【技术实现步骤摘要】
基于机器学习的磁共振图像脑区划分方法、系统和装置
本专利技术属于图像处理领域，具体涉及了一种基于机器学习的磁共振图像脑区划分方法、系统和装置。
技术介绍
脑被认为是人体最复杂也是最神秘的器官，人类对脑功能和结构的研究已经历经很长时间。现在人们一般认为，脑的功能很大程度上取决于结构，结构组织不同的区域功能也很有可能不相同，因此绘制出能够确定出不同区域的脑图谱对于人们理解脑功能有着重要意义。由于人群的脑功能区域存在差异性，相比于从群体得到的脑图谱，个体的脑图谱能更有针对性的反映个体的状况，可以帮助我们进一步认识脑功能和结构的认识，加深对精神疾病的认识。因此绘制精准的个体化脑图谱对于临床的诊断，精准化医疗，以及加深人对脑的理解有着重要意义。Passingham等人指出每个脑区独特的输入输出模式，即“连接指纹”(connectivityfingerprint)，并且这种“连接指纹”可以反映每个脑区不同的功能，因此涌现出大量根据“连接模式”进行脑区划分的算法。尽管脑区的“连接模式”存在许多种，但在众多连接模式的定义中，表征白纸...
【技术保护点】
1.一种基于机器学习的磁共振图像脑区划分方法，其特征在于，所述方法包括：/n步骤S100，获取原始磁共振图像；/n步骤S200，基于所述原始磁共振图像，通过HCP方法生成解剖结构像磁共振数据和扩散张量磁共振数据；/n步骤S300，通过网格面重建处理所述解剖结构像磁共振数据获得网格面数据，通过概率跟踪算法处理所述网格面数据和扩散张量磁共振数据，获得降维连接特征矩阵；所述降维连接特征矩阵的每一行表示某个顶点和全脑246个脑区的连接概率；/n步骤S400，基于所述降维连接特征矩阵，通过M个基于脑网络组图谱训练的区域性分类器对每个顶点进行分类生成顶点分类结果；M为预设的区域性分类器...
【技术特征摘要】
1.一种基于机器学习的磁共振图像脑区划分方法，其特征在于，所述方法包括：
步骤S100，获取原始磁共振图像；
步骤S200，基于所述原始磁共振图像，通过HCP方法生成解剖结构像磁共振数据和扩散张量磁共振数据；
步骤S300，通过网格面重建处理所述解剖结构像磁共振数据获得网格面数据，通过概率跟踪算法处理所述网格面数据和扩散张量磁共振数据，获得降维连接特征矩阵；所述降维连接特征矩阵的每一行表示某个顶点和全脑246个脑区的连接概率；
步骤S400，基于所述降维连接特征矩阵，通过M个基于脑网络组图谱训练的区域性分类器对每个顶点进行分类生成顶点分类结果；M为预设的区域性分类器个数；
步骤S500，将所述顶点分类结果合并，通过图像形态学操作获得脑区分割后的个体化图谱。
2.根据权利要求1所述的基于机器学习的磁共振图像脑区划分方法，其特征在于，所述步骤S300包括：
步骤S310，基于所述解剖结构像数据通过网格面重建的方法获得不同位置皮层的网格面数据；所述不同位置皮层的网格面数据包括灰白质交界面和皮层中部等值面数据；
基于所述扩散张量磁共振数据，计算每个体素扩散方向的概率分布；
步骤S320，基于所述不同位置皮层的网格面数据和每个体素扩散方向的概率分布，通过概率跟踪种子区域法，将所述灰白质交界面作为种子区域，从所述种子区域的每个顶点发出K条流线估计所述种子区域的连接模式，获取连接特征矩阵；所述连接矩阵大小为皮层顶点×全脑体素个数；
步骤S330，将所述连接特征矩阵进行降维生成降维连接特征矩阵。
3.根据权利要求2所述的基于机器学习的磁共振图像脑区划分方法，其特征在于，所述将所述连接特征矩阵进行降维生成降维连接特征矩阵，其方法为：
步骤A100，将脑网络组图谱的概率图投射到个体空间，将个体空间中全脑的体素依据所述脑网络组图谱进行归类，获得全脑体素×脑亚区的转化矩阵；
步骤A200，基于所述全脑体素×脑亚区的转化矩阵和连接特征矩阵相乘，获得低维连接矩阵；
步骤A300，将所述低维连接矩阵每一行进行归一化，获得所述降维连接特征矩阵。
4.根据权利要求2所述的基于机器学习的磁共振图像脑区划分方法，其特征在于，所述基于脑网络组图谱训练的区域性分类器，其获得方法为：
步骤B100，将脑网络组图谱的概率图投射到个体空间，生成带标签的训练图像集；
步骤B200，将所述带标签的训练图像集分为不同脑区的带标签的训练图像集，并基于所述不同脑区的带标签的训练图像集通过对应脑区的区域性分类器进...
【专利技术属性】
技术研发人员：樊令仲，张瀚天，杨正宜，蒋田仔，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。