[發(fā)明專利]以獨立成分網(wǎng)絡為參照的全腦個體化腦功能圖譜構建方法

有效

• 申請?zhí)枺?/td>: 202010856401.2
• 申請日: 2020-08-24
• 公開（公告）號: CN112002428B
• 公開（公告）日: 2022-03-08
• 發(fā)明（設計）人: 丁皓;秦文;呂旻;謝穎瀅;于春水
• 申請（專利權）人: 天津醫(yī)科大學
• 主分類號: G16H50/70
• 分類號: G16H50/70;G06V10/30;G06V10/77;G06K9/62;A61B5/00;A61B5/055
• 代理公司: 天津翰林知識產權代理事務所(普通合伙) 12210
• 代理人: 付長杰

1.一種以獨立成分網(wǎng)絡為參照的全腦個體化腦功能圖譜構建方法，其特征在于，該方法利用個體被試的腦靜息態(tài)fMRI數(shù)據(jù)，首先引入獨立成分分析法構建組水平的腦功能子網(wǎng)絡，然后利用時空回歸反重建各個被試的腦功能子網(wǎng)絡和該功能子網(wǎng)絡相對應的特征時間序列，并以功能子網(wǎng)絡相對應的特征時間序列為參考信號；

引入反距離加權系數(shù)、子網(wǎng)絡逆變異系數(shù)加權、相關因子以及迭代過程，進而獲得獨立成分網(wǎng)絡為參照的全腦個體化功能圖譜；

該方法的具體過程是：

(1)數(shù)據(jù)采集和預處理：采集每名被試靜息態(tài)下腦fMRI數(shù)據(jù)，然后對獲取的腦fMRI數(shù)據(jù)預處理，保證不同被試的腦fMRI數(shù)據(jù)對齊到同一個標準空間，保證所有被試每個體素的解剖結構是相同的，獲得每個被試的fMRI數(shù)據(jù)及該被試的體素時間序列；

(2)組水平及個體獨立成分網(wǎng)絡重建：對所有被試預處理后的fMRI數(shù)據(jù)按照時間方向串聯(lián)后進行組水平空間ICA分析，主要包括：(i)先對經過預處理后的每個被試的fMRI數(shù)據(jù)在時間點方向采用主成分分析進行降維；(ii)將多個被試降維后的功能數(shù)據(jù)再進行串聯(lián)，并再次對串聯(lián)后的數(shù)據(jù)進行PCA降維；(iii)對降維后的組PCA數(shù)據(jù)，利用獨立成分分析算法進行空間ICA分析，以獲得組水平ICA空間成分；(iv)基于組水平ICA空間成分，對獨立成分分析算法處理后的個體fMRI數(shù)據(jù)進行時空回歸，獲得每個個體功能子網(wǎng)絡空間成分權重、全腦體素值和每個個體的每個功能子網(wǎng)絡的特征時間序列；

(3)構建個體化功能腦圖譜：引入反距離加權系數(shù)、子網(wǎng)絡逆變異系數(shù)加權、相關因子以及迭代過程，進而獲得獨立成分網(wǎng)絡為參照的全腦個體化功能圖譜，主要步驟包括：

(i)設定每個個體功能子網(wǎng)絡的數(shù)量、每個功能子網(wǎng)絡中核心團塊的權重值范圍及團塊大小范圍，基于每個個體功能子網(wǎng)絡的空間分布權重，根據(jù)設定的權重值、團塊大小尋找確定該功能子網(wǎng)絡中核心團塊的位置及數(shù)量，并以核心團塊為中心計算全腦其它體素到該核心團塊最近體素的距離；

用反距離加權系數(shù)即近鄰因子NF來度量體素和該功能子網(wǎng)絡的相鄰程度，近鄰因子NF的公式為式(1)：

其中，D為全腦某體素到該功能子網(wǎng)絡核心團塊的歐式距離；vox為當前計算的某體素；hub_cluster為核心團塊；

若該功能子網(wǎng)絡中核心團塊的數(shù)量為多個，則根據(jù)公式(1)計算出當前某體素和該功能子網(wǎng)絡的多個近鄰因子，將所有近鄰因子求平均為最終的近鄰因子；

