基于磁共振成像的脑病灶图像空间分布特征的分类鉴别方法技术

本发明专利技术属图像处理及应用技术领域，具体涉及一种基于磁共振成像的脑病灶图像空间分布特征的分类鉴别方法。本发明专利技术方法主要包括病灶分割、个体图像配准、空间标准化、标准空间模板个体化、病灶空间分布特征提取、特征筛选及建模等步骤，核心是通过在个体空间和标准空间的病灶的多种特征分析，构建一套脑病灶图像空间分布特征集的分析方法、并在此基础上使用机器学习进行特征筛选和建模。本方法可用于使用脑磁共振影像进行不同抗体、不同基因等原因导致的不同脑疾病或脑状态的脑病灶图像分类鉴别，为临床及科研提供有效的指导。

【技术实现步骤摘要】
基于磁共振成像的脑病灶图像空间分布特征的分类鉴别方法
本专利技术属图像处理及应用领域，具体涉及一种基于磁共振成像的脑病灶图像空间分布特征的分类鉴别方法。
技术介绍
现有技术中，在不同脑疾病或脑状态图像的分类鉴别方法中，脑磁共振成像技术由于其无创性、时效性、以及对脑部病灶优良的显示效果发挥着重要的作用。临床实践中，医生往往通过长期的临床经验，总结概括不同疾病的病灶在图像上表现出的不同特点，进行肉眼分类鉴别和报告。然而，该种基于经验的分类鉴别，存在效率低、难以发现病灶新特征、难以自动组合多个特征等缺点，在面对临床表现相似但基因或抗体等不同的疾病、不同症状或状态、缺少经验的新型疾病亚型或临床少见病来说，所述的脑病灶图像分类鉴别准确性和效率均出现大幅降低。近年来发展的影像组学和深度学习方法提供了从数据分析角度进行脑病灶图像分类鉴别的思路。通常，深度学习方法[1]一般需要大量的数据，同时其结果往往不具有可解释性，因此不适用于相似疾病、少见病、新亚型等分类问题的小样本量和探索研究阶段；影像组学方法[2]基于影像病灶灰度信息，进行量化特征提取，包括统计特征、纹理特征、滤波特征等，然后采用机器学习方法进行模型构建；由于特征是人为定义和提取的，其结果具有可解释性；然而，传统影像组学往往只关注病灶本身的特征，而非其在脑部的空间分布特征。而事实上，根据临床和研究经验，不同基因型或抗体等导致的疾病，其病灶在脑部所处的空间位置和分布特征往往具有重要的差别，因此在分类鉴别中具有重要的意义。目前尚未有系统的基于磁共振成像的脑病灶空间分布特征的分类鉴别方法。有研究报道关注到了部分空间分布特征，但是一般是通过医生或研究人员肉眼识别(如脑室旁有无病灶)，然后进行标定和归纳计数[3]。这种依靠医生定性识别和计数的方式，一方面，提取的特征极为有限，而且不够客观，不同医生或研究人员判别结果之间存在差异；另一方面，未实现自动化，效率低。基于现有分类鉴别技术在病灶空间分布特征方面的不足，本申请的专利技术人拟提供一种基于磁共振成像的脑病灶图像的空间分布特征的分类鉴别方法，拟通过对磁共振成像脑病灶图像的多种类别空间分布特征进行计算和分析，获得适用于分类鉴别的模型和判别方法，尤其在不同基因或抗体等导致的不同疾病分类方面，为临床及科研提供有效的指导。与本专利技术相关的现有技术有：[1]NajafabadiMM，VillanustreF，KhoshgoftaarTM，etal.Deeplearningapplicationsandchallengesinbigdataanalytics[J].JournalofBigData，2015，2(1)：1.[2]MaX，ZhangL，HuangD，etal.Quantitativeradiomicbiomarkersfordiscriminationbetweenneuromyelitisopticaspectrumdisorderandmultiplesclerosis[J].JournalofMagneticResonanceImaging，2018.[3]JurynczykM，GeraldesR，ProbertF，etal.Distinctbrainimagingcharacteristicsofautoantibody-mediatedCNSconditionsandmultiplesclerosis[J].Brain，2017，140(3)：617-627.
