專利名稱：功能性磁共振圖像的聚類方法
技術(shù)領(lǐng)域：
本發(fā)明屬于生物信息技術(shù)中的模式、圖像識別領(lǐng)域，特別涉及一種功能性磁共振 成像(functional magnetic resonance imaging, fMRI)圖像后處理技術(shù)。
背景技術(shù)：
目前，腦功能成像技術(shù)已得到了廣泛應(yīng)用，其中的功能性磁共振成像 (f皿ctionalmagnetic resonance imaging, fMRI)是在石茲共振成像(magnetic resonance imaging,MRI)技術(shù)的基礎(chǔ)上發(fā)展起來的，通過功能磁共振成像技術(shù)對許多生理和生物物理 參數(shù)進行測量，它是進行腦功能活動探測和成像的無創(chuàng)傷手段。其成像方法主要包括模型 驅(qū)動(Model-driven)分析方法及數(shù)據(jù)驅(qū)動(Data-driven)分析方法兩類。其中
模型驅(qū)動(Model-driven)分析方法該方法在處理預(yù)RI圖像的時候要依靠實驗 模式(型)，現(xiàn)在用的比較多的是Friston等人基于廣義線性模型(General Linear Model, GLM)提出的統(tǒng)計參數(shù)圖(Statistical Parametric M即ping， SPM)來分析預(yù)RI圖像。這 類方法相對說來比較簡單、直觀；但由于需要一個包含與實驗?zāi)Ｊ?、其它人為增加的心跳?呼吸、頭動等因素相關(guān)的先驗?zāi)Ｊ綄︻A(yù)RI圖像進行分析，并且在處理過程中還要依賴于統(tǒng) 計推斷來獲得最后的結(jié)果；因而存在干擾因素多、噪聲量大，其最終結(jié)果取決于統(tǒng)計推斷的 準(zhǔn)確度，人為因素影響大等缺陷。 數(shù)據(jù)驅(qū)動(Data-driven)分析方法該方法主要包括獨立成份分析方法和 聚類分析方法，其中、McKeown等人在1998提出的獨立成份分析方法(Ind印endent ComponentAnalysis, ICA)，該方法是將多維數(shù)據(jù)分解為若干個相互獨立的分量，在預(yù)RI數(shù) 據(jù)分析中，可以在不對實驗的任務(wù)進行任何假設(shè)前提下分離出各類獨立的成分，從而使這 類方法在預(yù)RI圖像分析和處理方面越來越受重視；但在獨立成份分析中如何對成份進行 客觀選擇，目前還是一個沒有解決的難題，該方法對成份的選擇目前還停留在人為判斷的 基礎(chǔ)上，因而仍存在受人的主觀因素影響大的缺陷。 聚類分析方法包括其一是K-均值聚類(K-means)分析方法，即每個類別都采
用該類所有數(shù)據(jù)的平均值來表示，雖然它能很好地體現(xiàn)出聚類在幾何學(xué)和統(tǒng)計學(xué)上的意 義，但是K-均值聚類方法中對類別數(shù)和初始聚類中心的選擇沒有準(zhǔn)則可依循，人為因素 對聚類結(jié)果的的好壞影響極大；其二是分級聚類(Hierarchical clustering, HC)分析 方法，該方法是通過將數(shù)據(jù)組織成若干組，并形成一個相應(yīng)的樹狀圖來進行聚類，但分級 聚類的缺點在于一旦對數(shù)據(jù)進行合并或分裂之后，就無法再進行調(diào)整，加之對合并或者分 裂點的位置選擇由于無客觀標(biāo)準(zhǔn)可循，主要憑個人經(jīng)驗處理，因此仍存在受人的主觀因素 影響大的缺陷；其三是仿射聚類分析方法(Frey B J， Dueck D. Clustering by passing messagesbetween data points. Science, 2007， 315 (5814) :972 976)，該分析方法是近
