CN107392167A - 一种脑功能图的感兴趣区提取方法 - Google Patents

一种脑功能图的感兴趣区提取方法 Download PDF

Info

Publication number
CN107392167A
CN107392167A CN201710639455.1A CN201710639455A CN107392167A CN 107392167 A CN107392167 A CN 107392167A CN 201710639455 A CN201710639455 A CN 201710639455A CN 107392167 A CN107392167 A CN 107392167A
Authority
CN
China
Prior art keywords
region
brain
interest
value
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
Application number
CN201710639455.1A
Other languages
English (en)
Inventor
王筝
曾祥柱
刘颖
袁慧书
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University Third Hospital
Original Assignee
Peking University Third Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking University Third Hospital filed Critical Peking University Third Hospital
Priority to CN201710639455.1A priority Critical patent/CN107392167A/zh
Publication of CN107392167A publication Critical patent/CN107392167A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种脑功能图的感兴趣区提取方法，把全脑的像素值EPI(i,j,k）与模板矩阵值ROIReslice（i,j,k）相乘（公式1），即提取了感兴趣脑区的像素值EPI (i,j,k)，屏蔽了非感兴趣的信号值。本方法对感兴趣区核磁信号参数的提取可以对各个脑疾病的深入研究提供详细数据，在此基础上，可以进行感兴趣区的峰值和均值计算，有助于加深对神经系统疾病的认识和研究。

