发掘精神分裂症大脑连接变异的集成聚类动态功能连接分析方法

近年来,基于功能磁共振成像的动态功能连接在研究精神疾病方面表现出巨大的潜力。传统的基于聚类的动态功能连接分析方法(如K-means)受到类别个数、初始值和噪声的影响可能导致不可靠的功能连接状态(FCSs)。本研究提出了一种新的集成聚类动态功能连接分析方法。首先,利用多个不同的类别个数(k值)进行K-means产生多样性的簇;然后,基于Jaccard系数和随机游走挖掘不同簇之间的相似性以构造反应簇间关系的加权图;最终,对加权图进行社区检测获得可靠的元簇,并通过投票的方式将每个功能连接窗口分组到不同的元簇中,计算其质心作为功能连接状态。基于105名健康对照(HC)和70名精神分裂症(SZ)患者的fMRI数据,全方位比较所提出的方法和常用的基于K-means的方法进行动态功能网络分析的效果。相较于K-means方法,所提出方法在FCS 2上的平均类间相似性由83.2%降低至81.1%,在FCS 3上的平均类间相似性由76.8%降低至73.5%,聚类评估指标Davies Bouldin指数由6.74降低至6.44,Silhouette Coefficient指数由0.018提高至0.031。显示HC和SZ组的组间差异更集中于FCS 2,而K-means方法的组间差异分散在FCS 2、FCS 3和FCS 4。所提出方法可以自动获得FCSs数目,并具有更好的聚类质量和更可靠的功能连接状态,还发现了比K-means更有意义的组间差异,支持了该方法在探索精神疾病生物标志物方面的应用潜力。

基于独立成分分析的精神分裂症患者动态脑功能网络分析新方法

目的提出一种新的基于独立成分分析法进行动态脑功能网络分析的方法,并应用该方法探讨精神分裂症患者在动态全脑功能网络上的变异。方法首先基于滑动时间窗方法计算正常被试和精神分裂症患者的动态全脑功能网络,然后使用组信息指导独立成分分析方法,提取每个被试的动态全脑功能网络的功能连接状态及相应的时间波动,比较正常被试和精神分裂症患者在功能连接状态上的差异。结果两组的最重要功能连接状态的模式有相似性。正常被试在额叶、顶叶相关区域较精神分裂症患者具有更强的正功能连接;在小脑相关区域精神分裂症患者呈现出更多的正功能连接,而正常被试呈现出更多的负功能连接。结论组信息指导独立成分分析方法可有效提取动态脑功能网络的功能连接状态,可揭示精神分裂症患者在动态脑功能网络的变异。

基于类别方差的三维医学图像分割新方法

提出一种交互式的三维医学图像分割算法.结合Otsu单阈值图像分割算法,提出了一种基于类别方差的双阈值分割算法.利用该算法对三维医学图像体数据的直方图进行了分析,最终得到的上下阈值使得分割结果具有最大类间方差.该算法采用迭代法实现,简单快速,且可保证分割出的组织包含目标组织.再对此阈值分割结果进行数学形态学的相关操作和三维区域生长,最终得到目标组织的准确分割和它的三维显示.实验证明,分割效果较好,三维重建满足要求.

静息态脑功能网络分析的假设驱动和数据驱动方法综述

基于功能磁共振成像的研究已发现在脑区之间存在低频波动一致的脑功能网络。脑功能网络有助于认识脑功能和诊断神经精神疾病,而脑功能网络分析方法在其中具有重要地位。本文首先综述了假设驱动和数据驱动进行脑功能网络分析的两类方法,接着对常用的基于感兴趣区、基于体素、基于独立成分分析、基于主成分分析和基于聚类方法的原理、优缺点做了详细介绍,并着重阐述了最近提出的组信息指导的独立成分分析方法,及基于半监督学习技术的感兴趣区选择方法,最后对改进方向进行了展望。

