腦圖像數(shù)據(jù)中的獨(dú)立分量分析方法

馬 斌，陳俊杰

?

腦圖像數(shù)據(jù)中的獨(dú)立分量分析方法

馬 斌1，陳俊杰2

(1. 山西中醫(yī)學(xué)院醫(yī)藥管理學(xué)院，太原 030024；2. 太原理工大學(xué)計(jì)算機(jī)與軟件學(xué)院，太原 030024)

針對(duì)腦功能磁共振成像在處理數(shù)據(jù)時(shí)空間維數(shù)較大的問(wèn)題，提出一種空間獨(dú)立分量分析(ICA)方法。研究空間ICA方法的基本模型結(jié)構(gòu)和空間ICA的3種常見(jiàn)算法，即Infomax算法、Fixed-Point算法和Orth-Infomax算法。設(shè)計(jì)中文詞義辨別實(shí)驗(yàn)，并使用線性相關(guān)方法進(jìn)行算法比較。實(shí)驗(yàn)結(jié)果表明，與Infomax算法、Fixed-Point算法相比，Orth-Infomax算法任務(wù)相關(guān)分量的時(shí)間序列與參考函數(shù)的平均相關(guān)系數(shù)最大，具有較高的求解質(zhì)量和求解效率，能夠有效處理腦功能磁共振成像系統(tǒng)中存在的大量數(shù)據(jù)。

腦功能磁共振成像；獨(dú)立分量分析；一致任務(wù)相關(guān)成分；正交信息極大化算法；源信號(hào)；線性相關(guān)

1 概述

腦功能磁共振成像(functional Magnetic Resonance Im- aging, fMRI)是一種新型的高效無(wú)輻射非介入性損傷成像技術(shù)，已經(jīng)成為廣泛使用的腦功能研究手段[1]?；谘跛揭蕾?lài)的認(rèn)知功能成像技術(shù)(BOLD)是fMRI方法應(yīng)用的基礎(chǔ)。當(dāng)人的大腦開(kāi)始執(zhí)行相應(yīng)任務(wù)時(shí)，大腦組織中的敏感區(qū)域會(huì)持續(xù)接收相應(yīng)刺激，血紅蛋白和脫氧血紅蛋白兩者之間的血氧水平比例會(huì)發(fā)生變化并造成該區(qū)域磁共振信號(hào)的改變，fMRI可以間接測(cè)量這種信號(hào)的改變，并通過(guò)產(chǎn)生的大量數(shù)據(jù)來(lái)研究人腦的基本活動(dòng)規(guī)律。

針對(duì)人腦結(jié)構(gòu)信息處理的特殊性和復(fù)雜性，從認(rèn)知過(guò)程基于的生理假設(shè)機(jī)制上分析，fMRI數(shù)據(jù)處理方法主要分為2類(lèi)，即基于神經(jīng)功能模型的假設(shè)驅(qū)動(dòng)方法和基于信號(hào)源本身結(jié)構(gòu)的數(shù)據(jù)驅(qū)動(dòng)方法[2]。本文提出的獨(dú)立分量分析(Independent Component Analysis, ICA)方法是一種探測(cè)性的并基于數(shù)據(jù)分析的信息處理方法[3]。ICA方法在實(shí)際操作過(guò)程中不需要預(yù)先假設(shè)相關(guān)模型，而是直接抽取對(duì)應(yīng)數(shù)據(jù)中所包含的特定信息，按照統(tǒng)計(jì)獨(dú)立的原則，在原始信號(hào)采集基礎(chǔ)上將收集到的多進(jìn)程數(shù)據(jù)通過(guò)優(yōu)化算法分解為若干相互獨(dú)立的要素。

2 ICA數(shù)學(xué)模型分析

獨(dú)立分量分析(ICA)是從多維統(tǒng)計(jì)數(shù)據(jù)中尋找潛在因子或成分的一種方法[4]。ICA應(yīng)用于fMRI數(shù)據(jù)集合時(shí)，模型的建立是通過(guò)優(yōu)化算法將所觀察到的多進(jìn)程實(shí)驗(yàn)信號(hào)分解為若干線性空間相互獨(dú)立的成分。

