專利名稱：腦功能分析方法及腦功能分析程序的制作方法
技術(shù)領(lǐng)域：
，，，發(fā)明涉及一腦功能分、,方法,及腦功能分析程序，該腦功能分析方
歴RI (BOLD成像)，PET (正電子發(fā)射斷層成像)或類似技術(shù)。
背景技術(shù)：
如今典型的非介入性腦功能檢測方法有fMRI， PET， MEG(腦磁 圖描技術(shù))及其類似技術(shù)，其中歴RI被認(rèn)為具有很強(qiáng)的空間分辨能力， 并被廣泛應(yīng)用。
fMRI是一種能通過反映腦不同物理量來確定腦激活區(qū)域的非常有 效的腦功能檢測手段(參見非專利文獻(xiàn)l， 2)。它除了能和檢測腦結(jié)構(gòu) 的MRI解剖圖像一樣反映活體器官的質(zhì)子密度，縱向弛豫時間L和橫 向弛豫時間T2以夕卜，還能特別的檢測出腦激活區(qū)域中血液流量的增加。 現(xiàn)在已知，在腦激活區(qū)域的血液流量會增加，同時血液中血紅蛋白的磁 性也會因其帶氧狀態(tài)即含氧血紅蛋白(氧合血紅蛋白)和脫氧血紅蛋白 (去氧血紅蛋白)而不同。人們認(rèn)為fMRI在激活區(qū)域的信號(BOLD 信號)會增加，因為在增加的動脈血液中，具有干擾磁場能力的去氧血 紅蛋白的量減少了。因此，我們可以使用fMRI，以腦工作時BOLD信 號的變化為線索，確定進(jìn)行該工作的腦區(qū)域(激活區(qū)域)。
fMRI檢測得到的BOLD信號的時間序列數(shù)據(jù)的分析技術(shù)包括基于 一種廣泛的線性模型的SPM (統(tǒng)計參數(shù)繪圖)(參見非專利文獻(xiàn)1 )，或 是基本主要組份分析或獨(dú)立組份分析的數(shù)據(jù)分析(參見非專利文獻(xiàn)3 ), 或類似分析。這些分析技術(shù)的特點(diǎn)是其輸出的結(jié)果中的BOLD信號的 時間序列數(shù)據(jù)的每個三維像素(體素)都各自經(jīng)過統(tǒng)計處理，最后形成 圖4象從而確定腦的激活區(qū)域。
然而在上述所說的分析技術(shù)中存在著以下問題在分析數(shù)據(jù)時，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并未被考慮。腦中許多神經(jīng)細(xì)胞通過神經(jīng)突觸構(gòu)成復(fù)雜的網(wǎng) 絡(luò)，而根據(jù)近些年來的腦研究，我們認(rèn)為腦中每個神經(jīng)區(qū)域通過互相協(xié)
作形成上述神經(jīng)網(wǎng)絡(luò)，進(jìn)而作為一個整體發(fā)揮出更強(qiáng)的功能。例如在 腦完成一項工作時，其中的很多區(qū)域都出現(xiàn)激活現(xiàn)象。雖然上述所說的 分析技術(shù)可以用于分析該激活現(xiàn)象，確定激活區(qū)域，但是卻很難確定激 活區(qū)域間的聯(lián)系。
造成上述現(xiàn)象的原因有多個。因為fMRI是如上所述依據(jù)血液流量 檢測血液信號的，fMRI可以捕捉到具有較高血液流量的腦灰質(zhì)的活動 (神經(jīng)細(xì)胞體)，但卻很難捕捉到血液流量較低的腦白質(zhì)的活動(神經(jīng) 細(xì)胞軸突或神經(jīng)纖維)。
同時為了捕捉作為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)的神經(jīng)纖維組的走向， 一種 DTI (彌散張量成像)方法在近些年來越來越受到人們的關(guān)注。該方法 使用MRI檢測身體器官內(nèi)質(zhì)子的彌散度，作為一種新的參數(shù)(參見非 專利文獻(xiàn)4)。當(dāng)時使用常規(guī)的解剖性MRI時，神經(jīng)纖維在L加權(quán)圖像 中是強(qiáng)信號，在T2加權(quán)圖像中是弱信號。神經(jīng)纖維在1\加權(quán)圖象中變 成強(qiáng)信號是因為髓磷脂的存在。髓磷脂是由雙分子層類脂物和大型蛋白 質(zhì)組成，并沿著神經(jīng)纖維走向成形。因此才出現(xiàn)了各向異性，即沿著神 經(jīng)纖維走向上的質(zhì)子的彌散常數(shù)很大，而其在垂直方向上的彌散常數(shù)很 小。DTI是使用MPG (彌散梯度磁場，)檢測彌散的各向異性，從而突 出質(zhì)子彌散情況的技術(shù)。該技術(shù)可以應(yīng)用于分析ST ( Stejskal-Tanner) 脈沖序列檢測獲得的BOLD信號的時間序列數(shù)據(jù)的強(qiáng)度S' (1， m, k， i)，在SE (回波)脈沖的前后，STG ( Stejskal-Tanner Gradient梯度) 脈沖被加入用于檢測彌散。
其中1， m， k為正離散變量，代表三維體素的位置，它們分別代 表體素在X, Y， Z方向上的值。另外，i為正離散變量，代表檢測時間。 BOLD信號強(qiáng)度S' (1， m, k， i)表達(dá)式如下
<formula>formula see original document page 6</formula> (1)
當(dāng)彌散加權(quán)圖像形成后，式l中的彌散張量將成為分析數(shù)據(jù)。該彌
散張量如下所示<formula>formula see original document page 7</formula>
(2)
其中p' (1， m， k， i)代表當(dāng)沒有使用MPG時，BOLD信號強(qiáng) 度(普通腦功能數(shù)據(jù)分析對象)，而b為MPG強(qiáng)度參數(shù)。請注意p' (1， m， k， i)如下式所示
<formula>formula see original document page 7</formula> (3)
其中f(v)代表流動速度；TR為反復(fù)時間；TE為回波時間； (1， m， k， i)為質(zhì)子密度。
近些年來，在分析fMRI測得的BOLD信號p' (1， m， k， i)的時 間序列數(shù)據(jù)后再使用彌散張量數(shù)據(jù)D (1， m， k)將目標(biāo)腦區(qū)域連接起 來的腦分析方法已經(jīng)被廣泛使用(參見非專利文獻(xiàn)5)。
非專利文獻(xiàn)l: "Human Brain Function: 2nd-Ed."， Richard S. J. Frackowiak， et al， ELSEVIER ACADEMIC PRESS, 2004"
非專利文獻(xiàn)2: "Image of Mind", M. I. Posner and M. E. Raichle， W H Freeman & Co， 1997"。
非專利文獻(xiàn)3: "Independent Component Analysis: Theory and Applications", T. W. Lee， Kluwer Acadmic， 1988"。
非專利文獻(xiàn)4: "Korede wakaru diffusion MRI" S. Aoki， O. Abe， Syuujyun sha， 2002，，。
非專利文獻(xiàn)5: "Combined functional MRI and tractography to demonstrate the connectivity of the human primary motor cortex in vivo", Guye M, et al" Neuroimage, Vol.19, pp.1349-1360, 2003，，。

發(fā)明內(nèi)容
在上述的腦功能分析方法中，彌散張量D(l, m, k)并不是用于
7分析BOLD信號p ， ( 1， m， k, i)時間序列數(shù)據(jù)本身的。因此其有效 性值得懷疑。
本發(fā)明就上述問題提出了相應(yīng)的解決方案，還提供了基于非介入檢 測方法(如fMRI， PET或類似方法)測得的腦功能數(shù)據(jù)和能夠確定 神經(jīng)纖維組走向的彌散張量上，分析腦激活區(qū)域間連接結(jié)構(gòu)的腦功能分 析方法和腦功能分析程序。
一方面，本發(fā)明提供了一種腦功能分析方法，該方法包括 一、在 從體素到體素基礎(chǔ)上，獲得能夠確定腦激活區(qū)域的腦功能數(shù)據(jù)，和能夠 確定腦中質(zhì)子彌散程度的彌散張量。二、在彌散張量基礎(chǔ)上形成相鄰體 素間聯(lián)系度估計值。
另一方面，本發(fā)明還提供了一種腦功能分析程序，該程序使計算機(jī) 獲得可以確定腦激活區(qū)域的從體素到體素的腦功能數(shù)據(jù)；能夠確定腦中 質(zhì)子彌散度的從體素到體素的彌散張量；在彌散張量基礎(chǔ)上形成相鄰體 素間聯(lián)系度估計值，并在該基礎(chǔ)上分析腦數(shù)據(jù)。


圖l是本發(fā)明實施例1中腦功能分析儀器的構(gòu)型示意圖。 圖2是典型的fMRI檢測方法示意圖.
