本发明专利技术涉及一种用于分析扩散磁共振成像数据的装置(10)。所述装置包括：输入单元(20)、处理单元(30)、以及输出单元(40)。所述输入单元被配置为向所述处理单元提供患者的脑的至少一幅扩散磁共振成像“dMRI”图像。所述处理单元被配置为确定所述dMRI图像中的每个体素处的神经元取向的估计，所述确定包括使用至少一幅dMRI图像。所述处理单元被配置为确定所述至少一幅dMRI图像中的多个纤维束，所述确定包括使用所述至少一幅dMRI图像中的每个体素处的神经元的估计的取向。所述处理单元被配置为沿着多个纤维束中的至少一个纤维束选择多个体素。所述处理单元被配置为确定神经系统疾病分类，所述确定包括使用与选定的多个体素中的每一体素相关联的至少一个扩散率特征。所述输出单元被配置为输出所述神经系统疾病分类。单元被配置为输出所述神经系统疾病分类。单元被配置为输出所述神经系统疾病分类。
【技术实现步骤摘要】
【国外来华专利技术】用于分析扩散磁共振成像数据的装置
[0001]本专利技术涉及用于分析扩散磁共振成像数据的装置，以及分析扩散磁共振成像数据的成像系统和方法。
技术介绍
[0002]扩散MRI(dMRI)是一种医学成像方法，用于在体内重建和可视化脑中神经元纤维束的解剖网络。该技术对于分析解剖学上的脑连接，研究神经和心理疾病以及发现生物标记物以及早发现诸如阿尔茨海默氏症的疾病非常重要。
[0003]使用特征图(即在每个体素上由标量特征形成的图像)，标准流程是对空间对齐的健康和患病对象群体进行体素统计分析，以发现脑的特定感兴趣区域中特征值之间的统计学显著差异。然后，基于正在研究的特征，可以形成有关扩散性的物理属性的解释，这些物理属性可以指示疾病。在连接性分析方面，其他常见特征是来自纤维束描记术的手工制作的连接性度量，例如连接不同感兴趣区域的纤维的数量、长度或密度。额外的特征包括沿纤维束占据的体素平均FA。然而，这并没有并入沿着脑的长纤维束的微小空间变化。一旦从这些特征创建连接性矩阵，最先进的技术，就调用图形分析来分析健康和不健康对象群体的连接性的统计特性。
[0004]然而，这项技术还处于起步阶段，需要进一步的发展来提供有效的疾病分类。
技术实现思路
[0005]具有根据扩散磁共振成像数据来确定疾病分类的改进方法将是有利的。本专利技术的目的利用独立权利要求的主题来解决，其中，在从属权利要求中并入了另外的实施例。应当注意，本专利技术的以下描述的方面和示例也适用于分析扩散磁共振成像数据的装置、分析扩散磁共振成像数据的成像系统和方法，以及计算机程序单元和计算机可读介质。
[0006]在第一个方面中，提供了一种用于分析扩散磁共振成像数据的装置，所述装置包括：
[0007]输入单元；
[0008]处理单元；以及
[0009]输出单元。
[0010]所述输入单元被配置为向所述处理单元提供患者的脑的至少一幅扩散磁共振成像“dMRI”图像。所述处理单元被配置为确定所述dMRI图像中的每个体素处的神经元取向的估计，所述确定包括使用至少一幅dMRI图像。所述处理单元被配置为确定所述至少一幅dMRI图像中的多个纤维束，所述确定包括使用所述至少一幅dMRI图像中的每个体素处的神经元的估计的取向。所述处理单元被配置为沿着多个纤维束中的至少一个纤维束选择多个体素。所述处理单元被配置为确定神经系统疾病分类，所述确定包括使用与选定的多个体素中的每一体素相关联的至少一个扩散率特征。所述输出单元被配置为输出所述神经系统疾病分类。
[0011]换句话说，输入的脑影像被处理，根据其，沿着脑中的纤维束选择特定的体素，并且相关联的扩散率特征被处理以确定所述神经系统疾病分类。
[0012]在示例中，所述处理单元被配置为确定至少一幅dMRI图像中的每个体素处的扩散率概况。确定至少一幅dMRI图像中的每个体素处的估计的神经元取向可以包括使用所述至少一幅dMRI图像中的每个体素处的所述扩散率概况。
[0013]在示例中，所述处理单元被配置为确定至少一幅dMRI图像中的每个体素处的球面概率分布函数。确定至少一幅dMRI图像中的每个体素处的估计的神经元取向可以包括使用所述至少一幅dMRI图像中的每个体素处的所述球面概率分布函数。
[0014]在示例中，所述至少一幅dMRI图像中的每个体素处的所述球面概率分布函数与所述至少一幅dMRI图像中的每个体素在给定方向上的扩散概率有关。
[0015]在示例中，确定至少一幅dMRI图像中的每个体素处的估计的神经元取向可以包括使用所述至少一幅dMRI图像中的每个体素处的所述球面概率分布函数中的峰值。
[0016]换句话说，给定每个体素中的3D概率分布函数，如ODF或扩散张量，然后通过跟踪每个体素中每个分布函数的峰值，在整个脑中重建纤维束。
[0017]在示例中，所述处理单元被配置为确定所述多个纤维束中的至少一个纤维束，所述确定包括确定将脑的第一分割区域连接到脑的第二分割区域的一个或多个纤维束。
[0018]在示例中，所述处理单元被配置为确定所述多个纤维束中的至少一个纤维束，所述确定包括确定将脑的多个分割区域连接到彼此的两个或更多个纤维束。
[0019]在示例中，所述处理单元被配置为基于连接两个连接的分割区域的纤维束的数量来确定所述两个连接的分割区域的至少一个连接权重。
[0020]因此，只需要连接两个分割区域，在确定神经系统疾病分类时可以考虑它们之间的纤维束，但可以考虑更多连接的区段。
