[發明專利]基于分層模塊的腦分離與整合平衡狀態判定方法

有效

• 申請號: 202011472734.1
• 申請日: 2020-12-15
• 公開（公告）號: CN112472063B
• 公開（公告）日: 2023-03-14
• 發明（設計）人: 王榮;常昭;王欣蕊
• 申請（專利權）人: 西安科技大學
• 主分類號: A61B5/055
• 分類號: A61B5/055;A61B5/00
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 黨桃桃

1.基于分層模塊的腦分離與整合平衡狀態判定方法，其特征在于，包括如下步驟：

步驟1：提取大腦fMRI圖像數據的時間序列

采集Q位健康被試者的大腦fMRI圖像數據，每個被試者都需完成為期兩天的測試，每天完成2次MRI掃描，重復時間TR＝0.72S，每次掃描持續864s，也就是1200個時間點；

首先將被試者大腦fMRI圖像數據經過最小化預處理；然后將預處理后的大腦fMRI圖像數據轉化為CIFTI格式；最后將大腦fMRI圖像數據劃分為360個腦區，在每個腦區內，將所有體素信號進行疊加平均，得到該腦區的fMRI時間序列；

步驟2：構建穩態功能連接網絡

首先將每個被試者4次掃描的fMRI時間序列進行串聯，每個腦區包含4800個時間點；然后將所有被試者的fMRI時間序列依次進行串聯，得到每個腦區長時間的fMRI時間序列，包含Q×4800個時間點；以fMRI時間序列長度L₁＝Q×4800，計算i和j兩個腦區fMRI時間序列的穩態皮爾遜相關系數

和Y_t^F是腦區i和腦區j在時間t的fMRI時間序列值；和是fMRI時間序列的平均值；L₁是每個腦區的fMRI時間序列長度，穩態功能連接的fMRI時間序列長度L₁＝Q×4800；t為第t個時間點；

將穩態皮爾森相關系數作為腦區i和腦區j之間的功能連接；由于穩態皮爾森相關系數有可能為負值，將負的功能連接設為0，功能矩陣對角線元素保持為1；

將穩態功能連接網絡記為FC，其元素其中

步驟3：構建靜態功能連接網絡

將每個被試者4次掃描的fMRI時間序列進行串聯，得到每個腦區包含4800個時間點的fMRI時間序列；以fMRI時間序列長度L₂＝4800，針對每個被試者計算i和j兩個腦區fMRI時間序列的靜態皮爾遜相關系數將靜態皮爾森相關系數作為腦區i和腦區j之間的功能連接：

和Y_t^S是腦區i和腦區j在時間t的fMRI時間序列值；和是fMRI時間序列的平均值；L₂是每個腦區的fMRI時間序列長度，靜態功能連接的fMRI時間序列長度L₂＝4800；t為第t個時間點；

將每個被試者的靜態功能連接網絡記為SC，其元素其中

步驟4：特征模態分解

每個功能連接網絡C都能分解為C＝UΛU^T，其中U為特征向量，Λ為特征值，U^T為特征向量的轉置；采用Λ²刻畫特征模態對功能連接網絡的貢獻度，按照貢獻度從大到小的順序，對特征模態進行排序；將負特征值設為0；

所述的功能連接網絡為穩態功能連接網絡或靜態功能連接網絡；

步驟5：對穩態功能連接網絡進行分層模塊劃分；

步驟6：對靜態功能連接網絡進行分層模塊劃分；

步驟7：大腦分層分離與整合指標

在分層模塊化結構中，每一層支持了模塊內部的整合及模塊之間的分離，并且隨著階次的增加，模塊數量逐漸增加，支持了更高的分離過程；再者，隨著階次的增加，伴隨著對功能連接網絡貢獻度的下降；尤其是具有最高模塊數量的層數支持了完全的分離過程，具有較小的貢獻度；