假設(shè)()=[1(),2(),…,U()]T是個(gè)實(shí)驗(yàn)測(cè)量信號(hào)，它是由個(gè)獨(dú)立的源信號(hào)()=[1(),2(),…,S()]T線性組合表示而成，對(duì)每一個(gè)時(shí)間點(diǎn)都有：

其向量矩陣的數(shù)學(xué)表達(dá)式為[5-6]：

()=()

其中，被估計(jì)的源信號(hào)()的各成分是統(tǒng)計(jì)獨(dú)立的[7]；假設(shè)=且是×維混合矩陣；源信號(hào)是非高斯信號(hào)分布或最多只有一個(gè)是高斯信號(hào)分布[8]。

ICA算法目的是要根據(jù)實(shí)驗(yàn)測(cè)量數(shù)據(jù)得到分離矩陣，使得輸出信號(hào)為()=()。其中，輸出信號(hào)()是源信號(hào)()的一個(gè)估計(jì)且相互獨(dú)立。其原理結(jié)構(gòu)如圖1所示。

圖1 ICA算法原理結(jié)構(gòu)

3 ICA的基本應(yīng)用

文獻(xiàn)[9]將ICA方法應(yīng)用到fMRI數(shù)據(jù)處理過(guò)程。使用ICA中的Infomax算法分離觀測(cè)到的fMRI信號(hào)，并成功獲得持續(xù)任務(wù)相關(guān)分量(CTR)和瞬時(shí)任務(wù)相關(guān)分量(TTR)等數(shù)據(jù)參數(shù)。ICA方法嘗試將多維數(shù)據(jù)變量分解成一個(gè)或若干個(gè)與實(shí)驗(yàn)任務(wù)相關(guān)的統(tǒng)計(jì)獨(dú)立的分量。其基本思路是從分離出的獨(dú)立分量中找到對(duì)應(yīng)時(shí)間序列與實(shí)驗(yàn)的激勵(lì)函數(shù)相關(guān)性最大的持續(xù)任務(wù)相關(guān)分量。對(duì)fMRI數(shù)據(jù)的處理可以使用空間獨(dú)立分量分析(SICA)方法或時(shí)間獨(dú)立分量分析(TICA)方法[10]，鑒于fMRI本身數(shù)據(jù)像素點(diǎn)的數(shù)量遠(yuǎn)大于其采樣點(diǎn)的數(shù)量，在實(shí)際操作過(guò)程中，通常使用SICA方法研究和分析fMRI數(shù)據(jù)[11]。

4 ICA的空間獨(dú)立分量分析

SICA所基于的假設(shè)是與認(rèn)知過(guò)程腦激勵(lì)區(qū)間相獨(dú)立進(jìn)行的，其方法是掃描每個(gè)時(shí)間點(diǎn)對(duì)應(yīng)的圖像數(shù)據(jù)，分析處理后得到相對(duì)獨(dú)立的時(shí)間序列，表示激活區(qū)腦的神經(jīng)元強(qiáng)度隨時(shí)間的變化過(guò)程。

