论文部分内容阅读
人脑是由众多神经元、神经元集群和大脑区域相互连接的复杂系统。脑成像技术结合复杂网络理论对人脑进行建模,为探索人脑的工作机制以及病理机制提供了新的视角。众所周知,神经系统中存在多元复杂的高阶交互关系。基于此,研究人员提出利用超网络理论构建人脑功能超网络模型以刻画人脑中复杂的多元信息交互关系。近年来该模型已广泛用于人脑多元交互信息的模拟以及脑疾病的诊断中。但由于方法的限制,现有超网络模型无法表现人脑中固有的先验组结构问题,同时未对所构建的模型进行分析及进一步地有效应用。考虑到以上问题,本文基于功能磁共振影像数据,对静息态脑功能超网络的构建、分析及应用过程均提出相应的解决方案,以丰富静息态脑功能超网络的理论框架及应用体系。最后,实现静息态脑功能超网络构建分析辅助平台的开发。文中主要内容包括基于组结构的静息态脑功能超网络构建技术,静息态脑功能超网络鲁棒性技术,基于静息态脑功能超网络的多特征提取及多特征融合的分类模型构建技术,高序静息态脑功能超网络构建技术,和静息态脑功能超网络构建分析辅助平台的设计与开发。进一步使用抑郁症作为主要的脑疾病模型,探究所提方法的有效性及可行性,挖掘抑郁症早期诊断的影像学标志物。继而基于网络特征,采用机器学习方法,构建计算机分类诊断模型,辅助临床诊断。本文主要创新工作包括:(1)提出基于组LASSO和稀疏组LASSO方法的静息态脑功能超网络构建及分析技术针对现有脑超网络中无法表现人脑固有的先验组结构问题,提出基于组LASSO和稀疏组LASSO方法的静息态脑功能超网络构建及分析技术,改进脑超网络的建模。两种方法均为预设组选择方法,即考虑到人脑先验组结构信息的基础上,再进行脑超网络构建。不同的是,组LASSO方法为组级选择方法,只考虑预设组级脑区的选择。稀疏组LASSO方法为双级组选择方法,同时考虑预设组级与组内脑区的选择。首先,利用聚类算法对脑区进行分组,进而使用传统LASSO、组LASSO和稀疏组LASSO方法构建脑功能超网络。其次,利用超网络的聚类系数量化超网络以及非参数检验方法选取组间差异特征。最后利用支持向量机构建分类模型。此外,引入超网络鲁棒性理论评估不同超网络的鲁棒性以及Relief F方法评估差异特征的分类权重。进而从脑超网络拓扑、鲁棒性、差异脑区、分类性能及分类权重多个角度进行对比分析。结果显示稀疏组LASSO方法构建的超网络拓扑适中,组LASSO方法较为宽松,LASSO方法较为严格。稀疏组LASSO方法可获得更优的分类表现。这表明若想表征更为有效的大脑空间多元交互,不仅需要考虑组结构信息,还需对组结构进行进一步地延伸。(2)提出基于脑功能超网络模型的多特征提取及多特征融合分类模型构建技术针对现有脑功能超网络模型单一拓扑属性表达信息片面、扁平问题,提出基于脑功能超网络模型的多特征提取及多特征融合分类模型构建技术,以多角度表征脑功能超网络的局部拓扑。首先进行多特征提取,在本文所提稀疏组LASSO方法构建超网络的基础上,从节点属性角度出发,引入十一种超网络局部拓扑属性多角度表征脑功能超网络的拓扑。其次,利用非参数检验方法选取每一组拓扑属性的差异特征,并使用支持向量机分类,同时利用最小冗余最大相关算法评估特征有效性。接着从分类结果和特征有效性角度分别对每个单一拓扑属性进行对比分析。最后,基于包含较多脑疾病分类信息的拓扑属性,利用串联融合和基于对齐最大化算法的多核学习融合特征,构建分类模型。结果显示从单一拓扑属性层面来看,三种单节点聚类系数和两种双节点聚类系数以及平均最短路径实现了更好的分类性能。从融合特征层面来看,以上拓扑属性构成的融合特征优于任一单一拓扑属性以及全部拓扑属性构成的融合特征。而且使用多核学习方法构建的融合特征分类模型得到了更高的分类结果。这表明融合特征能够包含多种不同拓扑属性的信息,避免单一属性表征超网络信息片面的问题。同时多核学习方法对比于串联融合的特征融合方法来说,可进一步增强组间差异表征能力,提高分类模型的可靠性。(3)提出高序静息态脑功能超网络构建及分析技术针对静息状态下脑连接的动态变化,提出高序静息态脑功能超网络构建技术,以同时表征人脑工作机理的动态性和多元性。首先利用滑动时间窗方法得到相关时间序列,并基于相关时间序列,利用稀疏组LASSO方法构建高序脑超网络,反映超网络的时变性。其次,将高序超网络中的超边设为动态子图模式,利用频繁分数特征选择方法挖掘动态判别子图特征以表征高序超网络的全局信息,并使用Weisfeiler-Lehman子树核来量化判别子图,进而参与分类。同时,使用本文认为包含较多脑疾病分类信息的拓扑属性作为局部属性特征,进行非参数置换检验选取差异特征参与分类。最后,利用基于对齐最大化算法的多核学习方法融合判别子图特征和局部属性特征,构建分类模型。此外,利用Relief F方法评估分类权重。进而从差异脑区、动态子图模式、分类性能及分类权重四个层面验证所提方法的可靠性。结果表明高序超网络获得了更优的分类表现。这表明若想更加精确地模拟人脑复杂的工作机制以及精确地识别脑疾病生物学标志物,不仅需要考虑人脑的空间多元交互关系,而且需要体现人脑在时间上的时变特性。(4)实现静息态脑功能超网络构建分析辅助平台的设计与开发考虑到非计算机专业的研究人员利用超网络理论进行计算机辅助诊断的编码难度问题,实现了静息态脑功能超网络构建分析辅助平台(Brain functional hyper-network construction and analysis platform,Brain Hypernet Construction)的设计与开发。具体来说,集成本文中的构建分析等技术并结合传统的以及课题组现有的其他超网络应用技术,开发了Brain Hypernet Construction平台。通过图形用户友好界面帮助科研人员从不同层次通过快速,简单,灵活的方式实现超网络构建、分析及应用等工作任务,提高基于超网络理论的脑疾病诊断可重复性。