论文研究-基于颜色和形状任务的脑区功能连接的研究.pdf

所需积分/C币:13 2019-07-22 20:38:37 811KB .PDF

针对视感知中的特征捆绑问题主要通过以下三个方面进行研究:首先,构建静息态和任务态的脑网络,利用堆结构贪婪算法进行模块划分;其次,计算视觉脑区之间的Z值;再次,计算视觉脑区之间的连接度。实验证明了视觉信息加工的两条通路、脑网络动态平衡特性以及参与绑定的重要脑区。研究视觉特征捆绑认知过程,有助于计算机视觉建模,为提高图像识别技术奠定基础。
1278· 计算机应用研究 第31卷 被划分在了第五个模块当中,如图3(a)所示。包括的脑区有:后,总共有86条边为正连接。当|Z|≥0.2时,共有22条;当 距状裂周围皮层、楔叶、舌回、枕上回、枕中回、枕下回、梭状回、0.2>12|≥0.15时,共有8条;当0.15>|z≥0.1时,共有14 顶上回、颞下回。在AAL模板中的编号分别为43~56、59、60、条;当0.1>|2|≥0.05时,共有21条,即当1Z≥0.05时,总 8990。顶叶主要负责参与颜色和形状的捆绑,而梭状回主要共有65条,如图4(b)所示。横纵坐标意义同图4(a)。 负责颜色和形状的处理。 2.3视觉脑区的连接度 连接度是指脑网络屮的其屮一个节点具有的有效功能连 接的个数,表小了该节点在网络中的重要程度。为了使用节点 的连接度来衡量共在网络中的作用,并用来表小网络的动态变 化,因此需要计算连接度来详细阐明颜色和形状绑定任务态相 关脑网络的特性。 静息态下与视觉相关的脑区连接度,由大到小的排列顺序 为:L.MOG区、L.IING区、R.FFG区、L.SOG区、L.IOG区 图3静息态和任务态全脑功能连接 R.CUN区、R.SOG区、L.CAL区、L.CUN区、R.LING区、R.ITG 图3屮(a)为静息态模块划分结果,划分了六个模块;(b) 区、R.MOG区、R.IOG区、L.FFG区、R.CAL区、L.SPG区、 为任务态模块划分结果,划分了七个模块。线越粗表示两个脑 R.SPG区、L.ITG区。其中,LMOG区的连接度最大为 区之间相关性越强。相同的颜色的节点表示在同一个模块中 °0.0621;L.LING区次之,度为0.0601 任务态脑功能网络划分成七个模块,与视觉有关的脑区被划分 任务态下与视觉相关的脑区的连接度,由大到小的排列顺 在了第二、三四、五六个模块当中,如图3(b)所示。具体划序为:R.SG区、L.MOG区、L,⊥NG区、R,MG区、RCUN 分结果如表1所示。 区、.S0GⅨ、L.SOG区、L.1OG区、L.CAL区、.OG区、L 表1静息态和任务态下视觉脑区嫫块划分结果 CUN区、R.ⅣTG区、L.SFG区、L.FFG区、R.CAL区、R.LING 节点编号区静息态校块号节点编号区任务态模块号区且.FC区、L,mC区。其中,R.SPG区的连接度最大为 CAL. L CAL. R CAL R IOG. R 0.0684:L.MOG区次之,度为0.0653。两种状态下相关脑区连 CUN. L FFG. R 接度对比如图5所小。纵坐标表示连接度,横坐标表示脑区, 46 CUN R 5555 ITG. R 浅色为静息态,深色为任务态。 MOG. R 0.07 LING. R 24 CU丶.L 0. SOG,I CUN R SOG. R LING, R G, R 55555555 IOG. I SPG. L 3444555556 0.05 003 0.02 FG. I oPG R FFG. R CAL I PG. I LING. I 6 引 MOG, I 图5视觉有关脑区的连接度对比 89 ITG, I FFG. I 6 90 IG R "C63讨论 2.2枧觉脑区相关系数的Z值 静息态下18个脑区之间162条边,其屮经过t检验后,3.1静息态和任务态相关模块分析 总共有84条边为正连接。当|Z|≥0.2时,共有23条;当 在静息状态下,与视觉有关的脑区全部被划分在了第五个 0.2>Z≥0.15时,共有3条;当0.15>Z≥0.1时,共有6模块屮。这也就表明功能相似的脑区在静息态下连接相对较 条;当0.1>1≥0.05时,共有13条,即当Z|≥0.05时,总为紧密,而功能不同的脑区在静息态下连接相对较为稀疏。这 共有45条,如图4(a)所示。图中横坐标表示18个与视觉相也就证实了不仅听觉、语言等存在各自脑功能网络,视觉也存 关脑区之间功能连接边数,纵坐标表示z值。 在自己的脑功能网络6-8。 在任务状态下,首先分析第二、第五、第六个模块。目前 0.35 有很多事实证实大脑有处理祧觉信息的四个半行系统:可理视 0. 