CN107316292A - 一种基于结构协变计算大脑形态学对称性的方法 - Google Patents
一种基于结构协变计算大脑形态学对称性的方法 Download PDFInfo
- Publication number
- CN107316292A CN107316292A CN201710478305.7A CN201710478305A CN107316292A CN 107316292 A CN107316292 A CN 107316292A CN 201710478305 A CN201710478305 A CN 201710478305A CN 107316292 A CN107316292 A CN 107316292A
- Authority
- CN
- China
- Prior art keywords
- image
- symmetry
- brain
- sample
- grey matter
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 17
- 210000004884 grey matter Anatomy 0.000 claims description 32
- 210000001519 tissue Anatomy 0.000 claims description 18
- 238000005481 NMR spectroscopy Methods 0.000 claims description 4
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 3
- 210000004885 white matter Anatomy 0.000 claims description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 4
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000005415 magnetization Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
该发明公开了一种基于结构协变计算大脑形态学对称性的方法,属于生物学图像模式识别技术领域,特别是涉及基于结构磁共振被试间协变的镜像体素同伦连接方法。该发明首先建立映射模板,以映射模板中各体素点所在的位置为框架,将各样本图像的数据匹配到模板的框架中,再将匹配后的样本图像相同点的体素组成体素向量,根据对称点位置的体素向量计算出大脑图像对称点的对称性,最后根据实际情况判断出整个大脑的对称性或大脑各功能区的对称性。本发明为首次在结构上研究大脑形态学对称性的方法中,并能首次准确的量化大脑的对称性。
Description
技术领域
本发明属于生物学图像模式识别技术领域,特别是涉及基于结构磁共振被试间协变的镜像体素同伦连接方法。
背景技术
磁共振成像(Magnetic Resonance Imaging,MRI)是利用人体内原子核在磁场内与外加射频磁场发生共振而产生影像的一种成像技术。根据磁共振成像对组织磁化高度敏感的特点来研究人脑功能,特别是大脑各功能区划分或定位的无创检测技术。对于大脑磁共振成像对称性的研究可以很好地描述不同脑区左右对称性的差异。现如今,已经有人提出了在功能上的镜像体素同伦连接(Voxel-mirrored homotopic connectivity,VMHC)。VMHC是一种研究功能上的对称性的方法,但并没有对大脑形态学上的对称性进行研究。对此,为了研究大脑形态学对称性,本发明提出了一种基于结构协变分析的大脑形态学对称性的描述方法。
发明内容
为了更好地研究大脑形态学的特征,本发明提出了一种针对磁共振的三维结构数据的左右大脑形态学上对称性研究的方法,利用观察不同组人群之间的左右脑的差异来预测例如性别等的方面的特征。
该发明首先建立映射模板,以映射模板中各体素点所在的位置为框架,将各样本图像的数据匹配到模板的框架中,再将匹配后的样本图像相同点的体素组成体素向量,根据对称点位置的体素向量计算出大脑图像对称点的对称性,最后根据实际情况判断出整个大脑的对称性或大脑各功能区的对称性。为实现上述目的,本发明提出了一种基于结构协变计算大脑形态学对称性的方法,该方法包括:
步骤1:采集多个样本的脑结构核磁共振图像,将各样本图像统一到同一空间坐标系下,采用混合模型聚类算法对各样本图像分割为灰质、白质、脑脊液,得到各样本的灰质图像;
步骤2:将步骤1得到的所有样本图像的灰质图像取平均得到平均灰质图像;再将平均灰质图像中左脑图像对称到右边,右脑图像对称到左边,得到对称图像;最后对平均灰质图像和对称图像取平均,得到模板图像;
步骤3:将步骤1得到的各样本灰质图像一一匹配到步骤2得到的模板图像中,得到个样本的新灰质图像;
步骤4:将步骤3得到的新灰质图像采用三维高斯核进行平滑处理;
步骤5:提取出各样本新灰质图像相同位置的体素点,组成一个体素向量;采用如下公式计算样本大脑图像的各对称位置的对称性:
其中r表示样本大脑图像各对称位置的对称性,x,y表示各样本新灰质图像中两对称体素点组成的两个体素向量,cov(x,y)表示计算体素向量x和体素向量y的协方差,σx,σy分别表示体素向量x和体素向量y的标准差;
步骤6:综合多个体素点的对称性判断出整个大脑的对称性或大脑各功能区的对称性。
进一步的,步骤3的具体方法为:首先通过仿射变换对样本灰质图像各体素点的坐标进行处理,然后利用径向基函数将每个样本中每个体素点的值计算出匹配后的值。
