[发明专利]功能性磁共振图像的聚类方法

说明书

技术领域

本发明属于生物信息技术中的模式、图像识别领域，特别涉及一种功能性磁共振成像 (functional magnetic resonance imaging，fMRI)图像后处理技术。

背景技术

目前，脑功能成像技术已得到了广泛应用，其中的功能性磁共振成像(functional magnetic resonance imaging，fMRI)是在磁共振成像(magnetic resonance imaging，MRI) 技术的基础上发展起来的，通过功能磁共振成像技术对许多生理和生物物理参数进行测 量，它是进行脑功能活动探测和成像的无创伤手段。其成像方法主要包括模型驱动 (Model-driven)分析方法及数据驱动(Data-driven)分析方法两类。其中：

模型驱动(Model-driven)分析方法：该方法在处理fMRI图像的时候要依靠实验模 式(型)，现在用的比较多的是Friston等人基于广义线性模型(General Linear Model， GLM)提出的统计参数图(Statistical Parametric Mapping，SPM)来分析fMRI图像。这 类方法相对说来比较简单、直观；但由于需要一个包含与实验模式、其它人为增加的心跳、 呼吸、头动等因素相关的先验模式对fMRI图像进行分析，并且在处理过程中还要依赖于统 计推断来获得最后的结果；因而存在干扰因素多、噪声量大，其最终结果取决于统计推断 的准确度，人为因素影响大等缺陷。

数据驱动(Data-driven)分析方法：该方法主要包括独立成份分析方法和聚类分析 方法，其中、McKeown等人在1998提出的独立成份分析方法(Independent Component Analysis，ICA)，该方法是将多维数据分解为若干个相互独立的分量，在fMRI数据分析中， 可以在不对实验的任务进行任何假设前提下分离出各类独立的成分，从而使这类方法在 fMRI图像分析和处理方面越来越受重视；但在独立成份分析中如何对成份进行客观选择， 目前还是一个没有解决的难题，该方法对成份的选择目前还停留在人为判断的基础上，因 而仍存在受人的主观因素影响大的缺陷。

聚类分析方法包括：其一是K-均值聚类(K-means)分析方法，即每个类别都采用该 类所有数据的平均值来表示，虽然它能很好地体现出聚类在几何学和统计学上的意义，但 是K-均值聚类方法中对类别数和初始聚类中心的选择没有准则可依循，人为因素对聚类结 果的的好坏影响极大；其二是分级聚类(Hierarchical clustering，HC)分析方法，该 方法是通过将数据组织成若干组，并形成一个相应的树状图来进行聚类，但分级聚类的缺 点在于一旦对数据进行合并或分裂之后，就无法再进行调整，加之对合并或者分裂点的位 置选择由于无客观标准可循，主要凭个人经验处理，因此仍存在受人的主观因素影响大的 缺陷；其三是仿射聚类分析方法(Frey B J，Dueck D.Clustering by passing messages between data points.Science，2007，315(5814)：972～976)，该分析方法是近两年才 提出的，它是首先将数据集的所有样本点都视为候选的聚类中心，并为每个样本点建立与 其他样本点的吸引度参数，各样本点在循环迭代过程中竞争最终的聚类中心，当迭代过程 收敛时、即与各类别对应的聚类中心也随之确定，然后将每个样本点分配给最近的聚类中 心，从而确定其所属的类别。该方法的优势体现在不需要预先指定聚类数、且分类客观； 但由于决定聚类中心的偏向参数则需要人为设定，因而其最优的聚类结果仍受制于人的主 观因素影响、其随意性大。对此，王开军等人提出了一种通过从全部偏向参数所对应的聚 类结果中筛选出最优聚类结果的自适应仿射聚类方法，该方法在数据量较小的情况下，与 传统仿射聚类方法相比，其聚类质量优于传统的仿射聚类方法，但是自适应聚类方法本身 需确定全部偏向参数所对应的聚类结果，其处理量大，也就限制了其处理数据的能力，因 而存在数据的处理能力较差、无法对数据量大的图像进行聚类处理等缺陷。

发明内容

本发明的目的是研究设计一种功能性磁共振图像的聚类方法，以克服分级聚类在fMRI 图像处理中对合并或者分裂点的选择困难、对个人经验依赖性大，而自适应仿射聚类无法 对数据量较大的图像进行处理的弊病，达到有效提高fMRI图像处理过程中的客观性及对 大数据量图像的处理能力等目的。