差异成分识别方法、装置、电子设备及介质

1.本发明属于脑网络技术领域，尤其是一种差异成分识别方法、装置、电子设备及可读存储介质。


背景技术：

2.近年神经科学的进展发现人脑是一个连接的网络，大脑各区域之间存在非线性的动态相互关系。静息态功能磁共振成像(resting-state functionalmagnetic resonance imaging,rs-fmri)、脑电图(electroencephalogram,eeg)可以非侵入式地测量大脑神经活动。通过定义节点(node)和边(edge)构建脑网络，使得网络科学中的方法能够被应用到功能神经数据分析当中。节点又被称为感兴趣区(regions of interest,roi)，边又被称为连接(connectivity)。人脑神经活动除了同步性之外，还存在方向性，因而可以构建有向脑网络。
3.脑网络研究中的一个关键问题是如何寻找群组间的显著连接路径差异。对于两组脑网络样本，如果对每个连接进行统计学检验，总的检验数量会相当庞大，而同时进行大量的统计检验会面临多重检验(multiple comparison)导致的虚警率(false positive rate)上升问题。若统计显著门限设为0.05，对于一组100次统计假设检验，群组错误概率(family-wise error rate,fwer)达到0.994，几乎无法避免至少出现一次一类错误。而脑网络的连接数量一般在千、万量级，直接对每个连接进行统计检验，几乎肯定会出现假阳性结果。
4.对于多重检验问题，通常使用bonferroni方法进行控制，或使用假发现率(false discover rate,fdr)进行控制(bland and altman,1995；benjaminiand hochberg,1995)。这两种方法的本质均在于降低统计检验显著的门限阈值。若同时进行n次检验，bonferroni控制方法会将显著阈值降低到α/n，fdr也使用类似的思路。但对于数量庞大的脑网络连接来说，因为连接数量众多，n值很大，直接使用这种控制方法会导致几乎没有显著结果，无法有效平衡虚警率与统计效力(statistical power)。
5.综上可知，现有的群组连接路径差异分析方法不适用有向脑网络的研究。需要探索新的方法。


技术实现要素：

6.为解决相关技术中的问题，本公开某些实施例提供一种差异成分识别方法、装置、电子设备及可读存储介质。
7.第一方面，本公开某些实施例中提供了一种差异成分识别方法。
8.具体地，所述差异成分识别方法，包括：
9.获取两组有向脑网络数据；
10.处理所述两组有向脑网络数据，以确定一个或多个具有显著差异的候选连通成分；
11.通过对所述两组有向脑网络数据进行置换检验，从所述候选连通成分中识别差异成分。
12.结合第一方面，本公开在第一方面的第一种实现方式中，所述处理所述两组有向脑网络数据，以确定一个或多个具有显著差异的候选连通成分包括：
13.通过统计检验方法对所述两组有向脑网络数据的每个连接进行检验，以获取每个连接的第一特征值，所述第一特征值包括显著差异统计量和/或p值；
14.基于所述第一特征值与预定阈值的比较构建二值的或有权的第一差异网络；
15.从所述第一差异网络中确定的一个或多个候选连通成分。
16.结合第一方面的第一种实现方式，本公开在第一方面的第二种实现方式中，该方法还包括基于所述两组有向脑网络数据之间的关系确定统计检验方法，其中：
17.在所述两组有向脑网络数据为独立样本的情况下，确定统计检验方法为双样本t检验或非参数的曼-惠特尼秩和检验；
18.在所述两组有向脑网络数据为配对样本的情况下，确定统计检验方法为配对t检验或非参数的威尔科克森符号秩检验。
19.结合第一方面，本公开在第一方面的第三种实现方式中，所述通过对所述两组有向脑网络数据进行置换检验，从所述候选连通成分中识别差异成分包括：
20.将所述两组有向脑网络数据通过随机的方式重新分为两组；
21.通过统计检验方法对重新分组后的两组有向脑网络数据的每个连接进行检验，以获取每个连接的第三特征值；
22.基于所述第三特征值与所述预定阈值的比较构建第二差异网络；
23.从所述第二差异网络中确定一个或多个连通成分，并从中确定最大连通成分；
24.在上述操作重复执行预定次数后，基于各次确定的所述最大连通成分，从所述候选连通成分中识别差异成分。
25.结合第一方面的第三种实现方式，本公开在第一方面的第四种实现方式中，所述从所述第二差异网络中确定一个或多个连通成分包括：
26.将所述第二差异网络中的有向连接视为无向连接，从所述第二差异网络中识别一个或多个连通成分；或者
27.基于预定的一个或多个感兴趣区，确定从所述感兴趣区出发，沿有向连接确定的发散网络和/或汇聚网络。
28.结合第一方面的第三种实现方式，本公开在第一方面的第五种实现方式中，所述从所述第二差异网络中确定一个或多个连通成分包括：
29.从所述第二差异网络中的任一节点开始按照有向连接进行搜索，按照最深节点优先原则将搜索到的节点放入栈中；
