一种磁共振成像脑分区方法及系统技术方案

本发明专利技术公开了一种磁共振成像脑分区方法及系统。其中，一种磁共振成像脑分区方法，包括：对fMRI脑图像进行预处理；利用量子体系动态演化对预处理后的fMRI脑图像进行分区。本发明专利技术将脑分区转化为量子体系的动态演化过程，通过量子过程完成对单个个体或者多个个体的fMRI图像进行分区，发挥了量子模型和量子算法在处理高维度大数据时的优势，适用于fMRI图像的处理和大脑功能分区，提高了fMRI图像的处理效率以及脑分区结果的精度。

A Method and System for Brain Zoning in Magnetic Resonance Imaging

The invention discloses a method and system for brain division of magnetic resonance imaging. Among them, a method of brain segmentation for magnetic resonance imaging includes: preprocessing fMRI brain images; using the dynamic evolution of quantum system to partition fMRI brain images after preprocessing. The invention transforms brain partition into a dynamic evolution process of quantum system, partitioning fMRI images of a single individual or multiple individuals through quantum process, and exerts the advantages of quantum model and quantum algorithm in processing high-dimensional large data. It is suitable for processing fMRI images and brain functional partition, and improves the processing efficiency of fMRI images and the accuracy of brain partition results.

【技术实现步骤摘要】
一种磁共振成像脑分区方法及系统
本专利技术属于图像处理领域，尤其涉及一种磁共振成像脑分区方法及系统。
技术介绍
基于功能磁共振成像(functionalmagneticresonanceimaging,fMRI)的大脑功能分区是指根据fMRI图像采用一定方法将大脑分为若干具有一致性且不相互重叠的功能区域的技术。经研究表明，基于fMRI图像的功能分区比传统的大脑结构分区具有更高的功能一致性，对大脑功能网络的研究具有重要意义。而且基于fMRI图像的功能分区可以反应大脑功能特征，揭示全脑或局部脑区的功能特征。因此基于fMRI图像的大脑功能分区具有重要的实际意义。目前大脑功能分区技术已经得到了广泛的应用，现有的大脑功能分区技术主要有两种，一种是基于模型驱动的大脑功能分区，另一种是基于数据驱动的大脑分区。基于模型驱动的脑功能分区技术，主要运用概率分布模型和广义线性模型两类模型。(1)概率分布模型方法利用马尔科夫随机场等概率模型对大脑进行建模，将大脑分区转化为模型最优化问题，但是在一般情况下难以选择最合适的概率分布模型，而且存在参数最优化瓶颈等问题。(2)广义线性模型，通常与机器学习算法相结合进行功能分区。通过广义线性模型分析全脑的一些功能指标，比如功能连接值、局部一致性，然后将指标输入机器学习算法进行训练，对不同体素的功能指标进行分类，但这种方法在通常情况下训练过程缓慢，难以找到合适的训练集，受限于fMRI样本数据量，结果受到输入样本顺序的影响。基于数据驱动的脑功能分区技术，可以通过聚类算法和字典学习等算法对fMRI图像进行分区。(1)聚类算法属于一种无监督学习的算法，目前用于脑功能分区的聚类算法主要有k-均值聚类、谱聚类、层次聚类等算法。虽然k-均值聚类算法效率较高，但是对初始值比较敏感，分区结果不稳定。谱聚类建立在图谱理论基础上，将聚类转化为图的最优划分问题，虽然效果比较稳定，但是在构图步骤中对于参数选择敏感，难以定义图的权重。(2)不同于聚类算法，字典学习算法是一种有监督的学习算法。它将脑区作为字典元素，通过大量训练样本数据建立起一套完备的分区字典。与聚类算法相比，字典学习算法具有更高的准确性，但是字典算法复杂度较高，分区结果受fMRI数据量的限制，难以找到合适的训练集，而且运算效率低下。综上所述，现有的磁共振成像脑分区方法普遍存在对于高维度大数据处理效率低且得到的脑分区结果精度差的问题，因此，亟需一种适用于高维度大数据，脑分区处理效率高且脑分区结果精度高的方法。
