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)絡的關(guān)鍵路徑搜索方法，屬于生物醫(yī)學信息處理技術(shù)領(lǐng)域。

背景技術(shù)：

大腦作為人體最重要的器官之一，是人類處理認知和情感的高級信息處理系統(tǒng)，對于大腦功能的探討無疑是非常有意義的事情。大腦是由多個神經(jīng)元、神經(jīng)元集群以及多個腦區(qū)相互連接而成的復雜結(jié)構(gòu)網(wǎng)絡，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，許多科研工作者將復雜網(wǎng)絡理論應用在腦科學研究中，利用復雜網(wǎng)絡基本原理結(jié)合統(tǒng)計學的研究方法，對網(wǎng)絡節(jié)點進行統(tǒng)計分析，發(fā)現(xiàn)了許多網(wǎng)絡基本屬性及節(jié)點間潛在拓撲關(guān)系。在腦疾病研究中，復雜網(wǎng)絡結(jié)合統(tǒng)計學的方法也得到了廣泛應用，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)絡均存在不同程度的拓撲屬性異常，這說明腦網(wǎng)絡研究具有臨床應用的價值。相對于解剖結(jié)構(gòu)上存在的神經(jīng)網(wǎng)絡而言，大腦功能網(wǎng)絡是個抽象的網(wǎng)絡，眾多研究結(jié)果表明大腦功能網(wǎng)絡具有小世界屬性和模塊化的組織結(jié)構(gòu)等拓撲屬性。

功能磁共振成像(functionalmagneticresonanceimaging,fmri)是一種新興的神經(jīng)影像學方式，與腦電圖(electroencephalogram,eeg)相比，擁有更好的空間分辨率。近年來，由于fmri的低侵入性、無輻射性及相對較寬泛的可用性，開始在腦科學研究領(lǐng)域廣泛應用。fmri測量的血氧水平依賴(bold)信號是由脫氧血紅蛋白和含氧血紅蛋白的磁化率變化引起的，當某個區(qū)域的神經(jīng)元群體活動時，代謝需求將會提高，會引起局部腦血流量(cbf)和血氧含量的改變。fmri能實時跟蹤信號的改變，比如思維活動或認知實驗中信號的變化。大批的腦科學研究人員已經(jīng)開始從事磁共振功能神經(jīng)成像的研究，并將它應用于認知神經(jīng)科學。靜息態(tài)功能磁共振的方法以其簡單的實驗設計，較高的信噪比，簡單的數(shù)據(jù)處理流程而被廣泛采用。

現(xiàn)實世界中，幾乎所有的復雜系統(tǒng)(比如社會、生物、信息、交通運輸系統(tǒng))都可以自然地表示為網(wǎng)絡。近年來，借助新興無創(chuàng)的fmri成像技術(shù)，腦科學迎來了一個發(fā)展的高峰。實際上，腦功能有兩個基本組織原則，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，并形成具有一定獨立功能的單元，大腦神經(jīng)連接網(wǎng)絡的聚類系數(shù)可以反映這一特征)和功能性整合(空間遠離的神經(jīng)元彼此之間連接的概率較低，大腦神經(jīng)連接網(wǎng)絡的特征路徑長度可以反映這一特征)相對應。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，少量長的軸突投射已足以使腦神經(jīng)網(wǎng)絡具有小的特征路徑長度，從而使大腦達到整體協(xié)作又局部專注的經(jīng)濟的工作模式。

大腦是人的神經(jīng)感覺中樞，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)點統(tǒng)計特性的做法，從網(wǎng)絡整體的角度對腦功能網(wǎng)絡進行分析，揭示網(wǎng)絡中結(jié)構(gòu)和功能之間的潛在關(guān)系。

技術(shù)實現(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)絡的關(guān)鍵路徑搜索方法。

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

對磁共振設備采集到的大腦圖像進行讀取和格式轉(zhuǎn)換；再進行時間矯正、頭動矯正、配準、分割結(jié)構(gòu)像、空間標準化、平滑等預處理；最后進行低頻濾波，降低低頻漂移及高頻的生物噪音。

進一步，選定一種標準化大腦分區(qū)模板(如aal分區(qū)模板、brodmann分區(qū)模板等)與預處理后的核磁圖像進行匹配，劃分圖像為p個大腦區(qū)域，每個腦區(qū)分別對應腦功能網(wǎng)絡中的一個節(jié)點。

進一步，計算磁共振圖像中每個腦區(qū)所有體素的時間序列平均值，提取不同標準分區(qū)對應的時間序列，通過多元線性回歸分析去除一些由頭動及全局信號造成的偽差異。

進一步，對一組實驗對象的時間序列進行單樣本t檢驗，用得到的組分析結(jié)果表示腦功能網(wǎng)絡中所有節(jié)點的值，進而計算兩兩腦區(qū)間的相關(guān)系數(shù)，得到一個歸一化的時間序列相關(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)絡節(jié)點i到節(jié)點j的權(quán)值向量初始值。

