基于多尺度特征提取的t 檢驗(yàn)方法分析fMRI數(shù)據(jù)

支聯(lián)合 周文剛 譚素敏

1(周口師范學(xué)院植物遺傳與分子育種重點(diǎn)實(shí)驗(yàn)室, 河南 周口 466001)2(周口師范學(xué)院計(jì)算機(jī)科學(xué)學(xué)院, 河南 周口 466001)3(周口師范學(xué)院校醫(yī)院, 河南 周口 466001)

基于多尺度特征提取的t檢驗(yàn)方法分析fMRI數(shù)據(jù)

支聯(lián)合1*周文剛2譚素敏3

1(周口師范學(xué)院植物遺傳與分子育種重點(diǎn)實(shí)驗(yàn)室, 河南 周口 466001)2(周口師范學(xué)院計(jì)算機(jī)科學(xué)學(xué)院, 河南 周口 466001)3(周口師范學(xué)院校醫(yī)院, 河南 周口 466001)

采用基于多尺度特征提取的相關(guān)分析方法來(lái)分析fMRI數(shù)據(jù)性能優(yōu)良，但需要已知實(shí)驗(yàn)響應(yīng)信號(hào)的精確波形，因此適用范圍受到限制。研究基于多尺度特征提取的t檢驗(yàn)新方法分析fMRI數(shù)據(jù)，以利用前者去噪徹底和后者不需要已知實(shí)驗(yàn)響應(yīng)信號(hào)的特性，并用視覺(jué)fMRI組塊型和事件相關(guān)型試驗(yàn)進(jìn)行性能驗(yàn)證，且與基于多尺度特征提取的相關(guān)分析和目前權(quán)威的SPM8方法進(jìn)行對(duì)比。分析結(jié)果顯示，3種方法檢測(cè)的激活區(qū)位置相同，但激活體素個(gè)數(shù)分別是2945、3811和1454。結(jié)果表明，由于綜合了多尺度特征提取與t檢驗(yàn)各自的優(yōu)點(diǎn)，新方法的適用范圍較基于多尺度特征提取的相關(guān)分析更廣，分析性能較SPM8更好。

小波變換；特征提??；功能磁共振成像；t-檢驗(yàn)；數(shù)據(jù)分析

引言

設(shè)計(jì)性能優(yōu)良的數(shù)據(jù)分析方法，是充分發(fā)揮fMRI技術(shù)探索人腦功能[1]的重要條件。通常， 根據(jù)是否需要已知實(shí)驗(yàn)響應(yīng)信號(hào)(paradigm responsive signal, PRS)這一標(biāo)準(zhǔn)，fMRI數(shù)據(jù)分析方法可分為模型驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)兩類，其中前者需要PRS?，F(xiàn)有方法中，基于一般線性模型(generalized linear model, GLM)的統(tǒng)計(jì)參數(shù)圖(statistical parametric mapping, SPM)[2]是公認(rèn)的權(quán)威方法之一，其分析結(jié)果常作為“金標(biāo)準(zhǔn)”，目前最成熟的版本是SPM8。

小波變換是現(xiàn)代信號(hào)分析技術(shù)之一，在fMRI數(shù)據(jù)干擾去除和激活檢測(cè)等生物醫(yī)學(xué)信號(hào)處理中有著廣泛的應(yīng)用[3-4]。比如，利用閾值法去除fMRI數(shù)據(jù)里的高頻噪聲[5]，基于多尺度分析特性去除fMRI數(shù)據(jù)里的低頻漂移[6]，在小波域檢測(cè)激活[7]，等等。

上述方法[2, 5-7]雖各有優(yōu)點(diǎn)，但都不能同時(shí)去除高頻噪聲和低頻漂移。為此，筆者設(shè)計(jì)了多尺度特征提取方法(multiscale feature extraction, MFE)，同時(shí)去除這兩種性質(zhì)不同的干擾成分[8]。但是，方法中用來(lái)檢測(cè)激活的相關(guān)分析需要已知PRS的精確波形,許多fMRI試驗(yàn)無(wú)法滿足這一條件[9]，應(yīng)用上受到限制。鑒于此，本課題利用視覺(jué)fMRI組塊型和事件相關(guān)型試驗(yàn)研究基于MFE的t檢驗(yàn)方法，以拓展MFE的適用范圍。為簡(jiǎn)單，文中將新方法稱為wttest，原有利用相關(guān)分析的MFE方法稱為wcor。

