一种融合MRI形态学多指标的方法技术

本发明专利技术公开一种融合MRI形态学多指标的方法，包括以下步骤：获取原始数据、计算形态学指标、计算被试形态相关矩阵、计算组平均形态相关矩阵、获得相似矩阵、映射梯度矩阵、获得个体第一梯度和矩阵映射大脑皮层；本发明专利技术先根据T1加权磁共振数据测量个体大脑皮层的形态学指标，将多种指标数据归一化后，在不同脑区间计算皮尔逊相关，得到个体的脑区形态学相关矩阵，而后利用扩散嵌入进行空间拓扑表征研究，得到一系列成分表示，将主要成分映射回大脑皮层进行空间显示，通过观察梯度的空间模式与大脑解剖位置的关系，可以更好地理解大脑皮层不同脑区间形态学相似性的关系，从而帮助理解大脑的进化和发育。脑的进化和发育。脑的进化和发育。

【技术实现步骤摘要】
一种融合MRI形态学多指标的方法


[0001]本专利技术涉及生物医学图像模式识别
，尤其涉及一种融合MRI形态学多指标的方法。

技术介绍

[0002]结构磁共振成像简称MRI，是一种检查大脑解剖和病理的非侵入性技术，基于T1加权的结构MRI提供的形态测量技术可以定性和定量地描述大脑中灰质和白质的形状，大小和完整性，例如大脑新皮层的体积、厚度或表面积，或皮下核团体积等，大脑形态学指标可以反应大脑的发育变化及病理背景下的变异性，同时也是为理解大脑功能提供基础和原则；
[0003]目前，测量皮层形态学的指标主要包括皮层厚度，体积，表面积，曲率，平均弥散率等，这些指标可以反映大脑皮层不同形态特征的单一性质，通过融合多个形态学指标的方法，不仅可以为脑区提供更全面完整的结构描述，还能进一步刻画在这些形态测量背景下，不同脑区之间的协同变化，融合多指标的形态学测量，可以为理解大脑的发育、活动、病理和可塑性提供框架，加深对大脑机理的理解；
[0004]但融合多指标的方法通常是以高维特征表述的网络来捕捉个体的形态学网络，首先，该形态学网络一般是通过
‘
边
’
来描述两个脑区之间的相似性，只能观察到这两个脑区之间的关系，忽略了其余脑区对这些脑区的影响，其次，高维特征的网络包含多种复杂信息，并不能简单直观的将网络有效信息映射到大脑上，阻碍了将形态测量值和解剖信息直接结合起来进行分析，目前还没有生物学可解释的方法用以绘制MRI形态学多指标融合的方法，因此，本专利技术提出一种融合MRI形态学多指标的方法以解决现有技术中存在的问题。