觉运动信息的Ⅴ5位于颞叶中区(M');司理视觉颜色信息的 买0.1 V4位于枕叶18区(梭状回);司理视觉形状信息的有两个,对 N动态形状起反应的V3也位于18区对静态形状起反应的位 0.0 01020304 010203040506070 于V4内。第二个模块屮右侧大脑的距状裂周围皮层作为初 (a静息态(45条) b任务态(5条) 级视觉皮层的Ⅵ1区,主要功能是接收外部的信息,并把信息 图4相关系数Z值对比 传递给高级视觉皮层;右半脑枕下回司理颜色加工;右半脑梭 任务态下18个脑区之间共有162条边,其中经过检验状回主要司理颜色信息和静态形状信息:右半脑颞下回主要司 第4期 邢桂阳,等:基于颜色和形状任务的脑区功能连接的研究 1279· 理高级视觉加工。第六个模块中的脑区分别为左半脑距状裂 周围皮层、左半脑舌回、左半脑枕中回、左半脑梭状回、左半脑4结束语 颞下回,其脑区的功能与第二个模块中左侧的相似。第五个模 本文利用静息态和任务态下「ⅥRI数据进行脑网络的构 块包括左右半脑的枕上回左半脑的枕下回左右半脑的顶上建,对于构建好的网终使用基于堆结构的模块划分算法进行模 回。由此可見,第二、六个模块可以证实与物体颜色和形状加块划分。首先,对得到的模块进行分析得到视觉区域通过两条 工有关的侧通路沿着大脑皮层的枕颞叶分布。由第五个模通路进行信息加工和传送:一条与物体的颜色和形状等特征加 块可以证实与运动和空间位置特征加工有关的背侧通道,沿着工有关的腹侧通路,沿着大脑的枕颞叶分布;一条与运动和空 枕顶叶分布。 间位置特征加工有关的背侧通道,沿着大脑的枕顶叶分布。第 3.2视觉脑区的Z值分析 二,由于本实验是与祧觉有关的实验,因此,单独地对视觉区域 研究结果证实大脑在不执行任何与视觉有关的任务静息进行研究,通过计算与视觉有美的18个脑区的相关条数的z 状态下也存在一个复杂的视觉相关的脑网络。 值,可以得到節息态下以相对稀疏的连接方式保持执行冮务的 本文研究结果显示与视觉相关脑网络18个节点总共有潜能,而在任务态下脑功能网络立即由稀疏变为紧密的连接方 162对功能连接,在静息态下,总共有84对正连接,而仁务态式.因而印证了脑网终的动态平衡性。第三,通过计算与视觉 下,总共有86对正连接。当取定最低阈值为0.05时,静息念有关脑区的连接度,发现顶叶在颜色和形状的捆绑中发择着重 下只有45对币连接而任务状态下却有65对连接。说明静要的作用,而梭状回和颞下回在颜色和形状加工和处理中发 息态下与视觉有关的脑网络连接较为稀疏,而任务态下与视觉 挥着不可替代的作用。通过研究视觉特征捆绑的认知过程,推动 有关的脑网络连接较为紧密。 视觉认知的计算机建模过程,为提高图像识别技术奠定了基础。 本文研究结果进而证实了脑网络的动态平衠特性,即在静 息态下以相对稀疏的连接方式保持执行任务的潜能。但是在爹考文献 执行与视觉相关的仁务时,脑功能网络立即由硫松变为紧密状0NG, DESPHANDE A S, MEIFR T B,HlAg- related dime 态,通过调用更多功能相似的脑区,加强它们之间的功能连接, rences in test-retest reliability in resting-state brain functional connec- tivity[J]. PLOS ONE,2012,7(12):0049847 逐步执行视觉任务的计划、启动、协作,实现颜色和形状的处 [2] YL Qing-bao, ALLEN E A, SLI ling, et al. Brain connectivity net- 理,并最终实现颜色和形状的绑定。 works in schizophrenia underlying resting state funetional magnetie 3.3视觉脑区连接度的分析 resonance imaging[I]. Current Topics in Medicinal Chemistry 研究结果显示,不论是在静息状态还是任务状态,左侧枕 2012,12(21):2415-2425 中回、左侧舌回连接度均较高,从静息态向任务态转变时,其排3」 LIANG Xia; WANG Jin-hu, YAN Chao-gan,etal, ffects of diffe 列顺序仅出现微妙变化(静息态左侧枕屮回度最大,左侧舌回 rent correlation metries and preprocessing factors on small-world brain 度其次,而任务态下分别排在2、3位),因此认为这两个节点是 funetional network=: a resliny-stale firc tional MRI sludy [J]. PLO 视觉相关脑网络中重要而稳定的节点 ONE,2012,7(3):0032766 视觉特征的捆绑是通过对空间位置的注意来实现的,对冋[4]张増强,周波,安宁豫,竽、諍息态功能共振成像观察阿尔茨海 默病患者大脑自发活动特点[J].