融合聚类和独立成分分析的脑功能网络自动提取方法与流程

1.本发明涉及脑影像分析技术领域，尤其适用于脑功能网络的提取。


背景技术：

2.功能磁共振成像技术为脑功能网络的提取和分析提供了强有力的技术手段，极大地促进了脑科学研究和精神疾病诊治的进展。目前，使用脑功能影像数据对脑功能网络进行分析已经成为一个十分重要的研究课题。
3.独立成分分析(independent component analysis，ica)是一种数据驱动的脑功能网络分析方法，其应用十分广泛。但是，在利用ica提取脑功能网络的应用中，成分个数对ica的结果有十分重要的影响。为了估计ica成分个数，已经有人使用信息理论的方法来估计ica的成分个数，可是由于噪声结构复杂，无法对ica成分个数进行准确估计，而且使用不同的估计方法，得到的结果也不相同。另外，也有一些工作为成分个数设定一定的范围，在该范围内进行多次实验，然后通过在不同数据集上结果的稳定性和可重复性等指标确定成分个数。然而，到目前为止，还没有一种ica方法可以准确估计成分个数，也没有一种ica方法可以同时融合不同成分个数下的成分。


技术实现要素：

4.本发明为了解决上述提到的问题，提供了一种融合聚类和独立成分分析的脑功能网络自动提取方法。
5.本发明解决其技术问题所采用的技术方案是：构造一种融合聚类和独立成分分析的脑功能网络自动提取方法，包括：
6.将预处理后的多个被试的脑功能影像数据基于时间点方向进行串联，在不同的成分个数设置下，分别执行个体水平和组水平的两级主成分分析(principal component analysis，pca)对数据进行降维，然后对降维后的数据进行独立成分分析(independent component analysis，ica)得到所有初始的组水平独立成分；
7.基于结合社区发现算法的分裂合并方法，完成对所有初始的组水平独立成分的自动聚类，提取可靠的组水平独立成分；
8.基于可靠的组水平独立成分，执行组水平上噪声成分的移除，得到组水平脑功能网络；
9.以组水平的脑功能网络为参考信息，对个体被试的脑功能影像数据执行组信息指导独立成分分析(group information guided ica，gig
‑
ica)，估计个体水平的脑功能网络；
10.执行个体水平相似脑功能网络的融合以及噪声成分的移除，获得不同被试具有个体特异性的脑功能网络。
11.其中，对被试脑影像数据进行预处理的步骤包括：
12.去除前几个时间点的脑功能影像数据，对剩余时间点的脑功能影像数据进行时间
层校正、头动校正、空间标准化、空间平滑。
13.其中，在不同成分个数下采用pca降维和ica分解分析多被试脑功能影像数据获取初始组水平独立成分的步骤包括：
14.对于每个被试，将个体被试每个时间点上的三维脑功能影像数据转化为一个行向量，并将不同时间点得到的行向量在时间维度上串联，得到一个时间点个数
×
脑内有效体素个数的脑功能影像数据矩阵；
15.在成分个数设定为k的情况下，将每个被试的脑功能影像数据矩阵在时间维度上进行个体水平pca降维，再将每个被试的个体水平pca降维结果在时间维度上串联，并在时间维度上进行成分个数为k的组水平pca降维；
16.对组水平pca降维的结果进行成分个数为k的ica分解，得到一组独立成分集；
17.基于多个不同的k，执行多次个体水平pca降维、组水平pca降维和ica分解，得到多组独立成分集，将所有得到的独立成分作为初始组水平独立成分。
18.其中，基于结合社区发现算法的分裂合并方法，完成对所有初始组水平独立成分的自动聚类，提取可靠的组水平独立成分的步骤包括：
19.通过社区发现算法对所有初始组水平独立成分进行初始聚类，得到初始组水平独立成分的类别标签，其中，具有相同类别标签的初始组水平独立成分被划分为同一簇；
20.执行簇的分裂直到簇数目不再改变。分裂规则是：如果在某一簇中，距离簇中心最近和最远的成分与簇中心的距离之和大于两倍的簇间平均距离，则使用社区发现算法将该簇分裂。其中，簇间平均距离是指单位距离1与当前所有簇的簇中心之间的皮尔逊相关系数绝对值的差值的平均值；
21.执行簇的合并直到簇数目不再改变。合并规则是：如果某两簇簇中心的距离小于簇间平均距离的一半，则对这两簇进行合并；
22.重复执行簇的分裂和簇的合并，直到所有初始组水平独立成分的类别标签不再改变。
23.其中，基于可靠的组水平独立成分，执行噪声成分的移除，得到组水平脑功能网络的步骤包括：
24.使用噪声移除方法移除噪声成分，得到组水平的脑功能网络。噪声移除可采用noisecloud方法通过建立分类模型对噪声成分和有意义的脑功能网络对应的成分进行区分实现，也可以通过观察成分的空间信息鉴别。
25.其中，利用个体被试的脑功能影像数据和组水平的脑功能网络，执行gig
‑
ica估计个体水平脑功能网络的步骤包括：
