基于模体结构的大脑默认网络有向连接分析方法与流程

本发明涉及一种基于医学影像的大脑功能分析方法，具体是一种基于模体结构的大脑默认网络有向连接分析方法，属于生物医学信息处理技术领域。

背景技术：

人类大脑是自然界中存在的一种极其复杂的系统，研究人员将其构造成一个复杂网络系统进行分析。大脑在进行一项不论是主观意识或是潜在意识的活动时，需要各个区域进行相互作用、相互联系，形成相应的网络结构。目前，脑网络已经成为脑科学研究的一个重要领域，并且在不断发展。

近年来，科学家们提出了默认模式网络(DMN)的概念，它已经成为认知神经科学、精神性或神经性脑疾病等领域的研究重点。研究人员认识到构建大脑网络动态模型的重要性，开展了一系列针对大脑功能连接的研究，希望在广泛的时空尺度上将大脑连接成动态的功能网络，并且借助当前先进的技术手段进一步挖掘大脑网络的连接特性，这对于大脑默认脑区的研究有着极其重要的推动作用。

脑电图(Electroencephalogram，EEG)是目前最敏感的脑功能监测方法，但空间分辨率只能达到厘米级别，并且容易受多种因素干扰，在很多研究中不能作为大脑功能网络分析的唯一依据。脑影像技术能够从微观和宏观上分析大脑功能网络特性的变化。基于血液氧合依赖水平(Blood Oxygen Level Dependent，BOLD)的功能磁共振成像(functional Magnetic Resonance Imaging，fMRI)技术利用磁共振造影来测量神经元活动所引发的氧合血红蛋白含量变化，不仅时间分辨率更高，其空间分辨率也可达到毫米水平。作为一种非损伤性脑成像技术，磁共振成像在脑功能研究中发挥了不可替代的作用。借助磁共振成像技术可以对正常人及脑疾病患者的大脑默认脑区进行研究，分析相关脑区的信息传递方式。

在研究大脑默认网络的有向连接时，需要对网络的拓扑结构和动态特征有着很清晰的了解，而模体则是网络的基本拓扑结构之一，由少数几个节点连接构成。它的定义为：1)该子图在与真实网络相对应的随机网络中出现的次数大于在真实网络中出现的次数的概率很小，一般要求概率小于某个阈值p，如p＝0.01；2)该子图在真实网络中出现的次数N_real不小于某个下限U；3)该子图在真实网络中出现的次数N_real明显高于在随机网络中的次数，一般要求(N_real-N_rand)＞0.1N_rand。使用p值和Z得分来衡量相关脑区组成的模体在默认网络有向连接中 的作用程度。当前，在国内外专利文献中很少涉及利用模体结构分析大脑默认网络有向连接的内容。结合功能磁共振成像技术对大脑默认网络进行研究，有助于区分脑疾病患者与正常人默认网络的功能性差异，对于大脑疾病的的诊断和治疗具有一定的参考价值。

技术实现要素：

针对现有技术存在的不足之处和实际应用的需要，本发明要解决的问题是：

提供一种基于模体结构的大脑默认网络有向连接的分析方法，实现对大脑默认网络中模体结构的判定和脑区有向连接的分析。

为了达到上述目的，本发明采用以下技术方案：

将核磁共振设备采集到的大脑图像进行读取和格式转换；然后对原始数据进行预处理，包括：时间校正、头动校正、空间配准、标准化和平滑等预处理；最后进行低频滤波，降低低频漂移及高频的噪音。

进一步，选定一种标准化大脑分区模板(如：AAL分区模板、CH2分区模板等)与预处理后的核磁图像进行匹配，将大脑划分为若干脑区，每个脑区对应脑功能网络中的一个节点。

进一步，对预处理后的fMRI数据进行ALFF计算，提取时间序列。将去除线性漂移后的时间序列经过0.01～0.08Hz的带通滤波器进行滤波，滤波后经快速傅里叶变换后得到功率谱，功率谱平均平方根即为ALFF。

进一步，根据选定的标准化大脑分区模板，选取大脑默认脑区的时间序列，构建基于时间序列的大脑默认网络。对选定的大脑默认脑区构成的网络进行Granger因果关系分析，得到所选取节点形成的网络结构图：

在大脑网络中，若节点X和节点Y的时间序列分别为x_t和y_t，考虑两个变量的时域回归模型：

式中，a_1t、b_1t为预估误差项；D(a_1t)＝U₁，D(b_1t)＝V₁为误差项的方差。

由式(1)、式(2)可知，可由节点X或Y过去的状态分别预估X或Y的t时刻状态。考虑变量之间的相互联系，节点X和Y有如下回归模型：

式中，D(a_2t)＝U₂，D(b_2t)＝V₂为误差项的方差。

将Y对X的作用以及X对Y的作用分别定义为：

F₁＝ln(U₁/U₂) (5)