進一步，定義路徑w＝(w¹,w²,...,w^p)，其中w¹,w²,...,w^p代表p個節(jié)點的編號，w表示從節(jié)點w¹出發(fā)依次經(jīng)過節(jié)點w²,...,w^p的路徑，定義路徑的優(yōu)化度f(i)為路徑內(nèi)所有權(quán)值向量和的倒數(shù)。

進一步，定義一個二維矩陣u來記錄路徑編號和路徑優(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個群體y¹,y²,...,y^m，每個群體中包含n條路徑，同時滿足n＝m×n。

進一步，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。一個或多個調(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。

進一步，路徑間的差異是路徑之間的調(diào)整序，子群體內(nèi)訓練方程為：

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)整因子的個數(shù)，lmax表示允許選用的最大調(diào)整因子個數(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。

進一步，當子群體內(nèi)的路徑優(yōu)化度的差值小于閥值時，則跳到下一步，否則，子群體重復進行最差路徑優(yōu)化。對各個子群內(nèi)的路徑進行過局部優(yōu)化之后，將所有路徑重新混合在一起，進行路徑去重操作。

進一步，按照一定的概率對每個單獨的路徑進行局部隨機更新操作。路徑隨機更新優(yōu)化操作如下：對每條單獨的路徑w，隨機選擇一個節(jié)點wⁱ，與節(jié)點wⁱ左右連接的節(jié)點分別表示為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w^j

其中，reverse(wⁱ,w^j)表示將節(jié)點wⁱ和節(jié)點w^j之間的所有節(jié)點(包括節(jié)點wⁱ和節(jié)點w^j)進行倒位逆序排列。sum(wⁱ,w^j)表示節(jié)點wⁱ和節(jié)點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(i)優(yōu)于原路徑w的路徑優(yōu)化度，則用w'取代w，重新計算路徑優(yōu)化度。

進一步，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，重新進行子群體的劃分，對路徑的優(yōu)化度進行再優(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)絡的關(guān)鍵路徑搜索方法，從網(wǎng)絡整體的角度對腦功能網(wǎng)絡進行分析，揭示網(wǎng)絡中結(jié)構(gòu)和功能之間的潛在關(guān)系，彌補傳統(tǒng)方法中對腦網(wǎng)絡整體屬性描述不足。

附圖說明

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

具體實施方式

下面結(jié)合附圖和具體實施實例對本發(fā)明作進一步的說明。

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

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

(2)選定一種標準化大腦分區(qū)模板(如aal分區(qū)模板、brodmann分區(qū)模板等)與預處理后的核磁圖像進行匹配，劃分圖像為p個大腦區(qū)域，每個腦區(qū)分別對應腦功能網(wǎng)絡中的一個節(jié)點。在本實例中，將人腦依據(jù)aal(anatomicalautomaticlabeling)模板劃分為90個(左右半腦各45個)腦區(qū)，90個腦區(qū)分別表示大腦功能網(wǎng)絡中的90個節(jié)點。

(3)計算磁共振圖像中每個腦區(qū)所有體素的時間序腦區(qū)，列平均值，提取不同標準分區(qū)對應的時間序列，通過多元線性回歸分析去除一些由頭動及全局信號造成的偽差異。

(4)對一組實驗對象的時間序列進行單樣本t檢驗，用得到的組分析結(jié)果表示腦功能網(wǎng)絡中所有節(jié)點的值，進而計算兩兩腦區(qū)間的相關(guān)系數(shù)，得到一個歸一化的時間序列相關(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)絡節(jié)點i到節(jié)點j的權(quán)值向量初始值。本實例中，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個節(jié)點的編號，w表示從節(jié)點w¹出發(fā)依次經(jīng)過節(jié)點w²,...,w^p的路徑，定義路徑的優(yōu)化度f(i)為路徑內(nèi)所有權(quán)值向量和的倒數(shù)。

(6)定義一個二維矩陣u來記錄路徑編號和路徑優(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個群體y¹,y²,...,y^m，每個群體中包含n條路徑，同時滿足n＝m×n。本實例中，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。一個或多個調(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)整因子的個數(shù)，lmax表示允許選用的最大調(diào)整因子個數(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)當子群體內(nèi)的路徑優(yōu)化度的差值小于閥值時，則跳到下一步，否則，子群體重復進行最差路徑優(yōu)化。對各個子群內(nèi)的路徑進行過局部優(yōu)化之后，將所有路徑重新混合在一起，進行路徑去重操作。

(10)按照一定的概率對每個單獨的路徑進行局部隨機更新操作。路徑隨機更新優(yōu)化操作如下：對每條單獨的路徑w，隨機選擇一個節(jié)點wⁱ，與節(jié)點wⁱ左右連接的節(jié)點分別表示為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w^j

其中，reverse(wⁱ,w^j)表示將節(jié)點wⁱ和節(jié)點w^j之間的所有節(jié)點(包括節(jié)點wⁱ和節(jié)點w^j)進行倒位逆序排列。sum(wⁱ,w^j)表示節(jié)點wⁱ和節(jié)點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(i)優(yōu)于原路徑w的路徑優(yōu)化度，則用w'取代w，重新計算路徑優(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、等同替換和局部補充等，均應包含在本發(fā)明的保護范圍之內(nèi)。