26.以每个组水平脑功能网络作为一个参考，基于个体被试的脑功能影像数据，采用多目标优化策略，同时优化个体被试脑功能网络的独立性以及个体被试脑功能网络和组水平脑功能网络的对应性以获得个体被试的脑功能网络。
27.其中，执行个体水平相似脑功能网络的融合以及噪声成分的移除，获得不同被试具有个体特异性的脑功能网络的步骤包括：
28.针对每个样本的个体水平的脑功能网络，使用皮尔逊相关系数度量个体水平独立成分之间的相关性，将相关性系数较大的两个或多个脑功能网络进行融合，然后使用噪声移除方法移除噪声成分，得到个体水平的脑功能网络。其中，噪声移除方法可以用
noisecloud通过建立分类模型对噪声成分和有效成分进行区分，也可以通过观察成分的空间信息和时频信息鉴别。
29.区别于现有技术，本发明提供的融合聚类和独立成分分析的脑功能网络自动提取方法主要包括以下过程：执行不同成分个数下ica分解获取初始组水平独立成分。执行结合社区发现算法的分裂合并方法对初始组水平独立成分进行聚类，获取可靠的组水平独立成分。基于可靠的组水平独立成分，执行噪声成分的移除，得到组水平脑功能网络。利用个体被试的脑功能影像数据和组水平脑功能网络估计个体水平脑功能网络。对个体水平脑功能网络进行相似脑功能网络的融合以及噪声成分的移除，最终获得不同被试具有个体特异性的脑功能网络。通过本发明，解决了以往ica方法需要人为给定成分个数的问题，而且还能得到样本特异的脑功能网络，为精神疾病的研究和诊断提供脑功能网络指标，对精神疾病的诊治有重要意义。
附图说明
30.下面将结合附图及实施例对本发明作进一步说明，附图中：
31.图1是本发明提供的一种融合聚类和独立成分分析的脑功能网络自动提取方法的流程示意图。
32.图2是本发明提供的一种融合聚类和独立成分分析的脑功能网络自动提取方法在模拟数据上对两个不同样本数据分析得到的结果示意图。
33.图3是本发明提供的一种融合聚类和独立成分分析的脑功能网络自动提取方法在模拟数据两组样本中估计的个体水平成分与模拟成分之间的皮尔逊相关性的箱式图。
34.图4是本发明提供的一种融合聚类和独立成分分析的脑功能网络自动提取方法中基于真实数据估计的脑功能网络的结果示意图。
具体实施方式
35.为了使本发明的目的、技术方案及优点更加清楚，以下结合附图及实施例，对本发明做进一步的详细说明。应当理解，所描述的具体实施例仅用于解释本发明，但并不用于限定本发明。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都将属于本发明的保护范围。
36.参照附图1，本发明提供的一种融合聚类和独立成分分析的脑功能网络自动提取方法，包括：
37.1.将预处理后的多个被试的脑功能影像数据基于时间点方向进行串联，在不同的成分个数设置下，分别执行个体水平和组水平的两级pca对数据进行降维，然后对降维后的数据进行ica分解得到所有初始的组水平独立成分。
38.2.基于结合社区发现算法的分裂合并方法，完成对所有初始的组水平独立成分的自动聚类，提取可靠的组水平独立成分。
39.3.基于可靠的组水平独立成分，执行组水平上噪声成分的移除，得到组水平脑功能网络。
40.4.以组水平的脑功能网络为参考信息，对个体被试的脑功能影像数据执行gig
‑
ica估计个体水平的脑功能网络。
41.5.执行个体水平上相似脑功能网络的融合和噪声成分的移除，获得不同被试具有个体特异性的脑功能网络。
42.其中，对被试脑影像数据进行预处理的过程主要包括：去除前几个时间点、时间层校正、头动校正、空间标准化、空间平滑等。
43.其中，在对被试脑影像数据进行不同成分个数下的pca降维和ica分解，获取初始组水平独立成分的步骤中，包括：对于每个被试，将个体被试每个时间点上的三维脑功能影像数据转化为一个行向量，并将不同时间点得到的行向量在时间维度上串联，得到一个时间点个数
×
脑内有效体素个数的脑功能影像数据矩阵。在成分个数设定为k的情况下，将每个被试的脑功能影像数据矩阵在时间维度上进行个体水平pca降维，再将每个被试的个体水平pca降维结果在时间维度上串联，并在时间维度上进行成分个数为k的组水平pca降维。对组水平pca降维的结果进行成分个数为k的ica分解，得到一组独立成分集。基于多个不同的k，执行多次个体水平pca降维、组水平pca降维和ica分解，得到多组独立成分集，将所有得到的独立成分作为初始组水平独立成分。
44.其中，基于结合社区发现算法提出的分裂合并规则，完成对初始组水平独立成分的自动聚类，提取可靠的组水平独立成分的步骤中，包括：计算初始组水平独立成分之间的皮尔逊相关系数，构建图结构，使用社区发现算法获得初始组水平独立成分的初始类别标签，进而基于提出的分裂合并规则，更新初始类别标签，获得稳定组水平独立成分。
