首先将数据集的所有样本点都视为候选的聚类中心，并为每个样本点 建立与其他样本点的吸引度参数，各样本点在循环迭代过程中竞争最终的聚类中心，当迭
代过程收敛时、即与各类别对应的聚类中心也随之确定，然后将每个样本点分配给最近的
4聚类中心，从而确定其所属的类别。该方法的优势体现在不需要预先指定聚类数、且分类客 观；但由于决定聚类中心的偏向参数则需要人为设定，因而其最优的聚类结果仍受制于人 的主观因素影响、其随意性大。对此，王开军等人提出了一种通过从全部偏向参数所对应的 聚类结果中筛选出最优聚类结果的自适应仿射聚类方法，该方法在数据量较小的情况下， 与传统仿射聚类方法相比，其聚类质量优于传统的仿射聚类方法，但是自适应聚类方法本 身需确定全部偏向参数所对应的聚类结果，其处理量大，也就限制了其处理数据的能力，因 而存在数据的处理能力较差、无法对数据量大的图像进行聚类处理等缺陷。
发明内容
本发明的目的是研究设计一种功能性磁共振图像的聚类方法，以克服分级聚类在 预RI图像处理中对合并或者分裂点的选择困难、对个人经验依赖性大，而自适应仿射聚类 无法对数据量较大的图像进行处理的弊病，达到有效提高预RI图像处理过程中的客观性 及对大数据量图像的处理能力等目的。 本发明的解决方案是通过将分级聚类(HC)与自适应仿射聚类(APC)方法有机结
合，综合利用两者的特点、克服其缺陷，从而实现其发明目的。因此，本发明包括 A.对原始预RI图像进行预处理首先对输入的预RI图像进行空间位移的校正，
并利用高通滤波器将呼吸、心跳类生理活动引起的低频噪声滤掉，再将校正后的图像进行
标准化处理，然后对标准化处理后的图像利用高斯核进行空间平滑处理； B.分区仿射聚类首先按照常规的大脑分区模板进行分区，再根据所得到的各个
分区图像子集，利用各个体素之间的相关系数作为相似度矩阵中的元素，并取矩阵的中值
作为偏向参数，然后利用传统仿射聚类方法(APC)对各个分区的图像子集进行聚类，得到
每个分区对应的聚类结果； C.获取新的图像及确定对应的偏向参数将由B步骤得到的分区聚类结果，利用 分级聚类(HC)的处理方法，将每个分区中同类的数据作为一个聚合体素，并按照空间分布 重新组合，得到新的图像，对新的图像再利用各个聚合体素之间的相关系数作为相似度矩 阵中的元素、取矩阵的中值作为偏向参数； D.获取全部偏向参数所对应的聚类结果首先对由C步骤分区聚类后形成的图像 及其偏向参数按传统仿射聚类方法重新聚类，得到本步骤第一次聚类结果；然后再将C步 骤分区聚类后形成的图像用按设定步幅减小后的偏向参数值对其进行重新聚类，得到第二 次聚类结果；如此反复利用按步幅依次递减后的偏向参数重新聚类、直至类别数为2止，并 保存所得全部聚类结果，转步骤E ; E.确定最优聚类结果将步骤D所得聚类结果按Silhouette指标评定，其中最小 Silhouette值所对应的聚类结果即为最优聚类结果； F.获取聚类后的预RI图像将步骤E所得的最优聚类结果，投射回原始预RI图 像中，即得到最终聚类后的预RI图像。 上述高通滤波器为频率1/128Hz的高通滤波器。所述将图像进行标准化处理，是 采用SPM自带的EPI模板进行标准化处理。所述大脑分区模板进行分区，其模板为AAL模 板。而所述各个体素之间的相关系数由下式决定
其中Xi和yi是任意两个样本，i是第i个样本。 所述按设定步幅减小后的偏向参数值再次聚类，其步幅为 pstep = 0. lp 0. OOlp 其中Pstep是步幅、p是由C步骤所得偏向参数。 所述聚类结果按Silhouette指标评定，各指标值由下式给出 其中a(t)是某类中的一个样本与其所在的类中其他所有样本的平均不相似度或
