一種大腦默認網(wǎng)絡的功能連接分析方法
【專利摘要】本發(fā)明公開了一種大腦默認網(wǎng)絡的功能連接分析方法。對功能磁共振圖像進行預處理，并選取默認模式腦區(qū)；將腦區(qū)定義為節(jié)點，腦區(qū)之間的聯(lián)系定義為邊，構成一個含有若干節(jié)點的默認模式網(wǎng)絡；分析默認模式網(wǎng)絡的節(jié)點度、集聚系數(shù)、最短路徑長度，分別應用迪杰斯特拉算法和改進蟻群算法計算默認模式網(wǎng)絡的平均距離和哈密頓路徑距離，研究默認模式網(wǎng)絡節(jié)點間的連接特征；找出腦疾病患者和正常人的默認模式網(wǎng)絡是否具有相同的平均距離和哈密頓路徑，判斷兩者在相同哈密頓路徑方向時是否具有相同的路徑長度。本發(fā)明通過分析默認模式網(wǎng)絡的功能連接，探索正常人與腦疾病患者大腦功能的差異，在認知功能研究、精神疾病診療等方面具有一定的應用價值。
【專利說明】
-種大腦默認網(wǎng)絡的功能連接分析方法
技術領域
[0001] 本發(fā)明設及一種基于醫(yī)學影像的大腦默認網(wǎng)絡分析方法，具體是一種大腦網(wǎng)絡功 能連接的分析方法，屬于生物醫(yī)學信息處理技術領域，為國家自然科學基金項目 (51307010)階段性研究成果。
【背景技術】
[0002] 默認模式是指大腦不加工外在任務時回歸到基線的狀態(tài)。支持運一功能的腦區(qū)在 安靜條件下的活動比主動任務條件下高，被試在進行認知任務時，運些腦區(qū)總是表現(xiàn)出負 激活。運些具有自發(fā)激活性、時間同步性和內(nèi)在功能連接的特定腦區(qū)被合稱為默認模式網(wǎng) 絡(^Default Mode化twork，DMN)或默認網(wǎng)絡。Greicius等首次使用靜息態(tài)功能連接分析默 認網(wǎng)絡，發(fā)現(xiàn)后扣帶回（PCC)/前模葉與其它腦區(qū)存在功能連接，說明運些腦區(qū)的活動具有 同步性，從而證實了默認網(wǎng)絡的存在。默認模式網(wǎng)絡擁有其特定的空間構成，且有別于其它 靜息態(tài)網(wǎng)絡的活動規(guī)律，為研究人類自發(fā)的認知提供了一個新的出發(fā)點。
[0003] 近年來，大腦默認模式網(wǎng)絡已經(jīng)成為認知神經(jīng)科學領域的研究熱點。人們應用靜 息態(tài)功能磁共振成像（化nctional Ma即etic Resonance Imaging，fMRI)技術對神經(jīng)精神 類疾病的默認模式網(wǎng)絡進行了大量研究，發(fā)現(xiàn)在一些精神和神經(jīng)性疾病(如阿爾茲海默病、 精神分裂癥、癒痛等)患者大腦中，默認網(wǎng)絡相關腦區(qū)的激活程度和功能連接發(fā)生了顯著改 變。
[0004] 很多大腦默認模式網(wǎng)絡的研究方法僅僅是局限于醫(yī)學手段，例如任務誘發(fā)激活或 負激活、靜息態(tài)功能連接、彌散張量成像、低頻振幅等，然而利用基于網(wǎng)絡的分析方法來對 默認模式網(wǎng)絡功能連接進行研究的文獻和專利相對較少，研究默認模式網(wǎng)絡的功能連接方 面的文獻和專利就更為稀少。W圖論為主的復雜腦網(wǎng)絡分析技術主要關注大腦結構或功能 網(wǎng)絡，其主要衡量指標有節(jié)點度、聚類系數(shù)、最短路徑長度等。本發(fā)明WfMRI數(shù)據(jù)為研究對 象，首先研究默認模式網(wǎng)絡的節(jié)點特性，然后采用迪杰斯特拉算法和改進的自適應蟻群算 法研究其網(wǎng)絡連接特性。發(fā)明通過分析默認模式網(wǎng)絡的功能連接特性，探索正常人與腦疾 病患者大腦功能的差異性，對腦疾病患者默認模式網(wǎng)絡的功能連接研究有著非常重要的理 論和應用價值。