一种新的射影重建方法

提出一种新的射影重建方法。它以最小化射影三维空间点的平均二维反投影误差为准则,以奇异值分解为工具,分步线性迭代实现求解过程,避免了传统射影重建方法中复杂的非线性优化过程和基础矩阵计算过程,且不需要任何初始估计,适用于匹配特征点存在“丢失点”的情况,不受相机特殊运动的限制。利用虚拟物体和真实物体图像序列进行了实验,证明该方法具有计算简单、准确性和鲁棒性高等方面的特点,具有较高的实用价值。

一种基于先验信息的脑功能网络提取方法

提出一种基于先验信息的脑功能网络提取方法。该方法基于先验信息得到初始的目标和背景种子点,然后基于图论将整个脑图像构建图,最后利用半监督聚类技术提取脑功能网络。基于不同信噪比的模拟数据,对提出方法、基于种子点的方法、独立成分分析方法以及两种聚类方法(归一化最小化割和K-均值方法)进行比较。基于真实脑静息态功能核磁共振数据,使用提出方法对默认模式网络进行提取。基于模拟数据的实验结果表明,提出的算法相对于传统的方法可以得到更为准确且鲁棒的脑功能网络。基于静息态功能核磁共振数据得到的默认模式网络在一些重要脑区具有高的稳定性,且不同地点采集数据得到的结果具有较强的一致性。提出的方法是一种有效的脑功能网络提取方法。

基于全局性极小化二维反投影误差的射影重建方法

建立1种新的射影重建方法。该方法以全局性极小化射影三维空间点的二维反投影误差平方和为准则,相对于缩小SVD反投影误差的方法,具有更为明确合理的物理意义。实现过程是以奇异值分解为基本工具的分步线性迭代计算,避免了传统射影重建方法复杂的非线性优化环节。它无需估计投影深度,避免了基础矩阵计算的复杂性问题,因而也不受相机特殊运动的限制。文中利用虚拟物体图像和真实物体图像进行了实验验证,证明该方法具有计算简单、准确性和鲁棒性高等方面的特点,具有较高的实用价值。

基于小波系数邻域特征的CT与MR图像融合方法

提出一种基于小波变换的像素级CT,MR医学图像融合方法,利用离散小波变换分别将两幅源图像进行多尺度分解,再用不同的小波系数邻域特征指导高频分量和低频分量的小波系数的融合,低频分量采用邻域方差指导,高频分量采用邻域能量指导,最后根据融合图像的各小波系数重构融合图像.实验表明:不论从主观感受,还是采用信息熵和平均梯度两项指标作为客观定量评价标准,该方法都优于传统的融合方法,获得的融合图像有效地综合了CT与MR图像信息,能够同时清晰地显示脑部骨组织和软组织.

光电脉搏仪的设计

本设计采用透射式光电效应手指脉搏传感器来识取脉搏信号,由低功耗单片机80C51完成数据处理,并利用全屏幕点阵式液晶显示器SED1330来完成数字与波形显示。它能实时、准确、高清晰度地给出脉搏波形和脉搏次数,当测得数据超限时报警。通过波形可观测人体心跳的强弱与规律。可作为一简单的心电图仪来使用。

基于K-L变换的PCA多模医学图象融合算法研究

CT和MRI图像融合在临床医学中得到广泛应用。文章在研究主成分分析(PCA)算法的同时,基于K-L变换进行图像融合,结果表明这种算法在执行中速度快、效果清晰能够满足临床需要。

新媒体环境下的视觉动态设计研究——视觉动态设计研究综述

随着数字时代的逐渐兴盛,视觉动态设计在人们生活中产生的影响变得尤为重要。在新媒体技术的发展下,视觉传达不再满足于静态的图像表达,而是由二维图像向多维空间进行转变,以此为受众带来多角度、多感官一体化的交互性强的审美体验。本文通过对新媒体时代中关于视觉动态设计的相关文献的研究和梳理,阐述了视觉动态设计在新媒体时代的特征,发展以及在信息时代的多方面运用,并对未来科学技术与视觉动态设计的结合发展做出展望。

大豆乳清的研究利用进展

大豆乳清是豆制品加工过程中的副产物,含有大分子蛋白、小分子寡糖、异黄酮、色素类及盐类等。归纳总结大豆乳清的研究利用进展,介绍大豆乳清的成分及其功效、功能特性、生物活性物质提取和制备。介绍了利用大豆乳清生产的产品。希望能够对大豆乳清的研究起到借鉴作用,促进其进一步的开发利用。

