论文部分内容阅读
人脑有上100亿个相互连接的神经元，是人类实现感知外界、控制身体运动、产生意识等功能的高级神经中枢。在过去几十年里，来自认知神经科学、解剖学、信息科学等领域的学者对大脑的结构和功能开展了卓有成效的研究工作。然而，大脑的神经元数目巨大、结构复杂，要完全理解人脑的功能机制，目前仍是一个挑战性科学难题。
近年来，医学成像技术的快速发展为解决这一难题提供了有利条件。功能核磁共振技术(functional Magnetic Resonance Imaging, fMRI)不仅具有无创、高时空分辨的优点，而且可以基于fMRI数据来构建脑网络，有助于理解大脑的功能运行机制。然而，由于fMRI数据具有高维、高噪、小样本等特性，在脑网络构建及分析时仍存在一些有待解决的难题，例如，脑网络构建方法鲁棒性能不理想、构建的个体特性脑网络定性分析与识别困难、现有脑网络的重测重现性量化指标存在局限性等。因此，针对以上问题，深入研究静息态脑网络的构建及分析方法，具有重要的理论意义和应用前景。
本文依托国家自然科学基金项目(81571341)和湖南省研究生创新项目(CX2016B127)，以人脑静息态fMRI数据为研究对象，首先采用一种简化的线性组合模型来描述固有连接网络之间的非线性动态耦合机制，在此基础上提出了一种基于时空双稀疏表示(Dual Temporal and Spatial Sparse Representation，DTSSR)的脑网络构建方法，从fMRI静息态数据中构建出个体特性脑网络和组水平脑网络；然后，提出了一种新的脑网络相似性量化评估指标，实现了多个脑网络的重测重现性量化评估；最后，将所提脑网络构建方法应用于成人注意力缺陷多动障碍症(Attention Deficit Hyperactivity Disorder，ADHD)患者的静息态fMRI数据分析中。论文完成的主要工作及创新点如下：
1、研究了基于稀疏表示的静息态fMRI个体特性脑网络构建方法。针对传统的独立成分分析方法在处理静息态fMRI数据时源成分独立假设缺乏神经生理学基础的问题，本文采用了具有神经生理学基础的稀疏表示方法，从个体静息态fMRI数据中构建个体特性脑网络。首先，对原始的静息态fMRI数据进行一系列预处理，以提高信号的信噪比；然后，采用基于在线字典学习算法的稀疏表示，对预处理后的个体时域fMRI信号矩阵进行分解，获得了个体特性脑网络；最后，将获得的个体特性脑网络与已有研究中报道的脑网络进行了匹配和分析。采用静息态fMRI公开数据集Leiden_2180对所提出的方法进行了实验测试，结果显示，所构建的个体特性脑网络与现有文献报道中的常见脑网络相关系数为0.24-0.76，相应的显著相关性检验P值都小于10-5，说明稀疏表示算法能有效地构建出个体特性脑网络。
2、提出了一种基于时空双稀疏表示的组水平脑网络构建方法。针对个体特性脑网络定性分析与识别困难的问题，本文根据脑网络分层耦合机制的特性，采用了一种简化的线性组合数学模型来描述固有连接网络(Intrinsic Connectivity Network，ICN)之间的非线性动态耦合机制。依据上述模型，提出了一种基于时空双稀疏表示的脑网络构建方法，获得了具有组共性的组水平ICN及ICN的耦合参数矩阵。在公开数据集Leiden_2180、Leiden_2200以及本文采集的数据集上的实验测试结果表明：采用DTSSR可以方便地识别和定性分析个体特性脑网络；所获得的组水平ICN能在脑科学上有合理的解释；与传统的时域串联组ICA方法(Temporally Concatenation Group ICA，TC-GICA)相比，DTSSR方法具有更好的鲁棒性。
3、提出了一种脑网络重测重现性评估新指标。针对传统的相似度评估指标不能直接评估三次及以上重测数据的重测重现性能的局限性，本文提出了一种基于Z标准化和组内相关系数的多变量相关系数(Zero-mean normalization and Intraclass Correlation Coefficient，Z-ICC)作为脑网络相似性评估指标，并对多次重测的fMRI数据上构建的组水平脑网络进行了重测重现性能的量化评估。在公开的静息态重测数据集NYU_TRT上的实验结果表明：(1)采用所提的Z-ICC指标，能有效地对三次重测的fMRI数据上获得的组水平脑网络进行重测重现性的量化评估；(2)与其他指标相比，采用Z-ICC获得的结果与人工观察结果更为一致；(3)相比TC-GICA方法，本文所提出的DTSSR方法具有更优越的重测重现性能。
4、将本文所提出的DTSSR方法应用于成人ADHD患者的fMRI数据分析中，获得了ADHD相关脑网络；并以此为基础设计了基于支持向量机的ADHD计算机辅助诊断分类方法。在公开数据集NewYork_a_ADHD上的实验结果发现，所检测出的ADHD相关网络为注意网络和执行控制网络，这两个脑网络涉及到与ADHD相关的注意控制、行为抑制、情绪控制等功能，所包含的脑区在现有的脑科学研究结果中也能得到应证。在公开的成人ADHD数据集(NewYork_a_ADHD)及健康控制组数据集(NewYork_a)上进行计算机辅助分类测试，获得了97.9%的准确率，能为成人ADHD的临床诊断提供有价值的参考信息。
