一種用于從fMRI數(shù)據(jù)中構(gòu)建腦效應(yīng)連接網(wǎng)絡(luò)的人工免疫方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及fMRI功能磁共振成像數(shù)據(jù)的腦效應(yīng)網(wǎng)絡(luò)構(gòu)建方法，特別是一種基于 人工免疫系統(tǒng)的貝葉斯網(wǎng)結(jié)構(gòu)學(xué)習(xí)方法。
【背景技術(shù)】
[0002] 功能磁共振成像技術(shù)（functionalmageneticresonanceimaging,fMRI)是一種 基于磁共振成像的、非介入的、無創(chuàng)傷且非常有效的腦功能成像技術(shù)。由于它具有可靠的理 論基礎(chǔ)、良好的時(shí)空分辨率等諸多特性，為認(rèn)知神經(jīng)科學(xué)的實(shí)驗(yàn)研究提供了有利條件，同時(shí) 又在病理學(xué)研究方面具有很重要的臨床意義，擁有著廣泛的應(yīng)用前景和重要科學(xué)價(jià)值。特 別是通過分析fMRI數(shù)據(jù)構(gòu)建的腦網(wǎng)絡(luò)，可以幫助了解復(fù)雜的人類大腦的運(yùn)作，并為理解精 神病和神經(jīng)性疾病，如早老性癡呆和帕金森病，精神分裂癥，上癮，和抑郁癥等提供幫助。
[0003] 腦網(wǎng)絡(luò)的研究主要是對腦區(qū)節(jié)點(diǎn)進(jìn)行連接性分析。現(xiàn)階段連接性分析主要包括功 能連接分析和效應(yīng)連接分析。功能連接是空間上遠(yuǎn)離的神經(jīng)生理事件或神經(jīng)單元活動在時(shí) 間上的關(guān)聯(lián)性和統(tǒng)計(jì)依賴性，效應(yīng)連接是指一個(gè)神經(jīng)系統(tǒng)對另一個(gè)神經(jīng)系統(tǒng)直接或間接的 影響，關(guān)注時(shí)間先后的因果效應(yīng)，刻畫了神經(jīng)單元之間相互作用的方向性。由于效應(yīng)連接可 以描述大腦網(wǎng)絡(luò)信息傳輸?shù)姆较蛐?，它已?jīng)成為當(dāng)代認(rèn)知科學(xué)領(lǐng)域的一個(gè)熱門話題。
[0004] 通常對效應(yīng)連接的刻畫需要特定的解析模型，目前已有多種建模方法被提出用來 刻畫腦區(qū)之間的效應(yīng)連接。例如：結(jié)構(gòu)方程建模（structuralequationmodeling,SEM)、 動態(tài)因果模型（dynamiccausalmodeling,DCM)、格蘭杰因果模型（Grangercausality mapping,Granger)、貝葉斯網(wǎng)（BayesianNetwork,BN)等。目前在功能性磁共振成像 (fMRI)技術(shù)的效應(yīng)連接研究中，結(jié)構(gòu)方程模型（SEM)和動態(tài)因果建模（DCM)是模式驅(qū)動方 法，它們依賴于先驗(yàn)知識和特定的假設(shè)，因此不適用于對大腦網(wǎng)絡(luò)進(jìn)行試探性研究。格蘭杰 因果關(guān)系映射方法（Granger)采用向量自回歸模型來構(gòu)建腦區(qū)之間的效應(yīng)連接。向量自回 歸模型（VAR模型）通過VAR系數(shù)矩陣表征時(shí)間對區(qū)域之間連通性的影響，當(dāng)時(shí)間序列的維 數(shù)過高，或者腦區(qū)網(wǎng)絡(luò)過大時(shí)，VAR模型將面臨很大挑戰(zhàn)。而且進(jìn)行格蘭杰因果關(guān)系檢驗(yàn)的 一個(gè)前提條件是時(shí)間序列必須具有平穩(wěn)性，否則可能會出現(xiàn)虛假回歸問題。貝葉斯網(wǎng)方法 (BN)也是一種數(shù)據(jù)驅(qū)動方法，它可以推斷給定條件下隨機(jī)變量的依賴關(guān)系，而且在功能連 接上推斷比較準(zhǔn)確。因此本發(fā)明通過利用貝葉斯網(wǎng)方法的優(yōu)勢，旨在獲得夠好的效應(yīng)連接 網(wǎng)絡(luò)結(jié)構(gòu)。
