基于成组SIM算法的大脑功能磁共振成像盲源分离方法与流程

本发明涉及大脑功能磁共振成像数据的盲源分离领域，具体涉及一种基于成组sim(groupsignalintensitymaximizing，groupsim)算法的大脑功能磁共振成像盲源分离方法。

背景技术：

脑功能成像是通过观测神经活动引起的血流、代谢等次级反应或产生的电、磁信号变化，以成像技术将脑的活动以直观的图像形式表达出来，使我们可以在无创条件下探测活体脑的实时功能活动。脑功能成像技术发展迅速，如今进入实用阶段的已有十几种。其中，自上世纪90年代中期发展起来的功能磁共振成像(functionalmagneticresonanceimage，fmri)技术，目前已广泛应用于脑的基础研究和临床治疗。在脑内，fmri主要观察局部脑血流，检测有氧血红蛋白与无氧血红蛋白的比例，从而显示脑局部区域的活动情况。该技术可以准确定位活体脑的各功能区，具有较高的空间分辨率，对脑科学和认知神经科学的发展产生了巨大而深刻的影响。由于fmri数据的空间维数一般很高，在已有的matlab平台下的gift软件包中实现的groupica方法中首先依靠pca手段对数据进行降维，保留方差较大的主要成分而舍弃方差小的成分。为保留更多有效信息，pca过程一般尽可能保留较多的主成分数目，然而这样可能导致欠采样问题，甚至使groupica的分离的结果中产生实际不存在、但符合算法假设条件的源信号。

sim(signalintensitymaximizing，sim)算法是一种新兴的盲源分离算法。类似于groupica方法，我们可以将sim算法与组分析方法结合起来，得到一种有较好鲁棒性且符合实际应用的多个体fmri数据的分析方法，即成组sim算法。相对于groupica方法，groupsim算法利用信号强度评估源信号的显著程度，来解决欠采样的问题，区分真实存在与人工生成的源信号，不仅使分离出的源信号符合神经成像数据真实情况，而且降低了的结果中产生实际不存在、但符合算法假设条件的成分的可能性，因而可以抑制过度拟合的趋势，使其在很小的降维程度下仍然取得很好的处理效果。

技术实现要素：

本发明要解决的技术问题：针对现有技术的上述问题，提供一种原理贴合实际、数据计算量低、算法运行速度快和数据分析结果真实可靠的基于成组sim算法的大脑功能磁共振成像盲源分离方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于成组sim算法的大脑功能磁共振成像盲源分离方法，实施步骤包括：

1)对预处理后的每个被试的大脑功能磁共振成像，首先分别通过pca方法进行个体层次的降维，然后将所有被试降维后的数据组合在一起得到为组群的数据集，再对组群的数据集通过pca方法进行组群层次的降维；

2)将降维后的组群的数据集通过sim算法进行分析处理，得到组群层次的大脑源网络；

3)将组群层次的大脑源网络通过反重构，再进行标准化，得到每个被试的大脑源网络和对应的时间波动；

4)对每个被试的大脑源网络和时间波动分别进行加和平均，得到组群的平均大脑源网络groupsc以及对应的时间波动grouptc。

优选地，步骤1)的详细步骤包括：

1.1)通过matlab读取预处理后的每个被试的大脑功能磁共振成像得到四维的数据矩阵[a,b,c,n]，其中a,b,c为每一帧大脑图像的维数，n为图像的采样数，且每个被试的大脑功能磁共振成像格式为nii，且每个被试只有一段完整的采集周期；通过reshape函数将四维的数据矩阵处理为二维矩阵di＝[p,n]，其中p＝a*b*c，a,b,c为每一帧大脑图像的维数，n为图像的采样数，i＝1,2,...,n，n为被试个数；

1.2)将得到的二维矩阵di按列去掉小于列平均值的元素得到被试i的新矩阵记为submi，维数为[m,n]，m为矩阵submi的行数，p为二维矩阵di的行数且m<p，同时记录被保留数据的索引值；

1.3)对得到的所有矩阵submi分别通过pca方法降维得到新矩阵subpcami(m×srcn)作为个体层次的降维的结果，其中m为矩阵submi的行数、srcn为需要分离出的大脑源网络的个数，得到的白化矩阵为subwhitemi，去白化矩阵为subdewhitemi；将所有的矩阵subpcami组合为新的数据矩阵groupm，再通过pca方法对数据矩阵groupm降维得到数据矩阵grouppcam作为组群层次的降维的结果，对应的白化矩阵为groupwhitem，去白化矩阵为groupdewhitem。

