專利名稱：功能性磁共振圖像的聚類方法
技術領域：
本發明屬于生物信息技術中的模式、圖像識別領域，特別涉及一種功能性磁共振 成像(functional magnetic resonance imaging, fMRI)圖像后處理技術。
背景技術：
目前，腦功能成像技術已得到了廣泛應用，其中的功能性磁共振成像 (f皿ctionalmagnetic resonance imaging, fMRI)是在石茲共振成像(magnetic resonance imaging,MRI)技術的基礎上發展起來的，通過功能磁共振成像技術對許多生理和生物物理 參數進行測量，它是進行腦功能活動探測和成像的無創傷手段。其成像方法主要包括模型 驅動(Model-driven)分析方法及數據驅動(Data-driven)分析方法兩類。其中
模型驅動(Model-driven)分析方法該方法在處理預RI圖像的時候要依靠實驗 模式(型)，現在用的比較多的是Friston等人基于廣義線性模型(General Linear Model, GLM)提出的統計參數圖(Statistical Parametric M即ping， SPM)來分析預RI圖像。這 類方法相對說來比較簡單、直觀；但由于需要一個包含與實驗模式、其它人為增加的心跳、 呼吸、頭動等因素相關的先驗模式對預RI圖像進行分析，并且在處理過程中還要依賴于統 計推斷來獲得最后的結果；因而存在干擾因素多、噪聲量大，其最終結果取決于統計推斷的 準確度，人為因素影響大等缺陷。 數據驅動(Data-driven)分析方法該方法主要包括獨立成份分析方法和 聚類分析方法，其中、McKeown等人在1998提出的獨立成份分析方法(Ind印endent ComponentAnalysis, ICA)，該方法是將多維數據分解為若干個相互獨立的分量，在預RI數 據分析中，可以在不對實驗的任務進行任何假設前提下分離出各類獨立的成分，從而使這 類方法在預RI圖像分析和處理方面越來越受重視；但在獨立成份分析中如何對成份進行 客觀選擇，目前還是一個沒有解決的難題，該方法對成份的選擇目前還停留在人為判斷的 基礎上，因而仍存在受人的主觀因素影響大的缺陷。 聚類分析方法包括其一是K-均值聚類(K-means)分析方法，即每個類別都采
用該類所有數據的平均值來表示，雖然它能很好地體現出聚類在幾何學和統計學上的意 義，但是K-均值聚類方法中對類別數和初始聚類中心的選擇沒有準則可依循，人為因素 對聚類結果的的好壞影響極大；其二是分級聚類(Hierarchical clustering, HC)分析 方法，該方法是通過將數據組織成若干組，并形成一個相應的樹狀圖來進行聚類，但分級 聚類的缺點在于一旦對數據進行合并或分裂之后，就無法再進行調整，加之對合并或者分 裂點的位置選擇由于無客觀標準可循，主要憑個人經驗處理，因此仍存在受人的主觀因素 影響大的缺陷；其三是仿射聚類分析方法(Frey B J， Dueck D. Clustering by passing messagesbetween data points. Science, 2007， 315 (5814) :972 976)，該分析方法是近
兩年才提出的，它是首先將數據集的所有樣本點都視為候選的聚類中心，并為每個樣本點 建立與其他樣本點的吸引度參數，各樣本點在循環迭代過程中競爭最終的聚類中心，當迭
代過程收斂時、即與各類別對應的聚類中心也隨之確定，然后將每個樣本點分配給最近的
