一种融合结构连接的各脑区间的效能连接分析方法

摘要

一种融合结构连接的各脑区间的效能连接分析方法，步骤是提取并分析感兴趣区的大脑结构网络，并将得到的结构信息转换到效能连接参数的先验概率分布空间；然后建立基于变分贝叶斯框架的效能连接模型；最后通过集成学和EM算法，求取各脑区间的效能连接。本发明相对于其他方法具有以下优点：1、通过转换模型将结构连接映射到效能连接参数的先验概率空间，并在后续的集成学中优化模型参数，使得结构连接和效能连接的关系得到真实的反映；2、结合了结构连接信息，使得脑活动分析的结果更加可靠，而且便于对个体进行实际情况的探讨。

主权项

1.一种融合结构连接的各脑区间的效能连接分析方法，其特征在于步骤包括：1)首先利用弥散张量磁共振成像DTI数据进行全脑的神经纤维追踪，并建立整个大脑的结构连接网络；另外，对采集得到的脑磁图MEG信号进行3D源重建；2)根据需要分析的感兴趣区域提取出所述连接网络中的主干网络，并将主干网络转化为图；设主干网络中的任意感兴趣脑区为i，主干网络中的每个感兴趣区ROI(i)均视为一个节点i，节点i代表的感兴趣区域的皮层面积为S(i)；主干网络中连接两个脑区i和j的神经纤维ROI(i)和ROI(j)对应于连接节点i和j的边E(i，j)，边的长度和权重分别为和其中，E_f为连接节点i和j的所有纤维，l_f为这些纤维的长度，N_f为神经纤维的数目；所以l为连接两区域的所有神经纤维的平均长度，w反映的是两区域的连接密度；3)对所得的各个感兴趣区的结构信息进行归一化，并转换到效能连接的先验概率分布空间，转换模型为：${\Sigma }_{\mathrm{ij}}=\frac{{\Sigma }_0}{1+{\Sigma }_0{e}^{a-{\mathrm{bs}}_{\mathrm{ij}}}}={\alpha }_{\mathrm{ij}}^{-1}={\alpha }_0+e^{a-{\mathrm{bs}}_{\mathrm{ij}}};$所述结构信息指的是所述边的长度和权重，对应于连接感兴趣区的神经纤维的长度和密度；任意脑区i和j之间的效能连接服从高斯分布N(0，∑_ij)，s_ij为归一化后的结构连接信息，∑₀、a、b为模型的可调节参数；4)基于变分贝叶斯框架的效能连接模型为Y＝XW+E，模型Y中，W对应表示脑区间的效能连接参数矩阵，该矩阵W为自回归系数参数矩阵；E是均值为零、精度矩阵为Λ的高斯噪声，且Λ～Γ(b，c)；X，Y为经过3D源重建后的感兴趣区域信号，对于给定的数据集D＝{X，Y}有：$p\left(D\right|W,\Lambda )={\left(2\pi \right)}^{-\mathrm{dN}/2}{\left|\Lambda \right|}^2{e}^{-\frac{1}{2}\mathrm{Tr}\left(\Lambda E_D\left(W\right)\right)};$为了便于模型Y的分析，将W拉长为向量w，w的分布如下：$p\left(w\right|\left\{{\alpha }_k\right\})=\underset{k=1}{\overset{n}{\Pi }}{\left(\frac{{\alpha }_k}{2\pi }\right)}^{1/2}{e}^{-{\alpha }_k{E}_k\left(w\right)};$其中，d为脑区信号的个数，N为脑区信号序列的长度，w为矩阵W拉伸的向量，n为效能连接参数的个数，$E_k\left(w\right)=\frac{1}{2}{w}^T{I}_{k}w;$所述参数w、Λ和α服从高斯分布N(0，∑_ij)；5)通过集成学习方法和最大期望EM算法，求取各脑区间的效能连接Y。