F₂＝ln(V₁/V₂) (6)

进一步，根据大脑默认网络结构图，对网络进行分析，验证模体的存在性。对于不同节点数的子图g，若该子图的p值小于0.01，且它在真实网络中出现的频率远高于在随机网络中出现的频率，则可认为该子图是选取脑区构建的默认网络的模体，相反则不是构建网络的模体

进一步，检测到模体后，可得到该网络中模体的p值。p值越小，表明相关节点组成的模体结构在默认网络中越重要。

进一步，计算模体的Z得分，对于模体Mi，在真实网络中出现的次数为N_reali，在随机网络中出现的次数为N_randi，N_randi的平均值记为＜N_randi＞，标准差为σ_ran曲，则模体Mi在真实网络中的Z得分为：

Z得分越大，表明该模体在网络中的重要程度越高。

进一步，利用节点度确定模体中节点的作用程度。节点度可分为节点出度和入度，研究模体中节点的出度、入度，了解相关默认脑区在网络中的有向连接强度。。若网络G中有n个节点，节点v_i的度为w_i，则节点v_i的出度、入度分别为 和则有：

节点的度越大，表明该节点在默认网络中的作用程度越大；若节点只有出度或入度，表明该节点在网络中的连接强度相对较弱。

进一步，计算模体中节点的距离，分析信息在模体结构和默认网络中的信息传递速率。定义模体中节点v_i到v_j的距离d_ij为节点v_i到v_j所要经历的边的最小数目，它的倒数1/d_ij为节点v_i到v_j的效率，记为ε_ij。模体的效率L_c定义为：

模体中节点的距离越大，则节点间的效率越小，模体结构的效率就越低。进一步，对被试者的功能磁共振成像数据进行单样本t检验统计分析，分析相关脑区显著是否高于大脑均值。

式中，为脑区X时间序列的均值，S为脑区X时间序列的标准差，为总体脑区时间序列的均值。

进一步，对脑疾病患者与正常人的功能磁共振成像数据进行两独立样本t检验统计分析，研究两组不同的被试者脑区间的有向连接是否有显著差异。

式中，分别为患者和正常人默认脑区时间序列的均值，S_x²、S_y²为二者的均方差。

进行统计分析后，可以研究不同被试者间大脑默认网络中模体的结构特征，进而分析是否存在普遍特征，为实际应用奠下基础。

采用上述技术方案后，本发明的有益技术效果是：

(1)相对于用传统方法对大脑默认网络的研究，基于模体结构的分析方法是一种改进和进行拓展的方法。

(2)通过量化磁共振成像时间序列之间的相互作用，根据节点之间的关系形成的网络拓扑结构，采用模体结构对大脑默认网络的有向连接进行分析，能够在更小的范围内研究默认脑区在大脑活动中的功能机制，进一步确定相关脑区形成的网络结构对网络的重要程度，提高对大脑神经活动研究的精确性。

(3)本发明在脑功能连接分析、脑功能诊断与调节、认知功能研究、精神性和神经性脑疾病治疗等领域有重要的理论和应用价值。

附图说明

图1是本发明中基于模体结构的大脑默认网络有向连接分析方法的实施流程图。

图2是本发明中正常人的大脑默认网络结构图。

图3是本发明中正常人大脑默认网络三节点模体的结构及指标图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的说明。

如图1所示，一种基于模体结构的大脑默认网络有向连接分析方法，具体实施方式包括以下步骤：

(1)对磁共振共振设备采集到的大脑图像原始数据格式转换：本实施例中，采用15名帕金森患者，男性9名，女性6名，年龄在60～75岁之间。20名正常被试者，男女各10人，年龄在60～75岁之间，均在静息态下进行磁共振扫描。 将采集到的磁共振成像数据由DICOM格式转换为NIFTI格式，再进行时间校正、头动校正、配准、空间标准化、平滑等预处理，最后进行低频滤波，降低低频漂移和噪音。本实施例中，滤波范围为0.01Hz～0.08Hz。

(2)选定一种标准化大脑分区模板(如：AAL分区模板、CH2分区模板等)与预处理后的核磁图像进行匹配，将大脑划分为若干脑区，每个脑区对应脑功能网络中的一个节点。本实施例中，选定AAL模板将人的大脑分为90个(左右半脑各45个)脑区，每个脑区对应大脑网络中的一个节点。

