《大脑神经纤维的自动聚类》葛宝著|(epub+azw3+mobi+pdf)电子书下载

图书名称：《大脑神经纤维的自动聚类》

【作　者】葛宝著

【页 数】 119

【出版社】 西安：西北工业大学出版社 , 2019.09

【ISBN号】978-7-5612-6632-8

【价 格】45.00

【分 类】脑神经-神经纤维-聚类分析-研究

【参考文献】 葛宝著. 大脑神经纤维的自动聚类. 西安：西北工业大学出版社, 2019.09.

图书封面：

图书目录：

《大脑神经纤维的自动聚类》内容提要：

本书针对大脑神经纤维的自动聚类，完整地探讨了纤维聚类的国内外研究现状，在此基础上，扩充了纤维相似性的定义，并从聚类方法和脑疾病应用等多方面全方位地研究了纤维聚类。具体来说，本书分别从解剖特征的角度、功能意义的角度、基于大脑网络的角度、以及多尺度对应一致的需求来研究这一主题，并给出了实验的结果和在大脑相关疾病上的应用。本书适合于从事信息技术、神经网络、自动控制等领域工作的研究人员和技术人员参考阅读。

《大脑神经纤维的自动聚类》内容试读

第一章

绪论

1.1研究的背景及意义

自从1977年Damadian成功研制世界上第一台核磁共振扫描仪以来，磁共振成像技术(Magnetic Resonance Imaging,MRI)作为一种无创伤检测手段被广泛地应用于科研、医学和生产等领域。而后出现的磁共振成像的新技术，如扩散加权成像(Diffusion-Weighted Image,DWI),扩散张量成像(Diffusion Tensor

Imaging,DTI),以及功能核磁共振成像(functional MRI,fMRI)等使得人们可以进一步获取大脑的结构、连接和时间功能信号信息。

大脑白质纤维的自动聚类是基于纤维束的组间统计分析的先决条件。扩散张量成像技术[口有时也称为弥散张量成像，是一种非侵入式的活体脑影像工具，利用水分子在大脑白质里的各向异性扩散特性来推断大脑的神经纤维连接信

息。对于人脑，DTI纤维追踪技术[幻可以产生大约104~105个白质纤维追踪轨

迹，如此庞大数量的轨迹所提供的各种信息[如各向异性分数(FA)、平均弥散率

(MD)等]不能轻易被理解。为了从扩散张量成像中得到有意义的、可以进行人

与人之间比较的信息，这些大量的白质纤维轨迹需要被纤维聚类方法[3-]分割为有内在完整意义的纤维束。需要特别说明的是，遵从多数文献的写法，书中词汇“白质纤维”“神经纤维”“纤维”都代表白质神经纤维轨迹，但它实际上与生物

学上的白质纤维有所区别，由于DTI成像分辨率的限制，通常是多条生物学上

的白质纤维组成了一条DTI纤维追踪得到的白质纤维轨迹，从而这些聚类得到

的纤维束成为下一步基于纤维束的组间统计分析的基础，如比较对照组与自闭

症患者的白质纤维束上分数各向异性组(FA)的差别。然而，由于缺少对神经纤

维束边界的精确定义，使得神经纤维束的自动聚类成为一项具有挑战性的工作。

另外，大脑白质纤维的自动聚类和人类大脑连接图(human connectome)工程相辅相成。Sporns在文献[8]中指出人的大脑连接图可以从微尺度(microscale)、中尺度(mesoscale)和大尺度(macroscale或large-scale)3个空

。1

L大脑神经纤维的自动聚类一一一一一一一一

间尺度进行研究，分别代表神经元、神经元集群和大脑脑区3个水平。目前该领域的研究主要集中在大尺度水平上，主要研究两种不同类型的网络，即结构网络和功能网络。结构网络的结点为空间上分开的灰质区域，连接/边指的是连接灰质区域的纤维通路，通常通过结构磁共振成像(Structural Magnetic