兩年才提出的，它是首先將數(shù)據(jù)集的所有樣本點都視為候選的聚類中心，并為每個樣本點 建立與其他樣本點的吸引度參數(shù)，各樣本點在循環(huán)迭代過程中競爭最終的聚類中心，當(dāng)?shù)?br> 代過程收斂時、即與各類別對應(yīng)的聚類中心也隨之確定，然后將每個樣本點分配給最近的
4聚類中心，從而確定其所屬的類別。該方法的優(yōu)勢體現(xiàn)在不需要預(yù)先指定聚類數(shù)、且分類客 觀；但由于決定聚類中心的偏向參數(shù)則需要人為設(shè)定，因而其最優(yōu)的聚類結(jié)果仍受制于人 的主觀因素影響、其隨意性大。對此，王開軍等人提出了一種通過從全部偏向參數(shù)所對應(yīng)的 聚類結(jié)果中篩選出最優(yōu)聚類結(jié)果的自適應(yīng)仿射聚類方法，該方法在數(shù)據(jù)量較小的情況下， 與傳統(tǒng)仿射聚類方法相比，其聚類質(zhì)量優(yōu)于傳統(tǒng)的仿射聚類方法，但是自適應(yīng)聚類方法本 身需確定全部偏向參數(shù)所對應(yīng)的聚類結(jié)果，其處理量大，也就限制了其處理數(shù)據(jù)的能力，因 而存在數(shù)據(jù)的處理能力較差、無法對數(shù)據(jù)量大的圖像進行聚類處理等缺陷。

發(fā)明內(nèi)容
本發(fā)明的目的是研究設(shè)計一種功能性磁共振圖像的聚類方法，以克服分級聚類在 預(yù)RI圖像處理中對合并或者分裂點的選擇困難、對個人經(jīng)驗依賴性大，而自適應(yīng)仿射聚類 無法對數(shù)據(jù)量較大的圖像進行處理的弊病，達到有效提高預(yù)RI圖像處理過程中的客觀性 及對大數(shù)據(jù)量圖像的處理能力等目的。 本發(fā)明的解決方案是通過將分級聚類(HC)與自適應(yīng)仿射聚類(APC)方法有機結(jié)
合，綜合利用兩者的特點、克服其缺陷，從而實現(xiàn)其發(fā)明目的。因此，本發(fā)明包括 A.對原始預(yù)RI圖像進行預(yù)處理首先對輸入的預(yù)RI圖像進行空間位移的校正，
并利用高通濾波器將呼吸、心跳類生理活動引起的低頻噪聲濾掉，再將校正后的圖像進行
標(biāo)準(zhǔn)化處理，然后對標(biāo)準(zhǔn)化處理后的圖像利用高斯核進行空間平滑處理； B.分區(qū)仿射聚類首先按照常規(guī)的大腦分區(qū)模板進行分區(qū)，再根據(jù)所得到的各個
分區(qū)圖像子集，利用各個體素之間的相關(guān)系數(shù)作為相似度矩陣中的元素，并取矩陣的中值
作為偏向參數(shù)，然后利用傳統(tǒng)仿射聚類方法(APC)對各個分區(qū)的圖像子集進行聚類，得到
每個分區(qū)對應(yīng)的聚類結(jié)果； C.獲取新的圖像及確定對應(yīng)的偏向參數(shù)將由B步驟得到的分區(qū)聚類結(jié)果，利用 分級聚類(HC)的處理方法，將每個分區(qū)中同類的數(shù)據(jù)作為一個聚合體素，并按照空間分布 重新組合，得到新的圖像，對新的圖像再利用各個聚合體素之間的相關(guān)系數(shù)作為相似度矩 陣中的元素、取矩陣的中值作為偏向參數(shù)； D.獲取全部偏向參數(shù)所對應(yīng)的聚類結(jié)果首先對由C步驟分區(qū)聚類后形成的圖像 及其偏向參數(shù)按傳統(tǒng)仿射聚類方法重新聚類，得到本步驟第一次聚類結(jié)果；然后再將C步 驟分區(qū)聚類后形成的圖像用按設(shè)定步幅減小后的偏向參數(shù)值對其進行重新聚類，得到第二 次聚類結(jié)果；如此反復(fù)利用按步幅依次遞減后的偏向參數(shù)重新聚類、直至類別數(shù)為2止，并 保存所得全部聚類結(jié)果，轉(zhuǎn)步驟E ; E.