[发明专利]一种加权图正则化稀疏脑网络构建方法

说明书

本发明公开了一种加权图正则化稀疏脑网络构建方法。该方法首先分析原始数据空间中的相似数据在经过投影后仍然保持相似的局部流形特性，从而利用图正则化项对脑连接之间的关联进行约束建模；然后考虑相关性分析能够度量脑区时序信号序列中本质的相似度，从而利用度量的功能连接强度先验信息对稀疏建模进行约束，建立加权稀疏正则化项；最后对整个大脑功能网络进行联合建模，构建更具生物意义的大脑网络。本发明通过将相关性分析、稀疏性以及图正则化约束整合在一个统一的建模框架中，能够充分利用功能磁共振脑图像数据中的相似性和局部性，有效地构建脑功能网络并且用于神经疾病的鉴别以及生物标识物分析。

技术领域

本发明涉及医学图像处理技术领域，特别是涉及一种加权图正则化稀疏脑 网络构建方法。

背景技术

功能核磁共振成像(fMRI)是一种新兴的神经影像学方式，利用核磁共振 成像技术通过检测与血流相关的变化来对大脑活动进行测量。静息态功能核磁 共振图像(resting-state functional magnetic resonance image，简称rs-fMRI)中的 血氧水平依赖(BOLD)信号能够反映静息状态下大脑的低频自发性波动，该波 动与大脑内在神经活动紧密相关。基于静息态功能核磁共振图像的脑功能连接 (即脑网络中脑区之间的相互关系)分析在理解挖掘大脑区域功能以及识别神 经精神疾病患者的生物标识物(biomakers)方面已经显示出很大的潜力。根据 脑区rs-fMRI时间序列构建出准确或者说有意义的脑功能连接网络是针对所有 后续关于疾病等预测分类最基本的先验步骤。然而由于目前对人类的大脑并没 有足够的了解，处于探索阶段。并且从fMRI中提取用来估计构建功能连接的时 间序列往往含有噪声并且经常是高维数据，但是却只有有限的样本，使得如何 在给定一系列rs-fMRI时间序列信号后构建出高质量、有意义的脑连接网络是分 析研究中非常具有挑战的基本问题。

最普遍的脑功能网络建模方法是基于相关性分析即皮尔逊相关和偏相关分 析，已经被广泛用来构建脑网络并应用于大脑疾病的研究，例如阿尔兹海默症、 轻度认知障碍和自闭症等。前者基于相关性的建模是最常见的脑网络建模方法， 能够根据成对的脑区时序信号度量两个脑区之间的关系，然而因为只能捕获在 不排除其他脑区的混合影响下的两两ROI之间的相互关系，因此该度量分析并 不能提供足够完整全面的多脑区影响下两两ROI之间的相互作用；后者偏相关 性分析能够分析在多个脑区互相影响的情况下两两脑区之间更复杂的相互关 系，但是由于对偏相关的估计涉及到协方差矩阵的求逆问题，会因为协方差矩 阵的奇异性导致估计问题不适定。为了解决这一问题，许多研究根据脑网络被普遍认为应该是稀疏的，即一些由BOLD信号的低频(<0.1Hz)自发波动和生 理噪声导致的不重要或者虚假连接应该被强制为零这一先验，通过引入稀疏先 验项提出带有l₁范数正则化的线性表达来构建相对更容易解释的稀疏连接网 络。在一定程度上，构建的稀疏脑网络能由脑区只与一些少量的脑区有“一级/ 直接”的相互作用而不是与所有脑区都有连接这一事实进行验证。

然而，在l₁范数正则化的线性回归模型中，稀疏约束项对每个连接边等同 地惩罚约束，这意味着当学习目标ROI的稀疏表示时，其余所有ROI的BOLD 信号被平等地看待，并且对逐个脑区在稀疏性的约束下独立建模求解容易造成 相似的脑区信号被稀疏重构成差异很大的系数表达。基于相关性以及稀疏性的 网络建模方法在实际应用中对精神疾病的预测分类效果都不是很理想。近来机 器学习理论和研究指出：在建模中考虑数据的相似性以及局部性并进行保持能 够显著提高学习效率并进一步提高后续分类结果。因此，需要在建模过程考虑 数据信号之间的本质相关性以及局部特性的保持问题，并且对全脑网络进行联 合建模，进而揭示大脑区域之间更多的内在关系，用于精神疾病识别以及生物 标志物的发掘。

发明内容