应用图像融合的fMRI数据处理方法的研究

１７６　２０１０．４６（４）　Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用　应用图像融合的ｆＭＲＩ数据处理方法的研究　赵　晶，李海云　ＺＨＡＯ　Ｊｉｎｇ，ＬＩ　Ｈａｉ—ｙｕｎ　

首都医科大学生物医学工程学院，北京１０００６９　Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｂｉｏｍｅｄｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃａｐｉｔａｌ　Ｍｅｄｉｃａｌ　Ｕｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ　１０００６９，Ｃｈｉｎａ　Ｅ—ｍａｉｌ：ｊｉｎｇ．ｚｈａｏ７＠ｇｍａｉｌ．ＣＯｒｎ　

ＺＨＡＯ　Ｊｉｎｇ，ＬＩ　Ｈａｉ－ｙｕｎ．ＦＭＲＩ　ｄａｔａ　ｐｒｏｃｅｓｓｉｎｇ　ａｐｐｒｏａｃｈ　ｂａｓｅｄ　ｏｎ　ｉｍａｇｅ　ｆｕｓｉｏｎ．Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ，　２０１０．４６（４）：１７６—１７９．　

Ａｂｓｔｒａｃｔ：Ａ　ｎｅｗ　ｄａｔａ　ｐｒｏｃｅｓｓｉｎｇ　ａｐｐｒｏａｃｈ　ｏｆ　ｆＭＲ１　ｗｈｉｃｈ　ｃｏｍｂｉｎｅｓ　Ｓｔａｔｉｓｔｉｃａｌ　Ｐａｒａｍｅｔｒｉｃ　Ｍａｐｐｉｎｇ（ＳＰＭ），Ｉｎｄｅｐｅｎｄｅｎｔ　Ｃｏｍｐｏ—　ｎｅｎｔ　Ａｎａｌｙｓｉｓ（ＩＣＡ）ａｎｄ　ｉｍａｇｅ　ｆｕｓｉｏｎ　ｉｓ　ｐｒｅｓｅｎｔｅｄ．Ａｎｄ　ｉｔ　ｈａｓ　ｇｏｏｄ　ｐｅｒｆｏｒｍａｎｃｅ　ｉｎ　ｅｘｔｒａｃｔｉｎｇ　ｔｈｅ　ｂｒａｉｎ　ａｃｔｉｖａｔｉｏｎ　ｐａｔｔｅｒｎｓ。Ｆｉｒｓｔｌｙ，　ｔｈｅ　ｄａｔａ　ａｒｅ　ｏｂｔａｉｎｅｄ　ｆｒｏｍ　ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔ　ｏｆ　ｂｌｏｃｋ　ｄｅｓｉｇｎ　ｉｎ　ｖａｒｉｏｕｓ　ｈａｎｄ　ｐｏｗｅｒ　ｆｏｒｃｅｓ，ｗｈｉｃｈ　ａｓｓｏｃｉａｔｅ　ｗｉｔｈ　ｍｏｔｏｒ　ｃｏｒｔｅｘ．Ｔｈｅｎ　ｔｈｅ　ｐｒｅｐｒｏｃｅｓｓｉｎｇ　ｓｔａｇｅ　ｐｒｏｃｅｅｄｓ　ａｎｄ　ｔｈｅ　ｂｒａｉｎ　ｆｕｎｃｔｉｏｎａｌ　ｉｎｆｏｒｍａｔｉｏｎ　ｉｓ　ｇｏｔｔｅｎ　ｆｒｏｍ　ｔｈｅ　ＳＰＭ　ａｎｄ　ＩＣＡ　ｍｅｔｈｏｄｓ　ｓｅｐａｒａｔｅｌｙ．Ｆｉｎａｌ—　ｌｙ，ｔｈｅ　ｎｅｗ　ｉｍａｇｅ　ｆｕｓｉｏｎ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｕｐｏｎ　ｔｈｅ　Ｐｒｉｎｃｉｐａｌ　Ｃｏｍｐｏｎｅｎｔ　Ａｎａｌｙｓｉｓ（ＰＣＡ）ｉｓ　ｕｓｅｄ　ｔｏ　ｐｒｏｃｅｓｓ　ｔｈｅ　ｒｅｓｕｌｔｓ　ｆｒｏｍ　ｔｈｅ　ｔｗｏ　ｍｅｔｈｏｄｓ　ｍｅｎｔｉｏｎｅｄ　ａｂｏｖｅ．Ｔｈｅ　ｎｅｗ　ａｐｐｒｏａｃｈ　ｉｓ　ａ　ｗａｙ　ｔｏ　ｌｏｃａｌｉｚｅ　ｔｈｅ　ｂｒａｉｎ　ｆｕｎｃｔｉｏｎａｌ　ａｒｅａ　ｅｆｆｅｃｔｉｖｅｌｙ　ａｎｄ　ｃｏｍｐｌｅｍｅｎｔａｒｙ　ｉｎ　ｔｗｏ　ｔｙｐｉｃａｌ　ｓｙｓｔｅｍｓ．　Ｋｅｙ　ｗｏｒｄｓ：ｆｕｎｃｔｉｏｎａｌ　Ｍａｇｎｅｔｉｃ　Ｒｅｓｏｎａｎｃｅ　Ｉｍａｇｉｎｇ（ｆＭＲＩ）；ｍｏｔｏｒ　ｃｏｒｔｅｘ；Ｓｔａｔｉｓｔｉｃａｌ　Ｐａｒａｍｅｔｒｉｃ　Ｍａｐｐｉｎｇ（ＳＰＭ）；Ｉｎｄｅｐｅｎｄｅｎｔ　Ｃｏｒｎ－　ｐｏｎｅｎｔ　Ａｎａｌｙｓｉｓ（ＩＣＡ）；ｉｍａｇｅ　ｆｕｓｉｏｎ　