30.将所述有向连接的方向反转，标记所有节点为未访问；
31.从所述栈中依次取出节点，如果节点未访问，则在方向反转的第二差异网络中对该节点进行搜索，直到栈内无节点，以确定一个或多个连通成分。
32.结合第一方面的第三种实现方式，本公开在第一方面的第六种实现方式中，该方法还包括控制所述预定阈值在一定范围内变化，以展示变化的差异成分。
33.第二方面，本公开某些实施例中提供了一种差异成分识别装置。
34.具体地，所述差异成分识别装置包括：
35.获取模块，被配置为获取两组有向脑网络数据；
36.处理模块，被配置为处理所述两组有向脑网络数据，以确定一个或多个具有显著差异的候选连通成分；
37.识别模块，被配置为通过对所述两组有向脑网络数据进行置换检验，从所述候选连通成分中识别差异成分。
38.第三方面，本公开某些实施例提供了一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如第一方面、第一方面的第一种至第六种实现方式中任一项所述的方法。
39.第四方面，本公开某些实施例中提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如第一方面、第一方面的第一种至第六种实现方式中任一项所述的方法。
40.根据本公开实施例的技术方案，通过获取两组有向脑网络数据；处理所述两组有向脑网络数据，以确定一个或多个具有显著差异的候选连通成分；通过对所述两组有向脑网络数据进行置换检验，从所述候选连通成分中识别差异成分。该技术方案避免了大规模统计检验所面临的多重检验矫正效力下降问题，提高了统计效力，可实现有向脑网络连接差异成分识别。
41.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
42.结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：
43.图1示出了本公开某些实施例的差异成分识别方法的流程图；
44.图2示出了本公开某些实施例的确定候选连通成分的流程图；
45.图3示出了本公开某些实施例的识别差异成分的流程图；
46.图4示出了本公开另一些实施例的差异成分识别方法的流程图；
47.图5示出了本公开某些实施例的nbs显著差异连通成分分析的流程图；
48.图6示出了本公开一实施例的脑网络的局部示意图；
49.图7示出了本公开某些实施例的寻找连通成分的流程图；
50.图8a示出了本公开某些实施例的汇聚网络的示意图；
51.图8b示出了本公开某些实施例的发散网络的示意图；
52.图9示出了本公开另一些实施例的寻找连通成分的流程图；
53.图10示出了本公开又一些实施例的寻找连通成分的流程图；
54.图11示出了应用本公开某些实施例的差异成分识别方法的示意图；
55.图12a-图12g示出了应用本公开某些实施例的方法得到的差异成分的示意图；
56.图13示出了本公开某些实施例的差异成分识别装置的框图；
57.图14示出根据本公开某些实施例的电子设备的框图；
58.图15示出了适于实现某些实施例的差异成分识别方法和装置的计算机系统的结
构示意图。
具体实施方式
59.下文中，将参考附图详细描述本公开的示例性实施例，以使本领域技术人员可容易地实现它们。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
60.在本公开中，应理解，诸如“包括”、“包含”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
61.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
62.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。在使用类似于“a、b或c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b或c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。本领域技术人员还应理解，实质上任意表示两个或更多可选项目的转折连词和/或短语，无论是在说明书、权利要求书还是附图中，都应被理解为给出了包括这些项目之一、这些项目任一方、或两个项目的可能性。例如，短语“a或b”应当被理解为包括“a”或“b”、或“a和b”的可能性。
63.另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
64.本公开某些实施例提供一种差异成分识别方法，通过获取两组有向脑网络数据；处理所述两组有向脑网络数据，以确定一个或多个具有显著差异的候选连通成分；通过对所述两组有向脑网络数据进行置换检验，从所述候选连通成分中识别差异成分，从而避免了大规模统计检验所面临的多重检验矫正效力下降问题，提高了统计效力，可实现有向脑网络连接差异成分识别。
