基于文獻分析及核磁功能共振圖像分析的腦連接挖掘系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及一種基于文獻分析及核磁功能共振圖像分析的腦連接挖掘系統(tǒng)及挖掘方法，屬于計算機技術與認知神經(jīng)科學【技術領域】。該系統(tǒng)包括動態(tài)因果模型模塊、激活分析模塊、文獻連接分析模塊、尋找子網(wǎng)絡模塊、文獻數(shù)據(jù)庫、腦網(wǎng)絡連接數(shù)據(jù)庫；首先通過計算每篇文獻中大腦各個坐標被激活的概率，計算出相應解剖區(qū)域被激活的概率，得到被激活的腦區(qū)，通過關聯(lián)規(guī)則算法挖掘出大腦腦區(qū)頻繁出現(xiàn)的模式，計算置信度，得到可信的大腦功能網(wǎng)絡，構建相應的文獻生成腦網(wǎng)絡數(shù)據(jù)庫，然后利用核磁功能共振成像系統(tǒng)，采集相應的核磁功能成像數(shù)據(jù)，利用動態(tài)因果模型，驗證該網(wǎng)絡邊的實際連接方向以及權值。解決了大腦連接分析時計算時間過長，準確度低的問題。
【專利說明】基于文獻分析及核磁功能共振圖像分析的腦連接挖掘系統(tǒng)
【技術領域】
[0001]本發(fā)明涉及一種基于文獻分析及核磁功能共振圖像(fMRI)分析的腦連接挖掘系統(tǒng)及挖掘方法，屬于計算機技術與認知神經(jīng)科學【技術領域】。
【背景技術】
[0002]認知神經(jīng)科學中， 由于其研究工具的特殊之處，其論文中得到的結論有著非常結構化的輸出。將不同文獻中的結論總結出來，有可能得到意想不到的結果，從而帶來科學上的飛躍。現(xiàn)有的總結認知神經(jīng)科學結論的方法無外乎兩種。第一種即通過大量閱讀文獻，通過專家的意見，得到結論，這一類分析方法即通常意義上所說的綜述。通過綜述的方式得到的認知神經(jīng)科學的結論往往有許多不足之處，其原因是寫綜述的人往往會遺漏某些細節(jié)或者錯誤的估量了某些知識點的重要程度。另外一種總結認知神經(jīng)科學結論的方法即是通過計算機輔助總結。目前總結認知神經(jīng)科學結論的方法主要還是停留在計算最大概率激活點(Activation likelihood estimation, ALE) (Laird, A.R.et al.,.ALEmeta -analysis:Controlling the false discovery rate and performing statisticalcontrasts[J].Human Brain Mapping,2005，25(1):155-164;Turkeltaub，P.E.etal.,.Meta-analysis of the functional neuroanatomy of single-word reading:methodand validation [J].Neuroimage, 2002, 16(3):765-780)上。該類方法通過輸入同性質實驗范式論文的激活種子點集合S，求取最有可能被激活的點，被求取的種子點所含區(qū)域即認為是大腦做相應任務時活動的區(qū)域?，F(xiàn)階段，隨著認知神經(jīng)科學的發(fā)展，研究的焦點已經(jīng)從求取大腦功能分離的區(qū)域變?yōu)檠芯看竽X網(wǎng)絡構造的系統(tǒng)論，ALE不能滿足腦網(wǎng)絡系統(tǒng)論的要求。同時ALE方法在種子點建模上也有缺陷。即認為種子點周圍的激活情況是以種子點為圓心的一個三元高斯分布:
【權利要求】