4.1 空間獨(dú)立分量算法分析

近年來(lái)，用于處理fMRI數(shù)據(jù)的SICA算法主要有信息極大化算法(Infomax算法)[12]、快速不動(dòng)點(diǎn)算法(Fixed-Point算法)[13]和正交信息極大化算法(Orth-Infomax算法)。Infomax算法主要用來(lái)得到fMRI數(shù)據(jù)的原始特征以便深入研究；同時(shí)它利用數(shù)據(jù)中有效的移出來(lái)研究各激活區(qū)域之間的功能聯(lián)系[14]；文獻(xiàn)[15]通過(guò)Infomax算法得到fMRI數(shù)據(jù)在獨(dú)立刺激條件下血流動(dòng)力學(xué)的變化趨勢(shì)。Fixed-Point算法用來(lái)衡量腦信號(hào)的統(tǒng)計(jì)獨(dú)立性并對(duì)非結(jié)構(gòu)化的信號(hào)數(shù)據(jù)進(jìn)行分離以便深入研究[16]；文獻(xiàn)[17]比較了Infomax算法和Fixed-Point算法的差異，對(duì)模型的總體估計(jì)和濾波能力上有優(yōu)勢(shì)的是Infomax算法，而Fixed-Point算法的空間準(zhǔn)確性和時(shí)間準(zhǔn)確性要略?xún)?yōu)于Infomax算法。在研究fMRI數(shù)據(jù)處理問(wèn)題時(shí)，提出了一種改進(jìn)的梯度學(xué)習(xí)算法，即正交信息極大化算法(Orth-Infomax)。這個(gè)算法綜合了Infomax算法和Fixed-Point算法的優(yōu)點(diǎn)，具有較快的收斂速度和更準(zhǔn)確的分離精度。對(duì)于大量的實(shí)際fMRI數(shù)據(jù)來(lái)說(shuō)，Orth- Infomax算法具有最佳的估計(jì)腦內(nèi)激活時(shí)間動(dòng)力學(xué)準(zhǔn)確性。

4.2 實(shí)驗(yàn)設(shè)計(jì)

對(duì)上述3個(gè)算法分別測(cè)試，進(jìn)行fMRI數(shù)據(jù)的空間獨(dú)立分量研究，并采用線性相關(guān)方法分析實(shí)驗(yàn)結(jié)果。

實(shí)驗(yàn)對(duì)象是5名健康的大學(xué)生，視力正常，右利手，無(wú)色盲，無(wú)精神病史。實(shí)驗(yàn)任務(wù)為中文詞義辨別，要求被試對(duì)象判斷所呈現(xiàn)的中文詞語(yǔ)對(duì)是否為反義詞，內(nèi)容包含中文詞對(duì)96組，其中一半為反義詞詞對(duì)(如大-小，多-少、前-后)，另一半則是隨意搭配詞對(duì)(如計(jì)算機(jī)-國(guó)家、中醫(yī)-建筑學(xué))。如果是反義詞對(duì)，測(cè)試者就按下蜂鳴器按鈕，主試可以同步記錄被試的反應(yīng)情況。實(shí)驗(yàn)采用組塊設(shè)計(jì)，組塊刺激呈現(xiàn)分為12組，每組8對(duì)刺激(包含中文反義詞對(duì)和隨意搭配詞對(duì))，每對(duì)刺激交替出現(xiàn)，且出現(xiàn)時(shí)間設(shè)定為1 s。當(dāng)?shù)?個(gè)刺激表現(xiàn)完成后，間隔1 s的時(shí)間段，開(kāi)始操作下一組刺激信息。

功能像掃描參數(shù)設(shè)置為：TR=4 000 ms; TE=50 ms; FOV (Field of View)=375×240 mm; Flip=60;像素矩陣=126×36; slice thickness=6 mm;無(wú)間隔。三維解剖像參數(shù)設(shè)置為：TR= 20 ms; TE=6 ms; FOV(Field of View)=240×240 mm; Flip=60;像素矩陣=240×240; slice thickness=2 mm;無(wú)間隔。

4.3 實(shí)驗(yàn)結(jié)果

設(shè)計(jì)一個(gè)與實(shí)驗(yàn)任務(wù)的BOLD脈沖反應(yīng)函數(shù)相匹配的參考函數(shù)，成分圖的時(shí)間序列用的列來(lái)表示，計(jì)算的值與參考函數(shù)間相關(guān)系數(shù)的大小即可表示實(shí)驗(yàn)操作任務(wù)與時(shí)間序列的相關(guān)性。實(shí)驗(yàn)過(guò)程中把最大的相關(guān)系數(shù)時(shí)間序列對(duì)應(yīng)的成分圖定義為一致任務(wù)相關(guān)成分(CTR)[18]。相關(guān)系數(shù)的平均值越大，說(shuō)明算法估計(jì)激活時(shí)間動(dòng)力學(xué)準(zhǔn)確性越高。本文實(shí)驗(yàn)求得3個(gè)算法的CTR成分與參考函數(shù)的相關(guān)系數(shù)如表1所示。