综上所述,本发明提出了一种基于结构协变分析的大脑形态学对称性的描述方法,通过这种方法可以更好地研究大脑形态学对称性,并且本发明为首次在结构上研究大脑形态学对称性的方法中,并能首次准确的量化大脑结构上的对称性。
附图说明
图1为平滑后的灰质图像;
图2为平均的灰质图像;
图3为配准到平均模板上的个体灰质图像;
图4为图3平滑后的图像;
图5为被试左右脑对称性相关图;
图6为被试FisherZ变换后Z图。
具体实施方式
现结合附图,实例对本发明的具体实施方式进行进一步描述,以下实例用于说明本发明,但并不限制本发明的范围。
一种基于结构协变分析的大脑形态学对称性的方法,具体实施步骤如下:
(1)对于一组正常被试共25人,全为男性。经所有人的脑结构核磁共振图像标准化到一个相同的立体空间,采用混合模型聚类算法对脑结构核磁共振图像进行分割得到灰质,白质和脑脊液3中组织成分。提出其中的灰质成分图像(如图1)。
(2)利用matlab将所有人的灰质图像取平均得到平均的灰质图像,将这个图像左右反转相加求平均得到模板图像(如图2)。
(3)分别用每一个人分割后的灰质图像配准到步骤2得到的对称模板上得到各个个体的新的灰质图(如图3)。
(4)将步骤3得到的灰质图像利用三维高斯核和图像进行离散卷积运算,得到平滑后的图像(如图4)。
(5)将每个个体的图像在模板内的体素点串起来的到每个点的体素向量,并和这个体素点对称的体素点串起来的体素向量利用计算对称相关性并将得到的r值赋予这个体素点及其对称体素点。将处于模板内的每个体素点用上述方法计算一遍得到一个相关的三维图像。将这个图像称为相关图(如图5)。
(6)将图5的三维图像中的每个点的r进行FisherZ变换,通过公式计算出每个点的Z值(如图6)进行观察。
Claims (2)
1.一种基于结构协变计算大脑形态学对称性的方法,该方法包括:
步骤1:采集多个样本的脑结构核磁共振图像,将各样本图像统一到同一空间坐标系下,采用混合模型聚类算法对各样本图像分割为灰质、白质、脑脊液,得到各样本的灰质图像;
步骤2:将步骤1得到的所有样本图像的灰质图像取平均得到平均灰质图像;再将平均灰质图像中左脑图像对称到右边,右脑图像对称到左边,得到对称图像;最后对平均灰质图像和对称图像取平均,得到模板图像;
步骤3:将步骤1得到的各样本灰质图像一一匹配到步骤2得到的模板图像中,得到个样本的新灰质图像;
步骤4:将步骤3得到的新灰质图像采用三维高斯核进行平滑处理;
步骤5:提取出各样本新灰质图像相同位置的体素点,组成一个体素向量;采用如下公式计算样本大脑图像的各对称位置的对称性:
<mrow>
<mi>r</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>cov</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>x</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>y</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中r表示样本大脑图像各对称位置的的对称性,x,y表示各样本新灰质图像中两对称体素点组成的两个体素向量,cov(x,y)表示计算体素向量x和体素向量y的协方差,σx,σy分别表示体素向量x和体素向量y的标准差;
步骤6:综合多个体素点的对称性判断出整个大脑的对称性或大脑各功能区的对称性。
2.如权利要求1所述的一种基于结构协变计算大脑形态学对称性的方法,其特征在于所述步骤3首先通过仿射变换对样本灰质图像各体素点的坐标进行处理,然后利用径向基函数将每个样本中每个体素点的值计算出匹配后的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710478305.7A CN107316292A (zh) | 2017-06-22 | 2017-06-22 | 一种基于结构协变计算大脑形态学对称性的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710478305.7A CN107316292A (zh) | 2017-06-22 | 2017-06-22 | 一种基于结构协变计算大脑形态学对称性的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107316292A true CN107316292A (zh) | 2017-11-03 |
Family
ID=60183354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710478305.7A Pending CN107316292A (zh) | 2017-06-22 | 2017-06-22 | 一种基于结构协变计算大脑形态学对称性的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107316292A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113506248A (zh) * | 2021-06-24 | 2021-10-15 | 电子科技大学 | 一种融合mri形态学多指标的方法 |