圖3是典型的fMRI圖(二維切片圖)，其中圖3A是位于床上的頭， 圖3B為組成頭部二維橫截面(二維切片圖)的一個體素。
圖4是二維切片圖中腦功能信息體素所對應(yīng)的時間序列數(shù)據(jù)和彌散 張量表。
圖5是圖4中腦功能信息時間序列數(shù)據(jù)的一個例子，其中圖5A為 檢測得到的實際數(shù)值，圖5B為基于臨界值，通過組合兩個實際檢測值 獲得的數(shù)值。
圖6是基于圖4所示腦功能信息時間序列數(shù)據(jù)和彌散張量數(shù)據(jù)所得 立體構(gòu)型，其中圖6A是位于床上的頭，圖6B是由圖4腦功能信息中的時間序列數(shù)據(jù)和彌散張量數(shù)據(jù)生成k-th 二維切片圖像Sk的步驟。
圖7是由圖6二維切片圖像形成的三維頭部圖像，其中圖7A是位 于床上的頭，圖7B是通過收集二維切片圖像Sk形成的三維頭部圖像。
圖8是通過使用圖1中腦功能分析儀器分析數(shù)據(jù)的步驟流程圖。
圖9顯示了本發(fā)明數(shù)據(jù)預(yù)處理技術(shù)，其中圖9A顯示了在與一體素 相鄰的兩個體素均被認(rèn)為是灰質(zhì)的區(qū)域中的數(shù)據(jù)預(yù)處理；圖9B顯示了 在與 一體素相鄰的兩個體素中只有一個被認(rèn)為是灰質(zhì)的區(qū)域中的數(shù)據(jù)
預(yù)處理；圖9C顯示了在與一體素相鄰的兩個體素均不被i^為是灰質(zhì)的 區(qū)域中的數(shù)據(jù)預(yù)處理。
圖IO是本發(fā)明實施例2中腦功能分析儀器的構(gòu)型示意圖。
圖11是通過使用圖10中腦功能分析儀器分析數(shù)據(jù)的步驟流程圖。
圖12是通過使用圖10中數(shù)據(jù)平滑方法實現(xiàn)的平滑技術(shù)。
圖13為實施例2修飾例中腦功能分析儀器構(gòu)型示意圖。
圖14為使用圖13中腦功能分析儀器進(jìn)行數(shù)據(jù)分析的步驟流程圖。
圖15為本發(fā)明實施例3中腦功能分析儀器構(gòu)型示意圖。
圖16為使用圖15中腦功能分析儀器進(jìn)行數(shù)據(jù)分析的步驟流程圖。
圖17為使用圖15的聚集裝置300的聚集技術(shù)，其中，圖17A顯示 了聚集處理前聯(lián)系度矢量值，圖17B顯示了聚集處理后聯(lián)系度矢量值。
圖18為實施例3修飾例中腦功能分析儀器構(gòu)型示意圖。
圖19為使用圖18中腦功能分析儀器進(jìn)行數(shù)據(jù)分析的步驟流程圖。
圖20為本發(fā)明實施例4中腦功能分析儀器構(gòu)型示意圖。
圖21為使用圖20中腦功能分析儀器進(jìn)行數(shù)據(jù)分析的步驟流程圖。
圖22為實施例4 <務(wù)飾例中腦功能分析儀器構(gòu)型示意圖。圖23為使用圖22中腦功能分析儀器進(jìn)行數(shù)據(jù)分析的步驟流程圖。
圖24顯示了腦在聲音刺激下進(jìn)行簡單的重復(fù)時，通過不同的腦功 能分析方法所得到的結(jié)果，其中，圖24A和24B顯示了使用SPM的T-檢測的結(jié)果(圖24A中T-檢測的臨界值被修正，而圖24B中T-檢測的 臨界值并未被修正)。圖24C為組合使用SPM和跟蹤成像法的腦功能 分析法所得到的分析結(jié)果。圖24D為使用本發(fā)明實施例1中的腦功能分 析法所得到的分析結(jié)果。
具體實施例方式
本發(fā)明的特征在于通過非介入性檢測設(shè)備，如MRI或類似設(shè)備在 從體素到體素基礎(chǔ)上獲取腦功能數(shù)據(jù)及彌散張量數(shù)據(jù)，進(jìn)而確定腦激活
區(qū)域位置，根據(jù)彌散張量數(shù)據(jù)形成相鄰體素間的聯(lián)系度估計值，同時利 用該估計值分析腦功能數(shù)據(jù)。在不同分析技術(shù)中，如何考慮上述所說的 腦功能數(shù)據(jù)中相鄰體素的聯(lián)系度估計值，及如何使用該估計值可以有所 不同。
因此，以下實施例將結(jié)合附圖對本發(fā)明進(jìn)行詳細(xì)描述。 實施例一
圖1為本發(fā)明實施例一中腦功能分析儀器構(gòu)造示意圖。本發(fā)明在實 施例一中提出了一種腦功能分析儀器10，其帶有以下配置腦功能數(shù)據(jù) 獲取裝置1，用于獲得MRI設(shè)備50測得的腦功能數(shù)據(jù)中原始時間序列 數(shù)據(jù)p'(l, m， k， i)(如等式(3));彌散張量數(shù)據(jù)獲取裝置2，用 于獲得MRI設(shè)備50測得的彌散張量數(shù)據(jù)D(1， m, k)(如等式(2)); 數(shù)據(jù)預(yù)處理裝置3，用于預(yù)處理腦功能數(shù)據(jù)獲取裝置1獲取的腦功能信 息原始時間序列數(shù)據(jù)p'(1， m， k， i);體素間聯(lián)系度計算裝置4，用于 根據(jù)彌散張量數(shù)據(jù)獲取法2獲得的彌散張量數(shù)據(jù)D (1， m， k)來計算 代表相鄰體素聯(lián)系度的聯(lián)系度矢量(如勿，附力)；數(shù)據(jù)估計值形成裝 置5,用于從數(shù)據(jù)預(yù)處理裝置3預(yù)處理后的腦功能信息時間序列數(shù)據(jù)p'
(1， m， k， i)和通過體素間聯(lián)系度計算裝置4得到的聯(lián)系度矢量勿，附，" 中得出預(yù)定估計值Q;數(shù)據(jù)分析裝置6,用于計算數(shù)據(jù)估計值Q的極值
(在本實施例中為最小值)；圖像生成裝置7，用于生成數(shù)據(jù)分析裝置6計算得到的數(shù)據(jù)圖像；圖像顯示裝置8，用于顯示圖像生成裝置7生成
的圖像；存儲裝置9，其帶有次儲存，用于記錄上述裝置2到裝置8中 獲得、計算、形成、分析和生成的各種數(shù)據(jù)和主存儲，用于儲存電腦可 讀的腦功能分析程序，用于執(zhí)行腦功能分析的每一步驟(此后將詳細(xì)描 述)。CPU (中央處理器)根據(jù)存儲裝置9中儲存的腦功能分析程序控 制上述裝置2至裝置9的每一步驟，或是類似過程。以上所用符號的意 義在以下內(nèi)容中將描述。
在此，MRI設(shè)備50是由以下部件組成 一磁性組件，該組件帶有 能夠產(chǎn)生靜磁場，進(jìn)而引起核磁共振的靜磁場線圍，和能夠發(fā)出高頻共 振波從而檢測共振信號的高頻線團(tuán)，和能夠產(chǎn)生梯度磁場，進(jìn)而在共振 信號中加入位置信息編碼的梯度磁場線團(tuán)，或類似部件，和用于控制激 活這些線團(tuán)的系統(tǒng)，或類似系統(tǒng)，其中，根據(jù)操作人員的要求，MRI 設(shè)備50產(chǎn)生不同的歴RI數(shù)據(jù)(與血液流量相關(guān)的腦功能信息的原始 時間序列數(shù)據(jù)p，(l， m， k， i)，與神經(jīng)纖維走向相關(guān)的彌散張量D (1， m， k)，或類似數(shù)據(jù))，并將這些數(shù)據(jù)傳輸給腦功能分析儀器10。請注 意，本發(fā)明并非一定需要通過MRI設(shè)備50獲得腦功能信息的原始時間 序列數(shù)據(jù)p' (1， m， k， i)，也可以通過其它非介入性檢測設(shè)備獲得該 數(shù)據(jù)，如PET，通過它也可以獲得多種有關(guān)腦功能的數(shù)據(jù)。
同時，對于圖像顯示裝置8，有多種顯示設(shè)備可用，例如陰極射 線管(CRT)顯示器，TFT液晶顯示器，等離子顯示器，或類似i殳備， 或者是各種打印機(jī)，例如噴墨打印機(jī)，激光打印機(jī)，或類似設(shè)備。另 外，存儲裝置9由，例如RAM (隨機(jī)存取存儲器)，ROM (只讀內(nèi)存) 或類似設(shè)備組成。另外，存儲裝置9的主存儲和次存儲是相互獨(dú)立分開 的，因此，主存儲中的內(nèi)容可以存放在例如光盤中，如硬盤，fl叩py軟 盤(注冊商標(biāo))，或是只讀CD-ROMs,磁帶，存儲芯片或者類似設(shè)備。
本實施例中，雖然腦功能分析儀器10使用的顯示裝置包括的主要 形成裝置IOA，圖像顯示裝置8和存儲裝置9是組合在一起的，但是圖 像顯示裝置8，或者圖像顯示裝置8和存儲裝置9，也可以與主要形成 裝置IOA分開來用，作為獨(dú)立的圖像顯示單元和存儲單元。在任何組合 方法中，腦功能分析儀器IO都是由電腦來完成。另外，CPU IOO從存 儲裝置9中讀取腦功能分析程序，控制上述裝置2到裝置9中的每一個步驟。
這里所說的電腦是指一種能夠根據(jù)預(yù)先設(shè)定的標(biāo)準(zhǔn)處理具有一定 結(jié)構(gòu)的輸入信息，然后構(gòu)建和輸出處理結(jié)果，例如普通的電腦，超級電 腦，主機(jī)，工作站，微型電腦，服務(wù)器，或類似設(shè)備都包括在其中。另 外，也可以使用一種系統(tǒng)(例如分布式計算機(jī)系統(tǒng))，其中包括兩臺或
更多臺電腦通過網(wǎng)絡(luò)連接(如內(nèi)部網(wǎng)，局域網(wǎng)，廣域網(wǎng))，或由其組 合組成的聯(lián)系網(wǎng)絡(luò)相互連接。
另外，為了增強(qiáng)對本發(fā)明的理解，圖2至圖7對本發(fā)明的腦功能分 析流程進(jìn)行了概括性的描述。圖2顯示了典型的fMRI檢測方法。圖3 顯示了典型的fMRI圖像(二維切片圖像)，圖3A為位于床上的頭，圖 3B顯示了組成頭部二維橫截面(二維圖像)的體素。
例如，在某個實施例中，我們讓研究對象完成一項任務(wù)(如讓手 指輕輕拍打)，與這項任務(wù)相關(guān)的腦區(qū)域位置通過MRI檢測被確定。 在圖2所示的例子中， 一套程序在一次測量中被重復(fù)三次，該程序是由 一段時間T內(nèi)的任務(wù)和相同長度時間T內(nèi)的休息組成。這里，水平線 為時間軸，其中"ON"表示任務(wù)時間，"OFF，，表示休息時間。通常在一 個實驗中，fMRI進(jìn)行幾十次檢測。雖然在本實驗中，fMRI進(jìn)行了 24 次檢測，但是任務(wù)開始和結(jié)束時的檢測圖像一般不被使用。這是考慮到 檢測時間的滯后性。所以，這就意味著有效的fMRI檢測實際只進(jìn)行了 18次(相應(yīng)的線為18條粗線)。ti ( i=l,2，...，24)表示各個實際檢測 時間。以下內(nèi)容中，ti將只以i表示(i=l，2，...，I)(分離的正整數(shù))。
圖3B是通過fMRI檢測獲得的二維切片圖像Sk.這里的K表示實 驗中獲得的二維切片圖像數(shù)量。在常規(guī)fMRI檢測中，我們一般可以獲 得20至30張二維切片圖像(圖片中，K^20至30)。雖然對圖3B中的 二維切片圖像Sk (k=l， 2... K)只是做了表面性的描述，但是它們卻是由 三維立體像素，又稱體素(voxel)所組成的。雖然由64x64體素組成的 二維切片圖像作為一個整體顯示在一張圖片中，但是該二維切片圖像也 可以被分為不同數(shù)量體素。雖然二維切片圖像Sk中的任何一個體素都 可以通過兩個分離的變量l和m表達(dá)為(1, m)，但是它也可以通過在 預(yù)定規(guī)則下對其設(shè)定一個數(shù)進(jìn)而只用 一分離正變量j表示。從數(shù)學(xué)的角度，我們可以在預(yù)定規(guī)則下得到j(luò)和(l， m)--對應(yīng)關(guān)系(對于(Sk)來說，
