一种利用复数fMRI空间源相位识别空间差异的方法与流程

本发明涉及生物医学信号处理领域，特别是涉及一种利用复数功能磁共振成像(functional magnetic resonance imaging,fMRI)数据的空间源相位，识别精神分裂症患者组(patients with schizophrenia,SZs)与健康对照组(healthy controls,HCs)之间空间激活脑区(spatial map，SM)差异的方法。

背景技术：

fMRI是一种基于血氧水平依赖(blood-oxygenation-level-dependent)效应的神经学影像方式，能够反映大脑的内部活动。由于其非侵入式和高空间分辨率，fMRI技术已经被广泛地应用到许多领域，如基础的神经科学研究和临床医学等，是理解人类大脑功能以及研究疾病如何破坏大脑活动的重要工具之一。独立成分分析(independent component analysis,ICA)是一种典型的数据驱动盲源分离算法，可用于从fMRI数据中提取SM成分及其相应的时间过程(time course，TC)成分。

尽管原始获取的fMRI观测数据包括幅值数据和相位数据，由于相位数据的噪声严重，绝大多数fMRI数据分析集中在幅值数据上。然而，越来越多的研究表明，相位数据包含丰富的与大脑功能相关的生理信息，而且是从幅值数据中无法提取到的。首先，相位数据可用于更好地分析血氧水平、大小血管的影响以及探索更多不同的脑功能网络连接模式。其次，相位数据可作为幅值数据的补充，用于提取更多更有意义的脑区激活，并提高SZs和HCs的识别准确率。因此，对于fMRI相位数据的研究颇具重要意义。

如上所述，fMRI观测相位数据含有与大脑活动相关的成分，但也包含着严重的生理噪声。与之相比，空间源相位，即由空间ICA方法从复数fMRI数据中分离得到的SM相位信息，已经被大量去噪。研究表明，空间源相位能用于识别和去除不感兴趣的噪声体素。然而，与观测相位相比，空间源相位中是否也传递着有关大脑内部活动的独特信息呢？目前这一问题还未有答案。鉴于观测相位在提升SZs识别率方面展示出了良好的性能，探索应用空间源相位识别SZs与HCs之间空间差异的方法是非常必要的。

技术实现要素：

本发明的目的在于提供一种空间源相位的分析方法。通过多被试的fMRI数据获取空间源相位，计算空间源相位的方差图，进一步定义方差差异系数，衡量和突显SZs与HCs之间的空间差异。

本发明的技术方案：

一种利用复数fMRI空间源相位识别空间差异的方法，首先对复数fMRI数据进行空间ICA分离，选取感兴趣成分，然后进行相位校正和消噪，获得感兴趣成分的空间源相位，最后通过方差齐性分析和方差差异系数计算，识别SZs与HCs在空间源相位中的差异。具体实现步骤如下：

第一步：输入多被试复数fMRI数据T表示时间维的全脑扫描次数，V表示空间维的脑内体素数目，K表示被试数目。

第二步：对所有的单被试X^k进行PCA(principle component analysis)降维，记模型阶数为N，N≤T，降维后单被试数据变为

第三步：采用复数EBM(entropy bound minimization)算法对所有降维后的单被试依次进行复数ICA分离得到N个估计成分，利用SM先验信息sref(林秋华，于谋川，龚晓峰，丛丰裕，一种对复数fMRI数据的ICA估计成分进行相位校正的方法，专利号201410189199.7)从中提取感兴趣成分。对该步骤重复R次，采用“Kuang LD,Lin QH,Gong XF,Cong F,Sui J,Calhoun VD,2018.Model order effects on ICA of resting-state complex-valued fMRI data:application to schizophrenia.Journal of Neuroscience Methods 304,24–38”中平均和显著性检测相结合的best run选取方法，利用感兴趣成分的R次SM估计确定best run，即最好的一次ICA结果，提取best run中感兴趣成分的TC估计和SM估计

