基于成組典型相關分析的腦功能磁共振成像盲源分離方法
【技術領域】
[0001]本發明涉及大腦核磁共振成像數據盲源分離技術，具體涉及一種基于成組典型相關分析(Group Canonical Correlat1n Analysis,GroupCCA)的腦功能磁共振成像盲源分離方法。
【背景技術】
[0002]腦功能成像是以神經活動產生的血流、代謝或者磁信號、電信號變化為基礎，運用成像技術和圖像處理方法，將大腦活動直觀地表現出來。無創式醫學影像技術的出現，實現了無創條件下的活體腦成像，極大地推動了腦科學和認知神經科學的發展，使得人類從最初憑空想象推測大腦黑箱之謎，到可以窺探大腦的實時活動。
[0003]磁共振掃描儀是根據磁共振影像原理在梯度磁場以及射頻脈沖作用下人體組織進行成像的。人體各個組織的弛豫時間!^和^都不相同，這種弛豫時間上的差別成為MRI的基礎。掃描過程中所采集的磁共振信號就是人體組織中氫原子核在弛豫過程中發射出的特征脈沖。將收到的磁共振信號利用計算機進行數字化后轉化為灰度值，然后進行空間編碼，就可以實現圖像重建，變成我們所看到的MRI影像。
[0004]典型相關分析(Canonical Correlat1n Analysis，CCA)技術最初是一種多變量分析工具，用來分析兩組變量之間的整體相關性。Friman等創造性地利用CCA來分析單組變量的自相關性，從而將CCA引入fMRI信號的盲源分離(BSS)領域，并提出BSS-CCA算法。BSS-CCA算法認為，所有真實的、有生理意義的fMRI信號都是平滑變化的，相對于ICA等傳統的BSS算法，這一基本假設更符合神經成像數據的真實情況，所以取得了更優的處理效果，從而成為大腦成像數據分析領域的主流算法之一。
[0005]對于傳統的BSS算法而言，調整信號的采樣點出現的順序對于處理結果沒有任何影響。而實際上，采樣點的順序是決定信號波形的重要因素，是有助于提高信號分離質量的重要先驗知識。采樣點的順序信息有很多種，但其中最明顯的一個特征就是:實際物理信號(噪聲除外)相鄰或相近的采樣值相近。針對這一特性，不同的研究者給出了不同的數學描述、稱呼和實現方法。該特征可以被描述為信號變化慢或者變化平滑，也可以被描述為相鄰采樣點具有可預測性，或者信號自相關性強。這里為了討論方便，將信號在相鄰或相近采樣點處的值相近這一特征統稱為信號的鄰域特征。BSS-CCA正是利用了謂RI源信號之中普遍存在的鄰域特征來完成感興趣的信號分離和提取。
【發明內容】
[0006]本發明要解決的技術問題:針對現有技術的上述問題，提供一種不但能夠更好地貼近功能磁共振成像物理和生理特性、而且還能提取不同被試個體之間相同特征，原理簡單且貼近實際、操作方便、占用運算資源少、運算速度快的基于成組典型相關分析的腦功能磁共振成像盲源分離方法。
[0007]為了解決上述技術問題，本發明采用的技術方案為:
[0008]—種基于成組典型相關分析的腦功能磁共振成像盲源分離方法，步驟包括:
[0009]I)輸入經過預處理后的被試大腦磁共振圖像；
[0010]2)將輸入的大腦磁共振圖像進行subject層次的降維；
[0011]3)將subject層次的降維數據進行數據組合；
[0012]4)將數據組合的結果進行group層次的降維；
[0013]5)將group層次的降維結果進行典型相關分析CCA得到組群層級的源網絡；
[0014]6)將組群層級的源網絡依次進行數據反重構、標準化處理，得到每個被試的大腦源網絡SCi及對應的時間波動tCi ；
[0015]7)將所有被試的大腦源網絡Sc1及對應的時間波動化工進行加和取平均，得到被試組群的平均大腦源網絡groupsc以及對應的時間波動grouptc。
[0016]優選地，所述步驟2)的詳細步驟包括:
[0017]2.1)將經過預處理的大腦磁共振圖像載入Matlab的工作空間，所述大腦磁共振圖像維數為[a，b，c]、采樣數為n，分別將大腦磁共振圖像的采樣數據通過reshape函數處理為[m，n]維的矩陣hi，其中m=a*b*c，i = l，...，N，N為被試個數；
[0018]2.2)將每個矩陣Iu按列去掉小于平均值的元素得到維數為[p，n]的新矩陣I1并記錄被保留數據的索引值；
[0019]2.3)將每個新矩陣Ii通過主成分分析PCA變換為數據矩陣subsigi(p Xnumcomp)，其中P為行數、numcomp為要求的腦網絡的個數，所述數據矩陣subs igi (p X numcomp)對應的白化矩陣為whitesub1、去白化矩陣為dewhi tesubi。
[0020]優選地，所述步驟3)詳細步驟包括:將subject層次的降維得到的每幅大腦磁共振圖像的數據矩陣s ub s i gi (P X numc omp)的一列視為一個空間成分，按照列組合的方式將每幅大腦磁共振圖像的數據矩陣8油8181化\]111111(3011^1)組合為新的數據矩陣81'01^)；[11，使得每幅大腦磁共振圖像的數據矩陣8油8181(?\]111111(3011^1)的每一列都為數據矩陣81'01^)；[11的一列。
[0021 ]優選地，所述步驟4)的詳細步驟包括:將新的數據矩陣groupin通過主成分分析PCA變換為數據矩陣groupsig，所述數據矩陣groupsig對應的白化矩陣為whitegroup、去白化矩陣為dewhitegroup。