j三(l， m))。在本實例中，由于1的上限L和m的上限M都是64 (L=64,M=64)，所以導(dǎo)致了」'=1， 2， ...， 4096。在以下內(nèi)容中，這 些表示方法都將被適當(dāng)?shù)厥褂谩Ａ硗?，圖3B中的圓圏表示頭部橫截面 的輪廓。
圖4表示了通過腦功能數(shù)據(jù)獲取裝置1獲得的，并經(jīng)過數(shù)據(jù)預(yù)處理 裝置3預(yù)處理后的(將在后面描述)構(gòu)成二維切片圖像Sk的體素j的 腦功能信息時間序列數(shù)據(jù)p' (j， k， i)(Epk(j，i))和通過彌撒張量數(shù)據(jù) 獲取裝置2得到的D(j,k)(EDk(j))。如背景技術(shù)所述，當(dāng)彌散加權(quán)圖像 通過DTI方法生成后，也可同時從ST脈沖序列圖像中獲得二維切片圖 像Sk的腦功能信息原始時間序列數(shù)據(jù)p'(l， m， k， i)(三p'k(l， m， i))和彌散 張量D(l， m, k)(三Dk (1， m))。該ST脈沖序列圖像是在SE脈沖前后加入 STG脈沖用于檢測彌散而獲得的。pk(j, i)代表對原始時間序列數(shù)據(jù)p'k(l， m, i)進(jìn)行先設(shè)預(yù)定預(yù)處理后(將在后面描述)獲得的腦功能信息時間序 列數(shù)據(jù)。就是說，圖中的pk(j, i)代表二維切片圖像Sk中體素j在某一 時間點(diǎn)i上的腦功能信息。同時DkG)代表二維切片圖像Sk中某一體素 j的彌散張量信息。pk(j，i)特指數(shù)量，Dk(j)在矩陣中由等式(2)代表。 他們可以是如等式(4)中所示的值，如
<formula>formula see original document page 13</formula>(4)
由于彌散張量是如本實例所示的典型的對稱張量(非對角線元素具
有對稱性)，其大體擁有六個部分。另外，圖中的CLASS表示該任務(wù)是 否被完成，"ON (=1)，，和"OFF ^0)"分別代表"ON"和"OFF"，如圖2 所示。
圖5是圖4表示的腦功能信息時間序列數(shù)據(jù)pk(j，i)的一個實例的表 格。雖然圖5 ( A)中腦功能信息pk(j， i)的實際時間序列數(shù)據(jù)是連續(xù)數(shù) 值，但是一旦"4000"被設(shè)定為激活臨界值之后，該數(shù)據(jù)可在預(yù)處理時被 進(jìn)一步二元化，即體素值大于該臨界值的處于激活"A，，狀態(tài)，而小于該 臨界值的處于非激活"I"狀態(tài)，如圖5 (B)所示。圖6為圖4中彌散張量Dk(j)和腦功能信息時間序列數(shù)據(jù)pk(j， i)的 立體構(gòu)型圖。其中圖6A顯示了置于床上的研究對象的頭部。圖6B顯 示了通過圖4腦功能信息時間序列數(shù)據(jù)和彌散張量生成k-th 二維切片 圖像Sk的步驟。圖6B中體素jl和j2上的五邊形標(biāo)記表示每個體素內(nèi) 部空間(即體素的梯度場和張量場)，它們對應(yīng)圖4的腦信息時間序列 數(shù)據(jù)和彌散張量。
例如在背景技術(shù)所述的SPM中，可進(jìn)行如下預(yù)處理
(a) 重排下面的圖像與上面的二維切片圖像排列一致(如，Sl)。 這樣可以補(bǔ)償檢測過程中頭部移動帶來的位置偏差，去除相應(yīng)的錯誤信 號。
(b) 空間標(biāo)準(zhǔn)化為了對多個研究對象收集數(shù)據(jù)并進(jìn)行比較，我 們將每個研究對象的數(shù)據(jù)調(diào)整為Talairach標(biāo)準(zhǔn)腦。
(c) 平滑化Gaussian型過濾器被用于過濾原始帶噪音的時間序 列數(shù)據(jù)。這樣可以在不降低空間分辨率的情況下提高分析的靈敏度。
然后，對于通過MRI設(shè)備50獲得的腦功能信息原始時間序列數(shù)據(jù) p'k(l， m， i)，我們使用多種不同的檢測方法檢測其中的每一個體素。而 對于由多個研究對象組成的不同小組，我們在各組間進(jìn)一步通過對象的 個人數(shù)據(jù)檢測其與任務(wù)相聯(lián)系的腦激活區(qū)域。
另外，在SPM中，我們事先建立了一個激活預(yù)測模型，該模型與 經(jīng)過上述方法預(yù)處理后的功能數(shù)據(jù)的時間序列數(shù)據(jù)pk(j， i)(=pk(l， m， i)) 的相配程度需要看不使用彌散張量Dk(l， m)的一般線性模型所得的估計 參數(shù)。
同時，在本發(fā)明中，除了上述所說的預(yù)處理以外，我們還對使用通 過彌散張量獲取裝置2獲得的彌散張量Dk(j) (=Dk(l， m))對表達(dá)腦功能 信息的原始時間序列數(shù)據(jù)p'k(l， m， i)進(jìn)行(d )型預(yù)處理。該預(yù)處理方法 將在以下內(nèi)容中詳細(xì)描述。隨后，對使用彌散張量Dk(j) (=Dk(l， m))預(yù) 處理的表達(dá)腦功能信息的原始時間序列數(shù)據(jù)p'k(l， m， i)進(jìn)行數(shù)據(jù)處理， 該處理方法將在以下內(nèi)容中詳細(xì)描述。由此產(chǎn)生某圖像顯示目標(biāo)的二維 圖像ak(j)(-ak(l, m))。除了i-th值外，^是通過計算回歸系數(shù)得到的值，由此來預(yù)測使用 回歸系數(shù)得到的i-th的檢測值。
接下來，在步驟S60中，圖像生成裝置7生成圖片，其中擁有正回 歸系數(shù)(即正關(guān)聯(lián)關(guān)系)的體素被設(shè)置為偏向白色，擁有負(fù)回歸系數(shù)(即 負(fù)關(guān)聯(lián)關(guān)系)的體素被設(shè)置為偏向黑色。例如，基于上述計算得到的回 歸系數(shù)"")，設(shè)定回歸系數(shù)為0 (即無關(guān)聯(lián))的體素為灰色度標(biāo)準(zhǔn)。
另外，可以顯示體素值頻率在直方圖中為前5%或更高的值為灰色 圖像，或者可以根據(jù)預(yù)設(shè)規(guī)則生成全色圖像。
隨后，在步驟S70中，圖像顯示裝置8顯示上述立體圖像。
如上所述，在實施例一中，除了對根據(jù)MRI設(shè)備測得的反映腦功 能信息時間序列數(shù)據(jù)所作的誤差評估以外，估計值也包括基于MRI設(shè) 備測得的彌散張量數(shù)據(jù)對空間方向上連續(xù)性的評估。估計值也進(jìn)行了非 參數(shù)線性回歸分析，所得到的回歸系數(shù)是用于圖像的顯示，從而使腦激 活區(qū)域的位置可以被確定，同時還考慮到腦激活區(qū)域間的連接結(jié)構(gòu)。
雖然在S20中進(jìn)行了 (d)型預(yù)處理,而不是本實驗中普通的(a) 到(c)型預(yù)處理，但是(d)型預(yù)處理也可以不用，這在以下實施例也 是同樣的。
雖然在實施例一中，等式(23)用于計算數(shù)據(jù)估計值，但是我們可 以根據(jù)本發(fā)明目的采用的分析方法計算各種不同的估計值。因此，在以 下幾個對實施例一的修飾中，為了避免重復(fù)，我們只是描述其與實施例 一不同的部分。
<實施例一的<務(wù)飾例1>
在實施例一中，數(shù)據(jù)分析裝置6在S50步中使用線性回歸方程(等 式(19))進(jìn)行非參數(shù)型回歸分析。但是，更嚴(yán)格的說，回歸表達(dá)可以 通過一般n維方程式進(jìn)行，如二次方程式，三次方程式，或類似方程 式。在進(jìn)行這樣的非線性回歸分析時，我們可以使用神經(jīng)網(wǎng)絡(luò)模型。典值得注意的是，為了簡化的目的，我們以二維切片圖像作為一個例
子，但實際上圖7A和7B所示的頭部立體圖形數(shù)據(jù)ak(j) (=a(j, k)=a(n)) 是三維數(shù)據(jù)分析。使用彌散張量數(shù)據(jù)Dk(j)的數(shù)據(jù)處理也被用于那個實 例中，以下將作詳細(xì)介紹。這里的"n，，是代表體素位置的獨(dú)立正數(shù)變量， 在預(yù)定規(guī)則下，立體構(gòu)形中的所有體素都有一個相應(yīng)的指定值。雖然代 表二維切片圖形的在X， Y坐標(biāo)上的位置變量j和代表第三維方向(z 方向)的變量k在圖片中被分別說明，但是在數(shù)學(xué)上，它等同于上述所 說的單一變量"n" (nE(j, k))。請注意，使用單一變量"n，，和在X， Y， Z 軸上使用三個變量(j， 1， k)來代表同一個三維體素在以下內(nèi)容中都將被 應(yīng)用到(n三(l， m，k)E(j，k))。
以下我們將具體描述在以上假定條件下使用圖l所示腦功能分析儀 器10進(jìn)行的數(shù)據(jù)分析方法。圖8是使用圖1所示腦功能分析儀器10分 析數(shù)據(jù)的步驟流程圖。
在步驟S10中，通過腦功能數(shù)據(jù)獲取裝置1獲得MRI設(shè)備50檢測 得到的表達(dá)腦功能信息的原始時間序列數(shù)據(jù)p，(l， m， k， i)，同時通過彌散 張量信息獲取裝置2獲得MRI設(shè)備50檢測得到的彌散張量D(l， m， k)。
下一步，通過數(shù)據(jù)預(yù)處理裝置3進(jìn)行各種預(yù)處理，例如位置補(bǔ)償， 去除噪音，或如類似上述SPM(a)到(c)的預(yù)處理方法，用于處理在 上述S20中獲得的表達(dá)腦信息的原始時間序列數(shù)據(jù)p'(l， m， k, i)。
在以上同一步驟中，為了對上述常規(guī)預(yù)處理后的表達(dá)腦功能信息時 間序列數(shù)據(jù)p'(l， m， k， i)作進(jìn)一步(d)型預(yù)處理(數(shù)據(jù)轉(zhuǎn)化為神經(jīng)信 號)，可使用數(shù)據(jù)預(yù)處理裝置3進(jìn)行計算，例如使用以上獲得的彌散張 量D(l, m， k)在符合彌散張量D(l, m， k)的本征等式(5)的本征矢量 (t(/，《a)， a=l，2，3)中計算最大本征值XM的相應(yīng)值(^(z，w，")。
<formula>formula see original document page 16</formula>… (5)
為了簡單起見，以下我們假設(shè)IXligi2gp31，最大本征值ll相應(yīng)的 本征矢量(巧(z,附，")為4(/,附,A)。
另外，本征矢量&(z，"^)的基準(zhǔn)應(yīng)當(dāng)通過l標(biāo)準(zhǔn)化。隨后，在以上同一步驟中，數(shù)據(jù)預(yù)處理裝置3，就某個體素(l,m,k) 而言，首先確定一對應(yīng)方向矢量的相鄰體素，該相鄰體素與體素(l， m，k) 本征矢量^仏"^)的內(nèi)積的絕對值在與體素(l， m， k)相鄰的26個體素 (三維)中是最大的。
我們假設(shè)滿足該條件的相鄰體素是(1+1, m+l， k)。那么由體素(l, m， k)決定的該相鄰體素的帶有點(diǎn)對稱關(guān)系的另一相鄰體素就被確定了，在 此稱為體素(l-l， m-l， k)，如圖9所示。因為體素(1+1， m+l， k)和(1-1， m-l， k)與體素(l， m， k)本征矢量^仏"a)的內(nèi)積是最大的，我們認(rèn)為它們與體
素(l， m，k)的聯(lián)系是最強(qiáng)的。
如果是如圖9(C)所示的情況，那么與體素(l, m,k)相關(guān)的體素(l+l， m+l， k)和(1-1, m-l, k)可以被^人為是走方相同的神經(jīng)纖維體素。
