本發(fā)明涉及圖像處理技術(shù)，具體是一種基于隨機(jī)分塊模型的腦結(jié)構(gòu)網(wǎng)絡(luò)連接優(yōu)化方法。
背景技術(shù)：
：作為磁共振擴(kuò)散加權(quán)成像(diffusionweightedimaging，DWI)技術(shù)與復(fù)雜網(wǎng)絡(luò)理論的結(jié)合，腦結(jié)構(gòu)網(wǎng)絡(luò)構(gòu)建方法當(dāng)前已經(jīng)成為腦科學(xué)領(lǐng)域的熱點(diǎn)之一。然而在現(xiàn)有技術(shù)條件下，腦結(jié)構(gòu)網(wǎng)絡(luò)構(gòu)建方法由于受到數(shù)據(jù)采集環(huán)節(jié)中測(cè)量誤差的影響，導(dǎo)致構(gòu)建出的腦結(jié)構(gòu)網(wǎng)絡(luò)普遍存在可信度低的問題，由此嚴(yán)重影響其應(yīng)用價(jià)值?；诖?，有必要發(fā)明一種全新的腦結(jié)構(gòu)網(wǎng)絡(luò)連接優(yōu)化方法，以解決現(xiàn)有腦結(jié)構(gòu)網(wǎng)絡(luò)構(gòu)建方法存在的上述問題。技術(shù)實(shí)現(xiàn)要素：本發(fā)明為了解決現(xiàn)有腦結(jié)構(gòu)網(wǎng)絡(luò)構(gòu)建方法構(gòu)建出的腦結(jié)構(gòu)網(wǎng)絡(luò)可信度低的問題，提供了一種基于隨機(jī)分塊模型的腦結(jié)構(gòu)網(wǎng)絡(luò)連接優(yōu)化方法。本發(fā)明是采用如下技術(shù)方案實(shí)現(xiàn)的：一種基于隨機(jī)分塊模型的腦結(jié)構(gòu)網(wǎng)絡(luò)連接優(yōu)化方法，該方法是采用如下步驟實(shí)現(xiàn)的：步驟S1：對(duì)磁共振擴(kuò)散加權(quán)影像進(jìn)行預(yù)處理，然后根據(jù)選定的標(biāo)準(zhǔn)化腦圖譜，對(duì)預(yù)處理后的磁共振擴(kuò)散加權(quán)影像進(jìn)行區(qū)域分割；步驟S2：采用纖維束追蹤算法，將預(yù)處理后的磁共振擴(kuò)散加權(quán)影像映射到選定的標(biāo)準(zhǔn)化腦圖譜中，然后根據(jù)纖維束追蹤的結(jié)束條件，計(jì)算兩兩腦區(qū)間的纖維束數(shù)量，由此得到腦區(qū)間的纖維束數(shù)量矩陣；步驟S3：設(shè)定閾值，然后根據(jù)閾值對(duì)腦區(qū)間的纖維束數(shù)量矩陣進(jìn)行二值化處理，由此得到腦結(jié)構(gòu)網(wǎng)絡(luò)模型；步驟S4：采用符號(hào)檢驗(yàn)方法，構(gòu)建基于多個(gè)腦結(jié)構(gòu)網(wǎng)絡(luò)模型樣本的腦結(jié)構(gòu)中樞網(wǎng)絡(luò)模型；步驟S5：采用隨機(jī)分塊模型算法，對(duì)腦結(jié)構(gòu)中樞網(wǎng)絡(luò)模型中的連接進(jìn)行可信度計(jì)算；步驟S6：根據(jù)可信度計(jì)算結(jié)果，對(duì)腦結(jié)構(gòu)中樞網(wǎng)絡(luò)模型進(jìn)行重構(gòu)優(yōu)化。