CN108596236A - 一种基于全局连接特征和测地距离的丘脑核团分区方法 - Google Patents
一种基于全局连接特征和测地距离的丘脑核团分区方法 Download PDFInfo
- Publication number
- CN108596236A CN108596236A CN201810351078.6A CN201810351078A CN108596236A CN 108596236 A CN108596236 A CN 108596236A CN 201810351078 A CN201810351078 A CN 201810351078A CN 108596236 A CN108596236 A CN 108596236A
- Authority
- CN
- China
- Prior art keywords
- thalamus
- voxel
- connection features
- brain
- geodesic distance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 210000004001 thalamic nuclei Anatomy 0.000 title claims abstract description 23
- 238000005192 partition Methods 0.000 title claims abstract description 15
- 210000001103 thalamus Anatomy 0.000 claims abstract description 78
- 210000004556 brain Anatomy 0.000 claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 230000003595 spectral effect Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 19
- 230000002490 cerebral effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 210000003710 cerebral cortex Anatomy 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims 1
- 238000007796 conventional method Methods 0.000 abstract description 3
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 210000001638 cerebellum Anatomy 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002269 spontaneous effect Effects 0.000 description 3
- CVOFKRWYWCSDMA-UHFFFAOYSA-N 2-chloro-n-(2,6-diethylphenyl)-n-(methoxymethyl)acetamide;2,6-dinitro-n,n-dipropyl-4-(trifluoromethyl)aniline Chemical compound CCC1=CC=CC(CC)=C1N(COC)C(=O)CCl.CCCN(CCC)C1=C([N+]([O-])=O)C=C(C(F)(F)F)C=C1[N+]([O-])=O CVOFKRWYWCSDMA-UHFFFAOYSA-N 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 2
- 208000012902 Nervous system disease Diseases 0.000 description 2
- 208000025966 Neurological disease Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000002224 dissection Methods 0.000 description 2
- 206010015037 epilepsy Diseases 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000003016 hypothalamus Anatomy 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 210000004129 prosencephalon Anatomy 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012307 MRI technique Methods 0.000 description 1