接下來在同一步驟中，數(shù)據(jù)預(yù)處理裝置3根據(jù)以下三種不同情況改 寫體素(l， m， k)的表達(dá)腦功能信息的時間序列數(shù)據(jù)p'(l， m， k, i)。
(情況1)根據(jù)預(yù)先設(shè)定的腦解剖學(xué)數(shù)據(jù)(通過MRI設(shè)備50獲得 的加權(quán)圖像Tl)(參見圖9(A))，體素(1+1, m+l， k)和(l-l， m-l, k)都被認(rèn) 為是灰質(zhì)(神經(jīng)元細(xì)胞體圖片中表示為G)。
在這種情況下，體素(l，m,k)的表達(dá)腦功能信息時間序列數(shù)據(jù)p'(l， m, k， i)的數(shù)值將根據(jù)下式改寫
<formula>formula see original document page 17</formula>… (6)
(情況2 )根據(jù)預(yù)先設(shè)定的腦解剖學(xué)數(shù)據(jù)(通過MRI設(shè)備50獲得 的加權(quán)圖像Tl)(參見圖9(B))，體素(1+1， m+l， k)(或者體素(l-l, m誦l， k))被認(rèn)為是灰質(zhì)。
在這種情況下，體素(l,m,k)的表達(dá)腦功能信息時間序列數(shù)據(jù)p，(l， m, k， i)的數(shù)值將根據(jù)下式改寫
<formula>formula see original document page 17</formula> (7)
(情況3 )根據(jù)預(yù)先設(shè)定的腦解剖學(xué)數(shù)據(jù)(通過MRI設(shè)備50獲得 的加權(quán)圖像Tl)(參見圖9(C)),體素(1+1, m+l， k)和(l-l, m-l, k)都不被認(rèn)為是灰質(zhì)(即被認(rèn)為白質(zhì)(神經(jīng)纖維圖片中表示為W))。
在這種情況下，體素(l，m，k)的表達(dá)腦功能信息時間序列數(shù)據(jù)p'(l， m， k, i)的數(shù)值將根據(jù)下式改寫
,,,.、//(/ + 1,附,+1,&，/) + //(/，附，^:，/) + / '(/ ——1，A，/) /0、 /w, A:") =-^-, … (A)
所有的體素都將經(jīng)過這種處理。因此，被認(rèn)為是灰質(zhì)的體素(灰質(zhì)
體素)中表達(dá)腦功能信息的時間序列數(shù)值可以如圖9(A)和(B)下部圖像 所示，該數(shù)據(jù)值可被反映(傳輸)給相鄰的被認(rèn)為是白質(zhì)的體素(白質(zhì) 體素)的表達(dá)腦功能信息的時間序列數(shù)值。另外，當(dāng)被認(rèn)為是白質(zhì)的體 素如圖9(C)中下部圖像所示彼此相鄰時，這些體素中反映腦功能的數(shù)將 被平滑處理。該預(yù)處理可以提高后續(xù)步驟的效果。
注意(d)型預(yù)處理并不局限于上述所說的實例。但是與灰質(zhì)體素 相鄰并從灰質(zhì)體素中接受反映腦功能信息的時間序列數(shù)值的白質(zhì)體素 可以按上述類似步驟進(jìn)一步將數(shù)值傳遞給鄰近的白質(zhì)體素。此外，當(dāng)灰 質(zhì)體素中反映腦功能信息的時間序列數(shù)值通過上述步驟傳遞到白質(zhì)體 素時， 一加權(quán)數(shù)值可根據(jù)彌散張量D(l， m， k)進(jìn)行傳遞。另外，在上述 步驟中被改寫的白質(zhì)體素值和原始的白質(zhì)體素值之間較大的值可以被 設(shè)定為該白質(zhì)體素的值。
接下來，在步驟S30中，基于上述所說的彌散張量，
Z),J/,附，"Z)汰G，附，A)、 D(/, a)= Z),",(/，w,A:) Dmm(/，m，A:) 1^(/,m，"，… (9)
、D汰(/,/7a) a t(/，《a) a^(/，挑,"乂
使用體素間聯(lián)系度計算裝置4，計算兩相鄰體素聯(lián)系度矢量，
5(/，m,A:)二(c,(/,w，A:), cm(/,w,W， q(/，w,A:)f … (10)
該聯(lián)系度矢量可從下式所得
5(/，m,A:) = (l — )T + c^'(/, n,A:).… (11)
在此，等式(12)中的每個組份都可如等式(13)所定義，<formula>formula see original document page 19</formula>
在以下內(nèi)容中，這被稱為相鄰體素間平均彌散度矢量。標(biāo)記a為滿 足不等式(14)的參數(shù)。T是滿足等式(15)的常數(shù)矢量。<formula>formula see original document page 19</formula>
在等式(13)中，等式(16)是代表質(zhì)子彌散度的矢量(以下被稱 為彌散度矢量)，其中第一組份Dl(l, m， k)代表質(zhì)子在體素(l， m， k)X軸 方向上的彌散度，第二組份Dm(l，m，k)代表質(zhì)子在體素(l, m, k)Y軸方 向上的彌散度，第三組份Dk(l， m， k)代表質(zhì)子在體素(l， m， k)Z軸方向 上的彌散度。<formula>formula see original document page 19</formula>
這里所說的X， Y和Z方向假定和圖7顯示的方向相一致。在等式 (9)中，彌散張量被假定為對稱張量。
使用具有上述假設(shè)的彌散度矢量A^，W,通過等式(13)形成的等 式(11 )的相鄰體素間聯(lián)系度矢量5(^，"的每個組份Cl(l, m, k), Cm(l, m， k)和Ck(l, m, k)分別代表體素(l， m， k)和體素(l+l， m， k)的聯(lián)系度，體素 (1， m， k)和體素(l， m+l， k)的聯(lián)系度，體素(l， m， k)和體素(l， m， k+l)的聯(lián) 系度。
需要注意的是在本實施例中，雖然在傾斜方向上相鄰的體素(如體 素(l， m, k)和體素(1+1, m+l， k))的聯(lián)系度沒有被直接考慮，但是其已 經(jīng)通過垂直方向上的體素(體素(1+1, m， k)或者體素(l, m+l， k))被間接 考慮了。顯然，我們也可以設(shè)置成直接考慮傾斜方向上相鄰的體素的聯(lián)系度。
彌散度矢量力(/，附，"可以由以下等式計算 (I)當(dāng)力(^，"被應(yīng)用于橢圓形的模型中
<formula>formula see original document page 20</formula>
V (/, (/， m，" — Am (/,附，Ay 這里的IDI代表由等式(9)代表的矩陣的行列式。
(II)使用由等式(9)代表的矩陣的對角元素Dll(l， m， k)， Dmm(l， m, k)和Dkk(l， m, k)，可以得到以下等式
<formula>formula see original document page 20</formula>
(18)
(III)使用一代表彌散各向異性的指標(biāo)，彌散各向異性典型代表形
式包括下式所示的部分各向異性
<formula>formula see original document page 20</formula>
和相對各向異性:
<formula>formula see original document page 20</formula>(20)
彌散度矢量力仏同樣也可以被確定. 這里的DAV是(IV)另外，可根據(jù)預(yù)先設(shè)定的腦解剖數(shù)據(jù)(通過MRI設(shè)備50獲 得的T1加權(quán)圖像)確定腦白質(zhì)體素和灰質(zhì)體素，然后上述涉及的(I ) 的彌散度用于白質(zhì)體素，而將其它彌散度矢量(如以上提到的(II)或 (III))用于灰質(zhì)體素。
如上所述，作為本發(fā)明中的彌散度矢量力(^力，任何可以通過MRI 設(shè)備50獲得的彌散張量D(l， m， k)確定神經(jīng)纖維走向的矢量都可以被應(yīng) 用為本發(fā)明的彌散矢量。
另外，除了與a參數(shù)相關(guān)的不等式(14)以外，a參數(shù)也可以被設(shè) 置為在白質(zhì)體素和灰質(zhì)體素間轉(zhuǎn)換。比如，在灰質(zhì)體素中擁有一個大的 值，而在白質(zhì)體素中擁有一個小的值。
此外，除了等式(11)的聯(lián)系度矢量勿，附，"以外，也可以使用以下 等式的聯(lián)系度矢量
勿，m,A)" + a5'(/，附，A:)… (22)
另外，為了突出神經(jīng)纖維的走向，可以提高等式(11)或者(22) 中聯(lián)系度矢量^，w，"的每個組分cl(l， m, k)， cm(l, m, k)和ck(l, m， k)至 其N-th次方(N為2或2以上自然數(shù))，從而得到一新的聯(lián)系度矢量。
另外，通過將這些組分?jǐn)?shù)值乘以a得到的值可能用于白質(zhì)體素中， 通過將這些組分?jǐn)?shù)值乘以b得到的值可能用于灰質(zhì)體素中。此外，只有 這些組分中最大的組分才可以用上述方法突出。還有，只有擁有大于或 者等于(cl(l， m, k)+cm(1， m， k)+ck(1， m， k)}/3數(shù)值的組分才可以用上述 方法突出。
聯(lián)系度矢量^^，"可以用一定方式形成以使灰質(zhì)體素只與相鄰的 六個體素相關(guān)聯(lián)(六個方向)，而白質(zhì)體素只與和本征等式(5)中最大 本征值對應(yīng)的本征矢量的內(nèi)積為最大值的體素以及與該體素?fù)碛悬c(diǎn)對 稱關(guān)系的體素(兩個方向)相關(guān)聯(lián)。之后，在步驟S40，為了根據(jù)步驟S20中預(yù)處理后的反映腦功能信 息的時間序列數(shù)據(jù)p(l， m, k， i)和步驟S40中計算得到的聯(lián)系度矢量 勿，^a)，對圖5(A)所示數(shù)據(jù)進(jìn)行非參數(shù)型回歸分析，如果存在六個相鄰 體素，數(shù)據(jù)估計值形成裝置5將形成如下數(shù)據(jù)估計值Q:
<formula>formula see original document page 22</formula> (23)
這里的標(biāo)記i為時間，標(biāo)記1， m和k分別為代表體素在X軸，Y軸， Z軸方向上位置的變量。請注意，實際中圖7所示的立體構(gòu)型體素中可 能有體素不代表腦(神經(jīng))，與其相關(guān)的l, m， k需被去除。同時，cp(i) 是圖5(A)代表CLASS的變量的時間序列，它可以為l(-ON)或 O(-OFF)。在本實施例的非參數(shù)型回歸分析中，當(dāng)圖5(A)所示的反映腦 功能信息時間序列數(shù)據(jù)p(l， m， k， i)和代表CLASS的變量的時間序列的 cp(i)為解釋變量時，我們在這些變量間假設(shè)一個線性回歸等式，其中
<formula>formula see original document page 22</formula>為回歸系數(shù)
<formula>formula see original document page 22</formula>
這里的^和3分別表示預(yù)測結(jié)果，k是代表相鄰體素間連續(xù)性的加權(quán) 參數(shù)。
雖然如上述所說的，等式(23)通過相鄰體素間的連續(xù)性推算出了 估計值，但是該估計值也可以通過相鄰體素間的平滑性推算出。
