基于稀疏性的fMRI脑功能连通性检测的若干关键问题研究

To solve the key issues in brain functional connectivity detection such as the large amount of analyzed data, the inaccurately estimated source number, the difficulty in weak functional signal detection, the degradation of the detected functional networks, etc., based on the sparsity property of fMRI brain function signals, the research work of this project will be carried out as follows: 1. retrieving the optimal sparse approximation set of the fMRI data with fully retaining the weak brain functional signal, to effectively achieve the data compression; 2. investigating the brain functional representative components generator, the complementary space generator of the representative components, the maximum-energy sparse principal component extractor and the super-Gaussian evaluator to accurately estimate the signal source number; 3. exploring the temporal-spatial sparse separation model, to enhance the ability to detect weak brain function signal; 4. studying the blind degradation kernel estimator and reconstructor of the brain functional networks, to eliminate or mitigate the detection degradation brought by a variety of pre-processing steps and other operations. Finally, the GPU-based parallel processing technology will be applied to realize a rapid fMRI brain functional connectivity detection platform. This proposed research project is expected to greatly improve the performance of the brain function connectivity detection, and further to play a significant role in fMRI technology applications.

为解决脑功能连通性检测中存在的数据分析量大、源信号个数估计不准确、弱信号难以有效检测、功能连通网络检测性退化等关键问题，本项目基于fMRI脑功能信号的稀疏性，开展如下研究工作：1、研究fMRI数据的最优稀疏近似集，在充分保护脑功能信号精细成分的前提下,实现对大数据量的有效压缩；2、研究脑功能成分代表向量生成器、代表向量补空间生成器、最大能量稀疏主成分提取器及超高斯性评价器，完成对fMRI数据中源信号个数的有效估计；3、研究基于时间域与空间域联合稀疏性的盲信号分离模型，提升对弱脑功能连通网络检测的能力；4、研究脑功能连通网络检测性退化盲核估计器及重建器，以消除或减轻多种预处理等操作所带来的检测性退化，恢复本来的脑功能连通网络。最后,基于GPU并行处理技术,实现快速的fMRI脑功能连通性检测平台。本项目的研究可望完善和发展脑功能连通性检测方法，对进一步发挥fMRI技术的重要作用将产生积极影响。

功能磁共振成像是一种新型的结合了功能、解剖和影像三方面信息的脑成像技术，在脑功能连通性检测及其应用中发挥着越来越重要的作用。为解决fMRI数据分析量大、源信号个数估计不准确、弱信号难以有效检测、功能连通网络检测性退化等关键问题，本项目将从神经元编码属性-稀疏性假设出发，研究和发展一些更加有效的脑功能连通性检测方法。基于此，主要开展了如下研究：.1、基于稀疏性假设，考虑不同受试者脑功能网络在稀疏度及功能整合能力差异性等因素，提出了一种新颖的稀疏字典学习分离模型SDLS。该模型针对现有方法的不足，对脑功能网络的稀疏度及功能整合属性进行自适应建模，在基于稀疏近似理论的空间域数据压缩算法、稀疏字典随机初始化、稀疏度与原子间互不一致性、脑功能网络重构等方面进行了创新，取得了优于传统ICA脑功能连通网络检测的性能及抗空间平滑性能，揭示了稀疏性对于fMRI信号分析的有效性及优越性；.2、针对稀疏性假设模型等数据驱动方法检测到的脑功能网络可重现性不强，容易受噪声影响等问题，提出了一种可以有效提高脑功能网络的质量与可重现性的BNEM模型。该模型首先设计了一种名为3DWNF滤波器，对具有神经生物学以及生物物理学意义的感兴趣成分进行降噪，其目标是在压制噪声的同时增强脑功能活动区域中信号，以提升感兴趣成分的信噪比。与此同时，基于SREA算法，进一步提升了脑功能网络统计参数图谱的可重现性；.3、针对现有fMRI盲信号分离模型缺乏有效利用稀疏性等内在隐含先验信息等情况，在fMRI单被试或多被试组数据中挖掘有效的先验知识，然后引入度量输出信号和先验信息之间近似度函数，在多目标优化框架的基础上，开发了多种基于时空域先验信息约束的新型脑功能连通性检测模型，显著提高了感兴趣成分的脑功能连通性检测能力。.本项目研究提出了SDLS、BNEM、CSTICA、SCTICA、SCGICAR、FastCICA、ARV-FWSC、GICA-IR等多种模型，不仅丰富和发展了脑功能连通性检测方法，还可望在脑神经认知、脑科疾病的诊断及心理健康评估等领域中得以广泛应用。