摘要：提出了一种新的ｆＭＲＩ数据处理方法，融合了统计参数图（ＳＰＭ）、独立成分分析（ＩＣＡ）所提取的特征信息，实现脑功能激活　区的准确提取。首先通过时段设计实验获取了反应不同握力条件下手运动相关皮层活动的ｆＭＲＩ数据，并且进行相应的预处理；然　后采用ＳＰＭ和ＩＣＡ方法分别提取脑功能信息；研究了一种基于主成分分析的图像融合算法。最后，应用图像融合算法对ＳＰＭ和　ＩＣＡ方法分别提取的脑功能信息进行融合。结果表明，该方法弥补了ＳＰＭ和ＩＣＡ两种方式的不足，是一种进行功能区定位更加有　效的方法。　关键词：功能磁共振成像（ｆＭＲＩ）；运动皮层；统计参数图（ＳＰＭ）；独立成分分析（ＩＣＡ）；图像融合　ＤＯＩ：１０．３７７８￣．ｉｓｓｎ．１００２—８３３１．２０１０．０４．０５６　文章编号：１００２—８３３１（２０１０）０４—０１７６—０４　文献标识码：Ａ　中图分类号：ＴＰ３９１．４１　

１引言　功能磁共振成像（ｆｕｎｃｔｉｏｎａｌ　Ｍａｇｎｅｔｉｃ　Ｒｅｓｏｎａｎｃｅ　Ｉｍａｇｉｎｇ，　ｍＲＩ）是根据血氧依赖水平（Ｂｌｏｏｄ　Ｏｘｙｇｅｎａｔｉｏｎ　Ｌｅｖｅｌ　Ｄｅｐｅｎ—　ｄｅｎｔ，ＢＯＬＤ）的对比水平［‘进行成像，由于其无创性、无辐射、有　效地将功能与解剖相结合的优点广泛地应用于脑科学研究领　域。但是，ｆＭＲＩ信号在采集过程中易受到磁场、受试者头动、心　跳等因素的影响，其信噪比很低，准确提取ｆＭＲＩ数据的特征信　息是目前研究热点。　近些年，提出了不少ｆＭＲＩ数据处理方法，其中包括统计参　数图（Ｓｔａｔｉｓｔｉｃａｌ　Ｐａｒａｍｅｔｒｉｃ　Ｍａｐｐｉｎｇ，ＳＰＭ）、相关性分析（ｃｏⅡｅ—　ｌａｔｉｏｎ）、马尔科夫随机场模型（Ｍａｒｋｏｖ　Ｒａｎｄｏｍ　Ｆｉｅｌｄ　Ｍｏｄｅｌｓ）、　主成分分析（Ｐｒｉｎｃｉｐｌｅ　Ｃｏｍｐｏｎｅｎｔ　Ａｎａｌｙｓｉｓ，ＰＣＡ）、独立成分分　析（Ｉｎｄｅｐｅｎｄｅｎｔ　Ｃｏｍｐｏｎｅｎｔ　Ａａｎａｌｙｓｉｓ，ＩＣＡ）等。　统计参数图（ＳＰＭ）是单一变量的数据处理方法，需要运用　先验知识，建立广义线性模（Ｇｅｎｅｒａｌ　Ｌｉｎｅａｒ　Ｍｏｄｅｌ，ＧＬＭ），得到　显著性水平下的激活图　。相关性分析、马尔科夫随机场模型则　都需要参考函数预先建立模型，而当所执行任务的机制未知　时，以上基于假设驱动的方法稍显不足。主成分分析（ＰＣＡ）［３１和　独立成分分析（ＩＣＡ）１４］是基于数据驱动的分析方法，根据数据自　身的特性，将观测信号分解成若干独立源信号和其相应的激活　时间曲线。不少学者，提出了改进的方法，如Ｚｅ　ＷａｎｇＩ　使用支　持向量机的方法，获取数据驱动的参考函数，将其引入ＧＬＭ的　统计过程中，在敏感性方面优于传统ＳＰＭ。Ｄ．Ｈｕ　则将ＩＣＡ产　生的ＣＴＲ成分作为新的函数，取代传统的血流动力学方程，将　ＳＰＭ和ＩＣＡ进行结合，从函数和模型方面进行了改善。　ＩＣＡ算法中，Ｉｎｆｏｍａｘ和Ｆｉｘｅｄ—ｐｏｉｎｔ算法是其中的经典算　