- 208000027089 Parkinsonian disease Diseases 0.000 description 1
- 206010034010 Parkinsonism Diseases 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 210000002451 diencephalon Anatomy 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000009209 sensory transmission Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000542 thalamic effect Effects 0.000 description 1
- 230000003461 thalamocortical effect Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于全局连接特征和测地距离的丘脑核团分区方法，以实现对大脑丘脑区域的核团分区，该方法首先利用大脑静息态磁共振图像的时间序列信息，结合大脑不同组织的先验图谱，构建了丘脑体素水平的全局连接特征，降低特征的维度从而减少了噪声；其次，结合大脑的三维空间结构信息，构建基于测地距离的丘脑相似度矩阵，更有效地利用了特征的信息；最后提出一种归一化割谱聚类的方法来结合丘脑体素相似度信息对体素进行聚类，与传统方法相比，本发明提出的方法能更有效的降低静息态磁共振图像的噪声影响，提取出高质量的特征，生成精确有效的丘脑核团分区。
Description
技术领域
本发明涉及一种丘脑核团分区方法，具体涉及一种基于全局连接特征和测地距离的丘脑核团分区方法，属于数字图像技术领域。
背景技术
丘脑是人体间脑中最大的卵圆形灰质核团。在大脑皮层不发达的动物中，丘脑是感觉的最高级中枢；在大脑皮层发达的动物中，是最重要的感觉传递中继站，来自全身的各种感觉(除嗅觉)的传导均需通过丘脑才能到达皮质区域。丘脑的机能失调会牵连生理和神经的失调。在细胞结构水平上，丘脑能分为几个亚区，每个亚区都与皮层有不同的连接，因此对丘脑的不同分割能加深对丘脑功能的理解和其与生理神经失调的联系。功能性磁共振成像(fMRI，functional Magnetic Resonance Imaging)是一种神经影像学技术。其原理是利用磁振造影来测量神经元活动所引发之血液动力的改变。由于fMRI 的非侵入性和其较少的辐射暴露量，从1990年代开始其就在脑部功能定位领域占有了重要地位。同时研究者还发现人在处于休息、放松状态下的自发的、不间断的脑活动同样可以用来研究神经系统。1995年，Biswal等最先报告了第一个静息态功能磁共振成像研究。Biswal等人的研究发现人类受试者左右两侧感觉运动皮层在静息态时的fMRI血氧水平信号(BOLD)存在很高的相关性。人脑在静息态时的脑活动，被认为是一种不间断的、自发的脑活动。因此，通常认为静息态脑活动与动物电生理研究中的不间断的脑活动有着密切联系。
MRI技术是对活体脑结构进行分区的一个强有力工具，因为它能提供解剖上和功能上的微观信息。对fMRI来说，将皮层分为基于功能连接性的分区是有必要的，而rs-fMRI是一种非常有效地工具来非侵入式地刻画出自发的和内在的具有高度敏感性的功能连接性。Rs-fMRI数据根据血氧浓度相依对比(Blood oxygen-level dependent,BOLD)来反映大脑活动情况。特征指大脑的功能连接，通常使用相关性来分析大脑的功能连接，功能连接也就是度量空间上分离的脑区时间上的相关性，即脑区间是否存在连接关系以及连接关系的强弱。传统方法中使用rs-fMRI方式对丘脑分区主要是利用基于功能连接性的先验种子点的方式，这种方式需要对皮层有先验的分区知识，目前已知的皮层模板有AutomatedAnatomical Labeling(AAL)模板，Harvard-Oxford(HO)模板等，Fan 等使用丘脑体素之间的时间序列相关性作为特征对丘脑聚类，但是也只使用了丘脑体素的局部信息而没有考虑丘脑与皮层脑区之间的连接性。
丘脑rs-fMRI数据的局部特征就是指丘脑体素自身的时间序列信息。虽然依靠局部特征也能进行无监督聚类，但是还要考虑丘脑结构的特点，即丘脑是人体神经系统的中继并且绝大部分皮层都与丘脑有联系。本文提出的全局连接特征不仅仅依赖丘脑自身的时间序列信息，而且有效利用了丘脑体素与全脑皮质间的时间序列上的相关性。
人体的rs-fMRI数据是三维的，空间的每个点代表了真实的一个体素。因此对人脑rs-fMRI进行分析需要考虑到它的空间结构，以及空间点与点之间的联系。因此，本文提出基于测地距离的图结构，测地距离相较传统的图结构距离定义能更好的反映空间信息。
发明内容