本實施例中，以非參數(shù)回歸分析作為數(shù)據(jù)分析技術(shù)的基礎(chǔ)在于，當(dāng) 解釋后的變量(p(i)與解釋變量p(l， m， k， i)相比，q)(i)的數(shù)量是非常小的。 在圖5( A)所示的實例中出現(xiàn)了 64x64x64=262144個解釋變量p(l, m, k, i)，該數(shù)目與體素的數(shù)量相同，然而解釋后變量cp(i)的檢測值只有18個。 一般來說，解釋后變量的檢測值為10個，也可能超過100個。因為在這種情況下，無法進(jìn)行常規(guī)的回歸分析，本發(fā)明中我們使用了非參數(shù)回
歸分才斤(非專利文獻(xiàn)6 : "Spline Smoothing and Nonparametric Regression", R. L. Eubank, Marcel Dekker， Newyork， 1988，，)。
通常在非參數(shù)回歸分析中，我們通過假定解釋后變量(p(l， m， k， i) 的連續(xù)性來確定使估計值Q'(等式(25))最小化的勿)。
<formula>formula see original document page 23</formula> (25)
這里右邊第 一項表示解釋后變量q)(i)在每個時間i的預(yù)測結(jié)果勿)的 誤差，第二項是用于估計解釋后變量(p(i)在某個時間方向上的連續(xù)性。
然而如圖5(A)所示，我們不能就解釋后變量(()(i)假定連續(xù)性。因 此，在本實施例中等式(23 )表示的數(shù)據(jù)估計值Q是根據(jù)增強(qiáng)的非參數(shù) 回歸分析得出的，這不是對解釋后變量(p(i)而是對解釋變量p(l， m， k， i) 設(shè)置的連續(xù)性約束(非專利文獻(xiàn)7: "Nonparametric regression analysis of brain function images", H. Tukimoto et al" Institute of Electronics, Information and Communication Engineers D-II， Vol. J84， No.l2， pp2623-2633, December, 2001 )。
在此，我們將對等式(23)進(jìn)行解釋。右邊第一項表示解釋后變量 (p(i)在每個時間i與預(yù)測結(jié)果&)的誤差，這與等式(25)相同。
第二到第四項表示相鄰體素對解釋后變量(p(i)影響的連續(xù)性，該連 續(xù)性可以通過相鄰解釋變量p(l， m， k， i)對解釋后變量的影響進(jìn)行估計， 也就是等式(24)的回歸系數(shù)^^，"的連續(xù)性。
另夕卜，在本實施例中，由體素間聯(lián)系度計算裝置4計算得到的聯(lián)系 度矢量5(/，附，"的每一個組份Cl(l， m， k)， Cm(l， m， k)和Ck(l, m， k)分別 在第二至四項中作為加權(quán)因子引入相鄰體素間在X軸，Y軸，Z軸方向 上的連續(xù)性中。
由于這些組分分別是平均彌散度矢量^'(^，"的每個組份D，l(l， m， k)， D'm(l， m, k)和D，k(l， m, k)的函數(shù)，如等式(11)所示,因此等式(23 ) 的數(shù)據(jù)估計值Q能反映神經(jīng)纖維(神經(jīng)元)的走向(質(zhì)子的彌散各向異性)。
接下來，在步驟S50中，數(shù)據(jù)分析裝置6將通過計算來確定在S40 步中形成的數(shù)據(jù)估計值Q的極值。在本實施例中，我們計算獲得了使等 式(23)中數(shù)據(jù)估計值Q最小化的回歸系數(shù)^，附，"。
這里為了簡便起見，我們從等式(23)改寫數(shù)據(jù)估計值Q"為
<formula>formula see original document page 24</formula>(26)
其中，n是代表體素位置的獨(dú)立的正數(shù)變量，所有具有三維構(gòu)型的 體素都被給予一預(yù)先指定的數(shù)值，從而被重新編排為一維，該變量與三 維顯示變量(1， m, k)——對應(yīng)。另外，為了簡化目的，我們設(shè)置為 L=M=K，因此體素的數(shù)量為L3。同時，當(dāng)所有的體素都以這種方法在 一維方向上重排后，系數(shù)C (n)代表體素n和相鄰體素n'的聯(lián)系度。該 系數(shù)是根據(jù)等式(11)的連接矢量^^，^特別確定的。
例如，當(dāng)只限于圖3(B)中的二維切片圖像Sk時，與11=130體素相 鄰的體素有四個n=127, 129， 131, 257。例如根據(jù)S30步計算的聯(lián)系 度矢量勿，m，"，體素！!=127和體素n=130，體素n=129和體素n=130， 體素n=131和體素n=130，體素n=257和體素n=130間的聯(lián)系度分別為 2， 2， 5, 5。
在這里，聯(lián)系度是由
2諷127)-,0)}2， 2{5(129)-a(130)}2， 5諷131)-,0)}2， 5諷257)-S(130)}2所獲得。
該實例中，通過使用最小平方法，回歸系數(shù)^")可以被確定如下
<formula>formula see original document page 24</formula>(27)
其中，X為擁有p(n， i)組分的L3xl矩陣，^是擁有組分cp(i)的I維 矢量，S是擁有如下W")組分的L3維矢量，kO是k的優(yōu)化值。k由交 叉確認(rèn)方法確定，即k使等式(28)最小化。型的神經(jīng)網(wǎng)絡(luò)模型包括由輸入層，中間層，和輸出層組成的多層次神經(jīng) 網(wǎng)絡(luò)。
在本修飾例的步驟S40中，數(shù)據(jù)估計值形成裝置5形成估計值，其 中基于體素間聯(lián)系度計算裝置4獲得的聯(lián)系度矢量勿，"^)所計算得到 的評估相鄰體素間連續(xù)性的估計值被加入到平方誤差值中，該平方誤差 是神經(jīng)網(wǎng)絡(luò)模型中反映正常學(xué)習(xí)的估計值。
隨后，在步驟S50中，使用誤差后續(xù)增值法或類似方法，通過數(shù)據(jù) 分析裝置6進(jìn)行分析從而確定估計值的最小值，而后步驟S60中，圖片 生成裝置7生成輸入(腦功能信息的時間序列數(shù)據(jù))和輸出的敏感度(即 輸入值的改變對輸出值的影響)，從而生成類似于實施例一的顯示圖像。 然后，在S70步中，圖片顯示裝置8顯示上述生成的立體圖像。
這使我們有可能獲得與實施例一相似的效果。
<實施例一修飾例2>
在步驟S40中，數(shù)據(jù)估計值形成裝置5使用實施例一中的反映腦信 息的時間序列數(shù)據(jù)p(l，m，k，i)作為解釋變量，cp(i)作為解釋后變量，形 成等式(23)的估計值Q,其中，在本修飾例中，每個體素(l， m， k)都 有一個形成的估計值Q，"如下
g"=丄t {/ (/, m人0 -w人z.)}2
+丄t [c'仏w，"(々G+1附,'.)—々(人w， & 0}2
+ Cm (/, n, A:) 附+1, A:, Z) — /3(/，附人z')}2
+ Ci(/，w，it){》(/,w,A: + U)-y3(/,m,A:,f)}2] … (29)
該估計值的形成是通過使用反比例關(guān)系，即使用cp(i)作為解釋變量， p(l, m， k, i)作為解釋后變量。
其中給出了下列限制條件
》(/，m人/)二ZZJ^(/，附,A:)^(0 + 6 ... (30)
z=i m=i隨后在步驟S50中，使用交叉證實方法，通過數(shù)據(jù)分析裝置6確定 最佳值k，從而確定上述估計值q"'的最小值，使用概率性搜尋算法如 起源算法(Genetic Algoritm)，確定回歸系數(shù)^，附，"。
隨后在步驟S60中，根據(jù)體素的腦功能數(shù)據(jù)p(l， m, k),通過圖像生 成裝置7生成一個作為圖像顯示的數(shù)值，該數(shù)值通過不同分析所得結(jié)果 被確定為重要的。然后，在S70中，通過圖像顯示裝置8顯示以上生成 的立體圖像。
這使我們有可能獲得與實施例一相似的效果。
<實施例一修飾例3>
在步驟S40中，數(shù)據(jù)估計值形成裝置5使用實施例一中的反映腦信 息的時間序列數(shù)據(jù)p(l，m，k, i)作為解釋變量，(p(i)作為解釋后變量，形 成等式(23)的估計值Q，其中，在本修飾例中，我們也可以使用cp(i) 作為解釋變量，p(l，m，k，i)作為解釋后變量，使用多層神經(jīng)網(wǎng)絡(luò)模型進(jìn) 行非線性回歸分析。請注意在本修飾例中，誤差后續(xù)增值法不可以在 S50中用于確定極值，因此，數(shù)據(jù)分析裝置6使用交叉證實法確定最佳 k值，通過概率性搜尋算法如起源算法進(jìn)行數(shù)據(jù)分析。隨后在步驟S60 中，根據(jù)體素的腦功能數(shù)據(jù)p(l， m， k)，通過圖像生成裝置7生成一個作 為圖像顯示的數(shù)值，該數(shù)值通過上述不同分析所得結(jié)果被確定為重要 的。然后，在S70中，通過圖像顯示裝置8顯示以上生成的立體圖像。
這使我們有可能獲得與實施例一相似的效果。
<實施例一<務(wù)飾例4>
實施例一S50中使用等式(24)的線性回歸等式，通過數(shù)據(jù)分析裝 置6進(jìn)行非參數(shù)型回歸分析，也可以使用分類分析技術(shù)，如判別分析 (^^專矛J文獻(xiàn)8: Story of multivariate analysis", T. Arima, S. Ishimura， Tokyo Tosho， 1987 )，定量II (非專利文獻(xiàn)9 )，決策樹(非專利文獻(xiàn)10: "Data analysis by A.I."， J. R. Quinlan, Toppan， 1995 )，支撐矢量機(jī)(非 專矛J文獻(xiàn) 11 : "Introduction to support vector machine", Nello Cristianini and John Shawe畫Taylor, Kyoritsu shuppan， 2005 )或者類似 技術(shù)作為分析技術(shù)。在任何情況下，使用反映腦功能信息時間序列數(shù)據(jù)p(l， m， k， i)作為 解釋變量，使用任務(wù)和休息的時間序列數(shù)據(jù)作為外部標(biāo)準(zhǔn)，通過各種辨 別方程式，決策樹或類似方程式對數(shù)據(jù)進(jìn)行分類。在本修飾例步驟S40 中，通過數(shù)據(jù)估計值形成裝置5形成估計值，其中于步驟S30中計算得 到的聯(lián)系度矢量^，"^)被加入到每個分析技術(shù)的普通估計值中。
隨后在步驟S50中，使用每個分析技術(shù)，通過數(shù)據(jù)分析裝置6進(jìn)行 數(shù)據(jù)分析。如果估計值出現(xiàn)上述改變，普通的解決方案將不適用，因此 可以使用交叉證實法，通過數(shù)據(jù)分析裝置6確定優(yōu)化K值，使用概率性 搜尋算法進(jìn)行數(shù)據(jù)分析。
隨后在S60中，根據(jù)體素的腦功能數(shù)據(jù)p(l， m， k)，通過圖像生成裝 置7生成一個用于圖像顯示數(shù)值，該數(shù)值通過上述不同分析結(jié)果被確定 是重要的。然后，在步驟S70中，通過圖像顯示裝置8顯示以上生成的 立體圖像.