1 材料和方法

1.1 視覺(jué)fMRI試驗(yàn)數(shù)據(jù)

本研究采用文獻(xiàn)[8]的數(shù)據(jù)。兩名被試分別參加了視覺(jué)組塊型和事件相關(guān)型試驗(yàn),均簽署知情同意書。組塊型任務(wù)刺激為棋盤格閃光(持續(xù)10 s，頻率8 Hz)，靜息刺激為空白屏幕。分別在試驗(yàn)第82、122、162 和202 s給予任務(wù)刺激，其余時(shí)間靜息。1.5 T Siemens 掃描機(jī)共獲取全腦120幀BOLD/EPI 圖像，每幀圖像大小為64×64×20體素，體素大小3.4 mm×3.4 mm×6 mm(層間距1.2 mm)。掃描重復(fù)時(shí)間2 s，事件相關(guān)型試驗(yàn)的任務(wù)刺激持續(xù)時(shí)間2 s，其余與組塊型相同。

在分析前，上述數(shù)據(jù)用SPM8進(jìn)行了格式轉(zhuǎn)換、運(yùn)動(dòng)校正、標(biāo)準(zhǔn)化到MNI解剖空間和高斯空間平滑(半高寬9 mm×9 mm×12 mm)等預(yù)處理。

1.2 方法

1.2.1 基于MFE的t檢驗(yàn)方法

基于MFE的t檢驗(yàn)方法，即wttest，與文獻(xiàn)[8]的wcor相仿，包括3個(gè)步驟。

步驟1：構(gòu)造特征提取矩陣。先由Matlab軟件小波變換深度函數(shù)，根據(jù)體素?cái)?shù)據(jù)長(zhǎng)度，計(jì)算變換深度參數(shù)，將此參數(shù)加1作為小波變換深度J。再構(gòu)造行數(shù)和列數(shù)都等于體素?cái)?shù)據(jù)長(zhǎng)度的單位矩陣，對(duì)矩陣每一列分別進(jìn)行J級(jí)小波分解、剔除最高頻(高頻噪聲)及最低頻尺度(低頻漂移)、小波重構(gòu)共3項(xiàng)運(yùn)算，得到特征提取矩陣。

步驟2：特征提取，即去除體素?cái)?shù)據(jù)里的干擾。將fMRI數(shù)據(jù)排成矩陣形式，其中每個(gè)體素時(shí)間序列數(shù)據(jù)構(gòu)成矩陣的一列，與特征提取矩陣相乘。

步驟3：t檢驗(yàn)。去除干擾后，將體素時(shí)間序列數(shù)據(jù)中分別對(duì)應(yīng)任務(wù)狀態(tài)和靜息狀態(tài)的數(shù)據(jù)點(diǎn)進(jìn)行雙樣本t檢驗(yàn)，并將得到的t值用SPM8軟件自帶函數(shù)轉(zhuǎn)化為Z值。

顯然，新方法不涉及PRS的具體波形。

1.2.2 視覺(jué)試驗(yàn)數(shù)據(jù)處理

除wttest外，筆者還用wcor和SPM8分析以進(jìn)行對(duì)比。為理解上的方便，按SPM8、wcor和wttest的順序闡述處理流程。

SPM8采用該軟件提供的標(biāo)準(zhǔn)流程，先用實(shí)驗(yàn)刺激函數(shù)與雙伽馬函數(shù)模擬的血液動(dòng)力學(xué)函數(shù)卷積獲得PRS，基于離散余弦變換用缺省的1/128 Hz的截止頻率去除低頻漂移。再用GLM建模，估計(jì)超參數(shù)及參數(shù)，用t檢驗(yàn)逐體素地計(jì)算任務(wù)與靜息兩狀態(tài)的t值。最后用該軟件自帶函數(shù)，將t值轉(zhuǎn)化為Z值。