本发明正是针对现有技术中存在的技术问题，提供了一种基于全局连接特征和测地距离的丘脑核团分区方法，本发明提出的方法具有较好的鲁棒性，提取出的全局特征也尽量减小rs-fMRI数据噪声的影响，对丘脑核团进行了有效地分区，有利于进一步地揭示大脑的功能特性和协助临床神经精神疾病的治疗。
为了实现上述发明目的，本发明采用的技术方案为一种基于全局连接特征和测地距离的丘脑核团分区方法，该方法结合大脑组织先验图谱从静息态磁共振图像上提取出全脑体素的时间序列信息，定义丘脑-皮层的全局连接特征，在得到初始特征矩阵以后，采用一种基于测地距离的图结构构建方法，计算出丘脑体素水平的相似度矩阵，最后将体素聚类到不同的核团分区中。
一种基于全局连接特征和测地距离的丘脑核团分区方法，所述方法包括以下步骤：
(1)计算丘脑到皮层脑区的全局连接特征；
(2)基于测地距离构建丘脑体素图结构；
(3)归一化割谱聚类过程。
进一步地，步骤(1)中所述的计算全局连接特征处理操作具体为：
先从大脑静息态磁共振图像中得到全脑体素的时间序列，结合大脑组织先验图谱分别得到丘脑体素的时间序列以及其余脑区的平均时间序列，然后计算丘脑体素水平的丘脑- 皮层全局连接特征。包括以下三个步骤：
11)提取全脑体素时间序列：本文采用的大脑组织先验图谱是AAL(自动解剖标注)图谱，AAL模板一共定义了116个区域，但只有90个属于大脑，其余26个属于小脑结构，为减少噪声，本文除去了小脑结构区域。AAL模板中左丘脑的标注为77，在 AAL模板中寻找标注77的体素点(x1，x2，x3，…，xn)，那么对应在四维静息态磁共振图像中的体素点(x1，x2，x3，…，xn)对应的第四维数据就是当前体素点的时间序列；
12)定义连接特征：在静息态磁共振图像的分析中，常用时间序列的相关性表示大脑区域的功能连接性，本文选择皮尔逊相关系数来计算时间序列的相关性，皮尔逊相关系数的计算公式为
x(n)，y(n)分别为两段时间序列，μ和σ代表时间序列的平均值和标准差，相关性系数的绝对值不大于1，越接近1表示相关性越高，越接近0表示越不相关。
13)计算丘脑的全局连接特征：假设AAL模板下丘脑区域有N个体素，则需要得到维度为N*M的特征矩阵，脑区数目M为88(除去小脑26个区域以及左右丘脑两个区域)，同一脑区的体素点时间序列求平均得到当前脑区的平均时间序列，丘脑体素点时间序列与脑区平均时间序列作皮尔逊相关，得到的相关系数即为当前丘脑体素点的全局连接特征。
进一步地，步骤(2)中所述的基于测地距离构建丘脑图结构处理操作具体为：依据大脑结构的三维特性，构建三维图结构，然后融合测地距离得到更精确的丘脑空间图结构。包括以下三个步骤：
21)丘脑空间图结构构建：假设图G代表丘脑空间图结构，G＝(V，E)，V是丘脑体素点的集合，E是边集。为了减小静息态磁共振图像数据噪声的影响，图上的每个体素点只与其邻域内的体素相连，用ε表示定义的邻域半径，那么图的邻接矩阵元素的定义为
其中aij表示邻接矩阵的元素值，Sij表示对应两点间的特征距离，本文采用欧氏距离来表示两个体素点间的特征距离，E为无向相似度图的边集，vi，vj属于无向相似度图的顶点集，ε为定义的邻域半径。
22)基于测地距离改进图结构：考虑到欧式距离在空间分析中的局限性，空间两点间特征的测地距离比欧氏距离更能反映空间拓扑结构，因此对矩阵做进一步的改进，之前图中顶点间的边的权值是两个体素点间全局特征的欧式距离，那么将边上权值改为测地距离就能更精确地表示出图的空间结构。测地距离的计算公式为
i，j表示空间的两点，P(x)>0为权重函数，也就是传统算法里面的特征的欧式距离，γ(t)包含了从点i到点j的所有可能路径。
23)计算丘脑相似度矩阵：本文采用高斯核函数来定义丘脑两个体素间的相似度，相似度的定义为
xi，xj表示点i和j的特征，σ表示高斯核的大小。
进一步地，步骤(3)中所述的归一化割谱聚类处理操作具体为：聚类的目的是将丘脑的体素点分离为几个不同的组，并且在同一组里的点彼此相似，不同组里的点彼此不相似。在得到了丘脑的相似度矩阵之后，丘脑体素的聚类问题就可以转化为对相似度图的分割问题：找出图的一个分割，使被分为不同组的点之间相似度和尽量小，被分为同一组的点之间相似度和和尽量大。包括以下五个步骤：
31)得到丘脑体素相似度矩阵以及目标聚类数目k，丘脑体素聚类数目一般在5到15左右。
32)重建相似度图，得到图的带权邻接矩阵W
33)计算出图的拉普拉斯矩阵L，对于一个给定的有n个顶点的图G＝(V，E)，其拉普拉斯矩阵被定义为：
L＝D-W
其中D为图的度矩阵，W为图的邻接矩阵；
34)计算广义特征值问题Lv＝λDv的前k个特征向值(按从小到大的顺序)以及对应的特征向量
35)把这k个特征(列)向量排列在一起组成一个n*k的矩阵，将其中每一行看作k维空间中的一个向量，并使用K-means算法进行聚类；聚类的结果中每一行所属的类别就是原来图中的点亦即最初的n个数据点分别所属的类别。
