fMRI动态功能网络构建及其在脑部疾病识别中的应用

如何从复杂的fMRI数据中提取 丰富的大脑信息是提高脑部疾病识别精度的关键。传统的静息态功能磁共振成像分析中,功能连接网络被认为是稳定不变的。提出一种基于成组独立成分分析的构建动态功能连接网络的方法,并通过该网络来获取功能网络本身的动态特性。首先,利用成组独立成分分析法提取fMRI数据的空间独立成分作为网络节点,并通过滑动时间窗的方法获取窗口时间序列,构建动态功能连接网络。以动态功能网络作为特征,对精神分裂症患者和正常被试数据进行分类识别。实验结果表明,该方法能够获取fMRI数据的时间维度信息,提高识别效果,在一定程度上能为临床诊断提供客观参照。     

动态功能脑网络模型的多任务融合Lasso方法

目的 传统的静息态功能性磁共振成像（fMRI）的功能脑网络（FBN）研究是基于在整个扫描过程中FBN固定不变的假设。但是,最近的研究表明FBN是动态变化的,而且其中蕴含着丰富的信息。本文提出一种多任务融合最小绝对值收缩和选择算子（Lasso）方法来构建静息态fMRI的动态FBN。 方法 提出的多任务融合Lasso方法可以在构建动态FBN时,保留网络的稀疏性及子序列的时间平滑性。具体来说,首先用滑动窗方法得到交叠的静息态fMRI子序列;然后用多任务融合Lasso方法联合地估计一个样本的所有子序列的功能连接从而构建动态FBN,用k均值聚类算法得到每类样本子序列的功能连接的聚类中心,并将所有类的聚类中心组成回归矩阵;最后根据回归矩阵求样本的回归系数,将其作为特征进行分类,验证多任务融合Lasso方法对动态FBN建模的有效性。 结果 采用公开的fMRI数据集来验证多任务融合Lasso模型构建动态FBN的分类效果。实验使用阿尔兹海默症神经影像学计划（ADNI）公开的fMRI数据集中的阿尔兹海默症患者、早期轻度认知功能障碍患者和健康被试3组数据,并用准确率、灵敏度和特异度来评估算法的分类性能。在3组二分类实验中,本文方法分别达到了92.31%、80.00%和84.00%的准确率。实验结果表明,与静态FBN模型和其他传统的动态FBN模型相比,本文方法能取得更好的分类效果。结论 本文提出的多任务融合Lasso构建动态FBN的方法,能有效地保留网络的稀疏性和子序列的时间平滑性,同时提高算法的分类效果,在一定程度上为脑部疾病的诊断提供帮助。多任务融合Lasso模型可以用于动态FBN的构建,挖掘功能连接的动态信息,同时整个算法可以用于基于fMRI数据的脑部疾病的分类研究中。     

不确定脑网络的异常拓扑分析及分类研究

静息态功能脑网络在脑疾病研究中得到了广泛的应用。然而传统的功能连接网络分析主要集中在确定图上,忽视了大脑区域之间的不确定信息。基于此,对不确定脑网络进行了研究,该方法不需要进行阈值选择,而且可以更准确地对功能连接网络进行建模。同时,将频繁子图挖掘应用到了不确定图上,并提出了几种新的判别性特征选择方法。分类结果显示,基于不确定脑网络的磁共振影像分类方法有效地提高了抑郁症诊断的准确率。     