新媒体环境下的视觉动态设计研究——视觉动态设计研究综述

随着数字时代的逐渐兴盛,视觉动态设计在人们生活中产生的影响变得尤为重要。在新媒体技术的发展下,视觉传达不再满足于静态的图像表达,而是由二维图像向多维空间进行转变,以此为受众带来多角度、多感官一体化的交互性强的审美体验。本文通过对新媒体时代中关于视觉动态设计的相关文献的研究和梳理,阐述了视觉动态设计在新媒体时代的特征,发展以及在信息时代的多方面运用,并对未来科学技术与视觉动态设计的结合发展做出展望。

试论风景园林建筑设计

风景园林建筑具有观景和点景的双重功能,一方面它为人们提供欣赏风景的场所,同时它本身也是一种景观,融于风景环境中 成为被欣赏的对象。地形、水体、植物是基本的自然景观要素,它们同风景园林建筑的营建都有着密不可分的关系,风景园林建筑从形成 之初就应从各个方面将这些自然景观要素纳入到建筑空间当中。因此其在建筑设计方面的难点就在于对建筑地周边的自然因素考虑的是否 周全。

基于独立成分分析的脑功能网络分析方法综述

基于脑功能成像的脑功能网络研究对于理解脑的正常功能和诊断神经精神疾病具有重要作用。独立成分分析作为一种数据驱动方法已被广泛应用于脑功能网络的研究。然而,独立成分分析方法中输出成分的无序性、成分个数的不可预知性及算法受初始值影响的随机性给实际应用带来了困难。文章简介独立成分分析的原理及缺点,对常用的基于独立成分分析的脑功能网络分析方法作了详细的介绍,着重阐述了组信息指导的独立成分分析方法,并对脑功能网络分析方法的未来发展方向进行了展望。

面向脑核磁共振识别运动任务的门控循环单元方法

目的在脑科学领域,已有研究借助脑功能核磁共振影像数据(functional magnetic resonance imaging,fMRI)探索和区分人类大脑在不同运动任务下的状态,然而传统方法没有充分利用fMRI数据的时序特性。对此,本文提出基于fMRI数据计算的全脑脑区时间信号(time course,TC)的门控循环单元(gated recurrent unit,GRU)方法(TC-GRU)进行运动任务分类。方法基于HCP(human connectome project)数据集中的100个健康被试者在5种运动任务中分两轮采集的1000条fMRI数据,对每种运动任务计算每个被试者在各脑区(共360个脑区)的时间信号;使用10折交叉验证方案基于训练集和验证集训练TC-GRU模型,并用构建好的模型对测试集进行测试,考察其对5种运动任务的分类能力,其中TC-GRU在各时刻的输入特征为全脑脑区在对应时刻的TC信号幅值,通过这样的方式提取全脑脑区在整个时间段的时序特征。同时,为了展示使用TC-GRU模型可挖掘fMRI数据中更丰富的信息,设计了多个对比实验进行比较,利用长短期记忆网络(long short-term memory,LSTM)、图卷积网络(graph convolutional network,GCN)和多层感知器(multi-layer perceptron,MLP)基于全脑脑区时间信号进行运动任务分类,以及利用MLP基于由fMRI数据估计的脑功能连接进行运动任务分类。此外,考察了先验的特征选择对分类效果的效应。结果基于全脑脑区时间信号的TC-GRU模型在运动任务中的分类准确率最高,为94.51%±2.4%,其次是基于全脑脑区时间信号的LSTM模型,准确率为93.73%±2.67%。基于全脑脑区时间信号利用MLP进行分类,有先验和无先验的特征选择准确率分别为92.75%±2.59%和92.04%±7.15%,比基于全脑脑区时间信号的GCN(准确率为87.14%±3.73%)和基于脑功能连接利用MLP进行分类(有先验和无先验的特征选择准确率分别为72.47%±4.47%和61.49%±9.97%)表现更好。结论TC-GRU模型可挖掘脑fMRI数据中丰富的时序信息,非常有效地对不同的运动任务进行分类。