认知任务驱动的fMRI脑功能网络构建方法

收稿日期：２０２０ ０４ ０３；修回日期：２０２０ ０５ ２８ 基金项目：国家自然科学基金资助项目（６１４２０１０６００５）；北京市自然科学基金资助项目（
４１８２００５）；教育部人文社科基金资助项目（１４ＹＪＣ７４００３０）作者简介：张笑非（１９８０ ），男，江苏高邮人，讲师，博士研究生，主要研究方向为脑信息学、人工智能；马莲芳（１９９３ ），女，山东淄博人，博士研究生，主要研究方向为脑信息学；杨阳（１９８４ ），男，河南洛阳人，讲师，博士，主要研究方向为认知神经科学、脑信息学；钟宁（１９５６ ），男（通信作者），北京人，教授，博导，博士，主要研究方向为脑信息学（ｚｈｏｎｇ＠ｍａｅｂａｓｈｉ ｉｔ．ａｃ．ｊｐ）．
认知任务驱动的ｆＭＲＩ脑功能网络构建方法
张笑非１，２，马莲芳１，刘若豪１，杨　阳３，郐弘智４，钟　宁１
，４
（１．北京工业大学信息学部，北京１００１２４；２．江苏科技大学计算机学院，江苏镇江２１２００３；３．北京林业大
学人文社会科学学院，北京１０００８３；４．前桥工科大学生命科学与信息工程系，日本群马３７１ ０８１６）摘　要：针对脑功能网络的构建受到特定大脑图谱对兴趣点描述准确度及覆盖度的限制，提出了基于认知任务信息和神经影像数据的脑功能网络构建方法。

首先计算ｆＭＲＩ体素对于认知任务的敏感度，然后在此基础上选取兼顾分布均衡和去中心化的大脑兴趣点，从而构建任务驱动的脑功能网络。

实验通过在人脸情绪识别认知任务相关的梭状回构造任务驱动的脑功能网络，其度中心性、聚类系数、全局效率、局部效率这四个复杂网络指标均优于典型大脑图谱梭状回中兴趣点构成的网络。

结果表明，计算得到的大脑兴趣点具有更强的整合性，更适合用于表征特定认知任务下的脑功能网络。

关键词：大脑图谱；功能核磁共振成像；脑功能网络；兴趣点选取中图分类号：ＴＰ３８９．１ 文献标志码：Ａ 文章编号：１００１ ３６９５（２０２１）０５ ０５１ １５５５ ０４ｄｏｉ：１０．１９７３４／ｊ．ｉｓｓｎ．１００１ ３６９５．２０２０．０４．０１４５
ＣｏｇｎｉｔｉｖｅｔａｓｋｄｒｉｖｅｎｍｅｔｈｏｄｆｏｒｆＭＲＩｆｕｎｃｔｉｏｎａｌｂｒａｉｎｎｅｔｗｏｒｋｃｏｎｓｔｒｕｃｔｉｏｎ
ＺｈａｎｇＸｉａｏｆｅｉ１，２，ＭａＬｉａｎｆａｎｇ１，ＬｉｕＲｕｏｈａｏ１，ＹａｎｇＹａｎｇ３，ＫｕａｉＨｏｎｇｚｈｉ４，ＺｈｏｎｇＮｉｎｇ
１，４
（１．ＦａｃｕｌｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，ＢｅｉｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ１００１２４，Ｃｈｉｎａ；２．ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＪｉａｎｇｓｕＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，ＺｈｅｎｊｉａｎｇＪｉａｎｇｓｕ２１２００３，Ｃｈｉｎａ；３．ＳｃｈｏｏｌｏｆＨｕｍａｎｉｔｉｅｓ＆ＳｏｃｉａｌＳｃｉｅｎｃｅｓ，ＢｅｉｊｉｎｇＦｏｒｅｓｔＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１０００８３，Ｃｈｉｎａ；４．Ｄｅｐｔ．ｏｆＬｉｆｅＳｃｉｅｎｃｅ＆Ｉｎｆｏｒｍａｔｉｃｓ，ＭａｅｂａｓｈｉＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，ＭａｅｂａｓｈｉＧｕｎｍａ３７１ ０８１６，Ｊａｐａｎ）
Ａｂｓｔｒａｃｔ：Ｓｉｎｃｅｔｈｅｃｏｎｓｔｒｕｃｔｉｏｎｏｆｆｕｎｃｔｉｏｎａｌｂｒａｉｎｎｅｔｗｏｒｋｉｓｌｉｍｉｔｅｄｂｙｔｈｅａｃｃｕｒａｃｙａｎｄｃｏｖｅｒａｇｅｏｆｔｈｅｄｅｓｃｒｉｐｔｉｏｎｏｆｒｅ
ｇｉｏｎｓｏｆｉｎｔｅｒｅｓｔｉｎａｓｐｅｃｉｆｉｃｂｒａｉｎａｔｌａｓ
，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｍｅｔｈｏｄｏｆｆｕｎｃｔｉｏｎａｌｂｒａｉｎｎｅｔｗｏｒｋｃｏｎｓｔｒｕｃｔｉｏｎｂａｓｅｄｏｎｃｏｇｎｉ ｔｉｖｅｔａｓｋｉｎｆｏｒｍａｔｉｏｎａｎｄｎｅｕｒｏｉｍａｇｉｎｇｄａｔａ．ＴｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｆｉｒｓｔｃａｌｃｕｌａｔｅｄｔｈｅｓｅｎｓｉｔｉｖｉｔｙｏｆｆＭＲＩｖｏｘｅｌｓｔｏｃｏｇｎｉｔｉｖｅ
ｔａｓｋｓ，ａｎｄｔｈｅｎｓｅｌｅｃｔｅｄｔｈｅｂｒａｉｎｒｅｇｉｏｎｓｏｆｉｎｔｅｒｅｓｔｔｈａｔｂａｌａｎｃｅｂｏｔｈｄｉｓｔｒｉｂｕｔｉｏｎａｎｄｄｅｃｅｎｔｒａｌｉｚａｔｉｏｎｏｎｔｈｉｓｂａｓｉｓ，ｔｈｅｒｅｂｙｃｏｎｓｔｒｕｃｔｉｎｇａｔａｓｋ ｄｒｉｖｅｎｆｕｎｃｔｉｏｎａｌｂｒａｉｎｎｅｔｗｏｒｋ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｃｏｎｓｔｒｕｃｔｅｄａｔａｓｋ ｄｒｉｖｅｎｆｕｎｃｔｉｏｎａｌｂｒａｉｎｎｅｔｗｏｒｋｉｎｔｈｅｆｕｓｉｆｏｒｍｇｙｒｕｓｒｅｌａｔｅｄｔｏｆａｃｉａｌｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｃｏｇｎｉｔｉｖｅｔａｓｋｓ．Ｉｔｓｆｏｕｒｃｏｍｐｌｅｘｎｅｔｗｏｒｋｉｎｄｉｃａｔｏｒｓｏｆｄｅｇｒｅｅｃｅｎｔｒａｌｉｔｙ，ｃｌｕｓｔｅｒｉｎｇｃｏｅｆｆｉｃｉｅｎｔ，ｇｌｏｂａｌｅｆｆｉｃｉｅｎｃｙ，ａｎｄｌｏｃａｌｅｆｆｉｃｉｅｎｃｙａｒｅｓｕｐｅｒｉｏｒｔｏｔｈｅｏｎｅｓｏｆｔｈｅｎｅｔｗｏｒｋｃｏｎｓｔｒｕｃｔｅｄｂｙｔｙｐｉｃａｌｂｒａｉｎａｔｌａｓ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｂｒａｉｎｒｅｇｉｏｎｓｏｆｉｎｔｅｒｅｓｔｃａｌｃｕｌａｔｅｄｂｙｔｈｉｓｍｅｔｈｏｄａｒｅｍｏｒｅｉｎｔｅｇｒａｔｅｄａｎｄｍｏｒｅｓｕｉｔａｂｌｅｆｏｒｃｈａｒａｃｔｅｒｉｚｉｎｇｆｕｎｃｔｉｏｎａｌｂｒａｉｎｎｅｔｗｏｒｋｓｕｎｄｅｒｓｐｅｃｉｆｉｃｃｏｇｎｉｔｉｖｅｔａｓｋｓ．Ｋｅｙｗｏｒｄｓ：ｂｒａｉｎａｔｌａｓ；ｆｕｎｃｔｉｏｎａｌｍａｇｎｅｔｉｃｒｅｓｏｎａｎｃｅｉｍａｇｉｎｇ；ｆｕｎｃｔｉｏｎａｌｂｒａｉｎｎｅｔｗｏｒｋ；ｒｅｇｉｏｎｏｆｉｎｔｅｒｅｓｔｅｄａｄｏｐｔｉｏｎ
大脑图谱是研究人脑功能网络的基础，其可以从解剖学或兴趣点（
ｒｅｇｉｏｎｏｆｉｎｔｅｒｅｓｔ，ＲｏＩ）等方面进行定义。