(3)对预处理后的fMRI数据进行ALFF计算，根据AAL分区模板，提取每个脑区平均的时间序列，通过多元线性回归分析去除一些由头动等因素造成的噪音。

(4)根据选定的标准化大脑分区模板，选取部分帕金森患者和正常人的大脑默认脑区的时间序列，构建基于时间序列的大脑默认网络。对选定的大脑默认脑区构成的网络进行Granger因果关系分析，得到所选取节点形成的网络结构图：

在大脑网络中，若节点X和节点Y的时间序列分别为x_t和y_t，考虑两个变量的时域回归模型：

式中，a_1t、b_1t为预估误差项；D(a_1t)＝U₁，D(b_1t)＝V₁为误差项的方差。

由式(1)、式(2)可知，可由节点X或Y过去的状态分别预估X或Y的t时刻状态。考虑变量之间的相互联系，节点X和Y有如下回归模型：

式中，D(a_2t)＝U₂，D(b_2t)＝V₂为误差项的方差。

将Y对X的作用以及X对Y的作用分别定义为：

F₁＝ln(U₁/U₂) (5)

F₂＝ln(V₁/V₂) (6)

(5)根据正常人大脑默认网络结构图，对网络进行仿真分析，验证模体的存在性。检测到模体后，可得到该网络中模体的p值，p值越小，表明相关节点组成的模体结构在默认网络中越重要。

(6)计算模体的z得分，对于模体Mi，在真实网络中出现的次数为N_reali， 在随机网络中出现的次数为N_randi，N_randi的平均值记为＜N_randi＞，标准差为σ_randi，则模体Mi在真实网络中的Z得分为：

Z得分越大，表明该模体在网络中的作用程度越高。

(7)网络中有三节点模体、四节点模体等，本实施例中，以正常人大脑默认网络三节点模体为例，如表1所示。表1中，模体的p值均为0，表明所有模体结构在网络中有着重要作用，其中，36号模体Z得分较小，表明该模体在网络中的有向连接强度有所减弱。

(8)根据节点分析帕金森患者、正常人大脑默认网络模体中节点的作用程度。节点度可分为节点出度和入度，研究模体中节点的出度、入度，了解相关默认脑区在网络中的方向连接情况。若网络G中有n个节点，节点v_i的度为w_i，则节点v_i的出度、入度分别为和则有：

节点的度越大，表明该节点在默认网络模体结构中的功能作用越大；若节点只有出度或入度，表明该节点在网络中的连接强度相对较弱。本实例中，以正常人为例，节点间的方向连接如图2所示。在图2中，如果节点左颞下回(ITG.L)只有单个出度，表明该节点的有向连接强度较弱。

(9)计算模体中节点的距离，分析信息在模体结构和默认网络中的信息传递速率。定义模体中节点v_i到v_j的距离d_ij为节点v_i到v_j所要经历的边的最小数目，它的倒数1/d_ij为节点v_i到v_j的效率，记为ε_ij。模体的效率L_c定义为：

模体中节点的距离越大，则节点间的效率越小，模体结构的效率就越低。

(10)本实例中，对帕金森患者组与正常人组的功能磁共振成像数据进行单样本t检验

和两独立样本t检验统计分析，以P＜0.05为阈值。

单样本t检验为：

式中，为脑区X时间序列的均值，S为脑区X时间序列的标准差，为总体脑区时间序列的均值。研究发现，在静息态时患者与正常人的后扣带回(PCG)、海马(HIP)、海马旁回(PHG)等脑区的显著高于大脑均值，表明这些脑区静 息态时在网络中的有向连接强度较大。

两独立样本t检验为：

式中，分别为患者和正常人默认脑区时间序列的均值，S_x²、S_y²为二者的均方差。

研究发现，帕金森患者默认网络的有向连接强度相对于正常人显著下降，并且发现患者病情程度的不同，默认网络的有向连接强度也呈现出不同趋势。

模体结构能够表示网络中节点间存在的某些固定连接模式，通过不同节点数模体对大脑默认网络进行了结构简化，研究组成模体的相关节点间的相互连接方式和有向连接强度。在对正常人的三节点模体中节点度分析，发现脑区后扣带回(PCG)在默认网络中有重要作用。患者部分模体节点间的距离相对于正常人较大，表明患者默认网络中部分模体结构的效率较低。经过统计分析，可以了解帕金森患者默认网络的有向连接强度相对于正常人显著下降，并且发现患者病情程度的不同，默认网络的有向连接强度也呈现出不同趋势。

本实例的分析结果是在现有数据量的基础上得出的，但从统计学角度来看，现有数据量仍然较小。相关模体结构是否为默认网络中存在的普遍特征，需要在后续实验中继续完善，得出更精确的研究结果。通过研究脑卒中患者与正常人的大脑默认网络的有向连接特性，分析二者间差异性，对于脑疾病患者的大脑功能连接研究具有一定的价值。