【發(fā)明內(nèi)容】

[0005] 針對現(xiàn)有技術存在的不足之處和實際應用的需要，本發(fā)明要解決的問題是：
[0006] 提供一種大腦默認網(wǎng)絡功能連接分析方法，實現(xiàn)對大腦默認網(wǎng)絡間的功能連接特 征進行分析研究。為了達到上述目的，本發(fā)明采取W下技術方案：
[0007] 第一步:對被試者大腦進行磁共振掃描，獲得被試者的大腦功能磁共振圖像。又分 為：
[000引情況一:對正常人靜息態(tài)下進行磁共振掃描，獲得被試者靜息態(tài)下的磁共振圖像。
[0009]情況二:對某種刺激或疾病下的被試者進行磁共振掃描，獲得被試者在刺激或疾 病狀態(tài)下的磁共振圖像。
[0010] 第二步:將獲得的功能磁共振圖像進行預處理，預處理包括格式轉換、時間校正、 頭動校正、配準、空間標準化、平滑、去線性漂移，濾波。
[0011] 第=步:采用標準化分區(qū)模板將大腦功能磁共振圖像劃為若干大腦區(qū)域，選取默 認模式腦區(qū)，并將每個腦區(qū)定義為一個節(jié)點，腦區(qū)與腦區(qū)之間的聯(lián)系定義為連接節(jié)點的邊， 各個節(jié)點通過邊相互連接構成默認模式網(wǎng)絡。
[0012] 第四步:計算默認模式網(wǎng)絡的節(jié)點度、聚類系數(shù)和最短路徑長度。節(jié)點i的聚類系 數(shù)定義滬
[001 引 （1)
[0014] 式中：N表示網(wǎng)絡中節(jié)點的個數(shù);Ei為節(jié)點i與鄰接節(jié)點間實際存在的邊數(shù);若ki< 2，Ci 二 Oo
[0015] 節(jié)點i的最短路徑長度以定義為節(jié)點i到網(wǎng)絡內(nèi)所有其它節(jié)點的平均最短路徑：
[0016]
(2)
[0017] 式中：Ly代表節(jié)點i與節(jié)點j之間的最短路徑長度。
[0018] 第五步:分別應用迪杰斯特拉算法和改進的蟻群算法計算默認模式網(wǎng)絡的平均距 離和哈密頓路徑距離。迪杰斯特拉算法描述為:設G=IV, E}是具有n個頂點的圖，V為圖中所 有頂點的集合，E為圖中所有邊的集合。算法執(zhí)行步驟如下：
[0019] (1)令S = { Vq }，T = V-S = {:其余頂點}，若帥頂點對應的距離值<Vq，Vi >存在，則d (￥〇，￥〇為<￥〇，￥1>弧上的權值，若不存在<￥〇，￥1>，則(1(￥〇，￥〇為氣
[0020] (2)從帥選取一個與S中頂點有關聯(lián)邊且權值最小的頂點W，加入到S中。
[0021] (3)對T中其余頂點的距離值進行修改。若加進W作中間頂點，使得從Vo到Vi的距離 值縮短，則修改此距離值。
[0022] (4)重復上述步驟(2)、（3)，直到S中包含所有頂點，即W=Vi為止。
[0023] 改進的蟻群算法描述為:設bi(t)表示t時刻位于節(jié)點i的媽蟻數(shù)目，Ty(t)為t時刻路 徑(i，j)上的信息量，n表示網(wǎng)絡節(jié)點的規(guī)模，m為蟻群中媽蟻的總數(shù)目，貝U

是t時刻節(jié)點集合C中所有路徑上殘留信息量的集合。在初始時刻各條路 徑上信息量相等，并設Tij (O) = Consto
[0024] 媽蟻個體k化=1，2, .. .m)在捜索過程中，根據(jù)各條路徑上的信息量及路徑的啟發(fā) 信息來計算狀態(tài)轉移概率。/>非)表示t時刻媽蟻k由元素(節(jié)點H轉移到元素(節(jié)點）j的自適 應狀態(tài)轉移概率。
