第2期 黄嘉爽，等：脑功能网络的MR特征提取及脑部疾病机器识别 ·249. 识别技术可以从由图像数据处理得到的脑功能连接 种：1)将每一个体素定义为一个节点，该方法虽然 矩阵中，挖掘出可作为脑部疾病临床诊断指标的有 可以在最大分辨率下分析脑网络，但是计算量巨大， 用信息[4)，但脑功能连接矩阵一般都是超高维数 不利于进一步研究：2)根据体素间的空间独立性， 据，无法直接将已有的机器识别技术用于数据处理， 使用ICA算法将全脑分为若干个独立成分，将每个 因此传统的一些线性降维方法，如PCA(principal 独立成分作为节点。该方法无需任何先验知识，是 component analysis),ICA(independent component a- 一种纯数据驱动的方法，但是其分割的独立成分缺 nalysis)等被用于数据的预处理中[)，但是这些降维 少生理学解释，很难将实验结果运用到临床治疗； 方法都有各种使用限制的缺陷，使得在运用上述方 3)选用生理学解剖模板分割脑区，该方法有多种模 法前必须假设数据符合一定的统计特性。为解决上 板可选，简单高效且实验方法具有可重复性，现为多 述问题，国外H.Shen等将低维嵌入引入到对fMRI 数研究者采用。因此本文选用AAL(anatomical au- 脑连接矩阵数据的分析中6：S.Lee构建了一种高 tomatic labeling)模板将全脑分为90个脑区I,每 斯过程分类器来研究异常的脑功能连接)：国内支 个脑区代表脑网络中的一个独立节点，并分别提取 联合等劉基于离散小波变化，设计了一种具有高灵 每个节点的平均体素时间序列，定义节点时间序列 敏度的MRI数据特征提取方法：王华东等)研究 矩阵为 了针对事件相关MRI数据的多尺度特征提取方法。 x1.1 x1.2 XI.N 但上述方法都局限于局部分析，无法从整体上分析 X2.1 X2.2 X2.N 脑网络的差异，导致部分重要分类信息的缺失。因 X= 此本文着重从整体研究脑功能网络，将脑功能连接 矩阵考虑为图论中的无向图，运用复杂网络理论知 Lx90,1 X90,2 X9o.N 识将图信息用一组一维特征向量表示，并将其运用 式中：x,为在j时刻第i脑区的所有体素的平均值， 在对精神类脑部疾病的机器分类研究中。 N为时间序列长度。 复杂网络理论是基于图论发展起来的，它将真 1.2定义网络连接 实世界的大规模复杂系统抽象成由节点和边集构成 边在脑网络中常由大脑的解剖学连接、功能连 的数学表达式，通过分析网络的拓扑结构，从而揭示 接或者有效连接构成。其中功能连接代表脑区间血 原复杂系统内部的特性。而大脑作为人体最为复杂 氧依赖水平信号变化的互相关程度，有效连接则代 的器官，已经被证明为是一个复杂系统，使用复杂网 表脑区间因果联系。本文构建的为脑网络的无向 络分析脑连接矩阵目前已成为研究的主流方法，特 图，传统方法为选用皮尔逊相关： 别是在针对没有明显病灶的精神分裂症研究中，复 cov(x,y) ps.y= 杂网络理论得到广泛运用。研究者发现SZ患者的 0x0、 脑功能连接网络相比正常被试在“小世界现象”、有 但传统皮尔逊相关无法反映时间序列细节，为 效连接、聚集程度等网络特性上均存在不同程度的 克服此问题，本文选用节点间的子波相关系数作为 减弱。Yu等也发现SZ患者的脑功能网络中存在节 功能连接边权值。具体算法如下：设时间序列 点分布及其社团结构异常[o]。 X={x1,x,2,…,x.N}为第i脑区的平均体素时间 将复杂网络运在分类研究中主要有3个优势：1) 序列，根据极大重叠离散小波变换(maximal overlap 复杂网络理论具有多种计算结构特征的方法，能够解 discrete wavelet transform,MODWT),h.;1 决连接矩阵维数过高、特征提取困难的问题：2)通过 0,…,L-1}和{.1；1=0…，L-1}分别为在j层 对大脑的分割脑区设置节点可以很方便地找寻到结 的小波滤波器和尺度滤波器。其中L:=(2!- 构和功能上的联系：3)可以在不同被试间定量比较其 1)(L-1)+1,L为初始滤波器的长度。设在j层的 网络特征，便于研究脑部疾病的病理特性。 小波系数和尺度系数分别为W,和V,,满足 L-1 1 脑功能复杂网络 W.=∑iX- 1=0 1.1定义网络节点 L-1 在脑网络分析中常用的定义节点的方法有3 Vi (o=识别技术可以从由图像数据处理得到的脑功能连接 矩阵中，挖掘出可作为脑部疾病临床诊断指标的有 用信息［４］ ，但脑功能连接矩阵一般都是超高维数 据，无法直接将已有的机器识别技术用于数据处理， 因此传统的一些线性降维方法，如 ＰＣＡ（ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ）、ＩＣＡ（ ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅｎｔ ａ⁃ ｎａｌｙｓｉｓ）等被用于数据的预处理中［５］ ，但是这些降维 方法都有各种使用限制的缺陷，使得在运用上述方 法前必须假设数据符合一定的统计特性。 