CN104346530A - 大脑异常参数的提取方法和系统 - Google Patents
大脑异常参数的提取方法和系统 Download PDFInfo
- Publication number
- CN104346530A CN104346530A CN201410597003.8A CN201410597003A CN104346530A CN 104346530 A CN104346530 A CN 104346530A CN 201410597003 A CN201410597003 A CN 201410597003A CN 104346530 A CN104346530 A CN 104346530A
- Authority
- CN
- China
- Prior art keywords
- brain
- network
- module
- function
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种大脑异常参数的提取方法和系统,其中,所述方法包括:对大脑进行磁共振弥散张量成像和静息态功能成像扫描,获得所述大脑的弥散张量数据和静息态功能数据;根据所述弥散张量数据构建所述大脑的结构连接网络;根据所述静息态功能数据构建所述大脑的功能连接网络;将所述结构连接网络和所述功能连接网络进行耦合,得到网络耦合性指标;将网络耦合性指标与正常网络耦合性指标进行排列检验,提取网络耦合性指标中与正常网络耦合性指标存在差异的参数。上述方法和系统方便提取到灵敏反映大脑结构和功能异常的参数。
Description
技术领域
本发明涉及磁共振成像技术领域,特别是涉及一种大脑异常参数的提取方法和系统。
背景技术
阿尔兹海默氏病(AD)是一种原发性神经退行性疾病,以神经纤维缠结和淀粉样蛋白沉积为主要病理基础,以言语障碍、记忆减退为主要特征,最后发展为智能丧失、不能谈话及进食、四肢挛缩等,增加了家庭及社会负担。目前还没有有效地AD治疗方法,如果能在AD早期给予良好的预防和治疗措施,就能有效地控制AD的数量及发病率。因此,如何早发现、早诊断AD患者就显得尤为重要。
目前利用脑网络的方法进行AD研究主要可分为两类:一类是利用结构磁共振成像、弥散磁共振成像等成像技术构建大脑结构连接网络,分析AD脑结构网络的集群系数、平均最短路径长度、“小世界”属性等参数的变化情况;另一类是利用脑电图(EEG)、脑磁图(MEG)或功能磁共振成像(fMRI)等技术构建大脑功能连接网络,结合图论的网络分析方法分析AD脑功能连接网络参数的改变。
通过提取大脑异常参数可以提前诊断病人是否患有AD,目前国内外基于大脑网络的AD研究方法,大都将大脑的功能和结构两者之间剥离开来进行研究,使得传统的大脑异常参数的提取方法很难提取到灵敏反映大脑结构和功能异常的参数。
发明内容
基于此,有必要针对上述技术问题,提供一种方便提取到灵敏反映大脑异常参数的大脑异常参数提取方法和系统。
一种大脑异常参数的提取方法,所述方法包括:
对大脑进行磁共振弥散张量成像和静息态功能成像扫描,获得所述大脑的弥散张量数据和静息态功能数据;
根据所述弥散张量数据构建所述大脑的结构连接网络;
根据所述静息态功能数据构建所述大脑的功能连接网络;
将所述结构连接网络和所述功能连接网络进行耦合,得到网络耦合性指标;
将网络耦合性指标与正常网络耦合性指标进行排列检验,提取网络耦合性指标中与正常网络耦合性指标存在差异的参数。
在其中一个实施例中,所述根据所述弥散张量数据构建所述大脑的结构连接网络的步骤,包括:
根据所述弥散张量数据求得大脑个体空间的部分各向异性分数图;
通过确定性跟踪算法对所述部分各向异性分数图进行全脑白质纤维束3D重建;
根据磁共振扫描数据获取T1加权图像和弥散张量成像非加权图像;
将T1加权图像配准到弥散张量成像非加权图像中;
将配准后的T1加权图像标准化到T1结构模块得到空间变化参数,并对所述空间变化参数进行逆变换得到逆变换参数;
通过所述逆变换参数将具有MNI空间信息的AAL模板转换到大脑个体空间;
根据所述大脑个体空间提取3D重建后全脑白质纤维束中预设数量脑区,并计算预设数量脑区中每一对脑区之间的结构连接密度,得到关系矩阵;
对所述关系矩阵进行阈值化处理,得到权重矩阵;
通过所述权重矩阵构建所述大脑的结构连接网络。
在其中一个实施例中,所述根据所述静息态功能数据构建所述大脑的功能连接网络的步骤,包括:
对所述静息态功能数据进行预处理,将预处理好的静息态功能数据配准到AAL模块;
通过高斯核对AAL模板进行数据平滑,并提取AAL模板中预设数量脑区内的时间序列信号并平均;
计算所述预设数量脑区内每一对脑区之间的时间互相关系数,并通过Fisher变换将所述时间相关系数转换为功能连接矩阵;
对功能连接矩阵进行阈值化处理得到二值矩阵,通过所述二值矩阵构建功能连接网络。
在其中一个实施例中,所述对所述静息态功能数据进行预处理包括:时间校正、空间对齐和空间标准化到MNI标准脑模板空间。
在其中一个实施例中,所述将所述结构连接网络和所述功能连接网络进行耦合,得到网络耦合性指标的步骤,包括:
提取结构连接网络对应的结构连接矩阵中的非零元素,所述非零元素构成结构连接向量;
提取功能连接网络对应的结构连接矩阵中非零元素位置对应的功能连接,所述功能连接的强度构成功能连接向量;
计算所述结构连接向量与所述功能连接向量的皮尔逊相关系数,所述皮尔逊相关系数即为网络耦合性指标。
一种大脑异常参数的提取系统,所述系统包括:
扫描成像模块,用于对大脑进行磁共振弥散张量成像和静息态功能成像扫描,获得所述大脑的弥散张量数据和静息态功能数据;
第一网络构建模块,用于根据所述弥散张量数据构建所述大脑的结构连接网络;
第二网络构建模块,用于根据所述静息态功能数据构建所述大脑的功能连接网络;
