一种fmri数据的快速降噪方法研究【字数：14769】
摘 要随着科学技术的进步，人们更加热衷于对大脑的研究。功能磁共振成像（functional Magnetic Resonance Imaging, fMRI）凭借其自身对人体的无害性及高分辨率、对比率等优势，已逐渐成为探测人脑功能信号与研究人脑功能认知的重要方式；另外，由于设备、操作和环境等因素，人们获取的fMRI数据往往包含大量噪声。因此采用有效快速的方法，对包含噪声的fMRI数据进行提取，成为大脑信号分析的必要环节。为了获取有用信号，提高数据后续处理的效率，在处理fMRI数据之前，会对数据进行平滑处理，从而分析大脑局部区域的激活特征或连通模式。但这一操作往往会导致脑区重要功能结构的丢失。因此，为了尽可能保留原fMRI数据的空间结构，减轻噪声对数据的影响，提高聚类的结果，本文在传统聚类分析FCM算法和皮尔逊相关系数的基础上，提出了分层数据快速去噪机制，该机制主要分为两层，第一层去除脑区中孤立的体素，第二层则是去除脑区中孤立的立方体，以此达到数据快速去噪的目的。
Key Words: fMRI data; Pearson correlation coefficient; fuzzy cmeans; denoising 目 录
1. 绪论 1
1.1 研究背景及意义 1
1.2 研究现状以及发展前景 2
1.3 本文内容及结构 2
2. fMRI原理及数据去噪方法 4
2.1 fMRI基本原理 4
2.2 传统的fMRI数据分析及去噪方法 5
2.2.1 广义线性模型（GLM） 5
2.2.2 fMRI数据传统去噪方法介绍 6
2.3 fMRI数据去噪辅助工具 7
2.3.1 MATLAB及相关组件 7
2.3.2 MRIcro软件 7
2.4本章小结 7
3. 基于聚类fMRI数据的分层数据去噪机制 8
3.1 引言 8
3.2 模糊C均值聚类（FCM） 8
3.3 数据采集及处理 9
3.4 两层去噪流程 10
3.4.1 第一层数据去噪 11
3.4.2 第二层数据去 *好棒文|www.hbsrm.com +Q: ￥351916072$
噪 12
3.5 数据处理结果与分析 13
3.5.1 处理结果 13
3.5.2 结果分析 20
3.6 本章小结 21
结束语 22
参考文献 23
致谢 24
绪论
1.1 研究背景及意义
大脑作为人体最重要的器官，控制人体的正常功能活动，由于大脑的神秘性人类对其充满了未知与好奇，因此探索其中的秘密是人类现在亦或将来都是医学研究必不可少的课题。fMRI（function magnetic resonance imaging,fMRI）作为非侵入性工具之一，它的出现可以让人类放心地研究和有效探寻大脑的信息，而无需担心会对被测试者造成多大的副作用[1]。人脑的功能在空间上是分布在大脑皮层的[2]，fMRI尽管作为非介入技术的一种，但它可以精准定位在大脑进行特定活动时所涉及的皮层区域，并且可以多种方式对目标物体反复扫描，同时它也可以实时监测到信号的改变，因此我们完全可以借助这一手段预防或确定某一疾病，提出对应的解决对策是具有重大意义的。
随着科技的发展和进步，我们已然进入了大数据时代，而由于大脑脑区体素量的巨大，在各种数据挖掘技术中，功能磁共振成像（fMRI）也是其中之一。功能磁共振成像又具备对比率高、对人体没有太大损伤、非侵入性的特点，成为探测人脑信号与研究神经影像的一种重要方式[2,3]。但是由于设备精确度、环境复杂性以及工人的操作误差等外部或内部的因素，我们在提取有效信息时，经常会受到各种因素导致的随机噪声干扰，这对后期处理和分析数据的造成不小的麻烦。如何快速地进行去噪，降低噪声的影响，准确提取有用信息则是本文的研究方向。为了在嘈杂的数据中检测到十分微小的可用信号，通常会对fMRI数据预处理阶段进行头动校正或平滑处理等传统的去噪方法，目前经常使用的就是平滑处理，但平滑处理虽然去除了大部分的噪声，但也造成了大脑内部一些细微有用的结构信息丢失，尤其是相邻区域间的功能连接部分，经常会被误认为噪声而被删除[3]，因此提出一种有用快速的去噪方法取代传统的去噪方式是至关重要的。
