CN103717129A - 脑磁图源成像 - Google Patents

Abstract

公开了用于脑磁图（MEG）源成像的技术、设备和系统。在一个方面，一种方法包括从频域中的信号数据中选择与一个或多个频带相关联的信号数据，其中该信号数据表示由对象的脑发出的并且由脑的外部的多个传感器检测到的磁信号；限定脑内产生磁信号的源的位置，其中源的位置的数量被选择为大于传感器的数量；以及在一个或多个频率处，基于与这些位置中的各个位置对应的所选择的信号数据产生信号功率的源值。

Description

脑磁图源成像

优先权要求

本专利文献要求于2011年5月24日提交的题为“MAGNETOENCEPHALOGRAPHY SOURCE IMAGING（脑磁图源成像）”的第61/489,667号美国临时申请的优先权，其全部内容通过引用并入本文。

关于联邦赞助的研究或开发的声明

本发明在由美国退伍军人事务部奖赏的NEUC-044-06S和NURC-022-10F的允许下通过政府支持来进行。政府对本发明具有一定权利。

技术领域

本专利文献涉及成像技术。

背景技术

轴突损伤是神经元损伤的主要因素，除了其他障碍外，神经元损伤诸如为轻度创伤性脑损伤（TBI）、早期多发性硬化症（MS）、早期阿兹海默症/痴呆症（AD）。此外，在这些神经元障碍以及诸如创伤后应激障碍（PTSD）的其他障碍中存在异常功能连接。神经成像工具已经用于诊断神经和精神障碍，例如，包括TBI、PTSD、AD、孤独症、MS、和精神分裂症。例如，现有神经成像技术可包括X辐射（X射线）、X射线计算机断层扫描（CT）、磁共振成像（MRI）、和扩散性张量成像（DTI）。这些技术中的许多技术主要集中在检测血液制品、钙化、和水肿，而对脑中的轴突损伤和异常功能连接较不敏感。例如，X射线、CT和MRI对这些神经和精神障碍的确诊率会较差。例如，低于10％的轻度TBI患者在X射线、CT和MRI中显示出阳性结果。虽然一些技术（诸如扩散性张量成像（DTI））已经在检测神经元损伤中显示出优于X射线、CT和MRI的灵敏度（例如，已经显示DTI对轻度TBI产生～20-30%的阳性发现率），但是使用这些神经成像技术还是无法确诊绝大多数的神经元损伤。

发明内容

所公开的技术包括用于解决反问题的技术、设备和系统，包括通过采用使用最小L1范数解的频域基于矢量的时空分析（VESTAL）进行的信号源成像。

在所公开的技术的一个方面中，用于脑磁图源成像的方法包括从频域中的一连串信号数据中选择与一个或多个频带相关联的信号数据，其中该信号数据表示由对象的脑发出的且由脑的外部的多个传感器检测到的磁信号；限定脑内产生磁信号的源的位置，其中源的位置的数量被选择为大于传感器的数量；以及在一个或多个频率处，基于与所述位置中的各个位置对应的被选择的信号数据产生信号功率的源值。

在另一方面，用于脑磁图源成像的方法包括基于时域中的MEG信号数据确定协方差矩阵，其中MEG信号数据表示由对象的脑发出的且由脑外部的多个传感器检测到的磁信号；限定脑内产生磁信号的源位置，其中源的位置的数量被选择为大于传感器的数量；以及通过拟合协方差矩阵为这些位置中的每个位置产生信号功率的源值。

在另一方面，脑磁图源成像系统包括MEG数据采集系统和数据处理单元，其中MEG数据采集系统适于获得由对象的脑发出的并且被脑的外部的多个传感器检测到的磁信号数据，数据处理单元从MEG数据采集系统接收磁信号数据，其中数据处理单元包括以下机构，即，将所获得的磁信号数据从时域格式转换为频域内的一连串磁信号数据的机构；从频域中的一连串磁信号数据中选择与一个或多个频带相关联的信号数据的机构，其中该频带包括一个或多个频率；以及基于与脑内产生的磁信号的源的位置相对应的被选择的信号数据产生信号功率的源值的机构，其中源值是针对一个或多个频率而产生的。

在另一方面，用于源成像的方法包括从频域内的一连串磁信号数据中选择与一个或多个频带相关联的信号数据，该信号数据通过位于结构周围的多个传感器检测，并且频带包括一个或多个频率；在结构内限定源的位置，其中，源的位置的数量被选择为大于传感器的数量；以及对于一个或多个频率，基于与位置中的各个位置对应的所选择的信号数据，生成信号功率的源值。

在本说明书中描述的主题可潜在地提供以下优点中的一个或多个。例如，使用示例性频域VESTAL技术的MEG方法可提供具有高空间分辨率和时间分辨率的源图像，并且能够检测对其他神经成像技术不可见的神经元损伤和异常神经元网络。在所公开的MEG源成像应用中的VESTAL技术可以自动化的方式实现，例如，无需预先选择时期。这些示例性技术可以独立于操作员，例如，无需对源的数量或它们位置进行初始估计。在所公开的MEG源成像中的VESTAL技术可用于局部化和分解大量的焦点、多焦、双极、和分散的神经元源以及具有未修正的、部分相关以及100%相关的源时程的各种时间轮廓。所公开的VESTAL技术可用于构件用于MEG慢波和MEG功能连接的基于区域的规范化数据库，例如，这些规范化数据库可用于客观地检测具有神经和/或精神障碍的患者中的脑损伤和异常神经元网络，并且还可包括用于对整个对象登记和基于区域的组分析的内置特征。

附图说明

图1A和1B示出示例性基于频率的VESTAL过程的框图。

图1C示出示例性VESTAL系统的图。

图2A-2E示出用于慢波信号的频域VESTAL MEG源成像的示例性处理流的图像。

图3示出用于MEG慢波信号的Z_max的示例性经验Kaplan-Meier累积分布函数的图。

图4示出从频域VESTAL低频源成像获得的示例性Z_max值的数据图。

图5示出在来自轻度爆炸、轻度非爆炸、和中度TBI组的单个患者中产生异常MEG慢波的示例性皮层灰质区域的图。

图6A示出异常慢波信号产生的示例性图。

图6B和6C示出展示TBI组中的对比爆炸数据的示例性数据图。

图7示出示例性基于协方差矩阵的VESTAL MEG源成像图。

在各个附图中，相同的参考符号和标号指示相同的元件。

具体实施方式

脑磁图（MEG）描记术是用于通过记录由脑中细胞内电流产生的磁场来映射脑活动的技术。例如，由神经元细胞生成的同步电流可产生磁场。例如，这些磁信号可源于在神经元之间（例如，在突触传导过程中）流动的离子电流的净效应（net effect），其可模拟为电偶极子，例如，具有位置、方位和振幅的电流以及其他产生磁信号的非偶极子电流源。由神经元产生的磁场显示以毫微微特斯拉（fT）量级的振幅，例如，对于皮层活动的10¹fT和对于人类阿尔法节律的10³fT。这些神经元磁信号可以通过灵敏的磁力计进行检测。但是，这些神经元磁信号与外部身体环境的典型环境磁噪声（例如，可为nT至μΤ量级）相比相对较弱。

MEG技术可被实现为使用围绕在对象头骨外部的磁传感器，通过检测和分析由脑中离子电流发出的磁场信号以及随后执行信号处理和分析来确定神经元信令（例如，神经元的电活动）的位置。确定神经元信令的位置可被表征为反问题，其中模型参数（例如，活动的位置或源位置）必须基于一套给定的磁传感器的位置和空间分布由测定的MEG数据来估计。例如，该反问题的挑战之一是反问题可不必有唯一的解决方案。因此，要得到有意义且准确的解决方案，可使用涉及脑活动先验知识的模型得出可能的解决方案。例如，用于分析MEG数据的MEG源模拟可使用等效电流偶极子模型，以适应活动的操作者指定的时间窗口。

所公开的技术包括用于解决反问题的技术、设备和系统，其包括通过采用频域使用最小L1范数解的基于矢量的时空分析（VESTAL）的信号源成像。所公开的技术VESTAL的实施可用于从检测到的信号确定源数据并产生具有高空间分辨率和时间分辨率的源图像，例如，其中源数据位置基本大于用于检测信号的传感器的数量。

一方面，所公开的频域VESTAL技术可用于高分辨率MEG源成像，该高分辨率MEG源成像可以在非侵入性诊断应用中实施以检测和表征（例如，在患有神经和/或精神障碍的患者中的）神经元损伤和异常神经元网络的轨迹。例如，示例性VESTAL技术可用于通过使用高分辨率MEG方法采用神经成像和脑活动映射来检测神经元损伤和异常神经元网络。

本所公开的频域VESTAL技术还可在高分辨率源成像技术中实施，以从其他类型的传感器阵列和信号数据还原源信息，例如，除其他之外，传感器包括但不限于雷达、声纳、天文望远镜、电磁传感器、海洋传感器、光学传感器阵列和其他电磁传感器阵列。