人群中存在年龄、性别、健康等因素上的差异使得脑图的定义存在巨大挑战。

假设驱动和数据驱动是常见的两大类脑功能网络构建方法［１］，假设驱动方法依赖对大脑结构态和功能态已有的认知和理解，数据驱动则是将独立成分分析、聚类等方法应用在神经影像上。

大脑图谱网络节点的定义上也存在很多不同的策
略，其中文献［
２，３］仅仅选取部分体素为代表的ＲｏＩ作为节点、文献［４，５］则将解剖学脑图中的每个分割块（ｐａｒｃｅｌ）作为节点，文献［６，７］甚至在ＲｏＩ和分割块之间进行随机插值来作为节点。

在研究人脑认知功能时，假设驱动可以利用认知实验
任务与大脑认知功能之间关联的背景知识选取有价值的Ｒ
ｏＩ。

数据驱动中的独立成分分析方法［
８，９］和聚类方法［１０］
得到仍然是类似于大脑解剖学模板定义的若干分割块，因此，在聚类结果的基础上构建脑功能网络也会遇到利用大脑解剖学模板构建脑功能网络时同样的限制。

本文提出在人脑功能区域框架
的基础上，通过对特定认知任务下的大脑任务态ｆ
ＭＲＩ数据进行计算，从而选取更加能够作为特定认知任务敏感的Ｒ
ｏＩ来构建脑功能网络。

１　大脑图谱与认知研究
目前常用的大脑图谱有基于解剖学定义的ＡＡＬ（ａｕｔｏｍａ
ｔｅｄａｎａｔｏｍｉｃａｌｌａｂｅｌｉｎｇ
）如图１（ａ）所示，其中ＡＡＬ２［１１］
对ＡＡＬ定义的眶额皮质作了更为细致的分割。

基于功能网络ＲｏＩ定
义的Ｄｏｓｅｎｂａｃｈ １６０［１２］和Ｐｏｗｅｒ ２６４［１３］
分别如图１（ｄ）（ｇ）所示，以及其他一些模板。

以大脑中的梭状回（ｆｕｓｉｆｏｒｍｇｙｒｕｓ）为例，不同大脑图谱定义中对梭状回区域的利用不尽相同。

梭状回在ＡＡＬ中的定义如图１（ｂ）所示，由左脑和右脑两个区域的
体素来定义，在体素为３ｍ
ｍ×３ｍｍ×３ｍｍ的ＡＡＬ模板中，左右两个区域分别包含６８７个体素和７６０个体素。

Ｄｏｓｅｎｂａｃｈ １６０模板中定义了１６０个ＲｏＩ，其中只有２个ＲｏＩ属于梭状回，如图１（ｅ）所示。

在Ｄｏｓｅｎｂａｃｈ＿１６０定义的６个功能网络中，这２个ＲｏＩ分别属于默认网络和扣带回—岛盖网络，且都在右半脑。

Ｐｏｗｅｒ ２６４中定义的２６４个ＲｏＩ有８个属于梭状回，如图２
第３８卷第５期２０２１年５月　计算机应用研究
ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓＶｏｌ ３８Ｎｏ ５
Ｍａｙ２０２１
（ｈ）所示，其中２个属于默认网络、３个属于视觉网络、其余３个不属于任何特定功能网络。

在进行ｆＭＲＩ数据分析及脑功能网络构造时，解剖学大脑图谱的使用有两种方式。

一种是对每
个区域内所有体素的Ｂ
ＯＬＤ（ｂｌｏｏｄｏｘｙｇｅｎｌｅｖｅｌｄｅｐｅｎｄｅｎｔ）信号进行平均，然后作为代表这个区域的时序信号。

Ａ
ＡＬ中的两个梭状回区域的体积约为１８．５４９ｃｍ３和２０．５２ｃｍ３
，各自包含的体素在空间三个轴、即大脑的左右、前后、上下方向上的标准
差分为（
６．５１，２４ ００，１０．３８）和（６．５５，２４．７３，１１．０８），单位为毫米。

