[发明专利]一种大脑功能网络的关键路径搜索方法

摘要

本发明公开了一种大脑功能网络关键路径搜索方法，主要步骤为：对前期采集的大脑功能磁共振成像数据进行预处理；将处理后的图像按标准脑模板划分为若干脑区，计算各脑区相关系数并将相关系数矩阵中的元素作为连接强弱的初始值；对路径进行编号并计算路径的优化度，将路径编号和对应的优化度存储到矩阵中；将路径按优化度降序排列并划分到不同的子群体中，构造子群体；对每个子群体中优化度最差的路径进行更新；将优化后的所有子群混合，进行个体局部随机更新操作，更新路径优化度。若全局路径优化度差值小于阀值，输出关键路径；否则重新划分子群。该方法可以研究大脑功能网络各功能区的功能交互，并分析网络结构和功能之间的潜在关系。

主权项

一种大脑功能网络的关键路径搜索方法，其特征在于包括以下步骤：(1)对磁共振设备采集到的大脑图像进行读取和格式转换；再进行时间矫正、头动矫正、配准、分割结构像、空间标准化、平滑等预处理；最后进行低频滤波，降低低频漂移及高频的生物噪音；(2)选定一种标准化大脑分区模板(如AAL分区模板、Brodmann分区模板等)与预处理后的核磁图像进行匹配，划分图像为p个大脑区域，每个脑区分别对应脑功能网络中的一个节点；(3)计算磁共振图像中每个脑区所有体素的时间序列平均值，提取不同标准分区对应的时间序列，通过多元线性回归分析去除一些由头动及全局信号造成的伪差异；(4)对一组实验对象的时间序列进行单样本T检验，用得到的组分析结果表示脑功能网络中所有节点的值，进而计算两两脑区间的相关系数，得到一个归一化的时间序列相关系数矩阵RP×P，将相关系数矩阵R中元素rij(i,j＝1,2,...,p)作为连接大脑功能网络节点i到节点j的权值向量初始值；(5)定义路径W＝(W1,W2,...,WP)，其中W1,W2,...,Wp代表p个节点的编号，W表示从节点W1出发依次经过节点W2,...,Wp的路径；定义路径的优化度f(i)为路径内所有权值向量和的倒数；(6)定义一个二维矩阵U来记录路径编号和路径优化度的关系，U＝{W(i),f(i),i＝1,...,N}，N表示所有路径的数目；按U中的优化度降序排列结果将所有的路径分成m个群体Y1,Y2,...,Ym，每个群体中包含n条路径，同时满足N＝m×n；(7)定义调整因子Insert(i1,i2)为将W＝(Wi),i＝1,2,...,p中的插入到位置之前；一个或多个调整因子的有序排列就是调整序列，记作InsertList,InsertList＝(Insert1,Insert2,…,Insertt)    (1)其中，Insert1,Insert2,…,Insertt是调整因子；(8)路径间的差异是路径之间的调整序，子群体内训练方程为：l＝min{int[rand length(InsertList)],lmax}    (2)S＝{(Inserti)|Inserti∈InsertList,i＝1,2,…,l}   (3)Wq＝Ww+S   (4)其中，length(InsertList)表示调整序列中全部调整因子的个数，lmax表示允许选用的最大调整因子个数，S表示更新Ww的调整序，Ww为子群体内路径优化度最差的路径；(9)当子群体内的路径优化度的差值小于阀值时，则跳到下一步，否则，子群体重复进行最差路径优化；对各个子群内的路径进行过局部优化之后，将所有路径重新混合在一起，进行路径去重操作；(10)按照一定的概率对每个单独的路径进行局部随机更新操作，路径随机更新优化操作如下：对每条单独的路径W，随机选择一个节点Wi，与节点Wi左右连接的节点分别表示为Wi‑1，Wi+1，然后选择除了Wi、Wi‑1、Wi+1以外的距离Wi最近的节点WjW′=Reverse(Wi+1,Wj)SUM(Wj,Wi+1)≤SUM(Wj,Wi-1)Reverse(Wi-1,Wj)SUM(Wj,Wi+1)≥SUM(Wj,Wi-1)---(5)]]>其中，Reverse(Wi,Wj)表示将节点Wi和节点Wj之间的所有节点(包括节点Wi和节点Wj)进行倒位逆序排列；SUM(Wi,Wj)表示节点Wi和节点Wj之间路径的权值和；如果新的路径W'路径优化度f(i)优于原路径W的路径优化度，则用W'取代W，重新计算路径优化度；(11)如果全部路径最大优化度和最差优化度的差值小于一个确定的阀值ε，则算法收敛，停止迭代，输出优化度最大的路径，即关键路径；否则，返回步骤(6)。