描述了在MEG源成像应用中的所公开的VESTAL技术的示例性实施方式，其中MEG源成像应用使用了慢波MEG测量（例如，在1-4Hz的频率范围内）来识别神经障碍。例如，在具有轻度TBI（mTBI）、中度TBI和无TBI的患者中实施了使用振荡MEG信号的频域VESTAL源成像技术。TBI是平民和军事人员中的持续生理、认知、情感和行为缺陷的主要原因（例如，除其他事件之外，可能由于机动车事故、与体育有关的脑震荡、坠落、袭击以及与爆炸相关的创伤等）。虽然在大多数mTBI的情况下，mTBI中的脑震荡后症状（PCS）可在创伤后的3个月解决，但是大量mTBI对象（例如约20％，从8％至33％变化）显示出持久性长期认知和/或行为障碍。此外，存在很少对mTBI的有效治疗，并且传统的神经成像技术（例如，CT，MRI和DTI）的灵敏度受限，无法检测由TBI引起的生理改变。基于MEG的成像技术可在整个频谱上提供神经元活动的MEG数据。例如，8Hz以上的频率可与正常神经活动相关联，但是受伤的神经元组织（例如，由于头部外伤、脑肿、中风等）可能在德耳塔频带（例如1-4Hz）或西塔频带（例如，5-7Hz）中产生异常焦或多焦低频神经元磁信号，可使用所公开的基于MEG的VESTAL技术直接进行测量和定位。

在一个示例中，可取得成像（导联场）数据集，其中源空间（例如，灰质脑体积）被分成源位置的栅格（grid）。然后，示例性MEG时域信号可以数据矩阵表示，例如，B(t)=[b(t₁),b(t₂),…,b(t_N)]，其中N为时间样本的数量，并且b(t_i）是包括在时间点t_i的M传感器地点处磁场的M×1矢量。该数据矩阵可以表示为：

B(t)=GQ(t)+Noise(t）          （式1）

（B(t)=GQ(t)+噪声(t）)

其中G可以表示M×2P增益（导联场）矩阵，该矩阵通过用于具有P偶极子位置（例如每个偶极子位置具有两个正交的定向（例如，θ和φ））的预定源栅格的MEG正演模拟计算，并且Q（t）可表示2P×N源时程矩阵。在示例性球形MEG正演头部模型中，θ和φ可表示为用于每个偶极子位置的两个正切的定向；而在使用边界元法（BEM）的实际MEG正演模型中，θ和φ定向可获得作为用于每个偶极子来自M×3导联场矩阵的奇异值分解（SVD）的两个主要定向。式1中的示例性反解可获得用于给定的MEG传感器波形B（t）的源时程Q（t）。例如，对于每个时间采样，由于未知参数的数量可远大于传感器测量的数量（例如，2P＞＞M），所以MEG源成像面对高度负定问题，例如，可能存在适合数据的大量解。为了减少不确定性，如本文所述可采用附加限制（例如，源模型）。

所公开的使用最小L1范数解的基于矢量的时空分析（VESTAL）技术可被实施为对式1的高分辨率时域和频域MEG源成像解，其包括以下示例性特性。例如，示例性VESTAL技术可用于对许多偶极子和非偶极子源建模；所公开的VESTAL技术可在没有预先确定源数量（例如，模阶）的情况下实施；以及示例性VESTAL技术可以解决100%的时间相干源。例如，为了更有效地对振荡MEG信号成像，诸如复杂的MEG慢波，所描述的VESTAL技术可在频域中应用。例如，可以分析用于几个频点（frequency bin）的MEG信号，而不是在给定的时间窗口中数以千计的时间样本（例如，一个时期（epoch））。

例如，为了对静止状态的MEG信号成像，自发时域数据（例如，MEG信号数据）可被分为多个时期。例如，通过执行快速傅立叶变换（FFT）技术将每个时期转移至F个频点中，式1可表示为：

其中，M×F矩阵K_real（K_实）和K_imag（K_虚）是给定频率f的传感器波形B（t）的FFT的实部和虚部，并且2P×F矩阵Ω_real（Ω_实）和Ω_imag（Ω_虚）包括源时程Q（t）的傅立叶变换系数。例如，对于频域式2的反解可包括确定Ω_real和Ω_imag，它们是用于给定的传感器空间频域信号K_real和K_imag在不同频点处的源振幅。如在时域中那样，示例性反问题可以是负定的（under-determined）。

例如，使ω为来自给定频点的Ω_real或Ω_imag中的一列的2P×1源间隔傅立叶系数矢量（例如，不再用“real（实）”和“imag（虚）”下标表示），并且使G=USV^T为增益矩阵的截断奇异值分解，式2的L1最小范数解可表示为：

min(w^T|ω|)受限于 ${\mathrm{SV}}^T\mathrm{\ω}\≅U^T\mathrm{\κ}$ （式3）

其中κ是来自K_real或K_imag中的相应列的传感器间隔的傅立叶系数向量。例如，在示例性Elekta/Neuromag VectorView系统中，前40个奇异值可在增益矩阵G的奇异值分解（SVD）截断的过程中保持。在式（3）中，w是被选择为朝向表面层处的栅格节点去除潜在偏差的2P×1加权向量，并且其可取为G矩阵或高斯函数的范数列。由于源空间傅立叶系数ω可以是正数或负数，所以式（2）的解可以是非线性最小化过程。但是，实践中可用以下与ω相关的两组非负值代替|ω|中的绝对值，并且通过线性规划（LP）求解方程组。例如，通过引入两个新的非负变量ω^a和ω^b，式（3）可以表示为：

min(w^T(ω^a+ω^b))受限于 ${\mathrm{SV}}^T\mathrm{\ω}\≅U^T\mathrm{\κ},$ ω＝ω^a-ω^b， $\left\{{\mathrm{\ω}}_j^a\right\},\left\{{\mathrm{\ω}}_j^b\right\}\≥0,\left\{{\mathrm{\ω}}_j\right\},j=\mathrm{1,2},...,2P$ 式（4）

可（例如，通过使用LP技术，包括SeDuMi求解以上方程组，以得到用于给定的频点的源成像ω）对式（4）求解。该示例性步骤可以为每个频点重复，以获得用于信号的实部和虚部的全频域源图像，例如Ω_real或Ω_imag。

L1最小范数法可用于解决一个问题，其中该解可具有朝向坐标轴的小倾向（偏差）。例如，在球形MEG头部模型中，对于在栅格的第i个节点处的偶极子，基于矢量的L1最小范数解也可表示为最小化

其中ψ_i是总偶极子矩与包括偶极子节点的切向平面中的标高定向之间的角，并且

是非负偶极子强度。这可以引入朝向坐标轴的偏差。为了处理这个小偏差，在式（4）中的加权向量w中可包括附加的校正因子

再进行一次迭代，其中

是与基于在没有校正因子的情况下的L1最小范数解的预计方向相关联的角度。

在常规的时域L1范数法中，可存在包括空间构建中的不稳定性和重建的源时程中的中断问题。例如，这可看作从一个栅格点“跳跃”至（通常）相邻的栅格点。等同地，一个特定的栅格点的时程可示出大致“尖钉状”的中断。在单个频点上操作的直接频域L1范数解（例如，Ω_real或Ω_imag）也会和时域一样存在中断。

例如，根据MEG物理学，在传感器空间中的磁波形是源空间中偶极子时程的线性函数。示例性频域VESTAL可包括执行用于M×F频域MEG传感器信号的奇异值分解（SVD）：

$K=U_B{S}_B{V}_B^T$ (式5)

（例如，式5中的变量被示出为没有下标“real（实）”和“imag（虚）”，因为式5适用于两者）。

例如，在MEG传感器信号中的所有与频率相关的信息都可以表示为矩阵V_B中的奇异向量的线性组合。例如，由于MEG传感器间隔信号可以是基础神经元源空间信号的线性函数，所以展开传感器空间傅立叶系数矩阵K的频率维度的相同的信号子空间也可以展开2P×F源空间傅里叶系数矩阵Ω的频率维度（例如，还应注意的是，该处未示出下标“real”和“imag”）。例如，通过向V_B投影Ω，确保源光谱矩阵Ω和传感器光谱矩阵K共用相同的频率信息（例如，由MEG物理学所要求的频率信息）：

Ω_{Freq_VESTAL}＝ΩP_||   （式6）

其中投影矩阵

是使用传感器波形的主要时间（信号相关）奇异向量（子空间）构建的。例如，Ω_{Freq_VESTAL}（Ω_{频率_VESTAL}）可以被称为传感器波形的频域奇异向量（子空间）。Ω_{Freq_VESTAL}可以被称为频域VESTAL解。例如，如式（4）至（6）中所述的程序可分别应用于信号的实部和虚部。示例性频域VESTAL源图像可以通过将实部和虚部结合在一起而获得。

