[发明专利]基于形态学相似网络对fMRI信号进行滤波分解的方法

说明书

本发明提供基于形态学相似网络对fMRI信号进行滤波分解的方法，属于生物医学成像信号处理技术领域。包括如下步骤：首先计算被试的形态学相似矩阵并变换得到对应的拉普拉斯矩阵，其次计算拉普拉斯矩阵的谱分解并利用谐波分量对功能磁共振成像信号进行图傅里叶变换，最终使用图滤波器对频域的信号进行滤波和逆变换，得到功能磁共振成像信号中的低频信号和高频信号，并分别探究高频信号与低频信号的能量谱密度。本发明的方法具有鲁棒性高，稳定性强等特点，对功能磁共振成像信号的分解处理提供了一种新的有效方法。

技术领域

本发明属于生物医学图像信号处理技术领域，尤其涉及在形态学相似网络(morphometricsimilarity networks,MSN)上利用图傅里叶变换(graph Fouriertransform,GFT)以及图滤波器的方法对功能磁共振成像(functional magneticresonance imaging,fMRI)信号进行滤波分解。

背景技术

大脑的结构和功能是密不可分的，大脑的结构连接是功能连接的基础，而大脑功能连接是结构连接的外在表征。大脑中潜在的结构网络在物理上调节和限制着大脑的动态活动，然而大脑功能在多大程度上受到潜在的结构的约束，仍然是一个复杂的问题。图信号处理(graph signal process,GSP)是一种基于图结构研究图中节点信号的方法，这种方法可以使用结构网络的谐波分量对功能信号进行分解。图信号处理(GPS)具有整合图中大脑结构与大脑功能(存在于图信号中)的能力，能够衡量个体的功能信号与底层结构的耦合程度。

在使用图信号处理的方法(GPS)时，需要使用大脑的结构网络信息。传统刻画脑结构网络的方法有两种：扩散加权成像(diffusion-weighted imaging,DWI)和结构协方差网络(structural covariance network,SCN)分析。然而扩散加权成像(DWI)通常会低估远距离解剖连接的强度，并且容易受到头部运动的影响；结构协方差网络(SCN)不能构建单个被试的结构网络，并且其生理机制还是存在争议的。

形态学相似网络(MSN)提供了一种新的方法来估计单个被试大脑内区域间组织学相似性和解剖学连通性的关联模式。相比较在多个被试上估计脑区间单个结构指标的相关性，形态学相似性网络(MSN)是对单个被试大脑中区域间的多个磁共振(magneticresonance imaging,MRI)指标进行相关性分析，可以更准确地估计人类大脑皮层的结构特性。脑区间形态学越相似，则脑区间的细胞结构越相似，并且这些脑区间神经元功能相关基因的共表达程度越高。

因此，形态学相似网络为理解人类大脑皮层网络如何支持个体心理功能差异提供了一种新颖的、健壮的、生物学上的可信方法。

发明内容

本发明的目的在于解决上述现有技术存在的缺陷，提供基于形态学相似网络(MSN)对fMRI信号进行分解的方法，利用图信号处理(GSP)、图傅里叶变换(GFT)和图滤波器的方法对fMRI信号进行处理，得到fMRI信号的低频部分(功能信号偏离结构网络的程度较低)和高频部分(功能信号偏离结构网络的程度较高)并计算其能量分布。

本发明采用如下技术方案：

基于形态学相似网络对fMRI信号进行滤波分解的方法，包括如下方法：

步骤1.对原始fMRI数据进行预处理，得到经过预处理后的fMRI数据矩阵，并将预处理后的fMRI数据矩阵转化为N×T的矩阵，其中N为大脑感兴趣区域，T为时间点个数；

步骤2.依据多模态脑影像数据，得到每个被试各自的形态学相似矩阵，对所有被试的形态学相似矩阵进行平均并将矩阵中的负权值赋为0，可以得到邻接矩阵A；

步骤3.对矩阵A进行变换得到拉普拉斯矩阵L并对其进行标准化得到L_sym，公式如(1)和(2)所示，其中D矩阵为A矩阵的度矩阵；