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技术

本发明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，旨在解决解决现有技术绘制的个体化的丘脑图谱的准确性、鲁棒性以及可重复性较差的问题。本方法包括：获取受试者个体脑部的丘脑ROI；获取受试者个体脑部的群组先验图谱；剔除丘脑ROI中的群组先验图谱；获取个体特征，并输入个体化分类模型，得到每个未定义区域内的体素的预测概率值向量，进而生成未定义区域的图谱；将群组先验图谱和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。本发明专利技术利用高可信度群组先验引导个体化丘脑分区以及图谱绘制，提升了绘制的个体化的丘脑图谱的准确性、鲁棒性以及可重复性。可重复性。可重复性。

【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方法。
[0003]上述的丘脑分区研究大多使用一组被试，基于其个体空间中的丘脑分区结果，通过手工标记或者自动配准的方法将不同被试的丘脑分区映射到同一空间，从而构建群组水平的丘脑图谱。该方法能客观无偏地反映丘脑的内在分区模式，如亚区数量，和群组水平的一致属性，如丘脑亚核团和其他脑区的结构连接模式和功能连接模式等。然而，随着研究的深入，研究者们发现不论是在大脑皮层还是皮下核团中，个体间的大脑分区模式存在明显差异，且个体特异性的脑分区比群组水平的脑分区更能反映个体特征，例如认知、发育、老化和疾病特征等。此外，在临床中，特别是精准医学等领域，被试特异性的脑图谱发挥着重要的作用，例如术前诊断、疗效预测、靶点定位等。因此，个体化脑图谱绘制的重要性也逐渐被研究者们所关注。一些个体化图谱绘制的方法也逐渐被开发出来，其大致分为三种，单被试的直接分区、群组图谱的个体配准和组先验引导的个体分区。第一种方法依赖高质量的磁共振成像数据和鲁棒的分区算法，大致有纤维投射法、谱聚类法、边缘检测法、区域增长法等；第二中方法将群组图谱直接配准到个体空间，从而将群组图谱视为个体图谱；第三种方法首先构建群组图谱，并将群组图谱视为个体分区的先验知识，从而辅助后续的个体分区。第一种分区方法适用于具有特定纤维束投射的核团，例如丘脑底核、内侧苍白球等。第二种方法适用于脑部严重损伤或者无法进行弥散磁共振成像的被试，例如脑肿瘤患者和头部有金属植入物的患者。第三种方法适用于大脑皮层，以及体积较大、个体特征较丰富的核
团。因此，为了精准地构建个体化丘脑图谱，可以采用群组先验引导的个体化分区策略。
[0004]随着磁共振成像的技术发展，多b值高角度分辨率弥散加权成像(High Angular Resolution Diffusion Imaging,HARDI)极大地提升了局部弥散方向的建模和估计的效率和准确度。不论是在神经科学研究还是在临床扫描中，多b值高角度分辨率弥散磁共振成像逐渐成为一种趋势。同时，在局部弥散方向估计的方法性研究中，区别于经典的弥散张量模型，现存的多种q空间采样方法支持更高阶的弥散模型的构建。例如弥散峰度成像、弥散谱成像、Q
‑
ball成像及其衍生的多球壳成像等。在这类方法中，多球壳多组织限制性球面反卷积(MSMT
‑
CSD)能直接估计大脑组织的弥散方向分布函数(ODF)，该方法依赖多b值HARDI，是目前最适合提取丘脑的局部弥散特征的方法。此外，深度学习在近十年中迅猛发展，强大的数据拟合和分类能力使其在包括神经科学内的各个领域大方异彩。在此种背景下，结合局部弥散特征和群组先验引导的个体化分区策略，基于深度学习模型构建一套自动化的个体化丘脑图谱绘制方法逐渐成为可能。

技术实现思路

[0005]为了解决现有技术中的上述问题，即为了解决现有的丘脑个体化图谱绘制方法无法构建高可信度的群组先验、无法利用群组先验引导个体化的丘脑图谱的绘制，造成绘制的个体化的丘脑图谱的准确性、鲁棒性以及可重复性较差的问题，本专利技术第一方面，提出了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，该方法包括：
[0006]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；
[0007]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；
[0008]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；
[0009]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；
[0010]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；
[0011]其中，所述群组丘脑概率图谱其构建方法为：
[0012]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；
[0013]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；
[0014]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；
[0015]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；
[0016]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，即群组本文档来自技高网...

【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：