图1A和1B示出示例性的基于频率的VESTAL过程的框图。图1A示出通过检测到的信号数据确定具有高空间分辨率和时间分辨率的源数据的示例性过程100，例如，其中源数据位置远大于（例如，至少为10倍）用于检测信号的传感器的数量。例如，过程100可用于实现用于MEG源成像的频域VESTAL技术，其可在来自频域中的一连串的信号数据的一个或多个频带内选择信号数据（例如，通过MEG传感器获得的磁场信号）、限定映射至脑中位置的位置值（例如，可与体元对应的源栅格点）、以及对于所选择的频带的每个频点，基于与位置值对应的选定信号数据产生信号功率的源值。例如，选择特定频带内的信号数据可包括去除与其他频带相关联的其他信号数据，例如，优化信号源值的产生。

示例性过程100可包括将时域信号数据转换为频域中数据的过程101。例如，过程101可包括执行傅立叶变换以将时域MEG传感器波形转换为频域，并获得MEG传感器波形的傅立叶分量（例如，示例性传感器-空间频域信号K_real和K_imag），如式2所述。

示例性过程100可包括选择特定频带或多个频带的过程102。例如，过程102可包括选择德耳塔频带（例如，1至4Hz）中的频域MEG信号数据。例如，所选择的频率带可包括任意数量的离散频率（例如，可被称为频点），例如，示例性的选定德耳塔频带内的1.0、1.1、1.2、……、4.0Hz。例如，频域信号数据可以通过确定具体频带进行选择，例如，通过将信号数据经过一个或多个滤波器（例如，除其他滤波器之外，包括低通、高通、带通滤波器）进行滤波。

示例性过程100可包括例如通过应用L1最小范数反解产生传感器波形的频域奇异向量的过程103（例如，频域VESTAL解）。例如，传感器波形的示例性奇异向量可包括对于所选择的频带内的每个频点的、基于与每个源位置（例如，图像中的体素（voxel））对应的选定MEG信号数据的信号功率的源值。例如，过程103可包括使用边界元方法（BEM）计算MEG正演解以构建增益矩阵G（例如，还被称为导联矩阵），以及对增益矩阵G=USV^T应用奇异值分解（SVD）。对于L1最小范数求解，过程103可包括设置如式3和4中所述的G的示例性SVD矩阵以及传感器波形的傅立叶分量（K_real和K_imag）。例如，L1最小范数要求的第一项（例如，式3和4中的min(w^T|ω|))是获得高分辨率源成像的重要项，例如，用于包括数量远小于用于具有数以千计体素（例如，～10,000个体素）的典型栅格的源变量（例如，～>10,000）的MEG传感器（例如，～300）的MEG源成像。例如，式3和4中的剩余项确保解适合MEG数据，例如，在传感器波形的傅里叶分量中的项。过程103可包括使用线性规划技术作为L1最小范数求解程序，例如来求解式4，并且获得源空间傅立叶系数ω，例如，用于MEG源电流图像的体素的电流流动向量。

示例性过程100可包括基于源值产生图像数据（例如，源空间系数）的过程104。例如，频域VESTAL解可用于产生代表MEG源功率的源图像（例如，在图像的每个体素内，可包括～10,000个体素）。示例性MEG源成像图可以是具有高分辨率的MEG空间图，例如，脑中每毫米体积的至少一个源值的分辨率。在一些示例中，MEG空间图的分辨率可以是2mm至3mm，例如，可以是基于信噪比的。例如，过程104可包括为每个频点去除形式系统性偏差并构造VESTAL源功率图像（例如，按照式5和6）。例如，过程104可包括在（例如，脑的）示例性解剖MRI图像上显示基于VESTAL的MEG源功率图像。例如，可应用示例性掩模（mask）（例如，脑皮层区域掩模）以将来自每个源位置（例如，示例性～10,000个体素）的示例性MEG源功率数据分成数量更少的区域（例如，以下在图2A中所示的96个皮层区域），从而研发示例性2D MEG频率功率图（例如，包括矩阵维数：脑区域数量×频点数量）。

所公开的技术VESTAL可以在非侵入性诊断应用中实施，以检测和表征（例如，在患有神经和/或精神障碍的患者中的）神经元损伤和异常神经元网络的轨迹。图1B示出用于创建可用于表征和区分健康和异常的脑的规范化数据库的示例性过程110。例如，示例性过程100可实施用于在大量健康对象中（例如，没有脑损伤、疾病或障碍的对象）进行MEG源成像，从而为示例性2D MEG频率功率图的每个单元研发健康控制数据库。如图1B所示，过程110可包括过程111以计算用于对整个组内的对象（例如，健康控制对象）的示例性2D MEG频率功率图的每个单元的均值和标准差。过程110可包括过程112，以产生基于计算出的示例性组的均值和标准差的统计分数值（例如，被称为Z分数值）。例如，过程112可包括对于每个单元基于组均值和标准差将每个健康控制对象的2D MEG频率功率图转换为Z分数2D图。过程110可包括过程113用于确定可用于正常值与异常值之间的差异的阈值。例如，过程113可包括为每个控制的整个Z分数图选择最高Z值，以及指定该Z值表示控制的最大Z分数。例如，例如，可通过将该值设置为正常（例如，小于或等于阈值Z分数）对异常高的德耳塔功率（例如，高于阈值Z分数）之间的差异的阈值，来选择所有控制的最大Z分数的最高者。例如，示例性过程100可实施用于在大量患有神经或精神障碍的对象中进行MEG源成像。基于确定出的阈值，这些示例性对象的示例性2D MEG频率功率图可以转换为Z分数2D图，并且可识别Z分数超过阈值的区域（例如，在健康控制数据库中建立）。

图1C示出用于实施所公开的VESTAL技术的示例性基于MEG的系统180，例如，使用在时域和频域中的高分辨率MEG源成像技术确定健康和患病组织的体内的非侵入性生物标志物数据，从而检测神经元损伤和异常神经元网络的轨迹。图1C示出了示例性系统180的一方面，其可包括可由处理单元190控制的、脑磁图仪185磁共振成像机187。例如，示例性处理单元190可用于实施所公开的VESTAL技术的过程100和其他过程。

示例性MEG仪185可在系统180中使用以实现磁场信号数据采集。例如，示例性MEG仪185可包括能够检测由脑发出的磁信号的磁力计传感器的阵列，例如超导量子干涉仪（SQUID）可为这种传感器。在一些实施方案中，SQUID传感器可包含在外壳中，该外壳可保持用于操作的制冷温度，例如，头盔状含液氦的容器或杜瓦瓶（dewar）。MEG仪185可包括数百或数千SQUID的阵列，其可以记录同时在微米或毫米尺度上对几个区域的头部的测量。在围绕脑的不同空间位置处可使用大量传感器以收集由脑发出的磁信号，从而获得磁信号的脑发射的空间多样性。随着传感器数量的增加，可获得更好的源成像信息的空间分辨率。在实施本技术中，脑中的源的数量大于传感器的数量。本技术允许使用数量有限的传感器，来提供对脑中的更大数量的源位置进行MEG成像。系统180可包括磁屏蔽室以容纳示例性MEG仪185，从而最小化来自外部磁噪声源的干扰，例如，包括地球磁场、电气设备、射频（RF）信令、和其他低频磁场噪声源。示例性磁屏蔽室可配置成包括多个嵌入式磁屏蔽层，例如，包括纯铝层和高磁导率铁磁层（例如，钼坡莫合金）。

示例性MRI机187可在180系统中使用，以在示例性处理单元190的控制下实现支持示例性VESTAL表征过程的MRI成像。MRI机187可包括各种类型的MRI系统，其可执行多个MRI扫描中的至少一个，多个MRI扫描可包括，但不限于T1加权MRI扫描、T2加权MRI扫描、T2*加权MRI扫描、旋转（质子（¹H））密度加权MRI扫描、弥散张量成像（DTI）和弥散加权成像（DWI）MRI扫描、扩散性谱成像（DSI）MRI扫描、Tip MRI扫描、磁化转移（MT）MRI扫描、实时MRI、功能性MRI（fMRI）以及除其它MRI技术之外的相关技术，诸如动脉旋转标记（ASL）。

示例性处理单元190可包括处理器191，处理器191可以与输入/输出（I/O）单元192、输出单元193、和存储器单元194通信。例如，处理单元190可以实现为各种数据处理系统中的一个，诸如个人计算机（PC）、笔记本电脑、平板电脑、和移动通信设备。为了支持处理单元190的各种功能，可包括示例性处理器191以与处理单元190的其他部件，诸如示例性I/O单元192、示例性输出单元193、和示例性存储器单元194连接并控制这些部件的操作。

为了支持处理单元190的各种功能，存储器单元194可以存储其他信息和数据，诸如指令、软件、值、图像、以及由处理器191处理或参考的其他数据。例如，各种类型的随机存取存储器（RAM）设备、只读存储器（ROM）设备、闪存设备、以及其他合适存储介质可用于实现存储器单元194的存储功能。示例性存储器单元194可存储MEG和MRI数据和信息，可包括对象MEG和MRI数据，包括时间、空间和频谱数据、MEG系统和MRI机系统参数、数据处理参数、和可在VESTAL特性的实施方案中使用的处理过的参数和数据。存储器单元194可以存储可用于实施基于MEG的VESTAL过程的数据和信息，以及可从基于VESTAL特性算法和模型所产生的数据和信息。