與現(xiàn)有腦結(jié)構(gòu)網(wǎng)絡(luò)構(gòu)建方法相比，本發(fā)明所述的一種基于隨機(jī)分塊模型的腦結(jié)構(gòu)網(wǎng)絡(luò)連接優(yōu)化方法通過采用纖維束追蹤算法、符號(hào)檢驗(yàn)方法、隨機(jī)分塊模型算法，實(shí)現(xiàn)了腦結(jié)構(gòu)網(wǎng)絡(luò)的構(gòu)建和重構(gòu)優(yōu)化，其有效消除了數(shù)據(jù)采集環(huán)節(jié)中測(cè)量誤差的影響，由此使得構(gòu)建出的腦結(jié)構(gòu)網(wǎng)絡(luò)可信度更高(如圖1所示，本發(fā)明構(gòu)建出的腦結(jié)構(gòu)網(wǎng)絡(luò)的連接正確率明顯高于現(xiàn)有腦結(jié)構(gòu)網(wǎng)絡(luò)構(gòu)建方法構(gòu)建出的腦結(jié)構(gòu)網(wǎng)絡(luò)的連接正確率)，從而使得應(yīng)用價(jià)值更高。本發(fā)明有效解決了現(xiàn)有腦結(jié)構(gòu)網(wǎng)絡(luò)構(gòu)建方法構(gòu)建出的腦結(jié)構(gòu)網(wǎng)絡(luò)可信度低的問題，適用于腦結(jié)構(gòu)網(wǎng)絡(luò)構(gòu)建。附圖說明圖1是本發(fā)明與現(xiàn)有腦結(jié)構(gòu)網(wǎng)絡(luò)構(gòu)建方法的對(duì)比示意圖。具體實(shí)施方式本實(shí)施以猴腦數(shù)據(jù)為例進(jìn)行說明，所有被試由3T磁共振設(shè)備(SiemensTrio3-TeslaScanner，Siemens，Erlangen，Germany)進(jìn)行磁共振擴(kuò)散加權(quán)掃描，樣本數(shù)為23例，均為成年恒河猴。一種基于隨機(jī)分塊模型的腦結(jié)構(gòu)網(wǎng)絡(luò)連接優(yōu)化方法，該方法是采用如下步驟實(shí)現(xiàn)的：步驟S1：對(duì)磁共振擴(kuò)散加權(quán)影像進(jìn)行預(yù)處理，然后根據(jù)選定的標(biāo)準(zhǔn)化腦圖譜，對(duì)預(yù)處理后的磁共振擴(kuò)散加權(quán)影像進(jìn)行區(qū)域分割；步驟S2：采用纖維束追蹤算法，將預(yù)處理后的磁共振擴(kuò)散加權(quán)影像映射到選定的標(biāo)準(zhǔn)化腦圖譜中，然后根據(jù)纖維束追蹤的結(jié)束條件，計(jì)算兩兩腦區(qū)間的纖維束數(shù)量，由此得到腦區(qū)間的纖維束數(shù)量矩陣；步驟S3：設(shè)定閾值，然后根據(jù)閾值對(duì)腦區(qū)間的纖維束數(shù)量矩陣進(jìn)行二值化處理，由此得到腦結(jié)構(gòu)網(wǎng)絡(luò)模型；步驟S4：采用符號(hào)檢驗(yàn)方法，構(gòu)建基于多個(gè)腦結(jié)構(gòu)網(wǎng)絡(luò)模型樣本的腦結(jié)構(gòu)中樞網(wǎng)絡(luò)模型；步驟S5：采用隨機(jī)分塊模型算法，對(duì)腦結(jié)構(gòu)中樞網(wǎng)絡(luò)模型中的連接進(jìn)行可信度計(jì)算；步驟S6：根據(jù)可信度計(jì)算結(jié)果，對(duì)腦結(jié)構(gòu)中樞網(wǎng)絡(luò)模型進(jìn)行重構(gòu)優(yōu)化。所述步驟S1中，預(yù)處理采用FSL軟件進(jìn)行，預(yù)處理的步驟具體包括：磁化系數(shù)修正、渦流失真修正、頭動(dòng)矯正；標(biāo)準(zhǔn)化腦圖譜采用MERatal14圖譜。