45.通过社区发现算法对所有初始组水平独立成分进行初始聚类，得到初始组水平独立成分的类别标签，其中，具有相同类别标签的初始组水平独立成分被划分为同一簇。执行簇的分裂直到簇数目不再改变。分裂规则是：如果某一簇中，距离簇中心最近和最远的成分与簇中心的距离之和大于两倍的簇间平均距离，则使用社区发现算法将该簇分裂，其中，簇间平均距离是指单位距离1与当前所有簇的簇中心之间的皮尔逊相关性绝对值的差值的平均值。执行簇的合并直到簇数目不再改变。合并规则是：如果某两簇簇中心的距离小于簇间平均距离的一半，则对这两簇进行合并。重复执行簇的分裂和簇的合并，直到所有初始组水平独立成分的类别标签不再改变。
46.由于独立成分数目(成分个数)的设定往往是经验大于理论，得到的稳定组水平独立成分并不可靠。本发明结合社区发现算法，提出分裂合并规则来进行稳定聚类，使得对独立成分的提取克服了参数设置的主观性这一缺点，提高了稳定独立成分提取的可重复性。
47.本发明采用标准单位1与两个成分皮尔逊相关性的绝对值的差值作为两个成分之间的距离度量手段。其中，分裂规则为：
48.步骤s1：计算当前所有簇的簇间平均距离(d
mean
)。
49.步骤s2：对于每个簇，计算该簇内距离簇中心最近和最远的成分(该成分不包含簇中心本身)与簇中心的距离和(d
intra
)。
50.步骤s3：对于一个簇，如果满足d
intra
＞d
mean
/2，那么我们使用社区发现算法对该簇进行分裂。
51.步骤s4：更新簇中心和当前簇的数量。
52.步骤s5：如果簇的数量发生了改变，则返回步骤s1，如果不变，则分裂操作结束。
53.合并规则为：
54.步骤m1：计算当前所有簇的簇间平均距离(d
mean
)。
55.步骤m2：计算当前所有簇中任意两簇的簇中心之间的距离(d
inter
)。
56.步骤m3：对于任意两簇，如果它们的簇中心之间的距离满足d
inter
＜d
mean
/2，则合并这两簇。
57.步骤m4：更新簇中心和当前簇的数量。
58.步骤m5：如果簇的数量发生了改变，则返回步骤m1，如果不变，则合并操作结束。
59.重复执行以上的分裂和合并规则，直到初始组水平的类别标签不再改变，进而得到可靠的组水平独立成分。
60.其中，基于可靠的组水平独立成分，执行组水平噪声成分的移除，得到组水平脑功能网络的步骤包括：
61.使用噪声移除方法移除噪声成分，得到组水平的脑功能网络。其中，噪声移除方法可用noisecloud方法通过建立分类模型对噪声和有效成分进行区分。
62.其中，利用个体被试的脑功能影像数据和组水平的脑功能网络，执行gig
‑
ica估计个体水平脑功能网络的步骤包括：
63.以每个组水平脑功能网络作为一个参考，基于个体被试的脑功能影像数据，采用多目标优化策略，同时优化个体被试脑功能网络的独立性以及个体被试脑功能网络和组水平脑功能网络的对应性以获得个体被试的脑功能网络。
64.其中，执行个体水平相似脑功能网络的融合以及噪声成分的移除，获得不同被试具有个体特异性的脑功能网络的步骤包括：
65.针对每个样本的个体水平的脑功能网络，使用皮尔逊相关系数度量个体水平独立成分之间的相关性，将相关性系数较大的两个或多个脑功能网络进行融合，然后使用噪声移除方法移除噪声成分，得到个体水平的脑功能网络。其中，噪声移除方法可以用noisecloud通过建立分类模型对噪声成分和有效成分进行区分，也可以通过观察成分的空间信息和时频信息鉴别。
66.本实例中数据的产生：模拟数据由simtb工具箱产生。本实验共模拟了两组样本，每组包含15个样本，每个样本的模拟数据由8个成分产生。在8个成分中，有6个成分在两组间具有共同的空间模式，有2个成分在每个组内具有特异的空间模式。本实例的真实数据来自于25个正常被试的功能磁共振成像(functional magenetic resonance imaging，fmri)数据。
67.图2是本发明在模拟数据上对两个不同样本数据分析得到的结果，展示了估计的个体水平的独立成分和模拟的独立成分，以及估计出的成分与模拟的成分之间皮尔逊相关性(r值)。其中(a)和(b)表示来自于不同组的两个样本。
68.图3是本发明在模拟数据两组样本中估计的个体水平成分与模拟成分之间的皮尔逊相关性的箱式图。其中(a)展示两组间共有成分的结果；(b)展示每组特异成分的结果。
69.图4是基于真实数据估计的脑功能网络的结果示意图。展示了基于真实数据用本发明估计的脑功能网络的结果。其中，(a)展示了基于同一个组水平独立成分估计出的具有最大空间相似度(空间相似度用r表示)的来自两个样本的两个脑功能网络。(b)展示了基于同一个组水平独立成分估计出的具有最小空间相似度的来自两个样本的两个脑功能网络。
70.上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员
在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。