优选地，步骤1.3)将所有的矩阵subpcami组合为新的数据矩阵groupm的详细步骤包括：当矩阵subpcami的一列看作一个空间成分时，将每个矩阵subpcami的每一列作为groupm的一列，以列组合的方式形成新的数据矩阵groupm；或者，当矩阵subpcami的一行看作一个空间成分时，将每个矩阵subpcami的每一行作为groupm的一行，则按照行组合的方式形成新的数据矩阵groupm。

优选地，步骤2)的详细步骤包括：取矩阵grouppcam每个元素相邻的上下、左右和前后6个元素的平均数(边界元素用零补齐)，作为生成的自相关的数据矩阵grouppcam^*的相应元素值；根据sim算法基于特征向量问题求解特征向量组成的矩阵的方法，获取自相关的数据矩阵grouppcam^*的解混矩阵w作为组群层次的大脑源网络，其逆矩阵为w^*。

优选地，步骤3)将组群层次的大脑源网络通过反重构的详细步骤包括：根据矩阵subpcami、数据矩阵grouppcam对应的白化矩阵groupwhitem和解混矩阵w反重构每个被试的空间成分sci，根据白化矩阵subdewhitemi、数据矩阵grouppcam对应的去白化矩阵groupdewhitem和解混矩阵w的逆矩阵w^*反重构每个被试的时间波动tci，使得反重构后得到的每个被试的源网络矩阵与对应的时间波动矩阵的乘积等于未通过成组sim算法处理之前每个被试的原始数据矩阵。

优选地，步骤4)的详细步骤包括：首先对所有被试的空间成分sci和时间波动tci分别求和再除以被试个数，再对所有被试取平均值就可以得到组群的平均大脑源网络groupsc以及对应的时间波动grouptc。

优选地，步骤3)中的标准化包括符号纠正和比例缩放。

本发明基于成组sim算法的大脑功能磁共振成像盲源分离方法具有下述优点：

1、与传统的ica方法等利用fmri数据统计独立性的方法相比，本发明的方法利用的信号平滑性更符合神经成像数据的真实情况。

2、与传统的ica、cca等方法相比，本发明的方法通过对分离出的源信号重要性进行评估，能够有效抑制过度拟合问题，只保留真实存在的源信号，使得分离结果更准确可靠；

3、传统的groupica是只能近似计算的数据模型，而本发明的方法的模型是可以计算的数学模型，分析结果更准确。

4、传统的ica方法采用迭代算法求解，而sim方法将其转化为特征向量问题，因而本发明的方法的计算量远小于groupica方法。

附图说明

图1为本发明实施例一方法的基本流程示意图。

图2为本实施例一基于成组sim算法的大脑功能磁共振成像盲源分离方法分离出的头动噪声在软件mricron中呈现的三视图。

图3为本实施例一基于成组sim算法的大脑功能磁共振成像盲源分离方法分离出的后侧默认网络的lateral、medial和dorsal视图。

图4为本实施例一基于成组sim算法的大脑功能磁共振成像盲源分离方法分离出的背侧默认网络的lateral、medial和dorsal视图。

图5为本实施例一基于成组sim算法的大脑功能磁共振成像盲源分离方法分离出的语言网络的lateral、medial和dorsal视图。

具体实施方式

实施例一：

如图1所示，本实施例基于成组sim算法的大脑功能磁共振成像盲源分离方法的实施步骤包括：

1)对预处理后的每个被试的大脑功能磁共振成像，首先分别通过pca方法进行个体层次的降维，然后将所有被试降维后的数据组合在一起得到为组群的数据集，再对组群的数据集通过pca方法进行组群层次的降维；

2)将降维后的组群的数据集通过sim算法进行分析处理，得到组群层次的大脑源网络；

3)将组群层次的大脑源网络通过反重构，再进行标准化，得到每个被试的大脑源网络和对应的时间波动；

4)对每个被试的大脑源网络和时间波动分别进行加和平均，得到组群的平均大脑源网络groupsc以及对应的时间波动grouptc。

本实施例中，步骤1)的详细步骤包括：

1.1)通过matlab读取预处理后的每个被试的大脑功能磁共振成像得到四维的数据矩阵[a,b,c,n]，其中a,b,c为每一帧大脑图像的维数，n为图像的采样数，且每个被试的大脑功能磁共振成像格式为nii，且每个被试只有一段完整的采集周期(即：一个session)；通过reshape函数将四维的数据矩阵处理为二维矩阵di＝[p,n]，其中p＝a*b*c，a,b,c为每一帧大脑图像的维数，n为图像的采样数，i＝1,2,...,n，n为被试个数；本实施例中，通过matlab读取30个正常人被试预处理后的静息状态下的fmri数据(格式为nii，每个被试只有一个session)，得到四维的数据矩阵[61,73,61,235](每一帧大脑图像的维数为[61,73,61])。通过reshape函数将每个被试的数据处理为二维矩阵di＝[p,235]，其中p＝61*73*61，i＝1,2,...,30；

