功能磁共振成像无监督模式分析方法及应用

To extract brain activity patterns of interest from functional MRI data is one of the biggest challenges in the methodology of brain imaging analysis. Multivariate pattern analysis can take advantage of multiple classification features simultaneously to analyze group differences, so it always performs better than univariate statistical analysis. Unsupervised pattern analysis approaches can discover homogeneous groups (called clusters) of similar samples within the data and flexibly determine the complex and unknown distribution or pattern of data within the input space when a priori labeling information is unavailable. To date, however, little attention has been paid to unsupervised pattern analysis methods of neuroimaging data. This research proposal will study the theories and methods of unsupervised pattern analysis, focusing on two-dimensional feature descriptors of fMRI-based cortical surface and multi-manifold learning for exploring low-dimensional intrinsic brain activity patterns from fMRI data, as well as multi-manifold clustering and maximal margin clustering algorithms for solving the clustering of high-dimensional fMRI data with low signal-to-noise ratio and complex distribution. Using the developed methods, we attempt to perform subtype analysis of psychiatric disorders. We expect to develop a general framework of unsupervised pattern analysis of fMRI data and discover the convergence and divergence of brain network mechanisms between schizophrenia and major depression, and neuroimaging-based evidence of some schizophrenic subtypes, as well as potential neuroimaging-based markers to predict outcome of medication in schizophrenia.

如何从功能磁共振成像(fMRI)中提取感兴趣的脑活动模式，是脑影像分析方法学研究最具有挑战性的课题之一。多变量模式分析方法可以同时利用多个变量来分析组间差异，比单变量统计学方法表现出更好的性能，而无监督模式分析方法可以在没有类别信息的情况下非常灵活地确定数据的复杂未知分布或模式。但是，目前fMRI无监督模式分析方法研究较少。本项目将开展fMRI无监督模式分析理论与方法研究，重点研究fMRI二维皮层表面特征描述、多流形学习等机器学习方法来提取fMRI数据中的低维本征模式，研究多流形聚类和最大间隔聚类等算法来解决低信噪比、数据复杂分布的fMRI数据聚类问题，并围绕精神类疾病亚型分析的临床课题开展应用研究。期望建立fMRI无监督模式分析的一般性方法框架，找到精神分裂症和重度抑郁症脑网络机制的联系和区别，以及支持精神分裂症若干分型的影像学证据和可以预测精神分裂症患者药物治疗响应的潜在影像学标记。

如何从脑影像中提取感兴趣的模式，是脑影像分析方法学研究最具有挑战性的课题之一。无监督模式分析方法可以在没有类别信息的情况下非常灵活地确定数据的复杂未知分布或模式。本项目主要开展两个方面的研究，一是进行磁共振成像无监督模式分析的方法学研究，二是进行具体应用问题的研究，即多类精神疾病无监督模式分析和影像学亚型分析。本项目依照项目计划书开展研究，顺利完成了计划任务，实现了预期目标。总体来讲，方法学方面：提出了一种基于皮层顶点云的脑皮层局部形态特征描述方法以克服MRI机器型号与参数差异问题；提出了一种基于网络特征熵定量刻画脑功能网络的方法以探索脑网络发展规律；提出了一种大脑fMRI成像成组典型相关分析方法，解决了脑网络可重叠性问题；提出了一种时频结合的多变量格兰杰因果连接分析方法；提出了一种低维嵌入与聚类联合学习的脑区无监督剖分方法；构建了一种充分利用增强特征的安全分类框架。临床应用研究方法：研究了精神分裂症和重度抑郁症的脑功能网络连接模式差异；揭示了精神分裂症患者“精神分裂”潜在的脑网络机制；研究了精神分裂症幻听与非幻听亚型患者脑功能连接偏侧化模式差异；构建了基于概率型体素级解剖结构连接模式的无监督脑区划分框架实现人脑海马体的无监督精细划分，基于解剖结构连接模式实现了对左、右侧颞叶癫痫亚型患者的分类识别；研究了糖尿病患者不同阶段的默认网络连接模式，为糖尿病型脑损伤的早期干预与治疗提供了影像学证据。.本项目在NeuroImage, Epilepsia, IEEE系列等国际权威SCI期刊发表论文18篇，授权国家发明专利4项、软件著作权登记2项。培养博士毕业生1名、硕士毕业生5名。项目负责人获基金委优秀青年科学基金和霍英东青年教师基金资助，入选湖湘青年科技创新英才，获湖南省自然科学奖一等奖。参加OHBM、NetSciX、中国系统科学大会等国内外会议学术交流，多次受邀做专题报告。项目的研究成果将为神经精神疾病影像学辅助诊断、人员选拔与认知评估等应用提供技术方法支撑和影像学证据。