《腦磁共振影像數據時空分析》從腦磁共振影像數據時空分析的方法學角度出發，探討了基于腦功能磁共振影像的激活區檢測、功能連接分析、有效連接分析、腦網絡的拓撲統計特性分析、腦連接網絡的模式提取與分類等目前腦磁共振影像數據分析主要研究領域的幾個基本問題。詳細討論了獨立成分分析、機器學習、動態因果建模、稀疏表達等目前磁共振數據時空分析的主流方法，并著力于介紹腦磁共振影像計算領域目前正在發展的一些新理論和新技術。
目 錄
前言
第1章 緒論 1
1.1 腦功能的組織原則 1
1.2 腦功能研究的現狀 3
1.3 磁共振影像技術概述 4
1.3.1 腦功能成像技術 4
1.3.2 MRI技術的發展歷程 6
1.3.3 f MRI原理 7
1.3.4 f MRI的實驗設計及技術要求 8
1.4 腦 MRI數據分析方法概述 11
參考文獻 13
第2章 典型相關分析 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數據處理結果 28
2.2.4 結果分析與討論 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 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 主要結果及證明 58
3.2.3 討論與結論 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數據分析的合理性 80
3.4.2 SP M‐ICA聯合方法 82
3.4.3 仿真數據分析 85
3.4.4 實際數據分析 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數據處理流程 106
3.5.3 Group ICA應用 107
3.6 本章小結 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 基于關聯的腦連接分析 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 分析結果 163
4.4.4 討論 170
4.5 本章小結 171
參考文獻 172
第5章 腦復雜網絡模型 177
5.1 引言 177
5.1.1 復雜網絡在結構網絡中的應用 178
5.1.2 復雜網絡在功能網絡中的應用 179
5.2 復雜網絡概述 181
5.2.1 復雜網絡的統計特性 181
5.2.2 復雜網絡的典型拓撲模型 185
5.3 口香糖咀嚼運動的腦復雜網絡分析 187
5.3.1 數據采集與預處理 187
5.3.2 腦網絡的構建及結果 189
5.3.3 結果分析與討論 195
5.4 運用復雜網絡分析靜息狀態腦功能網絡 197
5.4.1 數據采集及預處理 197
5.4.2 靜息腦網絡構建 198
5.4.3 功能網絡特性分析及結果 199
5.4.4 結果討論 207
5.5 本章小結 209
參考文獻 209
第6章 動態因果模型與有效連接 213
6.1 基本原理 213
6.1.1 動態因果模型概述 213
6.1.2 神經活動狀態方程 214
6.1.3 血液動力學狀態方程 215
6.1.4 確定性動態因果模型的參數估計 216
6.1.5 參數的先驗分布 219
6.1.6 統計推斷 220
6.1.7 基于確定性 DCM的有效連接分析流程 221
6.2 青少年網絡成癮患者反應抑制腦網絡有效連接異常研究 223
6.2.1 背景 223
6.2.2 材料和方法 225
6.2.3 結果 228
6.2.4 討論 232
6.3 模型選擇算法研究 233
6.3.1 經典的動態因果建模模型選擇算法 233
6.3.2 基于網絡發現的自動模型選擇算法 237
6.4 本章小結 243
參考文獻 243
第7章 隨機動態因果模型 247
7.1 基本原理 247
7.1.1 確定性動態因果模型的局限性 247
7.1.2 面向f MRI的隨機動態因果模型 248
7.1.3 模型可行性分析 249
7.1.4 仿真驗證 252
7.1.5 成組數據分析 254
7.2 靜息腦網絡的有效連接分析 257
7.2.1 研究背景 257
7.2.2 材料和方法 258
7.2.3 結果 261
7.2.4 討論 264
7.3 基于廣義濾波算法的參數估計 265
7.3.1 經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數據集 272
7.4.2 網絡成癮數據集 273
7.5 本章小結 276
參考文獻 277
第8章 腦網絡模式的線性分類 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 分類器設計 287
8.3.4 實驗結果 288
8.3.5 討論 297
8.4 抑郁癥患者的腦網絡模式分析 300
8.4.1 引言 300
8.4.2 材料與方法 301
8.4.3 實驗結果 305
8.4.4 討論 306
8.5 腦功能區分割的無監督學習方法 309
8.5.1 較大間隔聚類算法概述 309
8.5.2 駕駛員運動區的功能子區分割 313
8.6 腦年齡結構差異的稀疏表達 317
8.6.1 引言 317
8.6.2 材料與方法 318
8.6.3 實驗結果 322
8.6.4 討論 328
8.7 本章小結 332
參考文獻 333
第9章 靜息腦網絡的流形學習方法 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 靜息腦網絡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 實驗結果 366
9.3.4 討論 372
9.4 本章小結 377
參考文獻 377
索引 383
彩圖
