大尺度大脑模型：相关理论，建模策略与典型模型

利用计算神经科学原理或图论对大脑进行建模得到的大尺度大脑模型,在脑科学研究和人工智能等方面有着极大的研究意义和应用价值。合理的大尺度大脑模型将对探索和理解大脑工作的内在机制以及大脑神经系统相关疾病的成因有很大帮助,也将大大推动人工智能领域由当前的弱人工智能向强人工智能迈进。因此,大尺度大脑模型的相关研究在过去十年间受到国内外学者的广泛关注。通过查阅大量关于大尺度大脑模型的研究文献,并对其相关研究进行回顾、归纳、分析和总结,报告了大尺度大脑模型的研究现状。给出了大尺度大脑模型的明确定义,归纳总结了大尺度大脑模型的多个范畴,同时介绍了研究大尺度大脑模型所需了解的相关基础理论;归纳了大尺度大脑模型的有效构建策略,回顾了迄今为止国内外具有代表性的几个大尺度大脑模型的详细建模方法及应用;总结了大尺度大脑模拟领域目前存在的不足和遇到的困难,展望了大尺度大脑模型将来可能的发展趋势和应用方向。     

静息态功能磁共振成像的脑功能分区综述

目的 越来越多的研究表明,基于静息态功能磁共振成像（rs-fMRI）的大脑功能分区比传统的大脑结构分区（如AAL分区、Brodmann分区等）在功能网络构建中功能一致性更高。但现阶段对于大脑功能模块的划分较粗糙,需要更精细准确的脑功能分区,明确宏观尺度的基本功能单元。为能使脑科学领域的研究者对基于静息态功能磁共振成像的脑功能分区进行有益的探索和应用,本文对其进行系统综述。方法 从rs-fMRI数据与大脑功能网络的关系出发,理清脑功能区分割的一般思路,对近几年来脑功能分区算法中出现的新思路、新方法以及对原有方法的改进做了较全面的阐述;最后总结该领域现阶段面临的问题并对未来的研究方向做了展望。结果 根据脑区情况,将脑功能分区分为全脑功能分区和局部脑功能分区,并分别阐释这两方面的优势与应用。同时,将脑功能分区算法归纳为基于数据驱动和基于模型驱动两大类,并展示了各类分区算法的优势以及面临的难点和挑战。结论 基于静息态功能磁共振成像的脑功能分区的研究已经取得了一些进展和有价值的研究成果,但是距离研究人脑机制,应用于脑部疾病的预防和诊断以及启示类脑科学的发展,还需要对脑功能分区方法进行更深入的研究和完善。后续研究中可将传统的分区算法和先验知识、空间领域信息、空间约束、稀疏编码、特征选择和采样学习等思想结合起来,形成融合性的脑功能分区算法,致力于更为细致准确的大脑功能分区和脑功能网络构建,解析脑的高级功能。     

动态脑功能网络Rich-club时空观测方法

基于fMRI-BOLD信号的脑功能网络重要脑区时变特征辨识问题,提出了一种动态脑网络Rich-club时空观测模型的构建方法。该方法通过将样本所有时间采样点的Rich-club集合相似性进行聚类,从而将脑功能网络的空间与时间融合在一起,并构建脑网络中动态Rich-club重要性评价模型,定量地描述脑网络中Rich-club集合在时间以及空间两个维度的综合重要程度,从而为脑功能网络重要脑区的动态特征观测提供了一种有效的方法,也为分析健康人与自闭症患者之间的脑区重要性差异提供了依据。     

核磁共振图像脑组织自动提取方法

核磁共振图像的脑组织提取是神经图像处理研究中的一个重要步骤。将传统的几何活动轮廓模型与二值水平集函数相结合,提出了一种新型的二值水平集活动轮廓模型,并基于该模型提出了一种能够自动、准确实现MRI脑组织提取的方法。该方法在脑组织内部自动设定最优初始轮廓曲线,将该演化曲线隐含地表示成一个高维函数的零水平集,零水平集在基于区域的图像力驱动下不断演化并达到待分割脑部图像的边缘。将基于该方法的脑组织提取结果与作为金标准的专家手动分割结果和其他流行算法相比较,结果表明提出的脑组织提取方法能够自动、准确和快速地提取MRI脑组织,是一种鲁棒性较好的MRI脑组织提取方法。     

功能磁共振成像视角下的脑功能连通性分析与脑可塑性

依据功能磁共振成像技术探究脑功能可塑性,对解码人脑认知活动与模拟类脑智能具有十分重要的意义,同时也是一项极具挑战性的工作。然而,脑功能可塑性可通过脑功能连通的变异性来体现,而该变异性的捕捉又依赖于有效的脑功能连通性分析模型。因此,本文首先就当前主要的脑功能连通性分析方法进行了综述,并分析了各方法的局限性;然后基于脑功能连通性研究的证据,总结与分析了脑功能可塑性与职业因素之间的复杂关系;最后对脑功能连通性分析模型、脑功能可塑性等研究方向进行了展望。     