网络耦合模块,用于将所述结构连接网络和所述功能连接网络进行耦合,得到网络耦合性指标;
参数提取模块,用于将网络耦合性指标与正常网络耦合性指标进行排列检验,提取网络耦合性指标中与正常网络耦合性指标存在差异的参数。
在其中一个实施例中,所述第一网络构建模块包括:
第一图像求解模块,用于根据所述弥散张量数据求得大脑个体空间的部分各向异性分数图;
3D重建模块,用于通过确定性跟踪算法对所述部分各向异性分数图进行全脑白质纤维束3D重建;
第二图像求解模块,用于根据磁共振扫描数据获取T1加权图像和弥散张量成像非加权图像;
图像配准模块,用于将T1加权图像配准到弥散张量成像非加权图像中;
参数变换模块,用于将配准后的T1加权图像标准化到T1结构模块得到空间变化参数,并对所述空间变化参数进行逆变换得到逆变换参数;
空间转换模块,用于通过所述逆变换参数将具有MNI空间信息的AAL模板转换到大脑个体空间;
关系矩阵获取模块,用于根据所述大脑个体空间提取3D重建后全脑白质纤维束中预设数量脑区,并计算预设数量脑区中每一对脑区之间的结构连接密度,得到关系矩阵;
权值矩阵获取模块,用于对所述关系矩阵进行阈值化处理,得到权重矩阵;
第三网络构建模块,用于通过所述权重矩阵构建所述大脑的结构连接网络。
在其中一个实施例中,所述第二网络构建模块包括:
第一数据处理模块,用于对所述静息态功能数据进行预处理,将预处理好的静息态功能数据配准到AAL模块;
第二数据处理模块,用于通过高斯核对AAL模板进行数据平滑,并提取AAL模板中预设数量脑区内的时间序列信号并平均;
矩阵转换模块,用于计算所述预设数量脑区内每一对脑区之间的时间互相关系数,并通过Fisher变换将所述时间相关系数转换为功能连接矩阵;
第四网络构建模块,用于对功能连接矩阵进行阈值化处理得到二值矩阵,通过所述二值矩阵构建功能连接网络。
在其中一个实施例中,所述对所述静息态功能数据进行预处理包括:时间校正、空间对齐和空间标准化到MNI标准脑模板空间。
在其中一个实施例中,所述网络耦合模块包括:
元素提取模块,用于提取结构连接网络对应的结构连接矩阵中的非零元素,所述非零元素构成结构连接向量;
功能连接提取模块,用于提取功能连接网络对应的结构连接矩阵中非零元素位置对应的功能连接,所述功能连接的强度构成功能连接向量;
相关系数计算模块,用于计算所述结构连接向量与所述功能连接向量的皮尔逊相关系数,所述皮尔逊相关系数即为网络耦合性指标。
上述大脑异常参数的提取方法和装置,由于大脑的结构连接是功能连接的物质基础,而大脑功能连接是结构连接的外在表征,结构连接能够部分地预测功能连接,也能约束和限制功能连接,反过来,功能连接通过可塑性对结构连接施加影响,因此将大脑的结构连接网络和功能连接网络进行了耦合,在提取大脑异常参数的过程中,方便提取到灵敏反映大脑结构和功能异常的参数,使得大脑受损的患者能早发现早治疗。
附图说明
图1为一个实施例中大脑异常参数的提取方法的流程示意图;
图2为一个实施例中根据弥散张量数据构建大脑的结构连接网络步骤的流程示意图;
图3为一个实施例中根据弥散张量数据构建大脑的结构连接网络步骤的应用场景图;
图4为一个实施例中根据静息态功能数据构建大脑的功能连接网络步骤的流程示意图;
图5为一个实施例中根据静息态功能数据构建大脑的功能连接网络步骤的应用场景图;
图6为一个实施例中大脑异常参数的提取系统的结构示意图;
图7为一个实施例中第一网络构建模块的结构示意图;
图8为一个实施例中第二网络构建模块的结构示意图;
图9为一个实施例中网络耦合模块的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,在一个实施例中,提供了一种大脑异常参数的提取方法,该方法包括:
步骤101,对大脑进行磁共振弥散张量成像和静息态功能成像扫描,获得大脑的弥散张量数据和静息态功能数据。本实施例中,通过磁共振扫描仪对患者的大脑进行磁共振扫描即可获取到大脑的弥散张量数据(DTI)和静息态功能数据(Resting-state fMRI)。
步骤102,根据弥散张量数据构建大脑的结构连接网络。
步骤103,根据静息态功能数据构建大脑的功能连接网络。
在一个实施例中,构建大脑结构网络和功能网络还可以采用其它结构和功能成像技术或方法,例如,利用结构磁共振成像方法获得磁共振形态学数据(包括灰质体积、灰质密度、皮层厚度等)构建结构网络,以及利用脑电图、脑磁图成像技术构建功能网络。
步骤104,将结构连接网络和功能连接网络进行耦合,得到网络耦合性指标。
在一个实施例中,步骤104包括:提取结构连接网络对应的结构连接矩阵中的非零元素,该非零元素构成结构连接向量;提取功能连接网络对应的结构连接矩阵中非零元素位置对应的功能连接,该功能连接的强度构成功能连接向量;计算结构连接向量与功能连接向量的皮尔逊相关系数,该皮尔逊相关系数即为网络耦合性指标。
本实施例中,提取结构连接矩阵中的非零元素,即提取脑区之间直接存在的脑白质纤维束连接的边,这些非零元素构成结构连接向量;提取其结构连接矩阵中非零元素位置对应的功能连接,这些功能连接的强度构成功能连接向量;然后,计算功能连接和结构连接两向量的皮尔逊相关系数,此相关系数即为功能—结构连接的网络耦合性指标。
步骤105,将网络耦合性指标与正常网络耦合性指标进行排列检验,提取网络耦合性指标中与正常网络耦合性指标存在差异的参数。
本实施例中,将网络耦合性指标与大脑正常下的网络耦合指标进行对照:若达到了预设范围,则进行FDR(False discovery rate)校正,通过FDR校正将网络耦合指标中存在差异的参数提取出来,将耦合强度与患者临床指标(病情严重程度、患者时间长短等)做皮尔逊相关分析,找到耦合强度与临床病程的关系,即可将提取到差异参数作为诊断患者病情的指标或参照,本发明不但适用于诊断阿尔兹海默氏病(AD),还适应于诊断其它大脑结构和功能改变的脑疾病,如精神分裂症、癫痫、多发性硬化、失眠等。
