基于静息态fMRI中超体素的全脑分割研究

发布时间：2020-06-04 12:54

【摘要】：节点定义是人脑网络分析和功能连接研究中的一个重要的课题。相关研究通常将基于元分析,随机标准,或者结构标准生成的大脑图谱作为节点,然而这些图谱并不是针对人脑网络分析和功能连接研究这些目的设计的,因此使用这些图谱作为节点可能并不合适。为了得到更合理的节点,我们需要通过全脑分割的方式来生成新的更合理的大脑图谱。本文引入一种名为简单线性迭代聚类(simple linear iterative clustering,SLIC)的超体素方法来对全脑静息态fMRI(functional magnetic resonance imaging)数据进行分割,以实现这个目标。围绕这种超体素方法,本文开展了三个研究,进而提出了一系列新的全脑分割方法。我们通过对比新方法和已有方法来证明新方法的合理性和优越性。进行算法对比时,本文用到的评价指标包括空间连续性,功能一致性,和可重复性。对于群体水平的分割,本文既考虑了群体间的可重复性,也考虑了群体到被试的可重复性。为了得到不同粒度的分割结果,我们在都在较大的范围内对分区数目进行变化。本文中的三个研究的主要工作如下。研究一将SLIC直接作用在静息态fMRI时间系列上来进行全脑分割。使用这种分割方法,无需进行特征提取便可得到分割结果。为了证明这种分割方法的合理性,我们将它与一种当前流行的全脑分割方法,即标准化分割(normalized cuts,Ncut)在多种评价指标下进行了对比。实验结果表明,我们提出的方法在各种评价指标下都取得了令人满意的分割效果。研究二结合Ncut和SLIC来进行全脑分割。我们提出了两种群体水平的全脑分割方法,分别是平均SLIC(mean SLIC)方法和二级SLIC(two-level SLIC)方法。具体来讲,在这两种方法中,Ncut被用来从连接矩阵中提取特征,SLIC被应用到提取得到的特征上来进行分割,从而得到最终的大脑图谱。我们将两种SLIC方法和三种最新的全脑分割方法在多种评价指标下进行了对比。实验结果表明,两种SLIC方法在各种评价指标下都取得了很好的分割效果。另外,本研究还考察了一些可能对分割结果产生影响的因素,包括使用不同的稀疏化方案,在预处理流程中加入全局信号回归,使用过度分割,使用不同的权重函数等。对这些因素的考虑进一步证明了两种SLIC方法的合理性和优越性。研究三在SLIC得到的超体素的基础上使用一种名为无割图(graph-without-cut,GWC)的方法来进行全脑分割。具体地讲,我们先将SLIC直接应用到静息态fMRI时间系列上来生成超体素,然后将相似的超体素用GWC聚合成分区,从而得到分割结果。通过对比GWC方法在fMRI数据和在随机数据上的结果,我们证明这种方法并不严重依赖于空间结构,从而避免了这种之前很多全脑分割算法一直存在的问题,因而得到的分割结果也就更具合理性。之后我们将GWC方法,改进的Ncut方法,和改进的SLIC方法这三种分割方法进行了对比。实验结果表明,GWC方法在各种评价指标下都取得了很好的分割效果。本文提出的全脑分割方法和生成的大脑图谱可以被应用于有关人脑网络分析的各种研究中,比如认知、发展、老龄化、疾病、个体化医疗等。本文中使用到的算法的源代码和生成的群体水平的大脑图谱都已经在网上公开,详见附录B。由于实验中并没有发现最优分区数目,因此,使用本文中的方法或图谱时,分区数目可以按需设定。
【图文】：

流程图,大脑,流程图,连接矩阵

图 1.1 构建大脑网络的流程图。首先需要定义节点和采集静息态 fMRI 数据，，然后对每个节点提取出平均时间系列，接着基于平均时间系列计算出连接矩阵，之后对连接矩阵设阈值得到邻接矩阵，邻接矩阵就等价于脑网路。

对比图,思路,对比图,对比方法

GWC 方法相对于两种对比方法取得了更好的分割效果。图 1.2 三个研究的思路对比图。研究一和研究二都是将 SLIC 生成的超体素作为最终的分割结果，而研究三通过聚合超体素的方式来得到最终的分割结果。
【学位授予单位】：东南大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：R445.2;TP391.41

【相似文献】