技术实现思路
本专利技术的目的在于，基于现有分类鉴别技术在病灶空间分布特征方面的不足，提供一种基于磁共振成像的脑病灶图像空间分布特征的分类鉴别方法，本方法主要包括病灶分割、个体图像配准、空间标准化、标准空间模板个体化、病灶空间分布特征提取、特征筛选及建模等步骤(如图1所示)。本专利技术方法通过对磁共振成像脑病灶图像的多种类别空间分布特征进行计算和分析，获得适用于分类鉴别的模型和判别方法，尤其在不同基因或抗体等导致的不同疾病分类方面，为临床及科研提供有效的指导。具体地，本专利技术的基于磁共振成像的脑病灶图像空间分布特征的分类鉴别方法包括如下步骤：1)、病灶图像分割：1)-1，脑影像数据的准备和选择：至少G1、G2两组被试图像；对于每个被试个体，准备两种图像，图像一为“病灶显示图像”，从患者临床脑磁共振影像(包括但不限于T1加权像、T2加权像、FLAIR、DWI、ADC、SWI等)中，选择一种模态作为后续病灶分割的图像；图像二为“脑结构像”，一般选择T1加权图像；两种图像可以相同；1)-2，病灶分割：对“病灶显示图像”，使用图像分割软件、工具包和分割算法，包括但不限于MRI厂商提供的工作站和分割软件、MRIcro、MRIcron、MIPAV、ITK-SNAP、MITK、区域增长算法等，对全脑病灶进行分割，并保存为二值图像或数据，生成“病灶图像”；2)、个体图像配准：将个体的“脑结构像”与“病灶显示图像”进行刚性配准，可用的软件和方法包括但不限于SPM、FSL等；3)、空间标准化：将个体“脑结构像”配准到标准空间(如MNI标准空间、Talairach标准空间等)，使用的软件和方法包括但不限于SPM、FSL、AFNI、ANTs、基于变形场的配准方法等；将此过程中产生的变换参数应用于“病灶图像”，并通过选择阈值(默认0.5，可选0～1)，得到二值化的“标准空间病灶图像”；使用同样的软件和方法，将个体“脑结构像”与标准对称脑模板(左右脑空间完全对称的模板)进行配准，得到二值化的“对称空间病灶图像”；4)、标准空间模板个体化：该步骤适用于在后续5)-4-6步骤中，需要在个体空间计算分区特征的情况，如果在标准空间进行可省略；针对标准空间的分区模板(包括但不限于灰质模板、白质模板、脑脊液模板、大脑脑叶分区模板、幕下结构分区模板、AAL分区模板、Brodmann分区模板、HarvardOxford分区模板、胼胝体等白质分区、脑室模板、及中脑导水管等自制分区等)，提取模板中每个分区为独立二值模板，利用步骤3中个体到标准空间的逆变换过程，将所有分区模板分别配准到个体空间，并通过选择阈值(默认0.5，可选0～1)，得到每个分区对应的二值化的“个体空间分区图像”；5)、病灶空间分布特征提取：其中，建立如下几个类别的病灶空间分布特征集及其提取方法：5)-1，分布大小特征：使用个体空间“病灶图像”，根据体素间连通原则，提取单个2D或3D病灶，计算单个病灶的体积、最长径等大小特征；在此基础上，获得每个被试所有单个病灶的以上特征的最大值、平均值、总和、中位数、病灶个数、大病灶(如超过200mm3)的个数等统计特征，作为该被试的病灶分布大小特征集；5)-2，对称性特征：使用“对称空间病灶图像”及相应的分区模板，在全脑及每组对称脑分区内部，分别计算病灶在左右半脑的对称性特征，包括单侧/双侧性(左/双/右侧分别标记为-1/0/1)、病灶在左右半脑的体素个数的差值或比值、度量分布相似性的Dice系数等本文档来自技高网...