功能連接網絡第f層的分離與整合成分定義為：

其中，

N＝360為模塊劃分的層數，也是特征模態的階數；將模塊數量M_f歸一化在[0,1]之間；

f為穩態功能連接網絡或靜態功能連接網絡的層數；

M_f為穩態功能連接網絡或靜態功能連接網絡第f層的模塊數量；

為穩態功能連接網絡或靜態功能連接網絡第f層的貢獻度；

H_f為穩態功能連接網絡或靜態功能連接網絡第f層的分離與整合成分；

采用H_f描述多尺度水平下的分層分離和整合過程；

另外，每層分離和整合成分需要根據模塊尺寸的異質性進行校正，校正因子為p_f：

其中，

n＝360為腦區數量；

m_o為穩態功能連接網絡或靜態功能連接網絡第f層第o個模塊的尺寸；

校正因子p_f反映了在第f層，模塊尺寸與最優模塊尺寸之間的偏差；因此，H_f被校正為：

在第一層，功能連接網絡只有一個模塊，包含了所有腦區一起激發產生全局的功能性整合，因此用來計算全腦整合成分H_In：

由于功能連接網絡的第一層只包括一個模塊，第1層的校正因子p₁＝0，所以全腦整合成分不需要校正；H₁為功能連接網絡第1層的分離與整合成分；Λ₁²為功能連接網絡第1層的貢獻度；M₁為功能連接網絡第一層的模塊數量；N＝360為模塊劃分的層數，也為特征模態的階數；n＝360為腦區數量；

功能連接網絡的全腦分離成分H_Se來源于多尺度的分離過程，f為2～N層：

進一步定義分離成分與整合成分之間的競爭指標H_B：

H_B＝H_In-H_Se

H_B＜0表明大腦功能連接網絡處于分離狀態，H_B＞0表明大腦功能連接網絡處于整合狀態，H_B＝0表明了分離與整合的平衡；

所述的功能連接網絡為穩態功能連接網絡或靜態功能連接網絡；

步驟8：穩態功能連接網絡分離與整合的平衡

根據步驟2、5和7，計算穩態功能連接網絡FC的分離成分整合成分以及分離與整合競爭指標靜息態大腦在穩態功能連接網絡中會近似達到分離和整合的平衡；

是穩態功能連接網絡的全腦分離成分；是穩態功能連接網絡的全腦整合成分；是穩態功能連接網絡的分離與整合競爭指標；

步驟9：個體靜態功能連接網絡分離與整合成分的修正

在個體靜態功能連接網絡分離與整合成分計算過程中，fMRI時間序列長度L₂會給靜態功能連接網絡帶來更多的分離成分而對整合成分影響較小；因此，需要對個體靜態功能連接網絡的分離和整合成分進行修正；

是靜態功能連接網絡的全腦分離成分；是靜態功能連接網絡的全腦整合成分；是靜態功能連接網絡的分離與整合競爭指標；

具體修正方法為，

比較個體被試者在單次掃描數據與4次掃描數據下和之間的差異：單次掃描數據中，每個腦區的fMRI時間序列長度L₃＝1200，每個被試者可以得到4個靜態功能連接網絡，計算相應的和然后在4次掃描中進行平均，得到每個被試者單次掃描下的分離與整合成分，即和再計算和刻畫fMRI時間序列長度為L₂＝4800和L₃＝1200時，每個被試者分離與整合成分的變化；

結果表明：每個腦區的fMRI時間序列長度主要影響分離成分而對整合成分的影響較小；并且近似與成比例關系，表明處于強分離狀態的大腦更容易被不同長度的fMRI時間序列測量所影響；因此，對和采取比例修正；

由于靜息態大腦在穩態功能連接網絡中會近似達到分離和整合的平衡，因此，將靜態功能連接網絡的分離成分和整合成分分別修正到即平衡態；

采用比例修正，Q位被試者的靜態功能連接網絡的整合成分和分離成分向量分別為和每個被試者修正結果為和Z代表第Z個被試者，Z′代表修正后的編號，代表Q位被試者的組平均，代表修正前第Z個被試者靜態功能連接網絡的全腦整合成分，代表修正后第Z個被試者靜態功能連接網絡的全腦整合成分，代表修正前第Z個被試者靜態功能連接網絡的全腦分離成分，代表修正后第Z個被試者靜態功能連接網絡的全腦分離成分；

結果表明：修正后的不依賴于fMRI時間序列的長度，就能夠準確判定處于分離與整合平衡狀態的被試者大腦。