技术实现思路
为了解决现有技术的不足，本专利技术的第一目的是提供一种磁共振成像脑分区方法，其将脑分区转化为量子体系的动态演化过程，通过量子过程完成对单个个体或者多个个体的fMRI图像进行分区，发挥了量子模型和量子算法在处理高维度大数据时的优势，适用于fMRI图像的处理和大脑功能分区，提高了fMRI图像的处理效率以及脑分区结果的精度。本专利技术的一种磁共振成像脑分区方法，包括：对fMRI脑图像进行预处理；利用量子体系动态演化对预处理后的fMRI脑图像进行分区。进一步的，利用量子动态演化对预处理后的fMRI脑图像进行分区的具体过程包括：提取预处理后的fMRI脑图像中的灰质部分，得到灰质图像；将灰质图像转换为二维矩阵形式，记为M；其中，M的行数等于灰质图像的总体素数，列数为4的整数倍，且倍数等于待分区fMRI脑图像的数量；每一行代表一个体素，每4列分别代表体素的x、y、z轴位置坐标及体素的灰度值；对每个体素构建一个对应的高斯核函数，进而将每一个体素关联为量子体系中一个粒子；利用各个体素对应的高斯核函数来创建Gram矩阵N，并计算N-1/2；根据各个体素对应的高斯核函数来计算哈密顿量矩阵H；根据各个体素对应的高斯核函数和各个体素在Gram矩阵N中位置，计算位置矩阵X；利用哈密顿量矩阵H和位置矩阵X均先左乘N-1/2，再右乘N-1/2，得到更新后的哈密顿量矩阵Htr和更新后的位置矩阵Xtr；将更新后的哈密顿量矩阵Htr进行特征值分解，得到Htr＝UDU-1，其中U与Htr的维数相同，U的第i列为Htr的特征向量，D为对角矩阵，对角线上的元素为Htr的特征值，得到Htr的指数eHtr：eHtr＝UeDU-1；间隔预设时间更新每个体素的位置坐标，形成若干个团簇；将每一个团簇按照x、y、z轴位置坐标从小到大依次赋予1,2,…l个标签值，并将每个团簇中的对应体素与相应标签值进行关联；其中，l为大于1的正整数；输出结果矩阵D；结果矩阵D的列数为4的整数倍，且倍数等于待分区fMRI脑图像的数量，每4列分别为体素的x、y、z轴位置坐标以及其对应的标签值；行数等于体素个数，每一行对应一个体素；按照结果矩阵D中体素的x、y、z轴位置坐标将相应体素投影到三维曲面标准MNI脑模型中，不同的标签值显示不同的颜色，得到脑分区结果。进一步的，在更新每个体素的位置坐标的过程中，定义预设时间Δt并设定一个时间限制Tset，若nΔt<Tset，更新每个体素的位置坐标，否则输出结果矩阵D；其中，n为大于或等于1的正整数。进一步的，更新每个体素的位置坐标xi(t+Δt)：其中，conj表示共轭，其中x为根据输入值构建的多维列向量空间，如果没有特殊说明，默认x＝M。xi＝[β1,β2,β3…,β4d]，β1,β2,β3…,β4d分别为二维矩阵M第i行的4d个元素，d为待分区fMRI脑图像的数量，σ为波函数的宽度参数，σ的大小与分区数目相关。进一步的，该方法还包括：调用OpenGL接口，通过三维渲染并将脑分区结果精确地呈现在三维MNI标准脑模型上；同时显示XZ平面、YZ平面和XY平面三视图，进而得到脑分区结果的矢状位、冠状位和横断位三视图。进一步的，当待分区fMRI脑图像的数量至少为2个时，可对二维矩阵M进行奇异值分解。Gram矩阵N可通过特征值分解分解为三个较小的矩阵的乘积进行代替，进而提高了数据处理速度，最终提高了fMRI脑图像的处理效率。进一步的，将预处理后的fMRI脑图像与标准MNI空间的灰质模板进行点乘，提取预处理后的fMRI脑图像中的灰质部分，得到灰质图像。进一步的，对fMRI脑图像进行预处理的过程，包括：对fMRI脑图像的时间层进行对齐；将fMRI每一个时间点的脑图像与第一个时间点的脑图像进行对齐，进行头动矫正；将个体fMRI脑图像配准到MNI空间模板上；对配准到MNI空间模板的fMRI脑图像进行空间平滑处理；对空间平滑处理后的fMRI脑图像进行滤波。本专利技术通过对fMRI脑图像进行预处理，提高了fMRI脑图像中脑分区结果的准确性。进一步的，采用sinc函数插值重采样的方法对fMRI脑图像的时间层进行对齐。需要说明的是，fMRI脑图像的时间层对齐还可采用其他现有的方法，如：线性插值法、立方插值法、邻域插值法等方法。进一步的，采用刚体配准的方法将fMRI每一个时间点的脑图像与第一个时间点的脑图像进行对齐。需要说明的是，将fMRI每一个时间点的脑图像与第一个时间点的脑图像对齐还可采用其他现有的方法，如：非刚体配准法、自由变形法、PCA融合法、小波融合法等方法。进一步的，采用非线性仿射变换方法将个体fMRI脑图像配准到MNI空间模板上。需要说明的是，将个体fMRI脑图像配准到MNI空间本文档来自技高网...

