【技术实现步骤摘要】
群组先验引导的基于深度学习的丘脑个体化图谱绘制方法
[0001]本专利技术属于磁共振成像的脑图谱绘制领域,具体涉及一种群组先验引导的基于深度学习的丘脑个体化图谱绘制方法、系统、设备。
技术介绍
[0002]丘脑是大脑中的一个中继核团,参与了听觉、视觉、运动、躯体感觉、情绪、记忆和学习等大脑功能环路。在临床中,丘脑作为深部脑刺激(DBS)的作用靶点,参与了帕金森病、癫痫、多发性硬化、植物人促醒、精神分裂症和特发性震颤等神经精神系统疾病的调控治疗。因此,精细准确的丘脑图谱的绘制是丘脑研究的关键。在现有的研究中,研究者们通过组织学切片染色和磁共振成像等方法来刻画丘脑的结构或者功能特征,并以此作为丘脑分区的依据。在这些丘脑分区的方法中,组织学切片染色被视为丘脑分区的金标准,而其只能在离体脑标本中进行,不具备可重复性且依赖解剖学家的手工标记。发展迅速的磁共振成像可以无创地描述丘脑内的特征,包括局部微观结构、解剖连接和功能连接等。基于此,数据驱动的丘脑分区流程逐渐成为丘脑分区的研究热点。根据磁共振成像的模态,现有的丘脑分区可以分为基于结构、弥散和功能影像三种模态数据的不同方法。在基于这三种磁共振模态数据的丘脑分区方法中,基于弥散磁共振的丘脑分区是最接近丘脑的解剖学构筑的。弥散磁共振影像能提供两种弥散信息,即纤维束连接和局部弥散特征。在早期的研究中,研究者们发现基于纤维束连接的丘脑分区与实际的丘脑解剖构筑的对应性也不佳,而基于局部弥散特征的丘脑分区与解剖构筑基本一致。因此,基于局部弥散特征的丘脑分区是最直接刻画丘脑的局部微观结构的 ...
【技术保护点】
【技术特征摘要】
1.一种群组先验引导的基于深度学习的丘脑个体化图谱绘制方法,其特征在于,该方法包括以下步骤:S100,获取在第一阈值下的群组丘脑概率图谱并进行二值化,得到群组丘脑概率图谱的掩膜,作为第一掩膜;将所述第一掩膜配准到受试者个体脑部的弥散磁共振空间,得到受试者个体脑部的丘脑ROI;S200,获取在第二阈值下的群组丘脑概率图谱,并配准到受试者个体脑部的弥散磁共振空间,得到受试者个体脑部的群组先验图谱;S300,在受试者个体脑部的弥散磁共振空间中,剔除所述丘脑ROI中的群组先验图谱,得到未定义的丘脑区域的掩膜,作为第二掩膜;S400,结合所述第二掩膜,计算所述群组先验图谱中每个体素的45维球面调和函数的系数和3维弥散磁共振空间的位置坐标,将两者合并为一个48维的特征向量,作为个体特征;将所述个体特征输入预构建的个体化分类模型,得到每个未定义区域内的体素的预测概率值向量,并将预测概率值向量对应的最大的亚区标签作为体素的最终亚区标签,进而生成未定义区域的图谱;所述个体化分类模型基于深度学习神经网络构建;S500,将所述群组先验图谱和所述未定义区域的图谱进行合并,生成受试者个体化的丘脑图谱;其中,所述群组丘脑概率图谱其构建方法为:A100,获取N个受试者个体脑部的结构核磁共振图像、弥散张量核磁共振图像,作为输入图像;N为正整数;A200,对所述输入图像依次进行HCP最小预处理、ROI配准、ROI后处理,得到受试者个体脑部最终的丘脑ROI,并通过ODF估计算法,得到受试者个体脑部最终的丘脑ROI内每个体素的局部弥散特征;A300,结合A200获取的局部弥散特征,计算体素之间的相似度,并进行聚类,得到受试者个体脑部最终的丘脑ROI内体素的聚类结果;A400,将A300获取的聚类结果配准至标准空间,并进行标签重映射,得到受试者个体脑部最终的丘脑ROI内每个体素对应的亚区标签,即得到N个受试者个体脑部在标准空间中的丘脑分区;A500,计算受试者个体脑部最终的丘脑ROI内每个体素对应的亚区概率值,并去掉最大的亚区概率值低于第一阈值的体素点,然后将剩余的体素点构建群组水平的丘脑概率图谱,即群组丘脑概率图谱;所述亚区概率值为各亚区的受试者人数与总受试者人数的比值。2.根据权利要求1所述的群组先验引导的基于深度学习的丘脑个体化图谱绘制方法,其特征在于,对所述输入图像依次进行HCP最小预处理、ROI配准、ROI后处理,得到受试者个体脑部最终的丘脑ROI,其方法为:对受试者个体脑部的结构核磁共振图像、弥散张量核磁共振图像进行HCP最小预处理,得到预处理的结构核磁共振图像、预处理的弥散张量核磁共振图像;基于所述预处理的结构核磁共振图像、所述预处理的弥散张量核磁共振图像,通过ROI配准方法将弥散磁共振空间与结构磁共振空间、结构磁共振空间和标准空间之间进行配准,得到个体的丘脑ROI;在受试者个体脑部的弥散磁共振空间使用FSL计算每个体素点对应的各向异性分数
值;在受试者个体脑部的结构磁共振空间使用SPM计算每个体素点对应的脑脊液概率值;在个体的丘脑ROI中去除掉各向异性分数值大于设定各向异性分数阈值或脑脊液概率值大于设定脑脊液概率阈值的体素点,将剩余的体素点作为最终的个体丘脑ROI。3.根据权利要求1所述的群组先验引导的基于深度学习的丘脑个体化图谱绘制方法,其特征在于,所述受试者个体脑部最终的丘脑ROI内每个体素的局部弥散特征,其获取方法为:在受试者个体脑部最终的丘脑ROI内的弥散磁共振空间中,使用dhollander算法在弥散磁共振数据上计算不同弥散加权因子b值参数下大脑组织的响应函数;结合所述大脑组织的响应函数,使用多组织多球壳限制性球面反卷积方法计算8阶球面调和函数的45维系数,量化每个体素的局部弥散特征。4.根据权利要求1所述的群组先验引导的基于深度学习的丘脑个体化图谱绘制方法,其特征在于,计算体素之间的相似度,其方法为:其中,S(i,j)表示两个体素之间的相似度,E
pos
(i,j)表示两个体素在弥散磁共振空间中的3维坐标之间的欧式距离,E
odf
(i,j)表示两个体素的45维球面调和函数的采样系数之间的欧式距离,w
pos
和w
odf
分别表示E
pos
(i,j)、E
odf
(i,j)在计算相似度时的对应加权系数。5.根据权利要求4所述的群组先验引导的基于深度学习的丘脑个体化图谱绘制方法,其特征在于,所述受试者个体脑部最终的丘脑ROI内体素的聚类结果,其获取方法为:通过谱聚类方法对受试者个体脑部最终的丘脑...
【专利技术属性】
技术研发人员:樊令仲,高超宏,吴霞,
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:
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。