CN110689536A - 基于多模态磁共振影像的大脑灰质及白质追踪方法及装置 - Google Patents
基于多模态磁共振影像的大脑灰质及白质追踪方法及装置 Download PDFInfo
- Publication number
- CN110689536A CN110689536A CN201910938159.0A CN201910938159A CN110689536A CN 110689536 A CN110689536 A CN 110689536A CN 201910938159 A CN201910938159 A CN 201910938159A CN 110689536 A CN110689536 A CN 110689536A
- Authority
- CN
- China
- Prior art keywords
- image
- brain
- magnetic resonance
- matter
- tracking
- 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
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 94
- 210000004884 grey matter Anatomy 0.000 title claims abstract description 69
- 210000004885 white matter Anatomy 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000009792 diffusion process Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 17
- 239000000835 fiber Substances 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 230000004886 head movement Effects 0.000 claims description 7
- 230000003902 lesion Effects 0.000 claims description 7
- 210000005013 brain tissue Anatomy 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 210000003625 skull Anatomy 0.000 claims description 4
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 210000001519 tissue Anatomy 0.000 claims description 3
- 239000013013 elastic material Substances 0.000 claims 1
- 238000002598 diffusion tensor imaging Methods 0.000 abstract description 14
- 238000000491 multivariate analysis Methods 0.000 abstract description 7
- 208000010877 cognitive disease Diseases 0.000 description 13
- 208000027061 mild cognitive impairment Diseases 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 8
- 210000003128 head Anatomy 0.000 description 6
- 238000012880 independent component analysis Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 238000012353 t test Methods 0.000 description 5
- 101150097524 Mccc1 gene Proteins 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000000692 Student's t-test Methods 0.000 description 3