因此，对整个区域内的ＢＯＬＤ信号求均值会导致特定认知
功能在大脑皮质高敏感区域体素的Ｂ
ＯＬＤ信号被淹没在大量不敏感区域体素的ＢＯＬＤ信号中。

以梭状回在大脑进行人脸识别的认知功能研究为例，文献［１４］发现，实验者（ｓｕｂｊｅｃｔ）观看的图片中只有人脸时、梭状回后部的双边区域被激活，而当观看的图片中人脸和许多对象在一起时、只有右侧梭状回的聚焦区被激活。

因此，梭状回在人脸识别认知任务中的激活区域
会受到若干因素而发生变化。

!"#!$#%&#%'#%(#%)#%*+!,+!-+
图１　典型大脑图谱及其梭状回相关区域
Ｆｉｇ．１　Ｔｙｐｉｃａｌｂｒａｉｎａｔｌａｓａｎｄｆｕｓｉｆｏｒｍｇｙｒｕｓｒｅｌａｔｅｄｒｅｇｉｏｎｓ
解剖学大脑图谱的另一种使用方法与功能网络ＲｏＩ类型的大脑图谱类似，都是选择特定区域中某个点的ＭＮＩ（ｍｏｎｔｒｅａｌｎｅｕｒｏｌｏｇｉｃａｌｉｎｓｔｉｔｕｔｅ）坐标为中心、指定一个半径作球体所包含所有体素的ＢＯＬＤ信号求平均后，得到代表该区域的时序信号。

不同的是，解剖学大脑图谱的每个区域是取其几何空间质
心为中心点，而功能网络Ｒ
ｏＩ大脑图谱是以事先选定的ＲｏＩ为中心点，这些ＲｏＩ是通过相应的研究得到的。

以ＲｏＩ为中心的球体半径是一个可变参数，当取值３ｍｍ时，每个球体区域包含
的体素是７
个，在ＡＡＬ、Ｄｏｓｅｎｂａｃｈ １６０、Ｐｏｗｅｒ ２６４梭状回内的相关体素分别如图１（ｃ）（ｆ）（ｉ）所示。

注意，此时ｆＭＲＩ体素的尺寸为３ｍｍ×３ｍｍ×３ｍｍ，有２个体素因可视化视角发生重叠而不可见。

而当半径取值为５ｍｍ时，每个球体包含的体素是１９个，因此，球体半径的选择影响着区域时序信号的采样结果。

功能网络Ｒ
ｏＩ类型大脑图谱的优点在于脑功能网络分析的结果可以对应到大脑较精确的区域，对照相关研究结论也能给出认知科学上更为合理的解读，但这种类型的大脑图谱也存在一些不足。

一方面，脑功能网络分析结果不能用于解释非ＲｏＩ区域在认知任务中的作用，也就是说ｆＭＲＩ实验数据的价值没有得到充分挖掘，以体素尺寸为３ｍｍ×３ｍｍ×３ｍｍ的ｆＭＲＩ数据为例，当ＲｏＩ球体半径取３ｍｍ时，Ｄｏｓｅｎｂａｃｈ １６０和Ｐｏｗｅｒ ２６４各自所有ＲｏＩ球体考察的体素体积分别是ＡＡＬ所
有体素体积的２
．３５％和３．８８％。

适当提高ＲｏＩ为中心的球体半径可以考察更多的体素，但这也会带来另一个问题，当球体半径取值稍大时，ＲｏＩ距离较近的球体会发生重叠。

同样以体
素尺寸为３ｍ
ｍ×３ｍｍ×３ｍｍ的ｆＭＲＩ数据为例，Ｄｏｓｅｎｂａｃｈ １６０大脑图谱中的第２３个和第２６个ＲｏＩ都属于后扣带回区域，它们的中心距离为８．４９ｍｍ，当它们取半径５ｍｍ的球体时便会产生重叠，更糟糕的是少数ＲｏＩ对应的球体会覆盖非大脑区域，使得采样的时序信号丢失了真实的意义。

最后，ＲｏＩ的
选择是基于特定研究数据，其中Ｄ
ｏｓｅｎｂａｃｈ １６０大脑图谱和Ｐｏｗｅｒ ２６４大脑图谱都是通过对静息态下的ｆＭＲＩ数据进行分析得到的，在其他基于认知研究的任务态ｆＭＲＩ数据上的泛化能力还有待研究。

２　方法框架及评价标准
本文提出一种基于认知任务的ｆＭＲＩ脑功能网络构建方
法，其框架包括两个阶段，如图２所示。

其中第一阶段是根据认知实验ｆＭＲＩ数据和实验者接受的实验（ｔｒｉａｌ）数据进行基于
体素的Ａ
ＮＯＶＡ分析，得到每个体素对实验类型的敏感度，既是否是能够作为区分接受实验类型的特征。

第二阶段则综合考虑体素的任务敏感度和脑区覆盖度这两个因素，设计了认知
任务敏感Ｒ
ｏＩ选择算法，并根据第一阶段的结果计算得到构建脑功能网络的ＲｏＩ。

!"#$%&!"#$%'
(#)(*)+,-
图２　方法框架
Ｆｉｇ．２　Ｆｒａｍｅｗｏｒｋｏｆｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄ
２ １　体素任务敏感度
ｆＭＲＩ数据中每个体素的任务敏感度通过统计方法得到，
即体素的ＢＯＬＤ信号在认知实验的不同实验条件（ｔｒｉａｌｃｏｎｄｉ
ｔｉｏｎ
）下是否存在显著差异，如图２（ａ）所示。

由于一个认知实验中可能存在两个甚至更多的实验条件，所以，这里采用ＡＮＯＶＡ进行统计计算，具体步骤如下。

ａ）定义一个体素在不同实验条件下ＢＯＬＤ信号的数据集Ｖ，如式（１）所示。

Ｖ＝ｖ１，１…ｖ１，ｊ…ｖ１，ｎ
ｖｉ，１…ｖｉ，ｊ…ｖｉ，ｎ ｖｍ，１…
ｖｍ，ｊ…
ｖｍ，
ｎ
（１）
其中：ｖｉ，ｊ
是当前体素在第ｊ个实验条件的第ｉ次观察值，ｎ是实验条件的数量，ｍ是每个实验条件下对当前体素的观察次数。