在数据去噪过程中，聚类也是数据提取研究的重要课题之一。因此有效利用聚类算法也是处理fMRI数据，探索脑区功能活动区域的重要方式。利用聚类算法，不仅可对所获得原始的fMRI数据进行过滤、提取、分类，并在有效去除噪声体素的同时，提高各个类的聚合度，优化数据处理的效果。而在各种聚类算法中，FCM聚类是比较经典的算法之一，FCM聚类可对不同对象的相似度进行度量，并结合多体素度量的RV系数，现如今已发展成多变量聚类分析方法之一，而且更加高效快速[17]。因此研究一种快速去噪方法少不了与该技术的结合。
1.2 研究现状以及发展前景
在神经病学中，当大脑受到某种刺激（特别是各种认知活动，如视力和运动）时，皮层神经元会相应地做出反应，因为它们是基于大脑皮层结构。故而研究脑结构与功能的相关性成为当前脑科学研究的首要课题。多年来，人们一直尝试以图像的形式展示大脑中的具体结构或组织区域，核磁共振成像（MRI）就是此中技术之一。作为近来十年才发展起来的影像技术之一的功能性核磁共振成像（fMRI），便是在磁共振成像技术的基础之上，旨在反应人体各个器官的功能状态，虽然fMRI技术在国内发展晚，技术也有很多不成熟的地方，但其不仅在医疗领域有着至关重要的地位，在科研方面也凭借自身的优点成为不可取代的一部分[3]。
目前，灌注加权磁共振成像技术、弥散加权磁共振成像技术、磁共振波谱以及血氧水平依赖磁共振成像技术是较为普遍使用的四种主要的功能性磁共振成像技术。其中，fMRI的实现主要依附的就是血氧水平磁共振成像技术，其主要原理：利用磁铁和核磁共振成像（MRI），当某个脑区被激活时，这部分就会需要更多的氧气，fMRI将会跟踪其轨迹，从而画出相应的运动图像。其实机器扫描人的头部的目标就是以提取大脑中血液所含氧气量发生的细微变化[12]。fMRI脑功能数据当前主要分为两种，一种是静息态数据，即要求在机器扫描时被测试者平躺，没有明显的外在认知任务，什么也不想，只是简单的闭眼或睁眼；另一种则是任务状态数据类型，它为受试者提供刺激信号并观察被测者的大脑活动数据[15]。这两种数据，无论是静态还是任务态数据，在数据处理分析时总会受到各种不可控因素的干扰，从而影响实验结果。所以我们在处理fMRI数据前会先进行头动校正、时间校正、标准化、高斯平滑[4]等与处理，以达到去噪的目的，虽然经过这些预处理后，大部分噪声会被约简掉，但脑区部分角落或细微连接处可能会被保留或误删，造成脑部信息的缺失或影响后续数据的处理。因此，研究合适的去噪方法是时代的必然。
Key Words: fMRI data; Pearson correlation coefficient; fuzzy cmeans; denoising 目 录
1. 绪论 1
1.1 研究背景及意义 1
1.2 研究现状以及发展前景 2
1.3 本文内容及结构 2
2. fMRI原理及数据去噪方法 4
2.1 fMRI基本原理 4
2.2 传统的fMRI数据分析及去噪方法 5
2.2.1 广义线性模型（GLM） 5
2.2.2 fMRI数据传统去噪方法介绍 6
2.3 fMRI数据去噪辅助工具 7
2.3.1 MATLAB及相关组件 7
2.3.2 MRIcro软件 7
2.4本章小结 7
3. 基于聚类fMRI数据的分层数据去噪机制 8
3.1 引言 8
3.2 模糊C均值聚类（FCM） 8
3.3 数据采集及处理 9
3.4 两层去噪流程 10
3.4.1 第一层数据去噪 11
3.4.2 第二层数据去 *好棒文|www.hbsrm.com +Q: ￥351916072$
噪 12
3.5 数据处理结果与分析 13
3.5.1 处理结果 13
3.5.2 结果分析 20
3.6 本章小结 21
结束语 22
参考文献 23
致谢 24
绪论
1.1 研究背景及意义
