一种基于结构连接和功能连接的融合脑网络构建方法
专利汇可以提供一种基于结构连接和功能连接的融合脑网络构建方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及脑功能成像领域以及大脑网络的构建领域，具体为一种基于结构连接和功能连接的融合脑网络构建方法。本发明的目的是结合现有的结构脑网络和静息态功能脑网络在 疾病 研究中的各自优点，提出了一种融合两种连接的脑网络构建方法，即一种基于结构连接和功能连接的融合脑网络构建方法。本发明将结构连接矩阵与静息态功能连接矩阵进行融合。本发明的融合脑网络构建方法能够更有效地发现脑部疾病患者的脑网络与正常人的脑网络在网络属性指标上的差异性，从而为各种脑部疾病的研究带来一定的帮助。，下面是一种基于结构连接和功能连接的融合脑网络构建方法专利的具体信息内容。
1.一种基于结构连接和功能连接的融合脑网络构建方法，其特征在于：该方法是采用如下步骤实现的：
步骤S1：对弥散张量成像进行预处理，然后根据选定的标准化脑图谱，对预处理后的弥散张量成像进行区域分割；
步骤S2：采用确定性纤维束追踪算法，根据纤维束追踪的结束条件，计算两两脑区间的纤维束数量与部分各向异性指数，由此得到脑区间的纤维束数量矩阵FN与部分各向异性指数矩阵FA；
步骤S3：设定阈值τ，然后根据阈值对脑区间的纤维束数量矩阵FN进行二值化处理，得到二值化的纤维数量矩阵B；
步骤S4：对静息态功能磁共振成像进行预处理，然后根据选定的标准化脑图谱对静息态功能磁共振成像进行区域分割，最后对分割的各个脑区分别进行平均时间序列的提取；
步骤S5：利用皮尔逊相关分析方法，计算两两脑区间的平均时间序列相关系数，得到平均时间序列的相关关联矩阵，并对平均时间序列的相关关联矩阵取绝对值，将取绝对值后的相关关联矩阵记为R；
步骤S6：根据步骤S3得到的二值化纤维数量矩阵B，分别对步骤S2得到的部分各向异性指数矩阵FA与步骤S5得到的取绝对值后的相关关联矩阵R进行稀疏化，得到结构脑网络矩阵FAs和静息态功能脑网络矩阵Rs；
步骤S7：采用Min-max 标准化方法对步骤S6得到的结构脑网络矩阵FAs和静息态功能脑网络矩阵Rs进行标准化，得到标准化结构脑网络矩阵FAz和标准化静息态功能脑网络矩阵Rz；
步骤S8：对步骤S7得到的标准化结构脑网络矩阵FAz和标准化静息态功能脑网络矩阵Rz进行融合，从而得到基于结构连接与功能连接的融合脑网络矩阵RFA。
2.根据权利要求1所述的一种基于结构连接和功能连接的融合脑网络构建方法，其特征在于：所述步骤S1中，预处理采用脑功能磁共振成像软件进行，预处理的步骤具体包括：
磁化系数修正、涡流失真修正、头动矫正；标准化脑图谱采用脑成像国际联盟图谱。
3.根据权利要求1所述的一种基于结构连接和功能连接的融合脑网络构建方法，其特征在于：所述步骤S2中，确定性纤维束追踪算法采用以下四种算法的任一种：纤维联络连续追踪、2nd order runge-kutta、Tensoline与Interplated Streamline；纤维束追踪的结束条件具体包括：1)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束的部分各向异性指数小于0.1，则该条纤维束的追踪终止；2)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束位于大脑皮层的边界，则该条纤维束的追踪终止；3)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束的偏转角度大于
35°，则该条纤维束的追踪终止。
4.根据权利要求1所述的一种基于结构连接和功能连接的融合脑网络构建方法，其特征在于：所述步骤S3中，对纤维束数量矩阵FN的二值化处理公式具体表示如下：
（1）
公式(1)中： 表示二值化纤维数量矩阵B中第行第 列的元素； 表示纤维束数量矩阵中第行第 列的元素；τ表示阈值，取值为3；二值化纤维数量矩阵B的维度为90×90。
5.根据权利要求1所述的一种基于结构连接和功能连接的融合脑网络构建方法，其特征在于，步骤S4中，对静息态功能磁共振成像进行预处理，去除采集过程中由于设备、被试头动、生物噪音带来的噪音信号，提高了信噪比；并通过仿射变换和局部非线性变换方法将影响同一化到所选取的标准空间；预处理步骤至少包括时间层校正、头动校正、联合配准、空间标准化及低频滤波；采用的标准化脑图谱是国际通用的解剖标记模板，依据该国际通用的解剖标记模板首先将全脑分割为90个区域，然后提取各脑区的平均时间序列，具体步骤包括：先提取每个脑区内部各体素在不同时间点上的激活值，再将该脑区内所有体素在同一时间点上的激活值进行算术平均，得到该脑区的平均时间序列；激活值指的是不同时间点上的血氧水平依赖强度。