- 230000002490 cerebral effect Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 206010003694 Atrophy Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000037444 atrophy Effects 0.000 description 2
- 210000001320 hippocampus Anatomy 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 210000000877 corpus callosum Anatomy 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000004399 eye closure Effects 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000005415 magnetization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 210000002804 pyramidal tract Anatomy 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000542 thalamic effect Effects 0.000 description 1
- 210000001103 thalamus Anatomy 0.000 description 1
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于多模态磁共振影像的大脑灰质及白质追踪方法及装置。方法包括：获取样本人群的脑影像数据，得到结构磁共振图像和弥散张量图像；对结构磁共振图像、弥散张量图像进行预处理，得到大脑灰质图像、部分各向异性系数图像；对大脑灰质图像和部分各向异性系数图像进行融合，实现大脑灰质及白质追踪。本发明采用多变量分析方法对多模态磁共振图像(结构磁共振图像以及弥散张量图像)进行融合，解决了现有技术中使用单变量方法对结构磁共振影像或弥散张量成像数据这些单一模态磁共振数据进行分析导致一些隐藏的联合信息被忽略，分析不全面的技术问题，从而提供一种数据更丰富、分析更全面、结果更准确的大脑灰质及白质追踪方法和装置。
Description
技术领域
本发明涉及图像处理技术领域，尤其是涉及一种基于多模态磁共振影像的大脑灰质及白质追踪方法及装置。
背景技术
MCI：Mild Cognitive Impairment，轻度认知障碍。
HC：Healthy Control，健康对照。
GM：Grey Matter，灰质，是中枢神经系统的重要组成部分，对信息进行深入处理。
GMV：Grey Matter Volume，灰质体积。
WM：White Matter，白质，控制着神经元共享的讯号，协调脑区之间的正常运作。
MRI：Magnetic Resonance Imaging，磁共振成像，简称磁共振。
sMRI：Structural Magnetic Resonance Imaging，结构磁共振成像，可以用来评估每个体素上灰质的局部浓度或体积的变化，从而反映相应解剖结构的变化。
DTI：Diffusion Tensor Imaging，弥散张量成像，可以从中提取出部分各向异性系数等参数来反映白质纤维束的走向和连接等解剖信息。
FA：Fractional Anisotropy，部分各向异性系数。
CCA：Canonical Correlation Analysis，典型相关分析，一种多变量分析方法。
ICA：Independent Component Analysis，独立成分分析，一种多变量分析方法。
mCCA：multimodal Canonical Correlation Analysis，多模态典型相关分析，一种多变量分析方法，可用于多种模态数据进行融合分析。
jICA：joint Independent Component Analysis，联合独立成分分析，一种多变量分析方法，可用于对多种模态数据进行融合分析。
mCCA-jICA：multimodal Canonical Correlation Analysis-joint IndependentComponent Analysis，多模态典型相关分析-联合独立成分分析，一种多变量分析方法，结合了典型相关分析以及独立成分分析两种方法，对多模态数据进行融合分析。
