| 题名 | 基于功能磁共振成像的个体脑功能网络分析方法研究 |
| 作者 | 杜宇慧 |
| 学位类别 | 工学博士 |
| 答辩日期 | 2012-12-01 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院自动化研究所 |
| 导师 | 范勇 |
| 关键词 | 脑功能网络 独立成分分析 感兴趣区 半监督学习 多被试 Brain functional network Independent component analysis Region of interests Semi-supervised learning Multiple subjects |
| 其他题名 | Methods of Subject-specific Brain Functional Network Analysis Using Functional MRI |
| 学位专业 | 模式识别与智能系统 |
| 中文摘要 | 脑是人体最复杂、最高效的信息处理系统。基于脑功能磁共振成像的研究已经发现在脑区之间存在低频信号的一致波动。这些空间上离散分布但功能上相互作用的脑区被称作构成脑功能网络，它们协同合作、相互传递信息以达到使得人们完成复杂任务和认知功能的作用。脑功能网络的研究有助于我们更好地认识脑功能和诊断神经精神疾病，而脑功能网络的分析方法直接决定是否能够正确、有效地分析脑功能和诊断疾病。因此，脑功能网络的分析方法研究是一个重要的研究课题。 目前，基于功能核磁共振数据分析脑功能网络主要有两类方法：假设驱动的方法和数据驱动的方法。在假设驱动的方法中，基于感兴趣区的方法由于使用方便而应用广泛，但如何选择可靠的、可重复的、准确的且具有个体特异性的感兴趣区(ROIs)一直就是一个最基础且最棘手的问题。ROIs选取的难点来源于脑功能区之间的边界不确定性、个体差异的显著性以及功能网络模式受ROIs选择影响较大的不稳定性。在数据驱动的脑网络分析方法中，独立成分分析方法应用最为广泛，成果最为突出。基于ICA的方法的优点是自动分解得到脑功能网络，但是ICA的输出结果受成分个数影响大，此外，由于ICA输出成分的顺序不具有固定性，如何保持不同被试的成分的对应性的同时又保证个体被试不同成分的独立性是一个难点。在数据驱动的方法中，基于聚类提取脑功能网络的方法也越来越受到人们的关注，但这类方法往往对类别个数比较敏感。 本课题的研究目的是针对已有脑功能网络分析方法中存在的缺陷，为使得脑功能网络分析成为认识脑功能和医疗诊断中一种切实可行的技术，提出行之有效的脑功能网络分析方法。主要包括以下几个内容： (1) 组ICA方法已被广泛应用于多被试脑功能数据的分析，已有的组ICA方法强调了多被试独立成分之间的对应性，但并不能保证个体被试多个独立成分之间的独立性，这一问题直接影响了个体被试脑功能网络的精确性。为了保证得到的脑功能网络在被试间具有对应性，又使得得到的个体脑功能网络具有独立性和特异性，本文提出一种新的框架来计算个体被试的独立成分，我们称之为基于组信息的独立成分分析方法(GIG-ICA)。在这个框架下，组信息是由对组数据共同进行独立成分分析得到的成分，然后基于多目标函数优化算法，将组信息作为指导去计算个体被试的独立成分。提出的方法包括两个步骤，首先，针对多个被试的数据进行组水平上的独立成分分解得到组独立成分(GICs)，然后，这些GICs作为参考信号输入到提出的基于多目标函数的一单元带参考信号ICA(ICA-R)算法中，最终得到每个个体被试的独立成分。我们用模拟数据和真实的静息态fMRI数据来验证提出的算法(GIG-ICA)，并与经典的back-reconstruction方法(GIGA1和GICA3)和dual regression方法进行比较。结果表明该方法得到的结果具有更强的成分独立性和空间对应性，且在独立成分和时间序列的精确性方面，以及对成分个数的鲁棒性方面都要优于已有的方法。进一步，GIG-ICA方法适用于新数据的分析，对大规模数据的分析和个体被试的医疗诊断是一种行之有效的解决手段。此外，在该方法的框架下，还可以利用对其... |
| 英文摘要 | Human brain is the most complicated and efficient information processing system. FMRI imaging studies have revealed the presence of low frequency fluctuations in the brain, which indicates the functional connectivity between anatomical separated brain regions and reflects the coherency of underlying neuronal activity of these regions. Regions that show this kind of coherent functional fluctuations are said to form a functional network. Research on brain functional networks will help better understanding of brain function and diagnosis of mental disease. Applying correct and effective methods for analysis of brain functional networks is of great essence and significance. Therefore, methods of brain functional network analysis are an important research content. There are two major kinds of approaches to analyze brain functional networks using functional MRI: hypothesis based method and data driven method. The most common hypothesis based method is region of interests (ROIs) based correlation analysis method, which has been useful and widely used because of its simplicity and ease of interpretation. However, the identification of reliable, reproducible and accurate ROIs for individuals is of great importance due to those uncertain boundaries of functional areas, individual differences across subjects, and vulnerability of functional connectivity to the selection of ROIs. Among data driven methods, ICA has gained popularity for functional network analysis due to its reliability and reproducibility, and its resulting independent components are taken as different functional networks after careful identification. The shortcoming of ICA is its sensitivity to the number of ICs used in computation. Furthermore, how to to preserve independence of ICs at the subject level and establish correspondence of ICs across subjects is the biggest difficulty due to the random order of components. Clustering provides a potentially powerful data-driven approach to functional network extraction, which allows exploring the functional networks though grouping fMRI time series according to their similarities. However, with respect to clustering based methods there is no straightforward means to determine a appropriate number of clusters to identify. The study aims to propose effective and reliable approaches for analyzing brain functional networks, which involve the following parts. (1) Group independent component analysis (ICA) has been widely applied to studies of multi-subje... |
| 语种 | 中文 |
| 其他标识符 | 200918014628021 |
| 内容类型 | 学位论文 |
| 源URL | [http://ir.ia.ac.cn/handle/173211/6485]  |
| 专题 | 毕业生_博士学位论文 |
| 推荐引用方式 GB/T 7714 | 杜宇慧. 基于功能磁共振成像的个体脑功能网络分析方法研究[D]. 中国科学院自动化研究所. 中国科学院大学. 2012. |
| 个性服务 |
| 查看访问统计 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论