所述步驟S2中，纖維束追蹤算法具體包括三種：FACT、2ndorderRK、Tensoline；纖維束追蹤的結(jié)束條件具體包括：1)在纖維束追蹤過程中，若某條纖維束追蹤到達(dá)某一體素時(shí)，該條纖維束的各向異性值FA小于0.1，則該條纖維束的追蹤終止；2)在纖維束追蹤過程中，若某條纖維束追蹤到達(dá)某一體素時(shí)，該條纖維束位于大腦皮層的邊界，則該條纖維束的追蹤終止；3)在纖維束追蹤過程中，若某條纖維束追蹤到達(dá)某一體素時(shí)，該條纖維束的偏轉(zhuǎn)角度大于45°，則該條纖維束的追蹤終止。所述步驟S3中，二值化處理公式具體表示如下：bij=1FNij≥τ0FNij<τ---(1);]]>公式(1)中：bij表示腦結(jié)構(gòu)網(wǎng)絡(luò)模型中第i行第j列的元素；FNij表示纖維束數(shù)量矩陣中第i行第j列的元素；τ表示閾值；腦結(jié)構(gòu)網(wǎng)絡(luò)模型的維度為29×29。所述步驟S4中，構(gòu)建腦結(jié)構(gòu)中樞網(wǎng)絡(luò)模型的步驟具體如下：將多個(gè)腦結(jié)構(gòu)網(wǎng)絡(luò)模型樣本的同一對(duì)腦區(qū)(i,j)的連接組成一個(gè)一維向量L(i,j)，并對(duì)一維向量L(i,j)進(jìn)行符號(hào)檢驗(yàn)，然后根據(jù)一維向量L(i,j)的檢驗(yàn)結(jié)果，構(gòu)建腦結(jié)構(gòu)中樞網(wǎng)絡(luò)模型；構(gòu)建公式具體表示如下：bij=1P≤0.050P>0.05---(2);]]>公式(2)中：bij表示腦結(jié)構(gòu)中樞網(wǎng)絡(luò)模型中第i行第j列的元素；P表示一維向量L(i,j)的檢驗(yàn)結(jié)果；腦結(jié)構(gòu)中樞網(wǎng)絡(luò)模型的維度為29×29。所述步驟S5中，可信度計(jì)算的步驟具體如下：步驟S51：遍歷腦結(jié)構(gòu)中樞網(wǎng)絡(luò)模型中的所有節(jié)點(diǎn)，并對(duì)所有節(jié)點(diǎn)進(jìn)行隨機(jī)分組，然后計(jì)算所有組的組內(nèi)現(xiàn)有連接數(shù)、組內(nèi)最大連接數(shù)、組間現(xiàn)有連接數(shù)、組間最大連接數(shù)；步驟S52：根據(jù)隨機(jī)分組結(jié)果，計(jì)算兩兩節(jié)點(diǎn)間的連接可信度值；計(jì)算的公式具體表示如下：RijL=lσiσj+1rσiσj+2---(3);]]>公式(3)中：表示節(jié)點(diǎn)i與節(jié)點(diǎn)j存在連接的可信度值；表示節(jié)點(diǎn)i所在的組σi與節(jié)點(diǎn)j所在的組σj之間的現(xiàn)有連接數(shù)；表示節(jié)點(diǎn)i所在的組σi與節(jié)點(diǎn)j所在的組σj之間的最大連接數(shù)；步驟S53：根據(jù)隨機(jī)分組結(jié)果，對(duì)所有節(jié)點(diǎn)進(jìn)行重新分組，然后重新計(jì)算所有組的組內(nèi)現(xiàn)有連接數(shù)、組內(nèi)最大連接數(shù)、組間現(xiàn)有連接數(shù)、組間最大連接數(shù)；重新分組的步驟具體如下：隨機(jī)選擇