CN113628167B (zh) * | 2021-07-13 | 2024-04-05 | 深圳市神经科学研究院 | 个体化结构脑网络构建方法、系统、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3696808A (en) * | 1970-08-19 | 1972-10-10 | John E Roy | Method and system for brain wave analysis |
US4961425A (en) * | 1987-08-14 | 1990-10-09 | Massachusetts Institute Of Technology | Morphometric analysis of anatomical tomographic data |
WO2005057498A1 (en) * | 2003-12-12 | 2005-06-23 | Agency For Science, Technology And Research | Method and apparatus for identifying pathology in brain images |
CN101739681A (zh) * | 2009-12-14 | 2010-06-16 | 西北工业大学 | 基于相关预测模型的磁共振图像中检测结构形变的方法 |
CN102222156A (zh) * | 2011-03-30 | 2011-10-19 | 南京大学医学院附属鼓楼医院 | 人脑中水分子弥散模型的建立方法 |
CN102946797A (zh) * | 2009-08-14 | 2013-02-27 | D·伯顿 | 麻醉和意识深度监测系统 |
CN104537711A (zh) * | 2014-12-25 | 2015-04-22 | 西安电子科技大学 | 一种基于健康人群的白质纤维参数化模型构建方法 |
CN105184799A (zh) * | 2015-09-18 | 2015-12-23 | 浙江工商大学 | 一种改进的无监督脑部肿瘤mri图像分割方法 |
CN105894493A (zh) * | 2016-01-27 | 2016-08-24 | 电子科技大学 | 一种基于稳定性选择的fMRI数据特征的选择方法 |
CN106651874A (zh) * | 2016-12-08 | 2017-05-10 | 温州医科大学 | 基于多模态mri数据的脑瘤术后空间域分割方法 |
-
2017
- 2017-06-22 CN CN201710478305.7A patent/CN107316292A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3696808A (en) * | 1970-08-19 | 1972-10-10 | John E Roy | Method and system for brain wave analysis |
US4961425A (en) * | 1987-08-14 | 1990-10-09 | Massachusetts Institute Of Technology | Morphometric analysis of anatomical tomographic data |
WO2005057498A1 (en) * | 2003-12-12 | 2005-06-23 | Agency For Science, Technology And Research | Method and apparatus for identifying pathology in brain images |
CN102946797A (zh) * | 2009-08-14 | 2013-02-27 | D·伯顿 | 麻醉和意识深度监测系统 |
CN101739681A (zh) * | 2009-12-14 | 2010-06-16 | 西北工业大学 | 基于相关预测模型的磁共振图像中检测结构形变的方法 |
CN102222156A (zh) * | 2011-03-30 | 2011-10-19 | 南京大学医学院附属鼓楼医院 | 人脑中水分子弥散模型的建立方法 |
CN104537711A (zh) * | 2014-12-25 | 2015-04-22 | 西安电子科技大学 | 一种基于健康人群的白质纤维参数化模型构建方法 |
CN105184799A (zh) * | 2015-09-18 | 2015-12-23 | 浙江工商大学 | 一种改进的无监督脑部肿瘤mri图像分割方法 |
CN105894493A (zh) * | 2016-01-27 | 2016-08-24 | 电子科技大学 | 一种基于稳定性选择的fMRI数据特征的选择方法 |
CN106651874A (zh) * | 2016-12-08 | 2017-05-10 | 温州医科大学 | 基于多模态mri数据的脑瘤术后空间域分割方法 |
Non-Patent Citations (2)
Title |
---|
HASSAN KHOTANLOU等: "3D brain tumor segmentation in MRI using fuzzy classification, symmetry analysis and spatially constrained deformable models", 《PREPRINT SUBMITTED TO FUZZY SETS AND SYSTEMS》 * |
陆菁菁等: "颞叶癫痫脑灰质和白质减少及其与病程的相关分析", 《中国医学科学院学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113506248A (zh) * | 2021-06-24 | 2021-10-15 | 电子科技大学 | 一种融合mri形态学多指标的方法 |
