[发明专利]基于动态连接的脑功能网络变异识别方法及系统

说明书

本发明公开了一种基于动态连接的脑功能网络变异识别方法及系统，该方法包含：生成场域分布信息数据；对大脑皮层进行分区；计算动态连接性矩阵；对动态链接矩阵进行阈值化；根据动态连接性矩阵计算大脑功能性拓扑度量；对大脑功能性拓扑度量进行非参检验；对非参检验后的大脑功能性拓扑度量进行降噪；通过分类模型对降噪后的大脑功能性拓扑度量进行分析以对测试者进行分类。本发明的基于动态连接的脑功能网络变异识别方法及系统，通过自动脑分区方法将大脑皮层分割为若干个子区域，对这些脑区进行时空动态特性分析，计算滑动窗口下脑连接矩阵的拓扑中心性，通过非参检验和后置噪声处理，减小了动态脑连接矩阵方法带来的较强干扰信息和噪声。

技术领域

本发明涉及一种基于动态连接的脑功能网络变异识别方法及系统。

背景技术

随着神经影像科学技术的发展，人们对大脑结构性和功能性特征的研究不断深入。尤其是磁共振技术的不断提高，在成像质量和效率等方面都取得了惊人进步，这为深入探索大脑功能机理和类脑仿生等奠定了基础。在国内外脑科学相关的研究和应用中，已经基本实现了对大脑结构性病变的准确诊断。以阿尔兹海默症为例，明显的大脑结构改变往往意味着该病情已恶化至不可逆转。因此，如何实现人类大脑功能性异常的早期预测，是目前各国研究的前沿问题。

依靠磁共振成像技术，现有的大脑功能性变异诊断方法主要包括静态和动态功能连接两种。静态功能连接方法重点评估大脑中各个脑区之间关联程度的平均水平，计算时间或空间上的相关性系数。而动态功能连接方法是将一段时间序列下的功能磁共振信号窗口化，形成彼此重叠的片段序列，评估每个片段中大脑在时间和空间上的特征。有证据表明，动态功能连接分析方法更有助于脑功能异常的标识和早期预测。

在大脑功能连接分析基础上，为进一步对大脑的复杂工作模式进行表征，现有技术方案会对由静态/动态功能连接矩阵进行指标评估，计算全局性变异系数或局部性显著差异，采用复杂脑网络、流形学习等算法建模，刻画大脑工作机理，将大脑的原始度量空间由高维向低维转化，并从中提取相关模式信息。随着人工智能技术发展和实验水平的不断提升，根据这些提取出来的大脑模式信息，现有技术已实现较高水平的分类识别能力，将脑功能异常患者和健康对照人群区分开来。

尽管近年已有部分研究采用动态脑连接方法分析大脑时空特性变异，例如对阿尔兹海默症患者的预测。但现有的研究方法和技术都只实现了两类对象的识别能力，即患者和健康。无法进一步识别出早期轻度认知障碍和晚期轻度认知障碍，它们被普遍认为是阿尔兹海默症的前期阶段。

发明内容

本发明提供了一种基于动态连接的脑功能网络变异识别方法及系统，采用如下的技术方案：

一种基于动态连接的脑功能网络变异识别方法，包括以下步骤：

对磁共振成像设备的磁场分布情况进行评估以生成场域分布信息数据；

通过磁共振成像设备获取到的测试者的磁共振数据以及场域分布信息数据对测试者的大脑皮层进行分区得到大脑皮层分区结构，磁共振数据包括结构性磁共振数据和功能性磁共振数据；

基于大脑皮层分区结构和功能性磁共振数据计算测试者的动态连接性矩阵；

对动态链接矩阵进行阈值化处理；

根据阈值化处理后的动态连接性矩阵计算测试者的大脑功能性拓扑度量；

对大脑功能性拓扑度量进行非参检验；

对非参检验后的大脑功能性拓扑度量进行降噪；

通过分类模型对降噪后的大脑功能性拓扑度量进行分析以对测试者进行分类。

进一步地，通过四分位法对非参检验后的大脑功能性拓扑度量进行降噪。

进一步地，通过四分位法对非参检验后的大脑功能性拓扑度量进行降噪的具体方法为：