基金项目：国家自然科学基金（ｔｈｅ　Ｎａｔｉｏｎａｌ　Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　Ｆｏｕｎｄａｔｉｏｎ　ｏｆ　Ｃｈｉｎａ　ｕｎｄｅｒ　Ｇｒａｎｔ　Ｎｏ．３０６７０５７６）；北京市教委科技发展汁划重点项目　（ｔｈｅ　Ｓｃｉｅｎｔｉｆｉｃ　Ｒｅｓｅａｒｃｈ　Ｋｅｙ　Ｐｒｏｇｒａｍ　ｏｆ　Ｂｅｉｊｉｎｇ　Ｍｕｎｉｃｉｐａｌ　Ｃｏｍｍｉｓｓｉｏｎ　ｏｆ　Ｅｄｕｃａｔｉｏｎ　ｕｎｄｅｒ　Ｇｒａｎｔ　Ｎｏ．ｋｚ２００８１００２５０１１）；北京市中青年　骨干教师培养项目（Ｂｅｉｊｉｎｇ　Ｍｕｎｉｃｉｐａｌ　Ｍｉｄｄｌｅ—ａｇｅｄ　Ｂａｃｋｂｏｎｅ　Ｔｅａｃｈｅｒ　Ｔｒａｉｎｉｎｇ　Ｐｒｏｇｒａｍ）。　作者简介：赵晶（１９８５一），硕士研究生，主要研究方向：ｆＭＲＩ数据处理方法；李海云（１９６７一），通讯作者，教授，博士生导师，主要研究方向：医学影像　处理与分析。　收稿日期：２００９—０８—０５　修回日期：２００９—０９—２２　赵　晶，李海云：应用图像融合的ｆＭＲＩ数据处理方法的研究　２０１０．４６（４）　１７７　法，张伟伟［７１等人运用信息论方法决定信号源数量，进而采取　Ｆｉｘｅｄ—ｐｏｉｎｔ算法，得到独立成分。ＧｒｏｕｐＩＣＡ理论在数据处理方　面也具有较大优势，弥补了传统ＩＣＡ仅处理单个被试数据的缺　点，Ｘｉａ　ＷｕＮ等人分析语义任务ｆＭＲＩ数据，ＣＴＲ、　兀Ｒ成分有　很好的体现，并通过其建立功能网络。　提出了一种新的ｆＭＲＩ特征信息提取方法，首先通过时段　设计实验获取了相关大脑皮层的ｆＭＲＩ功能数据，然后采用　ＳＰＭ和ＩＣＡ方法分别提取脑功能信息；研究了一种基于主成　分分析的图像融合算法。最后，应用图像融合算法对ＳＰＭ和　ＩＣＡ方法分别提取的脑功能信息进行融合，实现了手握力运动　的脑功能区的准确定位。　２实验设计　实验根据所采用的橡胶握力圈分为三组进行，力的大小经　测试分别为１４０　Ｎ、１１０　Ｎ、７５　Ｎ。受试者均在清醒状态下完成实　验，平躺放松，根据屏幕提示以１次每秒的频率右手抓握橡胶　圈。实验采用组块设计（ｂｌｏｃｋ　ｄｅｓｉｇｎ），每组实验分为６个组块　（ｂｌｏｃｋ），每一组块包括１６　Ｓ任务和１６　Ｓ控制过程。　实验对象：１４名健康受试者参加实验，其中男７例，女７　例；年龄２３　３２岁，平均年龄２５．