者距离，b(t)是这个样本到另外所有类的最小平均不相似度或者距离。 本发明由于将分级聚类与仿射聚类和自适应仿射聚类有机结合、对图像进行综合
处理，克服传统聚类方法受人的主观因素影响和对个人经验依赖性大，以及无法对数据量
大的图像进行有效聚类处理等缺陷；有效解决了对最优聚类结果的的客观选择问题。因而，
本发明具有对大数据量图像的处理能力强，并有效提高了预RI图像处理过程中的客观性
和对最优聚类结果选择的准确性等特点。
图1为本发明方法流程示意图(方框图)； 图2为本发明具体实施方式
中预RI原始图像中的第18层，图中不同灰度代表不同类别，由图中可看出类别数基本等于体素个数； 图3为具体实施方式
中分区仿射聚类和分级聚类的结果，图示为第18层，由图中
可以可看出类别数已经大量减少； 图4为第18层最终聚类后的预RI图像。
具体实施例方式
以下结合附图和具体实施方式
对本发明做进一步的说明，其中根据双手运动预RI图像的性质，预RI图像的第17、18、19层可以比较好的观察到激活区，在这里我们选取原始预RI图像的第18层来演示相应的结果。 为了说明本发明所提及的一种基于仿射聚类的功能磁共振图像聚类方法的过程及效果，将采用比较常见的双手运动的预RI图像来进行分析，根据双手运动预RI图像的性质，我们选取原始预RI图像的第18层来演示相应的结果，具体步骤如下；
A.对原始预RI图像进行预处理首先对输入的预RI图像进行空间位移的校正，并利用频率为1/128Hz的高通滤波器将呼吸、心跳类生理活动引起的低频噪声滤掉，再将校正后的图像采用SPM自带的EPI模板，把每个体素重新采样至3X3X3mm3进行标准化；然后对标准化后的图像利用全宽半高值(FWHM)为8X8X8mm3(分别为x、 y、 z三个方向)的高斯核进行空间平滑处理，其结果如图2所示；
l个 Z>(/)_a(/)max{fl(0,6(0}
6
B.分区仿射聚类首先按照常规的大脑分区模板(AAL模板)进行分区，再根据所得到的各个分区图像子集，利用相关系数 r/ = , n '=1 — —
J(x「x)2t(u)2V '=i ''=i 作为相似度矩阵中的相应元数，其中Xi和yi是其中的任意两个样本，i是第i个样本，取矩阵的中值作为偏向参数，然后利用仿射聚类方法(APC)对各个分区的图像子集进行聚类，得到每个分区对应的聚类结果； C.获取新的图像及确定对应的偏向参数由B步骤得到的分区聚类结果，利用分级聚类(HC)的处理方法，将每个分区中同类的数据作为一个聚合体素，并按照空间分布重新组合，得到新的图像，如图3所示，对新的图像再利用各个体素之间的相关系数作为相似度矩阵中的元素、取矩阵的中值作为偏向参数P ; D.获取全部偏向参数所对应的聚类结果首先对由C步骤分区聚类后形成的图像及对应的偏向参数按传统仿射聚类方法重新聚类，得到本步骤第一次聚类结果；然后再将C步骤分区聚类后形成的图像与按设定步幅(比例)减小后的偏向参数值再次聚类，得到第二次聚类结果；如此反复利用按步幅Pstep = 0. Olp依次递减后的偏向参数重新聚类、直至类别数为2止，并保存所得全部聚类结果，转步骤E ; E.确定最优聚类结果将步骤D所得聚类结果按Silhouette指标
= —Z^、/"、、丄 评定，其中a(t)是某一类中的一个样本与其所在的类中其他所有样本的平均不相似度或者距离，b(t)是这个样本到另外所有类的最小平均不相似度或者距离；所有指标中最小的Sht(ii)值所对应的聚类结果即为最优聚类结果； F.获取预RI图像将步骤E所得的最优聚类结果，投射回原始预RI图像中，即得到最终的预RI图像，如图4所示。
权利要求
