【技术实现步骤摘要】
本专利技术属于图像处理，尤其涉及一种基于动态脑网络空间重构模式的辅助分析方法。
技术介绍
1、阿尔兹海默症是一种多因素神经退行性疾病，其临床特征表现为进行性认知和行为功能障碍，阿尔兹海默症发病机制尚未完全阐释清楚，干预晚是治疗失败的关键原因。早诊、早干预是有效延缓疾病进展的措施。目前磁共振成像以非侵入性、无创性的优势被用于阿尔兹海默症的诊断和评估，其较高的空间分辨率有助于研究大脑的空间特性，因此，挖掘灵敏的影像指标辅助阿尔兹海默症诊断刻不容缓。
2、大脑是一个随时间变化的复杂动态系统，不同脑区间的相互作用表征为不同时空尺度下的动态自组织特性。基于功能磁共振成像数据提出了动态功能连接方法，在数秒至数分钟的时间尺度上估算时变的功能连接，从动态连接的视角描绘大脑的工作机制，为解释阿尔兹海默症的患病机制提供了新的研究方法。
3、滑动时间窗技术是最常用的动态功能连接构建方法，但在方法论上存在一定限制。窗口长度参数的选择影响着滑动时间窗方法的敏感性和鲁棒性，窗口长度太短无法可靠计算相关性，窗口过长会失去有意义的动态变化信息。为了弥补传统滑动时间窗技术的不足，逐帧非线性相位分析被应用于这一领域的研究当中。区别于滑动时间窗技术，逐帧非线性相位分析从单个时间帧的角度分析可以捕捉到不同脑区之间神经振荡之间的相干关系，不受窗口长度限制，并且具有较高的时间分辨率和灵敏度，可以用来量化阿尔兹海默症患者大脑的空间动态功能连接。
4、过往阿尔兹海默症的磁共振成像辅助诊断大多基于图论对网络的拓扑属性进行分析，但是大脑中的社区
技术实现思路
1、为了挖掘动态功能连接影像指标辅助阿尔兹海默症诊断，解决上述滑动时间窗方法对参数选择敏感以及传统网络属性过度简化大脑活动信息的问题，本专利技术提供一种基于动态脑网络空间重构模式的辅助分析方法。
2、本专利技术所采用的技术方案是，一种基于动态脑网络空间重构模式的辅助分析方法，包括以下步骤：
3、步骤s1：对静息态功能磁共振影像数据进行预处理，依据脑图谱模板，提取每个脑区的bold时间序列，即bold信号，评估皮质表面的重叠面积，并划分经验静息子网；
4、步骤s2：bold信号带通滤波后，使用希尔伯特变换逐帧提取不同脑区之间的瞬时相位信息，并通过每对脑区间的相位对齐信息构建动态锁相网络；基于相邻时间片之间相同脑区的连接表示层间的时间依赖性，使用超邻接矩阵构建动态多层脑网络；
5、步骤s3：使用genlouvin多层社区检测算法识别动态多层脑网络中的大脑社区；
6、步骤s4：计算动态多层脑网络的动态属性，包括量化跨层大脑社区稳定性的指标：灵活性和时间核心-外围结构；计算每对脑区之间的模块忠诚度，构建模块忠诚度矩阵；利用模块忠诚度矩阵计算每个脑区的招募系数和整合系数，并分析其离散度；
7、步骤s5：构建随机零模型，识别出具有较低、较高或不可区分的动态多层脑网络整合和招募的脑区，划分出脑区角色，计算脑区状态指标网络角色转换熵；
8、步骤s6：采用单因素方差分析进行显著性差异检验。
9、进一步的，在步骤s1中，所述预处理步骤包括功能原始空间高精度解剖掩模生成，颅骨去除，去除前10个时间点，时间层校正、头动校正、空间平滑、降噪、滤波、及协变量回归。
10、进一步的，在步骤s1中，划分经验静息子网，具体包括：
11、根据t1w-mri数据，生成脑组织边界模板和脑区分割模板；
12、经过数据预处理后，使用desikan-killiany图谱提取每个脑区的bold时间序列；
13、通过评估皮质表面的重叠面积，将68个皮质区域分配给7个静息态网络：视觉网络、感觉运动网络、额顶网络、背侧注意网络、边缘子网、腹侧注意网络和默认模式网络。
14、进一步的，在步骤s2中，构建动态多层脑网络，具体包括：
15、首先在感兴趣频率对bold信号进行带通滤波，然后应用希尔伯特变换得到瞬时相位，希尔伯特变换公式如下：
16、
17、其中，h[b(t)]是实信号希尔伯特变换后的值，b(t)是带通滤波后的bold信号，θ(t)和a(t)分别代表bold解析信号的瞬时相位和瞬时振幅，通过计算虚部时间序列和实部时间序列比值的反正切来获得该信号的瞬时相位值，其取值范围[-π，π]，公式如下：
18、
19、经过希尔伯特变换提取bold信号的瞬时相位信息，产生了每个脑区的bold时间过程的相位演变；