一個(gè)節(jié)點(diǎn)i，并假設(shè)節(jié)點(diǎn)i屬于組α中，然后根據(jù)添加規(guī)則將節(jié)點(diǎn)i添加到隨機(jī)選擇的一個(gè)組β中；添加規(guī)則具體表示如下：DH=ln(rαβ+1)+lnlαβrαβ---(4);]]>公式(4)中：DH表示在某種特定的分組下，組α與組β之間連接數(shù)的關(guān)系；lαβ表示組α與組β中存在連接的連接數(shù)；rαβ表示組α與組β中可以存在的最大的連接數(shù)；若在兩種不同的分組情況下，對(duì)所有組兩兩之間的DH求和，記為∑DH，若兩種分組情況下的差值Δ(∑DH)≤0.0，則將節(jié)點(diǎn)i從組α添加到組β中；步驟S54：計(jì)算所有可能的分組后兩兩節(jié)點(diǎn)間的連接可信度值；計(jì)算公式具體表示如下：RijL=1ZΣp∈P(lσiσj+1rσiσj+2)exp[-H(p)]---(5);]]>H(p)=Σα≤β[ln(rαβ+1)+lnlαβrαβ]---(6);]]>Z=ΣP∈pexp[-H(P)]---(7);]]>公式(5)-(7)中：表示節(jié)點(diǎn)i與節(jié)點(diǎn)j之間的連接可信度值；Z表示在每種分組情況下求得的劃分函數(shù)的總和；p表示某一特定分組；P表示分組空間；表示節(jié)點(diǎn)i所在的組σi與節(jié)點(diǎn)j所在的組σj之間的現(xiàn)有連接數(shù)；表示節(jié)點(diǎn)i所在的組σi與節(jié)點(diǎn)j所在的組σj之間的最大連接數(shù)；H(p)表示進(jìn)行分組的函數(shù)；lαβ表示組α與組β中存在連接的連接數(shù)；rαβ表示組α與組β中可以存在的最大的連接數(shù)。所述步驟S6中，重構(gòu)優(yōu)化的步驟具體如下：步驟S61：將所有可能的分組后兩兩節(jié)點(diǎn)間的連接分為已知連接和未知連接：已知連接為在腦結(jié)構(gòu)中樞網(wǎng)絡(luò)模型中存在的連接，未知連接為在腦結(jié)構(gòu)中樞網(wǎng)絡(luò)模型中不存在的連接；然后將已知連接的可信度值按照降序進(jìn)行排名，同時(shí)將未知連接的可信度值按照升序進(jìn)行排名；步驟S62：設(shè)定閾值ε，然后選定已知連接中可信度值小于閾值ε的連接，并將其從腦結(jié)構(gòu)中樞網(wǎng)絡(luò)模型中移除；步驟S63：設(shè)定閾值μ，然后選定未知連接中可信度值高于閾值μ的連接，并將其添加到腦結(jié)構(gòu)中樞網(wǎng)絡(luò)模型中；步驟S64：計(jì)算腦結(jié)構(gòu)中樞網(wǎng)絡(luò)模型中正確連接的比例，然后根據(jù)計(jì)算結(jié)果對(duì)腦結(jié)構(gòu)中樞網(wǎng)絡(luò)模型進(jìn)行評(píng)價(jià)；計(jì)算公式具體表示如下：accuracy=right_countall_count×100%---(8);]]>公式(8)中：accuracy表示腦結(jié)構(gòu)中樞網(wǎng)絡(luò)模型中正確連接的比例；right_count表示腦結(jié)構(gòu)中樞網(wǎng)絡(luò)模型中正確連接的數(shù)量；all_count表示腦結(jié)構(gòu)中樞網(wǎng)絡(luò)模型中所有連接的數(shù)量。當(dāng)前第1頁1 2 3