本发明涉及计算机图形学下的医学成像、神经解剖学领域，尤其是一种基于脑网络结构的神经疾病分析方法。
背景技术：
随着时代的发展，医学影像技术的进步，扩散张量成像技术在神经科学的研究中占越来越大的影响力，拥有先进的神经影像技术是这个时代不可或缺的；扩散张量成像技术是一种新兴的描述大脑结构的方法；目前，扩散张量成像技术正被广泛的应用于精神科疾病和诊断的辅助手段中，甚至可以用于术前手术方案的制定，可以说其在医学领域的贡献有着无可替代的优势；所以对基于扩散张量成像技术的研究对于脑科学有着重大的意义。
而如今，运用扩散张量成像数据构建的脑网络具有很多重要的拓扑性质，如“小世界”属性、模块化的组织结构；另一方面，研究者发现许多精神疾病(如阿兹海默病和精神分裂症等)与脑结构、脑功能网络异常的拓扑变化有关，这些研究不仅为理解神经精神疾病的病理机制提供了新视角，也能为疾病的早期预防和治疗评价提供脑网络影像标记。
技术实现要素：
为了克服现有技术中无法实现神经疾病的辅助诊断和分析的不足，本发明结合扩散张量成像技术，提出一种有效实现神经疾病的辅助诊断和分析的基于脑网络结构的分析方法。
为了解决上述技术问题提供了如下技术方案：
一种基于脑网络结构的神经疾病分析方法，包括以下步骤：
步骤一，对扩散张量成像数据进行预处理
1.1)，通过应用每个扩散加权图像到b0图像的刚体变换来校正DTI数据中的头部运动和涡流畸变；
1.2)，在FSL中使用脑提取工具提取脑区；
1.3)，使用FMRIB的线性图像配准将标准空间数据和每个参与者b0图像登记到每个参与者T1数据；
步骤二，建立脑网络
节点和边是脑网络的两个基本元素；关于脑节点的定义，根据人脑网络组图谱将整个大脑分成246个感兴趣的皮质和皮层下的区域，每个区域代表网络的一个节点；对于网络的边，使用FSL工具中的纤维跟踪，并通过稀疏阈值法构建出无权二值网络；
步骤三，计算各项参数，进行数据分析
根据脑网络的定义，计算全球和区域网络测量，包括集群系数最短路径长度L，小世界度σ，局部效率Eloc,，全局效率Eglob，中心度Nbc，小世界度σ,并且计算每个网络度量的曲线下面积AUC；对每个网络度量以及每个网络度量的AUC执行非参数置换测试确定在网络属性中是否存在显着的组差异，同时通过已有的实验数据，来判断样本患病情况和信息。
进一步，所述步骤三中，各种脑网络参数计算，包括以下参数：
3.1集群系数：集群系数衡量的是网络的集团化程度，是度量网络的重要参数：
Ci表示节点i的集群系数，ei表示该节点邻居间实际连接的边的数目，表示可能的最大连接边数；
表示网络节点数量，表示整个网络；
3.2局部效率：
E(i)表示任意节点i的局部效率，Gi指节点i的邻居所构成的子图，表构成子图的数量，i，j是网络中任意的节点，ljk表示节点j，k之间的最短路径长度；
3.3最短路径长度：最短路径刻画了网络中某一节点的信息到达另一节点的最优路径，通过最短路径可以更快地传输信息，从而节省系统资源；
3.4全局效率：通常最短路径长度要在某一个连通图中进行运算，因为如果网络中存在不连通的节点会导致这两个节点间的最短路径长度值为无穷，因此提出了：
3.5中心度：中心度是一个用来刻画网络中节点作用和地位的统计指标；
Nbc(i)是网络中任意一点i的中心度，G表示整个网络，i，j，k是网络中任意的节点，δjk是从节点j到节点k的所有最短路径的数量,δjk(i)是这些最短路径中通过节点i的数量；
3.6小世界度，通过小世界度我们可以衡量“小世界”属性的强弱，首先计算δ、λ；δ代表实际网络和随机网络聚类系数的比值，λ代表实际网络和随机网络最短路径长度的比值；