確定最優(yōu)聚類結(jié)果將步驟D所得聚類結(jié)果按Silhouette指標(biāo)評定，其中最小 Silhouette值所對應(yīng)的聚類結(jié)果即為最優(yōu)聚類結(jié)果； F.獲取聚類后的預(yù)RI圖像將步驟E所得的最優(yōu)聚類結(jié)果，投射回原始預(yù)RI圖 像中，即得到最終聚類后的預(yù)RI圖像。 上述高通濾波器為頻率1/128Hz的高通濾波器。所述將圖像進行標(biāo)準(zhǔn)化處理，是 采用SPM自帶的EPI模板進行標(biāo)準(zhǔn)化處理。所述大腦分區(qū)模板進行分區(qū)，其模板為AAL模 板。而所述各個體素之間的相關(guān)系數(shù)由下式?jīng)Q定
其中Xi和yi是任意兩個樣本，i是第i個樣本。 所述按設(shè)定步幅減小后的偏向參數(shù)值再次聚類，其步幅為 pstep = 0. lp 0. OOlp 其中Pstep是步幅、p是由C步驟所得偏向參數(shù)。 所述聚類結(jié)果按Silhouette指標(biāo)評定，各指標(biāo)值由下式給出 其中a(t)是某類中的一個樣本與其所在的類中其他所有樣本的平均不相似度或
者距離，b(t)是這個樣本到另外所有類的最小平均不相似度或者距離。 本發(fā)明由于將分級聚類與仿射聚類和自適應(yīng)仿射聚類有機結(jié)合、對圖像進行綜合
處理，克服傳統(tǒng)聚類方法受人的主觀因素影響和對個人經(jīng)驗依賴性大，以及無法對數(shù)據(jù)量
大的圖像進行有效聚類處理等缺陷；有效解決了對最優(yōu)聚類結(jié)果的的客觀選擇問題。因而，
本發(fā)明具有對大數(shù)據(jù)量圖像的處理能力強，并有效提高了預(yù)RI圖像處理過程中的客觀性
和對最優(yōu)聚類結(jié)果選擇的準(zhǔn)確性等特點。


圖1為本發(fā)明方法流程示意圖(方框圖)； 圖2為本發(fā)明具體實施方式
中預(yù)RI原始圖像中的第18層，圖中不同灰度代表不同類別，由圖中可看出類別數(shù)基本等于體素個數(shù)； 圖3為具體實施方式
中分區(qū)仿射聚類和分級聚類的結(jié)果，圖示為第18層，由圖中
可以可看出類別數(shù)已經(jīng)大量減少； 圖4為第18層最終聚類后的預(yù)RI圖像。
具體實施例方式
以下結(jié)合附圖和具體實施方式
對本發(fā)明做進一步的說明，其中根據(jù)雙手運動預(yù)RI圖像的性質(zhì)，預(yù)RI圖像的第17、18、19層可以比較好的觀察到激活區(qū)，在這里我們選取原始預(yù)RI圖像的第18層來演示相應(yīng)的結(jié)果。 為了說明本發(fā)明所提及的一種基于仿射聚類的功能磁共振圖像聚類方法的過程及效果，將采用比較常見的雙手運動的預(yù)RI圖像來進行分析，根據(jù)雙手運動預(yù)RI圖像的性質(zhì)，我們選取原始預(yù)RI圖像的第18層來演示相應(yīng)的結(jié)果，具體步驟如下；
A.對原始預(yù)RI圖像進行預(yù)處理首先對輸入的預(yù)RI圖像進行空間位移的校正，并利用頻率為1/128Hz的高通濾波器將呼吸、心跳類生理活動引起的低頻噪聲濾掉，再將校正后的圖像采用SPM自帶的EPI模板，把每個體素重新采樣至3X3X3mm3進行標(biāo)準(zhǔn)化；然后對標(biāo)準(zhǔn)化后的圖像利用全寬半高值(FWHM)為8X8X8mm3(分別為x、 y、 z三個方向)的高斯核進行空間平滑處理，其結(jié)果如圖2所示；