[0025]
(3)
[0026] 式中：allowedk= {C-tabuk}表示允許媽蟻k下一步選擇的節(jié)點；tabuk為禁忌集合； a為信息啟發(fā)式因子，表示軌跡的相對重要性;e為期望啟發(fā)式因子，表示能見度的相對重要 性;riij(t)為啟發(fā)函數(shù)，其表達式如下：
[0027]
(4)
[0028] 式中：dij表示兩個相鄰節(jié)點之間的距離。
[0029] 為了避免殘留信息素過多引起殘留信息淹沒啟發(fā)信息，在每只媽蟻走完一步或者 完成對所有n個節(jié)點的遍歷后，需要對殘留信息進行更新處理。信息量更新公式如下：
[0030] Tij(t+n) = (l-p)xij(t)+p A Tij(t) (5)
[0031]
(6)
[0032] 式中：P表示信息素揮發(fā)因子，I-P表示信息素殘留因子；為了防止信息的無限積 累，P的取值范圍為p'[0，l); ATu(t)表示本次循環(huán)中路徑(i，j)上的信息素增量，初始時刻 ATiJ(O)=O; A Tkij(t)表示第k只媽蟻在本次循環(huán)中留在路徑（i，j)上的信息量，其表達式 為：
[0033] (7)
[0034] 式中：Q為常數(shù)，Lk是第k個媽蟻周游的路程長度。
[0035] 第六步：比較正常人和腦疾病患者默認模式網(wǎng)絡的節(jié)點度、集聚系數(shù)、平均路徑、 特征路徑長度、哈密頓路徑。
[0036] 第屯步:分析正常人和腦疾病患者的默認模式網(wǎng)絡的節(jié)點的度、集聚系數(shù)、特征路 徑長度，判斷運些值是否相同；在上述=個節(jié)點屬性的基礎上分析其網(wǎng)絡的平均路徑和哈 密頓路徑并繪制其腦功能連接圖。
[0037] 采用上述技術方案后，本發(fā)明的有益技術效果是：
[0038] (1)可W比較在靜息態(tài)和不同活動或刺激下默認模式腦區(qū)的節(jié)點度、集聚系數(shù)、特 征路徑長度等節(jié)點和網(wǎng)絡特性，W此來研究不同的活動、刺激或者疾病情況下默認模式腦 區(qū)的連接特征。
[0039] (2)通過比較不同情況下的默認模式腦區(qū)功能連接，例如將正常情況與疾病情況 下的默認模式腦區(qū)的功能連接做對比，有助于推斷相應疾病下默認模式腦區(qū)的功能連接特 征。
[0040] 本發(fā)明在腦功能連接分析、認知功能研究、精神疾病診斷與治療等領域具有一定 的應用價值。
【附圖說明】
[0041 ]圖1是大腦默認網(wǎng)絡功能連接分析方法的流程圖。
[0042] 圖2是腦卒中患者默認模式網(wǎng)絡功能連接圖。
[0043] 圖3是正常人默認模式網(wǎng)絡功能連接圖。
[0044] 圖4是腦卒中患者默認模式網(wǎng)絡哈密頓路徑連接圖。
[0045] 圖5是正常被試默認模式網(wǎng)絡哈密頓路徑連接圖。
【具體實施方式】
[0046] 下面結合附圖和具體實施例對本發(fā)明作進一步說明。
[0047] 如圖1所示，一種用于分析正常人和腦卒中患者大腦默認網(wǎng)絡功能連接的分析方 法具體實施包括W下步驟：
[0048] (1)本實施例中分別進行兩組實驗：
[0049] 實驗一:對30例正常人被試者（15男，15女，年齡20~40歲）進行靜息態(tài)下磁共振掃 描，獲得被試者靜息態(tài)下的磁共振圖像。
[0050] 實驗二:讓20例（10男，10女，年齡65~75歲)腦卒中患者進行靜息狀態(tài)下磁共振掃 描，獲得被試者靜息態(tài)下的磁共振圖像。