1.一種基于文獻分析及核磁功能共振圖像(fMRI)分析的腦連接數(shù)據(jù)挖掘系統(tǒng)，其特征在于:包括動態(tài)因果模型模塊、激活分析模塊、文獻連接分析模塊、尋找子網(wǎng)絡模塊、文獻數(shù)據(jù)庫、腦網(wǎng)絡連接數(shù)據(jù)庫；其中， 動態(tài)因果模型模塊完成對fMRI圖像的有效功能連接分析，其輸入是fMRI機器采集的3D腦圖像以及尋找子網(wǎng)絡模塊輸出的大腦子網(wǎng)絡，其輸出是大腦在做特定任務下的腦有效功能連接； 激活分析模塊通過分析fMRI圖像得到人腦在做特定任務下的激活區(qū)域，其輸入是fMRI機器采集的3D腦圖，其輸出是大腦激活的區(qū)域以及相應的區(qū)域峰值點； 尋找子網(wǎng)絡模塊通過求激活分析得到的激活區(qū)域和文獻連接分析模塊輸出的網(wǎng)絡的交集，從而縮小動態(tài)因果模型模塊需要驗證模型的數(shù)量，其輸入是激活分析模塊得到激活區(qū)域和腦網(wǎng)絡連接數(shù)據(jù)庫輸出的腦網(wǎng)絡，其輸出是兩者的交集； 文獻連接分析模塊分析前人文獻中腦區(qū)激活分析的研究成果，發(fā)現(xiàn)蘊含在其間的腦功能網(wǎng)絡。其輸入是前人關于大腦在特定任務下激活的文章，該模塊的輸出是大腦在做某一類認知任務時的腦有效功能網(wǎng)絡；文獻數(shù)據(jù)庫模塊提供一套界面，完成對文獻的關鍵知識數(shù)據(jù)進行存儲、查詢、刪除、更新等操作，其輸入是各類認知神經(jīng)科學文章，輸出是這些文章的關鍵結論； 腦網(wǎng)絡連接數(shù)據(jù)庫模塊提供一套接口，完成對文獻分析模塊輸出的網(wǎng)絡進行存儲、查詢、刪除、更新等操作，其輸入是文獻分析模塊輸出的關于某一類特定任務的腦網(wǎng)絡，輸出的結果也是關于某一類特定任務的腦網(wǎng)絡。
2.基于文獻分析及核磁功能共振圖像分析的腦連接挖掘系統(tǒng)的挖掘方法，其特征在于，具體步驟如下: 步驟一收集論文中所提及的腦激活區(qū)域的體積以及該激活區(qū)域的峰值點坐標作為輸入，通過建立合適的模型，得到在該論文條件下，大腦每個點Xi被激活的概率Pr (Xi)； 步驟二通過步驟一，得到在每篇論文中，大腦每個點被激活的概率，將這個概率分布視為一個腦激活概率分布圖，通過查詢某些腦區(qū)解剖邊界標注數(shù)據(jù)庫，得到每個腦區(qū)解剖區(qū)域V的邊界；將邊界作為積分界限，對解剖區(qū)域內的激活概率進行積分:
3.根據(jù)權利要求2所述的基于文獻分析及核磁功能共振圖像分析的腦連接挖掘系統(tǒng)的挖掘方法，其特征在于:所述的步驟一中，采取不同的模型對大腦中各個點被激活的概率進行建模，這些模型需要滿足如下條件:1)離區(qū)域峰值坐標越遠，該像素被激活的概率越?。?)當被激活腦區(qū)的體積足夠大時，盡管某些點離峰值坐標較遠，也不應該忽略其被激活的概率；3)兩個激活區(qū)域若有重疊，則他們之間被激活的概率也不應該被忽略； 定義Pr(Xi，a)為Xi在激活區(qū)域a的影響下，其被激活的概率，則Pr(Xi，a)的定義如
4.根據(jù)權利要求2所述的基于文獻分析及核磁功能共振圖像分析的腦連接挖掘系統(tǒng)的挖掘方法，其特征在于:所述的步驟二中，根據(jù)不同的腦區(qū)解剖邊界標注數(shù)據(jù)庫，得到不同級別的腦區(qū)激活粒度。
5.根據(jù)權利要求2所述的基于文獻分析及核磁功能共振圖像分析的腦連接挖掘系統(tǒng)的挖掘方法，其特征在于:所述的步驟三中，選取任意的關聯(lián)規(guī)則算法挖掘頻繁項集和頻繁項集中腦區(qū)互聯(lián)的置信度。
【文檔編號】G06F19/00GK103678895SQ201310646349
【公開日】2014年3月26日 申請日期:2013年12月4日 優(yōu)先權日:2013年12月4日
【發(fā)明者】牛振東, 周乾 申請人:北京理工大學