武杰，余瑩，楊葉

1. 上海理工大學(xué)醫(yī)療器械與食品學(xué)院(上海, 200093)2. 伊士通(上海)醫(yī)療器械有限公司(上海 200093)

0 引言

在磁共振成像采集過程中，各種不同的生理和功能信息構(gòu)成了最終的功能磁共振圖像信號，按功能磁共振成像時間序列信號的不同信息來源，這些信號可以稱為不同成分的源信號，這些源信號經(jīng)過成像系統(tǒng)轉(zhuǎn)換后，形成了最終的磁共振時間序列信號[1]。對于一次磁共振成像過程來說，實驗刺激的人體反應(yīng)信息，隨機(jī)信號，微小的不自主運動信號，掃描噪聲等等，這些信息來源都會形成并影響到最終的磁共振圖像質(zhì)量。如何從獲得的時間序列信號中分離出源信號，本質(zhì)上是一個盲源分離的問題[2]，而獨立成分分析(ICA)方法的主要作用，就是分析并尋求解決盲源分離問題。

獨立成分分析方法在眾多領(lǐng)域的應(yīng)用一直在不斷發(fā)展 ，近些年獨立成分分析的方法在醫(yī)學(xué)圖像處理中的應(yīng)用越來越深入 。 2001年吳小培等提出了用獨立成分分析的方法進(jìn)行生物醫(yī)學(xué)信號中工頻干擾信號的消除方法 ：王娟等介紹了如何運用獨立成分分析方法 ，有效地抑制 fMRI 圖像中的隨機(jī)噪聲及生理信號 ：此外 ，運用 ICA 方法對腦部 fMRI 數(shù)據(jù)進(jìn)行處理的發(fā)展也十分快速 ，2003年鐘明軍等運用 SICA 實現(xiàn)了 fMRI 信號的盲源分離 。 而針對不同任務(wù)態(tài)的研究 ，如運動知覺 、神經(jīng)疾病以及情感狀態(tài)等 ，研究者開發(fā)改進(jìn)了不同的算法 。 2012年 Eugene P. 等為了更深入地解碼大腦信息 ，提出將用于分類的機(jī)器學(xué)習(xí)方法與獨立成分分析算法相結(jié)合 ，即基于 “ 多體素模式分析 ” 的獨立成分分析方法 ，并將其應(yīng)用于任務(wù)態(tài)的 fMRI 影像數(shù)據(jù)的分析中 。 以上研究都驗證了整體獨立成分分析方法在功能磁共振數(shù)據(jù)處理中的優(yōu)秀性能 ，但在數(shù)據(jù)分析階段 ，對于如何具體確定和選取各個獨立成分的方法鮮有討論[ 3 ]。 在大多數(shù)文獻(xiàn)中 ，作者是根據(jù)經(jīng)驗知識或者臨床知識來選取獨立成分 ，而缺乏具體的數(shù)據(jù)依據(jù)和選取參數(shù)來支撐 。因此 ，如果采用更加客觀統(tǒng)計參數(shù)數(shù)據(jù)來作為獨立成分的選取標(biāo)準(zhǔn) ，那么結(jié)果分析將會更加科學(xué)客觀[ 4 ]，本文就是將時間多元回歸系數(shù) 、激活強(qiáng)度數(shù)值和信號響應(yīng)的時間進(jìn)程圖結(jié)合 ，制定選取和識別獨立成分的標(biāo)準(zhǔn) ，從功能磁共振信號中分別提取任務(wù)相關(guān)獨立成分 、類似周期信號獨立成分 、頭動信號獨立成分等 ，有助于將獨立成分分析方法更深入地應(yīng)用到功能磁共振圖像的處理當(dāng)中 。

1 實驗與方法

1.1 數(shù)據(jù)獲取

本文數(shù)據(jù)采集實驗中采用的成像序列是平面回波序列，磁共振序列掃描視野大小設(shè)為 64×64 mm。本實驗采用中央帶有十字的黑色圖片，作為視覺刺激來源，實驗對象借助一臺 LCD 投影儀，將視覺刺激圖片通過鏡面投射于實驗對象的視野之內(nèi)，在視區(qū)右側(cè)和左側(cè)分別投射，每次持續(xù)時間25 s，然后再投射背景圖片，持續(xù)時間 5 s，整個視覺刺激實驗?zāi)Ｊ饺鐖D1所示。實驗過程中，要求實驗對象在看到視覺刺激圖片時，用與顯示圖片同一側(cè)的大拇指，依次觸碰該側(cè)手部的其余4個手指，從而來完成該視覺運動任務(wù)。

圖1 視覺刺激實驗?zāi)Ｊ紽ig.1 Visual stimulation experimental paradigm

1.2 快速不動點算法

本文采用快速不動點算法(FastICA)來處理視覺任務(wù)態(tài)功能磁共振數(shù)據(jù)。FastICA算法是屬于極大化非高斯性的ICA估算方法[5-6]，在估計過程中，要使非高斯性極大，本文引入峭度的概念來作為非高斯性的判定標(biāo)準(zhǔn)，就是要使峭度絕對值或平方值極大，其中峭度的梯度可以表示為：