近年来，医学成像技术的快速发展为解决这一难题提供了有利条件。功能核磁共振技术(functional Magnetic Resonance Imaging, fMRI)不仅具有无创、高时空分辨的优点，而且可以基于fMRI数据来构建脑网络，有助于理解大脑的功能运行机制。然而，由于fMRI数据具有高维、高噪、小样本等特性，在脑网络构建及分析时仍存在一些有待解决的难题，例如，脑网络构建方法鲁棒性能不理想、构建的个体特性脑网络定性分析与识别困难、现有脑网络的重测重现性量化指标存在局限性等。因此，针对以上问题，深入研究静息态脑网络的构建及分析方法，具有重要的理论意义和应用前景。
本文依托国家自然科学基金项目(81571341)和湖南省研究生创新项目(CX2016B127)，以人脑静息态fMRI数据为研究对象，首先采用一种简化的线性组合模型来描述固有连接网络之间的非线性动态耦合机制，在此基础上提出了一种基于时空双稀疏表示(Dual Temporal and Spatial Sparse Representation，DTSSR)的脑网络构建方法，从fMRI静息态数据中构建出个体特性脑网络和组水平脑网络；然后，提出了一种新的脑网络相似性量化评估指标，实现了多个脑网络的重测重现性量化评估；最后，将所提脑网络构建方法应用于成人注意力缺陷多动障碍症(Attention Deficit Hyperactivity Disorder，ADHD)患者的静息态fMRI数据分析中。论文完成的主要工作及创新点如下：
1、研究了基于稀疏表示的静息态fMRI个体特性脑网络构建方法。针对传统的独立成分分析方法在处理静息态fMRI数据时源成分独立假设缺乏神经生理学基础的问题，本文采用了具有神经生理学基础的稀疏表示方法，从个体静息态fMRI数据中构建个体特性脑网络。首先，对原始的静息态fMRI数据进行一系列预处理，以提高信号的信噪比；然后，采用基于在线字典学习算法的稀疏表示，对预处理后的个体时域fMRI信号矩阵进行分解，获得了个体特性脑网络；最后，将获得的个体特性脑网络与已有研究中报道的脑网络进行了匹配和分析。采用静息态fMRI公开数据集Leiden_2180对所提出的方法进行了实验测试，结果显示，所构建的个体特性脑网络与现有文献报道中的常见脑网络相关系数为0.24-0.76，相应的显著相关性检验P值都小于10-5，说明稀疏表示算法能有效地构建出个体特性脑网络。
2、提出了一种基于时空双稀疏表示的组水平脑网络构建方法。针对个体特性脑网络定性分析与识别困难的问题，本文根据脑网络分层耦合机制的特性，采用了一种简化的线性组合数学模型来描述固有连接网络(Intrinsic Connectivity Network，ICN)之间的非线性动态耦合机制。依据上述模型，提出了一种基于时空双稀疏表示的脑网络构建方法，获得了具有组共性的组水平ICN及ICN的耦合参数矩阵。在公开数据集Leiden_2180、Leiden_2200以及本文采集的数据集上的实验测试结果表明：采用DTSSR可以方便地识别和定性分析个体特性脑网络；所获得的组水平ICN能在脑科学上有合理的解释；与传统的时域串联组ICA方法(Temporally Concatenation Group ICA，TC-GICA)相比，DTSSR方法具有更好的鲁棒性。
3、提出了一种脑网络重测重现性评估新指标。针对传统的相似度评估指标不能直接评估三次及以上重测数据的重测重现性能的局限性，本文提出了一种基于Z标准化和组内相关系数的多变量相关系数(Zero-mean normalization and Intraclass Correlation Coefficient，Z-ICC)作为脑网络相似性评估指标，并对多次重测的fMRI数据上构建的组水平脑网络进行了重测重现性能的量化评估。在公开的静息态重测数据集NYU_TRT上的实验结果表明：(1)采用所提的Z-ICC指标，能有效地对三次重测的fMRI数据上获得的组水平脑网络进行重测重现性的量化评估；(2)与其他指标相比，采用Z-ICC获得的结果与人工观察结果更为一致；(3)相比TC-GICA方法，本文所提出的DTSSR方法具有更优越的重测重现性能。
4、将本文所提出的DTSSR方法应用于成人ADHD患者的fMRI数据分析中，获得了ADHD相关脑网络；并以此为基础设计了基于支持向量机的ADHD计算机辅助诊断分类方法。在公开数据集NewYork_a_ADHD上的实验结果发现，所检测出的ADHD相关网络为注意网络和执行控制网络，这两个脑网络涉及到与ADHD相关的注意控制、行为抑制、情绪控制等功能，所包含的脑区在现有的脑科学研究结果中也能得到应证。在公开的成人ADHD数据集(NewYork_a_ADHD)及健康控制组数据集(NewYork_a)上进行计算机辅助分类测试，获得了97.9%的准确率，能为成人ADHD的临床诊断提供有价值的参考信息。