這使我們有可能獲得與實施例一相似的效果。 <實施例一修飾例5>
當(dāng)使用實施例一步驟S50中等式(24)的線性回歸等式，通過數(shù)據(jù) 分析裝置6進(jìn)行非參數(shù)回歸分析，獨(dú)立組份分析也可以被用作一種數(shù)據(jù) 分才斤技術(shù)。(4^專利文獻(xiàn)12: "Detailed explanation of Independent Component Analysis Novel world of signal analysis", Aapo Hyvarinen et al" Tokyo Denki University Press 2005 )。
在本修飾例中，數(shù)據(jù)估計值形成裝置5在步驟S40中基于體素間聯(lián) 系度計算裝置4獲得的聯(lián)系度矢量勿，"^)形成估計值。
在本修飾例中，根據(jù)獨(dú)立成份分析，分析反映腦功能信息時間序列 數(shù)據(jù)p(l, m， k, i)中的"空間獨(dú)立性"條件被更改為"基于彌散張量信息的 聯(lián)系度的空間獨(dú)立性"。獨(dú)立組份分析有幾種特定技術(shù)，但是在使用交 叉關(guān)聯(lián)度最小化的技術(shù)時，交叉關(guān)聯(lián)度其實并不是被最小化了，而是在 聯(lián)系度的基礎(chǔ)上使其更接近估計值。結(jié)果，具有較大聯(lián)系度的體素間的 交叉關(guān)聯(lián)度變成了"獨(dú)立程度"，而具有較小聯(lián)系度(或沒有關(guān)聯(lián)度)的 體素間的交叉關(guān)聯(lián)度被最小化，與聯(lián)系度的估計值更相近，更確切的講，例如在評估方程中，基于聯(lián)系度的估計值的加權(quán)因子被設(shè)置于平方總 數(shù)的每一個值，該評估方程使關(guān)聯(lián)矩陣中的非對角元素的平方總和最小 化。當(dāng)聯(lián)系度越大，加權(quán)因子越小。
在隨后的步驟S50中，結(jié)合上述形成的估計值，通過分析裝置6進(jìn) 行獨(dú)立組份分析。其中，通過使用交叉證實方法確定優(yōu)化K值，同時通 過概率性搜尋算法如起源算法進(jìn)行數(shù)據(jù)分析。
隨后在步驟S60中，通過圖像生成裝置7生成上述獲得的獨(dú)立組分 顯示圖像。然而，由于上述分析產(chǎn)生了許多獨(dú)立組分，因此需要從所有 的行矢量中提取與"任務(wù)/休息"關(guān)聯(lián)值最高的行矢量。
在隨后的步驟S70中，通過圖像顯示裝置8顯示上述形成的立體圖像。
這使我們有可能獲得與實施例一相似的效果。
請注意，除了主要的組分分析以外，作為從反映腦功能信息時間序 列數(shù)據(jù)中提取預(yù)設(shè)主要組份的提取技術(shù)的因素分析和定量III,但不是 上述的獨(dú)立組份分析，也可以以上述相似的方式進(jìn)行分析。
圖20是實施例四中的腦功能分析儀器的結(jié)構(gòu)示意圖。實施例四的 腦功能分析儀器40包括如下配置體素間聯(lián)系度計算裝置44 (而不是 體素間聯(lián)系度計算裝置4)，數(shù)據(jù)估計值形成裝置5，實施例一中腦功能 分析儀器10的數(shù)據(jù)分析裝置6，和數(shù)據(jù)測試裝置400。與實施例一配置 相同的，其符號也相同，下文將省略重復(fù)的內(nèi)容。注意，盡管腦功能分 析儀器40采用了顯示控制臺模式，其中主要形成裝置40A、圖像顯示 裝置8和存儲裝置9在本實例中是組合在一起的，其也可能采取如下配 置圖像顯示裝置8，或圖像顯示裝置8和圖像存儲裝置9從主要形成 裝置40A中分離出來分別作為獨(dú)立的圖像顯示單元和存儲單元。
體素間聯(lián)系度計算裝置44計算聯(lián)系度矢量^，^)，通過對每個體 素腦功能信息時間序列數(shù)據(jù)p(l， m， k， i)(其由數(shù)據(jù)預(yù)處理裝置3作為等 式(12)所示平均彌散度矢量5'("w，"的函數(shù)從彌散張量數(shù)據(jù)獲取裝置 2獲得的彌散張量數(shù)據(jù)D(l， m, k)(等式(9 ))進(jìn)行預(yù)處理)進(jìn)行多種 數(shù)據(jù)測試(比如，t測試、f測試、z測試)來調(diào)整參考值(測試值、重 要性級別或類似數(shù)值)。
數(shù)據(jù)測試裝置400根據(jù)體素間聯(lián)系度計算裝置44計算獲得的聯(lián)系 度矢量勿，m，^)糾正參考值，在糾正過的參考值預(yù)處理后，再對每個體素
腦功能數(shù)據(jù)p(l， m, k)進(jìn)行數(shù)據(jù)測試。
圖21是圖20所示腦功能分析儀器40執(zhí)行數(shù)據(jù)分析程序的流程圖。
在步驟S300中，腦功能數(shù)據(jù)獲取裝置1獲取由MRI設(shè)備50測得 的腦功能信息原始時間序列數(shù)據(jù)p，(l，m,k，i),同一步驟中，彌散張量信 息獲取裝置2獲取同樣由MRI設(shè)備50測得的彌散張量數(shù)據(jù)D(l, m， k)。
接著，在步驟S310中，數(shù)據(jù)預(yù)處理裝置3對在步驟S300中獲得的 腦功能信息原始時間序列數(shù)據(jù)p'(l, m， k， i)進(jìn)行如實施例一所述的(a) 到(d)型預(yù)處理，從而產(chǎn)生腦功能信息時間序列數(shù)據(jù)p(l，m，k，i)。
接著，在步驟S320中，通過體素間聯(lián)系度計算裝置44計算聯(lián)系度矢量f(/,w,A:)，
<formula>formula see original document page 38</formula>(38)
用于調(diào)整參考值(測試值、重要性級別或類似數(shù)值)。例如對每 一個體素的腦功能信息時間序列數(shù)據(jù)p(i， m， k， i)進(jìn)行Z測試，該數(shù)據(jù)在
步驟S310根據(jù)在該步驟獲得的彌散張量數(shù)據(jù)作為等式(12)所示平均
彌散度矢量力'(^，^的函數(shù)進(jìn)行了預(yù)處理。
接著，在步驟S330中，通過數(shù)據(jù)測試裝置400對每一個體素在步 驟S310中預(yù)處理過的腦功能信息時間序列數(shù)據(jù)p(l， m， k， i)進(jìn)行Z測試， 進(jìn)而計算一個Z分值.接著，同一步驟中，利用一個帶高Z分值的體 素(例如，以體素(l，m，k))作為參考點(diǎn)，參考點(diǎn)周圍(26個方向)的 一體素(如體素(1+1， m， k))帶有的重要性級別值為a(l+l， m， k)，該值 被降低為如等式(39)所示
<formula>formula see original document page 38</formula> (39)
此處，a是一依賴于根據(jù)步驟S320中計算獲得的聯(lián)系度矢量f (z，m，。 的加權(quán)系數(shù)。
接著，在步驟S340中，圖像生成裝置7對被在步驟S330中根據(jù)修 正后的重要性級別被認(rèn)定為在圖像數(shù)據(jù)中具重要性的體素的腦功能數(shù) 據(jù)p(l，m, k)生成一個值。
接著，在步驟S350中，圖像顯示裝置8顯示步驟S340中生成的立 體圖像數(shù)據(jù)。
注意，盡管測試重要性級別的值是根據(jù)上述彌散張量數(shù)據(jù)獲取裝置 2獲得的彌散張量數(shù)據(jù)D(l， m， k)計算得出等式(38)中的聯(lián)系度矢量 f(/，m，^)來進(jìn)行調(diào)整的，測試值也可以取代測試重要性級別使用該方法進(jìn)
行調(diào)整。
比如，在每一體素的任務(wù)圖像和休息圖像之間執(zhí)行Z測試。任務(wù)圖 像是指執(zhí)行某特定任務(wù)的圖像(比如在圖2中由粗線代表的圖像1到3 )， 休眠圖像是指未執(zhí)行任務(wù)的圖像(比如在圖2中由粗線代表的圖像5到7)。在這種情況下，體素(l， m, k)的Z分值(Z測試的測試值)通常由 以下等式(40)代表
此處，Mt(l， m， k)代表任務(wù)圖像的腦功能信息時間序列數(shù)據(jù)p(l， m， k, i)的平均值；Mc(l，m，k)代表休息圖像的腦功能信息時間序列數(shù)據(jù)p(l， m,k,i)的平均值；(yt(l，m,k)代表任務(wù)圖像的腦功能信息時間序列數(shù)據(jù) p(l，m，k,i)的標(biāo)準(zhǔn)偏差，oc(l，m，k)代表休息圖像的腦功能信息時間序 列數(shù)據(jù)p(l，m，k, i)的標(biāo)準(zhǔn)偏差。在這一前提下，如果z一，可以說任務(wù) 圖像的腦功能信息時間序列數(shù)據(jù)p(I， m， k， i)的平均值與休息圖像的腦 功能信息時間序列數(shù)據(jù)p(l，m，k，i)的平均值沒有區(qū)別。如果Z4，則意 味著任務(wù)圖像的腦功能信息時間序列數(shù)據(jù)p(l, m， k， i)的平均值與休息 圖像的腦功能信息時間序列數(shù)據(jù)p(l， m， k， i)的平均值由于時間序列數(shù) 據(jù)的變化而變大了。從這一趨勢中可見帶高值Z分值的體素是與任務(wù)相 關(guān)的激活區(qū)域。