【技术保护点】
1.一种磁共振成像脑分区方法，其特征在于，包括：对fMRI脑图像进行预处理；利用量子体系动态演化对预处理后的fMRI脑图像进行分区。

【技术特征摘要】
1.一种磁共振成像脑分区方法，其特征在于，包括：对fMRI脑图像进行预处理；利用量子体系动态演化对预处理后的fMRI脑图像进行分区。2.如权利要求1所述的一种磁共振成像脑分区方法，其特征在于，利用量子动态演化对预处理后的fMRI脑图像进行分区的具体过程包括：提取预处理后的fMRI脑图像中的灰质部分，得到灰质图像；将灰质图像转换为二维矩阵形式；其中，行数等于灰质图像的总体素数，列数为4的整数倍，且倍数等于待分区fMRI脑图像的数量；每一行代表一个体素，每4列分别代表体素的x、y、z轴位置坐标及体素的灰度值；对每个体素构建一个对应的高斯核函数，进而将每一个体素关联为量子体系中一个粒子；利用各个体素对应的高斯核函数来创建Gram矩阵N，并计算N-1/2；根据各个体素对应的高斯核函数来计算哈密顿量矩阵H；根据各个体素对应的高斯核函数和各个体素在Gram矩阵N中位置，计算位置矩阵X；利用哈密顿量矩阵H和位置矩阵X均先左乘N-1/2，再右乘N-1/2，得到更新后的哈密顿量矩阵Htr和更新后的位置矩阵Xtr；将更新后的哈密顿量矩阵Htr进行特征值分解，得到Htr＝UDU-1，其中U与Htr的维数相同，U的第i列为Htr的特征向量，D为对角矩阵，对角线上的元素为Htr的特征值，得到Htr的指数eHtr：eHtr＝UeDU-1；间隔预设时间更新每个体素的位置坐标，形成若干个团簇；将每一个团簇按照x、y、z轴位置坐标从小到大依次赋予1,2,…l个标签值，并将每个团簇中的对应体素与相应标签值进行关联；其中，l为大于1的正整数；输出结果矩阵D；结果矩阵D的列数为4的整数倍，且倍数等于待分区fMRI脑图像的数量，每4列分别为体素的x、y、z轴位置坐标以及其对应的标签值；行数等于体素个数，每一行对应一个体素；按照结果矩阵D中体素的x、y、z轴位置坐标将相应体素投影到三维曲面标准MNI脑模型中，不同的标签值显示不同的颜色，得到脑分区结果。3.如权利要求2所述的一种磁共振成像脑分区方法，其特征在于，在更新每个体素的位置坐标的过程中，定义预设时间Δt并设定一个时间限制Tset，若nΔt<Tset，更新每个体素的位置坐标，否则输出结果矩阵D；其中，n为大于或等于1的正整数。4.如权利要求3所述的一种磁共振成像脑分区方法，其特征在于，更新每个体素的位置坐标xi(t+Δt)：其中，conj表示共轭，其中xi＝[β1,β2,β3…,β4d]，β1,β2,β3…,β4d分别为二维矩阵M的的第i行的4d个元素，d为待分区fMRI脑图像的数量，σ为波函数的宽度参数，σ的大小与分区数目相关；x为根据输入值构建的多维列向量空间。5.如权利要求2所述的一种磁共振成像脑分区方法，其特征在于，该方法还包括：调用OpenGL接口，通过三维渲染并将脑分区结果精确地呈现在三维MNI标准脑模型上；同时显示XZ平面、YZ平面和XY平面三视图，进而得到脑分区结果的矢状位、冠状位和横断位三视图。6.如权利要求2所述的一种磁共振成像脑分区方法，其特征在于，将预处理后的fMRI脑图像与标准MNI空间的灰质模板进行点乘，提取预处理后的fMRI脑图像中的灰...

【专利技术属性】
技术研发人员：路伟钊，侯坤，邱建峰，
申请(专利权)人：泰山医学院，
类型：发明
国别省市：山东,37