[发明专利]一种脑功能超网络模型的鲁棒性评估方法

说明书

本发明涉及图像处理技术，具体是一种基于脑功能超网络模型的鲁棒性评估方法，该方法是采用如下步骤实现的：步骤S1：对静息态功能磁共振影像进行预处理，并提取各脑区的平均时间序列；步骤S2：基于覆盖组套索方法求解稀疏线性回归模型，由此得到脑功能超网络模型；步骤S3：计算脑功能超网络的属性；步骤S4：通过构建的超网络模型模拟脑功能超网络的失效过程；步骤S5：根据故障后的脑功能超网络模型计算全局效率和最大连通子图相对大小；步骤S6：对脑功能超网络的鲁棒性进行评估。该方法在真实地表征人脑复杂多元交互关系的基础上，对脑功能超网络模型进行鲁棒性评估，以实现复杂多元交互环境下的脑疾病状态的功能紊乱模拟。

技术领域

本发明属于图像处理技术领域，尤其涉及一种脑功能超网络模型的鲁棒性评估方法。

背景技术

复杂网络的鲁棒性，指的是系统在保持相对正常行为的同时，对外部条件或内部组织的变化做出响应的能力，反映了网络模型对故障或攻击的容忍度。在人脑网络研究中，鲁棒性可以从网络模型角度来模拟脑疾病的病发过程。

现有的研究中已将超图理论应用至脑功能网络中，来更加真实地表征脑区间交互。而由于超网络中超边的特性，导致在节点受损的情况下，网络拓扑结构的变化相较于传统网络来说更为敏感。然而，并没有相关研究对脑功能超网络的鲁棒性进行分析。

已有研究表明人脑中神经认知活动存在多元高阶交互，为了探究这种高阶信息，超网络被提出并已经成功应用于脑精神疾病的诊断中，其一条超边可以连接多个节点。但是在现有的脑功能超网络研究中，大多是探究网络的静态拓扑属性(比如，初始网络的静态拓扑属性等指标用于脑疾病的分类研究)，即关注的是网络并未受到攻击的理想状态。而对于人脑网络而言，鲁棒性分析可以有效的模拟脑疾病状态下的功能紊乱，以从网络模型角度，帮助理解和分析不同脑疾病的病理机制。在脑功能超网络模型中，由于允许一条超边连接多个节点，这将使得脑区节点受损下的拓扑结构的变化相较于传统网络来说更为敏感，可以更好的模拟弥散性或者局部性脑损伤。所以，鲁棒性分析对于疾病状态下的脑功能超网络具有重要的意义。但是，在神经影像领域，相关研究仍停留在传统简单二元网络中。针对脑功能超网络进行的鲁棒性分析研究，据笔者所知，还未见相关报道。

发明内容

本发明提供一种脑功能超网络模型的鲁棒性评估方法，利用覆盖组套索方法构建脑功能超网络，然后提出一种新型的失效机制—“超边弱化”机制对脑功能超网络进行攻击，并通过全局效率和最大连通子图相对大小来评估脑功能超网络的鲁棒性。该方法在真实地表征人脑复杂多元交互关系的基础上，实现了复杂多元交互环境下的脑疾病状态的功能紊乱模拟。

本发明是这样实现的，一种脑功能超网络模型的鲁棒性评估方法，包括以下步骤：

S1：获取静息态功能磁共振影像数据，并对影像数据进行预处理；

S2：根据选定的标准化脑图谱，对预处理后的影像数据中各脑区进行平均时间序列的提取；

S3：通过各脑区的平均时间序列，构建稀疏线性回归模型；并基于覆盖组套索方法，求解稀疏线性回归模型，得到脑功能超网络模型；

S4：计算脑功能超网络模型中的节点度和介数中心度；

S5：利用节点度、介数中心度分别对脑功能超网络模型进行蓄意攻击，以模拟脑疾病状态的功能紊乱过程；

S6：计算故障后的脑功能超网络模型的全局效率和最大连通子图相对大小；

S7：调整攻击节点比例，获取随攻击节点比例变化的全局效率和最大连通子图相对大小，评估脑功能超网络模型的鲁棒性。

在步骤S1中，预处理步骤具体包括：

S11：对影像数据进行时间层校正；

S12：对影像数据进行头动校正；