(ii)計算了所有被試每個功能子網(wǎng)絡在體素水平的變異系數(shù)，變異系數(shù)CV的表達式為式(2)：

其中，σ為某一體素在某功能子網(wǎng)絡空間分布權重在個體被試間分布的標準差，μ為某一體素在某功能子網(wǎng)絡空間分布權重在個體被試間分布的平均值；利用變異系數(shù)根據(jù)公式(3)獲得抗噪因子ANF：

ANF＝e^-cv (3)

(iii)以步驟(2)中獲得的功能子網(wǎng)絡的特征時間序列作為參考信號，逐個體素時間序列與步驟(2)中獲得的每個功能子網(wǎng)絡的特征時間序列進行皮爾遜相關計算，把相關系數(shù)作為該體素劃分到各功能子網(wǎng)絡的相關因子CF；

(iv)將功能子網(wǎng)絡空間成分權重、最終近鄰因子、抗噪因子和相關因子進行乘積；將該乘積作為該體素劃分到各功能子網(wǎng)絡的權重，對該體素劃分到各功能子網(wǎng)絡的權重進行排序，把該體素賦予權重值最高的功能子網(wǎng)絡；

(v)重復步驟(iv)，直至所有體素都賦予完畢，得到粗分的全腦功能圖譜，呈現(xiàn)出多個腦區(qū)，記每個腦區(qū)內所有體素時間序列平均值為該腦區(qū)的平均時間序列；

(vi)提取前一次分割得到的腦區(qū)的平均時間序列，并與前一次參考信號進行平均，得到新的參考信號，每個體素與該新的參考信號進行皮爾遜相關計算，得到新的相關因子；

(vii)重復步驟(iv)-(v)，獲得新一代全腦功能圖譜；

(viii)計算當前腦圖譜與前一次腦圖譜的重疊率，如果重疊率低于設定值，重復步驟(vi)-(vii)，反之終止迭代，得到最終的全腦個體化腦功能圖譜；

所述功能子網(wǎng)絡空間成分權重的具體計算過程是：

考慮傳統(tǒng)ICA分析在輸出成分順序的不確定性和成分個數(shù)的不可預知性方面的缺陷，利用基于組信息的空間ICA法，以獲得個體被試的腦功能網(wǎng)絡特異性和對應性；基于組信息的空間ICA法的過程是：先在所有組數(shù)據(jù)上進行一次ICA分析得到組水平上的獨立成分，然后再基于已獲得的組水平的獨立成分重建得到各個被試的成分，能夠建立起不同被試成分間的對應性；

所有被試的全腦rs-fMRI數(shù)據(jù)可以用X＝[x₁,x₂,…,x_i]表示，其中x_i為第i個被試的預處理后的全腦rs-fMRI數(shù)據(jù)(i＝1,2,…,n，n為被試個數(shù))；其次，個體PCA：利用主成分分析的方法對x_i進行數(shù)據(jù)降維，將X降為K_i×L的矩陣(K為主成分數(shù)，L為體素數(shù))；然后將不同被試降維后的矩陣按照時間點方向串聯(lián)成一個的矩陣；而后組PCA：利用主成分分析方法對的矩陣進行降維，以得到N×L的矩陣，N表示獨立源信號的個數(shù)；最后，通過ICA法對已得到N×L的矩陣進行數(shù)據(jù)分析，進而獲得基于組水平的一系列腦功能子網(wǎng)絡空間分布S；

隨后，基于已得到的組水平上的獨立成分，對個體全腦rs-fMRI數(shù)據(jù)進行時間回歸，獲得個體被試的解混矩陣A_i；然后，基于個體解混矩陣，對個體fMRI數(shù)據(jù)進行空間回歸，獲得個體的功能子網(wǎng)絡的空間分布特征s_i，如公式7和公式8所示；

第i個被試的時間回歸表達式為：

A_i＝x_iS^-1 (7)

第i個被試的空間回歸表達式為：

記s_i是通過兩步回歸法得到的個體水平腦功能子網(wǎng)絡的空間分布，也就是功能子網(wǎng)絡的空間成分權重。