一种基于相关性分析的脑激活区检测方法与流程

本发明属于fmri数据分析领域，具体涉及一种基于相关性分析的脑激活区检测方法。

背景技术：

功能核磁共振(fmri，functionalmagneticresonanceimaging)是一种探测人脑神经活动信号的技术手段。它的基本原理是，在一定的磁场强度下，人体内的氢原子会和一定频率的射频脉冲发生共振而吸收能量，一段时间后会释放之前所吸收的能量。由于不同的人体结构释放能量的时间不同，同一时间所释放的能量强度也有差异，根据这种差别就能够分开不同的脑组织结构。大脑神经活动时，会引起脑神经周围血管中血氧水平的变化。血氧水平的变化又会引起局部磁场不均匀，这种不均匀会改变能量释放的时间长短。通过分析这种改变，能够得知大脑神经活动情况，因此fmri信号是一种用血氧水平来反映神经活动的间接信号。

传统的fmri信号处理过程包括数据预处理和后续数据分析。数据预处理主要包括去除头动干扰、时间校正、去除高频噪声等过程。一般研究中，用预处理后的fmri信号进行数据分析以研究人脑，例如，研究人脑的功能分区，研究人脑功能网络等等。

在大部分研究工作中，fmri数据分析的第一步就是激活区检测。磁共振仪器采集信号时以体素为单位进行采集，一个体素就是一个小的立方体，其中包含了几百甚至成千上万个神经元。激活区检测就是检测一个体素或一个区域内体素中的神经元是否处于兴奋状态。

现在常用的检测方法大都从数学角度出发，应用了许多线性变换及统计分析等方法，过程复杂而繁琐。例如，一种ica(independentcomponentanalysis)和pca(principlecomponentanalysis)结合的激活区分析方法。首先用ica在空间上分析，得到一系列的空间独立成分，这些成分均由体素组成，再对这些体素的时间序列做pca，提取出其中的主成分，然后将主成分与刺激序列进行相关，相关性高则认为提取出的空间独立成分为激活区域。此外，例如fmri数据处理软件spm(statisticalparametricmapping)中所使用的显著性检验法。这种方法主要应用于有外在刺激的fmri实验数据处理中。在该方法中，首先要对每一个体素的时间序列拟合一个一般线性模型(glm,generallinearmodel)，由这个模型算出该体素对每个刺激条件的响应强度值。接下来对这些响应强度进行t检验。若显著性差别值小于一定阈值，则认为这个体素在该刺激条件下是激活的。目前比较简便的办法，例如时间簇分析法(tca,timeclusteringanalysis)，其原理是对大脑的每个体素的时间序列，求其极大值点，然后定义时间序列中某一点上有极大值的体素个数为时间簇，认为时间簇大于一定阈值的时间点为大脑激活的时间点，并且这些组成时间簇的体素所在的区域为激活区，虽然该方法从计算角度而言简便一些，但是检测效果却差强人意。

目前，在很多关于fmri的研究中，需要快速地确定出激活的大概范围，在这种情况下，简便且有效的方法会有更大的应用优势。

技术实现要素：

本发明的目的在于针对上述现有技术中的问题，提供一种基于相关性分析的脑激活区检测方法，该方法操作简便，计算量小，能够快速并且有效地检测出脑激活区。

为了实现上述目的，本发明采用的技术方案包括以下步骤：

步骤一、计算每个体素的时间序列与其邻域体素时间序列之间的相关系数；

步骤二、求解所有相关系数的平均値，得到各个体素的相关性参数；

步骤三、将所有体素的相关性参数进行排序，设定阈值，并使每个体素的相关性参数与阈值进行比较，根据比较结果，将每个体素分别划分至激活区或者非激活区。

在步骤一中首先求解每个体素的时间序列均值，由大至小进行排序后，再通过设置阈值筛选出前30％的体素；对小于阈值的体素，将其时间序列设置为零序列。

将筛选出的体素组成矩阵m∈r^(m×n×o×t)，式中，m表示矩阵元素的行数，n表示矩阵元素的列数，o表示矩阵元素的层数，t表示每个元素的向量点个数；

判断某元素m(x,y,z)的相邻元素是否为零序列，若是，则判定两个元素之间的相关系数为零，否则，判断相邻元素是否在矩阵之外。如果相邻元素在矩阵之外，则置相关系数为零；否则，计算元素之间的皮尔逊相关系数。