大脑作为人体最重要的器官，控制人体的正常功能活动，由于大脑的神秘性人类对其充满了未知与好奇，因此探索其中的秘密是人类现在亦或将来都是医学研究必不可少的课题。fMRI（function magnetic resonance imaging,fMRI）作为非侵入性工具之一，它的出现可以让人类放心地研究和有效探寻大脑的信息，而无需担心会对被测试者造成多大的副作用[1]。人脑的功能在空间上是分布在大脑皮层的[2]，fMRI尽管作为非介入技术的一种，但它可以精准定位在大脑进行特定活动时所涉及的皮层区域，并且可以多种方式对目标物体反复扫描，同时它也可以实时监测到信号的改变，因此我们完全可以借助这一手段预防或确定某一疾病，提出对应的解决对策是具有重大意义的。
随着科技的发展和进步，我们已然进入了大数据时代，而由于大脑脑区体素量的巨大，在各种数据挖掘技术中，功能磁共振成像（fMRI）也是其中之一。功能磁共振成像又具备对比率高、对人体没有太大损伤、非侵入性的特点，成为探测人脑信号与研究神经影像的一种重要方式[2,3]。但是由于设备精确度、环境复杂性以及工人的操作误差等外部或内部的因素，我们在提取有效信息时，经常会受到各种因素导致的随机噪声干扰，这对后期处理和分析数据的造成不小的麻烦。如何快速地进行去噪，降低噪声的影响，准确提取有用信息则是本文的研究方向。为了在嘈杂的数据中检测到十分微小的可用信号，通常会对fMRI数据预处理阶段进行头动校正或平滑处理等传统的去噪方法，目前经常使用的就是平滑处理，但平滑处理虽然去除了大部分的噪声，但也造成了大脑内部一些细微有用的结构信息丢失，尤其是相邻区域间的功能连接部分，经常会被误认为噪声而被删除[3]，因此提出一种有用快速的去噪方法取代传统的去噪方式是至关重要的。
在数据去噪过程中，聚类也是数据提取研究的重要课题之一。因此有效利用聚类算法也是处理fMRI数据，探索脑区功能活动区域的重要方式。利用聚类算法，不仅可对所获得原始的fMRI数据进行过滤、提取、分类，并在有效去除噪声体素的同时，提高各个类的聚合度，优化数据处理的效果。而在各种聚类算法中，FCM聚类是比较经典的算法之一，FCM聚类可对不同对象的相似度进行度量，并结合多体素度量的RV系数，现如今已发展成多变量聚类分析方法之一，而且更加高效快速[17]。因此研究一种快速去噪方法少不了与该技术的结合。
1.2 研究现状以及发展前景
在神经病学中，当大脑受到某种刺激（特别是各种认知活动，如视力和运动）时，皮层神经元会相应地做出反应，因为它们是基于大脑皮层结构。故而研究脑结构与功能的相关性成为当前脑科学研究的首要课题。多年来，人们一直尝试以图像的形式展示大脑中的具体结构或组织区域，核磁共振成像（MRI）就是此中技术之一。作为近来十年才发展起来的影像技术之一的功能性核磁共振成像（fMRI），便是在磁共振成像技术的基础之上，旨在反应人体各个器官的功能状态，虽然fMRI技术在国内发展晚，技术也有很多不成熟的地方，但其不仅在医疗领域有着至关重要的地位，在科研方面也凭借自身的优点成为不可取代的一部分[3]。
目前，灌注加权磁共振成像技术、弥散加权磁共振成像技术、磁共振波谱以及血氧水平依赖磁共振成像技术是较为普遍使用的四种主要的功能性磁共振成像技术。其中，fMRI的实现主要依附的就是血氧水平磁共振成像技术，其主要原理：利用磁铁和核磁共振成像（MRI），当某个脑区被激活时，这部分就会需要更多的氧气，fMRI将会跟踪其轨迹，从而画出相应的运动图像。其实机器扫描人的头部的目标就是以提取大脑中血液所含氧气量发生的细微变化[12]。fMRI脑功能数据当前主要分为两种，一种是静息态数据，即要求在机器扫描时被测试者平躺，没有明显的外在认知任务，什么也不想，只是简单的闭眼或睁眼；另一种则是任务状态数据类型，它为受试者提供刺激信号并观察被测者的大脑活动数据[15]。这两种数据，无论是静态还是任务态数据，在数据处理分析时总会受到各种不可控因素的干扰，从而影响实验结果。所以我们在处理fMRI数据前会先进行头动校正、时间校正、标准化、高斯平滑[4]等与处理，以达到去噪的目的，虽然经过这些预处理后，大部分噪声会被约简掉，但脑区部分角落或细微连接处可能会被保留或误删，造成脑部信息的缺失或影响后续数据的处理。因此，研究合适的去噪方法是时代的必然。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzkxyjs/618.html