65.图1示出了根据某些实施例的差异成分识别方法的流程图。
66.如图1所示，该方法包括步骤s110-s130。
67.在步骤s110，获取两组有向脑网络数据；
68.在步骤s120，处理所述两组有向脑网络数据，以确定一个或多个具有显著差异的候选连通成分；
69.在步骤s130，通过对所述两组有向脑网络数据进行置换检验，从所述候选连通成分中识别差异成分。
70.根据本公开某些实施例，两组有向脑网络数据可以是两组人的有向脑网络数据。
两组人之间通常可以具有一定的对照意义。可以选择健康人群有向脑网络数据、患者人群治疗前有向脑网络数据、患者人群治疗后有向脑网络数据中的任意两种，用于分析有向脑网络中显著的连通成分所蕴含的生理学、病理学意义。例如，可以选择健康人群有向脑网络数据和患者人群治疗前有向脑网络数据，确定与该疾病相关的连通成分。又如，可以选择患者人群治疗前有向脑网络数据和患者人群治疗后有向脑网络数据，可以用于评估治疗效果。
71.根据本公开某些实施例，建立脑网络的方法可以是ccm或延时ccm方法。可以对静息态bold fmri数据进行预处理，分别使用brodmann图谱、brodmann_ce图谱、aal、aal2、aal3、aicha、brainnetome图谱定义节点，利用ccm构建有向脑网络。建立脑网络的方法还可以是利用格兰杰因果法(granger causality analysis)，从bold fmri、eeg或dti纤维束追踪构建出脑网络。定义节点的方法可以包括基于脑区，或将fmri扫描的体素(voxel)定义为节点。例如，选择图谱的某个或某些脑区，或人工指定一个区域，将这些脑区/区域覆盖的每个体素分别定义为网络的节点，体素时间序列即为节点的时间序列。
72.图2示出了本公开某些实施例的确定候选连通成分的流程图。
73.如图2所示，上述操作s120可以包括操作s210-s230。
74.在操作s210，通过统计检验方法对所述两组有向脑网络数据的每个连接进行检验，以获取每个连接的第一特征值；
75.在操作s220，基于所述第一特征值与预定阈值的比较构建二值的或有权的第一差异网络；
76.在操作s230，从所述第一差异网络中确定的一个或多个候选连接成分。
77.根据本公开某些实施例，统计检验方法例如可以包括双样本t检验、配对t检验、曼-惠特尼秩和检验或威尔科克森符号秩检验等。所述第一特征值可以包括显著差异统计量(stat_thresh)和/或p值(pval_thresh)。
78.根据本公开某些实施例，将每个连接的第一特征值与预定阈值比较，可以确定每个连接是否符合阈值条件，保留符合阈值条件的连接，并删除不符合阈值条件的连接，可以得到一个差异网络。如设定显著差异阈值为p值，则p值小于该阈值的边被留下，大于该阈值的边被删去。由此得到二值化的差异网络diff_net。
79.根据本公开某些实施例，基于该差异网络可以确定一个或多个候选连通成分c*，该候选连通成分的确定方法可以参照后文如图6至图10中描述的各种方法，此处暂不展开介绍。例如，可以确定该差异网络中的全部连通子图为候选连通成分，并可以记录下子图的大小，定义为子图节点个数或边的数量(|c
*
|＝l
*
)。找到的所有连接成分及其大小记为
80.根据本公开某些实施例，也可以先构建有权的第一差异网络，在确定候选连接成分的过程中，将有权的第一差异网络转化为二值差异网络，形成与上述方案等效的替代方案。
81.根据本公开实施例的技术方案，通过统计检验方法对所述两组有向脑网络数据的每个连接进行检验，以获取每个连接的第一特征值，所述第一特征值包括显著差异统计量和/或p值；基于所述第一特征值与预定阈值的比较构建二值的或有权的第一差异网络；从所述第一差异网络中确定的一个或多个候选连通成分，从而避免了大规模统计检验所面临
的多重检验矫正效力下降问题，提高了统计效力，可实现有向脑网络连接差异成分识别。
82.根据本公开某些实施例，该方法还包括基于所述两组有向脑网络数据之间的关系确定统计检验方法，其中：在所述两组有向脑网络数据为独立样本的情况下，确定统计检验方法为双样本t检验或非参数的曼-惠特尼秩和检验(mann whitney u)；在所述两组有向脑网络数据为配对样本的情况下，确定统计检验方法为配对t检验或非参数的威尔科克森符号秩检验(wilcoxon)。
83.例如，对于独立样本，如患者与健康人对照组，可以使用双样本t检验或非参数mann whitney u检验。对于配对样本，如患者治疗前和治疗后，使用配对t检验或非参数wilcoxon检验，从而可以对比不同检验方法对结果的影响。
84.图3示出了本公开某些实施例的识别差异成分的流程图。
85.如图3所示，上述操作s130可以包括操作s310-s350。
86.在操作s310，将所述两组有向脑网络数据通过随机的方式重新分为两组；
87.在操作s320，通过统计检验方法对重新分组后的两组有向脑网络数据的每个连接进行检验，以获取每个连接的第三特征值；