CN113506248B (zh) * | 2021-06-24 | 2023-05-23 | 电子科技大学 | 一种融合mri形态学多指标的方法 |
CN113628167B (zh) * | 2021-07-13 | 2024-04-05 | 深圳市神经科学研究院 | 个体化结构脑网络构建方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luan et al. | Multimodality image registration by maximization of quantitative–qualitative measure of mutual information | |
Nitzken et al. | Improving full-cardiac cycle strain estimation from tagged CMR by accurate modeling of 3D image appearance characteristics | |
Nitzken et al. | Accurate modeling of tagged CMR 3D image appearance characteristics to improve cardiac cycle strain estimation | |
CN109949349B (zh) | 一种多模态三维图像的配准及融合显示方法 | |
CN102629374B (zh) | 基于子空间投影和邻域嵌入的图像超分辨率重建方法 | |
CN105809693A (zh) | 基于深度神经网络的sar图像配准方法 | |
Neubert et al. | Automated 3D segmentation of vertebral bodies and intervertebral discs from MRI | |
CN109886944B (zh) | 一种基于多图谱的脑白质高信号检测和定位方法 | |
CN107729926B (zh) | 一种基于高维空间变换的数据扩增方法、机器识别系统 | |
CN107316292A (zh) | 一种基于结构协变计算大脑形态学对称性的方法 | |
CN109978872B (zh) | 基于白质纤维束的白质微结构特征筛选系统及方法 | |
Schubert et al. | 3D reconstructed cyto-, muscarinic M2 receptor, and fiber architecture of the rat brain registered to the Waxholm space atlas | |
CN112102385B (zh) | 一种基于深度学习的多模态肝脏磁共振影像配准系统 | |
Wu et al. | Registration of longitudinal brain image sequences with implicit template and spatial–temporal heuristics | |
Yap et al. | TIMER: Tensor image morphing for elastic registration | |
Sun et al. | Multi-atlas based methods in brain MR image segmentation | |
CN114066953A (zh) | 一种针对刚性目标的三维多模态图像可变形配准方法 | |
Ehricke et al. | Visualizing MR diffusion tensor fields by dynamic fiber tracking and uncertainty mapping | |
JP5532730B2 (ja) | Cnr測定装置,方法及びコンピュータプログラム | |
Gotardo et al. | A new deformable model for boundary tracking in cardiac MRI and its application to the detection of intra-ventricular dyssynchrony | |
Gao et al. | Estimation of cardiac motion in cine-MRI sequences by correlation transform optical flow of monogenic features distance | |
CN106709921B (zh) | 一种基于空间Dirichlet混合模型的彩色图像分割方法 | |
CN105931221B (zh) | 一种基于影像组学的多模态磁共振图像差异检测方法及装置 | |
Yanovsky et al. | Asymmetric and symmetric unbiased image registration: statistical assessment of performance | |
Kim et al. | Learning-based deformation estimation for fast non-rigid registration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20171103 |