Description

一种脑功能图的感兴趣区提取方法
技术领域
本发明涉及数据处理领域，具体涉及一种脑功能图的感兴趣区提取方法。
背景技术
在各种脑功能成像后处理计算中，按照各脑区图谱提取各种参数像素值是医学生以及医学科研工作者经常遇到的问题。很多脑部疾病的发病位置不一定是全脑，有可能是某一些脑区，如颞叶，顶叶等脑区，因此在进行科研时，需要把某一个感兴趣脑区提取出来进行处理和评估等工作。
发明内容
本发明针对以上目的，设计了提取某一特定脑区的方法，并计算出该感兴趣区中的脑信号均值和峰值。为医学科研工作及临床诊断提供准确的脑区信号值提取。
本发明是通过如下技术方案实现的：
一种脑功能图的感兴趣区提取方法，包括如下步骤：
步骤一）根据脑功能图建立全脑信号值矩阵EPI（i,j,k），其中i， j， k为脑空间坐标；
步骤二）建立感兴趣脑区的模板矩阵ROIReslice（i,j,k），模板矩阵大小与全脑信号矩阵相同，ROIReslice（i,j,k）属于感兴趣区内的位点的值为1，不属于感兴趣区内的位点的值为0，因此模板矩阵标示出了感兴趣区的空间位置。各个脑区的模板矩阵可以从某些脑功能图处理程序中得到，也可以根据需要自行划定。
步骤三）全脑信号值矩阵EPI（i,j,k）乘以感兴趣脑区的模板矩阵ROIReslice（i,j,k），即得到感兴趣区的信号值矩阵EPI3 (i,j,k)；
步骤四）对感兴趣区的信号值矩阵EPI3 (i,j,k)中的所有不为0的元素进行求平均值，即得到感兴趣区的信号值的平均值；再逐个比较感兴趣区的信号值矩阵EPI3 (i,j,k)中的所有不为0的元素的大小，得到感兴趣区内的信号峰值。
所述EPI（i,j,k）、ROIReslice（i,j,k）和EPI3 (i,j,k)均为91*109*91的矩阵。
与现有技术相比，本发明具有以下优点：
本方法对感兴趣区核磁信号参数的提取可以对各个脑疾病的深入研究提供详细数据，在此基础上，可以进行感兴趣区的峰值和均值计算，有助于加深对神经系统疾病的认识和研究。
具体实施方式
实施例1
本方法可以采用matlab编程实现，将从磁共振扫描中获取的各类标准化的脑功能像素值（信号值）与各脑区模板像素值一一对应（本实施例中的脑区模板采用公开软件Pick_Atlas软件，在mni标准脑空间坐标系中；脑区模板也可以从其他软件或材料中取得，只要能够完成对区域的定位即可），提取所需要的脑区的各类参数，如感兴趣脑区的均值，峰值等。将感兴趣的脑区模板置位1，其它脑区置为0。
EPI3 (i,j,k)=ROIReslice（i,j,k）*EPI(i,j,k） （1）
其中，i,j,k是mni脑空间坐标，矩阵值为（91，109，91）。EPI(i,j,k）是实验组或者正常对照组的脑部图像在配准后的全脑信号值。ROIReslice（i,j,k）是Pick_Atlas脑模板软件中感兴趣的脑区的信号值，如假设感兴趣是颞叶脑模板，则ROIReslice（i,j,k）在颞叶的mni空间坐标点中值为1，在非颞叶的空间坐标中值为0。感兴趣区可以选择一个或多个脑区的模板组合。
把全脑的像素值EPI(i,j,k）与模板矩阵值ROIReslice（i,j,k）相乘（公式1），即提取了感兴趣脑区的像素值EPI (i,j,k)，屏蔽了非感兴趣的信号值。提取感兴趣脑区的像素值后，可进行感兴趣各类参数的计算，如求感兴趣平均值，感兴趣峰值的等计算。
程序代码如下：
ROIReslice=zeros(91,109,91);定义一组矩阵表示感兴趣区，并且初始化矩阵为0
EPI=zeros(91,109,91);定义一组矩阵表示全脑数据，并且初始化矩阵为0
V = spm_vol_nifti('D:\results\DKI-ROI\Angular_L.nii')
读取模版（前角脑取数据）数据赋给矩阵V
[Y,XYZ] = spm_read_vols(V); 将矩阵V的值赋给Y
for k=1:91 对三维空间坐标（x,y,z）中的Z轴进行循环
for j=1:109对三维空间坐标（x,y,z）中的Y轴进行循环
for i=1:91 对三维空间坐标（x,y,z）中的X轴进行循环
ROIReslice(i,j,k)=Y(i,j,k);将Y（I,j,k）的像素值赋给ROIReslice(i,j,k)
end
end
end
求感兴趣区峰值
path=strcat('D:\DKI-1\dax\result\spmF_0001.img'); 读取脑数据
s1=analyze75info(path);读取脑数据头文件信息
EPI=analyze75read(s1);读取脑数据各像素值
S2=0;
mean=0;
num=0;
MAX=0;
MAXX=0;
MAXY=0;
MAXZ=0;
for k=1:91
for j=1:109
for i=1:91
if ROIReslice(i,j,k)>0 && EPI(i,j,k)>MAX 求感兴趣内的全脑最大值
MAX=EPI(i,j,k);
MAXX=i; 保留最大像素值的X轴空间坐标
MAXY=j;保留最大像素值的X轴空间坐标
MAXZ=k;保留最大像素值的X轴空间坐标
end
end
end
end
MAX MAX为最大值即峰值点的像素值
MAXX MAXX为最大值即峰值点的X轴坐标
MAXY MAXY为最大值即峰值点的Y轴坐标
MAXZ MAXZ为最大值即峰值点的Z轴坐标
求感兴趣区均值
for k=1:91
for j=1:109
for i=1:91
if ROIReslice(i,j,k)>0 && EPI(i,j,k)>0
计算在感兴趣区（ROIReslice(i,j,k)>0）内的脑像素值 (EPI(i,j,k)>0)的个数和像素值总和
num=num+1；
满足条件的个数加1
S2=S2+ EPI(i,j,k)；
满足条件的像素值相加
end
end
end
end
mean=S2/num 求均值mean。
通过以上程序，可以得到脑兴趣区内的均值和峰值，可以对感兴趣的特征进行进一步的分析、评价。

Claims (2)

1.一种脑功能图的感兴趣区提取方法，其特征在于，包括如下步骤： 步骤一）根据脑功能图建立全脑信号值矩阵EPI（i,j,k），其中i， j， k为脑空间坐标；
步骤二）建立感兴趣脑区的模板矩阵ROIReslice（i,j,k），所述ROIReslice（i,j,k）属于感兴趣区内的位点的值为1，不属于感兴趣区内的位点的值为0；
步骤三）全脑信号值矩阵EPI（i,j,k）乘以感兴趣脑区的模板矩阵ROIReslice（i,j,k），即得到感兴趣区的信号值矩阵EPI3 (i,j,k)；
步骤四）对感兴趣区的信号值矩阵EPI3 (i,j,k)中的所有不为0的元素进行求平均值，即得到感兴趣区的信号值的平均值；再逐个比较感兴趣区的信号值矩阵EPI3 (i,j,k)中的所有不为0的元素的大小，得到感兴趣区内的信号峰值。
2.如权利要求1所述的一种脑功能图的感兴趣区提取方法，其特征在于，所述EPI（i,j,k）、ROIReslice（i,j,k）和EPI3 (i,j,k)均为91*109*91的矩阵。
CN201710639455.1A 2017-07-31 2017-07-31 一种脑功能图的感兴趣区提取方法 Pending CN107392167A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710639455.1A CN107392167A (zh) 2017-07-31 2017-07-31 一种脑功能图的感兴趣区提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710639455.1A CN107392167A (zh) 2017-07-31 2017-07-31 一种脑功能图的感兴趣区提取方法