轻度认知障碍是介于正常衰老和痴呆之间的一种中间状态，会导致患者认知能力轻微而显著的下降，其中包括记忆和思维能力。结构核磁共振是一种神经影像类型，可以显示大脑的解剖结构，常用于分析大脑灰质结构信息；弥散张量成像则可以反映大脑的纤维束弥散相关信息，常用于研究大脑白质的纤维束。利用结构磁共振影像以及弥散张量成像技术，这些不同模态的数据可以表征轻度认知障碍引起的大脑灰质与白质的形态差异变化。
如今，关于轻度认知障碍相关的灰质以及白质研究大多是使用单变量方法来分析单一模态的影像数据，这些传统方法有感兴趣区域、基于体素的形态测量法和基于纤维束示踪的空间统计方法。利用这些方法，可以对结构磁共振影像或弥散张量成像数据单独进行分析，确定灰质体积变化脑区以及大脑白质纤维束的萎缩状况。然而针对单一数据模态的分析方法无法揭示结构磁共振影像以及弥散张量成像联合提供的隐藏信息，忽略了多个模态之间隐藏的联合信息。这些隐藏的联合信息非常重要，它可以揭示灰质与白质的变化是如何相互作用的，从而更全面地展示轻度认知障碍患者大脑的结构异常，确定这一疾病的大脑神经标记物，为临床上这一疾病的诊断评估做出贡献。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的是提供一种基于多模态磁共振影像的大脑灰质及白质追踪方法及装置，能够对多模态磁共振图像(结构磁共振图像以及弥散张量图像)进行处理、融合，实现大脑灰质及白质追踪。
本发明所采用的技术方案是：
第一方面，本发明提供一种基于多模态磁共振影像的大脑灰质及白质追踪方法，包括以下步骤：
获取样本人群的脑影像数据，得到多模态磁共振图像，所述多模态磁共振图像包括结构磁共振图像和弥散张量图像；
对所述结构磁共振图像进行预处理，得到大脑灰质图像；
对所述弥散张量图像进行预处理，得到部分各向异性系数图像，所述部分各向异性系数图像中包含有大脑白质纤维束信息；
对所述大脑灰质图像和所述部分各向异性系数图像进行融合，实现大脑灰质及白质追踪。
进一步地，所述步骤对所述结构磁共振图像进行预处理，得到大脑灰质图像具体包括：
对所述结构磁共振图像进行分割，得到初步大脑灰质图像、大脑白质图像和脑脊液图像；
对所述初步大脑灰质图像进行标准化；
将标准化后的大脑灰质图像利用半高全宽高斯核进行平滑，得到大脑灰质图像。
进一步地，所述步骤对所述弥散张量图像进行预处理，得到部分各向异性系数图像具体包括：
对所述弥散张量图像进行涡流校正和头动校正；
移除涡流校正和头动校正后的弥散张量图像中大脑以外的组织，提取大脑组织图像；
对所述大脑组织图像进行张量拟合，得到初步部分各向异性系数图像；
对所述初步部分各向异性系数图像进行标准化，得到部分各向异性系数图像。
进一步地，所述步骤获取样本人群的脑影像数据之前还包括步骤：
对被试人群进行头颅磁共振扫描，筛选无器质性病变的被试人群的脑影像数据，作为样本人群的脑影像数据。
进一步地，所述被试人群的头部与扫描设备的间隙具有弹性物质。
进一步地，所述被试人群的耳部佩戴有隔音耳塞。
第二方面，本发明提供一种基于多模态磁共振影像的大脑灰质及白质追踪装置，包括：
获取模块，用于获取样本人群的脑影像数据，得到多模态磁共振图像，所述多模态磁共振图像包括结构磁共振图像和弥散张量图像；
第一处理模块，用于对所述结构磁共振图像进行预处理，得到大脑灰质图像；
第二处理模块，用于对所述弥散张量图像进行预处理，得到部分各向异性系数图像，所述部分各向异性系数图像中包含有大脑白质纤维束信息；
融合模块，用于对所述大脑灰质图像和所述部分各向异性系数图像进行融合，实现大脑灰质及白质追踪。
进一步地，所述装置还包括：
筛选模块，用于对被试人群进行头颅磁共振扫描，筛选无器质性病变的被试人群的脑影像数据，作为样本人群的脑影像数据。
本发明的有益效果是：
本发明通过采用一种多变量分析方法对多模态磁共振图像(结构磁共振图像以及弥散张量图像)进行融合，解决了现有技术中使用单变量方法对结构磁共振影像或弥散张量成像数据这些单一模态磁共振数据进行分析导致一些隐藏的联合信息被忽略，分析不全面的技术问题，从而提供了一种数据更丰富、分析更全面、结果更准确的大脑灰质及白质追踪方法和装置。
附图说明
图1是本发明中基于多模态磁共振影像的大脑灰质及白质追踪方法的一实施例的流程示意图；
图2是本发明中存在显著组间差异的灰质成分对应的混合系数散点图；
图3是本发明中存在显著组间差异的白质成分对应的混合系数散点图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了一种基于多模态磁共振影像的大脑灰质及白质追踪方法，如图1所示，该方法包括以下步骤：