[0005] 從數(shù)據(jù)集中自動學(xué)習(xí)到貝葉斯網(wǎng)的結(jié)構(gòu)有兩類方法：基于約束滿足的方法和基于 評分搜索的方法?；诩s束滿足的方法（也稱依賴分析或者基于條件獨(dú)立性測試的方法）， BN被看做是變量間的獨(dú)立性關(guān)系的圖結(jié)構(gòu)。該方法先通過計(jì)算節(jié)點(diǎn)間的互信息（Mutual Information,MI)和條件獨(dú)立性測試（ConditionalIndependencetest,CI)來找出數(shù)據(jù) 集D中各個(gè)變量間的條件獨(dú)立性關(guān)系，在尋找和這些條件獨(dú)立性斷言一致的網(wǎng)絡(luò)模型。這 種方法其問題在于，互信息和獨(dú)立性測試的計(jì)算代價(jià)較大，且高階獨(dú)立性測試結(jié)果通常不 是很可靠。另外，在數(shù)據(jù)缺失時(shí)，基于約束滿足的方法并不適用，因?yàn)椴荒軓臄?shù)據(jù)集中直接 求得兩點(diǎn)之間的互信息。基于評分搜索的方法，主要是采用某種評分準(zhǔn)則作為衡量網(wǎng)絡(luò)模 型和給定數(shù)據(jù)集的符合程度，從而找出當(dāng)前評分意義上評分值最高的網(wǎng)絡(luò)模型，即找出后 驗(yàn)概率最大的網(wǎng)絡(luò)。這種方法當(dāng)變量比較多時(shí)，搜索空間很大，一些啟發(fā)式搜索方法易陷入 局部最優(yōu)。本發(fā)明所采用的是一種評分搜索的貝葉斯網(wǎng)結(jié)構(gòu)學(xué)習(xí)方法。通過人工免疫系統(tǒng) 多樣性產(chǎn)生和維持機(jī)制來保持種群的多樣性，克服了一般尋優(yōu)過程易陷入局部最優(yōu)而出現(xiàn) 早熟收斂的問題，獲得高質(zhì)量的網(wǎng)絡(luò)。

【發(fā)明內(nèi)容】

[0006] 針對上述腦效應(yīng)網(wǎng)絡(luò)構(gòu)建方法的不足，本發(fā)明提出一種用于從fMRI數(shù)據(jù)中構(gòu)建 腦效應(yīng)連接網(wǎng)絡(luò)的人工免疫方法。該方法充分利用了貝葉斯網(wǎng)方法的優(yōu)勢，并利用免疫系 統(tǒng)的多樣性產(chǎn)生和維持機(jī)制來保持種群的多樣性，克服了一般尋優(yōu)過程易陷入局部最優(yōu)而 出現(xiàn)早熟收斂的問題，使得最終獲得的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)更加貼近fMRI數(shù)據(jù)所反映的腦效應(yīng) 連接網(wǎng)絡(luò)。
[0007] 實(shí)現(xiàn)本發(fā)明的主要思路是：獲取靜息態(tài)fMRI數(shù)據(jù)；使用SPM8對數(shù)據(jù)進(jìn)行預(yù)處理； 選取與腦網(wǎng)絡(luò)構(gòu)建相關(guān)的感興趣區(qū)域；通過人工免疫系統(tǒng)優(yōu)化貝葉斯網(wǎng)結(jié)構(gòu)學(xué)習(xí)方法，針 對提取的感興趣區(qū)域進(jìn)行腦效應(yīng)連接網(wǎng)絡(luò)的構(gòu)建；對每個(gè)受試者的腦效應(yīng)連接網(wǎng)絡(luò)進(jìn)行分 析，揭示網(wǎng)絡(luò)連接所表示的生物學(xué)意義，使用組分析的方法，構(gòu)建具有一般性的腦效應(yīng)連接 網(wǎng)絡(luò)，反映人腦網(wǎng)絡(luò)連接的普遍性規(guī)律。
[0008] -種用于從fMRI數(shù)據(jù)中構(gòu)建腦效應(yīng)連接網(wǎng)絡(luò)的人工免疫方法包括以下步驟：
[0009](步驟1)實(shí)驗(yàn)設(shè)計(jì)；由于為了揭露人腦連接性的一般性規(guī)律，實(shí)驗(yàn)采用靜息態(tài)實(shí) 驗(yàn)，因?yàn)殪o息態(tài)的數(shù)據(jù)容易采集，且無任何干擾因素容易進(jìn)行比較。