上述大脑异常参数的提取方法,由于大脑的结构连接是功能连接的物质基础,而大脑功能连接是结构连接的外在表征,结构连接能够部分地预测功能连接,也能约束和限制功能连接,反过来,功能连接通过可塑性对结构连接施加影响,因此将大脑的结构连接网络和功能连接网络进行了耦合,在提取大脑异常参数的过程中,方便提取到灵敏反映大脑结构和功能异常的参数,使得大脑受损的患者能早发现早治疗。
如图2所示,在一个实施例中,步骤102,根据弥散张量数据构建大脑的结构连接网络包括:
步骤201,根据弥散张量数据求得大脑个体空间部分的各向异性分数图。本实施例中,在个体空间上基于弥散张量数据(DTI)求得主特征向量及部分各向异性分数图(FA图)。
步骤202,通过确定性跟踪算法对部分各向异性分数图进行全脑白质纤维束3D重建。本实施例中,对FA图进行全脑白质纤维束3D重建,采用的确定性跟踪算法停止规则为:FA<0.2,追踪角度>45°,得到的是全脑白质纤维分布、走行的数据。
步骤203,根据磁共振扫描数据获取T1加权图像和弥散张量成像非加权图像。本实施例中,T1为纵向弛豫时间,弥散张量成像非加权图是指反映弥散加权成像中附加梯度场性质的参数b=0时获得的图像。
步骤204,将T1加权图像配准到弥散张量成像非加权图像中。
步骤205,将配准后的T1加权图像标准化到T1结构模块得到空间变化参数,并对空间变化参数进行逆变换得到逆变换参数。
步骤206,通过逆变换参数将具有MNI空间信息的AAL模板转换到大脑个体空间。本实施例中,MNI(Montreal Neurological Institute)空间是神经影像学研究中的一种标准空间,它可提供大脑中任一点的三维空间坐标,因为每个人的大脑的大小、形状都不相同,为了方便比较和分析,要把个人的大脑图像投射到MNI空间,这样,所有大脑的空间定位都相同了。AAL(AnatomicalAutomatic Labeling)模版是由MNI机构提供的,根据大脑不同区域的功能不同划分而成,也是脑研究中通用的一种脑功能分区。
步骤207,根据大脑个体空间提取3D重建后全脑白质纤维束中预设数量脑区,并计算预设数量脑区中每一对脑区之间的结构连接密度,得到关系矩阵。
本实施例中,将转换到大脑个体空间的AAL模板用以提取预设数量的脑皮层及皮层下脑区任意两对感兴趣区域之间的白质纤维束连接,优选的,预设数量为90。获得相关白质纤维束信息包括:纤维束条数、纤维束长度和纤维束路径上的弥散指标(如部分各向异性分数FA、相对各向异性指标RA、轴向弥散系数及横向弥散系数等);利用权重w(e)计算通过感兴趣区i及感兴趣区j之间纤维束结构连接密度,作为定量信息,表示如下:
其中,f为通过感兴趣区的纤维束,l(f)为纤维束的物理长度,Fe为通过感兴趣区的纤维束的集合,Si表示该感兴趣区i与脑白质相交的表面积大小,同理,Sj表示该感兴趣区j与脑白质相交的表面积大小。通过计算每一对脑区之间的结构连接密度w(e),即关系矩阵。若预设数量的脑皮层为90,则计算的结构连接共有4005条。
步骤208,对关系矩阵进行阈值化处理,得到权重矩阵。本实施例中,对关系矩阵进行阈值化处理。如果节点i和节点j的连接大于某个阈值即w(e)>T,1>T>0,则该矩阵元素eij=w(e)ij,否则eij=0,得到权重矩阵。
步骤209,通过权重矩阵构建大脑的结构连接网络。如图3为上述构建大脑结构连接网络的一个应用场景,具体的,图3中30为FA图,31为进行全脑白质纤维束3D重建的图像,32为DTI图,33为T1加权图像,34为T1模板,35为AAL模板,36为通过逆变换参数将具有MNI空间信息的AAL模板转换到大脑个体空间的图像,37为关系矩阵,38为权值矩阵,39为结构连接网络。
如图4所示,在一个实施例中,步骤103,根据静息态功能数据构建大脑的功能连接网络包括:
步骤401,对静息态功能数据进行预处理,将预处理好的静息态功能数据配准到AAL模块。
本实施例中,对静息态功能数据进行预处理的步骤,具体包括:时间校正、空间对齐、空间标准化到MNI标准脑模板空间。通过预处理对图像细节进行模糊的同时,可以更多地保留图像总体的灰度分布特征。
每个体素重采样为3×3×3mm3;以半高宽为8mm高斯核进行数据平滑,提取AAL模版预设数量脑区每个脑区内的时间序列并平均;例如,预设数量为90,则对这90个时间信号进行预处理的步骤包括:去除时间序列信号中的数据线性低频漂移和消除高频噪声;将头动参数、全脑平均信号、白质平均信号以及脑髓液平均信号作为协变量回归去除。具体的,带通滤波(0.01~0.08Hz)以去除数据线性低频漂移和消除呼吸、心跳等高频噪声,得到低频振荡信号部分;将头动参数、全脑平均信号、白质平均信号及脑脊液平均信号作为协变量回归去除。
步骤402,通过高斯核对AAL模板进行数据平滑,并提取AAL模板中预设数量脑区内的时间序列信号并平均。在一个实施例中,对预设数量的时间序列信号进行预处理,预处理包括:去除时间序列信号中的数据线性低频漂移和消除高频噪声;将头动参数、全脑平均信号、白质平均信号以及脑髓液平均信号作为协变量回归去除。
进行静息态功能数据(fMRI)预处理,具体包括:时间校正,空间对齐,空间标准化到MNI标准脑模板空间,每个体素重采样为3×3×3mm3;以半高宽为8mm高斯核进行数据平滑,提取AAL模版90个脑区每个脑区内的时间序列并平均;对这90个时间信号进行预处理:(1)带通滤波(0.01~0.08Hz)以去除数据线性低频漂移和消除呼吸、心跳等高频噪声,得到低频振荡信号部分;(2)将头动参数、全脑平均信号、白质平均信号及脑脊液平均信号作为协变量回归去除。
步骤403,计算预设数量脑区内每一对脑区之间的时间互相关系数,并通过Fisher变换将时间相关系数转换为功能连接矩阵。