技术实现思路

[0005]针对上述问题，本专利技术的目的在于提出一种融合MRI形态学多指标的方法，该方法采用一种形态学相似性梯度的方法，代替常用的形态学相似性网络方法，采用高维特征表示，使用扩散嵌入技术进行低维表征，以系统的整体的角度，通过大尺度梯度分析方法，用以揭示大脑皮层组织的空间拓扑组织。
[0006]为了实现本专利技术的目的，本专利技术通过以下技术方案实现：一种融合MRI形态学多指标的方法，包括以下步骤：
[0007]步骤一：获取原始数据
[0008]先获取原始T1加权磁共振数据,并将数据预处理，得到每个被试的皮层灰质部分，再将一个标准空间的模版转化到每个被试的个体空间，该模版包含m个脑区的解剖位置和结构名称；
[0009]步骤二：计算形态学指标
[0010]根据步骤一，通过每个个体空间的模版，计算得到每个个体在每个脑区的x个形态学指标，使每个被试得到m
×
x的多指标矩阵；
[0011]步骤三：计算被试形态相关矩阵
[0012]根据步骤二，将m
×
x的矩阵数据标准化，然后计算配对脑区之间x个指标的皮尔逊相关系数，得到被试的m
×
m的形态相关矩阵；
[0013]步骤四：计算组平均形态相关矩阵
[0014]根据步骤三，将所有被试的m
×
m的形态学相关矩阵计算平均，得到组水平的m
×
m的形态相关矩阵；
[0015]步骤五：获得相似矩阵
[0016]根据步骤三和步骤四，对得到的被试个体水平的和组水平的m
×
m的形态相关矩阵，先进行费雪Z变换，然后再进行正交变换，得到刻画相似度的m
×
m的相似矩阵；
[0017]步骤六：映射梯度矩阵
[0018]根据步骤五，将每个个体以及组水平的m
×
m的相似矩阵，从高维矩阵映射到一个共同的低维空间，得到m
×
n的梯度矩阵，其中n为成分个数；
[0019]步骤七：获得个体第一梯度
[0020]以步骤六中得到的组水平m
×
n的梯度矩阵作为标准，先将步骤六中得到的个体梯度矩阵配准到组水平的梯度矩阵上，再将配准后的梯度矩阵的第一列作为第一形态学梯度，得到每个个体m
×
1的第一梯度；
[0021]步骤八：矩阵映射大脑皮层
[0022]根据步骤七中得到的配准后的每个个体m
×
1的第一梯度，先通过平均计算得到组平均m
×
1的形态学梯度图，再根据步骤一中的模版提供的解剖位置信息，将该m
×
1矩阵映射到大脑皮层m个脑区相应的位置。
[0023]进一步改进在于：所述步骤二中，所述形态学指标包括皮层厚度、表面积、体积、平均曲率、高斯曲率、曲率指数和内在曲率。
[0024]进一步改进在于：所述步骤二中，进行形态学指标计算测量时，将标准空间的模版变换到每个个体空间来进行形态学测量分析，以有效保留个体的信息。
[0025]进一步改进在于：所述步骤三中，所述m
×
x的矩阵数据标准化利用z变换进行。
[0026]进一步改进在于：所述步骤五中，所述正交变换为余弦变换。
[0027]进一步改进在于：所述步骤六中，所述每个个体以及组水平的m
×
m的相似矩阵通过流行算法从高维矩阵扩散映射到一个共同的低维空间。
[0028]进一步改进在于：所述步骤七中，所述个体梯度矩阵通过普鲁斯特或联合嵌入对齐方法配准到组水平的梯度矩阵上。
[0029]本专利技术的有益效果为：本专利技术采用形态学相似性梯度的方法，代替常用的形态学相似性网络方法，采用高维特征表示，使用扩散嵌入技术进行低维表征，以系统的整体的角度，通过大尺度梯度分析方法，用以揭示大脑皮层组织的空间拓扑组织，通过将个体的形态学网络从高维表征的空间投射到一个低维空间，能够直观地在大脑解剖位置上分析脑区间形态学相似性模式的变化，通过观察梯度的空间模式与大脑解剖位置的关系，可以更好地理解大脑皮层不同脑区间形态学相似性的关系，从而帮助理解大脑的进化和发育。
附图说明
[0030]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0031]图1是本专利技术的方法流程图；
[0032]图2是本专利技术的大脑皮层灰质示意图；
[0033]图3是本专利技术标准空间的模版以及变换到不同个体空间的模版图；
[0034]图4是本专利技术用个体模版提取的形态学指标示意图以及对应的个体形态学矩阵图；
[0035]图5是本专利技术个体的形态相关矩阵以及对应的组水平的形态相关矩阵图；
[0036]图6是本专利技术计算相关矩阵的余弦距离后得到的相似矩阵图；
[0037]图7是本专利技术利用扩散嵌入技术得到的梯度矩阵图；
[0038]图8是本专利技术梯度矩阵的第一个成分在皮层空间位置的示意图。
具体实施方式
[0039]下面将结合本专利技术实施例中的附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合MRI形态学多指标的方法，其特征在于：包括以下步骤：步骤一：获取原始数据先获取原始T1加权磁共振数据,并将数据预处理，得到每个被试的皮层灰质部分，再将一个标准空间的模版转化到每个被试的个体空间，该模版包含m个脑区的解剖位置和结构名称；步骤二：计算形态学指标根据步骤一，通过每个个体空间的模版，计算得到每个个体在每个脑区的x个形态学指标，使每个被试得到m
×
x的多指标矩阵；步骤三：计算被试形态相关矩阵根据步骤二，将m
×
x的矩阵数据标准化，然后计算配对脑区之间x个指标的皮尔逊相关系数，得到被试的m
×
m的形态相关矩阵；步骤四：计算组平均形态相关矩阵根据步骤三，将所有被试的m
×
m的形态学相关矩阵计算平均，得到组水平的m
×
m的形态相关矩阵；步骤五：获得相似矩阵根据步骤三和步骤四，对得到的被试个体水平的和组水平的m
×
m的形态相关矩阵，先进行费雪Z变换，然后再进行正交变换，得到刻画相似度的m
×
m的相似矩阵；步骤六：映射梯度矩阵根据步骤五，将每个个体以及组水平的m
×
m的相似矩阵，从高维矩阵映射到一个共同的低维空间，得到m
×
n的梯度矩阵，其中n为成分个数；步骤七：获得个体第一梯度以步骤六中得到的组水平m
×
n的梯度矩阵作为标准，先将步骤六中得到的个体梯度矩阵配准到组水平的梯度矩阵上，再将配准后的梯度矩...

【专利技术属性】
技术研发人员：杨思绮，钟朋，陈华富，廖伟，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：