《腦磁共振影像數(shù)據(jù)時空分析》從腦磁共振影像數(shù)據(jù)時空分析的方法學角度出發(fā)，探討了基于腦功能磁共振影像的激活區(qū)檢測、功能連接分析、有效連接分析、腦網(wǎng)絡(luò)的拓撲統(tǒng)計特性分析、腦連接網(wǎng)絡(luò)的模式提取與分類等目前腦磁共振影像數(shù)據(jù)分析主要研究領(lǐng)域的幾個基本問題。詳細討論了獨立成分分析、機器學習、動態(tài)因果建模、稀疏表達等目前磁共振數(shù)據(jù)時空分析的主流方法，并著力于介紹腦磁共振影像計算領(lǐng)域目前正在發(fā)展的一些新理論和新技術(shù)。
目 錄
前言
第1章 緒論 1
1.1 腦功能的組織原則 1
1.2 腦功能研究的現(xiàn)狀 3
1.3 磁共振影像技術(shù)概述 4
1.3.1 腦功能成像技術(shù) 4
1.3.2 MRI技術(shù)的發(fā)展歷程 6
1.3.3 f MRI原理 7
1.3.4 f MRI的實驗設(shè)計及技術(shù)要求 8
1.4 腦 MRI數(shù)據(jù)分析方法概述 11
參考文獻 13
第2章 典型相關(guān)分析 17
2.1 BSS‐CCA方法 17
2.2 f MRI降噪的 BSS‐CCA方法 20
2.2.1 f MRI噪聲分類 20
2.2.2 f MRI降噪的 BSS‐CCA算法流程 21
2.2.3 真實f MRI數(shù)據(jù)處理結(jié)果 28
2.2.4 結(jié)果分析與討論 30
2.3 LD‐CCA算法 31
2.3.1 LD‐CCA算法描述 32
2.3.2 LD‐CCA算法性能驗證 36
2.3.3 LD‐CCA算法的特性 42
2.4 本章小結(jié) 48
參考文獻 48
第3章 獨立成分分析 51
3.1 ICA概述 51
3.1.1 ICA模型 52
3.1.2 估計原理和常用估計方法 53
3.1.3 ICA在f MRI分析中的應用 55
3.2 1比特匹配猜想 57
3.2.1 問題的提出 58
3.2.2 主要結(jié)果及證明 58
3.2.3 討論與結(jié)論 63
3.3 較大非高斯估計的性分析 64
3.3.1 問題的提出 64
3.3.2 目標函數(shù)的性分析 65
3.3.3 FastICA算法解析和收斂性分析 68
3.3.4 收斂和獨立性約束對估計的影響 75
3.4 SP M‐ICA方法 80
3.4.1 ICA方法應用于f MRI數(shù)據(jù)分析的合理性 80
3.4.2 SP M‐ICA聯(lián)合方法 82
3.4.3 仿真數(shù)據(jù)分析 85
3.4.4 實際數(shù)據(jù)分析 91
3.4.5 討論 99
3.5 Group ICA方法應用 104
3.5.1 Group ICA模型 105
3.5.2 Group ICA數(shù)據(jù)處理流程 106
3.5.3 Group ICA應用 107
3.6 本章小結(jié) 125
參考文獻 126
第4章 功能連接分析 133
4.1 腦連接分析方法概述 133
4.1.1 腦連接的類型 133
4.1.2 腦功能連接方法概述 136
4.1.3 功能連接與有效連接的區(qū)別 139
4.2 基于一般線性模型的功能連接分析 140
4.2.1 方法描述 140
4.2.2 靜息腦連接分析 142
4.3 基于關(guān)聯(lián)的腦連接分析 146
4.3.1 方法描述 147
4.3.2 單手對指運動的功能連接分析 150
4.3.3 討論 156
4.4 功能連接的非對稱性分析 158
4.4.1 引言 158
4.4.2 陽性和陰性精神分裂癥的功能非對稱分析 159
4.4.3 分析結(jié)果 163
4.4.4 討論 170
4.5 本章小結(jié) 171
參考文獻 172
第5章 腦復雜網(wǎng)絡(luò)模型 177
5.1 引言 177
5.1.1 復雜網(wǎng)絡(luò)在結(jié)構(gòu)網(wǎng)絡(luò)中的應用 178
5.1.2 復雜網(wǎng)絡(luò)在功能網(wǎng)絡(luò)中的應用 179
5.2 復雜網(wǎng)絡(luò)概述 181
5.2.1 復雜網(wǎng)絡(luò)的統(tǒng)計特性 181
5.2.2 復雜網(wǎng)絡(luò)的典型拓撲模型 185
5.3 口香糖咀嚼運動的腦復雜網(wǎng)絡(luò)分析 187
5.3.1 數(shù)據(jù)采集與預處理 187
