之前用神经网络炼丹的时候,受制于硬件条件,训练起来极为痛苦,尤其是一开始我头铁一波直接用全脑的4D图像作为输入数据,网络复杂度根本上不去,只要结构稍微复杂一点就必定炸显存。毕竟单独一个时间点上的3D数据大小就能达到几十万(如果体素大小3毫米的话normalise之后就是61×73×61)。那就要考虑一些数据降维的方法了,先行提取一些特征出来(答辩的时候还有个老师问我为啥不直接用全脑数据来着,我说穷啊,要是硬件条件允许我也想试试)。
功能连接(Functional Connectivity)矩阵
先说说功能连接矩阵吧,这应该是用得最多而且也比较简单的一种方法了。思路也比较简单:
fMRI是四维的时间序列,也就是在一段时间内不同时间点上的三维图像。那么,只要提取出某一个体素在全部时间上的数据也就得到了这个体素的时间序列。这个时间序列也就代表着这个体素之内血氧水平随时间的变化,也就反映了功能的表现。 所以,从时间序列之间的相关性,就可以得到功能的相关性。(当然这里存在问题,这也是功能连接以及下面有效连接这两种方法的缺点,因为这两种方法两两计算脑区连接度,那么就考虑不到是否存在相互作用的第三点的问题。)
计算功能连接一般使用皮尔森相关系数。也有研究使用其他方法,以期得到更稀疏的功能连接(但我忘了具体咋算的了)。两组时间序列的皮尔森相关系数由下式得,也就是这两段时间序列的协方差与除以两段时间序列的标准差之积: