本發(fā)明涉及一種大腦功能連接的分析方法，具體是一種大腦功能網(wǎng)絡(luò)的關(guān)鍵路徑搜索方法，屬于生物醫(yī)學(xué)信息處理技術(shù)領(lǐng)域。

背景技術(shù)：

大腦作為人體最重要的器官之一，是人類處理認(rèn)知和情感的高級(jí)信息處理系統(tǒng)，對(duì)于大腦功能的探討無(wú)疑是非常有意義的事情。大腦是由多個(gè)神經(jīng)元、神經(jīng)元集群以及多個(gè)腦區(qū)相互連接而成的復(fù)雜結(jié)構(gòu)網(wǎng)絡(luò)，各部分之間的神經(jīng)元相互配合完成腦的各種功能。近年來(lái)，許多科研工作者將復(fù)雜網(wǎng)絡(luò)理論應(yīng)用在腦科學(xué)研究中，利用復(fù)雜網(wǎng)絡(luò)基本原理結(jié)合統(tǒng)計(jì)學(xué)的研究方法，對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行統(tǒng)計(jì)分析，發(fā)現(xiàn)了許多網(wǎng)絡(luò)基本屬性及節(jié)點(diǎn)間潛在拓?fù)潢P(guān)系。在腦疾病研究中，復(fù)雜網(wǎng)絡(luò)結(jié)合統(tǒng)計(jì)學(xué)的方法也得到了廣泛應(yīng)用，并取得了很多重要的結(jié)論。研究結(jié)果表明，各種腦疾病患者的腦網(wǎng)絡(luò)均存在不同程度的拓?fù)鋵傩援惓?，這說(shuō)明腦網(wǎng)絡(luò)研究具有臨床應(yīng)用的價(jià)值。相對(duì)于解剖結(jié)構(gòu)上存在的神經(jīng)網(wǎng)絡(luò)而言，大腦功能網(wǎng)絡(luò)是個(gè)抽象的網(wǎng)絡(luò)，眾多研究結(jié)果表明大腦功能網(wǎng)絡(luò)具有小世界屬性和模塊化的組織結(jié)構(gòu)等拓?fù)鋵傩浴?/p>

功能磁共振成像(functionalmagneticresonanceimaging,fmri)是一種新興的神經(jīng)影像學(xué)方式，與腦電圖(electroencephalogram,eeg)相比，擁有更好的空間分辨率。近年來(lái)，由于fmri的低侵入性、無(wú)輻射性及相對(duì)較寬泛的可用性，開(kāi)始在腦科學(xué)研究領(lǐng)域廣泛應(yīng)用。fmri測(cè)量的血氧水平依賴(bold)信號(hào)是由脫氧血紅蛋白和含氧血紅蛋白的磁化率變化引起的，當(dāng)某個(gè)區(qū)域的神經(jīng)元群體活動(dòng)時(shí)，代謝需求將會(huì)提高，會(huì)引起局部腦血流量(cbf)和血氧含量的改變。fmri能實(shí)時(shí)跟蹤信號(hào)的改變，比如思維活動(dòng)或認(rèn)知實(shí)驗(yàn)中信號(hào)的變化。大批的腦科學(xué)研究人員已經(jīng)開(kāi)始從事磁共振功能神經(jīng)成像的研究，并將它應(yīng)用于認(rèn)知神經(jīng)科學(xué)。靜息態(tài)功能磁共振的方法以其簡(jiǎn)單的實(shí)驗(yàn)設(shè)計(jì)，較高的信噪比，簡(jiǎn)單的數(shù)據(jù)處理流程而被廣泛采用。