表1 基于3種算法所得CTR成分與參考函數(shù)的相關(guān)系數(shù)

相關(guān)系數(shù)的平均值分別為：Orth-Infomax算法(0.797)；Fixed-Point算法(0.781)；Infomax算法(0.772)；依據(jù)圖2所示分析，顯然，Orth-Infomax算法得到的一致任務(wù)相關(guān)成分的時(shí)間序列與參考函數(shù)的平均相關(guān)系數(shù)最大。因此，Orth- Infomax算法的估計(jì)激活時(shí)間動(dòng)力學(xué)準(zhǔn)確性最高，能夠高效地研究fMRI數(shù)據(jù)。

圖2 3種算法的任務(wù)相關(guān)分量比較

將3種算法分析求得的CRT成分進(jìn)行標(biāo)準(zhǔn)化操作，使用腦功能成像系統(tǒng)軟件SPM以相同的閾值處理后，得到其激活狀態(tài)表示如圖3所示。

圖3 3種算法得到的一致任務(wù)相關(guān)成分激活比較

5 結(jié)束語(yǔ)

本文研究了ICA的基本模型結(jié)構(gòu)，論述了ICA應(yīng)用于fMRI數(shù)據(jù)處理的基本情況，分析討論了ICA空間獨(dú)立分量的應(yīng)用問(wèn)題，著重介紹了Orth-Infomax算法、Fixed-Point算法和Infomax算法各自的特點(diǎn)，并基于實(shí)驗(yàn)所得的時(shí)間序列與參考函數(shù)的相關(guān)系數(shù)的大小，比較得出Orth-Infomax算法具有一定的優(yōu)勢(shì)。

不過(guò)，當(dāng)前ICA方法在fMRI的具體應(yīng)用中仍然存在許多問(wèn)題，需要不斷對(duì)其進(jìn)行改進(jìn)和完善。下一步的工作主要包括：

(1)本文實(shí)驗(yàn)是在單任務(wù)條件下得到的結(jié)果。在多任務(wù)的情況下，對(duì)復(fù)雜大腦高級(jí)活動(dòng)的探測(cè)過(guò)程中，不能假定不同任務(wù)所激活的腦空間是獨(dú)立的，因此，要結(jié)合具體的認(rèn)知任務(wù)，進(jìn)一步探討利用ICA處理更有價(jià)值信息的問(wèn)題。

(2)算法的改進(jìn)和應(yīng)用?，F(xiàn)實(shí)世界需要構(gòu)造更符合實(shí)際的模型，面對(duì)不同性質(zhì)的數(shù)據(jù)時(shí)，要提出更有針對(duì)性的新算法來(lái)解決問(wèn)題。ICA算法已經(jīng)應(yīng)用到語(yǔ)音信號(hào)處理、生物醫(yī)學(xué)信號(hào)處理等領(lǐng)域。因此，算法的改進(jìn)應(yīng)用將是未來(lái)研究的重點(diǎn)。

[1] Norman K A, Polyn A M, Detre G J, et al. Beyond Mind- reading: Multi-voxel Pattern, Analysis of fMRI Data[J]. Trends in Cognitive Science, 2006, 10(9): 424-430.

[2] 張志強(qiáng), 王世杰, 盧光明. 功能磁共振數(shù)據(jù)處理分析的原理及應(yīng)用[J]. 中國(guó)醫(yī)學(xué)影像技術(shù), 2004, 20(10): 1632-1635.

[3] 唐煥文, 唐一源, 郭崇慧, 等. 神經(jīng)信息學(xué)及其應(yīng)用[M]. 北京: 科學(xué)出版社, 2007.

[4] Svensen M, Kruggel F, Benali H. ICA of fMRI Group Study Data[J]. Neuro Image, 2002, 16(3): 551-563.

[5] Cichocki A, Amari S I. Adaptive Blind Signal and Image Processing Learning Algorithms and Applications[M]. [S. l.]: Wiley, 2002.

[6] Girolami M. Self-organising Neural Networks-independent Component Analysis and Blind Source Separation[M]. [S. l.]: Springer-Verlag, 1999.