一种功能性磁共振图像的聚类方法，包括A.对原始fMRI图像进行预处理首先对输入的fMRI图像进行空间位移的校正，并利用高通滤波器将呼吸、心跳类生理活动引起的低频噪声滤掉，再将校正后的图像进行标准化处理，然后对标准化处理后的图像利用高斯核进行空间平滑处理；B.分区仿射聚类首先按照常规的大脑分区模板进行分区，再根据所得到的各个分区图像子集，利用各个体素之间的相关系数作为相似度矩阵中的元素，并取矩阵的中值作为偏向参数，然后利用传统仿射聚类方法对各个分区的图像子集进行聚类，得到每个分区对应的聚类结果；C.获取新的图像及确定对应的偏向参数将由B步骤得到的分区聚类结果，利用分级聚类的处理方法，将每个分区中同类的数据作为一个聚合体素，并按照空间分布重新组合，得到新的图像，对新的图像再利用各个聚合体素之间的相关系数作为相似度矩阵中的元素、取矩阵的中值作为偏向参数；D.获取全部偏向参数所对应的聚类结果首先对由C步骤分区聚类后形成的图像及其偏向参数按传统仿射聚类方法重新聚类，得到本步骤第一次聚类结果；然后再将C步骤分区聚类后形成的图像用按设定步幅减小后的偏向参数值对其进行重新聚类，得到第二次聚类结果；如此反复利用按步幅依次递减后的偏向参数重新聚类、直至类别数为2止，并保存所得全部聚类结果，转步骤E；E.确定最优聚类结果将步骤D所得聚类结果按Silhouette指标评定，其中最小Silhouette值所对应的聚类结果即为最优聚类结果；F.获取聚类后的fMRI图像将步骤E所得的最优聚类结果，投射回原始fMRI图像中，即得到最终聚类后的fMRI图像。
2. 按权利要求1所述功能性磁共振图像的聚类方法，其特征在于所述高通滤波器为频 率1/128Hz的高通滤波器。
3. 按权利要求1所述功能性磁共振图像的聚类方法，其特征在于所述将图像进行标准 化处理是采用SPM自带的EPI模板进行标准化处理。
4. 按权利要求1所述功能性磁共振图像的聚类方法，其特征在于所述大脑分区模板进 行分区，其模板为AAL模板。
5. 按权利要求1所述功能性磁共振图像的聚类方法，其特征在于而所述各个体素之间 的相关系数由下式决定其中Xi和yi是任意两个样本，i是第i个样本。
6. 按权利要求1所述功能性磁共振图像的聚类方法，其特征在于所述按设定步幅减小后的偏向参数值再次聚类，其步幅为<formula>formula see original document page 2</formula>其中P^p是步幅、P是由C步骤所得偏向参数。
7. 按权利要求l所述功能性磁共振图像的聚类方法，其特征在于所述聚类结果按Silhouette指标评定，各指标值由下式给出 物4, —其中a(t)是某类中的一个样本与其所在的类中其他所有样本的平均不相似度或者距离，b(t)是这个样本到另外所有类的最小平均不相似度或者距离。
全文摘要
该发明属于生物信息技术中的功能性磁共振图像的聚类方法，包括对原始fMRI图像进行预处理，分区仿射聚类，获取新的图像及确定对应的偏向参数，获取全部偏向参数所对应的聚类结果，确定最优聚类结果，获取最终聚类后的fMRI图像。该发明由于将分级聚类与仿射聚类和自适应仿射聚类有机结合、对图像进行综合处理，克服传统聚类方法受人的主观因素影响和对个人经验的依赖性大，以及无法对数据量大的图像进行有效聚类处理等缺陷；有效解决了对最优聚类结果的的客观选择问题。因而，本发明具有对大数据量图像的处理能力强，并有效提高了fMRI图像处理过程中的客观性和对最优聚类结果选择的准确性等特点。
文档编号G01R33/56GK101706561SQ20091021626
公开日2010年5月12日 申请日期2009年11月20日 优先权日2009年11月20日
发明者吕维帅, 陈华富 申请人:电子科技大学