現(xiàn)實(shí)世界中，幾乎所有的復(fù)雜系統(tǒng)(比如社會(huì)、生物、信息、交通運(yùn)輸系統(tǒng))都可以自然地表示為網(wǎng)絡(luò)。近年來(lái)，借助新興無(wú)創(chuàng)的fmri成像技術(shù)，腦科學(xué)迎來(lái)了一個(gè)發(fā)展的高峰。實(shí)際上，腦功能有兩個(gè)基本組織原則，即功能性分化(空間距離鄰近的神經(jīng)元彼此之間連接的概率較高，并形成具有一定獨(dú)立功能的單元，大腦神經(jīng)連接網(wǎng)絡(luò)的聚類系數(shù)可以反映這一特征)和功能性整合(空間遠(yuǎn)離的神經(jīng)元彼此之間連接的概率較低，大腦神經(jīng)連接網(wǎng)絡(luò)的特征路徑長(zhǎng)度可以反映這一特征)相對(duì)應(yīng)。因此大腦不同功能單元之間的神經(jīng)元連接不如單元之內(nèi)的神經(jīng)元連接多，少量長(zhǎng)的軸突投射已足以使腦神經(jīng)網(wǎng)絡(luò)具有小的特征路徑長(zhǎng)度，從而使大腦達(dá)到整體協(xié)作又局部專注的經(jīng)濟(jì)的工作模式。

大腦是人的神經(jīng)感覺(jué)中樞，傳統(tǒng)研究方法僅關(guān)注不同功能區(qū)域間的相關(guān)性，本發(fā)明可克服以往孤立研究節(jié)點(diǎn)統(tǒng)計(jì)特性的做法，從網(wǎng)絡(luò)整體的角度對(duì)腦功能網(wǎng)絡(luò)進(jìn)行分析，揭示網(wǎng)絡(luò)中結(jié)構(gòu)和功能之間的潛在關(guān)系。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種大腦功能網(wǎng)絡(luò)的關(guān)鍵路徑搜索方法。

為了解決背景技術(shù)所存在的問(wèn)題，本發(fā)明采用以下技術(shù)方案：

對(duì)磁共振設(shè)備采集到的大腦圖像進(jìn)行讀取和格式轉(zhuǎn)換；再進(jìn)行時(shí)間矯正、頭動(dòng)矯正、配準(zhǔn)、分割結(jié)構(gòu)像、空間標(biāo)準(zhǔn)化、平滑等預(yù)處理；最后進(jìn)行低頻濾波，降低低頻漂移及高頻的生物噪音。

進(jìn)一步，選定一種標(biāo)準(zhǔn)化大腦分區(qū)模板(如aal分區(qū)模板、brodmann分區(qū)模板等)與預(yù)處理后的核磁圖像進(jìn)行匹配，劃分圖像為p個(gè)大腦區(qū)域，每個(gè)腦區(qū)分別對(duì)應(yīng)腦功能網(wǎng)絡(luò)中的一個(gè)節(jié)點(diǎn)。

進(jìn)一步，計(jì)算磁共振圖像中每個(gè)腦區(qū)所有體素的時(shí)間序列平均值，提取不同標(biāo)準(zhǔn)分區(qū)對(duì)應(yīng)的時(shí)間序列，通過(guò)多元線性回歸分析去除一些由頭動(dòng)及全局信號(hào)造成的偽差異。

進(jìn)一步，對(duì)一組實(shí)驗(yàn)對(duì)象的時(shí)間序列進(jìn)行單樣本t檢驗(yàn)，用得到的組分析結(jié)果表示腦功能網(wǎng)絡(luò)中所有節(jié)點(diǎn)的值，進(jìn)而計(jì)算兩兩腦區(qū)間的相關(guān)系數(shù)，得到一個(gè)歸一化的時(shí)間序列相關(guān)系數(shù)矩陣r^p×p，將相關(guān)系數(shù)矩陣r中元素rij(i,j＝1,2,...,p)作為連接大腦功能網(wǎng)絡(luò)節(jié)點(diǎn)i到節(jié)點(diǎn)j的權(quán)值向量初始值。