[7] Friston K J. Modalities, Modes, and Models in Functional Neuroimaging[J]. Science, 2009, 326(5951): 399-403.

[8] Hyvarinen A, Karhunen J, Oja E. Independent Component Analysis[M]. New York, USA: John Wiley, 2001.

[9] 李 可, 閆 鑌, 單保慈. 功能磁共振圖像處理的ICA方法綜述[J]. 中國(guó)圖象圖形學(xué)報(bào), 2005, 10(5): 561-566.

[10] 唐煥文, 張偉偉, 史振威, 等. 新的ICA算法實(shí)現(xiàn)成組fMRI信號(hào)盲分離[J]. 大連理工大學(xué)學(xué)報(bào), 2007, 47(5): 773-776.

[11] 龍志穎, 姚 力, 趙小杰, 等. 空間ICA在fMRI數(shù)據(jù)上的應(yīng)用與分析[J]. 中國(guó)醫(yī)學(xué)物理學(xué)雜志, 2003, 20(4): 219-221.

[12] Bell A, Sejnowski T. An Information-maximization Approach to Blind Separation and Blind Deconvolution[J]. Neural Computation, 1995, 7(6): 1129-1159.

[13] Hyvarinen A. Fast and Robust Fixed-point Algorithm for Independent Component Analysis[J]. IEEE Transactions on Neural Networks, 1999, 10(3): 626-634.

[14] Arfanakis K, Cordes D, Haughton V M, et al. Combining Independent Component Analysis and Correlation Analysis to Probe Interregional Connectivity in fMRI Task Activation Datasets[J]. Magn Reson Imaging, 2000, 18(8): 921-930.

[15] Duann J R, Jung T P, Kuo W J, et al. Single-trial Variability in Event-related BOLD Signals[J]. Neuro Image, 2002, 15(4): 823-835.

[16] Kiviniemi V, Kantola J H, Jauhialnen J, et al. Independent Component Analysis of Nondeterministic FMRI Signal Sources[J]. Neuro Image, 2003, 19(2): 253-260.

[17] van Eijsden P, Hyder F, Rothman D L, et al. Neurophysiology of Functional Imaging[J]. Neuro Image, 2009, 45(4): 1047- 1054.

[18] Bassett D S, Bullmore E. Small-world Brain Network[J]. Neuro Scientist, 2006, 12(6): 512-523.

編輯 顧逸斐

Independent Component Analysis Method in Brain Image Data

MA Bin1, CHEN Jun-jie2

(1. School of Medical Management, Shanxi College of Traditional Chinese Medicine, Taiyuan 030024, China; 2. College of Computer and Software, Taiyuan University of Technology, Taiyuan 030024, China)

Independent Component Analysis(ICA) is an effective method of data processing of the brain functional Magnetic Resonance Imaging(fMRI). Aiming at the feature that the spatial dimension of fMRI data is large, spatial ICA is selected to be discussed. The basic model structure of ICA and the three common algorithms of spatial ICA are deeply researched, including Infomax algorithm, Fixed-Point algorithm and Orth-Infomax algorithm. Chinese word meaning differentiation experiment is designed and analyzed with the linear correlation method. Experimental results show that, the time series of CTR in the Orth-Infomax algorithm has the maximum average correlation coefficient with the reference function, compared with Infomax algorithm and Fixed-Point algorithm, which has the high quality of the solution and the solving efficiency and can efficiently process the fMRI system data.

brain functional Magnetic Resonance Imaging(fMRI); Independent Component Analysis(ICA); consistently task-related component; Orth-Infomax algorithm; source signal; linear correlation

1000-3428(2014)03-0205-03

A

TP393.41

國(guó)家自然科學(xué)基金資助項(xiàng)目“基于fMRI的個(gè)性化圖像情感標(biāo)注及其本體庫(kù)研究”(60970059)。

馬 斌(1979－)，男，講師、碩士、CCF會(huì)員，主研方向：人工智能，數(shù)據(jù)挖掘；陳俊杰，教授、博士生導(dǎo)師。

2012-12-27

2013-03-31 E-mail：mbsxtcm@163.com

10.3969/j.issn.1000-3428.2014.03.043