88.在操作s330，基于所述第三特征值与所述预定阈值的比较构建第二差异网络；
89.在操作s340，从所述第二差异网络中确定一个或多个连通成分，并从中确定最大连通成分；
90.在操作s350，在上述操作s310-s340重复执行预定次数后，基于各次确定的所述最大连通成分，从所述候选连通成分中识别差异成分。
91.根据本公开某些实施例，打乱两组样本的标签，例如，群组1包括m个脑网络，群组2包括n个脑网络，可以将这m n个脑网络的顺序进行随机排列，取前m个脑网络作为群组a，后n个脑网络作为群组b，得到重新分组后的群组a和群组b。
92.根据本公开某些实施例，重新分成的两组有向脑网络与原始的两组有向脑网络的大小一致，例如，上述群组a的大小与群组1一致，群组b的大小与群组2一致。
93.根据本公开某些实施例，操作s320-s340与上述操作s210-s230基本一致，尤其是使用的统计检验方法要求与上述s210中的统计检验方法相同，此处不再赘述。
94.在操作s350，可以基于所述连通成分中最大的连通成分，从所述候选连通成分中识别差异成分。
95.根据本公开某些实施例，第i次置换检验得到的连接成分及大小分别记为ci与li，|ci|＝li。置换检验例如可以重复5000次，记录下5000次置换得到的最大连接成分大小，即为零假设的经验分布。nbs给出的经验p值(emp_pval)等于置换检验中连接成分大小大于原连接成分大小的数量除以重复次数，根据经验p值是否小于显著度(α)判断该连接成分是否显著。对于连接成分及其大小经验p值的计算方法如下：
[0096][0097]
其中n为置换检验次数，分子表示对的项进行计数，即在n次置换检验中，有多少次置换检验得到的最大连接成分大小大于成分的大小
[0098]
根据统计检验的基本原理，样本被认为是从具有某种分布的整体中的随机抽取。
两组样本是否显著，实际上是判断在某种误差容许范围内，两组样本是否是从同一个分布的整体中抽取出来。此处“某种误差容许范围”即为显著度α。其原理为，如果两组样本果真是从同一个分布的整体中抽取出来的话(即不存在显著差异)，那么有多大可能由于采样的随机误差或噪声扰动，导致两组样本出现当前这么大的统计差异，如果这种可能性小于显著度，便不认为这两组样本是从同一个整体中抽取出来，因为如果是从同一个样本抽取出来，出现这么大的差异的概率太小了。一般来说α＝0.05。
[0099]
然而实际上，整体的分布并不能显式表达，例如在本实施例的应用范围脑网络当中，患者、健康人群的脑网络连接分布模式难以明确表示。此时借助于置换检验(permutation test)技术，从数据中生成经验零假设。上述打乱标签的过程，就是假设群组1和群组2是从同一个分布的整体中抽取出来的(即零假设)，因为如果该假设成立，打乱标签与不打乱标签进行检验结果应该比较接近。
[0100]
多次打乱标签并记录下每次的最大连接成分大小li，可以获得在零假设成立的情况下(即不存在显著差异的情况下)，两个群组进行差异检验后识别出的最大连接成分大小的经验分布。最后根据这个经验分布判断原群组1、群组2得到的所有差异连接成分其大小在经验分布中是否很稀少，也就是判断出现这种大小的差异连接成分的几率有多大。这个几率用计数比或频次比来表示，也就是上述经验p值的计算公式。如果这个几率比较小，小于了给定的显著度α，那么就有理由认为群组1、群组2不是从同一个分布整体中抽取的样本，也就是说群组1、群组2具有显著差异。
[0101]
根据本公开实施例的技术方案，通过将所述两组有向脑网络数据通过随机的方式重新分为两组；通过统计检验方法对重新分组后的两组有向脑网络数据的每个连接进行检验，以获取每个连接的第三特征值；基于所述第三特征值与所述预定阈值的比较构建第二差异网络；从所述第二差异网络中确定一个或多个连通成分，并从中确定最大连通成分；在上述操作重复执行预定次数后，基于各次确定的所述最大连通成分，从所述候选连通成分中识别差异成分，从而避免了大规模统计检验所面临的多重检验矫正效力下降问题，提高了统计效力，可实现有向脑网络连接差异成分识别。
[0102]
下面结合某些具体实施例对上述过程进行介绍。
[0103]
图4示出了本公开另一些实施例的差异成分识别方法的流程图。
[0104]
如图4所示，该方法包括操作s410-s440。
[0105]
首先获得两组有向脑网络，群组1和群组2。
[0106]
在操作s410，执行基于网络的统计分析方法nbs识别显著差异连通成分，得到候选连通成分及候选连通成分的大小。其中，基于网络的统计分析方法即上文图2所描述的操作s210-s230。
[0107]
在操作s420，打乱群组标签，即上述图3描述的操作s310，打乱群组标签后得到群组a和群组b。
[0108]
在操作s430，执行基于网络的统计分析方法nbs识别显著差异连通成分，得到连通成分及其大小，该操作即上文图3所描述的操作s320-s340，与操作s410类似。操作s430执行完毕后，返回s420，重复执行s420和s430直至达到预定次数，例如5000次。
