[發明專利]血樣水平依賴性功能磁共振信號震蕩頻率聚類分析方法

無效

• 申請號: 201410053308.2
• 申請日: 2014-02-17
• 公開（公告）號: CN103767707A
• 公開（公告）日: 2014-05-07
• 發明（設計）人: 宋瀟鵬;張毅;劉一軍
• 申請（專利權）人: 南通南大四維影通科技有限公司
• 主分類號: A61B5/055
• 分類號: A61B5/055;A61B5/145
• 代理公司: 北京世譽鑫誠專利代理事務所(普通合伙) 11368
• 代理人: 郭官厚

技術領域

本發明屬于醫學圖像處理與分析技術領域，具體地說，涉及一種血樣水平依賴性功能磁共振信號震蕩頻率聚類分析方法。

背景技術

血氧水平依賴效應功能磁共振成像可無損地檢測和定位腦功能區，是神經影像學發展的一項新技術。它不僅可以反映腦功能及生理改變，還可進行腦功能定位整合神經解剖與功能信息，直觀反映與各類疾病或認知任務相關的神經機制。

機體的各種生理心理活動都伴隨的中樞神經元的放電活動。神經元集體點活動導致神經及周圍組織血流生化變化。神經元活動需消耗大量的能量，腦組織通過呼吸作用提供這些能量，呼吸作用需要消耗氧，因此腦活動的增加將伴隨局部氧耗的增加。為了給活躍的腦區提供氧分，局部血流灌注也會增加，局部血流灌注的增加會帶來更多的氧合血紅蛋白。但局部腦組織血流灌注的增加和血氧消耗增加的比例不同，血流量增加明顯超過氧耗量的增加，這種差異導致腦激活區的靜脈血氧合血紅蛋白增加，脫氧血紅蛋白比例相對減少。由于脫氧血紅蛋白是順磁性物質，可引起T2縮短，當其濃度下降時，導致T2*和T2延長，在T2*WI上信號增強，此即血氧水平依賴效應。BOLD-fMRI就是依據這種磁敏感性對比增強的原理成像的。

相比于腦電（EEG）、X射線斷層成像（CT）和正電子發射斷層成像（PET），BOLD-fMRI具有空間分辨率高、無放射性的優勢，能夠無損地觀察腦深部任何部位的結構和代謝活動。但相較于EEG信號，BOLD-fMRI時間分辨率較低，血液動力學信號也通常被認為是低頻信號，目前BOLD-fMRI研究領域缺乏類似于EEG數據分析領域的數據驅動的頻率分析技術。

多項研究發現，不同頻率的腦波對應不同的功能，不同信息在腦區之間的傳播可能通過不同頻率的腦波實現。BOLD-fMRI研究表明，不同頻率的血氧水平變化信號可能反映不同的腦功能，不同的疾病也特異性地影響特定頻率的BOLD活動。這些文獻表明，研究腦活動的頻率具有重要意義。

然而以往臨床及基礎科學研究都忽略了BOLD信號的頻率信息而往往觀察信號幅度隨著不同任務的變化。例如視覺皮層的BOLD信號幅度在接受視覺刺激時相較于靜息狀態時升高，然而很少有研究關注其頻率是否也發生改變。隨著靜息態BOLD-fMRI在各類疾病及基礎生理研究中的增加，人們發現靜息態BOLD信號的各種量化指標也能夠反映腦功能的改變。

不同的疾病或任務是否也導致了BOLD信號頻率的改變？要回答這個問題首先要刻畫正常人靜息態下不同腦區BOLD活動的頻率。多數BOLD頻率特性的研究都是用人為事先設定好參數的帶通濾波器對BOLD信號進行處理，這不僅沒有考慮到BOLD信號非平穩非線性的特性，而且如何確定頻段的劃分也是一個問題。頻段劃分得不正確可能導致結果的不穩定，同時線性濾波器也使得BOLD信號失真。

發明內容

本發明要解決的技術問題是克服上述缺陷，提供一種血樣水平依賴性功能磁共振信號震蕩頻率聚類分析方法，解決了目前fMRI研究領域缺乏數據驅動的頻率分析方法的問題，為基礎科學及臨床研究提供新的影像學分析方法，同時為臨床疾病診斷和病理機制的研究提供新的量化指標和生理標志物。

為解決上述問題，本發明所采用的技術方案是：

血樣水平依賴性功能磁共振信號震蕩頻率聚類分析方法，其特征在于:包括以下步驟：

步驟一：對從磁共振機器采集到的靜息態數據進行預處理分析；

步驟二：采用希爾伯特黃變換對預處理后的信號進行分解，得到不同頻率的固有模態函數；希爾伯特黃變換包括經驗模式分解和希爾伯特變換兩步；

步驟三：計算不同頻率成分的量化指標；

步驟四：以步驟三的量化指標為分類依據，將腦內不同體素聚類，統計分析以上不同指標。

作為一種改進，所述步驟一）中，對從磁共振機器采集到的靜息態數據為BOLD-fMRI信號數據，對BOLD-fMRI信號數據進行預處理分析的具體實現步驟為：

1）、利用基于MATLAB平臺的SPM軟件，對采集到的靜息態數據進行時間差異矯正；

2）、對時間矯正過后的數據進行頭動對齊；

3）、對頭動對齊后的數據進行空間標準化；

4）、對空間標準化后的數據進行去線性漂移和時域標準化。

作為一種改進，所述步驟二）中，采用希爾伯特黃變換對預處理后的信號進行分解，得到不同頻率的成分，即固有模態函數，具體實現步驟為：

1）、采用經驗模式分解對信號進行分解，得到若干固有模態函數；

2）、對經驗模式分解后得到的固有模態函數進行希爾伯特變換。