为了支持处理单元190的各种功能，示例性I/O单元192可以连接至外部接口、数据存储源、或显示设备。例如，与典型数据通信标准兼容的各种类型的有线或无线接口，诸如通用串行总线（USB）、IEEE1394（FireWire（火线））、蓝牙、IEEE802.111、无线局域网（WLAN）、无线个人区域网（WPAN）、无线广域网（WWAN）、WiMAX、IEEE802.16（全球微波接入互操作性（WiMAX））、和并行接口可用于实现I/O单元192。I/O单元192可以与外部接口、数据存储源、或显示设备连接，以获得和转移可以由处理器191处理的、存储在存储器单元194中的、或在输出单元193上展示的数据和信息。

为了支持处理单元190的各种功能，输出单元193可以用于展示由示例性处理单元190实施的数据。输出单元193可包括各种类型的显示器、扬声器、或打印接口，以实现示例性输出单元193。例如，输出单元193可包括阴极射线管（CRT）、发光二极管（LED）、或液晶显示（LCD）监视器或屏幕作为可视化显示，以实现输出单元193。在其他示例中，输出单元193可包括墨粉、液体喷墨、固体墨、染料升华、无墨（诸如热或UV）印刷设备，以实现输出单元193；输出单元193可包括各种类型的音频信号转换器装置，以实现输出单元193。输出单元193可以展示数据和信息，诸如患者诊断数据、MEG仪系统信息、MRI机系统信息、部分处理的基于MEG的VESTAL处理信息、以及完全处理的基于MEG的VESTAL处理信息。输出单元193可以存储用于实施示例性基于MEG的VESTAL特性过程的且来自所实施的基于MEG的VESTAL特性过程的数据和信息。

在可以应用于诊断轻度TBI的自动化且独立于操作者的MEG低频源成像技术中使用所公开的VESTAL技术执行示例性实施方式。

例如，所公开的VESTAL技术用于表征轻度TBI患者中的贝它和伽玛频带中的，异常MEG德耳塔波的产生与MEG功能连接的潜在减少之间的关系。例如，由于轴突损伤而经历传入神经阻滞的灰质神经元可引起在低频处产生异常德耳塔波，而在较高频率处（贝它和伽马频带）的皮层连贯性减少。25个轻度TBI伤患者和21个健康控制对象参加了这些示例性实施方式，并且对睁眼和闭眼的静息状态MEG信号进行了记录。在示例性实施方式中还观察到，在轻度TBI患者中使用N-back工作存储MEG任务是TBI相关的认知损伤的神经生理基础。例如，为了检查使用MEG的高度相关神经元网络中的静息状态功能连接，开发了使用双核波束形成器对基于区域的连通性分析。示例性实施方式的结果展示出：（1）在轻度TBI患者的静息状态MEG检查中，产生的异常MEG德耳塔波的脑区域还示出在贝它和伽玛频带中与其他脑区域的减少的功能连接；（2）在静息状态检查中的工作存储网络中的减少的功能连接与轻度TBI患者中的N-back工作存储检查的结果相关联；以及（3）示例性MEG的发现与脑震荡后症状和轻度TBI中的神经心理测验结果一致。

对在使用所公开的VESTAL技术进行MEG源成像的示例性实施方式中采用的示例性数据采集和信号预处理协议进行了描述。例如，使用多层磁屏蔽室（IMEDCO-AG）中具有306个MEG通道的Elekta-Neuromag VectorView^TM全头部MEG系统采集静息状态MEG数据（例如，用于检测低频MEG信号的自发记录）。示例性记录被分为3个5分钟块，其中眼睛是闭合的，例如，与眼睛是睁开的并且对象观看固定点的3个5分钟块交替。这些块的顺序在对象之间是平衡的。在1000Hz处对示例性数据进行采样，并且运行通过具有0.1Hz截止的高通滤波器以及具有330Hz截止的低通滤波器。对眨眼、眼运动和心脏信号进行监控。

示例性MEG数据首先通过MAXFilter以去除外部干扰（例如，因金属物体造成的磁性伪影、强心脏信号、环境噪声等），并且为了头部运动进行校正。接下来，使用Independent Component Analysis（独立分量分析）（例如，ICALAB的定制软件）去除因眼运动而在传感器阵列附近的剩余伪影以及残留的心脏信号。例如，当MEG数据通过MaxFilter时，还去除MEG数据中的EKG伪影。

对使用所公开的VESTAL技术进行MEG源成像的示例性实施方式中采用的示例性MEG-MRI登记和BEM正演计算进行了描述。可以使用任何MRI扫描仪对示例性对象的头部的结构性T1加权3D MR图像进行收集。例如，使用通用电气1.5T Excite MRI扫描仪（软件版本为14）收集示例性对象的头部的结构性MR图像。该采集包括标准高分辨率解剖体积，分辨率为0.94×0.94×1.2mm，使用T1加权3D-IR-FSPGR脉冲序列。例如，为了共同登记MEG与MRI坐标系统，使用探针位置识别（Probe Position Identification）系统（Polhemus（伯尔西莫斯），美国）为每个对象测量3个解剖标志（例如，左耳前点和右耳前点、以及鼻根）。通过识别对象的MR图像上的相同的3点，生成涉及MEG与MR坐标系统之间的旋转和平移的变换矩阵。例如，为了提高MEG-MR共同登记的可靠性，除了3个标志之外，通过Polhemus系统将头皮上大约80个点数字化，并且那些点被共同登记在MR图像的头皮表面上。MEG-MR共同登记的误差期待小于3mm。例如，T1加权图像还用于提取最内层颅骨表面（来自Elekta/Neuromag的SEGLAB）。最内层颅骨表面用于基于边界元法（BEM）技术构建用于MEG正演计算的真实头部模型。还例如，除了示例性T1加权MRI之外，还执行以下MRI序列，例如，轴向T2*加权、轴向快速旋转回声T2加权、轴向FLAIR、以及轴向DWI。

对用于MEG慢波信号的频域VESTAL源成像的示例性处理流进行描述。例如，无伪影、长5分钟、闭眼、静息状态MEG传感器空间数据中的每个都经过带通滤波器，该带通滤波器具有1至4Hz的通带（例如，德耳塔频带）以及分别为0.5-1Hz以及4-6Hz的过渡频带（例如，规划窗口（Planning Windows））。然后，例如，示例性传感器空间MEG数据被分为时间上重叠50%的2.5秒的时期。对于每个示例性时期，执行FFT以获得用于中心频率在0.98Hz与5.86Hz之间的11个等距低频点的传感器空间FFT系数K_real和K_imag。这些示例性传感器空间频域数据由频域VESTAL使用以获得MEG低频源图像。

通过从每个对象的示例性T1加权MRI数据中对灰质区域进行采样获得用于示例性频域VESTAL技术的示例性实施方式的源栅格。图2A包括T1加权MR图像201、202、203、和204，例如，其使用分析工具（例如，诸如FSL）的综合库中的登记程序被登记为标准图谱（例如，MNI-152）。如图2A所示，图像201示出示例性单个对象的T1加权MRI数据；图像202示出示例性MNI-152脑图谱；图像203示出在MNI-152坐标中的示例性哈佛-牛津皮层区域掩模；以及图像204示出转移至单个对象的MRI坐标的皮层区域掩模。例如，来自标准图谱的具有预定脑区域的皮层、皮层下、和小脑灰质掩模可以转移至单个对象的MRI坐标（例如，如图像204所示），例如，使用第一步骤中的变换的逆变换。例如，在该示例性过程中，可使用哈佛-牛津图谱作为FSL软件的具有96个皮层灰质区域（例如，每个半球48个）、15个皮层下灰质区域、和小脑的掩模的一部分。

例如，对示例性对象中的区域掩模重新采样成尺寸为5mm的立方源栅格以用于频域VESTAL分析。图2B示出图像205，图像205展示重新采样为示例性MEG源栅格的示例性皮层区域。例如，真实BEM头部模型被用于MEG正演计算，例如，通过将来自MRI的内颅骨表面嵌合到具有～5mm尺寸的～6000个三角形元素而获得的BEM网格（例如，在图像205中示为灰色三角形）。这些示例性基于栅格点的频域VESTAL低频源图像展示出高空间分辨率，并且可用于诊断神经障碍和病症。然而，例如，对于每个低频点，可通过将皮层掩模应用至基于栅格点的频域VESTAL结果来生成基于区域的MEG慢波图。