基于时空双稀疏表示的成人ADHD脑网络检测与分析

注意力缺陷多动障碍（Attention deficit hyperactivity disorder，ADHD）主要表现为注意力分散、多动和冲动，是一种常见的精神障碍疾病.作为一种流行的脑功能成像技术，静息态功能核磁共振成像（Resting-state functional magnetic resonance imaging，rsfMRI）常应用于探索ADHD的神经机制.然而，由于rsfMRI数据的高维和少样本特性，采用传统的独立成分分析方法从rsfMRI数据中获得脑网络后，大多用基于体素级的方法进行推断，这难以检测出可靠的、与ADHD相关的脑网络.针对上述问题，本文提出了一种新颖的基于时空双稀疏表示（Dual temporal and spatial sparse representation，DTSSR）的方法和指标，以22名成人ADHD患者为研究对象，从大尺度脑网络级的角度检测出与ADHD相关的脑网络.首先采用DTSSR从ADHD的rsfMRI数据中提取出组脑网络及相应的耦合参数；然后将耦合参数均值池化作为网络的活跃度指标；最后，将活跃度指标与ADHD的量表分进行Spearman相关性分析，检测出与ADHD相关的脑网络.实验结果表明，背侧注意网络、执行控制网络的活跃度与ADHD量表分具有显著相关性.该结果在脑科学角度有合理的解释，且在不同字典尺寸下具有较高稳定性.本文所提方法，为探讨ADHD的潜在神经机制提供了一种新思路.     

基于功能磁共振成像的人脑效应连接网络识别方法综述

人脑效应连接网络刻画了脑区间神经活动的因果效应. 对不同人群的脑效应连接网络进行研究不仅能为神经精神疾病病理机制的理解提供新视角, 而且能为疾病的早期诊断和治疗评价提供新的脑网络影像学标记, 具有十分重要的理论意义和应用价值. 利用计算方法从功能磁共振成像(Functional magnetic resonance imaging, fMRI)数据中识别脑效应连接网络是目前人脑连接组学中一项重要的研究课题. 本文首先概括了从fMRI数据中进行脑效应连接网络识别的主要流程, 说明了其中的主要步骤和方法; 然后, 给出了一种脑效应连接网络识别方法的分类体系, 并对其中一些代表性的识别算法进行了阐述; 最后, 通过对该领域挑战性问题的分析, 预测了脑效应连接网络识别未来的研究方向, 以期对相关研究提供一定的参考.     

一种基于先验信息的脑功能网络提取方法*

目的 脑功能网络的提取在脑科学研究中具有重要意义,本文提出一种基于先验信息的脑功能网络提取方法。方法该方法首先基于先验信息得到初始的目标和背景种子点,然后基于图论将整个脑图像构建图,最后利用半监督聚类技术提取脑功能网络。基于不同信噪比的模拟数据,本文对提出方法、基于种子点的方法、独立成分分析方法、以及两种聚类方法（归一化最小化割和K均值方法）进行比较。基于真实脑静息态功能核磁共振数据,本文使用提出方法对默认模式网络进行提取。结果 基于模拟数据的实验结果表明提出算法相对于传统的方法可以得到更为准确且鲁棒的脑功能网络。基于静息态功能核磁共振数据得到的默认模式网络在一些重要脑区具有高的稳定性,且不同地点采集数据得到的结果具有较强的一致性。结论 提出方法是一种有效的脑功能网络提取方法。     

Visual Exploration of Dynamic Multichannel EEG Coherence Networks

Electroencephalography (EEG) coherence networks represent functional brain connectivity, and are constructed by calculating the coherence between pairs of electrode signals as a function of frequency. Visualization of such networks can provide insight into unexpected patterns of cognitive processing and help neuroscientists to understand brain mechanisms. However, visualizing dynamic EEG coherence networks is a challenge for the analysis of brain connectivity, especially when the spatial structure of the network needs to be taken into account. In this paper, we present a design and implementation of a visualization framework for such dynamic networks. First, requirements for supporting typical tasks in the context of dynamic functional connectivity network analysis were collected from neuroscience researchers. In our design, we consider groups of network nodes and their corresponding spatial location for visualizing the evolution of the dynamic coherence network. We introduce an augmented timeline‐based representation to provide an overview of the evolution of functional units (FUs) and their spatial location over time. This representation can help the viewer to identify relations between functional connectivity and brain regions, as well as to identify persistent or transient functional connectivity patterns across the whole time window. In addition, we introduce the time‐annotated FU map representation to facilitate comparison of the behaviour of nodes between consecutive FU maps. A colour coding is designed that helps to distinguish distinct dynamic FUs. Our implementation also supports interactive exploration. The usefulness of our visualization design was evaluated by an informal user study. The feedback we received shows that our design supports exploratory analysis tasks well. The method can serve as a first step before a complete analysis of dynamic EEG coherence networks.     

