CN108013933A - 基于集成学习的大脑功能影像定位方法 - Google Patents

基于集成学习的大脑功能影像定位方法 Download PDF

Info

Publication number
CN108013933A
CN108013933A CN201711335659.2A CN201711335659A CN108013933A CN 108013933 A CN108013933 A CN 108013933A CN 201711335659 A CN201711335659 A CN 201711335659A CN 108013933 A CN108013933 A CN 108013933A
Authority
CN
China
Prior art keywords
brain
function
patients
gliomas
area
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.)
Granted
Application number
CN201711335659.2A
Other languages
English (en)
Other versions
CN108013933B (zh
Inventor
冯建峰
罗强
王岱
罗畯義
公维康
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.)
Fudan University
Original Assignee
Fudan University
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 Fudan University filed Critical Fudan University
Priority to CN201711335659.2A priority Critical patent/CN108013933B/zh
Publication of CN108013933A publication Critical patent/CN108013933A/zh
Application granted granted Critical
Publication of CN108013933B publication Critical patent/CN108013933B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A61B2034/105—Modelling of the patient, e.g. for ligaments or bones

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Robotics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于集成学习的大脑功能影像定位方法，针对胶质瘤患者脑功能区空间位置的个体差异，利用先进的机器学习算法，将弹性网络算法嵌入集成学习框架，实现了个体化模型生成，构建出因人而异的脑功能区定位器，真正实现了个体化定位，可以在手术中更好的保护脑功能，对每例患者构建个体化脑功能定位模型，提高了定位精度，同时实现无创的脑功能区定位，并不需要患者配合任务态，有利于保护危重病人脑功能。