为每个时期的实部和虚部分别执行示例性频域VESTAL分析（例如，在式（4）至（6）中所述的），从而获得频域源成像Ω_{Freq_VESTAL}。例如，对V_B矩阵的信号相关子空间维数的选择等于关注通频带内的频点的数量。对于每个栅格点，来自两个垂直定向（例如，θ和φ）的实部源图像和虚部源图像结合，以产生用于那个时期的每个频点的源功率图像。为示例性的5分钟闭眼静息状态数据中的所有时期重复进行该示例性程序。例如，通过对所有时期的源功率图像进行平均获得一套11个平均源功率图像（每个低频区间一个图像）。图2C示出通过实施示例性频域VESTAL技术获得的MEG慢波活动的图像206（例如，图像206上的图像特征被称为“热点”）。由白色箭头突出的示例性黄色和红色“热点”示出在一个特定频点处来自一个对象的频域VESTAL慢波源功率图像的示例。例如，用于在掩模中限定的96个皮层区域中的一个区域的总功率可以通过将来自每个区域中所有栅格点的慢波功率相加来计算。

然后，（例如，图像203的）示例性皮层掩模可应用于这些慢波活动。例如，图2D-1、2D-2和2D-3示出用于构造规范化数据库（在下文中描述）的3个健康控制对象的示例性MEG慢波功率图（例如，皮层区域对频点）。图2E示出展示来自TBI患者与规范化数据库的对比慢波功率的示例性Z分数图。在图2D-1、2D-2、和2D-3中，增加的慢波活动的示例性数据以黄色和红色示出。例如，对于使用MEG低频源成像以检测TBI患者中的异常的一个重要方面可以包括构建规范化数据库。图2D-1、2D-2、和2D-3示出了包括96个皮层灰质区域和11个低频区间的基于区域的慢波功率图研发规范化数据库的示例性程序。例如，在该示例性程序中，使用了来自28个健康控制对象的84个数据集（例如，每个对象3个5分钟闭眼数据集）。在规范化数据库中获得用于低频范围的两个96×11（皮层区域乘频率）的功率频率矩阵，例如，一个包括通过平均全部所有84个区域功率频率图而得的均值，而另一矩阵包括标准差。例如，虽然用于频域VESTAL技术的该示例性实施方式的示例性源栅格包括额外的15个皮层下灰质区域和小脑，但是该示例性实施方式集中在96个皮层灰质区域。

例如，如图2E所示，来自测试对象的低频范围的任何基于区域的功率频率图可转换成用于轻度TBI患者的Z分数图（96×11）。图2E示出将来自TBI患者的慢波功率与规范化数据库相比较的示例性Z分数图。在图2E中，增加的慢波活动以黄色和红色示出。例如，该Z分数图的每个元素可通过下式计算：

Z_ij＝(P_ij-Mean_ij ^ctrl)/SD_ij ^ctrl  i＝1，2，...96；j＝1，2，...11

                                   （式7）

其中Mean_ij ^ctrl（均值_ij ^ctrl）和SD_ij ^ctrl是来自健康控制对象中的两个96×11规范化数据库矩阵的均值和标准差值，包括用于低频范围的基于区域的功率频率图。

在使用所公开的VESTAL技术的MEG源成像的示例性实施方式中，采用示例性最大Z值统计分析和阈值设置（例如，用于协助TBI诊断），并且对其进行了描述。例如，可以识别MEG慢波变量（测量）示出了健康控制和TBI患者之间的最小重叠。例如，在TBI患者中，至少1个区域可以产生统计学上的异常慢波，无论该区域的精确位置如何。示例性基于区域的MEG功率频率图展示出减少的判断族误差，例如，由于从数千栅格点至96个皮层灰质区域的多重比较。而且，例如，可以进一步处理数据以消除获得假阳性结果的可能性。例如，慢波测量的Z值可用于进一步减少判断族误差和诊断TBI。

TBI患者中的MEG慢波的最大Z值可用于从健康控制对象区分个别TBI患者。为了展示，例如，计算来自所有健康控制对象中的数据集的Z分数图（例如，式（7））。对于每个Z分数图，对整个示例性96个皮层区域和11个频点的最大Z值进行识别。为每个健康控制和TBI对象获得与3个5分钟闭眼静息状态数据集相关联的、3个Z分数图中的最大Z值（例如，Z_max（Z_最大））。通过绘制来自全部健康控制对象的示例性最大Z值（Z_max）的累积分布函数（CDF），可得到规范性阈值。该规范性阈值可用于在统计的基础上识别具有异常高的MEG慢波的个别TBI患者。

描述了示例性规范化数据库以确定用于异常慢波功率的阈值。例如，使用来自健康控制对象中的规范化数据库的信息确定异常慢波源功率的阈值。图3示出了展示来自规范化数据库中的28个健康控制对象用于MEG慢波（例如，图300中的实线）的Z_max的经验（Kaplan-Meier法）累积分布函数（ECDF）的图300。例如，在每个对象中，Z_max表示从全部示例性96个皮层灰质区域、11个低频区间、以及闭眼的3个五分钟静息状态记录的频域VESTAL获得的Z分数图中的最大值。图300中的两个示例性虚线是ECDF的下界和上界。所有（100%）的健康控制对象展示出它们的Z_max值小于8.36。例如，示例性Z_max值8.36被选择为阈值，例如，因为没有健康控制对象示出高于该水平的Z_max。

图4示出通过频域VESTAL低频源成像获得的、分别为1）健康控制组、2）轻度爆炸相关TBI组、3）轻度非爆炸相关TBI组、以及4）中度TBI组绘制的Z_max值的数据图400。数据图400的y轴以对数标尺示出，因为一些TBI患者显示明显高的慢波功率，其被转化为明显高的Z_max值。数据图400中的一个示例性发现包括每个TBI组与健康控制组之间的Z_max值的较低重叠，例如，所有TBI组中的患者示出明显高于健康控制对象的慢波Z_max值。该特性提供了在用于TBI的诊断的MEG低频源成像中实施示例性频域VESTAL技术的基础。

例如，利用示例性Z_max阈值8.36，正确的阳性发现率显示为对于轻度爆炸TBI患者为96%（例如，25个中的24个），对于轻度非爆炸TBI患者为82%（例如，22个中的18个），以及对于中度TBI患者为100%（例如，10个中的10个）。在爆炸和非爆炸轻度TBI组组合在一起后，对于组合的轻度TBI组，诊断率被确定为～90%。

自动化MEG低频源成像过程在每个TBI组与健康控制组之间产生非常显著的差异。例如，执行了ANOVA分析，并且示例性ANOVA结果证实，与健康控制组相比，在轻度爆炸TBI组（F=53.0，p<10^-8，df=50）、轻度非爆炸TBI组（F=37.3，p<10^-6，df=49）、以及中度TBI（F=78.8，p<10^-9，df=37）组中的Z_max值的对数确实明显较高。在这些示例性ANOVA分析中，示出了不同TBI组之间的Z_max值的对数没有显著差异。

图5示出图510、520、和530，其示出在来自轻度爆炸组（图510）、轻度非爆炸组（图520）、和中度TBI组（图530）的个别患者（x轴）中产生异常MEG慢波的示例性皮层灰质区域（y轴）。对于每个对象（示例性图510、520、和530中的每列），黑条表示超出阈值的异常慢波产生。在图5的每个图中，左半球的区域（例如，区域1-48）由虚线与右半球中的类似区域（例如，区域49-96）隔开。多数患者示出至少一个，并且通常示出许多产生显著慢波的皮层灰质区域。该示例性数据可示出所公开的技术VESTAL可用于标准在具有脑损伤、疾病或障碍的对象中的异常慢波产生的轨迹和图案（例如，如示例性TBI患者所示）。

例如，图5中的示例性图510、520、和530中的每个都可以不同方式例如，包括对整个对象和整个不同灰质区域进行分析。在示例性整个对象组分析中，对于轻度爆炸、轻度非爆炸、和中度TBI患者，示出异常慢波的皮层灰质区域的数量分别为6.3±4.8、9.6±12.6、和9.0±10.3。对于具有异常慢波的灰质区域的数量未发现显著组差异。许多皮层灰质区域示出异常MEG慢波的事实揭示了，在所有3个TBI组中脑损伤的扩散性。在任何TBI组中，对于灰质区域数量未发现显著半球不对称性。

采用图5中这3个示例性图，可以对整个96个不同灰质区域的数据（例如，在左半球的区域1-48、以及在右半球的类似区域49-96）进行进一步分析，并且可以例如通过计算每个TBI组中的每个皮层灰质区域内的慢波产生的可能性来估计神经元损伤的图案。例如，对于这些图中的每行，通过将全部所有列相加，然后将结果除以每个组中患者的数量，获得用于每个皮层灰质区域的异常慢波产生的可能性百分比。结果在图6A中示出，其中颜色标尺示出用于3个TBI组的96个皮层灰质区域的可能性百分比。

图6A示出图610，其展示出对于3个TBI组中的每个皮层灰质区域的异常慢波产生的可能性百分比。两个轻度TBI组高度相关（双箭头）。图6B示出数据图620，其示出绘制用于轻度爆炸TBI组（蓝色，图621）和轻度非爆炸TBI组（绿色，图622）的异常慢波产生的可能性百分比的不同方式。图6B示出数据图630，其示出异常慢波产生的可能性百分比的差异（爆炸减非爆炸），该差异示出非爆炸组的受TBI影响的区域少于非爆炸组。示例性实线（±12%）和示例性虚线（±7%）代表经验阈值。数据图620和630中的垂直虚线将左半球中的区域与右半球中的区域隔开。

