基于云平台的脑动态因果模型分析
发布时间：2021-06-13 18:33
神经科学的快速发展,大数据的产生和云计算的突破,给研究工作者带来了新的机遇;但与此同时,又不得不面临资源整合的挑战。CBRAIN云平台的出现不仅解决了大数据、云计算以及工具包管理等问题,而且提供了简单易用的图形界面,用户无需编程经验即可完成数据的处理、分析和共享。然而,CBRAIN平台仍存在诸多不足:数据格式不够规范;缺少脑网络分析模块。动态因果模型（Dynamic Causal Modeling,DCM）作为探究脑区之间因果效应（有效连接）的一种脑网络方法,其基于生理模型的优点得到了不少科学家的关注,但是缺点是模型的计算时间呈指数级增长,需要强大的计算能力作为支撑。因此为了加速数据分析,本文在已有的平台上进行改进,完成了以下的工作:（1）为了更好地管理神经影像数据,使用了标准化数据格式BIDS（Brain Imaging Data Structure）,引入了预处理工作流fMRIPrep,部署并测试在云平台上的性能表现;（2）使用虚拟化技术Singularity对DCM的源代码和运行环境进行编译和打包,部署并测试大规模尺度上DCM的可行性;（3）以PPMI（Parkinson’s P...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
脑科学领域中大数据和HPC相关的文章发表数量[4]
电子科技大学硕士学位论文图1-2CBRAIN的系统总体设计架构1.1.4.1分布式计算超级计算机或者计算集群可以连接到CBRAIN成为其中的附属工作节点，但是这些服务器的系统架构、集群调度软件、UNIX环境以及存储结构各不相同。为此，CBRAIN使用数个抽象层解决了这个问题。重要的层是SCIR（SimpleClusterInterfaceinRuby），它被开发成流水线型的元调度器以抽象出不同核心平台的调度器。SCIR是一个简单的Ruby库，对特定的集群进行查询、提交和管理作业，通过创建子类可以支持新的网格计算环境，这个子类目前支持各种版本的SGE、PBS、Torque、MOAB调度软件及直接的UNIX环境。1.1.4.2分布式存储CBRAIN的数据提供者是一个抽象的模型，用来表示任何能从网络获取到的数据仓库。与SCIR层类似，数据提供者是一个可编程的API，用于提取存储数据特定类型的细节。数据提供者定义了一个基类实现了文件查询、文件传输以及镜像备份等功能，通过Ruby类的插件实现对特定存储数据类型的访问，这就使得CBRAIN可以透明化地与数据进行交互。CBRAIN使用基于SSH和SFTP协议的rsync软件实现对远程仓库数据的异步传输，这样的机制易于管理而且伸缩性和扩展性都很好，同时还具备安全性。这些自动化的类网格计算方法都说明了CBRAIN平台，不管是连接到网络存储服务器还是手机端，其鲁棒性都能保证稳定的连接。除了常规的网络存储器，CBRAIN还支持基于API服务的云储存，比如亚马逊的4
砑?瓿墒?莸目墒踊??BrainBrowser是一个实时的基于WebGL的三维渲染软件，支持展示脑皮层和脑容积（体素），并从三个不同方向进行展示，而且每个方向会显示当前的坐标，通过移动鼠标还可以改变观察的区域。四维的fMRI数据可以通过选择时间层的方式显示特定时间点下的三维数据，而且为了更好地展示数据，CBRAIN还提供了彩色图和阈值选项，方便研究者更好地对影像数据进行观察。1.1.4.4云平台的使用情况如图1-3所示，自从2009年起CBRAIN已经拥有遍布在33个国家的1000多个用户，集成了超过60个神经科学领域的工具包[16]。图1-3CBRAIN用户注册的情况[16]CBRAIN云平台主要使用ComputeCanadax的共享计算资源作为后台服务器，包含了Beluga、Cedar、Graham和Niagara共4个国家级的超级计算机。截止到2019年12月，它们都位列全球超级计算机榜单前500名y，可使用的计算核数超过23万个，可使用的内存大小超过620TB，可使用的存储空间超过30PB，如表1-1所示为超级计算机的可用硬件资源和详细信息。xhttps://www.computecanada.ca/home/yhttps://www.top500.org/list/2019/115
【参考文献】：
期刊论文
[1]Exascale Computer百亿亿次计算机[J]. 兵器材料科学与工程. 2020(02)