对Ｖ中每一列的数据、
即每个实验条件下的ＢＯＬＤ信号求均值和方差，得到不同实验条件下的组内均值数组，该数组及其元素的定义分别如式（２）（３）所示。

μ＝［μ·，１　…　μ·，ｊ　…　μ·，ｎ
］（２）μ·，ｊ
＝１ｍ∑ｍ
ｉ＝１
ｖｉ，ｊ（３）
其中：μ·，ｊ
是体素在第ｊ个实验条件下ＢＯＬＤ信号的均值。

ｂ）定义初始假设Ｈ０和被则假设Ｈ１。

其中，Ｈ０指不同实验条件对体素ＢＯＬＤ信号的影响不显著，如式（４）所示。

Ｈ０：μｕ＝μｖ， μｕ∈μ， μｖ
∈μ，ｕ≠ｖ（４）
即当前体素在不同实验条件下的ＢＯＬＤ信号均值之间均不存
在统计学显著差异。

Ｈ１指不同实验条件对体素Ｂ
ＯＬＤ信号的影响是显著的，如式（
５）所示。

Ｈ１：μｕ≠μｖ， μｕ∈μ， μｖ
∈μ，ｕ≠ｖ（５）
即当前体素在部分、或所有实验条件下的ＢＯＬＤ信号均值
之间存在统计学显著差异。

ｃ）计算不同实验条件下当前体素所有观察值的总均、实验条件间误差平方和、实验条件内残差平方和。

μ·，·＝１ｍ×ｎ∑ｍｉ
＝１　∑ｎ
ｊ＝１ｖｉ，ｊ（６）ＳＳＲ＝∑ｍ
ｉ＝０　∑ｎ
ｊ＝０
（μ·，ｊ－μ·，·）２，ＳＳＥ＝∑ｍ
ｉ＝１　∑ｎ
ｊ＝１
（ｖｉ，ｊ－μ·，ｊ
）２
（７）
ｄ）计算当前体素ＡＮＯＶＡ分析的Ｆ值和任务敏感度Ｓ值。

Ｆ＝ＳＳＲ／（ｎ－１）ＳＳＥ／（ｍ×ｎ－ｎ），Ｓ＝ｌｏｇ１０
１
Ｐ
（８）
其中：Ｐ是Ｆ值对应的Ｐ值。

２ ２　认知任务敏感ＲｏＩ选择
通过对ｆＭＲＩ数据中每个体素的任务敏感度进行计算，可
·６５５１·计算机应用研究　第３８卷
以得到类似图２（ｂ）的热图。

由于高敏感度的体素存在区域
分布的不均衡和邻近聚集的中心化，若单纯以体素任务敏感
度进行Ｒ
ｏＩ选择，将可能产生大脑区域采样局部化和ＲｏＩ采样重叠等问题。

因此，这里设计了一个兼顾任务敏感度和脑
区覆盖度的Ｒ
ｏＩ选择算法，其中Ｙ是ＲｏＩ候选体素所构成的集合，ｎ是需要选出的ＲｏＩ数量，ｒ是ＲｏＩ在用于ＢＯＬＤ信号采样时的球体半径，Ｘ是最终选出的ＲｏＩ对应体素的集合，具体步骤如下：
算法１　认知任务敏感ＲｏＩ选择算法
输入：Ｙ，ｎ，ｒ。

输出：
Ｘ。

初始化为一个空的集合Ｘｗｈｉｌｅ（ｎ！＝０）
　从Ｙ中选出拥有最大任务敏感度值的体素ｙ　将ｙ从Ｙ中移动到Ｘ中　ｎ＝ｎ－１
　初始化一个空集Ｚ　将Ｙ中所有与体素ｙ距离不大于ｒ的体素移动到Ｚ　ｆｏｒｚｉｎＺ　／／对集合Ｚ中的每一个体素ｚ 将Ｙ中所有与ｚ距离不大于ｒ的体素删除返回Ｘ
该算法始终从候选体素中选取最高敏感度体素作为大脑
图谱中的ＲｏＩ。

但是，考虑到以ＲｏＩ为中心的球体在采样时会提取球心周围体素的ＢＯＬＤ信号，因此，为保障ＲｏＩ分布不会发生聚集，球心周边的体素就不再作为候选ＲｏＩ。

此外，如果ＲｏＩ球体外层体素被选为ＲｏＩ，那么不同ＲｏＩ球体可能会发生
重叠，考虑到Ｒ
ｏＩ球体内所有体素不被重复采样，算法的内嵌循环就是保证ＲｏＩ球体不会重叠。

因此，该算法一方面保证选
取的ＲｏＩ不过于集中，另一方面，同一个体素不被多个ＲｏＩ球体包含，从而避免被重复采样。

通过该算法就可以得到类似图２（ｃ）的结果。

２．３　评价标准
在获得构成大脑图谱的ＲｏＩ之后，就可以构造相应的脑功能网络、并计算相应的功能连接矩阵。

对功能连接矩阵中所有的元素进行二值化处理，就可以利用复杂网络中的诸多指标来度量二值化后矩阵的拓扑特性。

对认知任务敏感的多个ＲｏＩ会更加趋于协同，形成的功能连接矩阵在复杂网络指标上的表现也会更高，即如果一个脑功能网络所有ＲｏＩ的ＢＯＬＤ信号都显著相关，那么这些ＲｏＩ构成网络就是一个全连接网络，它的诸多复杂网络指标都是满值。

脑功能网络评价指标的计算流程如图３所示，由两个步骤组成。

!"#!$#%&#
'()*"+'()*$+
,-./,-.,0,-.,1,-.,2,-.,.,-.,-/30,-/31
,-/32*45*5')6
758'
75859
:5;)4.12
,
/.<2=1
>
,/.<2=1>
图３　评价标准及其计算流程
Ｆｉｇ．３　Ｅｖａｌｕａｔｉｏｎｃｒｉｔｅｒｉａａｎｄｉｔｓｃａｌｃｕｌａｔｉｏｎｐｒｏｃｅｓｓ
ａ）计算脑功能网络、类似图３（ａ）中所有ＲｏＩ两两之间的ＢＯＬＤ信号皮尔森相关系数的显著性Ｐ值，得到一个Ｐ值对称矩阵Ｍ，该矩阵只需要观察其不含对角线的下三角矩阵Ｔ即可。

为了防止Ｔ中的Ｐ值存在假阳性问题，对Ｔ中所有Ｐ值进行伪发现率（ｆａｌｓｅｄｉｓｃｏｖｅｒｙｒａｔｅ，ＦＤＲ）校正得到新的下三角矩阵Ｔ′。

取显著性水平α＝０．０５作为Ｔ′的阈值，小于该阈值
的元素设为１、即相应两个ＲｏＩ之间的边存在，否则为０、即相应两个ＲｏＩ之间不存在边，得到一个二值矩阵Ｂ，如图３（ｂ）所
示。