基于高阶最小生成树的脑网络分析及对阿兹海默氏症患者的分类

利用静息态功能磁共振成像技术来研究大脑的功能连接网络是当前脑疾病研究的重要方法之一。这种方法能准确地检测包括阿兹海默氏症在内的多种脑疾病。然而,传统的网络只是研究两个脑区之间相关程度,而且缺乏对大脑区域之间更深层次的交互信息和功能连接之间关联程度的研究。为了解决这些问题,提出了一种构建高阶最小生成树功能连接网络的方法,该方法不仅保证了功能连接网络的生理学意义,而且研究了网络中更复杂的交互信息,提高了分类的准确率。分类结果显示,基于高阶最小生成树功能连接网络的静息态功能磁共振成像分类方法大幅提高了阿兹海默氏症检测的准确率。     

基于fMRI动态功能连接的抑郁症患者分类研究*

针对当前抑郁症诊断正确率偏低、误诊率偏高的问题,利用fMRI动态功能连接研究了抑郁症辅助诊断问题。首先采用滑动时间窗技术研究功能连接及其网络拓扑特性的动态变化,然后基于这些动态特征应用多元模式分析方法对22名抑郁症患者和27名健康被试进行分类。采用动态分析方法能够增加样本数量,从而更加有利于一些分类算法的应用。实验结果表明以动态功能连接和网络拓扑特性为特征的分类正确率均为93.88%,明显优于对应非动态特征81.63%和85.71%的结果。进一步分析表明,具有高辨别力的特征所对应的脑区主要分布在默认网络、情感网络、视觉皮层区等,动态功能连接可能为抑郁症的辅助诊断提供新的手段。     

Predicting Resting-state Functional Connectivity With Efficient Structural Connectivity

The complex relationship between structural connectivity (SC) and functional connectivity (FC) of human brain networks is still a critical problem in neuroscience. In order to investigate the role of SC in shaping resting-state FC, numerous models have been proposed. Here, we use a simple dynamic model based on the susceptible-infected-susceptible (SIS) model along the shortest paths to predict FC from SC. Unlike the previous dynamic model based on SIS theory, we focus on the shortest paths as the principal routes to transmit signals rather than the empirical structural brain network. We first simplify the structurally connected network into an efficient propagation network according to the shortest paths and then combine SIS infection theory with the efficient network to simulate the dynamic process of human brain activity. Finally, we perform an extensive comparison study between the dynamic models embedded in the efficient network, the dynamic model embedded in the structurally connected network and dynamic mean field (DMF) model predicting FC from SC. Extensive experiments on two different resolution datasets indicate that ⅰ) the dynamic model simulated on the shortest paths can predict FC among both structurally connected and unconnected node pairs; ⅱ) though there are fewer links in the efficient propagation network, the predictive power of FC derived from the efficient propagation network is better than the dynamic model simulated on a structural brain network; ⅲ) in comparison with the DMF model, the dynamic model embedded in the shortest paths is found to perform better to predict FC.      

