[发明专利]一种基于流行学习算法的fMRI数据二维可视化方法

说明书

该发明公开了一种基于流行学习算法的fMRI数据二维可视化方法,该方法属于生物医学图像模式识别技术领域，具体涉及功能磁共振图像数据的降维可视化方法。本发明利用流行学习算法对fMRI数据进行降维处理并实现了大脑体素的二维可视化，具有高效性以及高稳定性。并且t‑SNE算法本身的降维机制也决定了二维可视化的结果可以保持数据原有的空间拓扑关系。本发明对于功能磁共振数据的二维可视化方面提出了新的有效的方法，首次将流行学习算法应用于大脑fMRI数据的二维可视化，可以作为传统皮层展开图、膨胀图的一种补充手段。

技术领域

本方法属于生物医学图像模式识别技术领域，具体涉及功能磁共振图像数据的降维可视化方法。

背景技术

近年来，血氧水平依赖性磁共振脑功能成像(Blood oxygenation level-dependent functional magnetic resonance imaging,BOLD-fMRI)技术得到极快的发展。比起现有其他大脑功能成像技术，fMRI不仅时间分辨率更高，就连空间分辨率也可达到毫米水平。因此我们可以利用fMRI对特定的大脑活动的皮层区域进行准确、可靠的定位。而为了能直观地展现出这些大脑活动的皮层区域，fMRI数据的可视化工作显得尤为重要。

功能磁共振数据的二维可视化是指将处理分析后的fMRI数据在二维平面内以直观的形式表现出来，以方便结果观察和引用。目前比较常用的方法主要有皮层“充气”膨胀(inflatten)和皮层的切开、展平(cut and flatten)。这两种方法都是在图像分割的基础上进行的三维计算，在医学图像的三维结构测量和分析中应用较广。例如在视网膜拓扑映射图(Retinotopic map)技术中，我们通常把枕叶的皮层的沟回结构进行展开，从而在平面图像上对不同视觉刺激下激活的区域进行评价,如图2。

目前上述两种方法可以通过很多专业软件来实现，比较常用的有Caret、Freesurfer、BrainVoyager等，这两种方法都是以保持皮层的解剖拓扑结构为原则的。而在功能磁共振数据的二维可视化过程中，我们有时并不关注大脑体素所在皮层的解剖结构信息，而更多地关注这些体素的空间拓扑关系。现在并没有很好的方法可以在保持大脑体素的空间拓扑关系的基础上将fMRI数据降维，并且在二维平面内进行可视化展示。

发明内容

针对上述存在的问题，本发明提供了一种新的fMRI数据的二维可视化方法。在算法选取方面，为了比较不同流行学习算法的效果，我们用AAL模板中43-56脑区的体素数据构建了原始数据，并用不同流行学习算法对该数据进行了二维可视化(图3)，结果显示t-分布邻域嵌入(t-SNE)算法的效果最佳。

为了进一步验证t-SNE算法可以很好地保持原数据的空间拓扑属性，我们分别对全脑体素数据以及AAL模板43-56脑区的体素数据使用t-SNE算法进行三维映射(即用t-SNE算法将原数据转换为新的三维数据)并以三视图的形式进行可视化，结果如图4、图5所示。可以很明显地看到，在用上述算法进行处理后，结果依旧保持了原始数据的空间拓扑属性。

本发明所用方法基于t-SNE算法将fMRI数据降维为二维数据，然后展示出来；本发明方案为一种基于流行学习算法的fMRI数据二维可视化方法，该方法包括：

步骤1.获取脑部的功能性磁共振图像fMRI，并将其与脑功能区模板进行匹配，确定每个体素点所处的脑功能区，所述的脑功能区模板为已有的标准大脑功能分区模板；