4聚類中心，從而確定其所屬的類別。該方法的優勢體現在不需要預先指定聚類數、且分類客 觀；但由于決定聚類中心的偏向參數則需要人為設定，因而其最優的聚類結果仍受制于人 的主觀因素影響、其隨意性大。對此，王開軍等人提出了一種通過從全部偏向參數所對應的 聚類結果中篩選出最優聚類結果的自適應仿射聚類方法，該方法在數據量較小的情況下， 與傳統仿射聚類方法相比，其聚類質量優于傳統的仿射聚類方法，但是自適應聚類方法本 身需確定全部偏向參數所對應的聚類結果，其處理量大，也就限制了其處理數據的能力，因 而存在數據的處理能力較差、無法對數據量大的圖像進行聚類處理等缺陷。
發明內容
本發明的目的是研究設計一種功能性磁共振圖像的聚類方法，以克服分級聚類在 預RI圖像處理中對合并或者分裂點的選擇困難、對個人經驗依賴性大，而自適應仿射聚類 無法對數據量較大的圖像進行處理的弊病，達到有效提高預RI圖像處理過程中的客觀性 及對大數據量圖像的處理能力等目的。 本發明的解決方案是通過將分級聚類(HC)與自適應仿射聚類(APC)方法有機結
合，綜合利用兩者的特點、克服其缺陷，從而實現其發明目的。因此，本發明包括 A.對原始預RI圖像進行預處理首先對輸入的預RI圖像進行空間位移的校正，
并利用高通濾波器將呼吸、心跳類生理活動引起的低頻噪聲濾掉，再將校正后的圖像進行
標準化處理，然后對標準化處理后的圖像利用高斯核進行空間平滑處理； B.分區仿射聚類首先按照常規的大腦分區模板進行分區，再根據所得到的各個
分區圖像子集，利用各個體素之間的相關系數作為相似度矩陣中的元素，并取矩陣的中值
作為偏向參數，然后利用傳統仿射聚類方法(APC)對各個分區的圖像子集進行聚類，得到
每個分區對應的聚類結果； C.獲取新的圖像及確定對應的偏向參數將由B步驟得到的分區聚類結果，利用 分級聚類(HC)的處理方法，將每個分區中同類的數據作為一個聚合體素，并按照空間分布 重新組合，得到新的圖像，對新的圖像再利用各個聚合體素之間的相關系數作為相似度矩 陣中的元素、取矩陣的中值作為偏向參數； D.獲取全部偏向參數所對應的聚類結果首先對由C步驟分區聚類后形成的圖像 及其偏向參數按傳統仿射聚類方法重新聚類，得到本步驟第一次聚類結果；然后再將C步 驟分區聚類后形成的圖像用按設定步幅減小后的偏向參數值對其進行重新聚類，得到第二 次聚類結果；如此反復利用按步幅依次遞減后的偏向參數重新聚類、直至類別數為2止，并 保存所得全部聚類結果，轉步驟E ; E.確定最優聚類結果將步驟D所得聚類結果按Silhouette指標評定，其中最小 Silhouette值所對應的聚類結果即為最優聚類結果； F.獲取聚類后的預RI圖像將步驟E所得的最優聚類結果，投射回原始預RI圖 像中，即得到最終聚類后的預RI圖像。 上述高通濾波器為頻率1/128Hz的高通濾波器。所述將圖像進行標準化處理，是 采用SPM自帶的EPI模板進行標準化處理。所述大腦分區模板進行分區，其模板為AAL模 板。而所述各個體素之間的相關系數由下式決定
其中Xi和yi是任意兩個樣本，i是第i個樣本。 所述按設定步幅減小后的偏向參數值再次聚類，其步幅為 pstep = 0. lp 0. OOlp 其中Pstep是步幅、p是由C步驟所得偏向參數。 所述聚類結果按Silhouette指標評定，各指標值由下式給出 其中a(t)是某類中的一個樣本與其所在的類中其他所有樣本的平均不相似度或
者距離，b(t)是這個樣本到另外所有類的最小平均不相似度或者距離。 本發明由于將分級聚類與仿射聚類和自適應仿射聚類有機結合、對圖像進行綜合
處理，克服傳統聚類方法受人的主觀因素影響和對個人經驗依賴性大，以及無法對數據量
