一种无超参数的大脑功能连接网络学习方法技术

本发明专利技术公开了一种无超参数的大脑功能连接网络学习方法，主要步骤为：对功能磁共振仪器输出的大脑功能图像数据进行预处理；将预处理后的大脑功能图像按照标准模板分为若干脑区；基于提出的无超参数模型计算各个脑区之间的连接权重；将提出的无超参数模型等同地转化成凸二次规划问题，从而求得最优的功能连接网络。该方法不仅能够估计大脑中各脑区之间的功能交互，而且有效地规避了传统方法中涉及的最优参数选择难题，更能够自动地获得稀疏的功能连接网络。连接网络。连接网络。

【技术实现步骤摘要】
一种无超参数的大脑功能连接网络学习方法


[0001]本专利技术涉及生物医学信息处理
，具体是一种无超参数的大脑功能连接网络学习方法。

技术介绍

[0002]阿尔茨海默症是一种严重的中枢神经系统退行性疾病，多发病于老年人，病情缓慢且不可逆，临床上以进行性认知功能衰退为主；自闭症则归因于神经系统失调导致的发育障碍，从幼儿时期便表现出人际关系与语言交流障碍等明显特征。这两种脑疾病不仅严重影响患者的生活质量，而且给家庭及社会带来巨大的经济负担。因此，对此类脑疾病进行早期诊断、及时干预和治疗是临床的一大挑战。
[0003]近年来，基于血液氧合水平的静息态功能磁共振成像技术(functional Magnetic Resonance Imaging，fMRI)为神经疾病的研究提供了一种非侵入式的手段。然而，基于该成像方式得到的信号是相对且非定量的，简单地比较不同被试之间的信号强度没有意义。相比之下，大脑的功能连接网络不仅能定量地刻画血液氧合水平(bold
‑
oxygen
‑
level
‑
dependent，BOLD)信号之间的依赖关系，更为探索被试大脑内部的工作机制提供了一种可靠的媒介。
[0004]从数学角度而言，大脑的功能连接网络中的每个节点对应一个感兴趣的脑区，每条边对应两个脑区之间的交互关系。为了估计功能连接网络中的边，研究者已经提出许多不同的方法，其中包含皮尔逊相关系数，稀疏表示，动态时间翘曲距离以及动态因果模型。最近的一篇文章指出二阶方法相比于高阶的方法更有效，因而我们仅将皮尔逊相关系数(Pearson
’
s correlationcoefficient，PC)和稀疏表示(sparse representation,SR)作为基线方法。
[0005]迄今为止，PC已成为众多计算交互关系方法中最具代表性的统计方法，但由于其对于脑区之间的直接与间接关系都很敏感，往往导致构建的功能连接网络出现大量冗余的连接。为了消除这些冗余的连接，一种常用的策略则是选择合适的阈值去稀疏化基于PC的功能连接网络。然而，这种策略往往会存在两个主要弊端，其一则是最优阈值如何选择的问题，其二则会造成不同被试之间的连接密度不同，从而导致患者与正常人之间存在统计学偏差。尽管目前已有方案针对上述问题进行改进，但基于PC方法的阈值参数选择仍然是一个难题。
[0006]偏相关作为一种替代的方法，通过消除(比如回归掉)其它脑区的干扰，往往能获得更可靠的脑连接模式，但存在协方差矩阵(近似)奇异等局限性。因此，l1正则化项通常被引入功能连接网络的学习模型中，一方面解决协方差矩阵的奇异性问题，另一面可融入或编码功能连接网络的先验拓扑属性(如稀疏性)。基于这种思想，Lee等基于SR，将脑连接网络的稀疏先验以正则化项的形式嵌入到模型中。然而，类似于PC中的阈值策略，对于SR模型而言，仍然存在确定最优正则化参数的问题。
[0007]为了规避参数选择的问题，在本专利技术中，我们提出了新颖的无超参数功能连接网
络学习模型。不同于基于PC和SR的方法，需要选择最优的阈值或正则化参数去稀疏化功能连接网络，提出的方法不仅规避了最优参数选择的难题，而且能够自动获得稀疏的功能连接网络，有效地降低了计算复杂度。