正是因此，使用在步驟S320中計算獲得的等式(38)的聯(lián)系度矢 量JU^a;i，等式(40)可改變成如下所示
b(l， m, k)在步驟S330中被修改為
6'(/,附,/1) = {1 + / 7;(/，附,&)}6(/，附,^0… (42)
此處，p是一依賴于步驟S320通過等式(38)計算所得聯(lián)系度矢
量f(/，^a)的加權(quán)系數(shù)。
接著，在步驟S340中，圖像生成裝置7根據(jù)在所有體素的一般重 要性級別基礎(chǔ)上被認(rèn)為是圖像數(shù)據(jù)中重要的體素的腦功能數(shù)據(jù)p(l， m， k) 生成一個值。然后，在步驟S350中，圖像顯示裝置8顯示步驟S340生 成的立體圖像數(shù)據(jù)。
如上所述，在實施例四中，在MRI設(shè)備獲得的彌散張量的基礎(chǔ)上，用于檢測MRI設(shè)備獲得的腦功能信息時間序列數(shù)據(jù)的參考值(測試值 或重要性級別)在每個體素的基礎(chǔ)上得到了調(diào)整。這樣可以在考慮腦激 活區(qū)域之間連接結(jié)構(gòu)的同時，確定腦激活區(qū)域。
實施例四的修飾例
在實施例四中，當(dāng)對每一體素的腦功能信息時間序列數(shù)據(jù)p(l，m，k, i)執(zhí)行不同的數(shù)據(jù)測試(比如T測試、F測試或Z測試)時，數(shù)據(jù)測試 的參考值(測試值、重要性級別或類似數(shù)值)被運(yùn)用彌散張量數(shù)據(jù)獲取 裝置2獲得的彌散張量數(shù)據(jù)計算得出的聯(lián)系度矢量勿，"^)進(jìn)行調(diào)整。為 了實現(xiàn)本發(fā)明的目的，當(dāng)對每一體素的腦功能信息時間序列數(shù)據(jù)p(l， m， k, i)使用不同的分析技術(shù)進(jìn)行數(shù)據(jù)分析時，不論該分析技術(shù)是否具有統(tǒng) 計學(xué)重要性，該數(shù)據(jù)檢測(比如，T測試，F(xiàn)測試和Z測試)還是可以 同樣進(jìn)行。
接著，在本修飾例中，我們考慮使用聯(lián)系度矢量^，m，"調(diào)整參考 值(測試值、重要性級別或類似數(shù)值)。
需要說明的是，為避免重復(fù)，僅對那些與實施例四不同的部分進(jìn)行 描述。
圖22為實施例4修飾例中腦功能分析儀器構(gòu)型示意圖。本修飾例 的腦功能分析儀器40'的配置不同如下數(shù)據(jù)測試裝置400'和數(shù)據(jù)分析 裝置46'取代了實施例四中的數(shù)據(jù)測試裝置400。
數(shù)據(jù)分析裝置46'為每一個體素對腦功能數(shù)據(jù)獲取裝置1獲取的由 數(shù)據(jù)預(yù)處理裝置3預(yù)處理的腦功能信息時間序列數(shù)據(jù)p(l， m， k， i)進(jìn)行數(shù) 據(jù)分析，該分析使用如傳統(tǒng)分類、回歸和相關(guān)性的分析技術(shù)。
數(shù)據(jù)測試裝置400，使用依據(jù)聯(lián)系度矢量勿，附，"的多種數(shù)據(jù)測試(比 如，T測試，F(xiàn)測試和Z測試)來調(diào)整用于測試數(shù)據(jù)分析裝置46'進(jìn)行 的分析技術(shù)是否具有統(tǒng)計學(xué)重要性的參考值。
圖23是圖22中腦功能分析儀器執(zhí)行數(shù)據(jù)分析的流程圖。
在步驟S360中，數(shù)據(jù)分析裝置46，針對每一個體素的，對其由經(jīng)腦 功能數(shù)據(jù)獲取裝置1獲取的經(jīng)數(shù)據(jù)預(yù)處理裝置3預(yù)處理過的腦功能信息時間序列數(shù)據(jù)p(l, m， k， i)進(jìn)行數(shù)據(jù)分析，該分析使用如傳統(tǒng)分類、回歸 和相關(guān)性的分析技術(shù)。
1. 分類分析技術(shù)(判別分析、決策樹、支撐矢量機(jī)或相類似技術(shù))。
1-1:在判別分析的情況下，數(shù)據(jù)分類是通過多種判定函數(shù)來進(jìn)行 的，同時，使用解釋性變量作為腦功能信息時間序列數(shù)據(jù)p(l，m，k，i)， 外部標(biāo)準(zhǔn)作為任務(wù)和休息的時間序列數(shù)據(jù)。
1- 2:在決策樹的情況下，數(shù)據(jù)分類是用決策樹來進(jìn)行的，同時使 用解釋性變量(屬性)作為任務(wù)和休息的時間序列數(shù)據(jù)，并通過分散腦
功能信息時間序列數(shù)據(jù)p(l， m， k， i)形成幾個類別，作為外部標(biāo)準(zhǔn)。
2. 回歸分析裝置(使用多種函數(shù)(線性，非線性)進(jìn)行回歸分析)。
2- 1:在線性回歸分析情況下，數(shù)據(jù)分析是通過一個線性回歸等式 來進(jìn)行的，同時使用解釋性變量作為任務(wù)和休息，解釋后變量作為腦功 能信息時間序列數(shù)據(jù)p(l， m， k， i)。
3. 相關(guān)性分析技術(shù)(一種利用估算模型(函數(shù))和實際數(shù)據(jù)之間 相關(guān)性的技術(shù))。
數(shù)據(jù)分析通過利用預(yù)設(shè)的模型(比如，輸入一種刺激則產(chǎn)生腦功能 信息時間序列數(shù)據(jù)的函數(shù))和腦功能信息的實際時間序列數(shù)據(jù)p(l， m, k， i)之間的相關(guān)性來進(jìn)行的。
接著，從步驟S320到步驟S331 (與實施例四相似)，數(shù)據(jù)測試裝
置400，對在步驟S360中獲得的結(jié)果是否具有統(tǒng)計學(xué)重要性進(jìn)行測試。
同時，測試的參考值(測試值，重要性級別或類似數(shù)值)利用聯(lián)系度矢 量f(/，m，A)(等式(38))進(jìn)行校正。
例如，當(dāng)對分類分析技術(shù)獲得的結(jié)果進(jìn)行f測試時，f測試將對在 步驟S360中每一體素獲得的結(jié)果進(jìn)行測試，產(chǎn)生一個f值。接著，在 同一步驟中，使用帶高f值的體素(如體素(l,m，k))作為參考點(diǎn)，參考 點(diǎn)周圍(26個方向)的一體素(如體素(1+1, m， k))的重要性級別的a(l+l， m，k)值可根據(jù)步驟S230中計算出的聯(lián)系度矢量勿，附，。，利用等式(39) 來進(jìn)行調(diào)整。在回歸分析技術(shù)的情況下，臨界值(與重要性級別相對應(yīng))可以按 上述方法調(diào)整，同樣，在相關(guān)性分析技術(shù)的情況下，相關(guān)性的臨界值可 以按照上述方法進(jìn)行調(diào)整。
接著，在步驟S340中，圖像生成裝置7根據(jù)在步驟S330中修正過 的重要性級別而被認(rèn)定為圖像數(shù)據(jù)中重要體素的腦功能數(shù)據(jù)p(l， m， k) 生成一個值。
接著，在步驟S350中，圖像顯示裝置8立體顯示步驟S340中生成 的圖像數(shù)據(jù)。
因此，本4務(wù)飾例獲得了與實施四相似的結(jié)果。
以上描述的實例僅僅是一些范例，本發(fā)明并不僅限于此。
比如，在每一個實例中，計算相鄰體素聯(lián)系度步驟可以緊隨獲取腦 功能數(shù)據(jù)和彌散張量數(shù)據(jù)步驟。
另外，至于數(shù)據(jù)分析技術(shù)，使用子波分析、邏輯回歸分析或相類似 分析。
此外，也可以把實施例二或?qū)嵤├喜⒂趯嵤├弧Ｊ紫?，?dāng)實 施例二并入實施例一時，僅需引入一個配置，在該配置中，圖l顯示的 腦功能分析儀器10另外帶有與圖10或13顯示的數(shù)據(jù)平滑裝置200或 200，具有相同功能的數(shù)據(jù)平滑裝置。接著，必要的是，在數(shù)據(jù)分析裝置 6確定一個回歸系數(shù)以使實施例一步驟S50中的數(shù)據(jù)估計值Q最小化 后，使用上述數(shù)據(jù)平滑裝置對回歸系數(shù)值進(jìn)行各向異性地平滑處理。結(jié) 果，生成圖像的白質(zhì)(神經(jīng)纖維)的活躍度有可能比實施例一中獲得的 圖像更突出。
同時，當(dāng)實施例三并入實施例一時，僅需引入一個配置，其中，圖 1顯示的腦功能分析儀器10進(jìn)一步帶有與圖15或18顯示的聚集裝置 300或300，具有相同功能的聚集裝置。接著，必要的是，在數(shù)據(jù)分析裝 置6決定一個回歸系數(shù)以使實施例一步驟S50中的數(shù)據(jù)估計值Q最小 化后，使用上述聚集裝置處理回歸系數(shù)值以聚集各體素。結(jié)果，生成圖 像的白質(zhì)(神經(jīng)纖維)的活躍度有可能比實施例一中獲得的圖像更突出。此外，從上述實例的結(jié)果可以看出，通過進(jìn)一步使用彌散張量數(shù)據(jù)
D(l，m,k),也有可能擴(kuò)展白質(zhì)體素的激活區(qū)域。技術(shù)基本上與跟蹤成像 分析技術(shù)相似.