Creal表示实际网络集群系数，Crandom表随机网络的集群系数。
Lreal表示实际网络集群系数，Lrandom表随机网络的集群系数。
小世界度σ定义如下：
再进一步，所述步骤三中，非参数置换测试方式：首先计算每个网络度量的平均值之间的组差异；对于每个网络度量，随机地将所有值重新分配到两个组中，并重新计算两个随机化组之间的平均差；该随机化程序重复10,000次，并且每个分布的前5％用作具有概率误差为0.05的零假设的单尾检验的临界值。
本发明的有益效果为：有效实现神经疾病的辅助诊断和分析。
具体实施过程
下面对本发明作进一步说明。
一种基于脑网络结构的神经疾病分析方法，其特征在于：包括以下步骤：
步骤一，对扩散张量成像数据进行预处理:
1.1)，通过应用每个扩散加权图像到b0图像的刚体变换来校正DTI数据中的头部运动和涡流畸变；
1.2)，在FSL中使用脑提取工具提取脑区；
1.3)，使用FMRIB的线性图像配准将标准空间数据和每个参与者b0图像登记到每个参与者T1数据。
步骤二，建立脑网络:
节点和边是脑网络的两个基本元素；关于脑节点的定义，根据人脑网络组图谱将整个大脑分成246个感兴趣的皮质和皮层下的区域，每个区域代表网络的一个节点；对于网络的边，使用FSL工具中的纤维跟踪，并通过稀疏阈值法构建出二值网络；
步骤三，计算各项参数，进行数据分析
根据脑网络的定义，计算全球和区域网络测量，包括集群系数最短路径长度L，小世界度σ，局部效率Eloc,，全局效率Eglob，中心度Nbc，小世界度σ,并且计算每个网络度量的曲线下面积AUC；对每个网络度量以及每个网络度量的AUC执行非参数置换测试确定在网络属性中是否存在显着的组差异，同时通过已有的实验数据，来判断样本患病情况和信息。
体计算参数如下：
3.1集群系数:集群系数衡量的是网络的集团化程度，是度量网络的重要参数：
Ci表示节点i的集群系数，ei表示该节点邻居间实际连接的边的数目，表示可能的最大连接边数；
表示网络节点数量，表示整个网络；
3.2局部效率：
E(i)表示任意节点i的局部效率，Gi指节点i的邻居所构成的子图，表构成子图的数量，i，j是网络中任意的节点，ljk表示节点j，k之间的最短路径长度(边数最少的一条通路)；
3.3最短路径长度：最短路径刻画了网络中某一节点的信息到达另一节点的最优路径，通过最短路径可以更快地传输信息，从而节省系统资源；
3.4全局效率：通常最短路径长度要在某一个连通图中进行运算，因为如果网络中存在不连通的节点会导致这两个节点间的最短路径长度值为无穷，因此提出了：
3.5中心度：中心度是一个用来刻画网络中节点作用和地位的统计指标；
Nbc(i)是网络中任意一点i的中心度，G表示整个网络，i，j，k是网络中任意的节点，δjk是从节点j到节点k的所有最短路径的数量,δjk(i)是这些最短路径中通过节点i的数量；
3.6小世界度，通过小世界度我们可以衡量“小世界”属性的强弱，首先计算δ、λ；δ代表实际网络和随机网络聚类系数的比值，λ代表实际网络和随机网络最短路径长度的比值；
Creal表示实际网络集群系数，Crandom表随机网络的集群系数。
Lreal表示实际网络集群系数，Lrandom表随机网络的集群系数。
小世界度σ定义如下：
对数据进行分析：计算每个网络度量的平均值之间的组差异；为了测试观察到的组差异可能偶然发生的零假设，对于每个网络度量，随机地将所有值重新分配到两个组中，并重新计算两个随机化组之间的平均差；该随机化程序重复10,000次，并且每个分布的前5％用作具有概率误差为0.05的零假设的单尾检验的临界值。