本实施例中,计算每一对脑区之间的时间互相关系数,并通过Fisher变换将时间相关系数转换产生接近于正态分布的Z值,Z值相关矩阵即为功能连接矩阵。
步骤404,对功能连接矩阵进行阈值化处理得到二值矩阵,通过二值矩阵构建功能连接网络。
本实施例中,对功能连接矩阵进行阈值化处理得到二值矩阵;如果节点i和节点j的连接大于某个阈值|Zij|>T(0>T>1);,则该矩阵元素eij=1,否则eij=0,得到二值矩阵。功能连接网络是由节点(脑区)和边(矩阵中的元素)组成,节点的显示位置由其在MNI标准空间的解剖坐标位置决定,边由矩阵中的非零元素决定。
图5为构建大脑的功能连接网络的应用场景图,其中,50为静息态时间序列图,51为AAL模板,52为功能连接矩阵,53为二值矩阵,54为功能连接网络。
如图6所示,在一个实施例中,提供的一种大脑异常参数的提取系统,该系统包括:
扫描成像模块60,用于对大脑进行磁共振弥散张量成像和静息态功能成像扫描,获得大脑的弥散张量数据和静息态功能数据。
第一网络构建模块61,用于根据弥散张量数据构建大脑的结构连接网络。
第二网络构建模块62,用于根据静信态功能数据构建大脑的功能连接网络。
网络耦合模块63,用于将结构连接网络和功能连接网络进行耦合,得到网络耦合性指标。
参数提取模块64,用于将网络耦合性指标与正常网络耦合性指标进行排列检验,提取网络耦合性指标中与正常网络耦合性指标存在差异的参数。
如图7所示,在一个实施例中,第一网络构建模块61包括:
第一图像求解模块610,用于根据弥散张量数据求得大脑个体空间的部分各向异性分数图。
3D重建模块611,用于通过确定性跟踪算法对部分各向异性分数图进行全脑白质纤维束3D重建。
第二图像求解模块612,用于根据磁共振扫描数据获取T1加权图像和弥散张量成像非加权图像。
图像配准模块613,用于将T1加权图像配准到弥散张量成像非加权图像中。
参数变换模块614,用于将配准后的T1加权图像标准化到T1结构模块得到空间变化参数,并对空间变化参数进行逆变换得到逆变换参数。
空间转换模块615,用于通过逆变换参数将具有MNI空间信息的AAL模板转换到大脑个体空间。
关系矩阵获取模块616,用于根据大脑个体空间提取3D重建后全脑白质纤维束中预设数量脑区,并计算预设数量脑区中每一对脑区之间的结构连接密度,得到关系矩阵。
权值矩阵获取模块617,用于对关系矩阵进行阈值化处理,得到权重矩阵。
第三网络构建模块618,用于通过权重矩阵构建大脑的结构连接网络。
如图8所示,在一个实施例中,第二网络构建模块62包括:
第一数据处理模块620,用于对静息态功能数据进行预处理,将预处理好的静息态功能数据配准到AAL模块。具体的,静息态功能数据进行预处理包括:时间校正、空间对齐和空间标准化到MNI标准脑模板空间。
第二数据处理模块621,用于通过高斯核对AAL模板进行数据平滑,并提取AAL模板中预设数量脑区内的时间序列信号并平均。
矩阵转换模块622,用于计算预设数量脑区内每一对脑区之间的时间互相关系数,并通过Fisher变换将时间相关系数转换为功能连接矩阵。
第四网络构建模块623,用于对功能连接矩阵进行阈值化处理得到二值矩阵,通过二值矩阵构建功能连接网络。
如图9所示,在一个实施例中,网络耦合模块63包括:
元素提取模块630,用于提取结构连接网络对应的结构连接矩阵中的非零元素,非零元素构成结构连接向量。
功能连接提取模块631,用于提取功能连接网络对应的结构连接矩阵中非零元素位置对应的功能连接,功能连接的强度构成功能连接向量。
相关系数计算模块632,用于计算结构连接向量与功能连接向量的皮尔逊相关系数,皮尔逊相关系数即为网络耦合性指标。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种大脑异常参数的提取方法,所述方法包括:
对大脑进行磁共振弥散张量成像和静息态功能成像扫描,获得所述大脑的弥散张量数据和静息态功能数据;
根据所述弥散张量数据构建所述大脑的结构连接网络;
根据所述静息态功能数据构建所述大脑的功能连接网络;
将所述结构连接网络和所述功能连接网络进行耦合,得到网络耦合性指标;
将网络耦合性指标与正常网络耦合性指标进行排列检验,提取网络耦合性指标中与正常网络耦合性指标存在差异的参数。
2.根据权利要求1所述的方法,其特征在于,所述根据所述弥散张量数据构建所述大脑的结构连接网络的步骤,包括:
根据所述弥散张量数据求得大脑个体空间的部分各向异性分数图;
通过确定性跟踪算法对所述部分各向异性分数图进行全脑白质纤维束3D重建;
根据磁共振扫描数据获取T1加权图像和弥散张量成像非加权图像;
将T1加权图像配准到弥散张量成像非加权图像中;
将配准后的T1加权图像标准化到T1结构模块得到空间变化参数,并对所述空间变化参数进行逆变换得到逆变换参数;
通过所述逆变换参数将具有MNI空间信息的AAL模板转换到大脑个体空间;
根据所述大脑个体空间提取3D重建后全脑白质纤维束中预设数量脑区,并计算预设数量脑区中每一对脑区之间的结构连接密度,得到关系矩阵;
对所述关系矩阵进行阈值化处理,得到权重矩阵;
通过所述权重矩阵构建所述大脑的结构连接网络。
3.根据权利要求1所述的方法,其特征在于,所述根据所述静息态功能数据构建所述大脑的功能连接网络的步骤,包括:
对所述静息态功能数据进行预处理,将预处理好的静息态功能数据配准到AAL模块;
通过高斯核对AAL模板进行数据平滑,并提取AAL模板中预设数量脑区内的时间序列信号并平均;
计算所述预设数量脑区内每一对脑区之间的时间互相关系数,并通过Fisher变换将所述时间相关系数转换为功能连接矩阵;
对功能连接矩阵进行阈值化处理得到二值矩阵,通过所述二值矩阵构建功能连接网络。
4.根据权利要求3所述的方法,其特征在于,所述对所述静息态功能数据进行预处理包括:时间校正、空间对齐和空间标准化到MNI标准脑模板空间。