5.3.2 腦網(wǎng)絡(luò)的構(gòu)建及結(jié)果 189
5.3.3 結(jié)果分析與討論 195
5.4 運用復雜網(wǎng)絡(luò)分析靜息狀態(tài)腦功能網(wǎng)絡(luò) 197
5.4.1 數(shù)據(jù)采集及預處理 197
5.4.2 靜息腦網(wǎng)絡(luò)構(gòu)建 198
5.4.3 功能網(wǎng)絡(luò)特性分析及結(jié)果 199
5.4.4 結(jié)果討論 207
5.5 本章小結(jié) 209
參考文獻 209
第6章 動態(tài)因果模型與有效連接 213
6.1 基本原理 213
6.1.1 動態(tài)因果模型概述 213
6.1.2 神經(jīng)活動狀態(tài)方程 214
6.1.3 血液動力學狀態(tài)方程 215
6.1.4 確定性動態(tài)因果模型的參數(shù)估計 216
6.1.5 參數(shù)的先驗分布 219
6.1.6 統(tǒng)計推斷 220
6.1.7 基于確定性 DCM的有效連接分析流程 221
6.2 青少年網(wǎng)絡(luò)成癮患者反應抑制腦網(wǎng)絡(luò)有效連接異常研究 223
6.2.1 背景 223
6.2.2 材料和方法 225
6.2.3 結(jié)果 228
6.2.4 討論 232
6.3 模型選擇算法研究 233
6.3.1 經(jīng)典的動態(tài)因果建模模型選擇算法 233
6.3.2 基于網(wǎng)絡(luò)發(fā)現(xiàn)的自動模型選擇算法 237
6.4 本章小結(jié) 243
參考文獻 243
第7章 隨機動態(tài)因果模型 247
7.1 基本原理 247
7.1.1 確定性動態(tài)因果模型的局限性 247
7.1.2 面向f MRI的隨機動態(tài)因果模型 248
7.1.3 模型可行性分析 249
7.1.4 仿真驗證 252
7.1.5 成組數(shù)據(jù)分析 254
7.2 靜息腦網(wǎng)絡(luò)的有效連接分析 257
7.2.1 研究背景 257
7.2.2 材料和方法 258
7.2.3 結(jié)果 261
7.2.4 討論 264
7.3 基于廣義濾波算法的參數(shù)估計 265
7.3.1 經(jīng)典變分貝葉斯方法的原理 266
7.3.2 廣義濾波算法 267
7.3.3 仿真分析 271
7.4 實例分析 272
7.4.1 Attention數(shù)據(jù)集 272
7.4.2 網(wǎng)絡(luò)成癮數(shù)據(jù)集 273
7.5 本章小結(jié) 276
參考文獻 277
第8章 腦網(wǎng)絡(luò)模式的線性分類 279
8.1 引言 279
8.2 線性分類器理論 282
8.2.1 PCA 線性 SVM算法 282
8.2.2 置換檢驗 283
8.3 運用線性分類器提取性別相關(guān)腦差異 284
8.3.1 引言 284
8.3.2 材料與方法 285
8.3.3 分類器設(shè)計 287
8.3.4 實驗結(jié)果 288
8.3.5 討論 297
8.4 抑郁癥患者的腦網(wǎng)絡(luò)模式分析 300
8.4.1 引言 300
8.4.2 材料與方法 301
8.4.3 實驗結(jié)果 305
8.4.4 討論 306
8.5 腦功能區(qū)分割的無監(jiān)督學習方法 309
8.5.1 較大間隔聚類算法概述 309
8.5.2 駕駛員運動區(qū)的功能子區(qū)分割 313
8.6 腦年齡結(jié)構(gòu)差異的稀疏表達 317
8.6.1 引言 317
8.6.2 材料與方法 318
8.6.3 實驗結(jié)果 322
8.6.4 討論 328
8.7 本章小結(jié) 332
參考文獻 333
第9章 靜息腦網(wǎng)絡(luò)的流形學習方法 343
9.1 流形學習算法 343
9.1.1 局部線性嵌入算法 343
9.1.2 局部保持投影算法 344
9.1.3 仿真實驗 345
9.2 靜息腦網(wǎng)絡(luò)模式分類的低維流形嵌入方法 346
9.2.1 引言 346
9.2.2 材料與方法 348
9.2.3 實驗結(jié)果 352
9.2.4 討論 359
9.3 基于全腦功能連接模式的腦年齡預測 361
9.3.1 引言 361
9.3.2 材料與方法 362
9.3.3 實驗結(jié)果 366
9.3.4 討論 372
9.4 本章小結(jié) 377
參考文獻 377
索引 383
彩圖
