论文部分内容阅读
空间源相位是由数据驱动的盲源分离算法,如独立成分分析(independent component analysis,ICA),从复数功能磁共振成像(functional magnetic resonance imaging,fMRI)数据中提取到的空间激活图(spatial map,SM)的相位信息,具有极为突出的消噪能力。然而,空间源相位中蕴含的独特信息在识别病人与健康人的组差异及二者的单被试分类方面的研究尚属空白。为此,本文基于包括精神分裂症患者(schizophrenia,SZ)和健康对照(healthy control,HC)共82名被试的复数静息态fMRI(resting-state fMRI,rs-fMRI)数据,开展了以下新颖的研究工作:(1)针对空间源相位在识别组差异方面性能未知的问题,提出了基于体素级方差分析的空间差异识别方法和基于重采样的组差异验证方法。首先,根据空间源相位的变化性,构建了体素级SZ与HC空间源相位向量,结合方差齐性检验(F-test),生成了SZ-HC方差差异图。进而,定义了方差差异系数,以衡量和突显SZ-HC脑区空间差异。最后,设计了两种重采样方法,验证了空间差异的鲁棒性。对于默认网络(default mode network,DMN)和听觉成分(auditory cortex,AUD)的实验结果表明,与传统的空间源幅值相比,空间源相位在识别空间差异方面具有更高的灵敏度和可靠性。(2)针对fMRI疾病分类中存在的数据量少而数据维数高的问题,提出了单成分ICA-CNN分类框架,以及基于多种ICA模型阶数的数据增广方法。通过ICA获取感兴趣成分的SM估计,将其转换为二维切片用以构建样本集。ICA从fMRI数据提取单成分初级特征,CNN模型从ICA成分中继续提取深层特征并用于分类。单成分DMN,左额顶网络(left frontoparietal network,FPNL)和右额顶网络(right frontoparietal network,FPNR)的实验结果表明,本文提出的ICA-CNN比ICA分类具有更优的分类性能,空间源相位用于分类的准确率、敏感度和特异性均优于空间源幅值和幅值数据,基于不同ICA模型阶数的数据增广方法能够在一定程度上解决fMRI数据短缺问题。(3)针对单成分脑信息的有限性,提出了基于ICA后融合和CNN后融合的多成分ICA-CNN分类框架。ICA后融合将不同的静息态脑网络(resting-state network,RSN)在数据层面进行平均融合,CNN后融合则在特征层面以及单模型决策结果层面进行连接,从而进行综合的类别预测。实验比较了5种感兴趣成分不同融合策略的分类性能,结果表明,多成分融合提高了分类性能,CNN后特征融合对特征的学习能力最强,相对于CNN后投票决策而言,ICA后融合和CNN后特征融合是更优的RSN融合策略。