脑磁共振影像数据的时空分析PDF电子书下载

第1章 绪论 1

1.1 脑功能的组织原则 1

1.2 脑功能研究的现状 3

1.3 磁共振影像技术概述 4

1.3.1 脑功能成像技术 4

1.3.2 MRI技术的发展历程 6

1.3.3 fMRI原理 7

1.3.4 fMRI的实验设计及技术要求 8

1.4 脑MRI数据分析方法概述 11

参考文献 13

第2章 典型相关分析 17

2.1 BSS-CCA方法 17

2.2 fMRI降噪的BSS-CCA方法 20

2.2.1 fMRI噪声分类 20

2.2.2 fMRI降噪的BSS-CCA算法流程 21

2.2.3 真实fMRI数据处理结果 28

2.2.4 结果分析与讨论 30

2.3 LD-CCA算法 31

2.3.1 LD-CCA算法描述 32

2.3.2 LD-CCA算法性能验证 36

2.3.3 LD-CCA算法的特性 42

2.4 本章小结 48

参考文献 48

第3章 独立成分分析 51

3.1 ICA概述 51

3.1.1 ICA模型 52

3.1.2 估计原理和常用估计方法 53

3.1.3 ICA在fMRI分析中的应用 55

3.2 1比特匹配猜想 57

3.2.1 问题的提出 58

3.2.2 主要结果及证明 58

3.2.3 讨论与结论 63

3.3 最大非高斯估计的唯一性分析 64

3.3.1 问题的提出 64

3.3.2 目标函数的唯一性分析 65

3.3.3 FastICA算法解析和收敛性分析 68

3.3.4 收敛和独立性约束对估计的影响 75

3.4 SPM-ICA方法 80

3.4.1 ICA方法应用于fMRI数据分析的合理性 80

3.4.2 SPM-ICA联合方法 82

3.4.3 仿真数据分析 85

3.4.4 实际数据分析 91

3.4.5 讨论 99

3.5 Group ICA方法应用 104

3.5.1 Group ICA模型 105

3.5.2 Group ICA数据处理流程 106

3.5.3 Group ICA应用 107

3.6 本章小结 125

参考文献 126

第4章 功能连接分析 133

4.1 脑连接分析方法概述 133

4.1.1 脑连接的类型 133

4.1.2 脑功能连接方法概述 136

4.1.3 功能连接与有效连接的区别 139

4.2 基于一般线性模型的功能连接分析 140

4.2.1 方法描述 140

4.2.2 静息脑连接分析 142

4.3 基于关联的脑连接分析 146

4.3.1 方法描述 147

4.3.2 单手对指运动的功能连接分析 150

4.3.3 讨论 156

4.4 功能连接的非对称性分析 158

4.4.1 引言 158

4.4.2 阳性和阴性精神分裂症的功能非对称分析 159

4.4.3 分析结果 163

4.4.4 讨论 170

4.5 本章小结 171

参考文献 172

第5章 脑复杂网络模型 177

5.1 引言 177

5.1.1 复杂网络在结构网络中的应用 178

5.1.2 复杂网络在功能网络中的应用 179

5.2 复杂网络概述 181

5.2.1 复杂网络的统计特性 181

5.2.2 复杂网络的典型拓扑模型 185

5.3 口香糖咀嚼运动的脑复杂网络分析 187

5.3.1 数据采集与预处理 187

5.3.2 脑网络的构建及结果 189

5.3.3 结果分析与讨论 195

5.4 运用复杂网络分析静息状态脑功能网络 197

5.4.1 数据采集及预处理 197

5.4.2 静息脑网络构建 198

5.4.3 功能网络特性分析及结果 199

5.4.4 结果讨论 207

5.5 本章小结 209

参考文献 209

第6章 动态因果模型与有效连接 213

6.1 基本原理 213

6.1.1 动态因果模型概述 213

6.1.2 神经活动状态方程 214

6.1.3 血液动力学状态方程 215

6.1.4 确定性动态因果模型的参数估计 216

6.1.5 参数的先验分布 219

6.1.6 统计推断 220

6.1.7 基于确定性DCM的有效连接分析流程 221

6.2 青少年网络成瘾患者反应抑制脑网络有效连接异常研究 223

6.2.1 背景 223

6.2.2 材料和方法 225

6.2.3 结果 228

6.2.4 讨论 232

6.3 模型选择算法研究 233

6.3.1 经典的动态因果建模模型选择算法 233

6.3.2 基于网络发现的自动模型选择算法 237

6.4 本章小结 243

参考文献 243

第7章 随机动态因果模型 247

7.1 基本原理 247

7.1.1 确定性动态因果模型的局限性 247

7.1.2 面向fMRI的随机动态因果模型 248

7.1.3 模型可行性分析 249

7.1.4 仿真验证 252

7.1.5 成组数据分析 254

7.2 静息脑网络的有效连接分析 257

7.2.1 研究背景 257

7.2.2 材料和方法 258

7.2.3 结果 261

7.2.4 讨论 264

7.3 基于广义滤波算法的参数估计 265

7.3.1 经典变分贝叶斯方法的原理 266

7.3.2 广义滤波算法 267

7.3.3 仿真分析 271

7.4 实例分析 272

7.4.1 Attention数据集 272

7.4.2 网络成瘾数据集 273

7.5 本章小结 276

参考文献 277

第8章 脑网络模式的线性分类 279

8.1 引言 279

8.2 线性分类器理论 282

8.2.1 PCA+线性SVM算法 282

8.2.2 置换检验 283

8.3 运用线性分类器提取性别相关脑差异 284

8.3.1 引言 284

8.3.2 材料与方法 285

8.3.3 分类器设计 287

8.3.4 实验结果 288

8.3.5 讨论 297

8.4 抑郁症患者的脑网络模式分析 300

8.4.1 引言 300

8.4.2 材料与方法 301

8.4.3 实验结果 305

8.4.4 讨论 306

8.5 脑功能区分割的无监督学习方法 309

8.5.1 最大间隔聚类算法概述 309

8.5.2 驾驶员运动区的功能子区分割 313

8.6 脑年龄结构差异的稀疏表达 317

8.6.1 引言 317

8.6.2 材料与方法 318

8.6.3 实验结果 322

8.6.4 讨论 328

8.7 本章小结 332

参考文献 333

第9章 静息脑网络的流形学习方法 343

9.1 流形学习算法 343

9.1.1 局部线性嵌入算法 343

9.1.2 局部保持投影算法 344

9.1.3 仿真实验 345

9.2 静息脑网络模式分类的低维流形嵌入方法 346

9.2.1 引言 346

9.2.2 材料与方法 348

9.2.3 实验结果 352

9.2.4 讨论 359

9.3 基于全脑功能连接模式的脑年龄预测 361

9.3.1 引言 361

9.3.2 材料与方法 362

9.3.3 实验结果 366

9.3.4 讨论 372

9.4 本章小结 377

参考文献 377

索引 383