[2]How Big Data and High-performance Computing Drive Brain Science[J]. Shanyu Chen,Zhipeng He,Xinyin Han,Xiaoyu He,Ruilin Li,Haidong Zhu,Dan Zhao,Chuangchuang Dai,Yu Zhang,Zhonghua Lu,Xuebin Chi,Beifang Niu. Genomics,Proteomics & Bioinformatics. 2019(04)
[3]一种小样本数据的特征选择方法[J]. 许行,张凯,王文剑. 计算机研究与发展. 2018(10)
[4]老年认知功能障碍患者默认网络、凸显网络和中央执行网络研究进展[J]. 王金芳,陈红燕,李越秀,叶娜,冯丽,王诗男,张玉梅. 中国康复理论与实践. 2018(03)
[5]有效连接分析在脑功能磁共振数据中的发展和应用[J]. 陈富琴,张俊然,蒋小梅,张坤. 航天医学与医学工程. 2016(04)
[6]脑科学视角下的高性能计算[J]. 刘亚东,胡德文. 计算机学报. 2017(09)
[7]帕金森病流行现状[J]. 刘疏影,陈彪. 中国现代神经疾病杂志. 2016(02)
[8]功能磁共振在帕金森病非运动症状诊断中的应用[J]. 邓霞,魏彩霞,潘治斌,章建权,徐仁伵. 中国老年学杂志. 2016(01)
[9]功能磁共振在帕金森病运动症状诊断中的应用[J]. 魏彩霞,邓霞,潘治斌,徐仁伵. 中国老年学杂志. 2015(21)
[10]动态因果模型的研究综述[J]. 邓红霞,游雅,李海芳. 电脑开发与应用. 2013(07)
博士论文
[1]帕金森病患者血清维生素D与认知功能、抑郁情绪的临床研究[D]. 刘晶.苏州大学 2018
[2]帕金森病认知相关脑网络改变的磁共振影像学研究[D]. 钟建国.浙江大学 2018
[3]基于功能磁共振成像的脑连接分析[D]. 李宝娟.国防科学技术大学 2012
[4]脑功能磁共振数据时空分析方法研究[D]. 颜莉蓉.国防科学技术大学 2006
硕士论文
[1]基于格兰杰因果分析的MCI脑网络分类研究[D]. 崔会芳.太原理工大学 2019
[2]伴冻结步态的帕金森病背侧注意网络与其他相关固有网络的静息态功能连接研究[D]. 李群.重庆医科大学 2018
[3]基于磁共振影像脑疾病分类的模式识别方法研究[D]. 毕文伟.电子科技大学 2016
[4]基于超级计算机的大规模脑神经网络的仿真技术研究[D]. 邵亚超.国防科学技术大学 2015
[5]基于医学影像数据的多元模式识别分析[D]. 黄京.湖南师范大学 2014
本文编号：3228091
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
脑科学领域中大数据和HPC相关的文章发表数量[4]
电子科技大学硕士学位论文图1-2CBRAIN的系统总体设计架构1.1.4.1分布式计算超级计算机或者计算集群可以连接到CBRAIN成为其中的附属工作节点，但是这些服务器的系统架构、集群调度软件、UNIX环境以及存储结构各不相同。为此，CBRAIN使用数个抽象层解决了这个问题。重要的层是SCIR（SimpleClusterInterfaceinRuby），它被开发成流水线型的元调度器以抽象出不同核心平台的调度器。SCIR是一个简单的Ruby库，对特定的集群进行查询、提交和管理作业，通过创建子类可以支持新的网格计算环境，这个子类目前支持各种版本的SGE、PBS、Torque、MOAB调度软件及直接的UNIX环境。1.1.4.2分布式存储CBRAIN的数据提供者是一个抽象的模型，用来表示任何能从网络获取到的数据仓库。与SCIR层类似，数据提供者是一个可编程的API，用于提取存储数据特定类型的细节。数据提供者定义了一个基类实现了文件查询、文件传输以及镜像备份等功能，通过Ruby类的插件实现对特定存储数据类型的访问，这就使得CBRAIN可以透明化地与数据进行交互。CBRAIN使用基于SSH和SFTP协议的rsync软件实现对远程仓库数据的异步传输，这样的机制易于管理而且伸缩性和扩展性都很好，同时还具备安全性。这些自动化的类网格计算方法都说明了CBRAIN平台，不管是连接到网络存储服务器还是手机端，其鲁棒性都能保证稳定的连接。除了常规的网络存储器，CBRAIN还支持基于API服务的云储存，比如亚马逊的4
