备采集到的大脑图像进行读取和格式转换；本实施例中，采用正 常组15例被试（8男+7女）的静息态磁共振扫描数据。将读取到的磁共振图像由DICOM 格式转换为NIFTI格式。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；本实施例中，低频滤波范 围取 0· OlHz ~0· 08Hz。
[0035] (2)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。本实施例中，通过基于AAL(Anatomical automatic labeling) 模板将人脑划分为90个（左右半脑各45个）脑区，90个脑区分别表示大脑功能网络中的 90个节点。
[0036] (3)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。本 实施例中，将磁共振图像中各脑区的体素平均值作为大脑血氧依赖水平（BOLD)响应的时 间序列。
[0037] (4)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，…，xp}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。本实施例中，采用Pearson相关系数。
[0038] (5)将相关系数矩阵R中元素 rij (i，j = 1，2,…，p)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。
[0039] (6)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：
[0040] = "(i) |xf 1 丨:，. (I)
[0041] 式中，t为训练次数，ri (t)为第t次训练的学习率，随训练次数的增加而递减；Xl为脑功能网络第i个节点的值；A ri]为节点i与节点j之间的连接权值变化量，j e Ng(t)。
[0042] (7)当连接权值稳定时视为收敛，得出社团数目c (2彡c)和社团中心点的值V = {Vl，v2，...，VJ，Vie Xp;否则，改变训练次数，重复步骤（6)继续迭代。
[0043] (8)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系，U C 中的元素 Ulj代表节点j属于社团i的程度，U [0, 1]且= i，V/ = 1·.，《 ;重新确定 ?：~1 大脑功能网络各个社团中心点的值
[0045] 式中，m e (1，〇〇 )为加权指数。本实施例中，Ulj初始值为介于0,1间的随机数； m的最佳取值范围为[1. 5, 25]，本实施例中参数m的取值优选m = 2。
[0046] (9)计算目标函数J
[0048] 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。
[0049] 如果J的值相对J上一次迭代的改变量小于阀值Δ 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)。本实施例中，阀值A ε的取值优选 Δ ε =〇·〇〇〇1〇
[0050] (10)根据公式⑶修正隶属度矩阵U，其中
[0052] 并返回步骤（8)。
[0053] 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、等同替换和局部补充等，均应包含在本发明的保护范围之 内。
【主权项】
1. 一种大脑功能网络的社团划分方法，其特征在于包括以下步骤： (1) 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。 (2) 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。 (3) 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。 (4) 对一组实验对象的时间序列进行单样本T检验（OnesampleT-test)，用得到的组 分析结果X= {Xi，X2，…，Xp}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。 (5) 将相关系数矩阵R中元素k(i,j= 1，2,…，p)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k中与xi距离最小的连接权值向量rlg。 (6) 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Xl逼近，训练方程为：(1) 式中，t为训练次数，n⑴为第t次训练的学习率，随训练次数的增加而递减；Xl为脑 功能网络第i个节点的值；Ari]为节点i与节点j之间的连接权值变化量，jeNg(t)。 (7) 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，...，VJ，VlGXp;否则，改变训练次数，重复步骤（6)继续迭代。 (8) 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系，U中的 € 元素化代表节点j属于社团i的程度，UljG[〇，1]且=1，V:/=l，.重新确定大 脑功能网络中各个社团中心点的值(3) 式中，me(1，〇〇 )为加权指数。 (9) 计算目标函数J(4) 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。 如果J的值小于一个确定的阀值e，或相对J上一次迭代的改变量小于阀值Ae，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)。 (10)根据公式（3)修正隶属度矩阵U，其中并返回步骤（8)。
【专利摘要】本发明涉及一种大脑功能网络的社团划分方法，步骤如下：对大脑功能磁共振图像进行格式转换和预处理；将图像划为若干大脑区域，提取不同标准分区对应的时间序列；用组分析结果表示所有节点的值，计算脑区的相关系数，将相关系数矩阵中的元素作为初始值，求与连接节点距离最小的权值；定义最优节点及其邻域，将邻域节点对应的权值向节点值逼近；当连接权值稳定时视为收敛，得到社团数目和中心点；用隶属度矩阵定义社团中心点与成员的关系，确定中心点位置；计算目标函数，若函数值或其改变量小于阀值，输出各社团的成员和中心点，否则修正隶属度矩阵重新计算。通过上述方法可以研究大脑功能网络的空间交互模式并分析网络中是否存在关键成员。
【IPC分类】G06K9/62
【公开号】CN105117731
【申请号】CN201510424233
【发明人】焦竹青, 马凯, 邹凌, 马正华
【申请人】常州大学
【公开日】2015年12月2日
【申请日】2015年7月17日