论文部分内容阅读
功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)是一种重要的脑成像技术。通过对采集到的fMRI数据进行独立成分分析(Independent Component Analysis,ICA),可以获取脑激活空间成分及其对应的时间过程,进而用于脑功能连接或有效连接分析,为脑功能研究和脑疾病诊断提供依据。目前,有几种常用的脑连接分析方法,如功能连接的Lag-shift方法,有效连接的格兰杰因果性(Granger Causality)方法和贝叶斯网络(Bayesian Network,BN)方法,等等。然而,现有脑连接分析的一个主要问题是,无论是针对相同的fMRI数据还是不同的fMRI数据,各种方法的分析大多彼此独立。这致使不同方法的结果也相互独立,难于比较,更缺乏所获取网络连接的稳定性依据。为此,本文应用几种典型的脑连接分析方法,对82被试的静息态fMRI数据进行分析。通过对各方法施加适当的参数约束,建立不同方法之间的桥梁,进而获取稳定的网络连接。主要开展了以下工作:(1)应用组独立成分分析(Group ICA)算法,在高模型阶数下提取了82个被试静息态fMRI数据的脑区成分,挑选了七个默认网络(Default Mode Network,DMN)子网络的时间过程成分进行了全文研究。在对每个被试进行了功能连接分析之后,对82个被试结果进行了单样本t检验,选择了p<0.05的显著性连接进行双约束分析。(2)针对功能连接与有效连接彼此独立的问题,以DMN的七个子网络为对象,对其分别进行了Lag-shift分析与Granger因果性分析,并提出了Lag-shift的时延约束以及Granger的因果一致性参数约束的双约束联合分析方法,成功建立了功能连接分析与有效连接分析的联系。(3)研究了稀疏贝叶斯网络(Sparse BN,SBN)的结构学习算法原理,实现了其在静息态fMRI数据中的应用。基于仿真和实际fMRI数据的实验结果表明,SBN算法在fMRI数据中适用,且学习性能优于现有的BN结构学习算法。针对不同有效连接分析方法彼此独立的问题,提出了有效连接分析的Granger因果性方法与SBN方法的双约束联合分析。对Granger方法施加了因果性强度约束,对SBN施加了回归系数约束,建立了两种方法的桥梁,提取了一致网络。(4)基于Granger与SBN的双约束联合分析在82个被试中提取的稳定网络连接,分别对40名健康对照组与42名精神分裂症患者组进行了有效连接分析,结果表明,精神分裂症患者稳定网络连接内的有效连接分析结果出现明显异常,而非稳定网络连接的结果未呈现明显差异性。因而,通过双约束分析提取稳定网络连接在脑疾病辅助诊断方面有较大的应用潜力。