S1.对被试人群进行头颅磁共振扫描，筛选无器质性病变的被试人群的脑影像数据，作为样本人群的脑影像数据。
S2.获取样本人群的脑影像数据，得到多模态磁共振图像，多模态磁共振图像包括结构磁共振图像和弥散张量图像；
S3.对结构磁共振图像进行预处理，得到大脑灰质图像；
S4.对弥散张量图像进行预处理，得到部分各向异性系数图像，部分各向异性系数图像中包含有大脑白质纤维束信息；
S5.对大脑灰质图像和部分各向异性系数图像进行融合，实现大脑灰质及白质追踪。
具体地，
步骤S1：采用Magnetom Verio3.0T超导型磁共振成像仪和标准EPI功能头线圈进行脑影像数据采集。采集数据前对被试人群进行常规头颅磁共振平扫，排除有器质性病变的被试人群，采集剩余的被试人群的脑影像数据作为样本人群的脑影像数据。
优选地，采集过程中，为了降低被试人群头部移动所产生的影响，被试人群的头部和头部扫描线圈的间隙添加了弹性物质，例如海绵软垫；为了降低噪音对被试人群的影响，用隔音耳塞填充被试人群的耳朵，并告知其闭眼，放松心情，不要进行任何思维活动并保持安静、清醒的状态(且不可睡着)。
具体扫描参数如下：(1)结构磁共振图像：采用三维解剖像，磁化准备快速梯度回波序列，矢状位扫描，TR/TE＝1900ms/2.22ms，FOV＝250mm×250mm，层厚＝1mm，分辨率＝256×256×168，翻转角度＝9°，层数＝176；(2)弥散张量成像：弥散敏感梯度沿30个非共线方向(b＝1000s/mm2)分布，另有一次采集无弥散权重(b＝0s/mm2)，TR/TE＝6800ms/93ms，FOV＝240mm×240m，层厚＝3mm，层数＝46。
步骤S2：获取步骤S1中采集的样本人群的脑影像数据，得到多个sMRI图像(即结构磁共振图像)和多个DTI图像(即弥散张量图像)。
步骤S3：对多个sMRI图像进行预处理，得到灰质图像，具体包括：
步骤S31：将每个被试者的结构磁共振图像分割为初步GM图像即初步大脑灰质图像、大脑白质图像以及脑脊液图像；
步骤S32：对分割出来的初步GM图像进行标准化；
步骤S33：将标准化后的GM图像利用半高全宽高斯核进行平滑，得到GM图像。
步骤S4：对DTI图像进行预处理，得到部分各向异性系数图像，具体包括：
步骤S41：对弥散张量图像进行涡流校正和头动校正；
步骤S42：移除涡流校正和头动校正后的弥散张量图像中大脑以外的组织，提取大脑组织图像；
步骤S43：对大脑组织图像进行张量拟合，得到初步FA图像，即初步部分各向异性系数图像；
步骤S44：对初步FA图像进行标准化(与MNI空间对齐)，得到FA图像。
步骤S5：利用mCCA-jICA对GM图像和FA图像进行融合，实现大脑灰质及白质追踪。
具体的流程如下：
首先，以纳入分析的有两组人群为例，第一组：MCI患者即轻度认知障碍患者共99例，其中男性28例，女性71例，平均年龄为65.11±6.55岁；第二组：HC即健康对照有70例，其中男性26例，女性44例，平均年龄为64.64±5.76岁。对于采集到的上述两组人群的sMRI图像(即结构磁共振图像)以及DTI图像(即弥散张量图像)，将sMRI这一模态的数据堆叠成一个矩阵X1，矩阵的维度为：被试者数量×体素个数。其中，体素为构成大脑三维图像的最小单位，因此矩阵X1的每一行对应一个被试者的全脑三维图像数据的展开。同理，所有被试者的DTI这一模态的数据被堆叠成为另一个矩阵X2。
利用mCCA即多模态典型相关分析法，分别对两个矩阵X1和X2进行源分离，得到有代表性的典型变量B1、B2以及对应的源构成的矩阵C1、C2。其中，典型变量B1、B2间的相关关系可以反映X1以及X2之间的整体相关性，其维度为：被试者数量×成分个数；与典型变量B1、B2对应的C1、C2为全脑源信号构成的矩阵，维度为：成分个数×体素个数。由于mCCA分离出来的源可能仍包含一些真正的源的线性组合，因此需要将C1以及C2级联成为一个矩阵[C1，C2]后，利用jICA即联合独立成分分析法，再度进行源分离，得到系数矩阵D以及最终的源矩阵[S1，S2]。两个模态数据的混合系数矩阵A1以及A2由mCCA得到的典型变量B1、B2以及jICA得到的系数矩阵D计算得到。混合系数矩阵A1以及A2的维度为：被试者数量×成分个数，即对于每个成分而言，每个被试者包含一个混合系数。矩阵X1、X2、A1、A2、S1、S2、D以及典型变量B1、B2之间的关系如下：
X1＝A1×S1，X2＝A2×S2，A1＝B1×D，A2＝B2×D