注意，由于矩阵Ｍ对角线上表示每个ＲｏＩ自相关的显著
性Ｐ值，
所以一定是显著相关的，但之后的复杂网络指标计算并不考察对角线的值。

ｂ）二值矩阵Ｂ就是脑功能网络的邻接矩阵、对应一个无向
无权图Ｇ
，可以用复杂网络分析中常用的指标对图Ｇ进行度量。

这里采用将采用度中心性［１５］（ｄｅｇｒｅｅｃｅｎｔｒａｌｉｔｙ）、聚类系数［
１６］
（ｃｌｕｓｔｅｒｉｎｇｃｏｅｆｆｉｃｉｅｎｔ）、网络效率［１７］
（ｎｅｔｗｏｒｋｅｆｆｉｃｉｅｎｃｙ）中的全局效率（ｇｌｏｂａｌｅｆｆｉｃｉｅｎｃｙ）和局部效率（ｌｏｃａｌｅｆｆｉｃｉｅｎｃｙ）这四个指标，对不同大脑图谱同一指标进行比较，结果类似图３（ｃ）所示。

３　实验与结果
实验数据来自国际ＷＩＣ研究院（ｈｔｔｐ：／／ｗｉ ｃｏｎｓｏｒｔｉｕｍ．ｏｒｇ／）的认知实验“面部情绪识别”，该认知实验目标是研究人脑在进行不同情绪表情识别时与非人脸识别时大脑神经活动规律，共接受了３０名统计学上无差异的受试者参加。

该实验
由ＷＩ
Ｃ团队在北京市回龙观医院进行，并获得院方伦理委员会的批准。

这里，通过本文方法从大脑梭状回中选择对中性情绪表情和非人脸这两种实验条件具有最优的任务敏感度
ＲｏＩ，为了与大脑图谱Ｐｏｗｅｒ２６４中梭状回相关ＲｏＩ进行对比，因此，选择了８个最优ＲｏＩ，结果如图４所示。

图４　对比采用的梭状回ＲｏＩ
Ｆｉｇ．４　ＡｄｏｐｔｅｄＲｏＩｓｏｆｆｕｓｉｆｏｒｍｇｙｒｕｓｆｏｒｃｏｍｐａｒｉｓｏｎ
相较于大脑图谱Ｐｏｗｅｒ２６４，ＡＡＬ和Ｄｏｓｅｎｂａｃｈ １６０中属于
梭状回的ＲｏＩ都只有２个，无法构造有效脑功能网络。

本方法选择的８个ＲｏＩ的ＭＮＩ坐标如表１左半部所示，Ｐｏｗｅｒ２６４梭状回相关的８个ＲｏＩ的ＭＮＩ坐标如表１右半部所示。

表１　ＲｏＩ计算结果及对比
Ｔａｂ．１　ＲｏＩｃａｌｃｕｌａｔｉｏｎｒｅｓｕｌｔｓａｎｄｃｏｍｐａｒｉｓｏｎ
／ｍｍ
ＲｏＩＩＤｐｒｏｐｏｓｅｄＲｏＩｘｙｚＲｏＩｏｆＰｏｗｅｒ２６４
ｘｙｚ１２７－３０－２１２７－３７－１３２３３－３０－１８－３４－３８－１６３－３３－９３－１２２７－５９－９４－３６－３３－１８２６－７９－１６５４８－３６－２７－３３－７９－１３６４２－２４－３０－３７－２９－２６７２４－３０－１５３３－１２－３４８
－３０
－２７
－２１
－３１
－１０
－３６
通过计算两种方式ＲｏＩ构造的梭状回区域的脑功能网络，并计算评价所采用的四种复杂网络指标，结果如表２所示。

可
以发现，通过认知任务驱动方法选择的ＲｏＩ所构造脑功能网络，无论在表征网络小世界属性、全局通信效率以及局部通信效率上的值更高。

表２　脑功能网络指标对比
Ｔａｂ．２　Ｃｏｍｐａｒｉｓｏｎｏｆｆｕｎｃｔｉｏｎａｌｂｒａｉｎｎｅｔｗｏｒｋｉｎｄｉｃａｔｏｒｓ
方案ｄｅｇｒｅｅｃｅｎｔｒａｌｉｔｙｃｌｕｓｔｅｒｉｎｇｃｏｅｆｆｉｃｉｅｎｔｇｌｏｂａｌｅｆｆｉｃｉｅｎｃｙｌｏｃａｌｅｆｆｉｃｉｅｎｃｙ
Ｐｏｗｅｒ２６４０．１４９０．２０００．２２７０．３３４本文方法
０．１５２
０．２０８
０．２４０
０．３４１
此外，可以通过不断提高被选ＲｏＩ的数量，观察其对脑功能网络度量指标影响的趋势。

图５中给出了随着设定的梭状回区域ＲｏＩ数量的增加，所有选出的ＲｏＩ在大脑中的分布，部分颜色表示新增的ＲｏＩ。

·７５５１·第５期张笑非，等：认知任务驱动的ｆＭＲＩ脑功能网络构建方法
图６给出了随着梭状回内ＲｏＩ的增加，其构成的局部功能
网络相应４个复杂网络指标的变化趋势。

可以看出，
除了聚类系数总体趋势是上升的，
其他三个指标总体趋势是下降的。

图５　不同ＲｏＩ选取
数量时的分布Ｆｉｇ．５　ＤｉｓｔｒｉｂｕｔｉｏｎｏｆＲｏＩｕｎｄｅｒｄｉｆｆｅｒｅｎｔａｄｏｐｔｅｄｎｕｍｂｅｒｓ图６　不同ＲｏＩ选取
数量时的网络指标Ｆｉｇ．６　ＮｅｔｗｏｒｋｉｎｄｉｃａｔｏｒｓｕｎｄｅｒｄｉｆｆｅｒｅｎｔａｄｏｐｔｅｄＲｏＩｎｕｍｂｅｒｓ
４　结束语
从脑功能网络的角度，人类在执行高级认知任务时，大脑
的哪些区域参与其中并协同工作，这其中还存在太多的未知和疑问。

虽然过去的很多具有影响力和高价值的研究提供了有效的大脑图谱，但对大脑工作机制的研究还需要不断深入。

本文正是基于这点考虑，在结合传统解剖学上对大脑认知的基础上，通过为实际认知任务实验产生的ｆＭＲＩ数据生成个性化的大脑图谱，进行更加具有针对性的脑功能网络构造和研究。