Description

基于集成学习的大脑功能影像定位方法
技术领域
本发明属于医学图像处理辅助技术领域，涉及一种大脑功能影像定位方法，具体是一种基于集成学习的大脑功能影像定位方法。
背景技术
手术治疗是目前胶质瘤治疗最有效的临床手段，然而颅内手术如果损害到肿瘤附近的脑功能区，手术后就很可能会发生偏瘫、失语等严重影响患者生活质量的情况。
目前根据解剖学研究成果，我们对于大脑不同部位的功能有所了解。但是，已有研究表明人与人之间在功能脑区的大小和位置并非完全一致。一位患者的非功能区(手术可操作区域)很可能是另一位患者的功能脑区。此前的功能定位技术对于个体化差异考虑不充分，限制了定位技术的临床应用。
发明内容
本发明的目的在于针对不同脑功能区胶质瘤患者脑功能区个体化差异的问题，提供了一种基于集成学习的大脑功能影像定位方法，实现了个体化定位，在手术中更好的保护患者脑功能。
本发明的目的可以通过以下技术方案实现：
基于集成学习的大脑功能影像定位方法，具体包括以下步骤：
步骤S1，采用静息态功能磁共振技术获取脑功能区胶质瘤患者指定时间内的静息态功能影像及高精度结构影像；
步骤S2，对步骤S1中获取的影像数据集采取多项预处理；
步骤S3，将大脑划分为若干功能脑区；
步骤S4，针对每个功能脑区，利用弹性网络统计模型进行对侧功能连接特征选择和对侧功能连接模式定位分类器训练，在训练集上，针对每个脑功能区胶质瘤患者个体的每个功能脑区分别训练一个对侧定位分类器，构建每个功能脑区的弱分类器模型库；
步骤S5，对于新来的脑功能区胶质瘤患者数据，将任一功能脑区的弱分类器模型库中的所有弱分类器应用于该患者个体数据，得到对该功能脑区的若干定位结果；
步骤S6，计算新来的脑功能区胶质瘤患者数据和弱分类器训练个体数据的相似度，利用计算获得的相似度，对所有弹性网络弱分类器的预测结果进行个体化集成；
步骤S7，根据脑功能区胶质瘤患者肿瘤附近每个体素在不同功能脑区对应的集成模型评分，将评分转换成在对应功能脑区的排序，将排序最高的功能脑区标签赋给当前体素，实现大脑功能区的个体化定位。
进一步地，在所述步骤S1的扫描过程中，每个扫描包括248个连续的EPI功能图像，其扫描参数设置如下：
33axial slices,repetition time(TR)＝2000ms,echo time(TE)＝30ms,thickness/skip＝4/0mm,field of view(FOV)＝192×192mm,matrix＝64×64mm,flipangle＝90°。
进一步地，所述步骤S2中的多项预处理包括去除时间点、扫描层时间校正、头动校正，映射到标准化空间，去趋势项，带通滤波以及Scrubbing。
进一步地，所述头动校正采用6个参数的刚体变换来校正不同TR间的头动差异，将大于3mm或3degree的脑功能区胶质瘤患者数据作为无用数据剔除，并使用waveletdespiking消除突发性头动对功能信号的影响。
进一步地，所述映射到标准化空间时，通过肿瘤蒙版去除肿瘤对于标准化的影响，将患者未受到肿瘤影像的健康侧大脑映射到标准空间。
进一步地，所述步骤S3中，按照多种任务态共激活计算所得的任务态模板，将大脑初步划分为193个功能脑区。
本发明的有益效果：
1、本发明提供的基于集成学习的大脑功能影像定位方法对每例患者构建个体化脑功能定位模型，提高了定位精度；
2、本发明提供的基于集成学习的大脑功能影像定位方法结合使用了先进的机器学习算法，将弹性网络算嵌入集成学习框架，实现了个体化模型生成；
3、本发明提供的基于集成学习的大脑功能影像定位方法实现了无创的脑功能区定位；
4、本发明提供的基于集成学习的大脑功能影像定位方法不需要患者配合任务态，有利于保护危重病人脑功能。
具体实施方式
下面将结合本发明实施例，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明提供了一种基于集成学习的大脑功能影像定位方法，具体包括以下步骤：
步骤S1，采用静息态功能磁共振技术获取脑功能区胶质瘤患者5分钟的静息态功能影像及高精度结构影像。
在扫描过程中，脑功能区胶质瘤患者被要求放松闭眼，不去想特定的事情但要保持清醒不能入睡。每个扫描包括248个连续的EPI(echo-planar imaging)功能图像，扫描参数设置如下：
33axial slices,repetition time(TR)＝2000ms,echo time(TE)＝30ms,thickness/skip＝4/0mm,field of view(FOV)＝192×192mm,matrix＝64×64mm,flipangle＝90°。
步骤S2，对步骤S1中获取的影像数据集采取多项预处理。
其中，步骤S2中的多项预处理包括去除时间点、扫描层时间校正、头动校正，映射到标准化空间，去趋势项，带通滤波以及Scrubbing。
去除时间点：考虑到仪器刚开始扫描时磁场的不均匀导致的的信号不稳定性，同时脑功能区胶质瘤患者要适应磁共振的扫描也需要时间，去除前4个时间点，即前8秒的数据。
扫描层时间校正：由于磁共振数据是逐层扫描的，因此在同一个TR下的层数在获取时间上有一定的差异，扫描层时间校正是用来校正同一个TR下层数获取时间的差异。
头动校正：采用6个参数的刚体变换来校正不同TR间的头动差异，将头动过大的脑功能区胶质瘤患者数据(>3mm或>3degree)作为无用数据剔除，并使用wavelet despiking消除突发性头动对功能信号的影响。
映射到标准化空间：在配准的同时，通过肿瘤蒙版去除肿瘤对于标准化的影响，将患者未受到肿瘤影像的健康侧大脑(健侧)映射到标准空间。
最后进行去趋势项、带通滤波以及Scrubbing，以降低低频漂移及高频的生物噪声的影响。
步骤S3，按照多种任务态共激活计算所得的任务态模板(200ROI task fMRIatlas,"A human brain atlas derived via n-cut parcellation of resting-stateand task-based fMRI data."James GA,Hazaroglu O,Bush KA.Magnetic ResonanceImaging,2015,Oct 30.pii:S0730-725X(15)00273-8.doi:10.1016/j.mri.2015.10.036.PMID:26523655)，对大脑初步划分为193个功能脑区(对于该任务态200脑区模板中剩余的7个噪声脑区，本发明不予考虑)。
步骤S4，针对每个功能脑区，利用弹性网络(Elastic Net)统计模型进行对侧功能连接特征选择和对侧功能连接模式定位分类器训练，从而找出更有效的对侧功能连接特征信息，进一步提高功能区定位准确率，在训练集上，针对每个脑功能区胶质瘤患者个体的每个功能脑区分别训练一个对侧定位分类器，构建每个功能脑区的弱分类器模型库。
步骤S5，对于新来的脑功能区胶质瘤患者数据，将任一功能脑区的弱分类器模型库中的所有弱分类器应用于该患者个体数据，得到对该功能脑区的若干定位结果。
步骤S6，为了构建个体化模型，计算新来的脑功能区胶质瘤患者数据和弱分类器训练个体数据的相似度，利用计算获得的相似度，对所有弹性网络弱分类器的预测结果进行个体化集成(Ensemble Learning)。
步骤S7，根据脑功能区胶质瘤患者肿瘤附近每个体素在不同功能脑区对应的集成模型评分，将评分转换成在对应功能脑区的排序，将排序最高的功能脑区标签赋给当前体素，从而实现大脑功能区的个体化定位。
由上可知，本发明实施例通过静息态功能影像及高精度的结构影像，进行脑功能区的个体化定位，可用于指导治疗方案选择等。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (6)