基于深度学习的脑片图像区域划分方法

针对采用传统多模态配准方法进行小鼠脑片图像自动化区域划分精度差的问题,提出一种无监督多模态的脑片图像区域划分方法。首先,基于小鼠脑图谱获得脑片区域划分对应的ARA（Allen Reference Atlases）数据库中的Atlas脑图谱和Average Template脑图谱;然后,通过仿射变换预处理和PCANet-SR（Principal Component Analysis Net-based Structural Representation）网络处理将Average Template脑图谱与小鼠脑切片进行预配准及同模态转换,再根据U-net及空间变换网络实现无监督配准,并将配准变形关系作用到Atlas脑图谱上;最后,提取配准变形后的Atlas脑图谱的边缘轮廓并与原始小鼠脑切片进行融合,从而实现脑片图像的区域划分。实验结果表明,与现有PCANet-SR+B样条配准方法相比,所提方法的配准精度指标的均方根误差（RMSE）降低了1.6%,相关系数（CC）和互信息（MI）值分别提高了3.5%、0.78%;可快速实现无监督多模态的脑片图像配准任务,且使得脑片区域划分准确。     

认知任务驱动的fMRI脑功能网络构建方法

针对脑功能网络的构建受到特定大脑图谱对兴趣点描述准确度及覆盖度的限制,提出了基于认知任务信息和神经影像数据的脑功能网络构建方法。首先计算fMRI体素对于认知任务的敏感度,然后在此基础上选取兼顾分布均衡和去中心化的大脑兴趣点,从而构建任务驱动的脑功能网络。实验通过在人脸情绪识别认知任务相关的梭状回构造任务驱动的脑功能网络,其度中心性、聚类系数、全局效率、局部效率这四个复杂网络指标均优于典型大脑图谱梭状回中兴趣点构成的网络。结果表明,计算得到的大脑兴趣点具有更强的整合性,更适合用于表征特定认知任务下的脑功能网络。     

基于功能磁共振成像的人脑效应连接网络识别方法综述

人脑效应连接网络刻画了脑区间神经活动的因果效应. 对不同人群的脑效应连接网络进行研究不仅能为神经精神疾病病理机制的理解提供新视角, 而且能为疾病的早期诊断和治疗评价提供新的脑网络影像学标记, 具有十分重要的理论意义和应用价值. 利用计算方法从功能磁共振成像(Functional magnetic resonance imaging, fMRI)数据中识别脑效应连接网络是目前人脑连接组学中一项重要的研究课题. 本文首先概括了从fMRI数据中进行脑效应连接网络识别的主要流程, 说明了其中的主要步骤和方法; 然后, 给出了一种脑效应连接网络识别方法的分类体系, 并对其中一些代表性的识别算法进行了阐述; 最后, 通过对该领域挑战性问题的分析, 预测了脑效应连接网络识别未来的研究方向, 以期对相关研究提供一定的参考.     

多形式特征向量脑网络分类方法研究

目前已有的脑网络分类方法大多是通过处理收集的信号来构建脑网络,并根据一个或多个脑区之间的脑网络特征属性来进行分类。该分类方法只考虑一个特征属性,忽略了脑网络的其他特征属性,而被忽略的特征属性很可能会对实验结果产生较大的影响。为了克服已有分类方法的缺陷,文中考虑多种特征属性提出了一种基于多形式特征向量的脑网络分类方法并使用了新型图核,该分类方法由4步构成：将原始实验数据经过预处理后完成脑网络构建;根据不同的阈值来提取脑网络中多种脑网络属性值;利用支持向量机训练所有数据,根据训练结果的优劣,在每种网络属性值里挑选分类效果最优的阈值参数,并将它们进行特征融合;使用支持向量机训练融合后的特征向量。通过实验数据分析并与已有分类方法进行了对比,验证该方法在轻度认知障碍数据集上脑网络分类的有效性。     

A Computer Model of Intracranial Dynamics Integrated to a Full-Scale Patient Simulator

The ability to visualize intracranial dynamics during simulated clinical scenarios is a valuable tool for teaching brain physiology and the consequences of different medical interventions on the brain. Studies have isolated physiologic variables and shown their effects on brain dynamics. However, no studies have shown the combined effects of these variables on intracranial dynamics. This brain model offers one approach that brings all these relationships together and shows how they affect the dynamics of the brain. The brain model obtains its physiologic inputs from a full-scale patient simulator which responds to clinical interventions. This integration allows individuals working on the patient simulator to see the effects of their actions on brain dynamics. The brain model gives a real-time display of intracranial events (cerebral metabolic rate, cerebral blood flow, cerebral blood volume, cerebral perfusion pressure, and intracranial pressure) and responds to changes in the pulmonary and cardiovascular condition of the patient simulator.     