相对于现有技术，本发明的创新点如下：丘脑是人体中枢神经系统非常重要的一个结构，本文改进了以往传统的基于静息态数据的丘脑分区算法，以丘脑体素与皮质之间的时间序列相关性作为特征，融合了邻域信息和测地距离构建图结构作为聚类的相似度矩阵，并使用归一化割方法对相似度矩阵进行聚类；本发明提出的方法具有下列优点：1) 基于静息态功能磁共振数据，相比传统解剖手段能够无创地提取大脑的功能连接特征；2) 算法具有较好的鲁棒性，在不同的个体上能够得到较为一致的丘脑核团分区结果；3)提出一种全新的全局连接特征计算方法，减少了静息态功能磁共振数据噪声的影响；4)使用归一化割谱聚类算法对丘脑核团进行了有效地分区，精准的分区对于治疗如阿兹海默症，帕金森症，癫痫等多种疾病在内的神经疾病具有重要作用。
附图说明
图1为本发明的实施流程图；
图2为本发明提出方法的丘脑核团生成结果。
具体实施方式
下面对本发明技术方案结合附图和实施例进行详细说明。
实施例1：参见图1，一种基于全局连接特征和测地距离的丘脑核团分区方法，具体过程为：
(1)从大脑先验图谱中提取出全脑体素的标注信息和标准空间坐标值，再从大脑静息态磁共振图像中得到全脑体素的对应时间序列信息。本文采用的大脑组织先验图谱是AAL (自动解剖标注)图谱，AAL模板一共定义了116个区域，但只有90个属于大脑，其余 26个属于小脑结构，为减少噪声，本文除去了小脑结构区域。如AAL模板中左丘脑的标注为77，在AAL模板中寻找标注77的体素点(x1，x2，x3，…，xn)，那么对应在四维静息态磁共振图像中的体素点(x1，x2，x3，…，xn)对应的第四维数据就是当前体素点的时间序列；
假设AAL模板下丘脑区域有N个体素，则需要得到维度为N*M的特征矩阵，脑区数目M为88(除去小脑26个区域以及左右丘脑两个区域)，同一脑区的体素点时间序列求平均得到当前脑区的平均时间序列，丘脑体素点时间序列与脑区平均时间序列作皮尔逊相关，得到的相关系数即为当前丘脑体素点的全局连接特征。
(2)根据丘脑原始特征矩阵和丘脑体素点的标准空间坐标信息构建三维空间图结构，假设图G代表丘脑空间图结构，G＝(V,E)，V是丘脑体素点的集合，E是边集。为了减小静息态磁共振图像数据噪声的影响，图上的每个体素点只与其邻域内的体素相连，用ε表示定义的邻域半径，那么图的邻接矩阵元素的定义为
其中aij表示邻接矩阵的元素值，Sij表示对应两点间的特征距离，本文采用欧氏距离来表示两个体素点间的特征距离，E为无向相似度图的边集，vi，vj属于无向相似度图的顶点集，ε为定义的邻域半径。
融合测地距离改进丘脑体素图结构，将图中边的权值定义从结点特征值的欧式距离改进为测地距离，测地距离的计算公式为：
i，j表示空间的两点，P(x)>0为权重函数，也就是传统算法里面的特征的欧式距离，γ(t)包含了从点i到点j的所有可能路径。
跟据改进后的丘脑体素图结构，利用高斯核函数来定义图中两个结点之间的相似度，高斯核函数定义为：
xi，xj表示点i和j的特征，σ表示高斯核的大小。
(3)采用归一化割谱聚类(NCUT)方法对丘脑体素相似度矩阵进行聚类分析，NCUT包括以下五个步骤：
31)得到丘脑体素相似度矩阵S以及目标聚类数目k，丘脑体素聚类数目一般在5到10左右。
32)重建相似度图，得到图的带权邻接矩阵W；
33)计算出图的拉普拉斯矩阵L，对于一个给定的有n个顶点的图G＝(V，E)，其拉普拉斯矩阵被定义为
L＝D-W；
其中D为图的度矩阵，W为图的邻接矩阵。
34)计算广义特征值问题Lv＝λDv的前k个特征向值(按从小到大的顺序)以及对应的特征向量
35)把这k个特征(列)向量排列在一起组成一个n*k的矩阵，将其中每一行看作k维空间中的一个向量，并使用K-means算法进行聚类。聚类的结果中每一行所属的类别就是原来图中的点亦即最初的n个数据点分别所属的类别。
应用实施例：
下面以人类连接组计划项目(HCP)为例，来说明本发明的基于全局连接特征和测地距离的丘脑核团分区方法。
实验条件：现选取一台计算机进行实验，该计算机的配置有Intel(R)处理器(3.4GHz) 和32GB随机存取存储器(RAM)，64位操作系统，编程语言用的是Matlab(R2015a版本)。
实验数据为人类连接组计划项目数据中的100Unrelated Subjcets的前十个个体的大脑静息态磁共振图像。每个MRI图像包括91*109*91个大小为2mm*2mm*2mm的体素。实验参数选取聚类数目为K＝3,4,5,6,7。图2(a)-(e)分别为聚类数目3-7的结果。表1为10例静息态磁共振图像的丘脑核团分区戴斯系数比较，表2为5例不同聚类数目下的丘脑核团分区结果的核团相似度与基于局部特征传统方法结果的比较。
表1
表2
该方法基于静息态功能磁共振数据，相比传统解剖手段能够无创地提取大脑的功能连接特征；该方案使用归一化割谱聚类算法对丘脑核团进行了有效地分区，精准的分区对于治疗如阿兹海默症，帕金森症，癫痫等多种疾病在内的神经疾病具有重要作用。
需要说明的是上述实施例仅仅是本发明的较佳实施例，并没有用来限定本发明的保护范围，在上述技术方案的基础上做出的等同替换或者替代，均属于本发明的保护范围。
Claims (5)
1.一种基于全局连接特征和测地距离的丘脑核团分区方法，其特征在于：