[0051] (2)分別對正常人和腦卒中患者靜息態(tài)下的磁共振圖像進行格式轉換，將DICOM格 式數(shù)據(jù)轉換為NIFTI格式。再對轉換后的圖像進行預處理，預處理包括格式轉換、時間校正、 頭動校正、配準、空間標準化、平滑、去線性漂移、濾波等。本實施例中，低頻濾波范圍取 0.01Hz~0.08Hz，標準化BoundingBox:[-90-126-72;90 90 108]，VoxelSize:[3 3 3]。
[0052] (3)采用標準化分區(qū)模板與預處理后得到的腦功能磁共振圖像進行匹配，將大腦 功能磁共振圖像劃為90個大腦區(qū)域。每個腦功能區(qū)域對應大腦功能網(wǎng)絡中的一個節(jié)點。本 實施例中，通過AAL模板將大腦劃分為90個腦區(qū)，運90個腦區(qū)分別對應于腦網(wǎng)絡中的90個節(jié) 點;選取默認模式腦區(qū)，并將每個腦區(qū)定義為一個節(jié)點，腦區(qū)與腦區(qū)之間的聯(lián)系定義為連接 節(jié)點的邊，各個默認腦區(qū)相互連接構成默認模式網(wǎng)絡;腦卒中和正常人默認模式網(wǎng)絡功能 連接分別如圖2和圖3所示。
[0053] (4)計算默認模式網(wǎng)絡的節(jié)點度、聚類系數(shù)和最短路徑長度。節(jié)點i的聚類系數(shù)定 義為
[0054]
(1)
[005引式中：N表示網(wǎng)絡中節(jié)點的個數(shù);E功節(jié)點i與鄰接節(jié)點間實際存在的邊數(shù);若ki< 2，Ci 二 Oo
[0056]心AAm心定義為節(jié)點i到網(wǎng)絡內(nèi)所有其它節(jié)點的平均最短路徑： [0化7] (2)
[0化引式中：Lm代表節(jié)點i與節(jié)點j之間的最短路徑長度。
[0059] (5)在本實施例中，分別應用迪杰斯特拉算法和改進的蟻群算法計算默認模式網(wǎng) 絡的平均距離和哈密頓路徑距離。迪杰斯特拉算法描述為：設G=IV, E}是具有n個頂點的 圖，V為圖中所有頂點的集合，E為圖中所有邊的集合。算法執(zhí)行步驟如下：
[0060] ①令S = {Vo}，T = V-S = {:其余頂點}，若T中頂點對應的距離值< Vo，Vi >存在，則d (￥〇，￥〇為<￥〇，￥1>弧上的權值，若不存在<Vo，Vi>，則d(V〇，Vi)為W。
[0061] ②從T中選取一個與S中頂點有關聯(lián)邊且權值最小的頂點W，加入到S中。
[0062] ③對T中其余頂點的距離值進行修改。若加進W作中間頂點，使得從Vo到Vi的距離值 縮短，則修改此距離值。
[0063] ④重復上述步驟②、③，直到S中包含所有頂點，即W=Vi為止。
[0064] 改進的蟻群算法描述為:設bi(t)表示t時刻位于節(jié)點i的媽蟻數(shù)目，為t時刻路 徑(i，j)上的信息量，n表示網(wǎng)絡節(jié)點的規(guī)模，m為蟻群中媽蟻的總數(shù)目，貝

b時刻節(jié)點集合C中所有路徑上殘留信息量的集合。在初始時刻各條路 徑上信息量相等，并設Tij (O) = Consto
[0065] 媽蟻個體k化=1，2, .. .m)在捜索過程中，根據(jù)各條路徑上的信息量及路徑的啟發(fā) 信息來計算狀態(tài)轉移概率。表示t時刻媽蟻k由元素(節(jié)點H轉移到元素(節(jié)點）j的自適 應狀態(tài)轉移概率。
[0066]
(3)
[0067] 式中：allowedk= {C-tabuk}表示允許媽蟻k下一步選擇的節(jié)點；tabuk為禁忌集合； a為信息啟發(fā)式因子，表示軌跡的相對重要性;0為期望啟發(fā)式因子，表示能見度的相對重要 性;riij(t)為啟發(fā)函數(shù)，其表達式如下：
