[发明专利]基于模块化动态重构的多尺度脑网络分析方法及系统

权利要求书

1.一种基于模块化动态重构的多尺度脑网络分析方法，其特征在于包括以下步骤：

获取受试者在测试过程中以及静息状态下的功能磁共振脑成像数据；

对所述功能磁共振脑成像数据进行预处理；

将预处理后的功能磁共振脑成像数据分割为离散的感兴趣区并作为全脑网络的节点，计算各节点的血氧水平依赖信号之间的相关系数作为功能连接的强度指标，构建受试者在不同状态下的全脑功能连接网络；

对受试者在每种状态下的所述全脑功能连接网络进行模块化识别和分区，划分出不同的功能网络模块；

根据不同状态下划分的功能网络模块，获取模块化架构适应性指标、跨任务稳定性指标和跨任务灵活性指标；

根据所述模块化架构适应性指标、跨任务稳定性指标和跨任务灵活性指标，分析组成所述功能网络模块的所有节点随任务状态发生变化和保持稳定的平均程度。

2.如权利要求1所述的多尺度脑网络分析方法，其特征在于对受试者每种状态下的所述全脑功能连接网络进行模块化识别和分区，划分出不同的功能网络模块之后，还包括：

根据模块化分区函数Q衡量全脑功能网络模块化分区的优劣程度；

，

其中，aij表征节点i和节点j之间的功能连接的强度；pij表征在指定的空模型中连接节点i和j的连边的期望权重，pij = kikj/2m，其中ki和kj是指节点i和节点j的强度，2m=ΣijAij，指的是在当前网络中连接的总数；σi和σj表征节点i和节点j被划分进的社区，当节点i和节点j划分进同一个社区，即σi = σj时，Kroneckerδ函数δ(σiσj) = 1，否则δ(σiσj) = 0；γ表征分辨率参数；所述函数Q的取值范围在0～1之间。

3.如权利要求1所述的多尺度脑网络分析方法，其特征在于，所述获取受试者在测试过程中以及静息状态下的功能磁共振脑成像数据，具体包括：

通过多范式脑影像数据采集单元选择和确定需要实施的多种认知范式及其对应的实验任务；

在受试者根据提示执行相关任务时，采集其功能磁共振脑成像数据t-fMRI；

在受试者在静息状态下，采集其功能磁共振脑成像数据rs-fMRI。

4.如权利要求3所述的多尺度脑网络分析方法，其特征在于，所述对所述功能磁共振脑成像数据进行预处理，降低数据中的噪声，具体包括：

对所获取的t-fMRI数据和rs-fMRI数据进行预处理，校正数据获取过程中由于系统因素对数据产生的系统性噪声信号和由于受试者因素所带来的随机性噪声信号，提高数据信噪比；其中，所述功能磁共振脑成像数据预处理包括时层校正、头动校正、空间标准化、去线性漂移和平滑处理。

5.如权利要求4所述的多尺度脑网络分析方法，其特征在于，所述将降噪后的功能磁共振脑成像数据分割为离散的感兴趣区并作为全脑网络的节点，计算各节点的血氧水平依赖信号之间的相关系数作为功能连接的强度指标，构建受试者在不同状态下的全脑功能连接网络，具体包括：

将预处理后的受试者每种状态下的磁共振图像对齐配准到同样的大脑模板上；

将磁共振图像分割成离散的感兴趣区；

将给定功能或解剖区域内所有体素的信息结合，通过计算感兴趣区内所有体素的扫描时间序列中血氧水平依赖信号的平均值得到该感兴趣区的血氧水平依赖信号；

以各个感兴趣区作为节点，计算所有可能的节点对之间的血氧水平依赖信号的Pearson相关系数，产生包含元素ri,j的N * N相关系数矩阵，其中ri,j表示节点i和节点j之间的功能连接相关系数，N表示根据特定大脑图谱划分的感兴趣区的数量，其中，每个受试者能够得到1个N * N的静息态全脑功能网络连接矩阵和n个N * N的任务态全脑功能网络连接矩阵。