第四步：采用专利201410189199.7中基于ICA所估计的时间过程成分进行相位角估计和校正的方法校正s^k得到

第五步：对所有的单被试依次构建单被试二值化掩蔽b^k如下：

式中，和分别表示中体素v的相位和幅值，Zr为幅值阈值，一般令Zr＝0.5；是被试k的二值化掩蔽。

第六步：构建组掩蔽

为多被试共有激活体素的组掩蔽，记M为中非零元素个数。

第七步：利用组掩蔽对K1个SZs和K2个HCs中所有的单被试进行相位消噪(K＝K1+K2)：

式中“ο”表示Hadamard乘积，求取所有单被试中激活体素的相位和和即为SZs和HCs中被试k的空间源相位。

第八步：构建K1个SZs和K2个HCs的体素级空间源相位向量

第九步：对和进行方差齐性分析(F-test)，并用FDR(false discovery rate)校正p值，得到SZ-HC的方差差异图：

式中“var(·)”表示向量的方差，“p_ftest(·)”表示F-test的p值，pr表示p值的阈值，一般取pr＝0.05。为SZ-HC的方差差异图。

第十步：针对各个子脑区，记录具有显著差异的体素数目m*，也就是中该子脑区非零体素的个数，并计算下式定义的方差差异系数

式中和分别表示中子脑区含有正值和负值的体素个数，即

第十一步：选择具有显著SZ-HC差异的子脑区，即m*>mr且mr和qr均表示显著差异的阈值，一般取mr＝100，qr＝0.75。

第十二步：输出SZ-HC的方差差异图显著子脑区及其方差差异系数

本发明的效果和益处，与被广泛应用的幅值数据相比，本发明利用空间源相位识别SZs与HCs之间的空间差异，能展示更高的灵敏度以及可靠性。例如，针对82被试静息状态下采集的复数fMRI数据，在不使用FDR校正的前提下，空间源相位在DMN(Default mode network)中多提取到了122.95％的差异性体素，并且由空间源相位提取到的能够通过FDR校正的差异性体素(如附图1B所示)比幅值(如附图1A所示)多出69％。因此，本发明能够为脑疾病诊断提供新的生物标记。

附图说明

图1是本发明识别到的SZ-HC差异与幅值方法的对比。

图2是本发明利用空间源相位识别SZs与HCs之间空间差异的工作流程图。

具体实施方式

下面结合技术方案和附图，详细叙述本发明的一个具体实施方式。

现有K1＝42名SZs和K2＝40名HCs(K＝82)在静息状态下采集的复数fMRI数据。时间维度上进行了T＝146次扫描，每次扫描都获得了53×63×46的全脑数据，脑内体素数V＝62336。采用本发明分析空间源相位以识别SZs与HCs空间差异的步骤如附图2所示。

第一步：输入多被试复数fMRI数据

第二步：对所有的单被试X^k进行PCA降维，取N＝120，得到降维数据

第三步：采用复数EBM算法对所有的单被试依次进行R＝10次复数ICA分离，从120个估计成分中提取感兴趣成分DMN，采用平均和显著性检测相结合的best run选取方法确定best run，获取best run中DMN的TC估计和SM估计

第四步：采用基于ICA所估计的时间过程成分进行相位角估计和校正的方法对所有的s^k进行相位校正得到

第五步：代入公式(1)，对所有的s^k构建单被试掩蔽Zr为0.5。

第六步：代入公式(2)，构建组掩蔽M＝6028。

第七步：代入公式(3)，得到去噪后SZs的空间源相位和HCs的空间源相位

第八步：构建空间源相位向量和(i＝1,…,6028)。

第九步：代入公式(4)，对和依次进行F-test，并用FDR校正p值，取pr＝0.05，得到SZ-HC的方差差异图

第十步：针对DMN的3个子脑区ACC(anterior cingulate cortex)，PCC(posterior cingulate cortex)和IPL(inferior parietal lobule)记录显著差异体素数目m*分别为174，1109和213；代入公式(5)计算3个子脑区的方差差异系数，得到ACC区PCC区和IPL区

第十一步：取mr＝100，qr＝0.75，得到具有显著差异的子脑区为ACC。

第十二步：输出(如附图1B所示)，ACC区