Resonance Imaging,Structural MRI)和DTI等成像技术来重构大脑的结构网络；功能网络通过计算灰质区域间的功能连接而得到，功能连接/边描述了区域间的功能相关性，通常由脑电图(Electroencephalogram,EEG)、脑磁图(Magnetoe-ncephalography,MEG)和fMRI等技术建立大脑功能网络。一方面，结点和边组成了邻接矩阵，图论和复杂网络理论常被用来分析两种网络的特性[]（如特征路径长度、平均最短路径、丛聚系数等），从而为探究大脑的相关机理提供参考，帮助人们理解大脑的基本架构和原理，并使其具有相关诊疗价值。而另一方面，大脑连接图的开发也可为纤维聚类提供参考，例如功能连接图在某些皮层区域应该与结构连接一致，最新定义的大脑皮层地标]也可为纤维聚类提供统一定位。

1.2研究综述

1.2.1纤维聚类方法综述

一个典型的白质纤维自动聚类框架可分为两个步骤，首先通过定义白质纤维间的相似性特征计算得到相似性矩阵；然后应用各种聚类算法进行聚类得到神经纤维束。这些方法的优劣与区别重点在于对白质纤维之间相似性特征的定义。之前的研究采用了两类特征：几何特征和解剖结构（或基于解剖学图谱）特征，也相应地按时间大致分为两个阶段。

第一阶段利用基于几何特征的测度来表达白质纤维的形状、位置、方向上的差别。例如，Corouge和Gerig等人4-]通过寻找一条曲线上每一点在另一条曲线上的最近点来定义两条曲线上所有点之间的对应关系，依据这些点和点之间的对应关系，定义了三种相似性度量，包括最近点距离(closest point distance)、平均最近距离(mean closest distance)和Hausdorff距离。Maddah等人[]用一个三维的5次B样条曲线来表达白质纤维的形状。Brun等人a)用一个9维描述子来表达位置、形状和方向信息。在几何特征中使用最广泛的当属Corouge等人们和Geig等人[)提出的平均最近距离，其同时包含白质纤维的形状和位置信息。Maddah等人提出使用马氏距离(Mahalanobis distance)测量纤维

·2·

一------绪论第一章

之间的相似性。但这些方法缺乏有力的医学依据，如对通过胼胝体纤维这类具有相似形状、位置和方向的白质纤维进行分类时，显得无能为力。

第二阶段是基于结构特征的方法，通常以解剖图谱为基础，认为同一束白质纤维连接（或经过）相同的图谱标签。最早由O'Donnell和Westin切手工地根据解剖图谱产生一系列的白质纤维束模板，来自新的大脑的纤维则根据模板进行分类。其手工产生纤维束模板的过程需要大量的人工参与和参数设置。

Maddah等人[们将解剖结构特征和几何特征结合来提高可靠性。Xia等人1]根据纤维端点所在的大脑灰质区域的不同来聚类。Wakana等人a3]利用已知的一些纤维束的先验知识来定义一个或多个感兴趣区域(Region of Interest,ROI),

从而这些ROI可用作以后的纤维束定位。在第三章中将用一系列解剖标签来

表达一条白质纤维，然后采用生物信息学的序列比对算法计算纤维间的相似性。这类方法具有解剖学上的意义，但其聚类结果过于依赖图谱本身的分割和配准方法的准确性；而解剖图谱又包含Brodmann图谱1、AAL图谱1)、Harvard

Oxford图谱[]等多个不同的分割版本；配准的方法更是处于不断改善中，有线(AIR http://bishopw.loni.ucla.edu/air5/,FLIRT http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/)和非线性配准(HAMMER http://www.nitrc..orgprojects/hammerwml/,ANTS http://www.picsl.upenn.edu/ANTS/,FNIRT http:/fsl.fmrib.ox.ac.uk/fsl/fslwiki/)等。再加上大脑个体内异常复杂的褶皱结构和个体间的结构差异，导致配准分割在边界不准确，从而基于此的纤维束边界也不准确。