所述方法包括以下步骤：
(1)计算丘脑到皮层脑区的全局连接特征；
(2)基于测地距离构建丘脑体素图结构；
(3)归一化割谱聚类过程。
2.根据权利要求1所述的基于全局连接特征和测地距离的丘脑核团分区方法，其特征在于，步骤(1)中所述计算丘脑到皮层脑区全局连接特征，具体如下：
先从大脑静息态磁共振图像中得到全脑体素的时间序列，结合大脑组织先验图谱分别得到丘脑体素的时间序列以及其余脑区的平均时间序列，然后计算丘脑体素水平的丘脑-皮层全局连接特征，具体包括以下三个步骤：
11)提取全脑体素时间序列：根据大脑组织先验图谱提取出全脑体素的分区标注信息和标准空间坐标值，再从静息态磁共振图像中提出体素点的时间序列；
12)定义连接特征：连接特征由时间序列的相关性定义，使用皮尔逊相关系数来计算时间序列的相关性，皮尔逊相关系数的计算公式为
x(n)，y(n)分别为两段时间序列，μ和σ代表时间序列的平均值和标准差；
13)计算丘脑的全局连接特征：丘脑体素点时间序列与脑区平均时间序列作皮尔逊相关，得到的相关系数即为当前丘脑体素点的全局连接特征。
3.根据权利要求1所述的基于全局连接特征和测地距离的丘脑核团分区方法，其特征在于，所述步骤(2)中基于测地距离构建图结构具体如下：
依据大脑结构的三维特性，构建三维图结构，然后融合测地距离得到更精确的丘脑空间图结构，具体包括以下三个步骤：
21)丘脑空间图结构构建：用ε表示定义的邻域半径，图上的每个体素点只与其邻域内的体素相连，那么图的邻接矩阵元素的定义为
其中aij表示邻接矩阵的元素值，Sij表示对应两点间的特征距离，采用欧氏距离来表示两个体素点间的特征距离，E为无向相似度图的边集，vi，vj属于无向相似度图的顶点集，ε为定义的邻域半径；
22)基于测地距离改进图结构：将边上权值改为体素点间的测地距离，测地距离的计算公式为
i，j表示空间的两点，P(x)>0为权重函数，即传统算法里面的特征的欧式距离，γ(t)包含了从点i到点j的所有可能路径；
23)计算丘脑相似度矩阵：采用高斯核函数来定义丘脑两个体素间的相似度，相似度的定义为
xi，xj表示点i和j的特征，σ表示高斯核的大小。
4.根据权利要求1所述的基于全局连接特征和测地距离的丘脑核团分区方法，其特征在于，步骤(3)中所述的归一化割谱聚类操作具体为：
在得到了丘脑的相似度矩阵之后，对矩阵做归一化割谱聚类，包括以下五个步骤：
31)得到丘脑体素相似度矩阵以及目标聚类数目k，丘脑体素聚类数目为5—10；
32)根据步骤(2)得到的丘脑相似度矩阵，以及依据测地距离改进后的丘脑体素图结构，可以构建出丘脑的基于图结构的带权邻接矩阵W；
33)计算出图的拉普拉斯矩阵L，对于一个给定的有n个顶点的图G＝(V，E)，其拉普拉斯矩阵被定义为：
L＝D-W；
其中D为图的度矩阵，W为图的邻接矩阵；
34)计算广义特征值问题Lv＝λDv的前k个特征值和特征向量，按从小到大的顺序，依次排列以及对应的特征向量
35)把这k个特征(列)向量排列在一起组成一个n*k的矩阵，将其中每一行看作k维空间中的一个向量，并使用K-means算法进行聚类，聚类的结果中每一行所属的类别就是原来图中的点亦即最初的n个数据点分别所属的类别。
5.根据权利要求1所述的基于全局连接特征和测地距离的丘脑核团分区方法，其特征在于，所述步骤13)计算丘脑的全局连接特征具体如下，在选定的大脑皮层功能分区基础上，通过rsfMRI数据可以获得丘脑体素的时间序列，以及每个皮层分区的平均时间序列。然后，逐个计算丘脑体素的时间序列与每个皮层的时间序列的相关性，获得体素到每个皮层分区的功能连接。最后，可以得到左右丘脑每个体素到所有皮层分区的全局功能连接特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810351078.6A CN108596236A (zh) | 2018-04-18 | 2018-04-18 | 一种基于全局连接特征和测地距离的丘脑核团分区方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810351078.6A CN108596236A (zh) | 2018-04-18 | 2018-04-18 | 一种基于全局连接特征和测地距离的丘脑核团分区方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108596236A true CN108596236A (zh) | 2018-09-28 |
Family
ID=63611214
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810351078.6A Pending CN108596236A (zh) | 2018-04-18 | 2018-04-18 | 一种基于全局连接特征和测地距离的丘脑核团分区方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108596236A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110236544A (zh) * | 2019-05-29 | 2019-09-17 | 中国科学院重庆绿色智能技术研究院 | 基于相关系数的中风灌注成像病变区域检测系统及方法 |