认知任务驱动的fMRI脑功能网络构建方法

针对脑功能网络的构建受到特定大脑图谱对兴趣点描述准确度及覆盖度的限制,提出了基于认知任务信息和神经影像数据的脑功能网络构建方法。首先计算fMRI体素对于认知任务的敏感度,然后在此基础上选取兼顾分布均衡和去中心化的大脑兴趣点,从而构建任务驱动的脑功能网络。实验通过在人脸情绪识别认知任务相关的梭状回构造任务驱动的脑功能网络,其度中心性、聚类系数、全局效率、局部效率这四个复杂网络指标均优于典型大脑图谱梭状回中兴趣点构成的网络。结果表明,计算得到的大脑兴趣点具有更强的整合性,更适合用于表征特定认知任务下的脑功能网络。     

Effective connectivity analysis of fMRI data based on network motifs

Exploring effective connectivity between neuronal assemblies at different temporal and spatial scales is an important issue in human brain research from the perspective of pervasive computing. At the same time, network motifs play roles in network classification and analysis of structural network properties. This paper develops a method of analyzing the effective connectivity of functional magnetic resonance imaging (fMRI) data by using network motifs. Firstly, the directed interactions between fMRI time-series are analyzed based on Granger causality analysis (GCA), by which the complex network is built up to reveal the causal relationships among different brain regions. Then the effective connectivity in complex network is described with a variety of network motifs, and the statistical properties of fMRI data are characterized according to the network motifs topological parameters. Finally, the experimental results demonstrate that the proposed method is feasible in testing and measuring the effective connectivity of fMRI data.     

MCI患者高阶动态功能连接的图论网络构建方法及分类

针对在低阶脑网络应用图论忽视了功能连接高阶动态性的问题,提出了一种基于高阶动态功能连接的图论网络构建方法(GNC-HodFC),提取高阶FC网络的图论特征以对轻度认知障碍患者和健康被试者进行差异性分析及分类。首先定义了表征高阶动态脑网络连接的图论节点和边;然后利用滑动窗相关技术提取低阶功能连接信息,提出平稳性判据,选取最优特征子集以构建图论的节点;最后提出自适应阈值策略对高阶动态功能连接信息进行选取以构建图论的边,最终完成高阶动态脑网络的图构建。实验结果表明,GNC-HodFC的平均分类准确率可以达到70.5%,优于其他三种对比方法,且患者组和健康组的图论特征中存在显著性差异,GNC-HodFC方法可以为轻度认知障碍的诊断提供新的辅助手段。     

基于动态功能连接的运动任务大脑状态表达

针对传统静态功能连接分析技术不能准确反映大脑动态功能状态的问题,提出了一种基于全脑动态功能连接(DFC)分析对大脑的状态变化进行表达的方法。首先,利用个体的弥散张量成像(DTI)数据构建高精确度全脑网络,将运动任务下功能磁共振成像(fMRI)数据映射到相应DTI空间后,提取各节点fMRI信号;然后,采用滑动时间窗口方法计算随时间变化的全脑功能连接强度矩阵,并提取动态功能连接向量(DFCV)样本;最后,将所有个体的DFCV样本通过基于Fisher准则的字典学习(FDDL)算法进行稀疏表达和分类。共得到8个该运动任务下全脑功能连接状态模式,各模式的功能连接强度空间分布具有明显差异,模式1、模式2和模式3占据了大部分样本分布(77.6%),且与平均静态功能连接强度矩阵之间的相似度明显高于其他5个模式。此外,大脑在各模式之间的状态迁移遵循一定的规律。实验结果表明,采用全脑DFC和FDDL学习相结合的方法,能够有效地对任务态下大脑的功能状态变化进行表达,为研究脑动态信息处理机制提供基础。     

基于动态功能性脑网络的情感分析

人脑活动是在秒级与毫秒级动态变化的,因此采用静态连接方式构建的功能性脑网络,会造成部分与时间相关有效特征的缺失.该文旨在研究情绪变化期间不同大脑区域之间相互作用的时空变化,提出了一个系统的分析框架.该框架包括相关性度量,脑状态分割,代表性时间片段提取以及动态网络构建和分析.首先,利用皮尔逊相关系数量化不同脑区之间的功能...     