5.根据权利要求1所述的方法,其特征在于,所述将所述结构连接网络和所述功能连接网络进行耦合,得到网络耦合性指标的步骤,包括:
提取结构连接网络对应的结构连接矩阵中的非零元素,所述非零元素构成结构连接向量;
提取功能连接网络对应的结构连接矩阵中非零元素位置对应的功能连接,所述功能连接的强度构成功能连接向量;
计算所述结构连接向量与所述功能连接向量的皮尔逊相关系数,所述皮尔逊相关系数即为网络耦合性指标。
6.一种大脑异常参数的提取系统,其特征在于,所述系统包括:
扫描成像模块,用于对大脑进行磁共振弥散张量成像和静息态功能成像扫描,获得所述大脑的弥散张量数据和静息态功能数据;
第一网络构建模块,用于根据所述弥散张量数据构建所述大脑的结构连接网络;
第二网络构建模块,用于根据所述静息态功能数据构建所述大脑的功能连接网络;
网络耦合模块,用于将所述结构连接网络和所述功能连接网络进行耦合,得到网络耦合性指标;
参数提取模块,用于将网络耦合性指标与正常网络耦合性指标进行排列检验,提取网络耦合性指标中与正常网络耦合性指标存在差异的参数。
7.根据权利要求6所述的系统,其特征在于,所述第一网络构建模块包括:
第一图像求解模块,用于根据所述弥散张量数据求得大脑个体空间的部分各向异性分数图;
3D重建模块,用于通过确定性跟踪算法对所述部分各向异性分数图进行全脑白质纤维束3D重建;
第二图像求解模块,用于根据磁共振扫描数据获取T1加权图像和弥散张量成像非加权图像;
图像配准模块,用于将T1加权图像配准到弥散张量成像非加权图像中;
参数变换模块,用于将配准后的T1加权图像标准化到T1结构模块得到空间变化参数,并对所述空间变化参数进行逆变换得到逆变换参数;
空间转换模块,用于通过所述逆变换参数将具有MNI空间信息的AAL模板转换到大脑个体空间;
关系矩阵获取模块,用于根据所述大脑个体空间提取3D重建后全脑白质纤维束中预设数量脑区,并计算预设数量脑区中每一对脑区之间的结构连接密度,得到关系矩阵;
权值矩阵获取模块,用于对所述关系矩阵进行阈值化处理,得到权重矩阵;
第三网络构建模块,用于通过所述权重矩阵构建所述大脑的结构连接网络。
8.根据权利要求6所述的系统,其特征在于,所述第二网络构建模块包括:
第一数据处理模块,用于对所述静息态功能数据进行预处理,将预处理好的静息态功能数据配准到AAL模块;
第二数据处理模块,用于通过高斯核对AAL模板进行数据平滑,并提取AAL模板中预设数量脑区内的时间序列信号并平均;
矩阵转换模块,用于计算所述预设数量脑区内每一对脑区之间的时间互相关系数,并通过Fisher变换将所述时间相关系数转换为功能连接矩阵;
第四网络构建模块,用于对功能连接矩阵进行阈值化处理得到二值矩阵,通过所述二值矩阵构建功能连接网络。
9.根据权利要求8所述的系统,其特征在于,所述对所述静息态功能数据进行预处理包括:时间校正、空间对齐和空间标准化到MNI标准脑模板空间。
10.根据权利要求6所述的系统,其特征在于,所述网络耦合模块包括:
元素提取模块,用于提取结构连接网络对应的结构连接矩阵中的非零元素,所述非零元素构成结构连接向量;
功能连接提取模块,用于提取功能连接网络对应的结构连接矩阵中非零元素位置对应的功能连接,所述功能连接的强度构成功能连接向量;
相关系数计算模块,用于计算所述结构连接向量与所述功能连接向量的皮尔逊相关系数,所述皮尔逊相关系数即为网络耦合性指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410597003.8A CN104346530A (zh) | 2014-10-29 | 2014-10-29 | 大脑异常参数的提取方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410597003.8A CN104346530A (zh) | 2014-10-29 | 2014-10-29 | 大脑异常参数的提取方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104346530A true CN104346530A (zh) | 2015-02-11 |
Family
ID=52502115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410597003.8A Pending CN104346530A (zh) | 2014-10-29 | 2014-10-29 | 大脑异常参数的提取方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104346530A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105249964A (zh) * | 2015-11-10 | 2016-01-20 | 东南大学 | 基于脑磁图和弥散张量成像的多模态脑功能重建评估方法 |
CN106510707A (zh) * | 2015-09-10 | 2017-03-22 | 东芝医疗系统株式会社 | 磁共振成像装置及图像处理装置 |
CN106548206A (zh) * | 2016-10-27 | 2017-03-29 | 太原理工大学 | 基于最小生成树的多模态磁共振影像数据分类方法 |
CN106618575A (zh) * | 2017-01-09 | 2017-05-10 | 天津大学 | 一种采集大脑功能连接自发波动变异性方法 |
CN107658018A (zh) * | 2017-10-12 | 2018-02-02 | 太原理工大学 | 一种基于结构连接和功能连接的融合脑网络构建方法 |