A platform of digital brain using crowd power

A powerful platform of digital brain is proposed using crowd wisdom for brain research, based on the computational artificial intelligence model of synthesis reasoning and multi-source analogical generating. The design of the platform aims to make it a comprehensive brain database, a brain phantom generator, a brain knowledge base, and an intelligent assistant for research on neurological and psychiatric diseases and brain development. Using big data, crowd wisdom, and high performance computers may significantly enhance the capability of the platform. Preliminary achievements along this track are reported.     

MRI脑肿瘤图像分割的深度学习方法综述

磁共振成像（MRI）作为一种典型的非侵入式成像技术，可产生高质量的无损伤和无颅骨伪影的脑影像，为脑肿瘤的诊断和治疗提供更为全面的信息，是脑肿瘤诊疗的主要技术手段。MRI脑肿瘤自动分割利用计算机技术从多模态脑影像中自动将肿瘤区（坏死区、水肿区、非增强肿瘤区和增强肿瘤区）和正常组织区进行分割和标注，对于辅助脑肿瘤的诊疗具有重要作用。本文对MRI脑肿瘤图像分割的深度学习方法进行了总结与分析，给出了各类方法的基本思想、网络架构形式、代表性改进方案以及优缺点总结等，并给出了部分典型方法在BraTS（multimodal brain tumor segmentation）数据集上的性能表现与分析结果。通过对该领域研究方法进行综述，对现有基于深度学习的MRI脑肿瘤分割研究方法进行了梳理，作为新的发展方向，MRI脑肿瘤图像分割的深度学习方法较传统方法已取得明显的性能提升，已成为领域主流方法并持续展现出良好的发展前景，有助于进一步推动MRI脑肿瘤分割在临床诊疗上的应用。     

脑激活任务区分度的分析及应用研究

大脑在执行不同类型任务时激活模式各不相同,变化很大,各个脑区的变化程度也不同。据此,提出任务区分度计算这一全新的方法。用相似性度量对任务态功能磁共振成像（functional Magnetic Resonance Imaging,fMRI）分析,衡量大脑在执行不同条件时各个脑区激活模式的区分程度,揭示大脑各个区域对任务的表征能力。实验对正常人和狂躁症患者记忆提取任务的fMRI数据进行分析,使用皮尔逊相关分析、余弦相似度分析和欧几里德距离计算3种常用的相似性度量方法,并计算各个脑区的任务区分度。结果表明区分度较高的脑区参与记忆、注意和视觉信息等功能,表明了该方法的准确性和科学性。狂躁症患者在负责记忆和注意等脑区的任务区分度较正常人低,表明患者脑功能受损。此外,研究还发现基于皮尔逊相关分析的区分度计算表现较好。通过与SVM方法的对比证明了该方法在区分不同任务的激活模式时的优越性。综上,基于相似性度量的脑激活任务区分度的方法能够适用于任务态fMRI分析及其相应的脑功能分析。     

面向阿尔茨海默病的脑网络多频融合图核

复杂网络分析与机器学习方法相结合的阿尔茨海默病辅助诊断研究受到了越来越多的关注,其通常采用脑功能网络的方法来描述大脑活动的信息.然而,现有的成果大多基于时域信号匹配构建脑功能网络,忽略了脑活动信息在各个频段下的差异.因此,本文提出了脑网络多频融合图核的阿尔茨海默病诊断方法.首先,将功能磁共振成像产生的图像通过小波变换的方法进行分频段处理;其次,分别计算得到的各频段图像中任意两个脑区间的互信息,并设定阈值与互信息值进行比较进而构造出多频脑网络模型;然后,基于此提出面向多频脑网络模型的融合图核;最后,基于多频融合图核、采用核极限学习机在ADNI(Alzheimer’s Disease Neuroimaging Initiative)公开数据库中获取的一组数据以及在OASIS(Open Access Series of Imaging Studies)公开数据库上获取的一组数据进行阿尔茨海默病的诊断.同时,还通过实验验证了不同参数设置对诊断结果的影响.两组数据集的实验结果表明,提出的多频融合图核的辅助诊断方法能够取得最佳性能,且该方法的辅助诊断准确率在两种数据集上比对比方法的最好结果分别提高了13.79%和15.29%.     