[0022 ]優選地，所述步驟5)的詳細步驟包括:
[0023]5.1)取group層次的降維得到的數據矩陣groupsig中每個元素相鄰的上下、左右和前后6個元素的平均數作為待生成數據矩陣L的相應元素值，邊界元素用零補齊，生成自相關的數據矩陣L;
[0024]5.2)將自相關的數據矩陣L利用典型相關分析CCA進行分析，解出特征向量組成矩陣即為數據矩陣groupsig的分解矩陣W，所述分解矩陣W的逆矩陣為A，將所述分解矩陣W作為得到的組群層級的源網絡輸出。
[0025]優選地，所述步驟6)中進行數據反重構時，數據反重構的原則為保證數據反重構后得到的每個被試的源網絡矩陣與對應的時間波動矩陣的乘積等于未通過典型相關分析CCA處理之前每個被試的原始數據矩陣。
[0026]優選地，所述步驟6)中進行數據反重構的詳細步驟包括:根據數據矩陣subsigjpX numcomp)、數據矩陣groupsig對應的白化矩陣為、數據矩陣groupsig的分解矩陣W三者反重構每個被試的空間成分SCi;根據數據矩陣subs igi (P X numcomp)對應的去白化矩陣為dewhi tesub1、數據矩陣groupsig對應的去白化矩陣為dewhitegroup、分解矩陣W的逆矩陣A三者反重構得到每個被試的空間波動tCi。
[0027]優選地，所述步驟6)中的標準化處理包括符號糾正和比例縮放處理。
[0028]優選地，所述步驟7)中將所有被試的大腦源網絡Sc1及對應的時間波動tCl進行加和取平均具體是指針對將所有被試的大腦源網絡SC1及對應的時間波動tCl*別進行取和再除以被試個數N
[0029]本發明基于成組典型相關分析的腦功能磁共振成像盲源分離方法具有下述優點:
[0030]1、ICA等傳統的BSS方法一般對fMRI信號做出相對獨立的假設，而實際上fMRI信號是不滿足獨立假設的，但其具有很強的自相關性，這從根本上決定了本發明的腦功能磁共振成像盲源分離方法比傳統的BSS方法更符合fMRI信號的真實生理特性。
[0031]2、不同被試個體之間fMRI信號的分離結果是有明顯差異，本發明的腦功能磁共振成像盲源分離方法正是考慮到這種差異，在個體分析的基礎上在添加組群分析，提取不同被試個體之間的相同特征。
[0032]3、本發明的腦功能磁共振成像盲源分離方法的模型是可以計算的數學模型，而非只能近似的數據模型。
[0033]4、本發明的腦功能磁共振成像盲源分離方法中用CCA算法取代傳統的ICA算法，由一個特征值問題代替迭代算法，大大減少了計算量。
【附圖說明】
[0034]圖1為本發明實施例方法的基本流程示意圖。
[0035]圖2是用本發明實施例方法求得的腦脊液在軟件MRIcroN中呈現的三視圖。
[0036]圖3是用本發明實施例方法求得的頭動噪聲在軟件MRIcroN中呈現的三視圖。
[0037]圖4是用本發明實施例方法求得的內側視皮層網絡在軟件caret中呈現的左右半腦的lateral、medial和dorsal視圖。
[0038]圖5是用本發明實施例方法求得的后側默認網絡在軟件caret中呈現的左右半腦的 lateral、medial和dorsal視圖。
[0039]圖6是用本發明實施例方法求得的背側默認網絡在軟件caret中呈現的左右半腦的 lateral、medial和dorsal視圖。
[0040]圖7是用本發明實施例方法求得的執行控制網絡在軟件caret中呈現的左右半腦的 lateral、medial和dorsal視圖。
[0041]圖8是用本發明實施例方法求得的腹側注意網絡在軟件caret中呈現的左右半腦的 lateral、medial和dorsal視圖。
[0042]圖9是用本發明實施例方法求得的語言網絡在軟件caret中呈現的左右半腦的lateral、medial和dorsal視圖。
【具體實施方式】
[0043]如圖1所示，本實施例基于成組典型相關分析的腦功能磁共振成像盲源分離方法的步驟包括:
[0044]I)輸入經過預處理后的被試大腦磁共振圖像(fMRI數據)；
[0045]2)將輸入的大腦磁共振圖像進行subject層次的降維；
[0046]3)將subject層次的降維數據進行數據組合；
[0047]4)將數據組合的結果進行group層次的降維；
[0048]5)將group層次的降維結果進行典型相關分析CCA得到組群層級的源網絡；
[0049]6)將組群層級的源網絡依次進行數據反重構、標準化處理，得到每個被試的大腦源網絡SCi及對應的時間波動tCi ；
[0050]7)將所有被試的大腦源網絡Sc1及對應的時間波動化工進行加和取平均，得到被試組群的平均大腦源網絡groupsc以及對應的時間波動grouptc。
[0051]本實施例中，使用40個正常人被試經過預處理的靜息態下的fMRI數據，格式為nii，每個被試只有一個sess1n，要求從這些數據中提取30個腦網絡。
[0052]本實施例中，步驟2)實質上是利用主成分分析PCA對每個被試的大腦磁共振圖像進行個體層次的降維，詳細步驟包括:
[0053]2.1)將經過預處理的大腦磁共振圖像載入Matlab的工作空間，大腦磁共振圖像(本實施例中格式為nii，每個被試只有一個sess1n)維數為[a，b，c]、采樣數為η，分別將大腦磁共振圖像的采樣數據通過