一种检测APOE e4基因型对默认模式网络影响的持久同调方法

摘要

本发明属于计算机视觉技术领域，公开了一种检测APOE e4基因型对默认模式网络影响的持久同调方法，解决了现有的默认模式网络研究中APOE e4基因型的动力学研究的不足。首先，构建原始加权网络以及多尺度网络，多尺度脑网络包括左脑和右脑以及全脑，并对这些网络进行图论指标分析；其次，采用基于持久同调指标的分析方法对脑网络进行分析，并与图论指标进行对比；最后对默认模式网络的左右脑进行差异性分析。结果表明，持久同调指标更具有鲁棒性和稳定性，适用于任何老年人未患病时的早期诊断与预防，可应用于医学，生物学，基因学等领域的研究。

说明书

技术领域

本发明属于计算机视觉技术领域，具体为一种检测APOE e4基因型对默认模式网络影响的持久同调方法。

背景技术

视觉是人类感知和认识世界的重要手段。计算机视觉技术通过模拟人类的视觉让计算机对图像进行获取、处理、分析和识别以实现对现实世界的认识。默认模式网络(DMN)是阿尔茨海默病等神经退行性疾病的主要变异子网络。最近的研究表明默认模式网络与进行性脑功能障碍有关，并且容易受到APOE e4基因型的影响。

APOE e4基因型是淀粉样蛋白β积累的主要遗传因素，淀粉样蛋白β的积累会导致神经元萎缩以及突触之间神经连接的永久性丢失，因此APOE e4基因型的研究对于阿尔茨海默病(AD)等神经退行性疾病的早期标志物检测具有一定的研究价值。

目前，图论逐渐成为研究脑网络拓扑特征的主要框架，其核心思想是在区域连接水平和全脑连接水平上，利用脑区节点之间的功能连接(FC)作为重要的生物标志物可以识别与阿尔茨海默病生理病理学相关的早期脑功能连接的改变。但是，该方法在APOE e4基因型的研究中存在研究结果不一致性现象。

发明内容

针对上述问题本发明提供了一种检测APOE e4基因型对默认模式网络影响的持久同调方法。

为了达到上述目的，本发明采用了下列技术方案：

本发明提供一种检测APOE e4基因型对默认模式网络影响的持久同调方法，包括以下步骤：

步骤1，对大脑静息态功能磁共振图像(rs-fMRI)数据集进行预处理，为进一步种子点选取和全脑网络分析做准备；

步骤2，使用标准的自动解剖图谱(AAL)将步骤1预处理后图像中的大脑分为90个脑区(AAL90)，提取其中13个左脑区，13个右脑区以及由上述13 个左、右脑区组成的全脑区作为默认模式网络的感兴趣区(ROI)，分割脑区提取时间序列；

步骤3，使用步骤2提取的时间序列构建全脑和左、右脑的多尺度加权脑网络；

步骤4，采用持久同调的方法对步骤3构建的脑网络进行衡量；

步骤5，对认知未受损个体(APOE e4非携带者(APOE4-))和有认知障碍个体(APOEe4携带者(APOE4+))的网络指标结果进行统计分析，得出APOE e4基因型对默认模式网络的影响。

进一步，所述步骤1中的数据集包括认知未受损个体和有认知障碍个体的大脑静息态功能磁共振图像数据。

所述步骤1中预处理采用的SPM8工具箱、DPARSF和REST，具体为，在时间校正和空间归一化之前，删除了前十个时间点，然后依次进行图像平滑，线性趋势调整和带通滤波。

所述步骤2中提取的26个默认模式网络的感兴趣区(ROI)具体包括(表 1)：

表1 26个默认模式网络的感兴趣区

所述步骤3中多尺度加权脑网络构建的步骤为：

使用pearson相关来定义血氧水平依赖时间序列，采用基于pearson相关的方法来计算边权i，

采用一个基于贝蒂数(BNP)的集成持久特征(IPF)，将连通分支聚合成本引入到第0维贝蒂数，以实现对网络动力学的整体描述

式中，m为网络节点总数，λ

所述步骤4中对构建的全脑和左、右脑的脑网络进行衡量选用BNP和IPF 图的斜率(SIP)两个参数指标。先前的研究表明，IPF在所有可能的过滤尺度上是一个单调递减的收敛函数。总之，当λ从零增加时，网络的IPF值将相应的减少到零，直到所有节点连接到完全连通分支。因此，SIP可以作为量化脑网络动力学的重要网络指标。BNP是基于持久同调的经典网络指标，BNP和SIP都可以看作是网络的信息扩散速率或收敛速率。

与现有技术相比本发明具有以下优点：

1、本发明基于持久同调的拓扑属性能够在临床症状出现之前揭示DMN中 APOE e4的相关变化，这比目前广泛采用的图论方法效果更好，而且补充了之前图论指标在APOE e4基因型分析中结果不一致的结论，并对DMN左右脑分别进行研究，证明了持久同调指标更具有鲁棒性和稳定性。

2、本发明选用多尺度加权脑网络，对原始加权网络进行阈值化，通过多尺度阈值构建嵌套网络复形，可以在很广的范围内区分鲁棒和噪声的拓扑特征，并能够对底层结构进行合理的推断。