進(jìn)一步，定義路徑w＝(w¹,w²,...,w^p)，其中w¹,w²,...,w^p代表p個(gè)節(jié)點(diǎn)的編號(hào)，w表示從節(jié)點(diǎn)w¹出發(fā)依次經(jīng)過(guò)節(jié)點(diǎn)w²,...,w^p的路徑，定義路徑的優(yōu)化度f(wàn)(i)為路徑內(nèi)所有權(quán)值向量和的倒數(shù)。

進(jìn)一步，定義一個(gè)二維矩陣u來(lái)記錄路徑編號(hào)和路徑優(yōu)化度的關(guān)系，u＝{w(i),f(i),i＝1,...,n}，n表示所有路徑的數(shù)目。按u中的優(yōu)化度降序排列結(jié)果將所有的路徑分成m個(gè)群體y¹,y²,...,y^m，每個(gè)群體中包含n條路徑，同時(shí)滿足n＝m×n。

進(jìn)一步，定義調(diào)整因子insert(i1,i2)為將w＝(wⁱ),i＝1,2,...,p中的插入到位置之前。一個(gè)或多個(gè)調(diào)整因子的有序排列就是調(diào)整序列，記作

insertlist,insertlist＝(insert1,insert2,…,insertt)(1)

其中，insert1,insert2,…,insertt是調(diào)整因子。

進(jìn)一步，路徑間的差異是路徑之間的調(diào)整序，子群體內(nèi)訓(xùn)練方程為：

l＝min{int[randlength(insertlist)],lmax}(2)

s＝{(inserti)|inserti∈insertlist,i＝1,2,…,l}(3)

wq＝ww+s(4)

其中，length(insertlist)表示調(diào)整序列中全部調(diào)整因子的個(gè)數(shù)，lmax表示允許選用的最大調(diào)整因子個(gè)數(shù)，s表示更新ww的調(diào)整序，ww為子群體內(nèi)路徑優(yōu)化度最差的路徑。

進(jìn)一步，當(dāng)子群體內(nèi)的路徑優(yōu)化度的差值小于閥值時(shí)，則跳到下一步，否則，子群體重復(fù)進(jìn)行最差路徑優(yōu)化。對(duì)各個(gè)子群內(nèi)的路徑進(jìn)行過(guò)局部?jī)?yōu)化之后，將所有路徑重新混合在一起，進(jìn)行路徑去重操作。

進(jìn)一步，按照一定的概率對(duì)每個(gè)單獨(dú)的路徑進(jìn)行局部隨機(jī)更新操作。路徑隨機(jī)更新優(yōu)化操作如下：對(duì)每條單獨(dú)的路徑w，隨機(jī)選擇一個(gè)節(jié)點(diǎn)wⁱ，與節(jié)點(diǎn)wⁱ左右連接的節(jié)點(diǎn)分別表示為w^i-1，wⁱ⁺¹，然后選擇除了wⁱ、w^i-1、wⁱ⁺¹以外的距離wⁱ最近的節(jié)點(diǎn)w^j

其中，reverse(wⁱ,w^j)表示將節(jié)點(diǎn)wⁱ和節(jié)點(diǎn)w^j之間的所有節(jié)點(diǎn)(包括節(jié)點(diǎn)wⁱ和節(jié)點(diǎn)w^j)進(jìn)行倒位逆序排列。sum(wⁱ,w^j)表示節(jié)點(diǎn)wⁱ和節(jié)點(diǎn)w^j之間路徑的權(quán)值和。如果新的路徑w'路徑優(yōu)化度f(wàn)(i)優(yōu)于原路徑w的路徑優(yōu)化度，則用w'取代w，重新計(jì)算路徑優(yōu)化度。

進(jìn)一步，如果全部路徑最大優(yōu)化度和最差優(yōu)化度的差值小于一個(gè)確定的閥值ε，則算法收斂，停止迭代，輸出優(yōu)化度最大的路徑，即關(guān)鍵路徑。否則，重新進(jìn)行子群體的劃分，對(duì)路徑的優(yōu)化度進(jìn)行再優(yōu)化。