砑?瓿墒?莸目墒踊??BrainBrowser是一个实时的基于WebGL的三维渲染软件，支持展示脑皮层和脑容积（体素），并从三个不同方向进行展示，而且每个方向会显示当前的坐标，通过移动鼠标还可以改变观察的区域。四维的fMRI数据可以通过选择时间层的方式显示特定时间点下的三维数据，而且为了更好地展示数据，CBRAIN还提供了彩色图和阈值选项，方便研究者更好地对影像数据进行观察。1.1.4.4云平台的使用情况如图1-3所示，自从2009年起CBRAIN已经拥有遍布在33个国家的1000多个用户，集成了超过60个神经科学领域的工具包[16]。图1-3CBRAIN用户注册的情况[16]CBRAIN云平台主要使用ComputeCanadax的共享计算资源作为后台服务器，包含了Beluga、Cedar、Graham和Niagara共4个国家级的超级计算机。截止到2019年12月，它们都位列全球超级计算机榜单前500名y，可使用的计算核数超过23万个，可使用的内存大小超过620TB，可使用的存储空间超过30PB，如表1-1所示为超级计算机的可用硬件资源和详细信息。xhttps://www.computecanada.ca/home/yhttps://www.top500.org/list/2019/115
【参考文献】：
期刊论文
[1]Exascale Computer百亿亿次计算机[J]. 兵器材料科学与工程. 2020(02)
[2]How Big Data and High-performance Computing Drive Brain Science[J]. Shanyu Chen,Zhipeng He,Xinyin Han,Xiaoyu He,Ruilin Li,Haidong Zhu,Dan Zhao,Chuangchuang Dai,Yu Zhang,Zhonghua Lu,Xuebin Chi,Beifang Niu. Genomics,Proteomics & Bioinformatics. 2019(04)
[3]一种小样本数据的特征选择方法[J]. 许行,张凯,王文剑. 计算机研究与发展. 2018(10)
[4]老年认知功能障碍患者默认网络、凸显网络和中央执行网络研究进展[J]. 王金芳,陈红燕,李越秀,叶娜,冯丽,王诗男,张玉梅. 中国康复理论与实践. 2018(03)
[5]有效连接分析在脑功能磁共振数据中的发展和应用[J]. 陈富琴,张俊然,蒋小梅,张坤. 航天医学与医学工程. 2016(04)
[6]脑科学视角下的高性能计算[J]. 刘亚东,胡德文. 计算机学报. 2017(09)
[7]帕金森病流行现状[J]. 刘疏影,陈彪. 中国现代神经疾病杂志. 2016(02)
[8]功能磁共振在帕金森病非运动症状诊断中的应用[J]. 邓霞,魏彩霞,潘治斌,章建权,徐仁伵. 中国老年学杂志. 2016(01)
[9]功能磁共振在帕金森病运动症状诊断中的应用[J]. 魏彩霞,邓霞,潘治斌,徐仁伵. 中国老年学杂志. 2015(21)
[10]动态因果模型的研究综述[J]. 邓红霞,游雅,李海芳. 电脑开发与应用. 2013(07)
博士论文
[1]帕金森病患者血清维生素D与认知功能、抑郁情绪的临床研究[D]. 刘晶.苏州大学 2018
[2]帕金森病认知相关脑网络改变的磁共振影像学研究[D]. 钟建国.浙江大学 2018
[3]基于功能磁共振成像的脑连接分析[D]. 李宝娟.国防科学技术大学 2012
[4]脑功能磁共振数据时空分析方法研究[D]. 颜莉蓉.国防科学技术大学 2006
硕士论文
[1]基于格兰杰因果分析的MCI脑网络分类研究[D]. 崔会芳.太原理工大学 2019
[2]伴冻结步态的帕金森病背侧注意网络与其他相关固有网络的静息态功能连接研究[D]. 李群.重庆医科大学 2018
[3]基于磁共振影像脑疾病分类的模式识别方法研究[D]. 毕文伟.电子科技大学 2016
[4]基于超级计算机的大规模脑神经网络的仿真技术研究[D]. 邵亚超.国防科学技术大学 2015
[5]基于医学影像数据的多元模式识别分析[D]. 黄京.湖南师范大学 2014
本文编号：3228091
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3228091.html