例如，图610示出轻度爆炸TBI（左列）与轻度非爆炸TBI（中间列）之间的图案的相似度。该示例性图案可通过图6B的数据图620中的两组示例性图621和622可见。例如，如图610中星号和双箭头所指示，统计分析示出轻度爆炸TBI组的慢波产生的图案与轻度非爆炸TBI组（r=0.62，p<10^-10，df=94）的慢波产生的图案高度相关且正相关。相反，例如，在轻度爆炸TBI与中度TBI组（r=0.07，p=0.48，df=94）之间、或轻度非爆炸TBI和中度TBI组（r=-0.02，p=0.84，df=94）之间未发现显著相关。

而且，例如，尽管轻度爆炸TBI与轻度非爆炸TBI组之间的慢波产生的图案之间高度显著相关，但是这两组之间还是有差异的。图6C示出数据图630，数据图630示出轻度爆炸对轻度非爆炸TBI组之间的可能性百分比测量的差异（例如，图6A的图610中的第一列减去第二列，或等同地，图6B的数据图620中的蓝线减去绿线）。图6C的数据图630中的示例性实线指示由目视检查选择的+12%和-12%经验线。例如，96个皮层区域的多数在这些线内，暗示慢波产生的可能性对于这些区域是类似的。例如，只有3个皮层区域在可能性差异的测量中被示出为高于12%，这表示在这些区域中来自轻度爆炸TBI组的患者的慢波产生的可能性高于轻度非爆炸TBI组。相反，例如，两倍（例如，6个）皮层区域在可能性差异的测量中示出低于-12%，这表示在这些区域中轻度非爆炸TBI组中的异常慢波的患者比轻度爆炸TBI组多。而且，例如，在可能性测量中使用+7%和-7%阈值发现类似的结果（例如，图6C的数据图630中的两个虚线）。应注意的是，在示例性结果中，只有6个区域示出爆炸组大于非爆炸组（例如，在+7%线之上），然而29个区域示出非爆炸组大于爆炸组（-7%线以下）

MEG源成像应用的示例性实施方式还包括对示例性55个TBI患者中的异常MEG慢波与脑震荡后症状（PCS）之间关系的检查。对每个TBI患者的PCS评估基于临床会谈。例如，在28类中对于存在症状，将该症状编码为“1”，并且对于不存在该症状，则将该症状编码为“0”，与头部损伤症状清单（HISC）稍有修改，例如，包括：1）头痛，2）头晕，3）疲劳，4）记忆力衰退，5）烦躁不安、缺乏耐心，6）焦虑，7）失眠，8）听力衰退，9）视力模糊，10）其他视觉障碍，11）人格改变（例如，社交问题），12）冷漠，13）缺乏自发性，14）情绪不稳（快速变化的情绪），15）抑郁，16）注意力无法集中，17）为噪音所扰，18）为光所扰，19）协调问题，20）平衡，21）味觉，22）嗅觉，23）运动障碍，24）语言障碍，25）麻木/刺痛，26）易怒，27）性障碍，28）性不当。例如，PCS总分（计算所有类的总分）为：轻度爆炸TBI组为6.4±1.5，轻度非爆炸TBI组为6.6±3.1，并且中度TBI组为5.4±2.6。例如，应注意的是，在3个不同TBI组之间未观察到显著的组差异。例如，应注意的是，没有健康控制对象报告任何PCS。

例如，为了计算MEG慢波与PCS之间的相关性，首先计算每个TBI患者中产生的异常慢波的脑区域的总数，例如，称为“N_{slow-wave-sum}（N_慢波和）”，然后通过计算每个TBI患者中全部28个PCS类的总数计算总症状分数，例如，称为“N_PCS-sum（N_PCS和）”。然后，例如计算N_{slow-wave-sum}与N_PCS-sum之间的相关性，并且发现这两个数显著正相关（r=0.28，p<0.05，df=53）。然后，例如，在这些示例性TBI患者中产生的MEG慢波的区域总数与28个单个PCS类之间执行探索性的相关性分析。示例性结果示出N_{slow-wave-sum}与人格改变（例如，社交问题）（r=0.35，p<0.01，df=53）、冷漠（r=0.35，p<0.01，df=53）、以及其他视觉障碍（r=0.27，p<0.05，df=53）显著正相关。此外，例如，还观察到这些TBI患者中的N_{slow-wave-sum}与烦躁不安、缺乏耐性（r=0.22，p=0.09，df=53）以及与协调问题（r=0.23，p=0.08，df=53）显著相关性的趋势。

示例性实施方式包括使用分段法的线性回归，例如，将MEG慢波（N_{slow-wave-sum}）作为因变量，并且将28个PCS症状作为因变量。例如，发现人格改变（例如，社交问题）明显导致R²值为12%的N_{slow-wave-sum}的变化（p<0.01）。而且，例如，其他视觉障碍导致该变化的另外9％，这也是明显的（p<0.05）。分段法模型在该点终止，因为其余变量因其p值大于0.05而排除在分析之外。

在自动化MEG低频源成像中使用所公开的频域VESTAL技术，在轻度TBI的45个患者（例如，23个为爆炸，22个为非爆炸）的～90%、中度TBI的10个患者的100%中发现异常德耳塔波（例如，如图4数据图400所示）。这些示例性正发现率明显高于分别在相同的轻度和中度TBI患者中使用常规神经成像方法（例如，CT或MRI）的发现率～9%和20%。

该示例性结果还揭示了TBI患者中的神经元损伤的扩散性（例如，如图5中的图510、520、和530所示）。例如，在局部白质纤维束中减少的DTI各向异性导致来自mTBI中的相邻灰质的焦点异常MEG慢波。另一方面，例如，在主白质纤维束中减少的DTI各向异性导致从皮层灰质区域产生的异常慢波的多焦或分布图案，在位置上可远离，但是在功能和结构上由损失的主要/长白质纤维束连接。

该示例性结果还揭示在TBI中的异常MEG慢波生成的扩散性质。例如，与具有特定精神和神经障碍（例如，精神分裂症和阿兹海默病，其中源位置在空间上的组平均得到关于功能障碍的神经元网络的有意义信息）的患者群体中的异常慢波生成不同，在示例性TBI患者中示出的异常慢波生成的轨迹倾向于在位置上高度可变。因此，例如，在空间中对MEG慢波源位置的组平均不太可能是检测脑损伤的最有效方法。反而，诸如在所公开的技术的示例性实施方式中所介绍的对MEG慢波生成的图案分析，可以提供关于TBI中的神经元损伤的更多洞察力。

用于VESTAL技术的示例性实施方式的诊断是以与包括来自96个皮层区域的MEG慢波源功率的控制规范化数据库进行客观比较为基础。示例性MEG源成像分析是通过分析来自整个静息状态记录的所有无伪影时期来执行的。该示例性程是客观的，因为在手动选择时期的过程中没有涉及人机交互（例如，独立于操作员）。例如，所描述的技术在源空间中而非在传感器空间中基于慢波的成像结果来实施。这与常规方法明显不同，在常规方法中，有经验的操作员选择他/她视为展示异常低频MEG信号的传感器波形时期。

例如，当使用所公开的频域VESTAL技术实施时，MEG低频源成像还可以包括几个优势和先进特征。例如，所描述的VESTAL技术可用各种空间轮廓局部化神经元源，例如，焦点、多焦、双极、以及分散的源，以及各种具有未修正的、部分相关的以及100%相关的源时间进程的时域轮廓。例如，在轻度TBI患者中的异常慢波的生成可以处于上述空间和时间轮廓中的一个或多个中，例如，适于使用所公开的VESTAL技术表征的轮廓。相反，例如，传统MEG慢波源分析使用将其能力限制为通过复杂的神经元源配置来分析MEG信号的单偶极拟合，并可包括在一些TBI患者中的异常慢波的情况。示例性神经成像方法的另一优势在于能够与静息状态MEG记录程序实施，例如，是自发的、几乎无需TBI患者的努力，并且因此不依赖患者的表现和努力。

所公开的技术在示例性MEG源成像实施方式中实施，检查在轻度TBI和中度TBI中的自动化和独立于操作员的MEG低频（慢波）源成像的诊断值。示例性结果显示出所公开的VESTAL技术可用于例如通过选择阈值，使得在正常控制组中无假阳性的这种实施方式，对于轻度TBI组实现了90%的阳性发现率，对中度组实现了100%的阳性发现率。示例性结果还示出在轻度爆炸TBI和轻度非爆炸TBI患者中的慢波生成的图案是显著相关的。示例性结果还示出在TBI患者中产生异常慢波的皮层区域的数量与脑震荡后症状分数之间的显著相关性。上述信息详细表明将轻度TBI用作综合示例以说明使用所公开的VESTAL技术的MEG源成像的功率的信息。例如，同样的方法可以直接用于分析来自早期阿尔茨海默痴呆症、早期多发性硬化症、孤独症、精神分裂症、PTSD患者的MEG信号（例如，异常慢波和基于源的功能连接）。