６岁，均为右利手，无神经系统　疾病，矫正后视力正常。　３影像数据的获取　磁共振扫描采用Ｓｉｅｍｅｎｓ公司３．ＯＴ磁共振成像系统，ｆＭＲＩ　成像采用回波平面成像序列（Ｅｃｈｏ　Ｐｌａｎａｒ　Ｉｍａｇｉｎｇ，ＥＰＩ）。轴状　位扫描。参数如下：ＴＲ（Ｒｅｐｅｔｉｔｉｏｎ　ｔｉｍｅ）＝２　Ｓ，他（Ｅｃｈｏ　ｔｉｍｅ）＝　３０　ｍｓ，反转角：用　Ａｎｇｌｅ＝９０。，层厚＝３　ｍｍ，层间距＝１　ｍｍ，视　野ＦＯＶ（Ｆｉｅｌｄ　ｏｆ　Ｖｉｅｗ）＝２４　ｃｍ，分辨率６４ｘ６４，层数３２，每一个　被试者，功能图像采集时间约为１０　ｍｉｎ。　高分辨率Ｔ１结构像参数如下：矢状位扫描，ＴＲ＝２　ｓ，阳＝　２．１３　ｍｓ，用　Ａｎｇｌｅ＝９。，层厚１　ｍｍ，ＦＯＶ＝２５６　ｍｍ，分辨率２５６ｘ　２５６，１７６层。　４数据预处理　采用ＳＰＭ５（Ｓｔａｔｉｓｔｉｃａｌ　Ｐａｒａｍｅｔｒｉｃ　Ｍａｐｐｉｎｇ，Ｗｅｌｃｏｍｅ　Ｄｅ—　ｐａｙｍｅｎｔ　ｏｆ　Ｃｏｇｎｉｔｉｖｅ　Ｎｅｕｒｏｌｏｇｙ，Ｌｏｎｄｏｎ，ＵＫ）软件包。首先消　除获取时间不同对图像的影响（ｓｌｉｃｅ　ｔｉｍｉｎｇ），其次头动校正　（ｒｅａｌｉｇｎ），然后将图像以Ｔａｌａｉｒａｃｈ空间【９１为标准进行空间标准　化（ｎｏｒｍａｌｉｚｅ），最后将图像与高斯函数（ＦＷＨＭ　８　ａｍ）进行平　滑（ｓｍｏｏｔｈ），得到预处理后的图像。　５统计参数图　ＳＰＭ原理【　呵以用线性方程表示为：　Ｘ＝Ｇｆｌ＋ｅ　（１）　ｘ为由元素‰构成的观测信号，每一个行向量代表一次扫描，　列向量表示对应某一个像素的所有扫描后的观测值。Ｇ为设计　矩阵，卢为参数矩阵，ｅ则为正态分布的误差矩阵。　ＳＰＭ需要将实验设计与传统血流动力学方程（Ｈｅｍｏｄｙ—　ｎａｍｉｃ　Ｒｅｓｐｏｎｓｅ　Ｆｕｎｃｔｉｏｎ，ＨＲＦ）卷积得到设计矩阵，根据　、Ｇ　得到参数卢的估计值，最后ｔ检验评价出每一个像素任务状态　是否与控制状态的脑激活程度产生较大差异，根据差异决定了　像素是否被激活。　通过对每个被试者建立广义线性模型，确定每个被试者执　行不同任务的激活区。将不同任务通过单样本检验ｏｎｅ　ｓａｍｐｌｅ　ｔ－ｔｅｓｔ），分别显示结果，显著性水平ｐ＜０．Ｏ５（ＦｗＥ）。结果　通过ＭＮＩ坐标转化成Ｔａｌａｉｒａｃｈ坐标，采用Ｔａｌａｉｒａｃｈ　ｃｌｉｅｎｔ软　件进行解剖定位。