中囯神经科杂志,2012,45(5) 一位置的注意,能使该位置的视觉成分被捆绑起来。在特征捆 297-301 绑双阶段理论中,物体的颜色和形状等表闻特征的捆绑属于双 [5 SEO E H, LEE DY, LEE M, et al. Whole-brain functional net 阶段理论的第二个阶段,该阶段的捆绑需要注意的参与,而顶 works in cognitively normal, mild cognitive impairment, and alzhei 叶在该阶段起到关键作用。一些研究证明、顶叶与空间注意有 mer's disease[J. PLOS ONE, 2013, 8(1): 0053922 关。在静息状态转换为任务状态时,左右侧的顶叶的连[6]王小期,杨剑锋视觉词江加工的动态神经网终及其形成[].心 接度变大,这是囚为在执行颜色和形状的绑定任务时,顶叶的 理科学进展,2013,21(2):199-2 作用就是参与颜色和形状的捆绑,因此需要汇集多个脑区传来[7]李晶,杨明,刘斌,等,静息怠态功能磁共振成像观察正常人听觉皮 的信息,并进行处理,因此顶叶的连接度在由静息态转换为任 层功能[J].中国医学影像技术,2012,28(3):431-434 务态时,顶叶的连接度增大。 [8 YUAN Yi-xuan, JIANG Xi, ZHU Da-jiang, et al. Meta-analysis of 现在有大量的研究表明,梭状回卞要司理颜色信息,并且 funetional roles of DICCCOI s[J. Neuroinform, 2013, 11(1): 47- 过滤掉其他多余的信息,同时,一些静态的形状的处理也是由 梭状回来处理的。而颗下回土要是司理形状信息的,而且过滤[9] HILGETAG C, BURNS PC, ONEILL M A,ea. Anatomi 掉一些无用的信息,以便将形状信息传输到高级的视觉区域。 cal connectivity defines the organization of clusters of cortical areas in 如对大脑损伤的研究发现猴的下颞叶皮层(CT)的损伤或人 he macaque monkey and the cat[ J. Philos Trans on R Soc Lond 的梭状回损伤(GF)将导致形状的识别障碍32),采用各种脑 B,2000.355(1393):91-110 认知成像技术(MEG、PI、MHI等)等多项矸究表明,与形状 [10 FERRARINI L, VEER I M, BAERENDS E, et al. Hierarchical fune tional modularity in the resting-state human brainL J]. Human Brain 知觉有关的脑区主要定位在颞下回2830。由于在颜色和形状 Mapping,2009,30(7):220-2231. 绑定实验中,与静息态相比,其任务特定化,卞要负责颜色和形 [11 MEUNIER D, ACHARD S, MORCOM A, et nL. Age-relaled changes 状的处理,而且还负贲把其他与任务无关的信息过滤,与其他 in modular organization of human brain functional networks[ J]. Neu 脑区联系不再那么紧密,只与处理视觉信息的高级脑区相联 roomage,2009,44(3):715-723 系,最后把信息传递给更高级的脑区。因此,与静息态相比,任[12] CORDES凵, HAUGHTON, CAREW Jυ,ec.Hicε archical clus- 务态下梭状回和颞下回的连接度降低。 tering to measure connectivity in [MRI resting-state data[ J]. Mag 1280· 计算机应用研究 第31卷 netic Resonance Imaging, 2002, 20(4): 305-317 activitv of the human brain during imagined and executed unimanual [13 SALVADOR R, SUCKLING J, COLEMAN M, et al. Neurophysiolo and bimanual action sequences: a function MRI study[ J]. Cognitive gical architecture of