另一方面，所公开的技术可包括基于协方差矩阵的VESTAL技术。所公开的基于协方差矩阵的VESTAL技术可以显著减少主要在时域数据中使用VESTAL求解反问题的计算成本。例如，为了分析具有30－45分钟记录的MEG数据，常规时域VESTAL可能耗费10小时以上的计算时间。相比之下，所公开的协方差矩阵VESTAL技术可以在大致一分钟内获得MEG源图像和相关联的源时程和/或频率功率。所公开的协方差矩阵VESTAL技术可以提供MEG数据的补充源图像（例如，作为主要空间模式）。

示例性协方差矩阵VESTAL技术可以是对所公开的频域VESTAL技术的补充。例如，如果所关注的MEG信号处于预知的频带内（例如，德耳塔频带（例如，1-4Hz）、德尔塔频带（例如，5-7Hz）、阿尔法频带（例如，8-13Hz）、贝它频带（例如，15-30Hz）、伽玛频带（例如，30-100Hz）、或关注的其他频带），那么频域VESTAL方法对于MEG源成像可以是强大的工具。另一方面，例如，如果关注的MEG信号最好在时域中表示和/或MEG信号可以在多个频带上分布，那么基于协方差矩阵的方法可以有价值的，并且能够通过若干优势。所公开的技术还可以包括所公开的频域和协方差矩阵VESTAL技术的组合以进一步加速数据处理。

示例性基于协方差矩阵的VESTAL技术可包括使用用于G矩阵的奇异值分解（SVD），G=U_GS_GV_G ^T，MEG传感器波形矩阵，B（t）=U_BS_BV_B（t）^T、和源时程矩阵，Q（t）=U_QS_QV_Q（t）^T来重写式1，然后用V_B（t）右乘，并且用U_G ^T左乘，从而得到：

U_G ^TU_BS_B＝S_GV_G ^TU_QS_Q   （式8）

例如，由于传感器波形与源时程之间的线性关系，它们中的整体时间信息相同（例如，V_B（t）=V_Q（t）。这可以在示例性技术中应用。例如，在式8中，时间变量可以整合出来，例如，因为V_B（t）^TV_B（t）=V_Q（t）^TV_B（t）=I。传感器波形U_B中的主要空间模式可以轻松获得为传感器域数据的协方差矩阵R的特征值分解：

$R=\frac{1}{N}[B\left(t\right)-\stackrel{\&OverBar;}{B}][B\left(t\right)-\stackrel{\&OverBar;}{B}{]}^T$ （式9）

式8可以使用具有线性规划的L1最小范数解求解（例如，如式3至5所述）。例如，对于传感器波形（例如，U_B）中的每个主要空间模式，可以获得在源空间（例如，U_Q）中的相应MEG成像。基于协方差矩阵的VESTAL的这种解可以提供空间滤波器，其可以通过MEG时域数据源数据，从而获得具有毫秒时间分辨率的源时程。示例性优势可包括仅为主要空间模式求解。例如，在持续10-20分钟的典型MEG记录中，可包括60,000至120,000个时间样本，神经元活动的主导模式的数量可少于40。在这种情况下，在1-2分钟内可对式8求解，可以大大降低计算成本（例如，拟合<40个空间模式对拟合60,000个时间样本），这在分析自发MEG信号时构成巨大进步。

所公开的基于协方差矩阵的VESTAL技术的另一示例性优势在于，例如由于协方差矩阵自身的平均技术（例如，整个时间平均），所以使用外部刺激（例如，体感正中神经性刺激、运动任务、听觉刺激、和用于认知任务的刺激）的更少平均，允许用于诱发MEG信号的可靠性MEG源成像。

图7示出基于协方差矩阵的VESTALMEG源成像图700，示出了工作存储网络。示例性粉红色箭头701标识背外侧前额叶。示例性蓝色箭头标识702标识腹外侧前额叶。示例性绿色箭头703标识上缘脑回。示例性黄色箭头704标识前扣带皮层。例如，图7示出在仅有20个实验刺激且信噪比较差（SNR）的情况下，来自工作存储MEG任务的背侧和腹外侧前额叶、上缘脑回和前扣带皮层强活动（例如，在工作存储网络的关键区域）结果。例如，对于良好SNR，该任务通常可需要100个实验刺激。示例性协方差矩阵VESTAL不仅大大降低了计算成本，还允许低SNR的良好MEG源成像，可以大致缩短采集时间（例如，为在图700中所示示例的5倍）。

描述了实施基于协方差矩阵的VESTAL MEG源成像过程的示例性步骤，例如，具有高分辨率和显著降低的计算成本，主要在时域数据中使用VESTAL求解反问题。该过程可以包括在时域中基于MEG传感器波形计算MEG传感器协方差矩阵的步骤。例如，所产生的协方差矩阵是无时间依赖性的方阵（例如，传感器数量×传感器数量）。该过程可以包括基于MEG协方差矩阵获得VESTAL源图像（例如，具有～10,000体素的L1最小范数反解）的步骤（例如，式8和9）。在一些示例中，该过程可以包括基于MEG协方差矩阵VESTAL解构建空间滤波器，并且将其应用于原始传感器波形的步骤，例如，获得源时程。

基于协方差矩阵的VESTAL技术的实施方式可以包括执行用于示例性频域VESTAL技术的上述过程130和140，其中示例性步骤以大致类似的方式执行。例如，傅立叶分量（例如，示例性传感器空间频域信号K_real和K_imag）可以用基于协方差矩阵的空间图案U_B替代。该过程可以包括一个步骤以应用掩模，从而将来自图像中的体素（例如，～10,000个体素）的MEG源功率分组为数量更少的脑区域（例如，如图2A-2E所示），并且开发MEG基于协方差的功率向量（例如，对于每个脑区域一个元素）。

示例性基于协方差矩阵的VESTAL过程可以为大量健康控制对象重复进行，以研发用于基于MEG协方差的功率向量的每个元素/单元的健康控制数据库。例如，该过程可以包括为每个单元计算组均值和标准差的步骤，例如，针对所有健康控制。随后，该过程可以包括为每个单元基于组均值和标准差，将每个健康控制对象的1D MEG基于协方差的功率向量转换成Z分数向量的步骤。该过程可以包括对每个控制的Z分数向量选择最高Z值以及指定该Z值表示该控制的最大Z值的步骤。该过程可以包括以下步骤，即，例如通过将该值设置为对于正常（例如，小于或等于该阈值Z分数）与异常高的德耳塔功率（例如，高于该阈值Z分数）之间的差异的阈值，来选择所有控制的最高的最大值Z分数。示例性基于协方差矩阵的VESTAL过程可以为大量具有神经或精神障碍（例如，创伤性脑损伤，TBI）的对象重复进行，并将患者的MEG基于协方差的功率向量转换成Z分数向量。例如，可以识别具有超出在健康控制数据库中所建立的阈值的Z分数的区域。

文中描述的主题的实施方式和功能性操作可在包括本说明书中所公开的结构及其结构等同的各种系统、数字电子电路、或在计算机软件、固件、或硬件中实施，或在它们的一个或多个组合中实施。本说明书中所描述的主题的实施方式可实施为一个或多个计算机程序产品，例如，在有形的非临时性计算机器可读介质上编码的计算机程序指令的一个或多个模块，用于由数据处理设备执行，或控制数据处理设备的操作。计算机器可读介质可以是机器可读存储装置、机器可读存储基片、存储器装置、影响可读传播信号的物质的组合、或它们的一个或多个结合。术语“数据处理设备”通过示例的方式包含用于处理数据的所有设备、装置和机器，包括可编程处理器、计算机、多个处理器或计算机。除硬件外，设备可以包括产生用于讨论的计算机程序的执行环境的代码，例如构成处理器固件、协议栈、数据库管理系统、操作系统、或它们的一个或多个组合的代码。

计算机程序（也称为程序、软件、软件应用、脚本、或代码）可以任何形式的编程语言编写，包括编译语言或解释语言，并且能够以任何形式部署，包括作为独立程序、或模块、组件、子程序、或适于在计算环境中使用的其他单元。计算机程序不一定对应于文件系统中的文件。程序可以存储在维护其他程序或数据的文件的一部分中（例如，存储在标记语言文件内的一个或多个脚本）、在专用于所讨论的程序的单个文件中、或在多个协调文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。计算机程序可部署为在一个计算机上执行，或者在位于同一位置或分布在多个位置且通过通信网络互连的多个计算机上执行。

在本说明书中描述的过程和逻辑流可以由一个或多个执行一个或多个计算机程序的可编程处理器执行，从而通过操作输入数据和产生输出执行功能。该过程和逻辑流还可以由专用逻辑电路执行，并且设备也可以实现为专用逻辑电路，例如，FPGA（现场可编程门阵列）或ASIC（专用集成电路）。

