博士论文-用于fMRI数据处理的时间簇分析方法
文献类型：学位论文
| 作者 | 鲁娜 |
| 学位类别 | 博士 |
| 答辩日期 | 2007 |
| 授予单位 | 中国科学院研究生院 |
| 授予地点 | 北京 |
| 导师 | 唐孝威 ; 单保慈 |
| 关键词 | TCA ETCA RTCA 脑功能成像 功能磁共振成像 |
| 学位专业 | 粒子物理与原子核物理 |
| 中文摘要 | 血氧水平依赖（blood oxygen level dependent，BOLD）功能核磁共振成像(functional magnetic resonance imaging, fMRI)技术已出现十余年，并得到广泛应用。fMRI数据处理方法总的来讲可以分为两类，一类为模型驱动，另一类为数据驱动。目前常用的一些fMRI数据处理程序如SPM、AFNI等都是基于模型驱动的方法。模型驱动的方法需要预先假设大脑对刺激的时间响应曲线形式，这在有些情况下是可以实现的，但是，在有些情况下不可能预知刺激，当然也不能推测出大脑的响应曲线形状。另外，模型驱动的数据处理方法一般只能得到激活区域的位置信息，几乎得不到时间信息。而数据驱动的数据处理方法则不需要预先假设大脑响应的时间曲线形式。目前已有的数据驱动方法包括主成分分析（principal component analysis，PCA）、独立成分分析（independent component analysis，ICA）、模糊簇分析，时间簇分析（temporal cluster analysis，TCA）等。前三种方法已经比较成熟。但它们都存在计算量大的问题，在实际应用中受到很多限制。时间簇分析（TCA）是一种新的数据驱动的数据处理方法，在对大脑激活的位置和时间信息完全未知的情况下得到相应的位置和时间信息。该方法具有算法简单，计算量小，实现起来容易等优点。但以往的TCA方法由于受到脑外和脑内非激活像素对TCA检测灵敏度的影响，使得以往的TCA方法只能适用于单层扫描图像；另外，之前的TCA方法取得是每个像素在整个时间变化过程中的最大值，也使TCA在检测实验过程中的多次响应无能为力。针对这些问题，我们主要开展了以下研究。; TCA方法的出现是为了得到大脑反应的时间和空间信息，这种方法称为原始时间簇分析方法（original temporal clustering analysis，OTCA）。为了改进该方法检测灵敏度低的缺点，后来又出现了改进时间簇分析方法（modified temporal clustering analysis MTCA）和迭代TCA方法。以上的三种TCA方法都只取每个像素在整个时间变化过程中的最大值，而每个像素在整个实验过程中可能有不止一次激活，另外大量非激活像素在实验过程中也存在有最大值，这些非激活像素的存在使得OTCA和MTCA的灵敏度很低只能处理单次激活的数据。虽然迭代TCA能处理多次激活的数据，但执行效率太低需要执行多次才能检测出所有的激活峰。为了解决TCA方法无法同时检测出多个激活峰的问题，本研究提出了极值TCA（extremum TCA ，ETCA）方法。该方法取每个像素在整个时间变化过程中的所有极值，这样理论上就能把所有的激活都包括进去。本文所提出的方法只执行一次就可以检测出所有的激活峰。我们分别用模拟数据和真实数据来验证该方法，通过对传统TCA方法和极值TCA方法的结果比较可以看出，在处理多个激活峰方面，极值TCA方法是一种执行效率高的数据处理方法。; 一般情况下我们所处理的核磁共振数据都是全脑数据，在全脑数据中，非激活像素与激活像素的比例比单层数据中相应的比例要高很多，这就使以往的TCA方法只局限于单层大脑数据的处理，对于全脑数据无能为力。为了使TCA也能处理全脑数据，我们提出了RTCA(Removing inactive pixels TCA, RTCA)方法。在全脑图像中，大多数像素都是非激活像素，就是因为这些非激活像素的存在才使TCA方法的灵敏度很低。RTCA就是通过一定的算法把大多数的非激活像素去掉，只让少数的非激活像素和绝大多数的激活像素参与最终的运算，这样就大大提高了激活像素与非激活像素的比例，使得RTCA可以处理全脑的fMRI数据。为了验证RTCA方法的可行性，我们分别用传统的TCA方法和RTCA方法对同一组视觉实验的全脑数据进行处理，对两种方法所得结果进行比较。从两种方法的结果可以看出，在处理全脑数据时，RTCA比OTCA更加适用。; 前面我们所提出的RTCA方法是通过去掉绝大多数非激活像素来提高TCA的检测灵敏度的。另外，我们也可以通过对功能数据进行处理来达到去掉大多数的非激活像素的目的，从而提高TCA方法的检测灵敏度。在改进的TCA方法中，先用SPM2软件将每个被试的第一幅核磁共振图像分割成灰质、白质、脑脊液图像。其中白质和脑脊液所包含的像素是与神经活动无关的噪声成份，所以只需考虑灰质内所包含的像素。这样就避免了脑外像素和脑内白质和脑脊液所包含的非激活像素对TCA检测灵敏度的影响。通过一定的处理，得到每个被试的图像都是只包含灰质的功能图像。然后用TCA算法对这样的功能图像进行处理就可以得到相应的时间曲线。我们分别用TCA方法对经过处理和没有作处理的同一组针刺合谷穴的全脑实验数据进行计算。对两种结果进行比较可以看出，在处理全脑fMRI功能数据时改进TCA比TCA更加适用。而且这种方法也可以得到单个被试的TCA时间曲线。 |
| 学科主题 | 粒子物理与原子核物理 |
| 语种 | 中文 |
| 公开日期 | 2016-02-25 |
| 源URL | [http://ir.ihep.ac.cn/handle/311005/210038]  |
| 专题 | 粒子天体物理中心_学位论文和出站报告 |
| 作者单位 | 中国科学院高能物理研究所 |
| 推荐引用方式 GB/T 7714 | 鲁娜. 博士论文-用于fMRI数据处理的时间簇分析方法[D]. 北京. 中国科学院研究生院. 2007. |
入库方式： OAI收割
来源：高能物理研究所
浏览0
下载0
收藏0
其他版本
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。