以元素m(x,y,z)为中心，其领域存在一个包含有27个元素的正方体区域。计算元素m(x,y,z)与其周围其余26个元素之间的相关性，取平均值后即得到相关性参数r(x,y,z)。

所述的步骤三中对相关性参数r(x,y,z)由大至小进行排序，通过阈值筛选出前1％的体素，划入激活区，相关性参数小于阈值的其余体素划入非激活区。

与现有技术相比，本发明具有如下的有益效果：省去了大量的计算工作，仅仅需要针对每个体素计算出一个相关性参数，再选出相关性参数较大的体素即可。该方法能够明显的检测出激活区，实现与以往复杂计算方法同样的检测效果，同时该方法操作简便，能够节省大量的检测时间，通过实验对比验证，本发明的检测结果准确可靠。

附图说明

图1本发明方法的检测原理示意图；

图2本发明方法的算法流程图；

图3本发明方法的检测效果图，由(a)～(f)分别为不同高度的人脑横断面；

具体实施方式

下面结合附图对本发明做进一步的详细说明。

参见图1，本发明基于相关核团分析法，具体检测原理如下：由于fmri是一种间接信号，由血管中血氧水平的变化来反映神经活动，所以认为每个体素中测得的时间序列由不同来源的血氧水平波动叠加而成，这些来源不同的血氧水平波动能够看作不同的成分。

例如，图中的成分一能够看作是和心跳呼吸相关的血氧水平波动，成分二能够看作是和情绪状态相关的波动，成分三能够理解为血管局部噪声。体素类型一表示不包含刺激成分的体素，体素类型二表示包含刺激成分。在有实验刺激的情况下，体素类型一占大多数，类型二只占一小部分。心跳呼吸和情绪状态等类似的有规律的全局噪声，会给所有体素的时间序列之间贡献相关性，局部噪声是随机的，没有规律性，会减弱相邻体素之间的相关性，导致类型一的体素的时间序列之间的相关性低。但是在类型二的体素中，由于实验刺激相关的成分引起的信号变化规律性非常强，所以在体素类型二之间的相关性会显著增强。因此，认为与相邻体素时间序列相关性很强的体素是和刺激相关的，即激活区体素。

参见图2，本发明基于相关性分析的脑激活区检测方法包括以下步骤：

1.求解每个体素时间序列的均值，并排序。设立阈值，使得此阈值能够筛选出均值较大的体素，一般情况下，这个步骤只需要筛选出较大的前30％的体素。

2.判断每个体素对应均值是否大于阈值，若不属于，则将该体素的时间序列置为零序列。

3.将剩下的体素组成一个矩阵m∈r^(m×n×o×t)，表示该矩阵有m行n列o层元素，每个元素是一个有t个点的向量，即每个元素是在这个体素位置上测得的时间序列。例如m(x,y,z)是一个包含了t个点的向量。

4.对单个元素m(x,y,z)，判断其相邻的元素是否是零序列，如果是，则认为两个元素之间的相关系数为零，如果不是，需要判断相邻元素是否在矩阵之外。

5.判断相邻元素是否在矩阵之外，如果是，则置相关系数为零，如果不是，计算两者之间的皮尔逊相关系数。

6.计算皮尔逊相关系数。

7.以m(x,y,z)为中心，其邻域存在一个包含有27个元素的正方体。重复以上过程，计算m(x,y,z)与周围26个元素之间的相关性，并作平均，得到相关性参数r(x,y,z)。

8.将所有相关性参数进行排序，设立阈值，使得大于阈值的相关性参数属于较大的前1％。

9.如果该体素的相关性参数大于所设阈值，认为该体素所在的位置为激活区，如果不在，则认为该体素位于非激活区。

参见图3(a)-图3(f)，六幅图分别代表不同高度的人脑横断面，图3(a)是位置较低，靠近颈部大脑枕叶部位的横断面，图3(f)是位置较高，靠近头顶大脑枕叶部位的横断面，每一幅图中，最左侧的是大脑枕叶部位，包含有视觉皮层，处理视觉信息。所用数据来自于视觉刺激实验。图中区域越亮表示相关性参数值越高，区域越暗表示相关性参数值越低。从图中能够明显看出，相关性参数值偏高的体素基本分布在大脑枕叶视觉皮层位置，相关性参数值偏低的体素大多远离视觉皮层，说明选出的激活体素符合实验刺激形式，该方法有效。