[发明专利]一种基于脑功能成像的脑内激活趋势的分析方法

摘要

本发明公开了一种基于脑功能成像的脑内激活趋势的分析方法，包括以下步骤：输入脑核磁共振图像实验数据序列；利用自相关性筛选脑体素点；计算每幅脑图像的时间簇；去除时间簇基数。本发明通过筛选后的各体素点信号强度与其平均值相比，统计每幅脑核磁共振图像中所有大于平均值体素点的个数，形成描述脑内一维时域变化的向量，并根据该向量绘制时间轴曲线，根据曲线高低的变化趋势可以直观观测出脑在每一个时刻的激活情况，从而得到认知过程中脑内反应趋势，当在曲线中出现连续的相对高点时，即可作为大脑为完成任务所持续激活的工作时间窗，通过与实验设计的周期情况对比，可以得到该任务在脑内呈现促进作用还是抑制作用，为研究者提供数据依据。

主权项

一种基于脑功能成像的脑内激活趋势的分析方法，其特征在于：包括以下步骤：A、输入脑核磁共振图像实验数据序列脑核磁共振图像实验数据序列，在整个的实验过程中有两种不同的条件，分别形成任务组块和控制组块，每个组块持续一定时间，并在连续的扫描中交替出现；每隔一段固定时间，机器会采到一幅全脑加权像，它们构成一个离散的时间序列，记为{f(n)}，n为正整数；因此，组块持续时间可以使用扫描图像的数量代替，{f(n)}的长度l即总图像数由实验的周期数L与周期长度所决定，即l＝L×(c+t)，其中，c和t分别为每个实验周期内所获控制和任务的图像数；对于自变量n的每一个取值，{f(n)}都唯一地确定一幅全脑加权像，记为BOLD(n)；它既可能是属于控制组块的BOLDc(n)，又可能为属于任务组块的BOLDt(n)；所述的持续一定时间为14至20秒，所述的一段固定时间为2至3秒；B、利用自相关性筛选脑体素点设每个序列有L个周期，每个周期有c+t个时间点，即c+t幅图像，对于脑图中的任意一个体素点，其血氧水平依赖的信号值可用如下矩阵来表示： t = x 1,1 x 1,2 · · · x i , j · · · x 1 , c + t x 2,1 x 2,2 · · · x 2 , j · · · x 2 , c + t · · · · · · · · · · · · · · · · x i , 1 x i , 2 · · · x i , j · · · x i , c + t · · · · · · · · · · · · · · · · · · x L , 1 x L , 2 · · · x L , j · · · x L , c + t - - - ( 1 ) 其中矩阵元xij表示对于某一确定的体素点，第i个周期中第j幅图像中该体素点的信号值，设ti＝[xi，1 xi，2... xi，j...xi，c+t]        (2) 描述该像素点的第i个周期；另外，加入任务周期函数作为新的向量，即：tL+1＝[xL+1，1 xL+1，2...xL+1，j...xL+1，c+t]   (3)其中， x L + 1 , j = 0 1 ≤ j ≤ c 1 c + 1 ≤ j ≤ t + c - - - ( 4 ) 对一个序列t＝[t1，t2，...，tL，tL+1]，两两求相关系数 c ij = corr ( t i , t j ) = Cov ( t i , t j ) D ( t i ) D ( t j ) , ( j > i , i = 1,2 , , . . . , L ; j = 2,3 , . . . , L + 1 ; ) - - - ( 5 ) 其中Cov(ti，tj)是两个不同周期数据的协方差，D(ti)和D(tj)分别为ti和tj的方差；求cij的数学期望E和标准差σ E = 2 L ( L + 1 ) Σ i = 1 L Σ j > i L + 1 c i , j - - - ( 6 ) σ = 2 L ( L + 1 ) Σ i = 1 L Σ j > i L + 1 ( c ij + E ) 2 - - - ( 7 ) 计算单个体素点激活值 T = E σ - - - ( 8 ) 当体素点的激活值大于设定的阈值则将其保留，否则将其剔除；所述的阈值为研究人员根据实验目的和任务内容预先设定的值；C、计算每幅脑图像的时间簇经过筛选后，共有m个体素点符合要求，共采集l幅图像，则l幅图像的血氧水平依赖的信号值可用如下矩阵来表示，该矩阵具有l行、m列： I = I 1,1 I 1,2 · · · I 1 , q · · · I 1 , m I 2,1 I 2,2 · · · I 2 , q · · · I 2 , m · · · · · · · · · · · · · · · · I p , 1 I p , 2 · · · I p , q · · · I p , m · · · · · · · · · · · · · · · · · · I l , 1 I p , 2 · · · I l , q · · · I l , m - - - ( 9 ) 其中，矩阵元Ip，q为第p幅脑图第q个体素点血氧水平依赖的信号值，即：I＝[Ip，q]，p＝1，2，…，l，q＝1，2，…，m；设第q个体素点血氧水平依赖的信号值的平均基线值为I0，q I 0 , q = Σ p = 1 l I p , q l - - - ( 10 ) 并与矩阵I相比导出矩阵W，矩阵元Wp，q按如下公式计算： W p , q = 1 , I p , q ≥ I 0 , q 0 , otherwise - - - ( 11 ) 公式(11)是整个实验过程中第p幅脑图像中的第q处体素点是否高于平均值的判断；在每一幅脑图像种选择的一组体素点即为时间簇，矩阵W的每一行向量中的元素的和就是相应脑图像的时间簇的大小，即体素点个数，可以表示为： K p = Σ q = 1 m W p , q - - - ( 12 ) 由此可得到描述一维时域变化即时间簇大小变化的向量K：K＝(K1，K2，K3，...，Kl)          (13)D、去除时间簇基数当图像中的体素点比较多即m很大时，这时向量K的基数就会变得很大，大于平均值的体素点数，时间轴的K值曲线就不能很明显的反映脑活动的时间区域；因此，需要对向量K做去基数处理；K′i＝Ki‑min(K1，K2，...，Kl)(14)由此，得出一个新的表示时间簇的向量K′：K′＝(K′1，K′2，K′3，...，K′l)(15)由于K′经过去基数处理，因此K′i表示的是各幅脑图像中高于基线值体素点的个数；由K′值画出的时间轴曲线也能更好的检测脑反应时域的变化。