| CN110599461A (zh) * | 2019-08-21 | 2019-12-20 | 东南大学 | 一种基于子空间特征学习的丘脑功能分区方法 |
| CN111161226A (zh) * | 2019-12-20 | 2020-05-15 | 西北工业大学 | 一种基于谱聚类算法的大脑皮层表面的均匀分割方法 |
| CN113159280A (zh) * | 2021-03-23 | 2021-07-23 | 出门问问信息科技有限公司 | 一种六轴传感信号的转换方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106023194A (zh) * | 2016-05-18 | 2016-10-12 | 西安交通大学 | 基于静息态功能连接的杏仁核谱聚类分割方法 |
| CN106203511A (zh) * | 2016-06-12 | 2016-12-07 | 湘潭大学 | 一种图像相似块评估方法 |
| CN106295709A (zh) * | 2016-08-18 | 2017-01-04 | 太原理工大学 | 基于多尺度脑网络特征的功能磁共振影像数据分类方法 |
| CN106919950A (zh) * | 2017-01-22 | 2017-07-04 | 山东大学 | 概率密度加权测地距离的脑部mr图像分割方法 |
| CN107146228A (zh) * | 2017-03-22 | 2017-09-08 | 东南大学 | 一种基于先验知识的大脑磁共振图像超体素生成方法 |
-
2018
- 2018-04-18 CN CN201810351078.6A patent/CN108596236A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106023194A (zh) * | 2016-05-18 | 2016-10-12 | 西安交通大学 | 基于静息态功能连接的杏仁核谱聚类分割方法 |
| CN106203511A (zh) * | 2016-06-12 | 2016-12-07 | 湘潭大学 | 一种图像相似块评估方法 |
| CN106295709A (zh) * | 2016-08-18 | 2017-01-04 | 太原理工大学 | 基于多尺度脑网络特征的功能磁共振影像数据分类方法 |
| CN106919950A (zh) * | 2017-01-22 | 2017-07-04 | 山东大学 | 概率密度加权测地距离的脑部mr图像分割方法 |
| CN107146228A (zh) * | 2017-03-22 | 2017-09-08 | 东南大学 | 一种基于先验知识的大脑磁共振图像超体素生成方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张怀涛: "基于测地距离的多图组合半监督学习" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110236544A (zh) * | 2019-05-29 | 2019-09-17 | 中国科学院重庆绿色智能技术研究院 | 基于相关系数的中风灌注成像病变区域检测系统及方法 |
| CN110599461A (zh) * | 2019-08-21 | 2019-12-20 | 东南大学 | 一种基于子空间特征学习的丘脑功能分区方法 |
| CN111161226A (zh) * | 2019-12-20 | 2020-05-15 | 西北工业大学 | 一种基于谱聚类算法的大脑皮层表面的均匀分割方法 |
| CN113159280A (zh) * | 2021-03-23 | 2021-07-23 | 出门问问信息科技有限公司 | 一种六轴传感信号的转换方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Islam et al. | Brain tumor detection in MR image using superpixels, principal component analysis and template based K-means clustering algorithm | |
| Jie et al. | Sub-network kernels for measuring similarity of brain connectivity networks in disease diagnosis | |