大的圖像進行有效聚類處理等缺陷；有效解決了對最優聚類結果的的客觀選擇問題。因而，
本發明具有對大數據量圖像的處理能力強，并有效提高了預RI圖像處理過程中的客觀性
和對最優聚類結果選擇的準確性等特點。
圖1為本發明方法流程示意圖(方框圖)； 圖2為本發明具體實施方式
中預RI原始圖像中的第18層，圖中不同灰度代表不同類別，由圖中可看出類別數基本等于體素個數； 圖3為具體實施方式
中分區仿射聚類和分級聚類的結果，圖示為第18層，由圖中
可以可看出類別數已經大量減少； 圖4為第18層最終聚類后的預RI圖像。
具體實施例方式
以下結合附圖和具體實施方式
對本發明做進一步的說明，其中根據雙手運動預RI圖像的性質，預RI圖像的第17、18、19層可以比較好的觀察到激活區，在這里我們選取原始預RI圖像的第18層來演示相應的結果。 為了說明本發明所提及的一種基于仿射聚類的功能磁共振圖像聚類方法的過程及效果，將采用比較常見的雙手運動的預RI圖像來進行分析，根據雙手運動預RI圖像的性質，我們選取原始預RI圖像的第18層來演示相應的結果，具體步驟如下；
A.對原始預RI圖像進行預處理首先對輸入的預RI圖像進行空間位移的校正，并利用頻率為1/128Hz的高通濾波器將呼吸、心跳類生理活動引起的低頻噪聲濾掉，再將校正后的圖像采用SPM自帶的EPI模板，把每個體素重新采樣至3X3X3mm3進行標準化；然后對標準化后的圖像利用全寬半高值(FWHM)為8X8X8mm3(分別為x、 y、 z三個方向)的高斯核進行空間平滑處理，其結果如圖2所示；
l個 Z>(/)_a(/)max{fl(0,6(0}
6
B.分區仿射聚類首先按照常規的大腦分區模板(AAL模板)進行分區，再根據所得到的各個分區圖像子集，利用相關系數 r/ = , n '=1 — —
J(x「x)2t(u)2V '=i ''=i 作為相似度矩陣中的相應元數，其中Xi和yi是其中的任意兩個樣本，i是第i個樣本，取矩陣的中值作為偏向參數，然后利用仿射聚類方法(APC)對各個分區的圖像子集進行聚類，得到每個分區對應的聚類結果； C.獲取新的圖像及確定對應的偏向參數由B步驟得到的分區聚類結果，利用分級聚類(HC)的處理方法，將每個分區中同類的數據作為一個聚合體素，并按照空間分布重新組合，得到新的圖像，如圖3所示，對新的圖像再利用各個體素之間的相關系數作為相似度矩陣中的元素、取矩陣的中值作為偏向參數P ; D.獲取全部偏向參數所對應的聚類結果首先對由C步驟分區聚類后形成的圖像及對應的偏向參數按傳統仿射聚類方法重新聚類，得到本步驟第一次聚類結果；然后再將C步驟分區聚類后形成的圖像與按設定步幅(比例)減小后的偏向參數值再次聚類，得到第二次聚類結果；如此反復利用按步幅Pstep = 0. Olp依次遞減后的偏向參數重新聚類、直至類別數為2止，并保存所得全部聚類結果，轉步驟E ; E.確定最優聚類結果將步驟D所得聚類結果按Silhouette指標
= —Z^、/"、、丄 評定，其中a(t)是某一類中的一個樣本與其所在的類中其他所有樣本的平均不相似度或者距離，b(t)是這個樣本到另外所有類的最小平均不相似度或者距離；所有指標中最小的Sht(ii)值所對應的聚類結果即為最優聚類結果； F.獲取預RI圖像將步驟E所得的最優聚類結果，投射回原始預RI圖像中，即得到最終的預RI圖像，如圖4所示。
權利要求