技术实现思路

[0008]本专利技术目的在于规避传统方法中最优参数选择的难题，提供一种基于无超参数的大脑功能连接网络学习方法。
[0009]为了规避
技术介绍
所存在的问题，本专利技术采用以下技术方案：
[0010]对于功能磁共振设备采集到的大脑功能图像进行如下预处理：去除磁共振图像的前p个时间点；对于图像进行头动和时间层矫正；去除由心室、白质信号和头动高阶效应产生的影响；校正后的图像配准到标准空间；对被试图像进行空间光滑和时间带通滤波。
[0011]基于一种标准化的大脑分区模板，对于被试大脑进行分区，并提取每个脑区的平均时间序列，且提取的时间序列表示为X＝[x1，x2，
…
，x
i
，
…
，x
n
]∈R
t
×
n
，其中x
i
∈R
t
表示第i个节点的时间序列，t表示时间序列中时间的个数，n表示节点的数量。
[0012]进一步，对实验对象的时间序列利用无超参数模型计算两两脑区间的连接权重，得到一个时间序列的连接权重矩阵W∈R
n
×
n
，将连接权重矩阵W中元素作为连接大脑功能连接网络节点i到节点j的权重元素。
[0013]进一步，定义无超参数模型如下所示：
[0014][0015][0016][0017]其中，约束是为避免得到退化解定义路径的最优值为f(w
ij
)。
[0018]进一步，定义w＝[w
12
，w
13
，
…
，w1n，w
23
，w
24
，
…
，w
n
‑
1，n
]T
∈R
n(n
‑
1)/2
为连接权重矩阵W的上三角元素的行向量。
[0019]进一步，定义d
i
＝∑
j≠i
w
ij
为第i个节点的度，e
i
为一个单位列向量，其中第i个元素为1，其余元素值为0。
[0020]进一步，定义W
i
＝[w
i1
，w
i2
，
…
；w
in
]T
为连接权重矩阵W的第i个列向量，则f(w
ij
)可被重新成如下形式：
[0021][0022]其中tr(
·
)表示矩阵的迹，D为对角矩阵且对角元素为di。
[0023]进一步，定义x
(k)
为时间序列矩阵X
T
的第k列向量，z＝n(n
‑
1)/2表示所有可能边的数量。
[0024]进一步，定义G是n
×
z矩阵，矩阵G中的非零元素为：
其中index(w
ab
)∈{1，2，
…
，z}为列向量w中w
ab
的指示标。
[0025]进一步，定义P为对角矩阵，且对角元素为列向量w的上三角元素，最终D
‑
W可以被重新表示成GPG
T
，推导过程如下：
[0026][0027]其中h
(k)
是G
T
x
(k)
，H
(k)
是对角矩阵，且对角元素为h
(k)
中的元素，中的元素，
[0028]进一步，定义约束可以等同地表示成Cw本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无超参数的大脑功能连接网络学习方法，其特征在于包括以下步骤：(1)对于功能磁共振设备采集到的大脑功能图像进行如下预处理：去除磁共振图像的前p个时间点；对于图像进行头动和时间层矫正；去除由心室、白质信号和头动高阶效应产生的影响；校正后的图像配准到标准空间；对被试图像进行空间光滑和时间带通滤波；(2)基于一种标准化的大脑分区模板，对于被试大脑进行分区，并提取每个脑区的平均时间序列，且提取的时间序列表示为X＝[x1，x2，
…
，x
i
，
…
，x
n
]∈R
t
×
n
，其中x
i
∈R
t
表示第i个节点的时间序列，t表示时间序列中时间的个数，n表示节点的数量；(3)对实验对象的时间序列利用无超参数模型计算两两脑区间的连接权重，得到一个时间序列的连接权重矩阵W∈R
n
×
n
，将连接权重矩阵W中元素w
ij
，j＝1，...，n作为连接大脑功能连接网络节点i到节点j的权重元素；(4)定义无超参数模型如下所示：(4)定义无超参数模型如下所示：(4)定义无超参数模型如下所示：其中，约束是为避免得到退化解w
ij
＝0，j＝1，...，n，定义路径的最优值为f(w
ij
)；(5)定义w＝[w
12
，w
13
，
…
，w
1n
，w
23
，w
24
，
…
，w
n
‑
1，n
]
T
∈R
n(n
‑
1)/2
为连接权重矩阵W的上三角元素的行向量；定义d
i
＝∑
j≠i
w
ij
为第i个节点的度，e
i
为一个单位列向量，其中第i个元素为1，其余元素值为0；定义W
i
＝[w
i1
，w
i2
，
…
；w
in
]
T
为连接权重矩阵W的第i个列向量，则f(w
ij
)可被重新成如...

【专利技术属性】
技术研发人员：张丽梅，孙磊，张义宁，刘学彦，乔立山，
申请(专利权)人：聊城大学，
类型：发明
国别省市：