参考文献：
［１］ＳｍｉｔｈＳＭ，ＭｉｌｌｅｒＫＬ，Ｓａｌｉｍｉ ＫｈｏｒｓｈｉｄｉＧ，ｅｔａｌ．Ｎｅｔｗｏｒｋｍｏｄｅｌｉｎｇ
ｍｅｔｈｏｄｓｆｏｒｆＭＲＩ［Ｊ］．Ｎｅｕｒｏｉｍａｇｅ，２０１１，５４（２）：８７５ ８９１．［２］ＢｕｃｋｎｅｒＲＬ，ＳｅｐｕｌｃｒｅＪ，ＴａｌｕｋｄａｒＴ，ｅｔａｌ．Ｃｏｒｔｉｃａｌｈｕｂｓｒｅｖｅａｌｅｄｂｙ
ｉｎｔｒｉｎｓｉｃｆｕｎｃｔｉｏｎａｌｃｏｎｎｅｃｔｉｖｉｔｙ：ｍａｐｐｉｎｇ，ａｓｓｅｓｓｍｅｎｔｏｆｓｔａｂｉｌｉｔｙ，ａｎｄｒｅｌａｔｉｏｎｔｏＡｌｚｈｅｉｍｅｒ’ｓｄｉｓｅａｓｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＮｅｕｒｏｓｃｉｅｎｃｅ，２００９，２９（６）：１８６０ １８７３．
［３］ＣｏｌｅＭＷ，ＰａｔｈａｋＳ，ＳｃｈｎｅｉｄｅｒＷ．Ｉｄｅｎｔｉｆｙｉｎｇｔｈｅｂｒａｉｎ’ｓｍｏｓｔｇｌｏ
ｂａｌｌｙｃｏｎｎｅｃｔｅｄｒｅｇｉｏｎｓ［Ｊ］．Ｎｅｕｒｏｉｍａｇｅ，２０１０，４９（４）：３１３２ ３１４８．［４］ＦｒａｎｓｓｏｎＰ，?ｄｅｎＵ，ＢｌｅｎｎｏｗＭ，ｅｔａｌ．Ｔｈｅｆｕｎｃｔｉｏｎａｌａｒｃｈｉｔｅｃｔｕｒｅｏｆ
ｔｈｅｉｎｆａｎｔｂｒａｉｎａｓｒｅｖｅａｌｅｄｂｙｒｅｓｔｉｎｇ ｓｔａｔｅｆＭＲＩ［Ｊ］．ＣｅｒｅｂｒａｌＣｏｒ ｔｅｘ，２０１１，２１（１）：１４５ １５４．［５］ＨａｒｔｍａｎＤ，ＨｌｉｎｋａＪ，Ｐａｌｕ Ｍ，ｅｔａｌ．Ｔｈｅｒｏｌｅｏｆｎｏｎｌｉｎｅａｒｉｔｙｉｎｃｏｍ
ｐｕｔｉｎｇｇｒａｐｈ ｔｈｅｏｒｅｔｉｃａｌｐｒｏｐｅｒｔｉｅｓｏｆｒｅｓｔｉｎｇ ｓｔａｔｅｆｕｎｃｔｉｏｎａｌｍａｇｎｅｔｉｃｒｅｓｏｎａｎｃｅｉｍａｇｉｎｇｂｒａｉｎｎｅｔｗｏｒｋｓ［Ｊ］．Ｃｈａｏｓ：ＡｎＩｎｔｅｒｄｉｓｃｉｐｌｉｎａｒｙＪｏｕｒｎａｌｏｆＮｏｎｌｉｎｅａｒＳｃｉｅｎｃｅ
，２０１１，２１（１）：０１３１１９．［６］ＴｉａｎＬｉｘｉａ，ＷａｎｇＪｉｎｈｕｉ，ＹａｎＣｈａｏｇａｎ，ｅｔａｌ．Ｈｅｍｉｓｐｈｅｒｅ ａｎｄｇｅｎｄｅｒ
ｒｅｌａｔｅｄｄｉｆｆｅｒｅｎｃｅｓｉｎｓｍａｌｌ ｗｏｒｌｄｂｒａｉｎｎｅｔｗｏｒｋｓ：ａｒｅｓｔｉｎｇ ｓｔａｔｅｆｕｎｃ ｔｉｏｎａｌＭＲＩｓｔｕｄｙ［Ｊ］．Ｎｅｕｒｏｉｍａｇｅ，２０１１，５４（１）：１９１ ２０２．［７］ＨａｙａｓａｋａＳ，ＬａｕｒｉｅｎｔｉＰＪ．Ｃｏｍｐａｒｉｓｏｎｏｆｃｈａｒａｃｔｅｒｉｓｔｉｃｓｂｅｔｗｅｅｎｒｅ
ｇｉｏｎ ａｎｄｖｏｘｅｌ ｂａｓｅｄｎｅｔｗｏｒｋａｎａｌｙｓｅｓｉｎｒｅｓｔｉｎｇ ｓｔａｔｅｆＭＲＩｄａｔａ［Ｊ］．Ｎｅｕｒｏｉｍａｇｅ，２０１０，５０（２）：４９９ ５０８．
［８］ＶａｒｏｑｕａｕｘＧ，ＳａｄａｇｈｉａｎｉＳ，ＰｉｎｅｌＰ，ｅｔａｌ．Ａｇｒｏｕｐｍｏｄｅｌｆｏｒｓｔａｂｌｅｍｕｌｔｉ
ｓｕｂｊｅｃｔＩＣＡｏｎｆＭＲＩｄａｔａｓｅｔｓ［Ｊ］．Ｎｅｕｒｏｉｍａｇｅ，２０１０，５１（１）：２８８ ２９９．［９］ＭｅｎｓｃｈＡ，ＶａｒｏｑｕａｕｘＧ，ＴｈｉｒｉｏｎＢ．Ｃｏｍｐｒｅｓｓｅｄｏｎｌｉｎｅｄｉｃｔｉｏｎａｒｙ
ｌｅａｒｎｉｎｇｆｏｒｆａｓｔｒｅｓｔｉｎｇ ｓｔａｔｅｆＭＲＩｄｅｃｏｍｐｏｓｉｔｉｏｎ［Ｃ］／／Ｐｒｏｃｏｆｔｈｅ１３ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍｏｎＢｉｏｍｅｄｉｃａｌＩｍａｇｉｎｇ．Ｐｉｓｃａｔａｗａｙ，ＮＪ：ＩＥＥＥＰｒｅｓｓ，２０１６：１２８２ １２８５．
［１０］ＴｈｉｒｉｏｎＢ，ＶａｒｏｑｕａｕｘＧ，ＤｏｈｍａｔｏｂＥ，ｅｔａｌ．ＷｈｉｃｈｆＭＲＩｃｌｕｓｔｅｒｉｎｇ
ｇｉｖｅｓｇｏｏｄｂｒａｉｎｐａｒｃｅｌｌａｔｉｏｎｓ？［Ｊ］．ＦｒｏｎｔｉｅｒｓｉｎＮｅｕｒｏｓｃｉｅｎｃｅ，２０１４，８（１１）：１６７．
［１１］ＲｏｌｌｓＥＴ，ＪｏｌｉｏｔＭ，Ｔｚｏｕｒｉｏ ＭａｚｏｙｅｒＮ．Ｉｍｐｌｅｍｅｎｔａｔｉｏｎｏｆａｎｅｗｐａｒ
ｃｅｌｌａｔｉｏｎｏｆｔｈｅｏｒｂｉｔｏｆｒｏｎｔａｌｃｏｒｔｅｘｉｎｔｈｅａｕｔｏｍａｔｅｄａｎａｔｏｍｉｃａｌｌａｂｅ ｌｉｎｇａｔｌａｓ［Ｊ］．Ｎｅｕｒｏｉｍａｇｅ，２０１５，１２２（１５）：１ ５．
［１２］ＤｏｓｅｎｂａｃｈＮＵＦ，ＮａｒｄｏｓＢ，ＣｏｈｅｎＡＬ，ｅｔａｌ．Ｐｒｅｄｉｃｔｉｏｎｏｆｉｎｄｉｖｉｄｕａｌ
ｂｒａｉｎｍａｔｕｒｉｔｙｕｓｉｎｇｆＭＲＩ［Ｊ］．Ｓｃｉｅｎｃｅ，２０１０，３２９（５９９７）：１３５８ １３６１．
［１３］ＰｏｗｅｒＪＤ，ＣｏｈｅｎＡＬ，ＮｅｌｓｏｎＳＭ，ｅｔａｌ．Ｆｕｎｃｔｉｏｎａｌｎｅｔｗｏｒｋｏｒｇａｎｉｚａ
ｔｉｏｎｏｆｔｈｅｈｕｍａｎｂｒａｉｎ［Ｊ］．Ｎｅｕｒｏｎ，２０１１，７２（４）：６６５ ６７８．［１４］ＭｃＣａｒｔｈｙＧ，ＰｕｃｅＡ，ＧｏｒｅＪＣ，ｅｔａｌ．Ｆａｃｅ ｓｐｅｃｉｆｉｃｐｒｏｃｅｓｓｉｎｇｉｎｔｈｅ
ｈｕｍａｎｆｕｓｉｆｏｒｍｇｙｒｕｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｏｇｎｉｔｉｖｅＮｅｕｒｏｓｃｉｅｎｃｅ，１９９７，９（５）：６０５ ６１０．
［１５］ＷａｎｇＸｕｅｙｕ，ＪｉａｏＤｏｎｇｍｅｉ，ＺｈａｎｇＸｉｎｙｉｎｇ，ｅｔａｌ．Ａｌｔｅｒｅｄｄｅｇｒｅｅｃｅｎ
ｔｒａｌｉｔｙｉｎｃｈｉｌｄｈｏｏｄａｂｓｅｎｃｅｅｐｉｌｅｐｓｙ：ａｒｅｓｔｉｎｇ ｓｔａｔｅｆＭＲＩｓｔｕｄｙ［Ｊ］．ＪｏｕｒｎａｌｏｆｔｈｅＮｅｕｒｏｌｏｇｉｃａｌＳｃｉｅｎｃｅｓ，２０１７，３７３（２）：２７４ ２７９．［１６］ＷａｔｔｓＤＪ，ＳｔｒｏｇａｔｚＳＨ．Ｃｏｌｌｅｃｔｉｖｅｄｙｎａｍｉｃｓｏｆｓｍａｌｌｗｏｒｌｄｎｅｔｗｏｒｋｓ
［Ｊ］．Ｎａｔｕｒｅ，１９９８，３９３（６６８４）：４４０ ４４２．
［１７］ＬａｔｏｒａＶ，ＭａｒｃｈｉｏｒｉＭ．Ｅｆｆｉｃｉｅｎｔｂｅｈａｖｉｏｒｏｆｓｍａｌｌ ｗｏｒｌｄｎｅｔｗｏｒｋｓ［Ｊ］．
ＰｈｙｓｉｃａｌＲｅｖｉｅｗＬｅｔｔｅｒｓ，２００１，８７（１９）：１９８７０１．
（上接第１５５４页）
［１１］ＬｉＨｕｉ，ＷａｎｇＰｅｎｇ，ＳｈｅｎＣｈｕｎｈｕａ．Ｔｏｗａｒｄｓｅｎｄ ｔｏ ｅｎｄｃａｒｌｉｃｅｎｓｅｐｌａｔｅｓ
ｄｅｔｅｃｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎｗｉｔｈｄｅｅｐｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎ
ＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓ，２０１９，２０（３）：１１２６ １１３６．［１２］ＺｈｅｒｚｄｅｖＳ，ＧｒｕｚｄｅｖＡ．ＬＰＲＮｅｔ：ｌｉｃｅｎｓｅｐｌａｔｅｒｅｃｏｇｎｉｔｉｏｎｖｉａｄｅｅｐｎｅｕｒａｌｎｅｔｗｏｒｋｓ［ＥＢ／ＯＬ］．（２０１８ ０６ ２７）．ｈｔｔｐｓ：／／ａｒｘｉｖ．ｏｒｇ／ｐｄｆ／
１８０６．１０４４７．ｐｄｆ．
［１３］ＤｕｄａＲＯ，ＨａｒｔＰＥ．ＵｓｅｏｆｔｈｅＨｏｕｇｈｔｒａｎｓｆｏｒｍａｔｉｏｎｔｏｄｅｔｅｃｔｌｉｎｅｓ
ａｎｄｃｕｒｖｅｓｉｎｐｉｃｔｕｒｅｓ［Ｊ］．ＣｏｍｍｕｎｉｃａｔｉｏｎｓｏｆｔｈｅＡＣＭ，１９７２，１５（１）：１１ １５．［１４］ＷａｎｇＭｅｉ，ＷａｎｇＧｕｏｈｏｎｇ．Ｍｅｔｈｏｄｏｆｖｅｈｉｃｌｅｌｉｃｅｎｓｅｐｌａｔｅｃｏｒｒｅｃｔｉｏｎｂａｓｅｄｏｎｃｈａｒａｃｔｅｒｓｐｒｏｊｅｃｔｉｏｎｍｉｎｉｍｕｍｄｉｓｔａｎｃｅ［Ｊ］．ＣｏｍｐｕｔｅｒＥｎ
ｇｉｎｅｅｒｉｎｇ，２００８，３４（６）：２１６ ２１８．
［１５］ＪａｄｅｒｂｅｒｇＭ，ＳｉｍｏｎｙａｎＫ，ＺｉｓｓｅｒｍａｎＡ，ｅｔａｌ．Ｓｐａｔｉａｌｔｒａｎｓｆｏｒｍｅｒｎｅｔｗｏｒｋｓ
［Ｃ］／／Ｐｒｏｃｏｆｔｈｅ２８ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ．Ｃａｍｂｒｉｄｇｅ，ＭＡ：ＭＩＴＰｒｅｓｓ，２０１５：２０１７ ２０２５．［１６］ＳｉｌｖａＳＭ，ＪｕｎｇＣＲ．Ｌｉｃｅｎｓｅｐｌａｔｅｄｅｔｅｃｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎｉｎｕｎｃｏｎ ｓｔｒａｉｎｅｄｓｃｅｎａｒｉｏｓ［Ｃ］／／Ｐｒｏｃｏｆｔｈｅ１５ｔｈＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎ
ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．Ｃｈａｍ：Ｓｐｒｉｎｇｅｒ，２０１８：５９３ ６０９．
［１７］ＫｒｉｚｈｅｖｓｋｙＡ，ＳｕｔｓｋｅｖｅｒＩ，ＨｉｎｔｏｎＧＥ．ＩｍａｇｅＮｅｔｃｌａｓｓｉｆｉｃａｔｉｏｎｗｉｔｈｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｃ］／／Ｐｒｏｃｏｆｔｈｅ２５ｔｈＩｎｔｅｒｎａｔｉｏ ｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ．ＲｅｄＨｏｏｋ，
ＮＹ：ＣｕｒｒａｎＡｓｓｏｃｉａｔｅｓＩｎｃ．，２０１２：１０９７ １１０５．
［１８］ＧｉｒｓｈｉｃｋＲ，ＤｏｎａｈｕｅＪ，ＤａｒｒｅｌｌＴ，ｅｔａｌ．Ｒｉｃｈｆｅａｔｕｒｅｈｉｅｒａｒｃｈｉｅｓｆｏｒ
ａｃｃｕｒａｔｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎａｎｄｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎ［Ｃ］／／ＰｒｏｃｏｆＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．Ｗａ
ｓｈｉｎｇｔｏｎＤＣ：ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙ，２０１４：５８０ ５８７．［１９］ＳｉｍｏｎｙａｎＫ，ＺｉｓｓｅｒｍａｎＡ．Ｖｅｒｙｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｓｆｏｒｌａｒｇｅ ｓｃａｌｅｉｍａｇｅｒｅｃｏｇｎｉｔｉｏｎ［ＥＢ／ＯＬ］．（２０１５ ０４ １０）．ｈｔｔｐｓ：／／ａｒｘｉｖ．ｏｒｇ／
ｐｄｆ／１４０９．１５５６．ｐｄｆ．
［２０］ＨｏｗａｒｄＡＧ，ＺｈｕＭｅｎｇｌｏｎｇ，ＣｈｅｎＢｏ，ｅｔａｌ．ＭｏｂｉｌｅＮｅｔｓ：ｅｆｆｉｃｉｅｎｔｃｏｎ
ｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｆｏｒｍｏｂｉｌｅｖｉｓｉｏｎａｐｐｌｉｃａｔｉｏｎｓ［ＥＢ／ＯＬ］．（２０１７ ０４ １７）．ｈｔｔｐｓ：／／ａｒｘｉｖ．ｏｒｇ／ａｂｓ／１７０４．０４８６１．［２１］ＺｈａｎｇＺｈａｎｐｅｎｇ，ＬｕｏＰｉｎｇ，ＬｏｙＣＣ，ｅｔａｌ．Ｆａｃｉａｌｌａｎｄｍａｒｋｄｅｔｅｃｔｉｏｎｂｙｄｅｅｐｍｕｌｔｉ ｔａｓｋｌｅａｒｎｉｎｇ［Ｃ］／／Ｐｒｏｃｏｆｔｈｅ１３ｔｈＥｕｒｏｐｅａｎＣｏｎｆｅ
ｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．Ｃｈａｍ：Ｓｐｒｉｎｇｅｒ，２０１４：９４ １０８．
［２２］董欣．车牌精确定位算法探究［Ｄ］．杭州：浙江大学，２０１７．（Ｄｏｎｇ
Ｘｉｎ．Ｒｅｓｅａｒｃｈｏｎｐｒｅｃｉｓｅｐｌａｔｅｌｏｃａｔｉｏｎａｌｇｏｒｉｔｈｍ［Ｄ］．Ｈａｎｇｚｈｏｕ：ＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙ，２０１７．）［２３］ＨｕＪｉｅ，ＬｉＳｈｅｎ，ＡｌｂａｎｉｅＳ，ｅｔａｌ．Ｓｑｕｅｅｚｅａｎｄｅｘｃｉｔａｔｉｏｎｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，
２０２０，４２（８）：２０１１ ２０２３．
［２４］ＲｅｋｏｒＳｙｓｔｅｍｓＩｎｃ．ＯｐｅｎＡＬＰＲＡＰＩ［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｄｏｃ．ｏｐｅｎａｌｐｒ．ｃｏｍ／ｃｌｏｕｄ＿ａｐｉ．ｈｔｍｌ．［２５］ＳｉｇｈｔｈｏｕｎｄＩｎｃ．ＣｏｍｐｕｔｅｒｖｉｓｉｏｎｃｌｏｕｄＡＰＩ［ＥＢ／ＯＬ］．ｈｔｔｐｓ：／／ｗｗｗ．
ｓｉｇｈｔｈｏｕｎｄ．ｃｏｍ／ｐｒｏｄｕｃｔｓ／ｃｌｏｕｄ．
·８５５１·计算机应用研究　第３８卷。