6.根据权利要求1所述的一种基于结构连接和功能连接的融合脑网络构建方法，其特征在于，步骤S5中，皮尔逊相关分析方法采用如下计算公式：
（2）
公式（2）中， 表示脑区 在第 个时间点的平均时间序列，表示脑区 在整个扫描期间内平均时间序列的平均值； 表示脑区 在第 个时间点的平均时间序列，表示脑区 在整个扫描期间平均时间序列的平均值； 表示为脑区 和 之间的皮尔逊相关系数；依据相关系数，得到平均时间序列的相关关联矩阵，并将取绝对值后的相关关联矩阵记为R，如下所示：
（3）
公式(2)与公式(3)中，n为全脑分割的区域个数，n的值为90。
7.根据权利要求1所述的一种基于结构连接和功能连接的融合脑网络构建方法，其特征在于，步骤S6中，根据步骤S3得到的二值化纤维数量矩阵B，对步骤S2得到的部分各向异性指数矩阵FA与步骤S5得到的取绝对值后的相关关联矩阵R进行稀疏化的具体计算步骤如下：
若二值化纤维数量矩阵B的元素 值为1，则结构脑网络矩阵FAs的元素 值设为部分各向异性指数矩阵FA的对应元素 ；若元素 值为0时，则结构脑网络矩阵FAs的对应元素 值设为0；则结构脑网络矩阵FAs描述为如下公式所示：
（4）
若二值化纤维数量矩阵B的元素 值为1，则静息态功能脑网络矩阵Rs元素 值设为取绝对值后的相关关联矩阵R的对应元素 ，若元素 值为0时，则静息态功能脑网络矩阵Rs的元素 值设为0；则静息态功能脑网络矩阵Rs描述为如下公式所示：
（5）。
8.根据权利要求1所述的一种基于结构连接和功能连接的融合脑网络构建方法，其特征在于，步骤S7中， Min-max 标准化方法的计算公式如下所示：
（6）
公式（6）中，z为标准化结构脑网络矩阵FAz或标准化静息态功能脑网络矩阵Rz中的任一元素，即 或 ， 为结构脑网络矩阵FAs或静息态功能网络矩阵Rs中与z对应的元素， 为结构脑网络矩阵FAs或静息态功能网络矩阵Rs中的元素最小值， 为结构脑网络矩阵FAs或静息态功能网络矩阵Rs中的元素最大值。
9.根据权利要求1所述的一种基于结构连接和功能连接的融合脑网络构建方法，其特征在于，步骤S8中，融合脑网络矩阵RFA的计算过程如下公式所示：
（7）
公式（7）中，为权值，取值范围为0 1，具体计算公式如下所示：
~
（8）
公式（8）中， 满足 ，即 的取值需使得
基于结构连接的脑网络与基于静息态功能连接的脑网络的标准方差最小； 的取值范围为，步长为0.01，并与 的取值一一对应。
一种基于结构连接和功能连接的融合脑网络构建方法
技术领域
背景技术
发明内容
步骤S2：采用确定性纤维束追踪算法，根据纤维束追踪的结束条件，计算两两脑区间的纤维束数量与部分各向异性指数，由此得到脑区间的纤维束数量矩阵FN与部分各向异性指数矩阵FA；
步骤S3：设定阈值τ，然后根据阈值对脑区间的纤维束数量矩阵FN进行二值化处理，得到二值化的纤维数量矩阵B；
步骤S4：对静息态功能磁共振成像进行预处理，然后根据选定的标准化脑图谱对静息态功能磁共振成像进行区域分割，最后对分割的各个脑区分别进行平均时间序列的提取；
步骤S5：利用皮尔逊相关分析方法，计算两两脑区间的平均时间序列相关系数，得到平均时间序列的相关关联矩阵，并对平均时间序列的相关关联矩阵取绝对值，将取绝对值后的相关关联矩阵记为R；
步骤S6：根据步骤S3得到的二值化纤维数量矩阵B，分别对步骤S2得到的部分各向异性指数矩阵FA与步骤S5得到的取绝对值后的相关关联矩阵R进行稀疏化，得到结构脑网络矩阵FAs和静息态功能脑网络矩阵Rs；
步骤S7：采用Min-max 标准化方法对步骤S6得到的结构脑网络矩阵FAs和静息态功能脑网络矩阵Rs进行标准化，得到标准化结构脑网络矩阵FAz和标准化静息态功能脑网络矩阵Rz；
步骤S8：对步骤S7得到的标准化结构脑网络矩阵FAz和标准化静息态功能脑网络矩阵Rz进行融合，从而得到基于结构连接与功能连接的融合脑网络矩阵RFA。