[0109]
在操作s440，基于预定次数的识别结果，结合操作s410得到的结果进行处理，从候选连通成分中确定一个或多个显著连通成分(即差异成分)及其p值。
[0110]
图5示出了本公开某些实施例的nbs显著差异连通成分分析的流程图。
[0111]
如图5所示，操作s410或s430可以包括操作s510-s530。图中所示的两组脑网络为群组a和群组b，是针对s430而言的；对于操作s410而言，将其替换为群组1和群组2即可。
[0112]
在操作s510，基于统计分析，逐个连接进行差异检验，得到群组差异统计量网络和群组差异p值网络。
[0113]
在操作s520，通过显著差异阈值(预定阈值)处理该群组差异统计量网络或群组差异p值网络，将网络中的连接二值化，保留符合阈值条件的连接，并删除不符合阈值条件的连接，可以得到一个二值化的差异网络。
[0114]
在操作s530，基于所述差异网络确定连通成分及其大小。
[0115]
根据本公开某些实施例，无论是操作s410中的第一差异网络或是s430中的第二差异网络，基于差异网络确定连通成分都存在一定的阻碍。因为差异网络为有向网络，有向网络的边具有方向性，网络邻接矩阵非对称，相比无向网络更加复杂，也具有无向网络所没有的方向特性。
[0116]
下面结合图6-图10，对本公开实施例确定连通成分的方法进行说明。
[0117]
图6示出了本公开某些实施例的脑网络的局部示意图。
[0118]
如图6所示，在节点1-5中，存在从节点1到节点2之间的单向连接、从节点2分别到节点3和节点4之间的单向连接、节点3到节点1的连接以及节点4到节点5之间的单向连接。
[0119]
在本公开一些实施方式中，所述从所述第二差异网络中确定一个或多个连通成分包括将所述第二差异网络中的有向连接视为无向连接，从所述第二差异网络中识别一个或多个连通成分。
[0120]
根据本公开某些实施例，将有向网络视为无向网络，即只要两个节点之间有至少一个方向的连接，就认为它们之间有关系，图6中的网络所有节点将被视为构成一整个连通成分。这种方法识别的连接成分又被称作弱连接成分(weakly connected component)，可以通过图的深度优先搜索(depth first search,dfs)找到，请参考图7。
[0121]
图7示出了本公开某些实施例的寻找连通成分的流程图。
[0122]
如图7所示，该方法包括操作s710-s790。
[0123]
在操作s710，标记网络中所有节点为未访问状态。
[0124]
在操作s720，从一个节点开始遍历，该节点可以是任意的一个节点。
[0125]
在操作s730，判断该节点是否为已访问的节点，如果为已访问节点，执行操作s740，否则执行操作s750。
[0126]
在操作s740，跳过该节点，返回操作s720，继续处理下一个节点。
[0127]
在操作s750，将该节点加入当前连通成分，并将该节点标记为已访问。
[0128]
在操作s760-s780，寻找与该节点相连的其他节点，如果存在，则返回操作s730，重复以上步骤直到遍历完所有相连的节点，得到当前的连通成分。
[0129]
在操作s790，判断是否遍历完网络中的所有节点，如果未完成，则返回操作s720继续遍历剩下未访问的节点，直到网络中所有节点都被访问过。由此得到该网络的所有连通成分。其中，连通成分的大小定义为该连通成分的节点的数量。
[0130]
根据本公开实施例的技术方案，通过将所述第二差异网络中的有向连接视为无向连接，从所述第二差异网络中识别一个或多个连通成分，从而能够方便地利用无向网络的
连通成分识别方法处理有向网络。
[0131]
在本公开另一些实施方式中，所述从所述第二差异网络中确定一个或多个连通成分包括基于预定的一个或多个感兴趣区，确定从所述感兴趣区出发，沿有向连接确定的发散网络和/或汇聚网络。其中，发散网络指的是从该感兴趣区出发可以抵达的节点和边，汇聚网络指的是从其他节点出发，最终抵达该感兴趣区的节点和边。
[0132]
根据本公开某些实施例，为了限制网络规模，避免出现环，一般寻找一级或二级发散、汇聚网络。一级网络指包括感兴趣区和与感兴趣区直接相连的节点在内的子网络，其中直接相连的边称作一级连接，直接相连的节点称作一级节点。二级网络在一级网络的基础上，包含了与一级节点直接相连的节点(排除一级节点和一级节点直接相连的情况)，其中新增加的边称为二级连接，新增加的节点称为二级节点。图8a示出了本公开某些实施例的二级汇聚网络的示意图，图8b示出了本公开某些实施例的二级发散网络的示意图。
[0133]
根据本公开某些实施例，感兴趣区可以是多个。可以利用深度优先搜索寻找这些节点之间的相互连接网络，作为连通成分。例如，可以在图7或下文图9和图10所示意的实施例的基础上添加筛选条件，要求识别出的连通成分中包含所给出的感兴趣区。
[0134]