CN107832656A (zh) * | 2017-09-18 | 2018-03-23 | 天津大学 | 一种基于动态功能脑网络的大脑功能状态信息处理方法 |
CN108289612A (zh) * | 2015-11-12 | 2018-07-17 | 皇家飞利浦有限公司 | 用于分析脑白质病变的医学仪器 |
CN109480841A (zh) * | 2017-09-13 | 2019-03-19 | 复旦大学 | 基于功能磁共振成像的异常脑区精准定位与矫正方法 |
CN109589089A (zh) * | 2017-09-30 | 2019-04-09 | 复旦大学 | 基于多模态影像数据的分析方法及其用途 |
CN110136093A (zh) * | 2018-02-09 | 2019-08-16 | 深圳先进技术研究院 | 一种运用数字图谱研究大脑默认模式网络的方法 |
CN110189302A (zh) * | 2019-05-07 | 2019-08-30 | 上海联影智能医疗科技有限公司 | 脑图像分析方法、计算机设备和可读存储介质 |
CN110458832A (zh) * | 2019-08-14 | 2019-11-15 | 电子科技大学 | 静息态大脑功能对称性分析方法 |
CN111340821A (zh) * | 2020-02-20 | 2020-06-26 | 太原理工大学 | 一种基于模块连接的大脑结构网络的偏测性检测方法 |
CN112515653A (zh) * | 2020-10-09 | 2021-03-19 | 天津大学 | 一种基于核磁共振图像的脑网络构建方法 |
CN112741613A (zh) * | 2021-01-13 | 2021-05-04 | 武汉大学 | 一种静息态人脑默认网络功能与结构耦合分析方法 |
CN113197578A (zh) * | 2021-05-07 | 2021-08-03 | 天津医科大学 | 一种基于多中心模型的精神分裂症分类方法及系统 |
CN113283518A (zh) * | 2021-06-01 | 2021-08-20 | 常州大学 | 一种基于聚类的多模态大脑网络特征选择方法 |
CN114418982A (zh) * | 2022-01-14 | 2022-04-29 | 太原理工大学 | 一种dti多参数融合脑网络的构建方法 |
CN115099369A (zh) * | 2022-08-08 | 2022-09-23 | 电子科技大学 | 一种基于功能连接和结构连接的网络融合方法 |
CN115409843A (zh) * | 2022-11-02 | 2022-11-29 | 长春理工大学 | 基于尺度均衡耦合卷积架构的脑神经影像特征提取方法 |
CN116344058A (zh) * | 2023-05-29 | 2023-06-27 | 之江实验室 | 一种基于图信号的阿尔兹海默风险标注方法及装置 |
CN116602625A (zh) * | 2023-05-22 | 2023-08-18 | 北京工业大学 | 一种基于神经血管耦合脑血流量的预测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130035922A1 (en) * | 2010-04-14 | 2013-02-07 | Koninklijke Philips Electronics N.V. | System and method for planning a neurosurgical operation |
CN103077298A (zh) * | 2012-10-24 | 2013-05-01 | 西安电子科技大学 | 融合图像体素及先验脑图谱划分的大脑网络构建方法 |
CN103093087A (zh) * | 2013-01-05 | 2013-05-08 | 电子科技大学 | 一种基于多任务学习的多模态脑网络特征融合方法 |
-
2014
- 2014-10-29 CN CN201410597003.8A patent/CN104346530A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130035922A1 (en) * | 2010-04-14 | 2013-02-07 | Koninklijke Philips Electronics N.V. | System and method for planning a neurosurgical operation |
CN103077298A (zh) * | 2012-10-24 | 2013-05-01 | 西安电子科技大学 | 融合图像体素及先验脑图谱划分的大脑网络构建方法 |
CN103093087A (zh) * | 2013-01-05 | 2013-05-08 | 电子科技大学 | 一种基于多任务学习的多模态脑网络特征融合方法 |
Non-Patent Citations (1)
Title |
---|
丁菊容: "基于磁共振成像的脑网络技术及临床应用研究", 《中国博士学位论文全文数据库医药卫生科技辑》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106510707B (zh) * | 2015-09-10 | 2019-11-08 | 东芝医疗系统株式会社 | 磁共振成像装置及图像处理装置 |
CN106510707A (zh) * | 2015-09-10 | 2017-03-22 | 东芝医疗系统株式会社 | 磁共振成像装置及图像处理装置 |
CN105249964A (zh) * | 2015-11-10 | 2016-01-20 | 东南大学 | 基于脑磁图和弥散张量成像的多模态脑功能重建评估方法 |
