论文部分内容阅读
功能磁共振成像(fMRI)研究表明静息状态下功能相关的脑区间存在着低频、同步的自发神经活动，而且这种同步活动具有重要的生理意义。本研究组在静息态fMRI的计算方法与应用领域有着多年的积累，并取得了若干研究成果。本论文在此基础上，将相关研究成果实现为软件系统，申请软件著作权，以利于成果的保护和推广。本文的主要内容包括：1)稳定的ICA组分析(Group ICA)软件包的设计与实现；2)神经影像自动判别软件包的设计与实现；3)将上述软件包应用于精神疾病静息态fMRI数据的判别分析研究，在此研究中，本文提出了噪声成分自动剔除算法以及多网络Boosting学习算法，并取得了良好的分类结果。
独立成分分析(ICA)是一种强大的数据驱动的分析方法，非常适合于静息态脑功能网络研究。在处理成组的fMRI数据时，基于时间点连接的Group ICA被广泛地应用。由于计算能力有限，作为ICA预处理步骤的主成分分析(PCA)难以应用于大数据集，因此需要多步PCA降维。然而不同的样本连接顺序和不同的初始条件会导致不同的结果，这些随机因素导致Group ICA算法的变异性和不稳定性。本研究组提出采用不同被试顺序，多次进行ICA分析，并将结果平均从而得到稳定的ICA输出的SOI-GICA方法[1]。本文设计和实现相应的软件，提供操作简便的图形化用户界面，扩展上述方法，开发从数据分析到显示的全面解决方案，并较好地解决了系统性能瓶颈问题，获得稳定ICA结果。
除神经机制研究外，静息态fMRI还可为脑疾病的诊断提供客观依据。本研究组首次提出以静息态fMRI数据为分类特征，对精神疾病进行自动判别分析，并在注意缺陷多动障碍(ADHD)的应用中取得了较好的分类结果[2]。本文在该工作的基础上，另提出以脑功能网络为特征的精神疾病自动判别分析方法，集成常规的判别分析以及多功能网络自动判别分析框架，实现操作简便、应用灵活的脑影像分类软件包(BIC)。
本文将上述两个软件包应用于ADHD的自动判别分析。首先利用SOI-GICA软件包应用于ADHD与正常对照的静息态fMRI数据，分解得到若干稳定的独立成分，然后采用成分自动识别的方法剔除噪声成分，得到有意义的功能网络。在特征提取与分类器学习阶段，本文提出“基于多个网络的Boosting算法，训练多个弱分类器并将结果进行合成，从而提高系统的泛化能力”的方法，测试分类正确率达到84％。实验结果表明这两个软件包具有较强的实用价值，对于脑功能网络分析以及精神疾病的诊断具有一定的帮助。