1.基于集成学习的大脑功能影像定位方法，其特征在于，具体包括以下步骤：
步骤S1，采用静息态功能磁共振技术获取脑功能区胶质瘤患者指定时间内的静息态功能影像及高精度结构影像；
步骤S2，对步骤S1中获取的影像数据集采取多项预处理；
步骤S3，将大脑划分为若干功能脑区；
步骤S4，针对每个功能脑区，利用弹性网络统计模型进行对侧功能连接特征选择和对侧功能连接模式定位分类器训练，在训练集上，针对每个脑功能区胶质瘤患者个体的每个功能脑区分别训练一个对侧定位分类器，构建每个功能脑区的弱分类器模型库；
步骤S5，对于新来的脑功能区胶质瘤患者数据，将任一功能脑区的弱分类器模型库中的所有弱分类器应用于该患者个体数据，得到对该功能脑区的若干定位结果；
步骤S6，计算新来的脑功能区胶质瘤患者数据和弱分类器训练个体数据的相似度，利用计算获得的相似度，对所有弹性网络弱分类器的预测结果进行个体化集成；
步骤S7，根据脑功能区胶质瘤患者肿瘤附近每个体素在不同功能脑区对应的集成模型评分，将评分转换成在对应功能脑区的排序，将排序最高的功能脑区标签赋给当前体素，实现大脑功能区的个体化定位。
2.根据权利要求1所述的基于集成学习的大脑功能影像定位方法，其特征在于，在所述步骤S1的扫描过程中，每个扫描包括248个连续的EPI功能图像，其扫描参数设置如下：
33axialslices,repetitiontime(TR)＝2000ms,echotime(TE)＝30ms,thickness/skip＝4/0mm,fieldofview(FOV)＝192×192mm,matrix＝64×64mm,flipangle＝90°。
3.根据权利要求1所述的基于集成学习的大脑功能影像定位方法，其特征在于，所述步骤S2中的多项预处理包括去除时间点、扫描层时间校正、头动校正，映射到标准化空间，去趋势项，带通滤波以及Scrubbing。
4.根据权利要求3所述的基于集成学习的大脑功能影像定位方法，其特征在于，所述头动校正采用6个参数的刚体变换来校正不同TR间的头动差异，将大于3mm或3degree的脑功能区胶质瘤患者数据作为无用数据剔除，并使用waveletdespiking消除突发性头动对功能信号的影响。
5.根据权利要求3所述的基于集成学习的大脑功能影像定位方法，其特征在于，所述映射到标准化空间时，通过肿瘤蒙版去除肿瘤对于标准化的影响，将患者未受到肿瘤影像的健康侧大脑映射到标准空间。
6.根据权利要求1所述的基于集成学习的大脑功能影像定位方法，其特征在于，所述步骤S3中，按照多种任务态共激活计算所得的任务态模板，将大脑初步划分为193个功能脑区。
CN201711335659.2A 2017-12-14 2017-12-14 基于集成学习的大脑功能影像定位方法 Active CN108013933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711335659.2A CN108013933B (zh) 2017-12-14 2017-12-14 基于集成学习的大脑功能影像定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711335659.2A CN108013933B (zh) 2017-12-14 2017-12-14 基于集成学习的大脑功能影像定位方法

Publications (2)

Publication Number Publication Date
CN108013933A true CN108013933A (zh) 2018-05-11
CN108013933B CN108013933B (zh) 2019-10-18

Family

ID=62073722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711335659.2A Active CN108013933B (zh) 2017-12-14 2017-12-14 基于集成学习的大脑功能影像定位方法

Country Status (1)

Country Link
CN (1) CN108013933B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102908145A (zh) * 2012-11-09 2013-02-06 中国科学院自动化研究所 一种基于多模态磁共振成像的脑区功能定位方法
WO2014174317A3 (en) * 2013-04-26 2014-12-24 St George's Hospital Medical School Processing imaging data to obtain tissue type information
CN104337518A (zh) * 2014-10-29 2015-02-11 杭州师范大学 一种基于静息态功能磁共振的术前脑功能网络定位方法
CN104715261A (zh) * 2015-03-23 2015-06-17 南京工业大学 fMRI动态脑功能子网络构建及并联SVM加权识别方法
CN105637536A (zh) * 2013-07-02 2016-06-01 外科信息科学股份有限公司 脑图像流水线和脑图像区域位置和形状预测的方法和系统
CN105816192A (zh) * 2016-03-03 2016-08-03 王雪原 个体化人脑多模态医学影像的三维配准及提取脑组织方法
CN106214272A (zh) * 2016-08-11 2016-12-14 中国科学院深圳先进技术研究院 一种开颅手术中可视化脑功能结构定位方法
CN107133651A (zh) * 2017-05-12 2017-09-05 太原理工大学 基于超网络判别子图的功能磁共振影像数据分类方法
KR101796055B1 (ko) * 2016-06-02 2017-11-10 고려대학교 산학협력단 다중 뇌 연결망 구축을 통한 뇌 상태 모니터링 방법 및 장치