采用上述技術(shù)方案后，本發(fā)明的有益技術(shù)效果是：本發(fā)明提供的大腦功能網(wǎng)絡(luò)的關(guān)鍵路徑搜索方法，從網(wǎng)絡(luò)整體的角度對(duì)腦功能網(wǎng)絡(luò)進(jìn)行分析，揭示網(wǎng)絡(luò)中結(jié)構(gòu)和功能之間的潛在關(guān)系，彌補(bǔ)傳統(tǒng)方法中對(duì)腦網(wǎng)絡(luò)整體屬性描述不足。

附圖說(shuō)明

圖1是本發(fā)明一種大腦功能網(wǎng)絡(luò)的關(guān)鍵路徑搜索方法的實(shí)施流程圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施實(shí)例對(duì)本發(fā)明作進(jìn)一步的說(shuō)明。

如圖1所示，一種大腦功能網(wǎng)絡(luò)的關(guān)鍵路徑搜索方法的具體實(shí)施實(shí)例包括以下步驟：

(1)在本實(shí)例中，采用15例被試(8男+7女)的靜息態(tài)磁共振掃描數(shù)據(jù)。對(duì)磁共振設(shè)備采集到的大腦圖像進(jìn)行讀取和格式轉(zhuǎn)換；再進(jìn)行時(shí)間矯正、頭動(dòng)矯正、配準(zhǔn)、分割結(jié)構(gòu)像、空間標(biāo)準(zhǔn)化、平滑等預(yù)處理；最后進(jìn)行低頻濾波，降低低頻漂移及高頻的生物噪音；本實(shí)例中，低頻濾波范圍為0.01～0.08hz。

(2)選定一種標(biāo)準(zhǔn)化大腦分區(qū)模板(如aal分區(qū)模板、brodmann分區(qū)模板等)與預(yù)處理后的核磁圖像進(jìn)行匹配，劃分圖像為p個(gè)大腦區(qū)域，每個(gè)腦區(qū)分別對(duì)應(yīng)腦功能網(wǎng)絡(luò)中的一個(gè)節(jié)點(diǎn)。在本實(shí)例中，將人腦依據(jù)aal(anatomicalautomaticlabeling)模板劃分為90個(gè)(左右半腦各45個(gè))腦區(qū)，90個(gè)腦區(qū)分別表示大腦功能網(wǎng)絡(luò)中的90個(gè)節(jié)點(diǎn)。

(3)計(jì)算磁共振圖像中每個(gè)腦區(qū)所有體素的時(shí)間序腦區(qū)，列平均值，提取不同標(biāo)準(zhǔn)分區(qū)對(duì)應(yīng)的時(shí)間序列，通過(guò)多元線性回歸分析去除一些由頭動(dòng)及全局信號(hào)造成的偽差異。

(4)對(duì)一組實(shí)驗(yàn)對(duì)象的時(shí)間序列進(jìn)行單樣本t檢驗(yàn)，用得到的組分析結(jié)果表示腦功能網(wǎng)絡(luò)中所有節(jié)點(diǎn)的值，進(jìn)而計(jì)算兩兩腦區(qū)間的相關(guān)系數(shù)，得到一個(gè)歸一化的時(shí)間序列相關(guān)系數(shù)矩陣r^p×p，將相關(guān)系數(shù)矩陣r中元素rij(i,j＝1,2,...,p)作為連接大腦功能網(wǎng)絡(luò)節(jié)點(diǎn)i到節(jié)點(diǎn)j的權(quán)值向量初始值。本實(shí)例中，采用pearson相關(guān)系數(shù)。

