一种脑激活区检测方法和装置的制造方法

文档序号:9751686阅读:439来源:国知局
一种脑激活区检测方法和装置的制造方法
【技术领域】
[0001] 本发明涉及医学信号处理领域,尤其涉及一种脑激活区检测方法和脑激活区检测 装置。
【背景技术】
[0002] 功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)是一种通过 测量血液中氧浓度变化引起的血红蛋白的磁性改变,得到基于血液动力学(Blood Oxygen Level Dependence,BOLD)机制的神经激活分布的技术。然而,由于BOLD-fMRI信号变化幅度 非常微弱,与噪声波动几乎一致,使得从噪声中分离信号变得尤为困难目前,BOLD-fMRI信 号提取(也称激活区检测)方法一般可分为两类,分别是基于模型类和基于数据类。
[0003] 基于模型的算法有互相关分析、一般线性模型等;其中互相关分析的基本原理是 根据先验知识,预先定义一个模拟脑血流动力学响应函数的参考波形,然后依次计算体素 的时间过程与该参考波形的相关系数,通过阈值化相关系数来确定体素激活与否,即确定 一个阈值,若体素的相关系数大于该阈值,则判定体素处于激活状态,若相关系数小于该阈 值,则体素处于静息状态。一般线性模型是通过计算变量之间的相关性,在检测到两个变量 之间的线性关系后,建立模型,对其中的参数进行估计,然后用t检验或f检验方法对模型进 行检验,根据所设置的阈值,得到与阈值相对应的大脑激活图像,从而判定脑区是否处于激 活状态。
[0004] 基于数据的算法有k均值聚类算法,独立成分分析等;其中k均值聚类算法(k_ means)的基本原理是首先指定数据的类别数为k,随机从fMRI数据集中选取k个样本点作为 每个类的初始聚类中心,然后计算各个样本到k个聚类中心的距离,把样本归到离它最近的 那个聚类中心所在的类,聚类结果由k值表达。之后采用迭代更新的方法,基于给定的聚类 目标函数使每一次迭代过程都是沿着目标函数减小的方向进行,直到目标函数取得最小 值,算法收敛,完成对脑激活区的检测。独立成分分析(independent component analysis, ICA)是一种盲信号分离的方法,其目的是将观察到的数据进行分解提取独立成分,发现数 据中隐含的信息成分。用ICA处理fMRI数据一般做法是:用同样的刺激方式在同样的情况下 作两次实验得到每个体素的两个信号作混合信号,用ICA分离出与事件相关的信号成分,然 后计算每个体素的Z分数,把其值大于给定的阈值的体素认为是激活体素,由此检测由刺激 引起的脑激活区域。
[0005] 基于模型类的算法如互相关分析、一般线性模型等这类算法一般是基于先验假设 模型的,而检测结果的好坏直接和数据对模型的满足程度相关。其次,它们都属于一元统计 方法,通过对fMRI数据中某个体素的分析确定其是否被激活,并没有考虑fMRI数据空间中 相邻体素间的相互关系,即体素的邻域信息,因而在激活区域检测方面具有一定的局限性, 特别是在低信噪比的条件下,这类一元统计方法对激活区的检测灵敏度较低。
[0006] 基于数据类的算法,如k均值聚类方法。首先该方法需预先指定聚类数目K值。然而 一般情况下无法预先判定数据集类别数目,因此k值的最优值是很难准确选择的。其次该方 法中需确定一个初始聚类中心对数据进行初始划分。而聚类的检测结果对于初始聚类中心 的选择较为敏感,一旦初始值选择的不好,将会影响聚类最终的收敛效果,降低检测结果的 可靠性和准确性。而ICA的不足体现在其适用范围,是否所有功能核磁共振成像数据都可以 采用ICA方法处理。ICA方法虽然可以与一般常用的激活区检测算法的结果保持一致性,但 对复杂的大脑的高级活动的检测来说,用ICA处理较为困难。