Information-theoretic investigation of impact of huggable communication medium on prefrontal brain activation*

This paper examines the effect of mediated hugs that are achieved with a huggable communication medium on the brain activities of users during conversations. We measured their brain activities with functional near-infrared spectroscopy (NIRS) and evaluated them with two information theoretic measures: permutation entropy, an indicator of relaxation, and multiscale entropy, which captures complexity in brain activation at multiple time scales. We first verify the influence of lip movements on brain activities during conversation and then compare brain activities during tele-conversation through a huggable communication medium with a mobile phone. Our analysis of NIRS signals shows that mediated hugs decrease permutation entropy and increase multiscale entropy. These results suggest that touch interaction through a mediated hug induces a relaxed state in our brain but increases complex patterns of brain activation.     

基于邻域决策粗糙集的脑功能连接生物标记物识别

脑功能连接判别特征可以作为神经精神类疾病诊断的一种生物标记物,利用机器学习方法对其进行识别是脑科学研究中的一项重要课题.已有脑功能连接生物标记物的识别方法大都忽视了脑功能连接数据高维、连续、多噪声的特性对识别性能的影响,导致所得到的生物标记物的分类能力不强.对此,提出一种基于邻域决策粗糙集的脑功能连接生物标记物识别方法.首先,针对脑功能连接数据连续性和高噪声的特点,引入能有效处理连续和高噪声数据的邻域决策粗糙集来识别分类能力更强的脑功能连接判别特征作为生物标记物;其次,针对脑功能连接数据的高维特点,通过快速生成邻域和缩小特征搜索空间来保证邻域决策粗糙集识别脑功能连接生物标记物的效率.在ABIDE I和ADNI数据集上的实验结果表明,所提出方法能够准确快速地获得分类能力更强的脑功能连接判别特征,有望为神经精神类疾病的诊断提供更准确的生物标记物.     

基于MICO+FCM的MRI脑组织分割

针对MRI中存在的强度不均匀问题以及颅骨组织对于脑部组织提取所造成的影响,为了解决对特定脑部组织的研究问题,提出一个MICO+FCM脑组织分割算法。算法首先利用基于MICO的能量最小化算法对脑部MRI进行强度不均匀性估计和矫正,并且通过该算法完成对图像的初步分割,然后通过区域生长算法对图像中的颅骨组织进行去除,再利用FCM算法完成脑部组织中脑白质和脑灰的分割提取。通过仿真表明,相对于传统FCM算法及其它图像分割算法,提出的MICO+FCM脑组织分割算法在分割准确率和分割效率上均有所提升。     

Comparison of fuzzy control systems for hypothermal brain temperature regulation

The automatic control system for brain tissue temperature is studied theoretically for brain hypothermia treatment. In order to realize a human-friendly control mechanism, an automatic temperature regulation system is constructed to simulate brain hypothermia treatment by introducing a fuzzy algorithm for possible characteristic changes in patients. The brain temperature model is successfully realized to follow the desired temperature course automatically. The model reference fuzzy control of brain temperature based on water-cooling blankets is verified for clinical application to brain hypothermia treatments through various kinds of simulation experiment. Partly presented at the 16th IFAC World Congress, Prague, July 2005     

EEG信号构建的复杂网络同步稳定性分析

人脑是自然界最复杂的系统之一,脑网络作为复杂网络理论在神经科学中的重要应用,为脑疾病的病理机制提供了新的研究方向。同步性作为影响网络性能的指标,对于复杂网络有着重要影响。为了研究同步性在脑网络中的表现,利用EEG动力学方程对120例酗酒病人的EEG信号进行复杂网络模型构造,根据所构造的模型利用李雅普诺夫稳定性理论进行证明。并通过实验对正常人和酗酒者脑网络同步状态做出统计,给出了酗酒病人和正常人的脑网络同步差异,可以揭示酗酒疾病对于人脑在功能结构上的影响,对其他疾病提供研究思路。     

Automatic extraction of brain surface and mid-sagittal plane from PET images applying deformable models

In this study, we propose and evaluate new methods for automatic extraction of the brain surface and the mid-sagittal plane from functional positron emission tomography (PET) images. Designing methods for these segmentation tasks is challenging because the spatial distribution of intensity values in a PET image depends on the applied radiopharmaceutical and the contrast to noise ratio in a PET image is typically low. We extracted the brain surface with a deformable model which is based on a global optimization algorithm. The global optimization allows reliable automation of the extraction task. Based on the extracted brain surface, the mid-sagittal plane was determined. The method was tested with the image of the Hoffman brain phantom (FDG) and the images from the brain studies with the FDG (17 images) and the C11-Raclopride tracers (4 images). In addition to the brain surfaces, we applied the deformable model for extraction of the coarse cortical structure based on the tracer uptake from FDG-PET brain images. The proposed segmentation methods provide a promising direction for automatic processing and analysis of PET brain images.