CN108289612A (zh) * | 2015-11-12 | 2018-07-17 | 皇家飞利浦有限公司 | 用于分析脑白质病变的医学仪器 |
CN106548206A (zh) * | 2016-10-27 | 2017-03-29 | 太原理工大学 | 基于最小生成树的多模态磁共振影像数据分类方法 |
CN106618575A (zh) * | 2017-01-09 | 2017-05-10 | 天津大学 | 一种采集大脑功能连接自发波动变异性方法 |
CN109480841A (zh) * | 2017-09-13 | 2019-03-19 | 复旦大学 | 基于功能磁共振成像的异常脑区精准定位与矫正方法 |
CN107832656A (zh) * | 2017-09-18 | 2018-03-23 | 天津大学 | 一种基于动态功能脑网络的大脑功能状态信息处理方法 |
CN107832656B (zh) * | 2017-09-18 | 2022-02-18 | 天津大学 | 一种基于动态功能脑网络的大脑功能状态信息处理方法 |
CN109589089A (zh) * | 2017-09-30 | 2019-04-09 | 复旦大学 | 基于多模态影像数据的分析方法及其用途 |
CN107658018A (zh) * | 2017-10-12 | 2018-02-02 | 太原理工大学 | 一种基于结构连接和功能连接的融合脑网络构建方法 |
CN107658018B (zh) * | 2017-10-12 | 2019-07-05 | 太原理工大学 | 一种基于结构连接和功能连接的融合脑网络构建方法 |
CN110136093A (zh) * | 2018-02-09 | 2019-08-16 | 深圳先进技术研究院 | 一种运用数字图谱研究大脑默认模式网络的方法 |
CN110189302A (zh) * | 2019-05-07 | 2019-08-30 | 上海联影智能医疗科技有限公司 | 脑图像分析方法、计算机设备和可读存储介质 |
CN110189302B (zh) * | 2019-05-07 | 2021-10-22 | 上海联影智能医疗科技有限公司 | 脑图像分析方法、计算机设备和可读存储介质 |
CN110458832A (zh) * | 2019-08-14 | 2019-11-15 | 电子科技大学 | 静息态大脑功能对称性分析方法 |
CN110458832B (zh) * | 2019-08-14 | 2022-12-27 | 电子科技大学 | 静息态大脑功能对称性分析方法 |
CN111340821A (zh) * | 2020-02-20 | 2020-06-26 | 太原理工大学 | 一种基于模块连接的大脑结构网络的偏测性检测方法 |
CN112515653A (zh) * | 2020-10-09 | 2021-03-19 | 天津大学 | 一种基于核磁共振图像的脑网络构建方法 |
CN112515653B (zh) * | 2020-10-09 | 2024-03-26 | 天津大学 | 一种基于核磁共振图像的脑网络构建方法 |
CN112741613A (zh) * | 2021-01-13 | 2021-05-04 | 武汉大学 | 一种静息态人脑默认网络功能与结构耦合分析方法 |
CN113197578A (zh) * | 2021-05-07 | 2021-08-03 | 天津医科大学 | 一种基于多中心模型的精神分裂症分类方法及系统 |
CN113283518A (zh) * | 2021-06-01 | 2021-08-20 | 常州大学 | 一种基于聚类的多模态大脑网络特征选择方法 |
CN113283518B (zh) * | 2021-06-01 | 2024-02-13 | 常州大学 | 一种基于聚类的多模态大脑网络特征选择方法 |
CN114418982A (zh) * | 2022-01-14 | 2022-04-29 | 太原理工大学 | 一种dti多参数融合脑网络的构建方法 |
CN114418982B (zh) * | 2022-01-14 | 2022-11-01 | 太原理工大学 | 一种dti多参数融合脑网络的构建方法 |
CN115099369A (zh) * | 2022-08-08 | 2022-09-23 | 电子科技大学 | 一种基于功能连接和结构连接的网络融合方法 |
CN115409843A (zh) * | 2022-11-02 | 2022-11-29 | 长春理工大学 | 基于尺度均衡耦合卷积架构的脑神经影像特征提取方法 |
CN116602625A (zh) * | 2023-05-22 | 2023-08-18 | 北京工业大学 | 一种基于神经血管耦合脑血流量的预测系统 |
CN116602625B (zh) * | 2023-05-22 | 2024-01-26 | 北京工业大学 | 一种基于神经血管耦合的脑血流量预测系统 |
CN116344058A (zh) * | 2023-05-29 | 2023-06-27 | 之江实验室 | 一种基于图信号的阿尔兹海默风险标注方法及装置 |
CN116344058B (zh) * | 2023-05-29 | 2023-08-18 | 之江实验室 | 一种基于图信号的阿尔兹海默风险标注方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104346530A (zh) | 大脑异常参数的提取方法和系统 | |