3、图论指标一般是对构建的脑网络进行阈值选择来确定边的连接程度。本发明利用持久同调来避免阈值，对APOE e4脑网络的拓扑结构变化更加敏感。

4、本发明方法适用于任何老年人未患病时的早期诊断与预防，可应用于医学，生物学，基因学等领域的研究。

附图说明

图1是本发明的方法流程图。

图2是DMN网络的三个视图。

图3是不同过滤值的多尺度DMN动力学过程图。

图4是单链树状图。

图5是APOE4+和APOE4-过滤的持久特征动力学。

图6是所有指标的左右脑的组差异性箱体图。

具体实施方式

下面结合本发明实施例和附图，对本发明实施例中的技术方案进行具体、详细的说明。应当指出，对于本领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干变型和改进，这些也应视为属于本发明的保护范围。

实施例

如图1和图2所示，一种检测APOE e4基因型对默认模式网络影响的持久同调方法，其包括以下步骤：

步骤1，对静息态功能磁共振图像进行处理，为进一步种子点选取和全脑网络分析做准备，对应于图1中的1；

该步骤是使用3.0T飞利浦MRI扫描仪在多个阿尔茨海默病神经影像学倡议(ADNI-2)站点采集了实验数据集。所有的rs-fMRI数据都是用回波平面成像 (echo-planarimaging，EPI)序列获得的，参数包括:重复时间(TR)＝3000ms；回波时间(TE)＝30ms，翻转角度＝80°；切片数为48；切片厚度＝3.3mm；体素大小＝3mm×3mm×3mm；体素矩阵为6 4×64；时间点数为140。

使用目前广泛采用的SPM8工具箱(http://www.fil.ion.ucl.ac.uk/spm/)、DPARSF(http://www.restfmri.net)和REST(http://www.restfmri.net)对功能图像进行了预处理。简言之，在时间校正和空间归一化之前，删除了前十个时间点。然后依次进行图像平滑，线性趋势调整和带通滤波。

步骤2，使用标准的自动解剖图谱将大脑分为90个脑区，提取其中26个脑区作为ROI即为DMN网络的ROI(如图2所示)，其中左脑为其中13个脑区，右脑为剩下的脑区，分割脑区提取时间序列；该步骤对应图1中的2；

步骤3，使用步骤2提取的时间序列进行全脑和左、右脑的多尺度加权脑网络的构建，使用pearson相关来定义血氧水平依赖(BOLD)时间序列，该步骤采用基于pearson相关的方法来计算边权。对应图1中的3、4。

构建多尺度加权脑网络具体步骤如图1中步骤5所示

其中，m为网络节点总数，λ

步骤5，采用基于持久同调的方法对多尺度脑网络进行衡量，BNP是基于持久同调的经典网络指标(如图5左所示)，它检测所有过滤值上的第0维贝蒂数(即连接分支的个数)的动态变化，它将连通分支聚合成本引入到第0维贝蒂数，从而实现了对网络动力学的整体描述。图3和图4描述了具体聚合过程。

先前的研究表明，IPF在所有可能的过滤尺度上是一个单调递减的收敛函数。总之，当λ从零增加时，网络的IPF值将相应的减少到零，直到所有节点连接到完全连通分支。因此，IPF图的斜率(SIP)可以作为量化脑网络动力学的重要网络指标(如图5右所示)。BNP和SIP都可以看作是网络的信息扩散速率或收敛速率(图1中5的左部分)。

对比例1

步骤1、2同实施例，

步骤3，构建原始加权脑网络，分别对APOE e4携带者和非携带者的时间序列，求脑区间的相关性。通过下列公式来计算观测距离矩阵。

其中T

步骤4，采用图论的相关方法对单尺度脑网络进行衡量，普遍采用的图论指标包括全局效率(GC)、网络半径(NR)、特征路径长度(CPL)、模块化(Mod)、特征向量中心度(EC)。见表2。GC表示网络的全局信息传递能力。NR表示所有节点的最小偏心率。CPL描述所有节点最短路径的平均值。Mod描述网络的局部聚簇效果，模块化程度越高，子部分内部连接越紧密，与外部的差异性越大。EC通过相邻顶点度的情况来描述本节点的重要程度。

表2常用图论指标信息表

结果分析

图6，对结果进行统计分析(p＜0.05具有差异，p＜0.01具有显著差异)，具体数据如表3所示：

表3不同网络指标的p值统计

对比例2

由于ADNI-2中只有16个NC个体具有APOE e4等位基因和可用的rs-fMRI 数据，通过加入主观记忆障碍(SMC)受试者来扩大实验样本量。然而一些研究只研究了来自ADNI-2的NC个体。因此，排除了所有SMC受试者，并进一步重复了NC受试者的实验，对NC进行验证。结果如表4所示：

表4不同网络指标的p值统计

由图6和表3、表4可知，持久同调指标的稳定性较高，结果显示，相比图论指标，持久同调指标能够在DMN全脑，更进一步的，在左脑，反映出统计学差异性。持久同调指标所表现的拓扑指标更具有稳定性，可以通过APOE e4基因型的差异性在数年以前对正常老年人进行干预治疗和预测。