买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：电子科技大学

摘要：本发明的目的在于提供一种基于图傅里叶分解的DTI‑fMRI动态映射分析方法，属于生物医学图像处理技术领域。该方法创新性地提取BOLD时间序列中每个时间窗的数据，对每个窗的数据进行傅里叶变换处理，得到每个时间窗内的SDI值，从而实现了对大脑结构功能耦合的动态变化的研究。

主权项：1.一种基于图傅里叶分解的DTI-fMRI动态映射分析方法，其特征在于，包括以下步骤：步骤1.采集某个被试在一段时间内的磁共振脑图像，获取DTI数据、T1数据和fMRI数据；步骤2.根据大脑图谱将大脑划分为N个区域，对该被试的DTI数据进行概率性示踪，计算该被试N个脑区之间的纤维束条数，基于该被试的T1数据计算该被试每个脑区的灰质体积，纤维束条数除以纤维束两端连接的脑区的灰质体积和来构造结构连接矩阵；步骤3.对fMRI数据进行预处理，基于预处理结果提取每个脑区的BOLD信号，设置滑动窗的窗宽和步长，获得该被试每个时间窗的BOLD信号；步骤4.将大脑表征成图的形式，其中，每个脑区作为一个节点，结构连接作为边，将步骤2得到的结构连接矩阵定义为邻接矩阵A，并构建对称归一化图拉普拉斯算子L，作为图算子来捕捉大脑结构连接的模式； 其中，D为度矩阵，其对角线的值为每个节点的度，I为单位矩阵；然后对归一化图拉普拉斯算子L进行特征分解，LU＝UΛ2其中，Λ包含特征值λk的对角矩阵，U为特征向量矩阵，即U＝[uk]k＝1,...,N，uk为第k个特征值λk对应的特征向量，N是脑区个数；步骤5.将特征向量作为图傅里叶变换的基，对每个时间窗的BOLD信号进行图傅里叶变换，将每个时间窗的BOLD信号st从空间域转换到谱域，变换公式如式3； UT为特征向量矩阵U的转秩，为BOLD信号st的估计；步骤6.对进行图信号滤波，将滤波后的信号分解为具有不同频率的两部分，低图频率成分表示信号相对于大脑结构变化缓慢，即耦合成分，如公式4所示，高图频率成分表示信号相对于结构变化剧烈，即去耦合成分，如公式5所示； 其中，Ulow为特征向量矩阵U的前C个特征向量和N-C列0构成，Uhigh为特征向量矩阵U的前C列0以及U的后N-C个特征向量；C为截止cut-off频率，即将平均能谱密度划分为具有相等能量的两部分的频率；步骤7.基于耦合成分和去耦合成分构建结构功能耦合性指标Structural-decouplingindex,SDI， ||||表示跨时间的L2范数；负SDI值表征了结构和功能的耦合性，正SDI值表征了结构和功能的去耦合性；步骤8.重复步骤4至步骤7，获得该被试每个脑区所有时间窗的SDI值，基于每个脑区所有时间窗的SDI值计算每个脑区SDI时间序列的标准差，标准差的值越大表示该脑区的结构功能耦合性的动态变化程度越高。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于图傅里叶分解的DTI-fMRI动态映射分析方法