【技术保护点】
1.基于磁共振成像的脑病灶图像空间分布特征的分类鉴别方法，其特征在于，其包括步骤：/n1)、病灶图像分割：/n2)、个体图像配准：采用SPM、FSL软件和方法，将个体的“脑结构像”与“病灶显示图像”进行刚性配准；/n3)、空间标准化：采用软件和方法SPM、FSL、AFNI、ANTs、基于变形场的配准方法，将个体“脑结构像”配准到标准空间将此过程中产生的变换参数应用于“病灶图像”，并通过选择阈值，得到二值化的“标准空间病灶图像”；使用同样的软件和方法，将个体“脑结构像”与标准对称脑模板进行配准，得到二值化的“对称空间病灶图像”；/n4)、标准空间模板个体化：针对标准空间的分区模板，提取模板中每个分区为独立二值模板，利用步骤3中个体到标准空间的逆变换过程，将所有分区模板分别配准到个体空间，并通过选择阈值(默认0.5，可选0～1)，得到每个分区对应的二值化的“个体空间分区图像”；/n5)、病灶空间分布特征提取：建立几个类别的病灶空间分布特征集及其提取方法：/n6)、特征筛选及建模。/n

【技术特征摘要】
1.基于磁共振成像的脑病灶图像空间分布特征的分类鉴别方法，其特征在于，其包括步骤：
1)、病灶图像分割：
2)、个体图像配准：采用SPM、FSL软件和方法，将个体的“脑结构像”与“病灶显示图像”进行刚性配准；
3)、空间标准化：采用软件和方法SPM、FSL、AFNI、ANTs、基于变形场的配准方法，将个体“脑结构像”配准到标准空间将此过程中产生的变换参数应用于“病灶图像”，并通过选择阈值，得到二值化的“标准空间病灶图像”；使用同样的软件和方法，将个体“脑结构像”与标准对称脑模板进行配准，得到二值化的“对称空间病灶图像”；
4)、标准空间模板个体化：针对标准空间的分区模板，提取模板中每个分区为独立二值模板，利用步骤3中个体到标准空间的逆变换过程，将所有分区模板分别配准到个体空间，并通过选择阈值(默认0.5，可选0～1)，得到每个分区对应的二值化的“个体空间分区图像”；
5)、病灶空间分布特征提取：建立几个类别的病灶空间分布特征集及其提取方法：
6)、特征筛选及建模。


2.按权利要求1所述的方法，其特征在于，所述的步骤3)中，
将个体“脑结构像”配准到MNI标准空间或Talairach标准空间；所述阈值默认0.5，为0～1；所述的标准对称脑模板为左右脑空间完全对称的模板。


3.按权利要求1所述的方法，其特征在于，所述的步骤4)适用于后续5)-4-6步骤中需要在个体空间计算分区特征的情况；
所述的标准空间的分区模板包括但不限于灰质模板、白质模板、脑脊液模板、大脑脑叶分区模板、幕下结构分区模板、AAL分区模板、Brodmann分区模板、HarvardOxford分区模板、胼胝体白质分区、脑室模板、及中脑导水管自制分区。


4.按权利要求1所述的方法，其特征在于，所述步骤1)包含分步骤：
1)-1，脑影像数据的准备和选择：至少G1、G2两组被试图像；对于每个被试个体，准备两种图像，图像一为“病灶显示图像”，从获得的患者临床脑磁共振影像包括但不限于T1加权像、T2加权像、FLAIR、DWI、ADC、SWI中，选择一种模态作为后续病灶分割的图像；图像二为“脑结构像”，选自T1加权图像；两种图像可以相同；
1)-2，病灶分割：对“病灶显示图像”，使用图像分割软件、工具包和分割算法，包括但不限于MRI厂商提供的工作站和分割软件、MRIcro、MRIcron、MIPAV、ITK-SNAP、MITK或区域增长算法，对全脑病灶图像进行分割，并保存为二值图像或数据，生成“病灶图像”。


5.按权利要求1所述的方法，其特征在于，所述步骤5)包含以下特征集的提取方法：
5)-1，分布大小特征：使用个体空间“病灶图像”，根据体素间连通原则，提取单个2D或3D病灶，计算单个病灶图像的体积、最长径大小特征；获得每个被试所有单个病灶图像的以上特征的最大值、平均值、总和、中位数、病灶个数、超过200mm3的大病灶的个数统计特征，作为该被试的病灶图像分布大小特征集；
5)-2，对称性特征：使用“对称空间病灶图像...

【专利技术属性】
技术研发人员：杨丽琴，夏威，李郁欣，耿道颖，李海庆，
申请(专利权)人：复旦大学附属华山医院，
类型：发明
国别省市：上海;31