20、为了获得每个单一时间点t的bold相位相干的全脑模式，计算动态锁相矩阵dpc(i,j,t)，它估计了每个时间t的每对大脑区域n和p脑区之间的相位对齐，如下公式所示：
21、dpc(i,j,t)＝cos(θ(i,t)-θ(j,t))
22、其中，θ(i,t)为区域n在i时刻的bold信号瞬时相位，若两个脑区暂时对齐，dpc将接近于1；若两个脑区彼此正交，dpc将接近于0；
23、基于时间重构的动态多层脑网络，图层的顺序代表着时间的流动，使用超邻接矩阵表示动态多层脑网络的数据结构，网络的各层以及层间连接方法以块的形式出现这个结构中；
24、层间耦合仅考虑相邻时间片中相同脑区的耦合，连接权重按照常用值1来设定，从而构成动态多层脑网络，一个动态多层脑网络完整的超邻接矩阵表示为：
25、
26、这是一个[n×t]×[n×t]的矩阵，其中n为每一层网络中的脑区数，在这个矩阵中，对角线上的矩阵dpct代表t时刻的层内锁相矩阵，1≤t≤t，非对角线上的矩阵表示层和层之间的连接矩阵。
27、进一步的，在步骤s3中，识别动态多层脑网络中的大脑社区，具体包括：
28、将网络中的每个脑区看成一个独立的社区；
29、对于每个脑区，尝试加入邻居所在的社区，比较加入前后模块化质量函数q值，将考虑中的脑区随机移动到一个使模块化质量函数增加的社区，社区选择概率与模块化质量函数的增加成正比；否则不改变社区划分，直到所有脑区的所属社区不再变化；
30、将得到的社区都简化脑区重复操作，直到q值不再增加；
31、模块化质量函数q用于评估多层网络中社区的质量，其公式如下：
32、
33、其中，aijl为层l中脑区i和脑区j之间的相关矩阵，μ表示网络中边的总权重，pijl为newman-girvan空模型中的相关矩阵，δ(gil,gjr)在脑区i和脑区j属于同一个模块时等于1，否则等于0；γl为l层的拓扑分辨率参数，影响层内脑区的连接强度；ωjlr为l层和r层之间的层间耦合强度。
34、进一步的，在步骤s4中，具体包括：
35、灵活本文档来自技高网...
【技术保护点】
1.一种基于动态脑网络空间重构模式的辅助分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于动态脑网络空间重构模式的辅助分析方法，其特征在于，在步骤S1中，所述预处理步骤包括功能原始空间高精度解剖掩模生成，颅骨去除，去除前10个时间点，时间层校正、头动校正、空间平滑、降噪、滤波、及协变量回归。
3.根据权利要求1所述的一种基于动态脑网络空间重构模式的辅助分析方法，其特征在于，在步骤S1中，划分经验静息子网，具体包括：
4.根据权利要求1所述的一种基于动态脑网络空间重构模式的辅助分析方法，其特征在于，在步骤S2中，构建动态多层脑网络，具体包括：
5.根据权利要求1所述的一种基于动态脑网络空间重构模式的辅助分析方法，其特征在于，在步骤S3中，识别动态多层脑网络中的大脑社区，具体包括：
6.根据权利要求1所述的一种基于动态脑网络空间重构模式的辅助分析方法，其特征在于，在步骤S4中，具体包括：
7.根据权利要求1所述的一种基于动态脑网络空间重构模式的辅助分析方法，其特征在于，在步骤S5中，具体包括：
8.根据权利要求1所述的一种基于动态脑网络空间重构模式的辅助分析方法，其特征在于，在步骤S6中，具体包括：
...【技术特征摘要】
1.一种基于动态脑网络空间重构模式的辅助分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于动态脑网络空间重构模式的辅助分析方法，其特征在于，在步骤s1中，所述预处理步骤包括功能原始空间高精度解剖掩模生成，颅骨去除，去除前10个时间点，时间层校正、头动校正、空间平滑、降噪、滤波、及协变量回归。
3.根据权利要求1所述的一种基于动态脑网络空间重构模式的辅助分析方法，其特征在于，在步骤s1中，划分经验静息子网，具体包括：
4.根据权利要求1所述的一种基于动态脑网络空间重构模式的辅助分析方法，其特征在于，...
【专利技术属性】
技术研发人员：魏静，杨艳丽，薛家悦，任丽芳，许亚茹，刘宇轩，李煜炜，
申请(专利权)人：山西财经大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。