表1的AD患者与NC正常人两组被试的脑网络属性差异分析统计值（p）显示，相较于结构脑网络和静息态功能脑网络，基于结构连接和功能连接的融合脑网络属性差异分析的统计值（p）最小，如表1中粗体部分所示；p值越小，表明两组被试的脑网络属性指标差异越显著，即AD患者的融合脑网络属性指标与NC正常人的融合脑网络属性指标间的差异最为显著；相较于现有的结构脑网络与静息态功能脑网络，两组被试在融合脑网络的全局效率（Eg）、聚合系数（Cp）、特征路径长度（Lp）、标准化的聚合系数（Gamma）与小世界属性（Sigma）的差异有大幅度地提高，两组被试在融合脑网络的局部效率（Eloc）与标准化的特征路径长度（Lambda）这两个属性指标上略有提高。
具体实施方式
步骤S1：对弥散张量成像进行预处理，然后根据选定的标准化脑图谱，对预处理后的弥散张量成像进行区域分割；
所述步骤S1中，预处理采用脑功能磁共振成像软件 (FMRIB Software Library, FSL)进行，预处理的步骤具体包括：磁化系数修正、涡流失真修正、头动矫正；标准化脑图谱采用脑成像国际联盟（the International Consortium of Brain Mapping，ICBM）图谱。
1)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束的部分各向异性指数小于0.1，则该条纤维束的追踪终止；2)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束位于大脑皮层的边界，则该条纤维束的追踪终止；3)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束的偏转角度大于35°，则该条纤维束的追踪终止。
（1）
公式(1)中： 表示二值化纤维数量矩阵B中第 行第 列的元素； 表示纤维束数量矩阵中第行第列的元素；τ表示阈值，取值为3；二值化纤维数量矩阵B的维度为90×90。
（2）
公式（2）中， 表示脑区 在第 个时间点的平均时间序列，表示脑区 在整个扫描期间内平均时间序列的平均值。 表示脑区 在第 个时间点的平均时间序列，表示脑区 在整个扫描期间平均时间序列的平均值。 即可表示为脑区 和 之间的皮尔逊相关系数；
依据相关系数，得到平均时间序列的相关关联矩阵，并将取绝对值后的相关关联矩阵记为R，如下所示：
（3）
公式(2)与公式(3)中，n为全脑分割的区域个数，n的值为90。
若二值化纤维数量矩阵B的元素 值为1，则结构脑网络矩阵FAs的元素 值设为部分各向异性指数矩阵FA的对应元素 ；若元素 值为0时，则结构脑网络矩阵FAs的对应元素 值设为0；则结构脑网络矩阵FAs描述为如下公式所示：
（4）
若二值化纤维数量矩阵B的元素 值为1，则静息态功能脑网络矩阵Rs元素 值设为取绝对值后的相关关联矩阵R的对应元素 ，若元素 值为0时，则静息态功能脑网络矩阵Rs的元素 值设为0；则静息态功能脑网络矩阵Rs描述为如下公式所示：
（5）。
（6）
公式（6）中，z为标准化结构脑网络矩阵FAz或标准化静息态功能脑网络矩阵Rz中的任一元素，即 或 ，为结构脑网络矩阵FAs或静息态功能网络矩阵Rs中与z对应的元素， 为结构脑网络矩阵FAs或静息态功能网络矩阵Rs中的元素最小值， 为结构脑网络矩阵FAs或静息态功能网络矩阵Rs中的元素最大值。
（7）
公式（7）中，为权值，取值范围为0 1，具体计算公式如下所示：
~
（8）
公式（8）中， 满足 ，即 的取值需使得基
于结构连接的脑网络与基于静息态功能连接的脑网络的标准方差最小； 的取值范围为，步长为0.01，并与 的取值一一对应（即 ）。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 磁共振弥散张量成像的参数误差估计方法和装置 | 2020-05-21 | 826 |
| 基于脑磁图和弥散张量成像的多模态脑功能重建评估方法 | 2020-05-21 | 15 |
| 磁共振弥散张量成像方法及系统 | 2020-05-15 | 958 |
| 一种基于弥散张量成像实现经颅磁刺激深部脑区的方法 | 2020-05-18 | 913 |
| 一种综合性磁共振成像装置及方法 | 2020-05-25 | 483 |
| 一种基于弥散张量成像技术的疾病诊断辅助系统及方法 | 2020-05-19 | 224 |
| 弥散张量成像方法及系统 | 2020-05-12 | 514 |
| 大脑异常参数的提取方法和系统 | 2020-05-26 | 521 |
| 多b值弥散张量成像采样方法 | 2020-05-11 | 654 |
| 弥散张量成像方法及系统 | 2020-05-13 | 853 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