functional magmetie resonance images of human Brain Research, 2003, 15(3): 250-260 brain 1. Cerebral Cortex, 2005, 15(9): 1332-1342 [23 HAXBY J V, GRADY C L, HOR WITZ B, et al. Dissociation of ob- 14 HE Yong, WANG Jin-hui, WANG Liang, et al. Uncovering intrinsic ject and spatial visual processing pathways in human extrastriate cortex modular organization of Spontaneous brain activity in humans [J] L Proceedings of the National Academy of Sciences, 1991 PLOS ONE,2009,4(4):0005226 88(5):1621-1625 [l5]王艳群,海芳,郭浩,等.静息态脑功能网络的灶团结枃研究「24 I MAROIS R, CHUN MM, GoRE JU. Neural correlates of the atten [J].计算杌应月,2012,32(7):2044-2048 tional blink[ J. Neuron, 2000, 28(1): 299-308 [16'TZOUHIO-MAZOYER N. LANDEAU N, PAPATHANASSIOU D, et [25 HUMPHREYS G W, CINEL C, WULFE J, et al. fractionating the al. Automated anatomical labeling of activations in SPM using a mac binding process neuropsychological evidence distinguishing binding roscopic anatomical parcellation of the MNI MRI single-subject brain of form binding of surface features. Vision Research, 2000, 40 [冂]. Neuroimage,2002,15(1):273-289 (10):1569-1596 [17]WHITE S, SMYTH P. A spectral clustering approach to finding com- [ 26] WALSH V, BUFFER S R. The effects of visual cortex lesions on the munities in graphs[ C]//Proc of the 5th SIAM International Confe- perception of rotated shapes[ J]. Behavior Brain Research, 1996 rence on Data Mining. [S 1.: SIAM, 2005: 76-84 76(1):127-14 18 NEWMAN M E J. Detecting community structure in networks[J. [27] MERIGAN W, FREEMAN A, MEYERS S P. Parallel processing European Physical Journal, 2004, 38(2): 321-330 streams in human visual cortex[ J. NcuroReport, 1997,8(18) [19NFWMAN M E J. Fast algorithm for delecting coNmunity strueture in 3985-3991 networks J. Physical Review E, 2004, 69(6): 066133 [28 KRAUT M, HART JJ R, SOHER B J, et al. Object shape proces- [20 NEWMAN M E J, GIRVAN M. Finding and evaluating community sing in the visual system evaluated using functional MRI [J]. Neuro- structure in networks[J]. Physical Review E, 