根据本公开实施例的技术方案，通过基于预定的一个或多个感兴趣区，确定从所述感兴趣区出发，沿有向连接确定的发散网络和/或汇聚网络，从而摆脱通用线性模型的限制，极大地简化运算，有利于处理复杂脑网络拓扑路径分析。
[0135]
在本公开又一些实施方式中，可以寻找图的强连接成分(stronglyconnected component)。强连接成分中的任意两个节点之间都有一条有向可达路径，如图6所示，节点1-3表示了一个强连接成分。这种方法利用了有向网络边的方向的信息，对成分的连接性有更高的要求。
[0136]
图9示出了本公开另一些实施例的寻找连通成分的流程图。
[0137]
如图9所示，从所述第二差异网络中确定一个或多个连通成分包括操作s910-s930。
[0138]
在操作s910，从所述第二差异网络中的任一节点开始按照有向连接进行搜索，按照最深节点优先原则将搜索到的节点放入栈中；
[0139]
在操作s920，将所述有向连接的方向反转，标记所有节点为未访问；
[0140]
在操作s930，从所述栈中依次取出节点，如果节点未访问，则在方向反转的第二差异网络中对该节点进行搜索，直到栈内无节点，以确定一个或多个连通成分。
[0141]
根据本公开某些实施例，可以对图进行深度优先搜索，按照最深节点优先原则将搜索到的节点放入栈(stack)中。即，如果该节点没有被访问，优先访问从该节点出发可达的所有子节点，最后再将该节点放入栈中。栈是一个先进后出(first in last out,filo)的数据结构，先放入栈的节点取出时顺序靠后。随后将有向图的边的方向反转，标记所有节点为未访问，从栈中依次取出节点，如果节点未访问，则在方向反转的网络中对该节点进行深度优先搜索，寻找它的连通成分；如果已经访问过该节点，则跳过该节点。重复上述步骤直到栈内无节点。由此得到该网络的所有强连接成分，成分的大小定义为节点数。
[0142]
下面结合图10所示意的实施例对该方法进行说明。
[0143]
图10示出了本公开又一些实施例的寻找连通成分的流程图。
[0144]
如图10所示，该方法可以包括操作s1001-s1016。
[0145]
在操作s1001，标记网络中所有节点都未访问。
[0146]
在操作s1002，按顺序选择一个节点。其中，顺序可以是任意顺序，也就是说，可以从任一节点开始，直至完成遍历。
[0147]
在操作s1003，判断该节点是否已访问，如果已访问，则执行操作s1004，否则执行操作s1005。
[0148]
在操作s1004，跳过该节点，返回操作s1002。
[0149]
在操作s1005，将该节点标记为已访问。
[0150]
在操作s1006，判断该节点识别连接到其他节点，其中，此处的连接是指有向连接。如果未连接到其他节点，则执行操作s1007，否则执行操作s1008。
[0151]
在操作s1007，将该节点加入栈中。
[0152]
在操作s1008，如果未完成遍历，则按顺序选择下一个节点，并返回执行操作s1003；如果已经完成遍历，则得到节点栈。
[0153]
在操作s1009，将该有向网络的连接方向反转，得到方向反转网络。
[0154]
在操作s1010，标记所有节点为未访问。
[0155]
在操作s1011，从上述节点栈中取出一个节点。
[0156]
在操作s1012，判断该节点是否已访问，若已访问，则执行操作s1013；否则，执行操作s1014。
[0157]
在操作s1013，跳过该节点，并返回操作s1011，继续处理下一个节点。
[0158]
在操作s1014，将该节点加入当前连通成分，并标记为已访问。
[0159]
在操作s1015，如果存在与该节点相连的其他未访问的节点，则返回操作s1011，选择任意一个与该节点相连的其他未访问的节点，直至完成遍历；如果不存在与该节点相连的其他未访问的节点，说明已经完成遍历，得到哦当前的连通成分。
[0160]
在操作s1016，判断节点栈是否为空，如果非空，则返回操作s1011继续处理，直至节点栈为空，得到所有连通成分。
[0161]
根据本公开实施例的技术方案，通过从所述第二差异网络中的任一节点开始按照有向连接进行搜索，按照最深节点优先原则将搜索到的节点放入栈中；将所述有向连接的方向反转，标记所有节点为未访问；从所述栈中依次取出节点，如果节点未访问，则在方向反转的第二差异网络中对该节点进行搜索，直到栈内无节点，从而有效地确定一个或多个强连通成分。
[0162]
根据本公开某些实施例，该方法还包括控制所述预定阈值在一定范围内变化，以展示变化的差异成分，从而便于观察识别到的连接成分的变化规律，以及其显著性是否受到阈值的影响。当使用某个阈值进行二值化，使得二值化后的差异网络仍然是一个全连通图时，该阈值被确定为下限；当使用某个阈值进行二值化，使得二值化后的差异网络是一个完全不连通图时(即任意两个节点之间都没有连接)，该阈值被确定为上限。
[0163]
图11示出了应用本公开某些实施例的差异成分识别方法的示意图。