适于执行计算机程序的处理器通过示例的方式包括通用和专用微处理器、以及任何种类的数字计算机中的任一个或多个处理器。通常，处理器接收来自只读存储器或随机存取存储器或同时来自二者的指令和数据。计算机的基本元件是用于执行指令的处理器以及用于存储指令和数据的一个或多个存储装置。通常，计算机还包括，或被可操作地连接以从用于存储数据的一个或多个大容量存储装置（例如磁盘、磁光盘、或光盘）接收数据，或向其发送数据，或同时从其接收或向其发送数据。然而，计算机不必具有这种装置。适于存储计算机指令和数据的装置包括所有形式的非易失性存储器、媒介和存储装置，通过示例的方式包括半导体存储装置，例如，EPROM、EEPROM和闪速存储装置。处理器和存储器可以由专用逻辑电路补充，或合并到专用逻辑电路中。

虽然本说明书包含许多细节，但这些细节不应被解释为对任何发明或所要求内容的范围的限制，而应被解释为针对具体发明的具体实施方式的特征的描述。在单独的实施方式的背景下的本说明书中所描述的某些特征还可被组合在单个实施方式中实施。相反，在单个实施方式的背景下描述的各种特征也可单独或任何合适的子组合在多个实施方式中实施。此外，虽然特征可在上面被描述为在某些组合中起作用并且甚至最初被要求为如此，但来自所要求组合的一个或多个特征在某些情况下能够从该组合切离，并且所要求的组合可以针对子组合或子组合的变型。

类似地，虽然在附图中以特定顺序描述了操作。但这不应被理解为需要以所示的特定顺序或以连续的顺序执行这种操作、或需要执行所有示出的操作来实现期望的结果。而且，在本专利文献中所描述的实施方式中的各种系统部件的分离不应理解为在所有实施方式中都需要这种分离。

仅描述了几个实施方式和示例，并且可基于本申请中所述和所示的内容进行其它实施、增强和变型。

Claims (34)

1.一种用于脑磁图（MEG）源成像的方法，包括：

从频域中的信号数据中选择与一个或多个频带相关联的信号数据，所述信号数据表示由对象的脑发出的并且由所述脑的外部的多个传感器检测到的磁信号，所述频带包括一个或多个频率；

限定所述脑内产生所述磁信号的源的位置，其中所述源的位置的数量被选择为大于传感器的数量；以及

对于所述一个或多个频率，基于与所述位置中的各个位置对应的被选择的信号数据产生信号功率的源值。

2.如权利要求1所述的方法，其中，所述源的位置的数量为传感器的数量的至少10倍。

3.如权利要求1所述的方法，其中，所述选择包括在基于所选择的信号数据产生信号功率的所述源值的过程中，去除与其他频带相关联的其他信号数据。

4.如权利要求1所述的方法，还包括：

将时域格式的数据集转换为在所述频域中所述信号数据，

其中，所述数据集包括所述多个传感器在时间段中检测到的磁信号值，每个磁信号值与所述时间段的时间实例以及多个传感器中的检测到所述磁信号值的传感器相对应。

5.如权利要求1所述的方法，还包括：

将掩模应用到所产生的源值，所述掩模包括被限定的位置内的区域，其中每个区域包括为与在该区域内所限定的位置对应的源值之和的总源值。

6.如权利要求5所述的方法，其中，所述区域表示所述脑的皮层区域、皮层下区域、或小脑灰质区域中的至少一个。

7.如权利要求1所述的方法，还包括：

对于所述一个或多个频率，在相应位置产生表示所述源值的图。

8.如权利要求7所述的方法，其中，所述图提供所述源值的、具有所述脑的每毫米体积至少一个源值的分辨率的MEG空间图。

9.如权利要求1所述的方法，其中，所述位置对应于所述脑的磁共振成像（MRI）图像中的单个体素。

10.如权利要求9所述的方法，其中，单个体素的数量大于或等于10,000体素。

11.如权利要求9所述的方法，还包括：

产生包括表示在所述相应位置处的源值的图像特征的图像，其中所述图像特征被映射到所述MRI图像的相应体素。

12.如权利要求1所述的方法，还包括：

基于从不具有临床疾病或损伤的脑的对象群体所确定的平均源值和标准差值，生成用于与所述位置中的每个位置对应的源值的统计分数值。

13.如权利要求12所述的方法，还包括：

通过对不具有临床疾病或损伤的脑的所述对象的所述统计分数值进行采集形成规范化数据库。

14.如权利要求12所述的方法，还包括：

对于所述一个或多个频率，产生表示所述位置处的所述统计分数值的图。

15.如权利要求13所述的方法，还包括：

将所述对象的源值与所述规范化数据库进行比较以检测损伤。

16.如权利要求13所述的方法，还包括：

将所述对象的源值与所述规范化数据库进行比较以检测所述脑中的异常神经网络。

17.如权利要求16所述的方法，其中：

所述异常神经网络对应于包括创伤性脑损伤（TBI）、中风、创伤后应激障碍（PTSD）、精神分裂症、阿兹海默病/痴呆、多发性硬化（MS）、或孤独症中的至少一种的神经或精神障碍。

18.如权利要求1所述的方法，其中，在没有预先选择时期的情况下自动地检测所述磁信号。

19.如权利要求1所述的方法，其中，所述磁信号在没有预先选择位置的初始数量的情况下被检测。

20.如权利要求1所述的方法，其中，所述源值表示通过改变相关程度来局部化和分解的焦点式和分布式神经元源。

21.一种用于脑磁图源成像的方法，包括：

基于时域中的MEG信号数据确定协方差矩阵，所述MEG信号数据表示由对象的脑发出的并且由所述脑的外部的多个传感器检测到的磁信号；

限定所述脑内产生所述磁信号的源的位置，其中所述源的位置的数量被选择为大于所述传感器的数量；以及

通过拟合所述协方差矩阵为所述位置中的各个位置产生信号功率的源值。

22.如权利要求21所述的方法，其中，所述协方差矩阵将神经元活动分组为活动集。

23.如权利要求22所述的方法，其中，所述活动集包括至少40个神经元活动。

24.如权利要求21所述的方法，还包括：

其中位置的数量至少为所述传感器的数量的10倍。

25.如权利要求21所述的方法，其中，所述位置对应于所述脑的MRI图像内的单个体素。

26.如权利要求25所述的方法，还包括：

产生包括表示在所述相应位置处的源值的图像特征的图像，其中所述图像特征被映射到所述MRI图像的相应体素。

27.如权利要求26所述的方法，其中，所述图像包括所述脑的每毫米体积至少一个源值的分辨率。

28.如权利要求21所述的方法，还包括：

基于从不具有临床疾病或损伤的脑的对象群体所确定的平均源值和标准差值，生成用于与所述位置中的每个位置对应的源值的统计分数值。

29.如权利要求28所述的方法，还包括：

通过对不具有临床疾病或损伤的脑的所述对象的所述统计分数值进行采集形成规范化数据库。

30.一种脑磁图源成像系统，包括：

MEG数据采集系统，适于获得由对象的脑发出的并且被所述脑的外部的多个传感器检测到的磁信号数据；以及

数据处理单元，从所述MEG数据采集系统接收所述磁信号数据，所述数据处理单元包括：

将所获得的磁信号数据从时域格式转换为所述频域内的所述磁信号数据的机构，

从所述频域中的所述磁信号数据中选择与一个或多个频带相关联的信号数据的机构，其中所述频带包括一个或多个频率，以及

基于与所述脑内产生的所述磁信号的源的位置相对应的被选择的信号数据产生信号功率的源值的机构，其中所述源值是针对所述一个或多个频率而产生的。

31.如权利要求30所述的系统，其中，所述数据处理单元还包括产生表示所述相应位置处的源值的图的机构，其中所述图提供所述源值的、具有所述脑的每毫米体积至少一个源值的分辨率的MEG空间图。

32.如权利要求30所述的系统，还包括：

磁共振成像数据获取系统，适于从所述对象的所述脑获取磁共振（MR）数据，所述MR数据包括数据体素，

其中，所述位置对应于所述脑的MRI图像内的所述数据体素的单个体素。

33.如权利要求32所述的系统，其中，所述数据处理单元还包括产生包括图像特征的图像的机构，所述图像特征表示在所述相应位置处的源值，其中所述图像特征被呈现在所述MRI图像的、与所述脑内的位置对应的数据体素中。

34.一种用于源成像的方法，包括：

从频域内的磁信号数据中选择与一个或多个频带相关联的信号数据，所述信号数据通过位于结构周围的多个传感器检测，并且所述频带包括一个或多个频率；

在所述结构内限定源的位置，其中，所述源的位置的数量被选择为大于所述传感器的数量；以及

对于所述一个或多个频率，基于与所述位置中的各个位置对应的所选择的信号数据，生成信号功率的源值。

Images