【发明内容】

[0007] 本发明的目的在于,解决现有的脑激活区检测方法信噪比低的问题。
[0008] 本发明的目的是采用以下技术方案来实现的。
[0009] -种脑激活区检测方法,包括以下步骤:
[0010] 步骤S1,获取fMRI数据;
[0011] 步骤S2,构建所述fMRI数据的二维邻域特征空间S;
[0012] 步骤S3,采用均值漂移算法对所述特征空间S进行聚类搜索;
[0013] 步骤S4,得到激活区检测结果。
[0014] 本发明一较佳实施方式中,步骤S2进一步包括以下步骤:
[0015] 步骤S21,给定一组包含T个时间点的fMRI体数据V={Vt|t = l,2, · · ·,T},其中Vt为 时间点t的fMRI体数据,体素 p的时间序列I(p) = {I(p,t) |t = l,2, . . .,T,pEV},其中I(p, t)为体素 p在Vt中的信号强度;fMRI成像过程中,外部刺激为特定时间点的刺激信号,设定 为刺激函数E(t)(t = l,…,T),则体素 p的时间序列I(p)与刺激函数E(t)的相关系数n(p) 表示为:
[0016]
(1)
[0017] 其中,
)为体素 P的信号强度均值
3刺激函数均 值;
[0018] 步骤S22,引入体素 p周围邻域信息,定义体素 p的邻域为N(p),N(p) = {p11 i = 1, 2,一,11},11为邻域以?)内体素的个数,取每个体素邻域以?)内所有体素的时间序列与刺激 函数的相关系数的平均值,定义为,表示为:
[0019

[0020]构建fMRI数据的第一维特征片=杈卜)| j? e F};
[0021]步骤S23,获取体素 p与该体素邻域中的体素的相关系数r2(p),表示为:
[0022]
(B)
[0023] 其中
)为序列均值, 为邻域中对应体素的均值, 丄-f-l ,. 构建fMRI数据特征空间的第二维特征R2= Ιτ2(ρ) | pev};
[0024] 步骤S24,构建所述特征空间S,其中,S = {Ri,R2}。
[0025] 本发明一较佳实施方式中,在所述特征空间S中,给定空间中的采样点的核函数为 k(x)和容许误差ε,所述步骤S3进一步包括以下步骤:
[0026] 步骤S31,在所述特征空间S中任意选择初始搜索区域圆心0,半径为核宽h;
[0027] 步骤S32,在搜索区域内计算均值漂移Mh(x):
[0028]
(2)
[0029] 该向量总是指向密度增加的方向;
[0030] 步骤S33,如果均值漂移向量的模小于容许误差ε,I |Mh(x) | Ι〈ε,迭代算法结束;否 则利用下式(3)计算X得到新的圆心(/,返回执行步骤S32;
[0031]
[0032]本发明一较佳实施方式中,步骤S4进一步包括以下步骤:重复步骤S1至S3,直到| Mh(x)| |〈ε、公式(2)收敛到局部密度极大值点,X漂移到局部极大点时,将所述特征空间S中 收敛到同一个点的样本点算作一类,得到所述激活区检测结果。
[0033]本发明一较佳实施方式中,步骤S1进一步包括以下步骤:制定实验刺激方案,采集 fMRI实验数据并对所述实验数据进行预处理。
[0034] 一种脑激活区检测装置,其包括:
[0035]数据抓取单元,用于获取fMRI数据;
[0036] 构建单元,用于构建所述fMRI数据的二维邻域特征空间S;
[0037] 搜索单元,采用均值漂移算法对所述特征空间S进行聚类搜索;以及
[0038] 输出单元,用于得到激活区检测结果。
[0039] 本发明一较佳实施方式中,所述构建单元进一步包括以下子单元:
[0040]数据选择子单元,用于给定一组包含T个时间点的fMRI体数据V = {Vt I t = 1, 2,. . .,T},其中Vt为时间点t的fMRI体数据,体素 p的时间序列I(p) = {I(p,t) I t = l,2,..., !',?6¥},其中1(?,〇为体素?在¥*中的信号强度41?1成像过程中,外部刺激为特定时间点 的刺激信号,设定为刺激函数E(t)(t=l,…,T),则体素 p的时间序列I(p)与刺激函数E(t) 的相关系数η(ρ)表示为:
[0041 ]
(1) r=I _
[0042] 其中,
为体素 P的信号强度均值
)为刺激函数均 值;
[0043] 第一维特征构建子单元,用于引入体素 p周围邻域信息,定义体素 p的邻域为N(p), 以口丨二化11 i = l,2,···,n},n为邻域N(p)内体素的个数,取每个体素邻域N(p)内所有体素的 时间序列与刺激函数的相关系数的平均值,定义为,表示为:
[0044]
⑵.
[0045] 构建fMRI数据的第一维特征凡.=污(/>) | p .e
[0046] 第二维特征构建子单元,用于获取体素 p与该体素邻域中的体素的相关系数r2 (P),表不为:
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1