一种大脑功能网络的社团划分方法
【技术领域】
[0001] 本发明涉及一种基于医学影像的大脑功能分析方法，具体是一种大脑功能网络的 社团划分方法，属于生物医学信息处理技术领域，为国家自然科学基金项目（51307010)研 究成果。
【背景技术】
[0002] 人脑是自然界中最复杂的系统之一，一个成年人的大脑中大约有IOn个神经元细 胞，这些数量巨大的神经元细胞通过大约1〇15个突触交错连接，形成了一个高度复杂的脑 神经系统。虽然不同神经元、不同脑区对应不同的功能特异性，但即使是完成一项非常简单 的任务，也需要大脑多个不同的区域相互作用、相互联系，构成一个网络来协调工作。
[0003] 近年来，一些科学家充分认识到了构建人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，力图在广泛的时空尺度上将大脑连接成动态的功能网络，并 借助先进技术手段进一步挖掘该网络的连接规律。脑电图（Electroencephalogram, EEG)是 目前最敏感的脑功能监测方法（复合脑功能监视和显示系统，专利号ZL201180045627. 3)， 空间分辨率只能达到厘米级别，并且极易受各种因素干扰，多数情况下不能作为大脑功能 网络研究的唯一依据。脑影像学技术能够从微观和宏观水平上分析局部和整体大脑功能 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（一种基于模态融合的大脑网络功能连接偏侧性检测方法，专利号 201310263230. 2)。借助磁共振成像技术可以将对大脑的研究扩展至记忆力、注意力等，识 别研究对象感觉到的声音、图像或者阅读的词语、执行的动作，甚至能够实现对个人内心世 界的揭示。
[0004] 现实世界中社会网络、信息网络、生物网络和技术网络等许多复杂系统都可以表 示成图或网络。随着对网络性质的深入研究，人们发现实际网络都具有一个共同的性质，BP 社团结构。社团也被称为簇、模块，是网络中节点的集合，社团中的节点之间连接紧密，而社 团之间的节点连接稀疏。社团是复杂系统层次和模块结构的标志，一个复杂网络是由若干 社团构成的（一种复杂网络中的社团探测方法，专利号201210154812. 2)。采用复杂网络分 析方法刻画大脑网络中连边关系的聚集特性，可以克服以往孤立研究单个脑区的缺陷，为 从模块化的角度解析大脑网络局部特性提供重要的技术保证。然而，目前国内外专利文献 中很少涉及关于大脑功能网络社团划分方面的研究内容。与先进的功能磁共振成像技术相 结合进行其社团结构划分，对分析人脑解剖结构以及各个脑区功能之间的协作关系，研究 大脑功能网络的空间交互模式，有着非常重要的理论和应用价值。
【发明内容】
[0005] 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：
[0006] 提供一种大脑功能网络的社团划分方法，实现对大脑功能区域之间的社团结构进 行判定。
[0007] 为了达到上述目的，本发明采取以下技术方案：
[0008] 对磁共振设备采集到的大脑图像进行读取和格式转换；再进行时间矫正、头动校 正、配准、分割结构像、空间标准化、平滑等预处理；最后进行低频滤波，降低低频漂移及高 频的生物噪音；
[0009] 进一步，选定一种标准化大脑分区模板（如AAL分区模板、Brodmann分区模板、CH2 分区模板等）与预处理后的核磁图像进行匹配，划分图像为P个大脑区域，每个脑区分别对 应脑功能网络中的一个节点。
[0010] 进一步，计算磁共振图像中每个脑区所有体素的时间序列平均值，提取不同标准 分区对应的时间序列，通过多元线性回归分析去除一些由头动及全局脑信号造成的伪差 异。
[0011] 进一步，对一组实验对象的时间序列进行单样本T检验（One sample T-test)，用 得到的组分析结果X = {Xi，X2, . . .，X1J表示脑功能网络中所有节点的值，进而计算两两脑 区间的相关系数（如Pearson相关系数、Spearman相关系数和Kendall相关系数），得到一 个归一化的时间序列相关系数矩阵RpXp。
[0012] 进一步，将相关系数矩阵R中元素 IYjQ, j = 1，2, "·，ρ)作为连接大脑功能网络节 点i到节点j的权值向量初始值，找出所有中与X i距离最小的连接权值向量r lg。
[0013] 进一步，定义节点g为最优节点，定义Ng(t)为最优节点的邻域，将Ng (t)中各个节 点对应的连接权值向量向X1逼近，训练方程为：
[0015] 式中，t为训练次数，Tl (t)为第t次训练的学习率，随训练次数的增加而递减； X1为大脑功能网络第i个节点的值；Ar u为节点i与节点j之间的连接权值变化量， j e Ng (t) 〇
[0016] 进一步，当连接权值稳定时视为收敛，得出社团数目c(2 < c)和社团中心点的值 V= {Vl，v2，...，v。}，V1 e Xp;否则，改变训练次数，重复步骤（6)继续迭代。
[0017] 进一步，用一个cXn的二维隶属度矩阵U定义社团中心点与社团成员之间的关 C 系，U中的元素 Ulj代表节点j属于社团i的程度，UljG [0, 1]且= h ν/ = 1，···，/7;重 新确定大脑功能网络各个社团中心点的值
[0019] 式中，m e (1，〇〇 )为加权指数。
[0020] 进一步，计算目标函数J CN 105117731 A 说明书 3/5 页
[0022] 式中，I |X]_Vl| I为第i个社团中心与第j个成员间的欧几里德距离。
[0023] 进一步，如果J的值小于一个确定的阀值ε或相对J上一次迭代的改变量小于阀 值A ε，则算法停止，输出大脑功能网络各社团的成员和中心点；否则，执行步骤（10)。
[0024] 进一步，根据公式（3)修正隶属度矩阵U，其中
[0026] 并返回步骤（8)。
[0027] 采用上述技术方案后，本发明的有益技术效果是：
[0028] (1)在大多情况下，大脑功能网络社团数目是未知的，初始值的随机选取可能会导 致不同的划分结果，甚至存在着无解的情况。本发明不要求事先人为设定社团中心点的数 目，有助于提高社团划分的客观性和精确性。
[0029] (2)通过社团结构量化磁共振成像时间序列之间的作用程度，有助于完善大脑各 个区域相互作用所形成的拓扑结构。通过上述方法可以研究大脑功能网络的空间交互模 式，并进一步确定网络中是否存在关键成员。
[0030] (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、精神疾病治疗 等领域具有一定的应用价值。
【附图说明】
[0031] 图1是本发明一种大脑功能网络社团划分方法的实施流程图。
【具体实施方式】
[0032] 下面结合附图和具体实施例对本发明作进一步的说明。
[0033] 如图1所示，一种大脑功能网络社团划分方法的具体实施例包括以下步骤：
[0034] (1)对磁共振设