2004, 69(2) logy,19,48(5):1416-1420 026113 29] KOURTZI Z, KANWISHER N. Cortical regions involved in pereei- [21] CLAUSET'A, NEWMAN M E J, MOORE C, et al. Finding communi ving object shape[ J]. Neuroscience, 200U, 20(9): 3310-331 ly structure in very large nel works[J. Phys Rev E, 2004, 70(6) 30 OKUSAT, KAKGI R, OSAKA N. Cortical ac tivity relater Incnle-in 066l⊥. variant shape perception in humans[ J. Neuroscience, 2000, 98 22 NAIR DG, PURCOTT K L, FUCHS A, et al. Cortical and cerebellar (4):15-624 (上接第1266页) 参考文献: 表1划痕定量测量 L」黄雪莲,胡鹛,白轶多.一种改进的等高线断点连接方法LJ」 測量对象及方法长度 宽度长度误差宽度误差 澳绘科学,2006,31(1):111-114. 标准 1220 0 [2]潘水彊,刘鹏.光学元件表面划痕的可视化检测[冂].西安工业 断续划痕 LI 大学学报,2012,32(6):447-450 澎胀方法 1215 L3」陆春华.基于机器视觉的大口径炘密表面疵病检測系统硏究 本文方法12152052 D].杭州:浙江大学,2008 山表1可知,若不将划痕断续处进行连接而直接测量其长14」 TIAO Ilong-jiu, LIU Jian. Remote sense image edge delection based 度,势必导致划痕长度的计算出现较大偏差,影响光学元件的分 on small scale mathematical morphology J]. Journal of WUT 类。因图6(a)中的划痕贯穿整幅图像,故用膨胀方法连接后的 2001,23(4):19-22 划痕长度并无太大误差,但宽度却加大很多,严重偏离了划痕的[5】 DEBAYLE J, PiNOLI J C. Multiscale image filtering and segmenta 实际宽度;文方法能真实地反映出划痕的长度,且所连边界光 lion by means nf adaptive nieighborho r mathemalical morphol 滑清晰,由于是单像素相连,故并未对划痕整体宽度的计算产生 [JI. Image Processing, 2005, 3(11): 537-540 干扰,从而保证了定量测量的准确性。因人工测量主要是通过[6]张南.罔像分析仪系统中几个关键技术的研究[D].成都:四川 大学,2005 人工月视经验判断,而本文方法是根据划痕轮廓的最小外接矩 [7]孙继平,吴冰,刘晓阳.基于膨胀/腐蚀运算的神经网络图像预处 形特征参数进行计算,相比较而音,后者的结果更稳定 理方法及其应用研究「J1.计算机学报,2005,28(6):985-990 5结束语 [8]罗以宁,李毅,杨凯.金相图馋分析中一种改进的断点连接方法 [J].四川大学学报:自然科学版,2002,39(6):l027-1031 针对光学图像中因划痕断续而导致其长度无法准测量[9]高若,王溥亮.改进的区域生长算法及其在肾实质自动分制中的 的问题,本文提出了一种基于斜率控制的不连续划痕连接方 应月「J,厦门大学学报;自然科学版,2012,51(4):701-703 法。该方法可有效避免边界变形,降低误连接概率,得到完整 [10]陆剑锋,林海,潘忐庚.自适应区域生长算法在医学因像分割中 的应用[J].计算机辅助设计与图形学学报,2005,17(10) 连续的目标区域。同时,对断点间距较大的划痕.能取得比常 2168-2169 用断点连接方法更好的效果。其单像素的连接方式保证了划(1]付英杰,张剑,邹钢,答.基于改进水平集和区琉生长的轮廓提 痕的原始宽度,为后续划痕特征信息的精确测量提供了保障。 取方法[冂.计算杌应用研究,2012,29(7):270-2772. 除光学图像外,本文所提出的方法对其他涉及到断点连接的图[12]谭洪波,俟志强,刘荣.菘于人类视觉模型的区城生长图像分 像也具有良好的处理效果。 [J].中国图象图形学报,2010,15(9):1352-1356

...展开详情
img

关注 私信 TA的资源

上传资源赚积分,得勋章
相关内容推荐