關(guān)于wcor的詳細(xì)闡述見(jiàn)文獻(xiàn)[8]。首先，對(duì)比PRS的頻譜和PRS分解到各個(gè)小波尺度的頻譜，確定PRS存在于哪些平穩(wěn)小波尺度，即特征尺度；文獻(xiàn)[8]基于sym10小波確定為d1234，這樣就剔除了低頻漂移尺度a4。其次，對(duì)單位矩陣的每一列提取d1234里的成分，構(gòu)建特征提取矩陣。再次，用特征提取矩陣與排成矩陣形式的體素?cái)?shù)據(jù)相乘，去除低頻干擾成分。最后，將PRS與特征提取矩陣相乘，再與去除了低頻干擾的體素?cái)?shù)據(jù)進(jìn)行相關(guān)分析，通過(guò)Fisher’s Z變換將相關(guān)系數(shù)轉(zhuǎn)化為Z值。

因與wcor對(duì)比，故wttest也采用sym8小波和平穩(wěn)小波變換，然后依據(jù)本文1.2.1節(jié)方法分析數(shù)據(jù)。其中，構(gòu)造特征提取矩陣時(shí)計(jì)算得到J=4，但沒(méi)有剔除最高頻尺度d1，這樣對(duì)wcor和SPM更公平，因?yàn)橐捕紱](méi)有去除這種噪聲。t檢驗(yàn)時(shí)，雖然組塊型試驗(yàn)任務(wù)刺激在第41～45、61～65、81～85、101～105次掃描時(shí)呈現(xiàn)，但考慮到血液動(dòng)力學(xué)響應(yīng)的延遲，而且PRS是刺激函數(shù)與血液動(dòng)力學(xué)函數(shù)卷積的結(jié)果，因此任務(wù)樣本數(shù)據(jù)點(diǎn)選取為42～49、62～69、82～89、102～109。同樣，事件相關(guān)型數(shù)據(jù)的任務(wù)樣本點(diǎn)選取為42～45、62～65、82～85和102～105。

為判斷激活，需要選擇一定的顯著性水平作為閾值。由于組塊型刺激的激活強(qiáng)度和范圍較事件相關(guān)型為大，故前者選定閾值為P< 0.001，后者為P< 0.05。因多重統(tǒng)計(jì)檢驗(yàn)的原因，這些閾值都由SPM8基于高斯隨機(jī)場(chǎng)理論修正。為了直觀，按放射學(xué)約定的方式，隨機(jī)選取視覺(jué)皮層所在的軸向坐標(biāo)z=-8 mm、-4 mm和0 mm上的激活體素顯示在MNI解剖圖上。在本研究中，運(yùn)算都以Matlab7.8軟件為平臺(tái)完成。

圖1 3種方法分析被試1組塊型數(shù)據(jù)的激活圖Fig.1 The activation maps generated by the three methods for the block-designed data of subject 1

2 結(jié)果

圖1和圖2顯示了3種方法分析2個(gè)被試組塊型數(shù)據(jù)的激活圖。由圖可知，3種方法檢測(cè)的激活區(qū)位置一樣，都在距狀溝、舌回等視覺(jué)區(qū)，因此特異度相同。但wcor檢測(cè)的最大，wttest次之，SPM8的最小。進(jìn)一步分析可知，體素個(gè)數(shù)分別為2 535、2 029和1 152，所以兩種MFE的方法較SPM8更靈敏。

圖3和圖4顯示了3種方法分析2個(gè)被試事件相關(guān)型數(shù)據(jù)的激活圖。同樣的結(jié)論也可以從這兩個(gè)圖中得出，但更明顯，因?yàn)閣cor和wttest檢測(cè)的激活體素個(gè)數(shù)分別是1 276和916，遠(yuǎn)多于SPM8的302。

圖4 3種方法分析被試2事件相關(guān)型數(shù)據(jù)的激活圖Fig.4 The activation maps generated by the three methods for the event-related data of subject 2

3 討論和結(jié)論

本研究表明，MFE顯著提高了后續(xù)統(tǒng)計(jì)方法分析fMRI數(shù)據(jù)的性能，因?yàn)榛谶@一方法的相關(guān)分析和t檢驗(yàn)遠(yuǎn)優(yōu)于SPM8。盡管3種方法都去除了低頻漂移，但SPM8依據(jù)的是離散余弦變換，變換的基函數(shù)是三角函數(shù)，其定義域?yàn)闊o(wú)窮大，沒(méi)有局域性質(zhì)，只適合分析穩(wěn)態(tài)信號(hào)。相反，MFE去除干擾依據(jù)的是小波變換，變換基函數(shù)是小波，具有局域特性，能夠精確捕捉非穩(wěn)態(tài)信號(hào)的瞬變信息，非常適合處理像fMRI這樣的非穩(wěn)態(tài)信號(hào)數(shù)據(jù)[3]。實(shí)際上，本研究中MFE還能非常容易地去除fMRI數(shù)據(jù)里的高頻噪聲，只需在構(gòu)造特征提取矩陣的同時(shí)剔除掉最高頻尺度d1，所以如果這樣的話，去除干擾的效果會(huì)更好。更重要的是，本研究給出的去除干擾的方法與文獻(xiàn)[8]的不同，選擇特征尺度不依賴PRS，既具有數(shù)據(jù)驅(qū)動(dòng)性質(zhì)，也是一個(gè)較為普適的方法，所以對(duì)于fMRI數(shù)據(jù)去除干擾這一重要課題具有一定的參考價(jià)值。

本研究還表明，在MFE去除干擾框架下，相關(guān)分析比t檢驗(yàn)的分析性能要好，因?yàn)槠潇`敏度更高。究其原因，t檢驗(yàn)需要準(zhǔn)確界定任務(wù)樣本和對(duì)照樣本的數(shù)據(jù)點(diǎn)。但對(duì)于fMRI試驗(yàn)，雖然實(shí)驗(yàn)刺激函數(shù)是方波，血液動(dòng)力學(xué)函數(shù)卻不是，因此兩者卷積后得到的PRS也不是，這樣就很難界定兩個(gè)樣本的數(shù)據(jù)點(diǎn)，從而影響t檢驗(yàn)的分析結(jié)果。相反，相關(guān)分析依賴于PRS的精確波形，通過(guò)血液動(dòng)力學(xué)函數(shù)與實(shí)驗(yàn)刺激函數(shù)卷積在數(shù)學(xué)上很容易實(shí)現(xiàn)，因?yàn)閷?shí)驗(yàn)刺激函數(shù)是方波，任務(wù)刺激時(shí)間點(diǎn)和靜息時(shí)間點(diǎn)能根據(jù)實(shí)驗(yàn)設(shè)計(jì)精確界定。盡管如此，由于t檢驗(yàn)不需要PRS，所以能夠處理無(wú)法模擬PRS波形的fMRI試驗(yàn)數(shù)據(jù)，而相關(guān)分析和SPM8對(duì)此則無(wú)能為力。而且，正如所驗(yàn)證的那樣，由于基于MFE良好的去干擾性能,t檢驗(yàn)方法檢測(cè)激活體素的性能優(yōu)于SPM8。所以，MFE去噪框架下的相關(guān)分析和t檢驗(yàn)互有優(yōu)缺點(diǎn)，需要在實(shí)際中針對(duì)具體問(wèn)題，選擇最合適的方法。

此外，還需要指出的是，雖然本方法分析fMRI數(shù)據(jù)不需要PRS，因此具有數(shù)據(jù)驅(qū)動(dòng)性質(zhì)，但仍然需要用已知實(shí)驗(yàn)刺激函數(shù)，以確定任務(wù)樣本數(shù)據(jù)點(diǎn)和對(duì)照樣本數(shù)據(jù)點(diǎn)，因此不是完全意義上的數(shù)據(jù)驅(qū)動(dòng)方法。還有，MFE會(huì)出現(xiàn)混頻現(xiàn)象[10]，而這一現(xiàn)象對(duì)t檢驗(yàn)分析結(jié)果的影響有待研究。最后，本研究通過(guò)t檢驗(yàn)檢測(cè)激活體素，而正如上一段討論的那樣，怎樣界定最優(yōu)的任務(wù)樣本數(shù)據(jù)點(diǎn)和對(duì)照樣本數(shù)據(jù)點(diǎn)也是需要解決的關(guān)鍵問(wèn)題。所以，本研究還有進(jìn)一步改進(jìn)的空間。

