[发明专利]一种基于贝叶斯估计的多层次多尺度层析成像方法

说明书

本发明公开了一种基于贝叶斯估计的多层次多尺度层析成像方法，面对更复杂的不同尺度脑源活动问题时，首先将脑源空间分解为相互独立的体元，每个体元作为一个潜在的活动源。然后将所有的体元根据人脑解剖结构或者功能区分解为若干个区域，每个区域对应着不同的分布参数。另外，采用基于贝叶斯及其凸函数理论的方法对脑外采样数据进行分析，估计所有体元本征固有活动分布以及区域活动分布的协方差成分。基于上述模型框架提出两种方法：一种是体元最终活动的协方差成分只通过区域活动决定称为tling‑Champagne，另一种是体元的活动是由体元本征固有的活动和区域活动分布相加来决定，称为tree‑Champagne；最后通过模拟数据和真实脑数据对其进行性能分析，并得到了较好的效果。

技术领域

本发明属于脑科学与信息技术交叉学科领域，涉及一种脑磁图(Magnetoencephalography，MEG)、脑电场(Electroencephalogram，EEG)成像的方法，具体涉及一种基于贝叶斯估计的多层次多尺度层析成像方法。

背景技术

人脑活动的成像在认知神经科学的研究中起着重要的作用，其可以促进人类对自身复杂活动时神经元工作机制的理解，在临床医学应用中，脑成像同样扮演着重要角色，特别对脑疾病患者比如脑肿瘤和癫痫手术的诊断、指导以及病灶的切除。然而，当前对脑源位置定位和活动时间序列估计是一个极具挑战的问题，因为潜在脑活动的源数目可以为成千上万，而脑外传感器数目仅仅只有数百个。脑磁图(MEG)和脑电场(EEG)是目前存在的两种无损的对脑电生理活动进行测量和成像方法，由于MEG和EEG分别测量脑内一簇神经元活动的电流在脑外产生的磁场和电场，其具有互补性。因此，基于MEG和EEG对脑活动的动态研究有着重要意义。本发明主要针对当前层析方法无法对多尺度源活动进行准确成像的问题，结合脑功能结构以及解剖结构对源空间的区域分割，提出了基于贝叶斯的多尺度源活动层析成像方法。近些年，众多学者通过MEG和EEG对脑源活动进行分析，提出了许多脑电磁源成像的方法，但是针对诸如一簇多个相邻偶极子活动或者是一簇多个相邻偶极子与独立偶极子同时活动的问题，始终无法找到有效解决方法。

发明内容

为了解决上述技术问题，本发明提出了一种全新的多层次多尺度MEG、EEG脑源重构通用模型的方法，可以看作是源重构方法的多层次多尺度扩展，旨在实现对多尺度源活动的重构。

本发明所采用的技术方案是：一种基于贝叶斯估计的多层次多尺度层析成像方法，其特征在于，包括以下步骤：

步骤1：多层次多尺度脑源概率模型的生成；

步骤2：脑源活动分布及其区域活动分布的估计；

步骤3：贝叶斯超参数协方差分布估计方法；

步骤4：据MEG/EEG多尺度源活动层析成像。

本发明首先将脑源空间分解为相互独立的体元，每个体元作为一个潜在的活动源。然后将所有的体元根据人脑解剖结构或者功能区分解为若干个区域，每个区域对应着不同的分布参数。假设每个体元的活动分布由两部分组成：本身固有活动分布和区域活动分布，同时假设位于同一个区域的体元有着相同的区域活动协方差成分，每个源的活动与传感器采集数据之间通过标准leadfield导向矩阵来联系，而leadfield是由大脑的结构和导电性来决定。基于贝叶斯及其凸函数理论的方法对脑外采样数据进行分析，估计所有体元本征固有活动分布以及区域活动分布的协方差成分。基于上述模型框架提出两种方法：一种是体元最终活动的协方差成分只通过区域活动决定称为tling-Champagne，另一种是体元的活动是由体元本征固有的活动和区域活动分布相加来决定，称为tree-Champagne；最后通过模拟数据和真实脑数据对其进行性能分析。