[发明专利]以独立成分网络为参照的全脑个体化脑功能图谱构建方法

权利要求书

1.一种以独立成分网络为参照的全脑个体化脑功能图谱构建方法，其特征在于，该方法利用个体被试的脑静息态fMRI数据，首先引入独立成分分析法构建组水平的脑功能子网络，然后利用时空回归反重建各个被试的脑功能子网络和该功能子网络相对应的特征时间序列，并以功能子网络相对应的特征时间序列为参考信号；

引入反距离加权系数、子网络逆变异系数加权、相关因子以及迭代过程，进而获得独立成分网络为参照的全脑个体化功能图谱；

该方法的具体过程是：

(1)数据采集和预处理：采集每名被试静息态下脑fMRI数据，然后对获取的脑fMRI数据预处理，保证不同被试的脑fMRI数据对齐到同一个标准空间，保证所有被试每个体素的解剖结构是相同的，获得每个被试的fMRI数据及该被试的体素时间序列；

(2)组水平及个体独立成分网络重建：对所有被试预处理后的fMRI数据按照时间方向串联后进行组水平空间ICA分析，主要包括：(i)先对经过预处理后的每个被试的fMRI数据在时间点方向采用主成分分析进行降维；(ii)将多个被试降维后的功能数据再进行串联，并再次对串联后的数据进行PCA降维；(iii)对降维后的组PCA数据，利用独立成分分析算法进行空间ICA分析，以获得组水平ICA空间成分；(iv)基于组水平ICA空间成分，对独立成分分析算法处理后的个体fMRI数据进行时空回归，获得每个个体功能子网络空间成分权重、全脑体素值和每个个体的每个功能子网络的特征时间序列；

(3)构建个体化功能脑图谱：引入反距离加权系数、子网络逆变异系数加权、相关因子以及迭代过程，进而获得独立成分网络为参照的全脑个体化功能图谱，主要步骤包括：

(i)设定每个个体功能子网络的数量、每个功能子网络中核心团块的权重值范围及团块大小范围，基于每个个体功能子网络的空间分布权重，根据设定的权重值、团块大小寻找确定该功能子网络中核心团块的位置及数量，并以核心团块为中心计算全脑其它体素到该核心团块最近体素的距离；

用反距离加权系数即近邻因子NF来度量体素和该功能子网络的相邻程度，近邻因子NF的公式为式(1)：

其中，D为全脑某体素到该功能子网络核心团块的欧式距离；vox为当前计算的某体素；hub_cluster为核心团块；

若该功能子网络中核心团块的数量为多个，则根据公式(1)计算出当前某体素和该功能子网络的多个近邻因子，将所有近邻因子求平均为最终的近邻因子；

(ii)计算了所有被试每个功能子网络在体素水平的变异系数，变异系数CV的表达式为式(2)：

其中，σ为某一体素在某功能子网络空间分布权重在个体被试间分布的标准差，μ为某一体素在某功能子网络空间分布权重在个体被试间分布的平均值；利用变异系数根据公式(3)获得抗噪因子ANF：

ANF＝e^-cv (3)

(iii)以步骤(2)中获得的功能子网络的特征时间序列作为参考信号，逐个体素时间序列与步骤(2)中获得的每个功能子网络的特征时间序列进行皮尔逊相关计算，把相关系数作为该体素划分到各功能子网络的相关因子CF；

(iv)将功能子网络空间成分权重、最终近邻因子、抗噪因子和相关因子进行乘积；将该乘积作为该体素划分到各功能子网络的权重，对该体素划分到各功能子网络的权重进行排序，把该体素赋予权重值最高的功能子网络；

(v)重复步骤(iv)，直至所有体素都赋予完毕，得到粗分的全脑功能图谱，呈现出多个脑区，记每个脑区内所有体素时间序列平均值为该脑区的平均时间序列；

(vi)提取前一次分割得到的脑区的平均时间序列，并与前一次参考信号进行平均，得到新的参考信号，每个体素与该新的参考信号进行皮尔逊相关计算，得到新的相关因子；

(vii)重复步骤(iv)-(v)，获得新一代全脑功能图谱；

(viii)计算当前脑图谱与前一次脑图谱的重叠率，如果重叠率低于设定值，重复步骤(vi)-(vii)，反之终止迭代，得到最终的全脑个体化脑功能图谱；

所述功能子网络空间成分权重的具体计算过程是：

考虑传统ICA分析在输出成分顺序的不确定性和成分个数的不可预知性方面的缺陷，利用基于组信息的空间ICA法，以获得个体被试的脑功能网络特异性和对应性；基于组信息的空间ICA法的过程是：先在所有组数据上进行一次ICA分析得到组水平上的独立成分，然后再基于已获得的组水平的独立成分重建得到各个被试的成分，能够建立起不同被试成分间的对应性；

所有被试的全脑rs-fMRI数据可以用X＝[x₁,x₂,…,x_i]表示，其中x_i为第i个被试的预处理后的全脑rs-fMRI数据(i＝1,2,…,n，n为被试个数)；其次，个体PCA：利用主成分分析的方法对x_i进行数据降维，将X降为K_i×L的矩阵(K为主成分数，L为体素数)；然后将不同被试降维后的矩阵按照时间点方向串联成一个的矩阵；而后组PCA：利用主成分分析方法对的矩阵进行降维，以得到N×L的矩阵，N表示独立源信号的个数；最后，通过ICA法对已得到N×L的矩阵进行数据分析，进而获得基于组水平的一系列脑功能子网络空间分布S；

随后，基于已得到的组水平上的独立成分，对个体全脑rs-fMRI数据进行时间回归，获得个体被试的解混矩阵A_i；然后，基于个体解混矩阵，对个体fMRI数据进行空间回归，获得个体的功能子网络的空间分布特征s_i，如公式7和公式8所示；

第i个被试的时间回归表达式为：

A_i＝x_iS^-1 (7)

第i个被试的空间回归表达式为：

记s_i是通过两步回归法得到的个体水平脑功能子网络的空间分布，也就是功能子网络的空间成分权重。