[0164]
如图11所示，该方法在对患者治疗前、患者治疗后以及健康人对照组的bold fmri数据进行预处理后，可以使用brodmann图谱、brodmann_ce图谱、aal、aal2、aal3、aicha、brainnetome图谱定义节点，利用ccm构建有向脑网络。得到全脑有向网络后，分别将患者治疗前和健康人对照组，患者治疗后和健康人对照组，患者治疗后和患者治疗前作为群组1和
群组2，通过本公开实施例的差异成分识别方法，寻找显著连通成分及其大小，进一步结合脑区生理学功能，分析显著的连通成分所蕴含的生理学、病理学等医学意义。
[0165]
其中，对患者治疗前和健康人对照组，患者治疗后和健康人对照组这两个组合，分别使用双样本t检验、非参数mann-whitney u检验；对患者治疗后和患者治疗前，分别使用配对t检验、非参数wilcoxon检验。使用pval_thresh作为显著差异阈值，取值范围为pval_thresh∈{0.001,0.002,
…
,0.01,0.02,
…
,0.05}，得到每个pval_thresh给出的连通成分、成分的大小，以及其是否显著。
[0166]
根据本公开某些实施例，分析结果可以使用mongodb与redis联合构建的数据库，将每个人、每种图谱、每种方法计算得到的脑网络等特征存储在mongodb数据库中，使用时首先从mongodb读取特征，存储到redis数据库中，再从redis数据库返回给用户进行计算。redis作为使用时的高速缓存，mongodb作为长期存储的数据库使用。
[0167]
应用本公开实施例的方法，可以对群组有向脑网络进行连接路径差异分析，研究疾病状态下人脑连接的变化情况，识别疾病生物学标志物，辅助疾病诊断，还可以研究经治疗后人脑连接路径的变化，结合临床评分的变化进行辅助治疗和治疗效果评估。
[0168]
将本公开某些实施例的方法应用于脊髓损伤患者的静息态功能磁共振数据，通过ccm和brodmann aal小脑图谱构建有向脑网络，使用双样本t检验构建差异网络，pval_thresh作为阈值，在一定范围内变化，如图12a-图12g所示，其中，图12a-图12g中的pval_thresh分别为0.0002、0.0003、0.0004、0.0007、0.0008、0.0009和0.0020，应用本发明得到了每个阈值下的显著差异连接成分及其经验p值，图12a-图12g中给出的经验p值分别为0.0030、0.0046、0.0060、0.0034、0.0038、0.0032和0.0254，这些连接成分展现了脊髓损伤患者相较健康人对照组出现的显著差异弱连接成分。
[0169]
图13示出根据某些实施例的差异成分识别装置1300的框图。其中，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
[0170]
如图13所示，所述差异成分识别装置1300包括获取模块1310、处理模块1320和识别模块1330。
[0171]
获取模块1310，被配置为获取两组有向脑网络数据；
[0172]
处理模块1320，被配置为处理所述两组有向脑网络数据，以确定一个或多个具有显著差异的候选连通成分；
[0173]
识别模块1330，被配置为通过对所述两组有向脑网络数据进行置换检验，从所述候选连通成分中识别差异成分。
[0174]
根据该实施例提供的技术方案，通过获取模块，被配置为获取两组有向脑网络数据；处理模块，被配置为处理所述两组有向脑网络数据，以确定一个或多个具有显著差异的候选连通成分；识别模块，被配置为通过对所述两组有向脑网络数据进行置换检验，从所述候选连通成分中识别差异成分，从而避免了大规模统计检验所面临的多重检验矫正效力下降问题，提高了统计效力，可实现有向脑网络连接差异成分识别。
[0175]
本公开还公开了一种电子设备，图14示出根据某些实施例的电子设备1400的框图。
[0176]
如图14所示，所述电子设备1400包括存储器1401和处理器1402，其中，存储器1401用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器1402执
行以实现如下操作：
[0177]
获取两组有向脑网络数据；
[0178]
处理所述两组有向脑网络数据，以确定一个或多个具有显著差异的候选连通成分；
[0179]
通过对所述两组有向脑网络数据进行置换检验，从所述候选连通成分中识别差异成分。
[0180]
根据本公开某些实施例，所述处理所述两组有向脑网络数据，以确定一个或多个具有显著差异的候选连通成分包括：
[0181]
通过统计检验方法对所述两组有向脑网络数据的每个连接进行检验，以获取每个连接的第一特征值，所述第一特征值包括显著差异统计量和/或p值；
[0182]
基于所述第一特征值与预定阈值的比较构建二值的或有权的第一差异网络；
[0183]
从所述第一差异网络中确定的一个或多个候选连接成分。
[0184]