l個 Z>(/)_a(/)max{fl(0,6(0}
6
B.分區(qū)仿射聚類首先按照常規(guī)的大腦分區(qū)模板(AAL模板)進行分區(qū)，再根據(jù)所得到的各個分區(qū)圖像子集，利用相關(guān)系數(shù) r/ = , n '=1 — —
J(x「x)2t(u)2V '=i ''=i 作為相似度矩陣中的相應(yīng)元數(shù)，其中Xi和yi是其中的任意兩個樣本，i是第i個樣本，取矩陣的中值作為偏向參數(shù)，然后利用仿射聚類方法(APC)對各個分區(qū)的圖像子集進行聚類，得到每個分區(qū)對應(yīng)的聚類結(jié)果； C.獲取新的圖像及確定對應(yīng)的偏向參數(shù)由B步驟得到的分區(qū)聚類結(jié)果，利用分級聚類(HC)的處理方法，將每個分區(qū)中同類的數(shù)據(jù)作為一個聚合體素，并按照空間分布重新組合，得到新的圖像，如圖3所示，對新的圖像再利用各個體素之間的相關(guān)系數(shù)作為相似度矩陣中的元素、取矩陣的中值作為偏向參數(shù)P ; D.獲取全部偏向參數(shù)所對應(yīng)的聚類結(jié)果首先對由C步驟分區(qū)聚類后形成的圖像及對應(yīng)的偏向參數(shù)按傳統(tǒng)仿射聚類方法重新聚類，得到本步驟第一次聚類結(jié)果；然后再將C步驟分區(qū)聚類后形成的圖像與按設(shè)定步幅(比例)減小后的偏向參數(shù)值再次聚類，得到第二次聚類結(jié)果；如此反復(fù)利用按步幅Pstep = 0. Olp依次遞減后的偏向參數(shù)重新聚類、直至類別數(shù)為2止，并保存所得全部聚類結(jié)果，轉(zhuǎn)步驟E ; E.確定最優(yōu)聚類結(jié)果將步驟D所得聚類結(jié)果按Silhouette指標(biāo)
= —Z^、/"、、丄 評定，其中a(t)是某一類中的一個樣本與其所在的類中其他所有樣本的平均不相似度或者距離，b(t)是這個樣本到另外所有類的最小平均不相似度或者距離；所有指標(biāo)中最小的Sht(ii)值所對應(yīng)的聚類結(jié)果即為最優(yōu)聚類結(jié)果； F.獲取預(yù)RI圖像將步驟E所得的最優(yōu)聚類結(jié)果，投射回原始預(yù)RI圖像中，即得到最終的預(yù)RI圖像，如圖4所示。
權(quán)利要求
一種功能性磁共振圖像的聚類方法，包括A.對原始fMRI圖像進行預(yù)處理首先對輸入的fMRI圖像進行空間位移的校正，并利用高通濾波器將呼吸、心跳類生理活動引起的低頻噪聲濾掉，再將校正后的圖像進行標(biāo)準(zhǔn)化處理，然后對標(biāo)準(zhǔn)化處理后的圖像利用高斯核進行空間平滑處理；B.分區(qū)仿射聚類首先按照常規(guī)的大腦分區(qū)模板進行分區(qū)，再根據(jù)所得到的各個分區(qū)圖像子集，利用各個體素之間的相關(guān)系數(shù)作為相似度矩陣中的元素，并取矩陣的中值作為偏向參數(shù)，然后利用傳統(tǒng)仿射聚類方法對各個分區(qū)的圖像子集進行聚類，得到每個分區(qū)對應(yīng)的聚類結(jié)果；C.獲取新的圖像及確定對應(yīng)的偏向參數(shù)將由B步驟得到的分區(qū)聚類結(jié)果，利用分級聚類的處理方法，將每個分區(qū)中同類的數(shù)據(jù)作為一個聚合體素，并按照空間分布重新組合，得到新的圖像，對新的圖像再利用各個聚合體素之間的相關(guān)系數(shù)作為相似度矩陣中的元素、取矩陣的中值作為偏向參數(shù)；D.