[发明专利]一种脑激活区检测方法和装置

说明书

本发明提供一种脑激活区检测方法，包括以下步骤：获取fMRI数据；构建所述fMRI数据的二维邻域特征空间S；采用均值漂移算法对所述特征空间S进行聚类搜索；得到激活区检测结果。本发明还提供相应的脑激活区检测装置。本发明提供的脑激活区检测方法和装置不但可以检测到活动较强的激活体素，还可以敏感地检测到那些由时域表现微弱但频域表现较强的体素构成的脑激活区，具有良好的抗噪能力和高灵敏度。

技术领域

本发明涉及医学信号处理领域，尤其涉及一种脑激活区检测方法和脑激活区检测装置。

背景技术

功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)是一种通过测量血液中氧浓度变化引起的血红蛋白的磁性改变，得到基于血液动力学(Blood OxygenLevel Dependence,BOLD)机制的神经激活分布的技术。然而，由于BOLD-fMRI信号变化幅度非常微弱，与噪声波动几乎一致，使得从噪声中分离信号变得尤为困难目前，BOLD-fMRI信号提取(也称激活区检测)方法一般可分为两类，分别是基于模型类和基于数据类。

基于模型的算法有互相关分析、一般线性模型等；其中互相关分析的基本原理是根据先验知识，预先定义一个模拟脑血流动力学响应函数的参考波形，然后依次计算体素的时间过程与该参考波形的相关系数，通过阈值化相关系数来确定体素激活与否，即确定一个阈值，若体素的相关系数大于该阈值，则判定体素处于激活状态，若相关系数小于该阈值，则体素处于静息状态。一般线性模型是通过计算变量之间的相关性，在检测到两个变量之间的线性关系后，建立模型，对其中的参数进行估计，然后用t检验或f检验方法对模型进行检验，根据所设置的阈值，得到与阈值相对应的大脑激活图像，从而判定脑区是否处于激活状态。

基于数据的算法有k均值聚类算法，独立成分分析等；其中k均值聚类算法(k-means)的基本原理是首先指定数据的类别数为k，随机从fMRI数据集中选取k个样本点作为每个类的初始聚类中心，然后计算各个样本到k个聚类中心的距离，把样本归到离它最近的那个聚类中心所在的类，聚类结果由k值表达。之后采用迭代更新的方法，基于给定的聚类目标函数使每一次迭代过程都是沿着目标函数减小的方向进行，直到目标函数取得最小值，算法收敛，完成对脑激活区的检测。独立成分分析(independent component analysis,ICA)是一种盲信号分离的方法，其目的是将观察到的数据进行分解提取独立成分，发现数据中隐含的信息成分。用ICA处理fMRI数据一般做法是：用同样的刺激方式在同样的情况下作两次实验得到每个体素的两个信号作混合信号，用ICA分离出与事件相关的信号成分，然后计算每个体素的Z分数，把其值大于给定的阈值的体素认为是激活体素，由此检测由刺激引起的脑激活区域。

基于模型类的算法如互相关分析、一般线性模型等这类算法一般是基于先验假设模型的，而检测结果的好坏直接和数据对模型的满足程度相关。其次，它们都属于一元统计方法，通过对fMRI数据中某个体素的分析确定其是否被激活，并没有考虑fMRI数据空间中相邻体素间的相互关系，即体素的邻域信息，因而在激活区域检测方面具有一定的局限性，特别是在低信噪比的条件下，这类一元统计方法对激活区的检测灵敏度较低。

基于数据类的算法，如k均值聚类方法。首先该方法需预先指定聚类数目K值。然而一般情况下无法预先判定数据集类别数目，因此k值的最优值是很难准确选择的。其次该方法中需确定一个初始聚类中心对数据进行初始划分。而聚类的检测结果对于初始聚类中心的选择较为敏感，一旦初始值选择的不好，将会影响聚类最终的收敛效果，降低检测结果的可靠性和准确性。而ICA的不足体现在其适用范围，是否所有功能核磁共振成像数据都可以采用ICA方法处理。ICA方法虽然可以与一般常用的激活区检测算法的结果保持一致性，但对复杂的大脑的高级活动的检测来说，用ICA处理较为困难。

发明内容

本发明的目的在于，解决现有的脑激活区检测方法信噪比低的问题。

本发明的目的是采用以下技术方案来实现的。