新型统计计算方法在医学影像数据分析中的应用

This project is the application of statistical methods to medical image data, based on the data provided by the second Xiangya Hospital, Central South University. We will study it in the following aspects.(1) We want to propose a global way to analyze the brain network, and to find out the significant different links or circuit between patients and healthy controls. Considering such information as illness duration, positive and negative syndrome scale, we will analyse the cause of this difference. Because of not using the prior knowledge, this method is driven by data rather than by hypothesis, hence more reasonable. (2)Essentially, different brain regions make up a discrete Markov chain. We will study the dynamic properties of brain network and make improvement to the current clustering methods. (3)As different brain regions are not independent, some information will be discarded by using common two sample t tests to select significant features. We want to propose a new method to select the optimal subset of the brain regions at one time. We hope the features thus selected can be used to improve the classification accuracy considerably. (4) As the links of the brain are not unchangeable, we will construct the barin network by using time-varying Granger causality, consider the relevance between the brain network and the time, and compare the difference between patients' network and healthy controls' network in the aspects of both the strength and the direction.

本项目是统计方法在医学影像数据分析中的应用，基于中南大学湘雅医院提供的数据，拟从下列几个方面进行研究。（1）希望提出一种全局化的方法对大脑网络进行分析，从全脑角度寻找精神病患者和正常人之间存在显著差别的功能连接或回路，并结合患者的病程、病情严重程度等信息利用统计方法分析差别存在的原因,该方法是由数据直接驱动的，避免了先验知识的选择；(2）大脑的不同脑区可以看做是一个离散状态马氏链，我们将利用马氏链的性质研究大脑网络的动力学性质，对脑区的聚类方法进行改进；（3）由于大脑各脑区之间并不是独立的，以往利用独立双样本t检验的方法选择特征的时候会"淹没"一些信息，我们希望研究一种算法一次性将全部有用的特征提取出来，而这也有利于提高判别精度；(4)由于大脑连接网络不是一成不变的，我们将利用时变因果关系建立大脑模型，考虑脑区之间的关联性随时间变化的规律，并比较正常人和病人在连接强度和连接方向上的主要差异

本项目是统计方法在医学影像数据分析中的应用，基于中南大学湘雅医院、英国Nottingham大学等数据进行了下列几个方面进行研究，基本完成了预定的研究任务。（1）提出了一种全局化的方法对大脑网络进行分析，从全脑角度寻找精神病患者和正常人之间存在显著差别的功能连接或回路，并结合患者的病程、病情严重程度等信息利用统计方法分析差别存在的原因,该方法是由数据直接驱动的，避免了先验知识的选择；(2）我们利用马氏链的性质研究大脑网络的动力学性质，对脑区的聚类方法进行改进，将大脑脑区分成6大类，我们发现精神分裂症病人与正常人相比最主要的差异在注意网络；（3） 我们对现有的分类方法进行了改进，以更高的准确率区分病人和正常人； (4) fMRI数据中的噪声与信号相关。为了更准确地估计信号之间的内在联系，我们提出了时空Granger因果关系的概念。在这个框架内，因果关系重新定义为两个具有时变特性的时间序列之间的直接信息流的整体指标。理论和数据模拟的结果显示，我们的方法提供了一种从fMRI, EEG以及其他相关数据进行因果分析的更鲁棒以及通用的方法。