得到神经纤维间的相似性后，选取一种合适、先进的聚类算法进行聚类也是非常重要的，常用的算法有谱聚类17-19]、分级聚类20-2)、k-均值[2]和AP算法24幻等。后期的多尺度聚类方法可鉴别不同尺度下的纤维束，但大多采用生物学上简单的层次聚类，每次两两聚类形成一个二叉树。这并不符合实际情况，即我们不能假定每个纤维束恰好可再分为两个纤维束，相应地，分层数目也就不合理。

1.2.2纤维聚类方法评价

当前，对于自动纤维聚类方法还没有一个精确、统一的评价标准，大量的神经纤维聚在一起，神经纤维的边界本身就很难划分。目前已有的评价分三种：第

一种是通过视觉检验，神经学专家对聚类的纤维束进行视觉上的解剖学检验。第二种是与手工提取的纤维束进行比较，可比较的定量指标有正确率(Correctness)、完整性(Completeness)2]和空间匹配度(Spatial Matching

·3·

L大脑神经纤维的自动聚类一一一一一一一

Ratio,SMR)1a)。手工提取方法只能是对一些已知的、宏观的、有明确解剖特性的纤维束进行提取，所以，只是在一定程度上的评判标准。第三种评价方法不依赖手工方法，完全利用聚类结果本身去评价，如比较聚类得到的不同个体间纤维束的Hausdorff距离，或者比较同一种方法在重复的扫描数据下的可重复性。

1.3本书的内容及章节安排

根据以上所述，如何选取一种更有效的区分纤维的测度一直是研究的重点，本书将在第三一六章采取不同的测度，分别从解剖的、功能的以及几何的特征等几方面来研究其对于纤维聚类的有效性。而后聚类算法的选择也是根据实际采

取谱聚类算法以及AP算法等。然而自动纤维聚类仍面临更多的挑战。例如，

如何对不同个体聚类出的纤维束找出对应的、共同的纤维束，这对于以后基于纤维束的组间分析尤为重要；如何进行多尺度下的纤维聚类，从而使得在不同尺度下的纤维束都具有研究意义；聚类产生的纤维束是否适合进行疾病诊断分析；纤维束聚类和大脑网络的关系是什么样的，网络结点的聚类是否可以为纤维聚类带来参考作用；等等。对这些问题和挑战，本书后续章节将做出研究、讨论和阐释。

本书的章节内容安排如下：

第一章，对研究的问题进行描述，对之前的研究进行总结及分析。

第二章，对后续章节所用到的基础的神经科学知识，如大脑解剖结构等进行

介绍，并且简单讲述两种大脑成像模态，即扩散张量成像(DT)和功能核磁共振

成像(MRI),对其成像的原理和成像后的预处理步骤也分别进行介绍。此外，

对预处理软件进行介绍。

第三章，提出一种基于解剖特征（图谱）的自动纤维聚类方法，相对现有基于图谱方法的缺点，即只考虑灰质区域信息、配准方法不够先进等而言，本方法不仅考虑神经纤维所连接的灰质区域信息，而且将其所经过的白质区域同时纳人

一个符号序列，从而更加精确地对神经纤维所经过的路径进行标注，并以类似于生物序列比对的方法对神经纤维路径进行比较求其相似性。此外，与手工提取纤维束的方法进行比较，以验证本方法在宏观层次上聚类的有效性。

第四章，由于发现现有的方法使用的都是几何的或者解剖的特征，然而从某种意义上讲，更需要聚类的纤维束具有功能一致性，这样才可能鉴别功能与结构连接一致的网络，才可以具有更精确的诊疗作用。因此，在本章笔者试图结合