| 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 | |
| Bhatele et al. | Brain structural disorders detection and classification approaches: a review | |
| ShanmugaPriya et al. | Efficient fuzzy c-means based multilevel image segmentation for brain tumor detection in MR images | |
| KR20170046104A (ko) | 질환 모델 기반의 의료 정보 서비스 제공 방법 및 장치 | |
| WO2022121100A1 (zh) | 一种基于darts网络的多模态医学图像融合方法 | |
| CN110298364B (zh) | 面向功能性脑网络的多阈值下基于多任务的特征选择方法 | |
| Tun et al. | Feature extraction and classification of lung cancer nodule using image processing techniques | |
| Ramasamy et al. | Segmentation of brain tumor using deep learning methods: a review | |
| CN112700876A (zh) | 一种包含高阶信息的脑功能网络构建方法 | |
| Alagarsamy et al. | A novel technique based on artificial bee colony for MR brain image segmentation | |
| CN112863664A (zh) | 基于多模态超图卷积神经网络的阿尔茨海默病分类方法 | |
| Li et al. | A novel feature extraction approach based on neighborhood rough set and PCA for migraine rs-fMRI | |
| Damayanti et al. | Corpus callosum segmentation from brain MRI images based on level set method | |
| Alagarsamy et al. | Identification of Brain Tumor using Deep Learning Neural Networks | |
| Saraswathi et al. | Brain tumor segmentation and classification using self organizing map | |
| Zhang et al. | Transformer-Based Multimodal Fusion for Early Diagnosis of Alzheimer's Disease Using Structural MRI And PET | |
| CN103886580A (zh) | 肿瘤图像处理方法 | |
| Kumar et al. | Medical image fusion based on type-2 fuzzy sets with teaching learning based optimization | |
| Gopika et al. | Hybrid approach for the brain tumors detection & segmentation using artificial bee colony optimization with FCM | |
| Angulakshmi et al. | Walsh Hadamard kernel‐based texture feature for multimodal MRI brain tumour segmentation | |
| CN113283465B (zh) | 一种弥散张量成像数据分析方法及装置 | |
| Cheng et al. | Functional parcellation of the hippocampus by clustering resting state fMRI signals | |
| Qi et al. | Detection of brain tumour in 2D MRI: implementation and critical review of clustering-based image segmentation methods. |
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: 20180928 |