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102908145A (zh) * 2012-11-09 2013-02-06 中国科学院自动化研究所 一种基于多模态磁共振成像的脑区功能定位方法
WO2014174317A3 (en) * 2013-04-26 2014-12-24 St George's Hospital Medical School Processing imaging data to obtain tissue type information
CN105637536A (zh) * 2013-07-02 2016-06-01 外科信息科学股份有限公司 脑图像流水线和脑图像区域位置和形状预测的方法和系统
US20170193161A1 (en) * 2013-07-02 2017-07-06 Surgical Information Sciences, Inc. Method for a brain region location and shape prediction
CN104337518A (zh) * 2014-10-29 2015-02-11 杭州师范大学 一种基于静息态功能磁共振的术前脑功能网络定位方法
CN104715261A (zh) * 2015-03-23 2015-06-17 南京工业大学 fMRI动态脑功能子网络构建及并联SVM加权识别方法
CN105816192A (zh) * 2016-03-03 2016-08-03 王雪原 个体化人脑多模态医学影像的三维配准及提取脑组织方法
KR101796055B1 (ko) * 2016-06-02 2017-11-10 고려대학교 산학협력단 다중 뇌 연결망 구축을 통한 뇌 상태 모니터링 방법 및 장치
CN106214272A (zh) * 2016-08-11 2016-12-14 中国科学院深圳先进技术研究院 一种开颅手术中可视化脑功能结构定位方法
CN107133651A (zh) * 2017-05-12 2017-09-05 太原理工大学 基于超网络判别子图的功能磁共振影像数据分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘风: "基于磁共振成像的多变量模式分析方法学与应用研究", 《中国博士学位论文全文数据库 医药卫生科技辑》 *
肖翔: "MR T1ρ成像和脑结构MR成像在鼻咽癌放射性脑损伤中的初步研究及MR纹理分析在鼻咽癌复发预测中的初步研究", 《中国博士学位论文全文数据库 医药卫生科技辑》 *

Also Published As

Publication number Publication date
CN108013933B (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
Knutsen et al. In vivo estimates of axonal stretch and 3D brain deformation during mild head impact
Kundu et al. Differentiating BOLD and non-BOLD signals in fMRI time series using multi-echo EPI
Eichert et al. Mapping human laryngeal motor cortex during vocalization
de la Cruz et al. The relationship between heart rate and functional connectivity of brain regions involved in autonomic control
CN107669244B (zh) 基于EEG-fMRI的癫痫异常放电位点定位系统
Dogonowski et al. Multiple sclerosis impairs regional functional connectivity in the cerebellum
Tang et al. Altered regional homogeneity in rolandic epilepsy: a resting-state FMRI study
Zhou et al. Altered brain function in cerebral small vessel disease patients with gait disorders: a resting-state functional MRI study
DE19959719A1 (de) Verfahren zum Betrieb eines Magnetresonanztomographiegeräts
Chen et al. Aberrant functional networks connectivity and structural atrophy in silent lacunar infarcts: relationship with cognitive impairments
Valenza et al. Resting-state brain correlates of instantaneous autonomic outflow
La et al. Implication of the slow-5 oscillations in the disruption of the default-mode network in healthy aging and stroke
Jafri et al. Functional classification of schizophrenia using feed forward neural networks
Nishimura et al. Organization of auditory areas in the superior temporal gyrus of marmoset monkeys revealed by real-time optical imaging
CN107993714A (zh) 人脑意识状态预测装置
CN108013933B (zh) 基于集成学习的大脑功能影像定位方法
Cetin et al. Multimodal based classification of schizophrenia patients
US20020057086A1 (en) Method for the operation of a magnetic resonance apparatus
Lee et al. Seizure localization using three-dimensional surface projections of intracranial EEG power
Song et al. Sensorimotor cortical neuroplasticity in the early stage of Bell’s Palsy
Xu et al. Disruption of rich-club connectivity in cushing disease
Zeng et al. The effect of swallowing action observation therapy on resting fMRI in stroke patients with dysphagia
Qiu et al. A resting-state fMRI study of patients with HIV infection based on regional homogeneity method
Fast et al. Intrafraction Motion Management With MR-Guided Radiation Therapy
CN114332947A (zh) 一种图像分类系统及终端设备

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
GR01 Patent grant
GR01 Patent grant