Xue et al. | Automatic segmentation and reconstruction of the cortex from neonatal MRI | |
Fogtmann et al. | A unified approach to diffusion direction sensitive slice registration and 3-D DTI reconstruction from moving fetal brain anatomy | |
Joseph et al. | Brain tumor MRI image segmentation and detection in image processing | |
Li et al. | A hybrid approach to automatic clustering of white matter fibers | |
Wilke et al. | Automated detection of gray matter malformations using optimized voxel-based morphometry: a systematic approach | |
Elnakib et al. | Image-based detection of corpus callosum variability for more accurate discrimination between dyslexic and normal brains | |
CN108670209A (zh) | 一种自动识别中医脉象的方法和系统 | |
Thompson et al. | Brain image analysis and atlas construction | |
Savadjiev et al. | Labeling of ambiguous subvoxel fibre bundle configurations in high angular resolution diffusion MRI | |
CN108898135B (zh) | 一种大脑边缘系统图谱构建方法 | |
WO2015164882A1 (en) | Quantitating disease progression from the mri images of multiple sclerosis patients | |
Taquet et al. | A mathematical framework for the registration and analysis of multi-fascicle models for population studies of the brain microstructure | |
US20130177228A1 (en) | Method for registering function mri data | |
Voineskos et al. | Quantitative examination of a novel clustering method using magnetic resonance diffusion tensor tractography | |
You et al. | Robust preprocessing for stimulus-based functional MRI of the moving fetus | |
Chung et al. | Scalable brain network construction on white matter fibers | |
Savadjiev et al. | Fusion of white and gray matter geometry: a framework for investigating brain development | |
Usman et al. | Gaussian smoothing and modified histogram normalization methods to improve neural-biomarker interpretations for dyslexia classification mechanism | |
Studholme et al. | Quantifying and modelling tissue maturation in the living human fetal brain | |
CN117218453B (zh) | 一种不完备多模态医学影像学习方法 | |
Li et al. | Diffusion tensor-based fast marching for modeling human brain connectivity network | |
Jiménez del Toro et al. | Epileptogenic lesion quantification in MRI using contralateral 3D texture comparisons | |
Taquet et al. | Registration and analysis of white matter group differences with a multi-fiber model | |
US11842491B2 (en) | Novel, quantitative framework for the diagnostic, prognostic, and therapeutic evaluation of spinal cord diseases |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150211 |