[发明专利]发掘异质型脑功能网络的嵌入聚类的独立成分分析方法

说明书

本发明属于脑影像分析技术领域，具体涉及一种发掘异质型脑功能网络的嵌入聚类的独立成分分析方法，包括以下步骤：获取多被试fMRI数据并进行预处理，同时据给定的独立成分数对每个被试数据进行ICA，得到被试个体级独立成分；为了获得最佳聚类效果，设定类别数在一定范围内递增地变化，在每个类别数下通过最小化个体级独立成分和各类组级独立成分间的损失对个体被试进行聚类，并记录对应损失值；用损失值绘制损失曲线，根据损失曲线的拐点来估算最佳类别数；获取最佳类别数对应的组级独立成分，用GIG‑ICA来反向重建出被试的个体级独立成分。本发明可同时得到具有类别特异性的个体被试脑功能网络和个体被试类别标签。

技术领域

本发明属于脑影像分析技术领域，具体涉及一种发掘异质型脑功能网络的嵌入聚类的独立成分分析方法。

背景技术

目前针对精神疾病患者的诊断是基于临床症状进行的，具有主观性。已有研究发现，基于客观的脑影像测度可以辅助精神疾病的诊断，且相似的精神疾病或同一种精神疾病在影像测度水平上可以进一步被区分为不同的子型，也称作生物子型。相较于传统的诊断方式，基于客观影像发掘生物子型从而实现对患者的诊断具有客观性、特异性等优点，是脑科学领域的重要研究内容。利用脑功能网络测度进行生物子型的挖掘具有很大的潜力，然而，已有的工作大多是基于提取的脑功能网络的相关测度进行聚类，这样两步操作的方式有以下几个缺点：一、无法保证得到的个体脑功能网络本身是具有类别特性的；二、数据中的噪声会影响脑功能网络的提取，从而影响聚类的结果；三、类别个数的确定是基于得到的脑功能网络测度进行的，无法保证最优。

针对上述问题，本发明提出了一种发掘异质型脑功能网络的嵌入聚类的独立成分分析方法，可同时得到具有类别特异性的个体被试脑功能网络和个体被试类别标签，为科研人员和医生进一步揭示大脑功能和疾病生物子型提供参考。

发明内容

本发明为了达到上述同时得到具有类别特异性的个体被试脑功能网络和个体被试类别标签的目的，提供了一种发掘异质型脑功能网络的嵌入聚类的独立成分分析方法。

为了达到上述目的，本发明采用了下列技术方案：

一种发掘异质型脑功能网络的嵌入聚类的独立成分分析方法，包括以下步骤：

步骤1，读入多个被试的功能磁共振成像(Functional Magnetic ResonanceImaging，fMRI)数据并进行预处理，同时根据给定的独立成分数对每个被试进行独立成分分析(Independent Component Analysis，ICA)，得到被试个体级独立成分，用于后续分析；其中多个被试的fMRI数据作为数据集；

步骤2，为了获得对数据集的最佳聚类分析效果，估计数据集可能包含类别数的上下界，设定类别数在此上下界范围内递增地变化，在每个类别数下进行聚类分析，并记录对应的损失值；

步骤3，根据类别数和对应的损失值绘制损失曲线，它的横坐标为类别数，纵坐标为各类别数下聚类结果的损失值，利用损失曲线的拐点来估算出数据集的最佳类别数：在类别数递增变化的过程中损失值会呈现出前段快速下降后段趋于平稳的特点，那么前后段变化的拐点对应的横坐标值即数据集的最佳类别数；

步骤4，根据估算出的最佳类别数，获取最佳类别数对应的组级独立成分，以此为参考使用组信息指导的独立成分分析(Group Information Guided ICA，GIG-ICA)来反向重建出被试的个体级独立成分。

进一步，所述步骤1中预处理包括去除前几个时间点、时间层校正、头动校正、空间标准化、空间平滑。