4sign(Kurt(wTz))[E{z(wTz)3}-3w‖w‖2]

(1)

在實際計算過程中，Kurt表示峰值計算，期望值用相應(yīng)的估計值替代，且計算中‖ω‖=1的條件恒滿足，可得：

w←[E{(wTz)3-3w}]

(2)

每次不動點迭代后都實行這樣的計算過程,最后收斂的向量 會以

線性組合的形式得出一個獨立成分[7-8]。最終，利用FastICA算法對視覺任務(wù)態(tài)功能磁共振數(shù)據(jù)處理后，可得到各獨立成分的多元回歸系數(shù)圖和時間進(jìn)程圖，再結(jié)合激活強(qiáng)度和臨床知識，可選取識別出各個獨立成分。

2 結(jié)果

2.1 任務(wù)相關(guān)的獨立成分

對于fMRI信號的分析來說，一個重要任務(wù)就是分析和提取與任務(wù)刺激相關(guān)的腦激活區(qū)域。有關(guān)研究表明，視覺任務(wù)的腦激活區(qū)域主要在枕葉。而任務(wù)相關(guān)的獨立成分的共同特點有：其時間多元回歸系數(shù)值應(yīng)較高； 時間進(jìn)程圖應(yīng)與預(yù)設(shè)的周期信號有較高的擬合性； 軸狀位圖像中空間激活度最高的部分應(yīng)集中在大腦的枕葉[9]；

(1)成分1和4的時間多元回歸系數(shù)最大，分別為0.853 38和0.734 62；

(2)成分1和4的時間進(jìn)程圖與預(yù)設(shè)的右眼和左眼的周期信號有較高的擬合性(如圖2、3所示)；

(3)根據(jù)成分1和4的軸狀位圖像(如圖4、5)，判斷成分1、4分別為右眼和左眼視覺任務(wù)獨立成分。

圖2 成分1時間進(jìn)程圖Fig.2 Component 1 time course map

圖3 成分4時間進(jìn)程圖Fig.3 Component 4 time course map

圖4成分1的軸狀位圖像圖5成分4的軸狀位圖像

Fig.4Axialimageofcomponent1Fig.5Axialimageofcomponent4

2.2 類似周期信號的獨立成分

觀察所獲取的獨立成分的時間進(jìn)程曲線，有的曲線呈現(xiàn)出近似周期形態(tài)，并且激活區(qū)在腦部比較大的動靜脈區(qū)域(如圖6所示)。圖6中的成分14，就可以看作類周期信號所對應(yīng)的獨立成分，如圖7所示，它的時間進(jìn)程曲線表現(xiàn)為每隔一段時間就會有一個峰值出現(xiàn)，而且該獨立成分對fMRI信號的貢獻(xiàn)表現(xiàn)為呈震蕩狀態(tài)的，所以可以將這類信號認(rèn)為是由心跳、呼吸或者血液流動等因素造成的類周期信號[10]。

2.3 頭動信號的獨立成分

實驗的過程中，掃描對象可能會做幅度較大的頭部動作，它的時間進(jìn)程曲線大致與成分18類似，如圖8所示。因為該頭動信號在腦圖譜上有反映，就是激活區(qū)域的偏移，所以在實際掃描中應(yīng)該盡量避免太強(qiáng)烈的頭動信號，否則就會影響對信號的正確分析。

圖6 成分14軸狀位圖像Fig.6 Axial image of component 14

圖7 成分14時間進(jìn)程圖Fig.7 Component 14 time course map

圖8 成分18軸狀位圖像Fig.8 Axial image of component 18

3 結(jié)論

雖然對獨立成分的分析，必須依靠多學(xué)科和多方面知識，來綜合研判分析、分類和解釋[11-12]，但就從本次實驗結(jié)果來看，至少我們可以總結(jié)出以下基本結(jié)論：首先，在宏觀上，我們借助獨立成分分析來判斷出哪些因素會對最終的fMRI信號形成貢獻(xiàn)，以及在圖像上的表現(xiàn)形式； 第二，通過對任務(wù)相關(guān)的獨立成分全面分析，可以幫助我們判斷整個實驗數(shù)據(jù)的可靠性以及整個實驗數(shù)據(jù)是否具有利用價值； 第三，通過對功能磁共振圖像的獨立成分的分析和提取，可以制定更有針對性的實驗方案，從而為研究人體功能信息和圖像信號信息帶來便利?？傮w而言，通過對fMRI信號進(jìn)行獨立成分分析，雖然可以從混迭信號中提取出與實驗刺激相關(guān)的生理活動信息，但是也需要同時識別和排除其他干擾信號形成的獨立成分。