[0010] (步驟2)fMRI數(shù)據(jù)獲??；為了將本方法與現(xiàn)有的腦效應(yīng)連接網(wǎng)絡(luò)構(gòu)建方法進(jìn)行對 比，除了使用對受試者進(jìn)行磁共振掃描所獲的真實(shí)數(shù)據(jù)以外，還選用了一組來自"Network modellingmethodsforFMRI〃(Smithetal.，2011)的仿真數(shù)據(jù)集。因?yàn)檎鎸?shí)的數(shù)據(jù)所構(gòu) 建的網(wǎng)絡(luò)并沒有統(tǒng)一的標(biāo)準(zhǔn)來衡量，所以選用一組的仿真數(shù)據(jù)集來進(jìn)行對比試驗(yàn)，驗(yàn)證本 方法的有效性。
[0011](步驟3)fMRI數(shù)據(jù)預(yù)處理；數(shù)據(jù)預(yù)處理的作用是去除原數(shù)據(jù)的誤差和干擾。數(shù)據(jù) 預(yù)處理首先使用統(tǒng)計(jì)參數(shù)圖軟件包來實(shí)現(xiàn)。為避免磁共振機(jī)器每個(gè)session啟動時(shí)的勻場 效應(yīng)及受試者初入環(huán)境的不適應(yīng)可能對結(jié)果造成一定影響，刪除每個(gè)被試每個(gè)session前 四幅功能圖像，隨后進(jìn)行層間時(shí)間校正、頭動校正（去除頭部三維平移和三維旋轉(zhuǎn)角度過 多的數(shù)據(jù)），然后進(jìn)行空間標(biāo)準(zhǔn)化，（高斯）平滑。
[0012] (步驟4)選取感興趣區(qū)域（R0I);由于fMRI數(shù)據(jù)具有高維的特點(diǎn)，直接使用全腦 時(shí)間序列數(shù)據(jù)，數(shù)據(jù)量會很大。因此，在使用fMRI數(shù)據(jù)時(shí)，通常都需要對圖像進(jìn)行降維。降 維的方法有很多，如平均值代表點(diǎn)法，感興趣區(qū)域（R0I)，腦模板區(qū)域（AV0I)等。R0I與模 板等方法相比，可以自由的選取與自己實(shí)驗(yàn)相關(guān)的大腦區(qū)域，因此可操作性強(qiáng)。選用默認(rèn)網(wǎng) 絡(luò)（DMN)作為感興趣區(qū)域，因?yàn)橥ǔＴ趥€(gè)體清醒靜息的狀態(tài)，不專注于外界時(shí)，默認(rèn)網(wǎng)絡(luò)活 動就很明顯。因此默認(rèn)網(wǎng)絡(luò)作為靜息態(tài)實(shí)驗(yàn)的感興趣區(qū)域會有很好的效果和實(shí)際意義。對 于仿真fMRI數(shù)據(jù)而言，選取了具有10個(gè)感興趣區(qū)域的數(shù)據(jù)集。隨后，繼續(xù)使用SPM軟件， 將所有被試的腦功能影像數(shù)據(jù)映射到選取的感興趣區(qū)域位置，提取每個(gè)腦區(qū)內(nèi)所有體素的 時(shí)間序列，并做平均，獲得每個(gè)腦區(qū)的平均BOLD信號，然后對信號進(jìn)行帶通濾波處理以消 除低頻漂移和高頻噪音的影響，至此圖像數(shù)據(jù)已轉(zhuǎn)化成構(gòu)建網(wǎng)絡(luò)所需要的時(shí)間序列數(shù)據(jù)。
[0013](步驟5)使用人工免疫系統(tǒng)構(gòu)建網(wǎng)絡(luò)；包括以下幾個(gè)步驟：初始化參數(shù)；產(chǎn)生初 始抗體群，隨機(jī)產(chǎn)生n個(gè)抗體并從記憶庫中選取m個(gè)抗體構(gòu)成初始群體；親和度計(jì)算，對 初始種群進(jìn)行親和度計(jì)算，親和度計(jì)算的方法采用K2評分，通過評分的好壞來反映網(wǎng)絡(luò)和 fMRI數(shù)據(jù)匹配的程度；執(zhí)行免疫選擇操作，按照親和度計(jì)算的結(jié)果，選取親和度較高的a個(gè) 抗體；執(zhí)行克隆操作，對之前免疫選擇的a個(gè)抗體進(jìn)行克隆（復(fù)制），克隆的規(guī)模由原抗體 數(shù)和選擇的個(gè)體數(shù)共同決定；執(zhí)行交叉變異操作，通過交叉運(yùn)算，形成新的種群，并對新形 成的種群進(jìn)行變異運(yùn)算（以一定概率隨機(jī)選擇變異位）；執(zhí)行克隆抑制操作，為避免種群的