一種功能性磁共振圖像的聚類方法，包括A.對原始fMRI圖像進行預處理首先對輸入的fMRI圖像進行空間位移的校正，并利用高通濾波器將呼吸、心跳類生理活動引起的低頻噪聲濾掉，再將校正后的圖像進行標準化處理，然后對標準化處理后的圖像利用高斯核進行空間平滑處理；B.分區仿射聚類首先按照常規的大腦分區模板進行分區，再根據所得到的各個分區圖像子集，利用各個體素之間的相關系數作為相似度矩陣中的元素，并取矩陣的中值作為偏向參數，然后利用傳統仿射聚類方法對各個分區的圖像子集進行聚類，得到每個分區對應的聚類結果；C.獲取新的圖像及確定對應的偏向參數將由B步驟得到的分區聚類結果，利用分級聚類的處理方法，將每個分區中同類的數據作為一個聚合體素，并按照空間分布重新組合，得到新的圖像，對新的圖像再利用各個聚合體素之間的相關系數作為相似度矩陣中的元素、取矩陣的中值作為偏向參數；D.獲取全部偏向參數所對應的聚類結果首先對由C步驟分區聚類后形成的圖像及其偏向參數按傳統仿射聚類方法重新聚類，得到本步驟第一次聚類結果；然后再將C步驟分區聚類后形成的圖像用按設定步幅減小后的偏向參數值對其進行重新聚類，得到第二次聚類結果；如此反復利用按步幅依次遞減后的偏向參數重新聚類、直至類別數為2止，并保存所得全部聚類結果，轉步驟E；E.確定最優聚類結果將步驟D所得聚類結果按Silhouette指標評定，其中最小Silhouette值所對應的聚類結果即為最優聚類結果；F.獲取聚類后的fMRI圖像將步驟E所得的最優聚類結果，投射回原始fMRI圖像中，即得到最終聚類后的fMRI圖像。
2. 按權利要求1所述功能性磁共振圖像的聚類方法，其特征在于所述高通濾波器為頻 率1/128Hz的高通濾波器。
3. 按權利要求1所述功能性磁共振圖像的聚類方法，其特征在于所述將圖像進行標準 化處理是采用SPM自帶的EPI模板進行標準化處理。
4. 按權利要求1所述功能性磁共振圖像的聚類方法，其特征在于所述大腦分區模板進 行分區，其模板為AAL模板。
5. 按權利要求1所述功能性磁共振圖像的聚類方法，其特征在于而所述各個體素之間 的相關系數由下式決定其中Xi和yi是任意兩個樣本，i是第i個樣本。
6. 按權利要求1所述功能性磁共振圖像的聚類方法，其特征在于所述按設定步幅減小后的偏向參數值再次聚類，其步幅為<formula>formula see original document page 2</formula>其中P^p是步幅、P是由C步驟所得偏向參數。
7. 按權利要求l所述功能性磁共振圖像的聚類方法，其特征在于所述聚類結果按Silhouette指標評定，各指標值由下式給出 物4, —其中a(t)是某類中的一個樣本與其所在的類中其他所有樣本的平均不相似度或者距離，b(t)是這個樣本到另外所有類的最小平均不相似度或者距離。
全文摘要
該發明屬于生物信息技術中的功能性磁共振圖像的聚類方法，包括對原始fMRI圖像進行預處理，分區仿射聚類，獲取新的圖像及確定對應的偏向參數，獲取全部偏向參數所對應的聚類結果，確定最優聚類結果，獲取最終聚類后的fMRI圖像。該發明由于將分級聚類與仿射聚類和自適應仿射聚類有機結合、對圖像進行綜合處理，克服傳統聚類方法受人的主觀因素影響和對個人經驗的依賴性大，以及無法對數據量大的圖像進行有效聚類處理等缺陷；有效解決了對最優聚類結果的的客觀選擇問題。因而，本發明具有對大數據量圖像的處理能力強，并有效提高了fMRI圖像處理過程中的客觀性和對最優聚類結果選擇的準確性等特點。
文檔編號G01R33/56GK101706561SQ20091021626
公開日2010年5月12日 申請日期2009年11月20日 優先權日2009年11月20日
發明者呂維帥, 陳華富 申請人:電子科技大學