根据本公开某些实施例，所述处理器还用于执行基于所述两组有向脑网络数据之间的关系确定统计检验方法，其中：
[0185]
在所述两组有向脑网络数据为独立样本的情况下，确定统计检验方法为双样本t检验或非参数的曼-惠特尼秩和检验；
[0186]
在所述两组有向脑网络数据为配对样本的情况下，确定统计检验方法为配对t检验或非参数的威尔科克森符号秩检验。
[0187]
根据本公开某些实施例，所述处理器还用于控制所述预定阈值在一定范围内变化，以展示变化的差异成分。
[0188]
根据本公开某些实施例，所述通过对所述两组有向脑网络数据进行置换检验，从所述候选连通成分中识别差异成分包括：
[0189]
将所述两组有向脑网络数据通过随机的方式重新分为两组；
[0190]
通过统计检验方法对重新分组后的两组有向脑网络数据的每个连接进行检验，以获取每个连接的第三特征值；
[0191]
基于所述第三特征值与所述预定阈值的比较构建第二差异网络；
[0192]
从所述第二差异网络中确定一个或多个连通成分，并从中确定最大连通成分；
[0193]
在上述操作重复执行预定次数后，基于各次确定的所述最大连通成分，从所述候选连通成分中识别差异成分。
[0194]
根据本公开某些实施例，所述从所述第二差异网络中确定一个或多个连通成分包括：
[0195]
将所述第二差异网络中的有向连接视为无向连接，从所述第二差异网络中识别一个或多个连通成分；或者
[0196]
基于预定的一个或多个感兴趣区，确定从所述感兴趣区出发，沿有向连接确定的发散网络和/或汇聚网络。
[0197]
根据本公开某些实施例，所述从所述第二差异网络中确定一个或多个连通成分包括：
[0198]
从所述第二差异网络中的任一节点开始按照有向连接进行搜索，按照最深节点优先原则将搜索到的节点放入栈中；
[0199]
将所述有向连接的方向反转，标记所有节点为未访问；
[0200]
从所述栈中依次取出节点，如果节点未访问，则在方向反转的第二差异网络中对该节点进行搜索，直到栈内无节点，以确定一个或多个连通成分。
[0201]
图15示出了适于实现某些实施例的差异成分识别方法和装置的计算机系统1500的结构示意图。
[0202]
如图15所示，计算机系统1500包括处理单元1501，其可以根据存储在只读存储器(rom)1502中的程序或者从存储部分1508加载到随机访问存储器(ram)1503中的程序而执行上述实施例中的各种处理。在ram 1503中，还存储有系统1500操作所需的各种程序和数据。处理单元1501、rom 1502以及ram 1503通过总线1504彼此相连。输入/输出(i/o)接口1505也连接至总线1504。
[0203]
以下部件连接至i/o接口1505：包括键盘、鼠标等的输入部分1506；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分1507；包括硬盘等的存储部分1508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分1509。通信部分1509经由诸如因特网的网络执行通信处理。驱动器1510也根据需要连接至i/o接口1505。可拆卸介质1511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1510上，以便于从其上读出的计算机程序根据需要被安装入存储部分1508。其中，所述处理单元1501可实现为cpu、gpu、tpu、fpga、npu等处理单元。
[0204]
特别地，根据某些实施例，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行上述方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1509从网络上被下载和安装，和/或从可拆卸介质1511被安装。
[0205]
根据某些实施例提供的技术方案，通过收敛交叉映射或延时收敛交叉映射构建脑网络模型，能够更精确地模拟脑网络模型中各节点之间的连接关系，提高了所述脑网络模型的精度。
[0206]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0207]
描述于某些实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
[0208]
作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中电子设备或计算机系统中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者
一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
[0209]
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。