1.2)将得到的二维矩阵di按列去掉小于列平均值的元素得到被试i的新矩阵记为submi，维数为[m,n]，m为矩阵submi的行数，p为二维矩阵di的行数且m<p，同时记录被保留数据的索引值；本实施例中，将矩阵di按列去掉小于列平均值的元素，以节约运算的资源、提高处理效率，得到被试i的新矩阵记为submi，维数为[m,235]。

1.3)对得到的所有矩阵submi分别通过pca方法降维得到新矩阵subpcami(m×srcn)作为个体层次的降维的结果，其中m为矩阵submi的行数、srcn为需要分离出的大脑源网络的个数，得到的白化矩阵为subwhitemi，去白化矩阵为subdewhitemi；将所有的矩阵subpcami组合为新的数据矩阵groupm，再通过pca方法对数据矩阵groupm降维得到数据矩阵grouppcam作为组群层次的降维的结果，对应的白化矩阵为groupwhitem，去白化矩阵为groupdewhitem。

本实施例中，矩阵subpcami的一列可以看作一个空间成分，步骤1.3)将所有的矩阵subpcami组合为新的数据矩阵groupm的详细步骤包括：将每个矩阵subpcami的每一列作为groupm的一列，以列组合的方式形成新的数据矩阵groupm。

本实施例中，步骤2)的详细步骤包括：取矩阵grouppcam每个元素相邻的上下、左右和前后6个元素的平均数(边界元素用零补齐)，作为生成的自相关的数据矩阵grouppcam^*的相应元素值；根据sim算法基于特征向量问题求解特征向量组成的矩阵的方法，获取自相关的数据矩阵grouppcam^*的解混矩阵w作为组群层次的大脑源网络，其逆矩阵为w^*。

本实施例中，步骤3)将组群层次的大脑源网络通过反重构的详细步骤包括：根据矩阵subpcami、数据矩阵grouppcam对应的白化矩阵groupwhitem和解混矩阵w反重构每个被试的空间成分sci，根据白化矩阵subdewhitemi、数据矩阵grouppcam对应的去白化矩阵groupdewhitem和解混矩阵w的逆矩阵w^*反重构每个被试的时间波动tci，使得反重构后得到的每个被试的源网络矩阵与对应的时间波动矩阵的乘积等于未通过成组sim算法处理之前每个被试的原始数据矩阵。

本实施例中，步骤3)中的标准化包括符号纠正和比例缩放。

本实施例中，步骤4)的详细步骤包括：首先对所有被试的空间成分sci和时间波动tci分别求和再除以被试个数(30)，再对所有被试取平均值就可以得到组群的平均大脑源网络groupsc以及对应的时间波动grouptc。

图2至图5为本实施例分离出的组群平均大脑源网络groupsc通过mricron或caret软件查看的视图。图2为本实施例基于成组sim算法的大脑功能磁共振成像盲源分离方法分离出的头动噪声在软件mricron中呈现的三视图；图3为本实施例基于成组sim算法的大脑功能磁共振成像盲源分离方法分离出的后侧默认网络的lateral、medial和dorsal视图；图4为本实施例基于成组sim算法的大脑功能磁共振成像盲源分离方法分离出的背侧默认网络的lateral、medial和dorsal视图；图5为本实施例基于成组sim算法的大脑功能磁共振成像盲源分离方法分离出的语言网络的lateral、medial和dorsal视图。

实施例二：

本实施例与实施例一基本相同，其主要区别点是步骤1.3)将所有的矩阵subpcami组合为新的数据矩阵groupm的详细步骤不同。本实施例中，矩阵subpcami的一行可以看作一个空间成分，步骤1.3)将所有的矩阵subpcami组合为新的数据矩阵groupm的详细步骤包括：将每个矩阵subpcami的每一行作为groupm的一行，则按照行组合的方式形成新的数据矩阵groupm。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。