论文部分内容阅读
功能磁共振成像(functional magnetic resonance imaging,fMRI)是用来研究人脑在刺激响应下的功能的神经影像学技术,它是目前发展最快、最有效的一种测量脑活动的技术。功能磁共振成像结合了功能、影像和解剖三方面的因素,通过分析由fMRI设备测量的血氧水平依赖(blood oxygenation level-dependent,BOLD)信号的变化,来检测不同知觉、运动或认知控制下的脑激活区域。功能磁共振成像具有诸多优势,如无创伤性、无放射性、具有较高的时间和空间分辨率、可多次重复操作等。因此,功能磁共振成像作为脑功能成像的首选方法已被广泛应用。随着功能磁共振成像技术的发展,许多fMRI数据处理方法应运而生,并取得了不少成果。这些技术包括广义线性模型(general linear model,GLM)、ICA、聚类方法等。本文采用一种无监督的聚类方法进行fMRI数据分析。某个特定问题选择某种聚类方法的出发点是选择一种标准来决定相同类的成员。fMRI数据中的一个体素是否属于某种激活区域,仅与这个体素时间向量的波形(Waveform)有关,而与幅度无关,相同激活的体素时间向量聚类于某一向量周围形成柱状而不是球状。本文的方法采用一种柱状的标准,建立了数据的概率分布模型,并根据最大似然估计法则,使用EM算法得到不同激活的时间特征向量(Signature Vector)。由于极大似然准则本身不能确定最优分类数,似然函数的极大值是分类数的非减函数,所以本文提出的方法还根据MDL(Minimum Descriptions Length)准则,比较不同分类数下加入惩罚项的似然函数的值,得到一个最优的分类数。获得不同激活的时间特征向量后,本文方法利用最优线性变换(OptimalLinear Transformation,OLT)来产生fMRI脑激活图(Brain Activation Map)。OLT是一种图像特征空间的分析技术,它能够最大化目标激活区域的信噪比,同时去除非目标激活区域和非激活区域。本文使用理想血流动力学响应产生仿真fMRI数据,然后分别使用本文聚类方法及AFNI(Analysis of Functional Neuroimage)软件中基于GLM的方法分析仿真数据,并进行ROC分析。结果显示本文的方法能够使ROC曲线下(AUC)的面积更大,即本文的算法能够得到更好的结果。最后使用本文提出的方法处理一组真实的fMRI数据,并与ICA结果相比较。