(5)定義路徑w＝(w¹,w²,...,w^p)，其中w¹,w²,...,w^p代表p個(gè)節(jié)點(diǎn)的編號(hào)，w表示從節(jié)點(diǎn)w¹出發(fā)依次經(jīng)過(guò)節(jié)點(diǎn)w²,...,w^p的路徑，定義路徑的優(yōu)化度f(wàn)(i)為路徑內(nèi)所有權(quán)值向量和的倒數(shù)。

(6)定義一個(gè)二維矩陣u來(lái)記錄路徑編號(hào)和路徑優(yōu)化度的關(guān)系，u＝{w(i),f(i),i＝1,...,n}，n表示所有路徑的數(shù)目。按u中的優(yōu)化度降序排列結(jié)果將所有的路徑分成m個(gè)群體y¹,y²,...,y^m，每個(gè)群體中包含n條路徑，同時(shí)滿足n＝m×n。本實(shí)例中，有效路徑總數(shù)n＝184，取m＝8,n＝23。

(7)定義調(diào)整因子insert(i1,i2)為將w＝(wⁱ),i＝1,2,...,p中的插入到位置之前。一個(gè)或多個(gè)調(diào)整因子的有序排列就是調(diào)整序列，記作

insertlist,insertlist＝(insert1,insert2,…,insertt)(1)

其中，insert1,insert2,…,insertt是調(diào)整因子。

(8)路徑間的差異是路徑之間的調(diào)整序，子群體內(nèi)訓(xùn)練方程為：

l＝min{int[randlength(insertlist)],lmax}(2)

s＝{(inserti)|inserti∈insertlist,i＝1,2,…,l}(3)

wq＝ww+s(4)

其中，length(insertlist)表示調(diào)整序列中全部調(diào)整因子的個(gè)數(shù)，lmax表示允許選用的最大調(diào)整因子個(gè)數(shù)，s表示更新ww的調(diào)整序，ww為子群體內(nèi)路徑優(yōu)化度最差的路徑。

(9)當(dāng)子群體內(nèi)的路徑優(yōu)化度的差值小于閥值時(shí)，則跳到下一步，否則，子群體重復(fù)進(jìn)行最差路徑優(yōu)化。對(duì)各個(gè)子群內(nèi)的路徑進(jìn)行過(guò)局部?jī)?yōu)化之后，將所有路徑重新混合在一起，進(jìn)行路徑去重操作。

(10)按照一定的概率對(duì)每個(gè)單獨(dú)的路徑進(jìn)行局部隨機(jī)更新操作。路徑隨機(jī)更新優(yōu)化操作如下：對(duì)每條單獨(dú)的路徑w，隨機(jī)選擇一個(gè)節(jié)點(diǎn)wⁱ，與節(jié)點(diǎn)wⁱ左右連接的節(jié)點(diǎn)分別表示為w^i-1，wⁱ⁺¹，然后選擇除了wⁱ、w^i-1、wⁱ⁺¹以外的距離wⁱ最近的節(jié)點(diǎn)w^j

其中，reverse(wⁱ,w^j)表示將節(jié)點(diǎn)wⁱ和節(jié)點(diǎn)w^j之間的所有節(jié)點(diǎn)(包括節(jié)點(diǎn)wⁱ和節(jié)點(diǎn)w^j)進(jìn)行倒位逆序排列。sum(wⁱ,w^j)表示節(jié)點(diǎn)wⁱ和節(jié)點(diǎn)w^j之間路徑的權(quán)值和。如果新的路徑w'路徑優(yōu)化度f(wàn)(i)優(yōu)于原路徑w的路徑優(yōu)化度，則用w'取代w，重新計(jì)算路徑優(yōu)化度。

(11)如果全部路徑最大優(yōu)化度和最差優(yōu)化度的差值小于一個(gè)確定的閥值ε，則算法收斂，停止迭代，輸出優(yōu)化度最大的路徑，即關(guān)鍵路徑。否則，返回步驟(6)。本實(shí)例中，ε＝0.4，能夠?qū)崿F(xiàn)關(guān)鍵路徑的查找。

以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和局部補(bǔ)充等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。