Publications (1)

Publication Number Publication Date
CN107392167A true CN107392167A (zh) 2017-11-24

Family

ID=60341503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710639455.1A Pending CN107392167A (zh) 2017-07-31 2017-07-31 一种脑功能图的感兴趣区提取方法

Country Status (1)

Country Link
CN (1) CN107392167A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005237441A (ja) * 2004-02-24 2005-09-08 Kokuritsu Seishin Shinkei Center 脳疾患の診断支援方法及び装置
CN103632345A (zh) * 2013-11-27 2014-03-12 中国科学技术大学 一种基于正则化的mri图像非均匀性校正方法
CN105022934A (zh) * 2015-06-29 2015-11-04 北京工业大学 一种用于从fMRI数据中构建脑效应连接网络的人工免疫方法
CN106204562A (zh) * 2016-07-04 2016-12-07 西安交通大学 一种基于fMRI与DTI融合的穹隆白质分割的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005237441A (ja) * 2004-02-24 2005-09-08 Kokuritsu Seishin Shinkei Center 脳疾患の診断支援方法及び装置
CN103632345A (zh) * 2013-11-27 2014-03-12 中国科学技术大学 一种基于正则化的mri图像非均匀性校正方法
CN105022934A (zh) * 2015-06-29 2015-11-04 北京工业大学 一种用于从fMRI数据中构建脑效应连接网络的人工免疫方法
CN106204562A (zh) * 2016-07-04 2016-12-07 西安交通大学 一种基于fMRI与DTI融合的穹隆白质分割的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
空里流霜: "[spm操作] VBM分析中，如何提取ROI中的灰质体积", 《我爱脑科学-心心水滴论坛》 *
蒙茗: "功能磁共振成像技术结合纹理分析早期监测乳腺癌荷瘤裸鼠新辅助化疗疗效的研究", 《中国博士学位论文全文数据库医药卫生科技辑》 *

Similar Documents

Publication Publication Date Title
CN111127441B (zh) 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统
CN107658018A (zh) 一种基于结构连接和功能连接的融合脑网络构建方法
CN110363760B (zh) 用于识别医学图像的计算机系统
CN109662778B (zh) 基于三维卷积的人机交互式颅内电极定位方法与系统
CN110717905B (zh) 脑部图像检测方法、计算机设备和存储介质
CN110782434B (zh) 一种脑结核mri图像病灶智能标记定位装置
CN102184560A (zh) 一种基于模板的ccd-dr图像拼接方法
Bangare et al. Implementing tumor detection and area calculation in MRI image of human brain using image processing techniques
CN107093190B (zh) 一种基于多图谱标签融合的医学图像配准算法
CN110246109A (zh) 融合ct影像和个性化信息的分析系统、方法、装置及介质
CN112767374A (zh) 基于mri的阿尔茨海默症病灶区域语义分割算法
CN106897564B (zh) 一种基于医学影像的病案图像建模系统
Yuan et al. Research on the practical classification and privacy protection of CT images of parotid tumors based on ResNet50 model
CN112515653B (zh) 一种基于核磁共振图像的脑网络构建方法
CN108596236A (zh) 一种基于全局连接特征和测地距离的丘脑核团分区方法
CN109300124B (zh) 一种基于非人灵长类动物的立体定位pet-mri脑模板建立的方法
CN112308887B (zh) 一种多源图像序列实时配准方法
CN107392167A (zh) 一种脑功能图的感兴趣区提取方法
CN111227834B (zh) 静息态脑功能连接的自动化快速可视化方法
Yang et al. Ultrasound image-based diagnosis of cirrhosis with an end-to-end deep learning model
CN113822917A (zh) 一种肝癌影像组学图像精确配准方法
JP4099357B2 (ja) 画像処理方法および装置
CN112465900A (zh) 一种立体脑电图电极定位方法
CN113610742A (zh) 一种基于深度学习的全脑结构体积测量方法及系统
CN111292339A (zh) 基于w型网络结构的临床颞骨ct多结构提取方法及装置

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

Application publication date: 20171124

RJ01 Rejection of invention patent application after publication