MRI模态图像进行以功能为单一特征的纤维聚类，结果初步表明，在对胼胝体

。4

----一-一绪论第一章

这类形状较为相似的纤维进行聚类时，以MRI模态数据为引导的纤维聚类可

以将胼胝体纤维分为功能一致的纤维束。

第五章和第六章基于最新发现的关于大脑皮层地标的研究成果，这些大脑皮层地标为笔者提供了统一的大脑参照系统。其主要优点是一致的、个体间对应的358个地标保证了“骨架”纤维束的对应性，从而可以得到个体间对应的纤维束，而且358个地标同时保证了“骨架”纤维束的可信度。

其中，在第五章首先以358个皮层地标为基础，以传统的Brodmman大脑分区为参考，鉴别出组间优化的一致的“骨架”纤维束。然后，将剩下的纤维归类到已有的纤维束“骨架”上，归类时根据rs-fMRI数据导出的纤维之间的功能相关性来求取纤维相似度。本章的纤维聚类方法有效地利用大脑内在的结构和功能特性来进行纤维聚类，使得产生的纤维束包含了个体间对应的连接性和功能性。

在第六章，提出多尺度下的纤维聚类方法。由于大脑网络本身的多尺度特性，所以多尺度的纤维聚类具有其独特意义。本章的多尺度纤维聚类在大脑皮层地标的基础上，首先进行大脑网络的地标结点的多尺度聚类，形成多尺度的大脑网络，然后以此作为纤维聚类的参考。此方法将大脑网络构造和纤维聚类两个研究方向相结合，对于大脑的研究具有一定的借鉴意义。

第七章，使用任务功能信息定义纤维束，即属于同一束的纤维应具有相似的功能，并设计嵌入式聚类的卷积自动编码器，探索面向重构和聚类的特征。由此得到具有明确功能意义的纤维束，并用原始任务设计曲线验证这些特征。此外，将功能和结构信息结合起来，以增强纤维聚类结果，并同时得到功能和结构意义上的纤维束。

·5·

第二章

扩散张量成像(DTI)及功能

核磁共振成像(fMRI)

由于本书后续章节将涉及两种成像模态，即扩散张量成像和功能核磁共振成像，因此本章主要介绍这两种成像模态。

2.1大脑的基本构造

人类大脑神经元是由细胞体和神经纤维组成的，如图2-1所示。由神经元的轴突或长的树突以及包裹在轴突外的髓鞘构成的神经纤维称为有髓鞘纤维。还有一种无髓鞘纤维仅由神经元的轴突和树突二者构成。细胞体中有细胞核，神经纤维中有细胞质。简单说来，神经元之间交互的过程如下：在神经元从其他神经元接收信号后，胞体会产生动作电位，经由轴突传输到达突触。神经递质在突触处被释放，如果达到足够的强度，突触后神经元被激活。灰质(Gray

Matter,GM)主要由神经元的胞体和树突组成，一部分位于大脑皮层（根据几何结构的不同，又分为脑回和脑沟)：另一部分位于大脑内部，也被称为皮下神经核团，如丘脑和基底神经节等。白质(White Matter,WM)由神经元的轴突组成，这些轴突缠聚在一起形成了白质神经纤维束。在大脑中，白质在内，灰质在外，如图2-2所示。在脊髓中正好相反，灰质在内，白质在外。除了灰质和白质两部分外，大脑还有另外两个重要的组成部分，即充满了脑脊液(Cerebro Spinal

Fluid,CSF)的脑室和血管系统。

一个成年人的大脑中有大约101个神经元细胞，这些神经元细胞又通过大约105个突触互相连接，形成了一个庞大而复杂的大脑网络。这个高度复杂的网络是大脑进行信息处理和认知表达的生理基础。大脑皮层是一层覆盖在端脑表面的灰质，主要由神经元的胞体构成，是思考等活动的中枢。正常人类大脑皮层的厚度为1.5~4.5mm,总面积约为2200cm2。皮层的深部由神经纤维形成的白质构成。皮层表面高度扩展、卷曲，形成许多的沟和回。其中，下凹的叫沟，凸出的叫回，如图2-3所示。

▣6

···试读结束···