基于个体化脑功能图谱的癫痫脑影像模式识别

发布时间：2022-01-14 04:51

　　人脑功能活动在个体间存在不可忽视的差异,功能网络的分布以及功能区定位在不同的被试上也存在较大变异性。个体差异现如今已经成为脑成像研究中研究认知行为神经活动基础以及疾病病理生理机制必须考虑的因素之一。静息态磁共振（Resting-state functional magnetic resonance imaging,rfMRI）可以无创的观测大脑内在神经活动,并且不需要任何认知任务,能够很好的反映大脑功能活动模式以及网络分布,非常适用于探究脑部疾病内在神经基础,在癫痫的研究中也已经越来越多的被用到。但大多数的rfMRI研究分析方法多利用群组水平的图谱,忽略了个体间差异,模糊了个体上的功能活动细节。近些年来,多种个体化方法被提出,这些方法都考虑到了个体间差异的影响,可以获得更加贴近个体的脑功能区定位以及网络划分。并且这些方法已经用到了精神分裂症等精神疾病以及孤独症等神经发育性障碍的研究中,但在癫痫中还尚未有相关方法的应用。针对癫痫rfMRI个体化脑图谱相关研究的空缺,我们利用两种不同的个体化脑图谱方法,对多种癫痫亚型以及匹配的健康对照识别个体化感兴趣区并构建连接矩阵,利用机器学习算法提取关... 

【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】：66 页

【学位级别】：硕士

【部分图文】：

多种功能网络划分及更加精细的功能区图谱

第二章基于个体化功能网络分割的多亚型癫痫分类152.2.4个体水平上的功能脑网络分割本章中采用了DanhongWang等人于2015年提出的分割方法[30]，其主要步骤如下：（1）将Yeo等人于2011年提出的基于1000名被试大样本皮层功能连接信息利用聚类算法得到的具有17个网络[1]的功能网络划分为基础，将运动区中在动手任务中激活的区域即动手区单独列出作为一个网络，由此得到一个18网络的群组水平模板（图2-1）。这18个功能网络具体为：与视觉相关的边缘视觉网络（visualperipheral）以及中央视觉网络（visualcentral），负责躯体感觉与负责支配运动的感觉运动网络A、B区（somato-motorA;somato-motorB），背侧注意网络A、B区（dorsalattentionA;dorsalattentionB），腹侧注意网络（ventralattention），突显网络（salience），边缘系统网络（limbic），控制网络A、B、C区（controlA;controlB;controlC），默认模式网络D区即听觉网路（defaultmodeD/auditory），默认模式网络A、B、C区（defaultmodeA,defaultmodeB,defaultmodeC）。然后，将群组水平上的模板投射到所有被试BOLD信号图像所在的fsaverage4空间，把每个功能区的信号提取出来并把该分区内所有顶点的信号平均得到每个功能区的时间序列。所有这些功能区的时间序列在下面的分析中作为分割的起始点，且后续多项操作依赖于这些信号，我们这里称之为“参考信号”（referencesignal）。图2-1群组水平功能网络模板注：将大脑皮层划分为18个功能区，不同的颜色分别表示不同的功能网络，其中灰色部分为皮层下网络，为纳入分析范围。

电子科技大学硕士学位论文18图2-2个体化功能网络分割流程示意图[30]注：（1）将群组水平上的具有18个功能网络的模板投射到所有被试BOLD信号图像所在的fsaverage4空间，并计算每个网络的参考信号；（2）计算每个顶点与18个网络的参考信号的相关系数，将分割置信度符合条件的顶点重新分配到与之相关系数最大的网络，并按照新的划分得到每个网络的核心信号；（3）将核心信号与参考信号结合被试内变异性、tSNR以及迭代次数等参数的影响加权平均，作为下一次分配过程的参考信号；（4）重复（3）中的步骤，不断迭代；（5）当迭代到达算法的终止条件时停止迭代，分割结果收敛到一个稳定的模式，作为该被试的个体化功能网络分割。步骤一：将2.2.3中获得的个体功能网络分割利用聚类算法在各个网络内分割成具有相似功能活动的小块，这一步骤利用的是ConnectomeWorkbench软件中的wb_command-metric-find-clusters工具，18个网络共分为116个小块。其中为了减少噪声对匹配过程的影响，所有网络在使用聚类算法分裂前都进行了平滑核sigma为1毫米的二维平面平滑。平滑的过程只在ROI匹配的过程中发挥作用，一旦功能一致性脑区全部匹配完毕，会提取未平滑的数据用于后续的分析。


本文编号：3587845