基于生物脑网络连接特性的高效神经网络算法

人工神经网络发展至今,已经在计算机视觉、类脑智能等方面得到广泛应用.在过去几十年中,人们对神经网络的研究注重追求更高的准确率,从而忽略了对网络计算成本的控制.而人脑作为高效且节能的网络,其对人工智能的发展起到了重要启示作用.如何仿真生物脑网络的连接特性,建立超低能耗的人工神经网络模型实现基本相同的目标识别正确率成为当前研究的热点.为建立低能耗的人工神经网络模型,本文结合大脑网络的连接特性,通过改变人工神经网络的连接实现网络的高效性.实验结果表明,结合生物脑网络的连接特性,改变网络的连接,很大程度上减少了网络的计算成本,而网络的性能并没有受到明显影响.     

Fusing functional connectivity with network nodal information for sparse network pattern learning of functional brain networks

Sparse learning methods have been powerful tools for learning compact representations of functional brain networks consisting of a set of brain network nodes and a connectivity matrix measuring functional coherence between the nodes. However, these tools typically focus on the functional connectivity measures alone, ignoring the brain network nodal information that is complementary to the functional connectivity measures for comprehensively characterizing the functional brain networks. In order to provide a comprehensive delineation of the functional brain networks, we develop a new data fusion method for heterogeneous data, aiming at learning sparse network patterns to characterize both the functional connectivity measures and their complementary network nodal information within a unified framework. Experimental results have demonstrated that our method outperforms the best alternative method under comparison in terms of accuracy on simulated data as well as both reproducibility and prediction performance of brain age on real resting state functional magnetic resonance imaging data.     

静息态功能脑连接的空间动态分析及分类研究

现有的精神疾病分类模型仅采用脑网络的静态指标作为特征,忽略了脑网络的空间动态信息,导致分类性能不高。为克服这一局限性,提升分类模型的性能,提出了基于功能脑连接空间动态的分类方法。通过高维模板对脑连接进行空间动态分析,提取脑连接空间动态特征。利用统计分析进行特征选择,构建基于静息态功能脑连接的分类模型。通过对抑郁症患者与正常被试的分类实验结果表明,脑连接空间动态特征的分类准确率（83.0%）比传统采用脑网络的静态指标特征的分类准确率（77.8%）高5.2个百分点。     

基于功能连接信息熵的精神分裂症EEG分类研究

为了提高精神分裂症的有效诊断,利用网络功能连接信息熵的方法对51例精神分裂症患者和56例年龄匹配的正常人的脑电信号（Electroencephalogram,EEG）进行了分类。通过采用分频技术、相位同步分析方法、信息熵方法、支持向量机（Support Vector Machine,SVM）分类方法,大幅提高了分类准确率（98.13%）,实现了对精神分裂症的有效诊断。该分类方法主要涉及两阶段：利用分频技术和相位同步分析方法,获得各频段的脑电信号在各个时间点的功能连接矩阵;基于整个时间域上的功能连接计算各频段的信息熵,并将其分别作为功能脑网络的分类特征训练SVM分类器,进而对两组被试分类。分类结果表明,该方法大幅提高了精神分裂症检测的准确率。     

基于高阶最小生成树脑网络的多特征融合分类方法

现有的基于脑疾病的分类方法的研究使用的都是传统的低阶功能连接网络。低阶功能连接网络可能会忽略复杂的大脑区域之间动态的相互作用的模式。高阶功能连接网络能够反映网络中包含的丰富的动态时间信息,但原有的高阶功能连接网络使用聚类的方法降低了数据维度,使得构建的网络无法进行有效的神经学解释;其次,高阶功能连接网络由于规模较大,在利用复杂网络或图理论计算一些拓扑指标时消耗较大。基于此,提出了一种高阶最小生成树网络的构建方法,然后计算了传统的可量化网络指标(度和离心率)并结合频繁子图挖掘技术来挖掘具有判别能力的子网络,最后采用多核支持向量机进行分类。实验结果表明所提方法的分类精确度高达97.54%,获得了很好的分类性能。