獲取全部偏向參數(shù)所對應(yīng)的聚類結(jié)果首先對由C步驟分區(qū)聚類后形成的圖像及其偏向參數(shù)按傳統(tǒng)仿射聚類方法重新聚類，得到本步驟第一次聚類結(jié)果；然后再將C步驟分區(qū)聚類后形成的圖像用按設(shè)定步幅減小后的偏向參數(shù)值對其進行重新聚類，得到第二次聚類結(jié)果；如此反復(fù)利用按步幅依次遞減后的偏向參數(shù)重新聚類、直至類別數(shù)為2止，并保存所得全部聚類結(jié)果，轉(zhuǎn)步驟E；E.確定最優(yōu)聚類結(jié)果將步驟D所得聚類結(jié)果按Silhouette指標(biāo)評定，其中最小Silhouette值所對應(yīng)的聚類結(jié)果即為最優(yōu)聚類結(jié)果；F.獲取聚類后的fMRI圖像將步驟E所得的最優(yōu)聚類結(jié)果，投射回原始fMRI圖像中，即得到最終聚類后的fMRI圖像。
2. 按權(quán)利要求1所述功能性磁共振圖像的聚類方法，其特征在于所述高通濾波器為頻 率1/128Hz的高通濾波器。
3. 按權(quán)利要求1所述功能性磁共振圖像的聚類方法，其特征在于所述將圖像進行標(biāo)準(zhǔn) 化處理是采用SPM自帶的EPI模板進行標(biāo)準(zhǔn)化處理。
4. 按權(quán)利要求1所述功能性磁共振圖像的聚類方法，其特征在于所述大腦分區(qū)模板進 行分區(qū)，其模板為AAL模板。
5. 按權(quán)利要求1所述功能性磁共振圖像的聚類方法，其特征在于而所述各個體素之間 的相關(guān)系數(shù)由下式?jīng)Q定其中Xi和yi是任意兩個樣本，i是第i個樣本。
6. 按權(quán)利要求1所述功能性磁共振圖像的聚類方法，其特征在于所述按設(shè)定步幅減小后的偏向參數(shù)值再次聚類，其步幅為<formula>formula see original document page 2</formula>其中P^p是步幅、P是由C步驟所得偏向參數(shù)。
7. 按權(quán)利要求l所述功能性磁共振圖像的聚類方法，其特征在于所述聚類結(jié)果按Silhouette指標(biāo)評定，各指標(biāo)值由下式給出 物4, —其中a(t)是某類中的一個樣本與其所在的類中其他所有樣本的平均不相似度或者距離，b(t)是這個樣本到另外所有類的最小平均不相似度或者距離。
全文摘要
該發(fā)明屬于生物信息技術(shù)中的功能性磁共振圖像的聚類方法，包括對原始fMRI圖像進行預(yù)處理，分區(qū)仿射聚類，獲取新的圖像及確定對應(yīng)的偏向參數(shù)，獲取全部偏向參數(shù)所對應(yīng)的聚類結(jié)果，確定最優(yōu)聚類結(jié)果，獲取最終聚類后的fMRI圖像。該發(fā)明由于將分級聚類與仿射聚類和自適應(yīng)仿射聚類有機結(jié)合、對圖像進行綜合處理，克服傳統(tǒng)聚類方法受人的主觀因素影響和對個人經(jīng)驗的依賴性大，以及無法對數(shù)據(jù)量大的圖像進行有效聚類處理等缺陷；有效解決了對最優(yōu)聚類結(jié)果的的客觀選擇問題。因而，本發(fā)明具有對大數(shù)據(jù)量圖像的處理能力強，并有效提高了fMRI圖像處理過程中的客觀性和對最優(yōu)聚類結(jié)果選擇的準(zhǔn)確性等特點。
文檔編號G01R33/56GK101706561SQ20091021626
公開日2010年5月12日 申請日期2009年11月20日 優(yōu)先權(quán)日2009年11月20日
發(fā)明者呂維帥, 陳華富 申請人:電子科技大學(xué)