[發(fā)明專利]一種基于腦功能成像的腦內(nèi)激活趨勢的分析方法

無效

• 申請?zhí)枺?/td>: 201210011180.4
• 申請日: 2012-01-13
• 公開（公告）號: CN102525468A
• 公開（公告）日: 2012-07-04
• 發(fā)明（設計）人: 汲業(yè)
• 申請（專利權）人: 大連靈動科技發(fā)展有限公司
• 主分類號: A61B5/055
• 分類號: A61B5/055;A61B5/16
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 李洪福

1.一種基于腦功能成像的腦內(nèi)激活趨勢的分析方法，其特征在于：包括以下步驟：

A、輸入腦核磁共振圖像實驗數(shù)據(jù)序列

腦核磁共振圖像實驗數(shù)據(jù)序列，在整個的實驗過程中有兩種不同的條件，分別形成任務組塊和控制組塊，每個組塊持續(xù)一定時間，并在連續(xù)的掃描中交替出現(xiàn)；每隔一段固定時間，機器會采到一幅全腦加權像，它們構成一個離散的時間序列，記為{f(n)}，n為正整數(shù)；因此，組塊持續(xù)時間可以使用掃描圖像的數(shù)量代替，{f(n)}的長度l即總圖像數(shù)由實驗的周期數(shù)L與周期長度所決定，即l＝L×(c+t)，其中，c和t分別為每個實驗周期內(nèi)所獲控制和任務的圖像數(shù)；對于自變量n的每一個取值，{f(n)}都唯一地確定一幅全腦加權像，記為BOLD(n)；它既可能是屬于控制組塊的BOLDc(n)，又可能為屬于任務組塊的BOLDt(n)；所述的持續(xù)一定時間為14至20秒，所述的一段固定時間為2至3秒；

B、利用自相關性篩選腦體素點

設每個序列有L個周期，每個周期有c+t個時間點，即c+t幅圖像，對于腦圖中的任意一個體素點，其血氧水平依賴的信號值可用如下矩陣來表示：

t=x1,1x1,2···xi,j···x1,c+tx2,1x2,2···x2,j···x2,c+t················xi,1xi,2···xi,j···xi,c+t··················xL,1xL,2···xL,j···xL,c+t---(1)]]>

其中矩陣元x_ij表示對于某一確定的體素點，第i個周期中第j幅圖像中該體素點的信號值，設

t_i＝[x_i，1?x_i，2...?x_i，j...x_i，c+t]????????(2)描述該像素點的第i個周期；

另外，加入任務周期函數(shù)作為新的向量，即：

t_L+1＝[x_L+1，1?x_L+1，2...x_L+1，j...x_L+1，c+t]???(3)

其中，

xL+1,j=01≤j≤c1c+1≤j≤t+c---(4)]]>

對一個序列t＝[t₁，t₂，...，t_L，t_L+1]，兩兩求相關系數(shù)

cij=corr(ti,tj)=Cov(ti,tj)D(ti)D(tj),(j>i,i=1,2,,...,L;j=2,3,...,L+1;)---(5)]]>

其中Cov(t_i，t_j)是兩個不同周期數(shù)據(jù)的協(xié)方差，D(t_i)和D(t_j)分別為t_i和t_j的方差；求c_ij的數(shù)學期望E和標準差σ

E=2L(L+1)Σi=1LΣj>iL+1ci,j---(6)]]>

σ=2L(L+1)Σi=1LΣj>iL+1(cij+E)2---(7)]]>

計算單個體素點激活值

T=Eσ---(8)]]>

當體素點的激活值大于設定的閾值則將其保留，否則將其剔除；所述的閾值為研究人員根據(jù)實驗目的和任務內(nèi)容預先設定的值；

C、計算每幅腦圖像的時間簇

經(jīng)過篩選后，共有m個體素點符合要求，共采集l幅圖像，則l幅圖像的血氧水平依賴的信號值可用如下矩陣來表示，該矩陣具有l(wèi)行、m列：

I=I1,1I1,2···I1,q···I1,mI2,1I2,2···I2,q···I2,m················Ip,1Ip,2···Ip,q···Ip,m··················Il,1Ip,2···Il,q···Il,m---(9)]]>

其中，矩陣元I_p，q為第p幅腦圖第q個體素點血氧水平依賴的信號值，即：I＝[I_p，q]，p＝1，2，…，l，q＝1，2，…，m；

設第q個體素點血氧水平依賴的信號值的平均基線值為I_0，q

I0,q=Σp=1lIp,ql---(10)]]>

并與矩陣I相比導出矩陣W，矩陣元W_p，q按如下公式計算：

Wp,q=1,Ip,q≥I0,q0,otherwise---(11)]]>

公式(11)是整個實驗過程中第p幅腦圖像中的第q處體素點是否高于平均值的判斷；在每一幅腦圖像種選擇的一組體素點即為時間簇，矩陣W的每一行向量中的元素的和就是相應腦圖像的時間簇的大小，即體素點個數(shù)，可以表示為：

Kp=Σq=1mWp,q---(12)]]>

由此可得到描述一維時域變化即時間簇大小變化的向量K：

K＝(K₁，K₂，K₃，...，K_l)??????????(13)

D、去除時間簇基數(shù)

當圖像中的體素點比較多即m很大時，這時向量K的基數(shù)就會變得很大，大于平均值的體素點數(shù)，時間軸的K值曲線就不能很明顯的反映腦活動的時間區(qū)域；因此，需要對向量K做去基數(shù)處理；

K′_i＝K_i-min(K₁，K₂，...，K_l)(14)

由此，得出一個新的表示時間簇的向量K′：

K′＝(K′₁，K′₂，K′₃，...，K′_l)(15)

由于K′經(jīng)過去基數(shù)處理，因此K′_i表示的是各幅腦圖像中高于基線值體素點的個數(shù)；由K′值畫出的時間軸曲線也能更好的檢測腦反應時域的變化。