進(jìn)一步講，也可能以把上述技術(shù)(回歸分析、相關(guān)性、分類、獨(dú)立 組份分析、測試或類似技術(shù))僅僅應(yīng)用于白質(zhì)體素來捕獲白質(zhì)的激活。
同時，雖然我們在每個實施例的實驗中都假定了整體設(shè)計，但是本 發(fā)明也可以應(yīng)用于與事件相關(guān)的fMRI。
另外，本發(fā)明適用于聯(lián)系度分析。聯(lián)系度分析包括多種技術(shù)，比如 在SEM (結(jié)構(gòu)等式模型)(協(xié)方差結(jié)構(gòu)分析)的情況下，相關(guān)性和測試 分析被應(yīng)用在其計算中，但本發(fā)明在那種情況下也是適用的，平滑和聚 集處理也同樣適用。
神經(jīng)元和神經(jīng)纖維之間的連接信息可以從上述彌散張量數(shù)據(jù)中獲 得的，但如果連接信息(知識)可以從解剖結(jié)構(gòu)上獲知，那也是可以使 用的。
除了上述描述的實例外，如果不偏離本發(fā)明的主題，其他各種實施 方式也是可能的，本發(fā)明的范圍僅限制于權(quán)利要求。
最后，利用本發(fā)明腦功能分析方法的腦功能分析效果將會被顯示。 圖24顯示了主體在聲音刺激下執(zhí)行簡單重復(fù)任務(wù)時腦功能分析的結(jié)果。 在實驗中，重復(fù)其聽到的來自耳機(jī)的聲音被定義為任務(wù)，主體不思考或 盡可能地不思考被定義為休息。任務(wù)的音量數(shù)(測量頻率)設(shè)定為48， 休息的音量數(shù)(測量頻率)設(shè)定為60，未被用來分析的音量數(shù)(測量頻 率)設(shè)為12 (參見圖2)。另外，TR (重復(fù)時間與圖2中音寬相對應(yīng)) 設(shè)定為5000毫秒。主體的數(shù)量為8人，在SPM和本發(fā)明的腦功能分析 方法中都獲得優(yōu)異結(jié)果的主體的分析結(jié)果將在下文列出。
圖24A和24B都顯示了使用SPM的T測試的結(jié)果，其中圖24A 顯示了 T測試臨界值被修正過的分析結(jié)果，圖24B顯示了 T測試臨界 值沒有被修正過的分析結(jié)果。圖24C顯示綜合SPM和跟蹤成像分析技 術(shù)進(jìn)行的分析結(jié)果，圖24D顯示了使用本發(fā)明實施例一的腦功能分析方 法的分析結(jié)果。注意，位置補(bǔ)償、標(biāo)準(zhǔn)化和平滑處理是作為SPM的預(yù)處理程序來進(jìn)行的。濾波的半值寬度設(shè)定為9亳米。另外，dTV作為彌 散張量分析的軟件用于跟蹤成像。
從解剖學(xué)上已知，Wernicke區(qū)(感官語言中樞)和Broca區(qū)(運(yùn) 動語言中樞)在簡單重復(fù)過程中被激活，且二者由一束叫做弓形纖維束 的神經(jīng)纖維相連。該弓形纖維束在說話時被使用。
圖24A顯示，使用SPM時，當(dāng)臨界值被修正時，Wernicke區(qū)和 Broca區(qū)的活動不能被檢測到。圖24B顯示，當(dāng)4吏用SPM且T測試的 臨界值未被修正時，二區(qū)域的活動可以被檢測到，但連接二區(qū)域的弓形 纖維束不能被檢測到.與這些結(jié)果相比，如果利用結(jié)合SPM和跟蹤成 4象的分析技術(shù)，如圖24C所示，不僅韋尼克氏區(qū)(Wernicke Area)和 卜洛柯區(qū)(Broca，sArea)還有弓形纖維束本身都可以被檢測到。
同時，當(dāng)使用本發(fā)明實施例一的腦功能分析方法時，除能夠發(fā)現(xiàn)圖 24D中顯示的二區(qū)域和連接二區(qū)域的弓形纖維外，還可以檢測到弓形纖 維束激活(在神經(jīng)纖維中的脈沖傳送形成弓形纖維束激活)。
此外，在結(jié)合SPM和跟蹤成像的分析技術(shù)中，分析人員需事先確 定神經(jīng)纖維的一個跟蹤起點(diǎn)和一個跟蹤終點(diǎn)以用來跟蹤神經(jīng)纖維(在本 例中為弓形纖維束)。因此，在神經(jīng)纖維的跟蹤起點(diǎn)和跟蹤終點(diǎn)不能事 先確定時(比如在某任務(wù)中，灰質(zhì)的活動區(qū)域沒有事先決定)，該技術(shù) 將無法使用。與此相對應(yīng)，根據(jù)本發(fā)明實施例一的腦功能分析方法，有 可能檢測出圖24D顯示的神經(jīng)纖維的活性，盡管神經(jīng)纖維的跟蹤起點(diǎn)和 跟蹤終點(diǎn)不能事前確定。
工業(yè)應(yīng)用
如上所述，根據(jù)本發(fā)明能夠確定激活的腦功能區(qū)域，即使分析者并 未事先確定神經(jīng)纖維的起點(diǎn)和終點(diǎn)，仍有可能確定神經(jīng)纖維(腦活動區(qū) 域之間的連接結(jié)構(gòu))進(jìn)而可能確定神經(jīng)纖維的激活(神經(jīng)纖維中的脈沖 傳輸)，因此為醫(yī)學(xué)診斷和治療高度腦功能紊亂如癡呆癥，失語證、精 神分裂癥或類似癥狀提供了極其有效的腦功能分析裝置和腦功能分析 程序。
權(quán)利要求
1. 一種腦功能分析方法，其特征在于，包括第一步，從體素到體素的基礎(chǔ)上，獲取能夠定位腦激活區(qū)域的腦功能數(shù)據(jù)和能夠確定上述腦內(nèi)質(zhì)子彌散度的彌散張量數(shù)據(jù)，第二步，在上述彌散張量數(shù)據(jù)的基礎(chǔ)上形成相鄰體素間聯(lián)系度的估計值，第三步，在上述相鄰體素間聯(lián)系度估計值的基礎(chǔ)上分析上述腦功能數(shù)據(jù)。
2. 如權(quán)利要求1所述的腦功能分析方法，其特征在于，上述第三 步是一個回歸分析，在該步驟中，將上述腦功能數(shù)據(jù)和任務(wù)的一者用作 解釋性變量，并將上述腦功能數(shù)據(jù)和上述任務(wù)的另一者用作解釋后變 量，計算估計值的最大值或最小值的一者，其中，將上述相鄰體素間聯(lián) 系度估計值并入到上述腦功能數(shù)據(jù)每一體素的估計值中。
3. 如權(quán)利要求1所述的腦功能分析方法，其特征在于，上述第三 步是測試上述腦功能數(shù)據(jù)的方法，上述測試的參考值基于上述相鄰體素 間聯(lián)系度進(jìn)行調(diào)整。
4. 如權(quán)利要求1所述的腦功能分析方法，其特征在于，上述第三步是對上述腦功能數(shù)據(jù)進(jìn)行分類的技術(shù)，上述分類的參考值基于上述相 鄰體素間聯(lián)系度估計值進(jìn)行調(diào)整。
5. 如權(quán)利要求1所述的腦功能分析方法，其特征在于，上述第三 步是獲取上述腦功能數(shù)據(jù)與預(yù)定模式的相關(guān)性的技術(shù)，上述相關(guān)性的參 考值基于上述相鄰體素間聯(lián)系度估計值進(jìn)行調(diào)整。
6. 如權(quán)利要求1所述的腦功能分析方法，其特征在于，上述第三 步是從上述腦功能數(shù)據(jù)中提取主要要素的技術(shù)，上述提取的參考值基于 相鄰體素間聯(lián)系度估計值進(jìn)行調(diào)整。
7. 如權(quán)利要求1所述的腦功能分析方法，其特征在于，在上述第 三步中，上述腦功能數(shù)據(jù)基于相鄰體素間聯(lián)系度估計值進(jìn)行平滑。
8. 如權(quán)利要求1所述的腦功能分析方法，其特征在于，在上述第 三步中，上述腦功能數(shù)據(jù)基于相鄰體素間聯(lián)系度估計值進(jìn)行聚集。
9. 如權(quán)利要求1至8中的任一項所述的腦功能分析方法，其特征 在于，還包括第四步，其進(jìn)行下述的預(yù)處理，即，基于第一步中獲得的彌散張量數(shù)據(jù)，將通過同一步驟中獲得的腦功能數(shù)據(jù)確定的激活區(qū)域體 素的腦功能數(shù)據(jù)的值傳送到另一個體素的腦功能數(shù)據(jù)的值。
10. —種腦功能分析程序，其特征在于，使計算機(jī)作為下述裝置而起作用，腦功能數(shù)據(jù)獲取裝置，從體素到體素的基礎(chǔ)上，獲取能夠確定腦激活區(qū)域的腦功能數(shù)據(jù)；彌散張量數(shù)據(jù)獲取裝置，從體素到體素的基礎(chǔ)上，獲取能夠確定上 述腦中質(zhì)子彌散度的彌散數(shù)據(jù)；數(shù)據(jù)估計值形成裝置，基于上述彌散張量數(shù)據(jù)形成相鄰體素間聯(lián)系 度的估計值；和數(shù)據(jù)分析裝置，基于上述相鄰體素間聯(lián)系度估計值對腦功能數(shù)據(jù)進(jìn) 行分析。
11. 如權(quán)利要求10所述的腦功能分析程序，其特征在于，上述數(shù) 據(jù)分析裝置是一個回歸分析裝置，在該步驟中，將上述腦功能數(shù)據(jù)和任 務(wù)的一者用作解釋性變量，并將上述腦功能數(shù)據(jù)和任務(wù)的另 一者用作解 釋后變量，計算估計值的最大值或最小值的一者，其中，上述相鄰體素 間聯(lián)系度估計值并入到上述腦功能數(shù)據(jù)每一體素的估計值中。
12. 如權(quán)利要求10所述的腦功能分析程序，其特征在于，上述數(shù) 據(jù)分析裝置是用來檢測上述腦功能數(shù)據(jù)的裝置，上述檢測的參考值基于 上述相鄰體素間聯(lián)系度估計值進(jìn)行調(diào)整。
13. 如權(quán)利要求10所述的腦功能分析程序，其特征在于，上述數(shù) 據(jù)分析裝置是用來對上述腦功能數(shù)據(jù)進(jìn)行分類的裝置，上述分類的參考 值基于上述相鄰體素間聯(lián)系度估計值進(jìn)行調(diào)整。
14. 如權(quán)利要求10所述的腦功能分析程序，其特征在于，上述腦 功能分析裝置是獲取上述腦功能數(shù)據(jù)與預(yù)定模式的相關(guān)性的裝置，上述 相關(guān)性的參考值基于上述相鄰體素間聯(lián)系度估計值進(jìn)行調(diào)整。
15. 如權(quán)利要求10所述的腦功能分析程序，其特征在于，上述數(shù) 據(jù)分析裝置是從上述腦功能數(shù)據(jù)中提取主要要素的裝置，上述提取的參 考值基于上述相鄰體素間聯(lián)系度估計值進(jìn)行調(diào)整。
16. 如權(quán)利要求10所述的腦功能分析程序，其特征在于，上述數(shù) 據(jù)分析基于上述相鄰體素間聯(lián)系度估計值對上述腦功能數(shù)據(jù)進(jìn)行平滑。
17. 如權(quán)利要求10所述的腦功能分析程序，其特征在于，上述數(shù) 據(jù)分析裝置基于上述相鄰體素間聯(lián)系度估計值對上述腦功能數(shù)據(jù)進(jìn)行 聚集。
18. 如權(quán)利要求10至17中的任一項所述的腦功能分析程序，其特 征在于，其使上述計算機(jī)作為數(shù)據(jù)預(yù)處理裝置而起作用，基于第一步中 獲得的彌散張量數(shù)據(jù)，使來源于同一步驟中獲得的腦功能數(shù)據(jù)的激活區(qū) 域體素的腦功能數(shù)據(jù)的值，傳送到另一個體素的腦功能數(shù)據(jù)的值。
全文摘要
本發(fā)明提供一種方法包括獲取腦功能數(shù)據(jù)和彌散張量數(shù)據(jù)(S10)，基于該彌散張量數(shù)據(jù)計算相鄰體素間的聯(lián)系度(S30)，基于該腦功能數(shù)據(jù)和相鄰體素間聯(lián)系度來形成數(shù)據(jù)估計值(S40)，對該數(shù)據(jù)估計值進(jìn)行非參數(shù)的回歸分析(S50)，基于分析結(jié)果形成和顯示圖像(S60，S70)。
文檔編號A61B5/055GK101287410SQ20068003806
公開日2008年10月15日 申請日期2006年10月6日 優(yōu)先權(quán)日2005年10月12日
發(fā)明者月本洋 申請人:學(xué)校法人東京電機(jī)大學(xué)