[0068]
(4)
[0069] 式中：dij表示兩個相鄰節(jié)點之間的距離。
[0070] 為了避免殘留信息素過多引起殘留信息淹沒啟發(fā)信息，在每只媽蟻走完一步或者 完成對所有n個節(jié)點的遍歷后，需要對殘留信息進行更新處理。信息量更新公式如下：
[0071] Tii(t+n) = (l-p)xij(t)+p A Tij(t) (5)
[0072]
(6)
[0073] 式中：P表示信息素揮發(fā)因子，I-P表示信息素殘留因子；為了防止信息的無限積 累，P的取值范圍為PC化1); A Tu(t)表示本次循環(huán)中路徑Q，j)上的信息素增量，初始時 亥Ij A TU(O)=O; A Tku(t)表示第k只媽蟻在本次循環(huán)中留在路徑（i，j)上的信息量，其表達 式為：
[0074]
(7)
[0075] 式中：Q為常數(shù)，Lk是第k個媽蟻周游的路程長度。
[0076] 本實施例中參數(shù)設置為:媽蟻數(shù)m=120,迭代次數(shù)N = 200,信息啟發(fā)式因子0 = 1， 期望啟發(fā)式因子e = 5,信息素揮發(fā)系數(shù)P = O.9,常數(shù)Q=IOO,初始時刻各條路徑上的信息量 C = 3〇
[0077] 本實施例中得到的正常人和腦卒中患者默認模式網(wǎng)絡的哈密頓路徑連接分別如 圖4和圖5所示。
[0078] (6)比較正常人和腦卒中患者默認模式網(wǎng)絡的節(jié)點度、集聚系數(shù)、平均路徑、特征 路徑長度、哈密頓路徑。
[0079] (7)分析本實施例中正常人和腦卒中的默認模式網(wǎng)絡的節(jié)點的度、集聚系數(shù)、特征 路徑長度，發(fā)現(xiàn)正常人和腦卒中的上述=個特性存在明顯的不同。分析其網(wǎng)絡的平均路徑 和哈密頓路徑并結合腦功能連接圖發(fā)現(xiàn)，正常人和腦卒中患者具有不同的平均路徑和不同 的哈密頓路徑連接。
【主權項】
1. 一種大腦默認網(wǎng)絡的功能連接分析方法，其特征在于，包括以下步驟： (1) 對若干被試者大腦進行磁共振掃描，獲得被試者的靜息態(tài)大腦功能磁共振圖像。 (2) 將獲得的功能磁共振圖像進行預處理，預處理包括格式轉換、時間校正、頭動校正、 配準、空間標準化、平滑、去線性漂移、濾波等。 (3) 采用標準化分區(qū)模板將每個被試的大腦功能磁共振圖像劃為若干大腦區(qū)域，選取 默認模式腦區(qū)，并將每個腦區(qū)定義為一個節(jié)點，腦區(qū)與腦區(qū)之間的聯(lián)系定義為連接節(jié)點的 邊，各個節(jié)點通過邊相互連接構成默認模式網(wǎng)絡。 (4) 計算每個被試默認模式網(wǎng)絡的節(jié)點度、聚類系數(shù)和最短路徑長度。節(jié)點i的聚類系 數(shù)定義為(1) 式中：N表示網(wǎng)絡中節(jié)點的個數(shù);Ei為節(jié)點i與鄰接節(jié)點間實際存在的邊數(shù);若ki < 2，Ci =0〇 節(jié)點i的最短路徑長度L1定義為節(jié)點i到網(wǎng)絡內(nèi)所有其它節(jié)點的平均最短路徑：C2) 式中：Li, i代表節(jié)點i與節(jié)點j之間的最短路徑長度。 (5) 計算默認模式網(wǎng)絡的平均距離和哈密頓路徑距離。 (6) 比較正常人和腦疾病患者默認模式網(wǎng)絡的節(jié)點度、集聚系數(shù)、平均路徑、特征路徑 長度、哈密頓路徑。 (7) 分析正常人和腦疾病患者的默認模式網(wǎng)絡的節(jié)點的度、集聚系數(shù)、特征路徑長度， 判斷這些值是否相同；在上述三個節(jié)點屬性的基礎上分析其網(wǎng)絡的平均路徑和哈密頓路徑 并繪其腦功能連接圖。2. -種大腦默認網(wǎng)絡的功能連接分析方法，其特征在于，所述權利要求1中計算默認模 式網(wǎng)絡的最短路徑長度Li,j采用迪杰斯特拉算法(Dijkstra Algorithm)進行求解，算法執(zhí) 行步驟如下： 設G= {V，E}是具有η個頂點的圖，V為圖中所有頂點的集合，E為圖中所有邊的集合。 (1)令3={￥〇}，1 = ￥-5={其余頂點}，若1'中頂點對應的距離值〈￥()^>存在，則(1(￥()^) 為〈VQ，Vi>弧上的權值，若不存在〈VQ，Vi>，則d(V〇，Vi)為①。 ⑵從T中選取一個與S中頂點有關聯(lián)邊且權值最小的頂點W，加入到S中。 (3) 對T中其余頂點的距離值進行修改。若加進W作中間頂點，使得從Vt^IjV1的距離值縮 短，則修改此距離值。 (4) 重復上述步驟(2)、（3)，直到S中包含所有頂點，即W=V1為止。3. -種大腦默認網(wǎng)絡的功能連接分析方法，其特征在于，所述權利要求1中計算默認模 式網(wǎng)絡的哈密頓路徑(Hamiltonian path)采用改進的蟻群算法進行求解，算法步驟如下： (1) 定義哈密頓路徑。從網(wǎng)絡中的某一節(jié)點出發(fā)，僅經(jīng)過其它節(jié)點一次，最后返回到出 發(fā)點的路徑距離。應用改進的自適應蟻群算法對哈密頓路徑距離進行求解。 (2) 設置蟻群算法初始變量。設Mt)表示t時刻位于節(jié)點i的螞蟻數(shù)目，y(t)為i時刻 路徑(i，j)上的信息量，η表示網(wǎng)絡節(jié)點的規(guī)模，m為蟻群中螞蟻的總數(shù)目，則t時刻節(jié)點集合C中所有路徑上殘留信息量的 集合。在初始時刻各條路徑上信息量相等，并設Tij (〇 ) = const。 (3) 設置狀態(tài)轉移概率函數(shù)。螞蟻個體k(k=l，2，...m)在搜索過程中，根據(jù)各條路徑上 的信息量及路徑的啟發(fā)信息來計算狀態(tài)轉移概率。^的表示t時刻螞蟻k由元素(節(jié)點）i轉 移到元素(節(jié)點）i的自話應狀杰轉移概率。(3) 式中：allowedk= {C-tabuk}表示允許螞蟻k下一步選擇的節(jié)點；tabuk為禁忌集合;α為 信息啟發(fā)式因子，表示軌跡的相對重要性;β為期望啟發(fā)式因子，表示能見度的相對重要性； rii i(t)為啟發(fā)函數(shù)，其表達式如下：(4) 式中：c^表示兩個相鄰節(jié)點之間的距離。 (4) 更新信息素。為了避免殘留信息素過多引起殘留信息淹沒啟發(fā)信息，在每只螞蟻走 完一步或者完成對所有η個節(jié)點的遍歷后，需要對殘留信息進行更新處理。信息量更新公式 如下： Tij(t+n) = (l-p)Tij(t)+pA Tij(t) (5)(6) 式中：P表示信息素揮發(fā)因子，Ι-p表示信息素殘留因子;為了防止信息的無限積累，P的 取值范圍為; A h(t)表示本次循環(huán)中路徑（i，j)上的信息素增量，初始時刻Δτ^ (0)=0; 表示第k只螞蟻在本次循環(huán)中留在路徑(i，j)上的信息量，其表達式為：(?) 瓦甲：y艿芾數(shù)，u是弟k個螞蟻周游的路程長度。
【文檔編號】G06T5/00GK106021949SQ201610374806
【公開日】2016年10月12日
【申請日】2016年5月31日
【發(fā)明人】焦竹青, 馬凱, 王歡, 鄒凌, 項艱波, 馬正華
【申請人】常州大學