總之，本研究利用MFE去噪徹底和t檢驗(yàn)方法檢測(cè)激活體素不需要PRS精確波形的優(yōu)點(diǎn)，將兩者組合起來(lái)分析fMRI數(shù)據(jù)，設(shè)計(jì)了一種具有數(shù)據(jù)驅(qū)動(dòng)性質(zhì)的新方法。新方法的適用范圍較基于MFE的相關(guān)分析方法更廣，分析性能較權(quán)威方法SPM8更好，而且去噪方法對(duì)于fMRI數(shù)據(jù)分析具有普適性。

[1] 堯德中, 羅程, 雷旭, 等. 腦成像與腦連接 [J]. 中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào), 2011, 30(1): 6-10.

[2] Friston KJ, Holmes AP, Worsley KJ,etal. Statistical parametric maps in functional imaging: a general linear approach [J]. Hum Brain Mapping, 1995, 2(4):189-210.

[3] Bullmore E, Fadili J, Maxim V,etal. Wavelets and functional magnetic resonance imaging of the human brain [J]. NeuroImage, 2004, 23(1): S234- S249.

[4] 王永軒, 邱天爽, 劉蓉. 基于小波分析方法的腦電誘發(fā)電位單導(dǎo)少次提取 [J]. 中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào), 2011, 30(1): 34-39.

[5] Wink AM, Roerdink JBTM. Denoising functional MR images: a comparison of wavelet denoising and Gaussian smoothing [J]. IEEE Trans Med Imaging, 2004, 23 (3): 374- 387.

[6] Meyer FG. Wavelet-based estimation of a semiparametric generalized linear model of fMRI time-series [J]. IEEE Trans Med Imaging, 2003, 22(3):315-322.

[7] Van De Ville D, Seghier ML, Lazeyras F,etal. WSPM: wavelet-based statistical parametric mapping [J]. NeuroImage, 2007, 37(4): 1205-1217.

[8] 支聯(lián)合, 譚素敏, 支羽光. 基于快速平穩(wěn)小波變換的特征提取方法分析fMRI數(shù)據(jù) [J]. 中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào), 2012, 31(4): 620-624.

[9] 白保東, 劉健, 郭紅宇. 基于獨(dú)立成分分析的時(shí)間自相關(guān)方法在功能磁共振激活區(qū)自適應(yīng)提取中的應(yīng)用 [J]. 中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào), 2014, 33(2): 194-201.

[10] 楊建國(guó). 小波分析及其工程應(yīng)用 [M]. 北京: 機(jī)械工業(yè)出版社, 2005: 107-128.

t-Test Analysis of FMRI Data Based on Multiscale Feature Extraction

Zhi Lianhe1*ZHou Wengang2Tan Sumin3

1(KeyLaboratoryofPlantGeneticsandMolecularBreeding,ZhoukouNormalUniversity,Zhoukou466001,Henan,China)2(CollegeofComputerScienceandTechnology,ZhoukouNormalUniversity,Zhoukou466001,Henan,China)3(TheHospitalAffiliatedtoZhoukouNormalUniversity,Zhoukou466001,Henan,China)

wavelet transform; feature extraction; fMRI;t-test; data analysis

10.3969/j.issn.0258-8021. 2015. 04.015

2014-10-10， 錄用日期:2015-05-04

國(guó)家自然科學(xué)基金(31272168)； 河南省科技廳基礎(chǔ)與前沿項(xiàng)目(132300410276)

R445.2

D

0258-8021(2015) 04-0492-04

*通信作者(Corresponding author)， E-mail: zhilianhe2008@163.com