[0021]在示例中，所述处理单元被配置为基于与沿着连接所述两个连接的分割区域的纤维束的多个体素中的每个体素相关联的至少一个扩散率特征来确定针对两个连接的分割区域的至少一个连接性权重。
[0022]换句话说，如果满足某个阈值，则可以确定两个区域是连接的，例如，至少一个纤维束在这些区域中开始和结束。然后，可以基于使用诸如连接两个区域的纤维数量的特征或基于扩散率特征的其他特征(例如平均FA)或在执行疾病分类任务时从数据中学习的特征来考虑连接的强度。纤维束的数量和扩散率特征可以自动确定，但可以“手工制作”，其中这些特征由用户手动选择，或者可以使用例如深度网络从该数据中学习。
[0023]此外，连接权重可用于提供一定程度的显著性，例如在多个分割区域通过纤维束连接的情况下，连接权重可用于确定哪些区域对是重要的。这可以帮助确定神经系统疾病。
[0024]此外，连接权重可用于将权重映射回纤维束下方的单个体素，并且可视化纤维束热图，其可以额外地除了体素之外在实际纤维束本身上进行可视化。通过将连接权重映射回纤维束的个体体素，使得能够提供有关脑中疾病病理可能表现的信息。
[0025]在示例中，所述处理单元被配置为实施至少一种经训练的机器学习算法，并且其中，对所述神经系统疾病的确定包括通过至少一种训练的机器学习算法处理与选择的多个体素中的每个体素相关联的至少一个扩散率特征。
[0026]在示例中，所述至少一种经训练的机器学习算法是至少一个3D卷积神经网络
(CNN)。
[0027]在示例中，所述处理单元被配置为针对沿着至少一个纤维束的多个像素的活跃体素或非零体素选择要输入到至少一个经训练的机器学习算法的体素。
[0028]换句话说，可以使用一个或多个稀疏3D卷积神经网络(CNN)，它仅在占据脑区域之间的纤维束路径的一组稀疏活跃或非零体素周围应用(或应用)卷积滤波器。由于整个脑体积中活跃体素的数量非常稀疏，这不仅加快了计算速度，而且与传统的卷积滤波器不同，它还保留了纤维束形状。
[0029]在示例中，基于参考患者的脑的多幅dMRI图像和与每个参考患者的神经系统疾病信息有关的信息来训练经训练的机器学习算法。
[0030]在第二个方面中，提供了一种成像系统，包括：
[0031]磁共振图像单元；以及
[0032]根据第一方面的装置。
[0033]所述磁共振成像单元被配置为采集患者的脑的至少一本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种用于分析扩散磁共振成像数据的装置(10)，所述装置包括：输入单元(20)；处理单元(30)；以及输出单元(40)；其中，所述输入单元被配置为向所述处理单元提供患者的脑的至少一幅扩散磁共振成像“dMRI”图像；其中，所述处理单元被配置为确定对所述dMRI图像中的每个体素处的神经元取向的估计，所述确定包括使用所述至少一幅dMRI图像；其中，所述处理单元被配置为确定所述至少一幅dMRI图像中的多个纤维束，所述确定包括使用所述至少一幅dMRI图像中的每个体素处的所估计的神经元取向；其中，所述处理单元被配置为沿着所述多个纤维束中的至少一个纤维束选择多个体素；其中，所述处理单元被配置为确定神经系统疾病分类，所述确定包括使用与所选择的多个体素中的每个体素相关联的至少一个扩散率特征；并且其中，所述输出单元被配置为输出所述神经系统疾病分类。2.根据权利要求1所述的装置，其中，所述处理单元被配置为确定所述至少一幅dMRI图像中的每个体素处的扩散率概况，并且其中，确定所述至少一幅dMRI图像中的每个体素处的所述估计的神经元取向包括使用所述至少一幅dMRI图像中的每个体素处的所述扩散率概况。3.根据权利要求1
‑
2中的任一项所述的装置，其中，所述处理单元被配置为确定所述至少一幅dMRI图像中的每个体素处的球面概率分布函数，并且其中，确定所述至少一幅dMRI图像中的每个体素处的所述估计的神经元取向包括使用所述至少一幅dMRI图像中的每个体素处的所述球面概率分布函数。4.根据权利要求3所述的装置，其中，所述至少一幅dMRI图像中的每个体素处的所述球面概率分布函数与所述至少一幅dMRI图像中的每个体素处在给定方向上的扩散概率有关。5.根据权利要求3
‑
4中的任一项所述的装置，其中，确定所述至少一幅dMRI图像中的每个体素处的所述估计的神经元取向包括使用所述至少一幅dMRI图像中的每个体素处的所述球面概率分布函数中的峰值。6.根据权利要求1
‑
5中的任一项所述的装置，其中，所述处理单元被配置为确定所述多个纤维束中的所述至少一个纤维束，所述确定包括确定将所述脑的第一分割区域连接到所述脑的第二分割区域的一个或多个纤维束。7.根据权利要求6所述的装置，其中，所述处理单元被配置为确定所述多个纤维束中的所述至少一个纤维束，所述确定包括确定将所述脑的多个分割区域连接到彼此的两个或更多个纤维束。8.根据权利要求6
‑
7中的任一项所述的装置，其中，所述处理单元被配置为基于连接两个连接的分割区域的纤维束的数量来确定针对所述两个连接的分割区域的至少一个连接权重。9.根据权...
【专利技术属性】
技术研发人员：E，
申请(专利权)人：皇家飞利浦有限公司，
类型：发明
国别省市：
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。