为解决上 述问题，国外 Ｈ． Ｓｈｅｎ 等将低维嵌入引入到对 ｆＭＲＩ 脑连接矩阵数据的分析中［６］ ；Ｓ．Ｌｅｅ 构建了一种高 斯过程分类器来研究异常的脑功能连接［７］ ；国内支 联合等［８］基于离散小波变化，设计了一种具有高灵 敏度的 ｆＭＲＩ 数据特征提取方法；王华东等［９］ 研究 了针对事件相关 ｆＭＲＩ 数据的多尺度特征提取方法。 但上述方法都局限于局部分析，无法从整体上分析 脑网络的差异，导致部分重要分类信息的缺失。 因 此本文着重从整体研究脑功能网络，将脑功能连接 矩阵考虑为图论中的无向图，运用复杂网络理论知 识将图信息用一组一维特征向量表示，并将其运用 在对精神类脑部疾病的机器分类研究中。 复杂网络理论是基于图论发展起来的，它将真 实世界的大规模复杂系统抽象成由节点和边集构成 的数学表达式，通过分析网络的拓扑结构，从而揭示 原复杂系统内部的特性。 而大脑作为人体最为复杂 的器官，已经被证明为是一个复杂系统，使用复杂网 络分析脑连接矩阵目前已成为研究的主流方法，特 别是在针对没有明显病灶的精神分裂症研究中，复 杂网络理论得到广泛运用。 研究者发现 ＳＺ 患者的 脑功能连接网络相比正常被试在“小世界现象”、有 效连接、聚集程度等网络特性上均存在不同程度的 减弱。 Ｙｕ 等也发现 ＳＺ 患者的脑功能网络中存在节 点分布及其社团结构异常［１０］ 。 将复杂网络运在分类研究中主要有 ３ 个优势：１） 复杂网络理论具有多种计算结构特征的方法，能够解 决连接矩阵维数过高、特征提取困难的问题；２）通过 对大脑的分割脑区设置节点可以很方便地找寻到结 构和功能上的联系；３）可以在不同被试间定量比较其 网络特征，便于研究脑部疾病的病理特性。 １ 脑功能复杂网络 １．１ 定义网络节点 在脑网络分析中常用的定义节点的方法有 ３ 种：１）将每一个体素定义为一个节点，该方法虽然 可以在最大分辨率下分析脑网络，但是计算量巨大， 不利于进一步研究；２） 根据体素间的空间独立性， 使用 ＩＣＡ 算法将全脑分为若干个独立成分，将每个 独立成分作为节点。 该方法无需任何先验知识，是 一种纯数据驱动的方法，但是其分割的独立成分缺 少生理学解释，很难将实验结果运用到临床治疗； ３）选用生理学解剖模板分割脑区，该方法有多种模 板可选，简单高效且实验方法具有可重复性，现为多 数研究者采用。 因此本文选用 ＡＡＬ（ ａｎａｔｏｍｉｃａｌ ａｕ⁃ ｔｏｍａｔｉｃ ｌａｂｅｌｉｎｇ） 模板将全脑分为 ９０ 个脑区［１１］ ，每 个脑区代表脑网络中的一个独立节点，并分别提取 每个节点的平均体素时间序列，定义节点时间序列 矩阵为 Ｘ ＝ ｘ１，１ ｘ１，２ … ｘ１，Ｎ ｘ２，１ ｘ２，２ … ｘ２，Ｎ ︙ ︙ ︙ ｘ９０，１ ｘ９０，２ … ｘ９０，Ｎ é ë ê ê ê ê ê ê ù û ú ú ú ú ú ú 式中： ｘｉ，ｊ 为在 ｊ 时刻第 ｉ 脑区的所有体素的平均值， Ｎ 为时间序列长度。 １．２ 定义网络连接 边在脑网络中常由大脑的解剖学连接、功能连 接或者有效连接构成。 其中功能连接代表脑区间血 氧依赖水平信号变化的互相关程度，有效连接则代 表脑区间因果联系。 本文构建的为脑网络的无向 图，传统方法为选用皮尔逊相关： ρｘ，ｙ ＝ ｃｏｖ（ｘ，ｙ） σｘσｙ 但传统皮尔逊相关无法反映时间序列细节，为 克服此问题，本文选用节点间的子波相关系数作为 功能 连 接 边 权 值。 具 体 算 法 如 下： 设 时 间 序 列 Ｘ ＝｛ｘｉ，１ ，ｘｉ，２ ，…，ｘｉ，Ｎ｝ 为第 ｉ 脑区的平均体素时间 序列，根据极大重叠离散小波变换（ｍａｘｉｍａｌ ｏｖｅｒｌａｐ ｄｉｓｃｒｅｔｅ ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ， ＭＯＤＷＴ ）， 设 ｛ｈｊ，１ ；ｌ ＝ ０，．．．，Ｌｊ － １｝ 和 ｛ｇｊ，１ ；ｌ ＝ ０，．．．，Ｌｊ － １｝ 分别为在 ｊ 层 的小波 滤 波 器 和 尺 度 滤 波 器。 其 中 Ｌｊ ＝ （２ ｊ － １）（Ｌ －１） ＋ １， Ｌ 为初始滤波器的长度。 设在 ｊ 层的 小波系数和尺度系数分别为 Ｗｊ 和 Ｖｊ ，满足 Ｗｊ，ｔ （Ｘ） ＝ ∑ Ｌｊ －１ ｌ ＝ ０ ｈ ～ ｊ，１Ｘｔ－ｌｍｏｄＮ Ｖｊ，ｔ （Ｘ） ＝ ∑ Ｌｊ －１ ｌ ＝ ０ ｇ ～ ｊ，１Ｘｔ－ｌｍｏｄＮ 第 ２ 期 黄嘉爽，等： 脑功能网络的 ｆＭＲＩ 特征提取及脑部疾病机器识别 ·２４９·