后续的统计分析基于上述得到的混合系数矩阵A1以及A2进行。对于每个模态的每个成分而言，对两组被试(MCI以及HC)的混合系数进行双样本t检验分析。例如：对于sMRI的第一个成分，每个被试者会有一个混合系数，这些被试者分为MCI患者(99人)及HC(70人)，将这两组被试者的混合系数进行双样本t检验。在依次对sMRI以及DTI两个模态所有成分的混合系数都进行双样本t检验后，将得到的检验值p进行多重比较校正。以每一模态数据源分离得到的成分个数15为例，若某一成分在双样本t检验得到的p小于3.33×10-3(0.05/成分个数，即0.05/15)，则视这一成分为可以通过Bonferroni校正的成分，存在显著组间差异；若p大于3.33×10-3且小于0.05，则视这一成分在未校正的水平上存在组间差异。混合系数存在组间差异的成分称为组间判别成分，认为这一成分对应的脑区即为MCI患者与HC相比的差异脑区。若在同一个序数的成份中，两个模态的混合系数皆存在显著组间差异的话，这一成分称为联合组间判别成分，即两个模态对应这一序数的成分内的变化脑区是相关的，由此可以确定哪些脑区的灰质体积与白质纤维束的变化是相关的。
下面，仍以每一模态数据源分离得到的成分个数15为例，在对每个模态的所有成分对应的混合系数逐一进行双样本t检验后，如图2和图3所示，假设得到大脑灰质存在显著组间差异的成分为IC03、IC05、IC07和IC09，得到大脑白质存在显著组间差异的成分为IC03和IC09，这些成分对应的散点图分别如图2和图3所示，图2是存在显著组间差异的GM(灰质)成分对应的混合系数散点图，图3是存在显著组间差异的WM(白质)成分对应的混合系数散点图。
由上述对于混合系数的比较检验结果可知，大脑灰质存在显著组间差异的成分为4个，而大脑白质存在显著组间差异的成分为2个。这些成分对应的脑区即为MCI患者与HC健康对照相比的差异脑区，即MCI患者在这些脑区的灰质体积或白质纤维束与HC健康对照有显著变化。
一般情况下，轻度认知障碍患者的灰质体积较健康对照相比的差异区域主要有：丘脑、脑岛、中央前回、颞下回、颞中回、颞上回、梭状回、额中回、中央前回、尾状核、海马以及海马旁回。轻度认知障碍患者的白质纤维束较健康对照相比的差异区域主要有：胼胝体辐射线额部、皮质脊髓束、丘脑前束、上纵束以及扣带(海马)。除了可以查找轻度认知障碍患者与健康对照相比的差异区域外，还可以判断联合组间判别成分。判断方法为：结构磁共振图像以及弥散张量图像两种模态的成分(IC)有15个，如果在两种模态内存在显著组间差异的成分序号相同(参照图2和图3中的GM_IC03和WM_IC03，以及GM_IC09以及WM_IC09)，则称这个成分为联合组间判别成分，即IC03以及IC09为联合组间判别成分。联合组间判别成分中对应的脑区的灰质体积与白质纤维束的变化是相关的。
通过判断上述这些脑区的灰质体积或白质纤维束的变化，可以帮助医生对轻度认知障碍患者及早进行无创诊断，制定合适的治疗方案，防止疾病的进一步发展以及阿尔茨海默症的发生。
实施例二
本实施例提供了一种基于多模态磁共振影像的大脑灰质及白质追踪装置，包括：
筛选模块，用于对被试人群进行头颅磁共振扫描，筛选无器质性病变的被试人群的脑影像数据，作为样本人群的脑影像数据；
获取模块，用于获取样本人群的脑影像数据，得到多模态磁共振图像，多模态磁共振图像包括结构磁共振图像和弥散张量图像；
第一处理模块，用于对结构磁共振图像进行预处理，得到大脑灰质图像；
第二处理模块，用于对弥散张量图像进行预处理，得到部分各向异性系数图像，部分各向异性系数图像中包含有大脑白质纤维束信息；
融合模块，用于对大脑灰质图像和部分各向异性系数图像进行融合，实现大脑灰质及白质追踪。
基于多模态磁共振影像的大脑灰质及白质追踪装置的具体工作过程参照实施例一中对基于多模态磁共振影像的大脑灰质及白质追踪方法的描述，此处不再赘述。
本发明的基于多模态磁共振影像的大脑灰质及白质追踪方法及装置，同时利用了结构磁共振图像以及弥散张量图像两种模态的数据来研究分析大脑灰质和大脑白质纤维束，以及大脑灰质与大脑白质的变化是如何相互作用的。将该方法运用到轻度认知障碍患者的诊断评估中，可以更全面地展示轻度认知障碍患者大脑的结构异常，从而更容易确定轻度认知障碍患者大脑灰质体积变化区域以及大脑白质纤维束的萎缩区域，即确定这一疾病的大脑神经标记物，为临床上这一疾病的诊断评估做出贡献。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种基于多模态磁共振影像的大脑灰质及白质追踪方法，其特征在于，包括以下步骤：
获取样本人群的脑影像数据，得到多模态磁共振图像，所述多模态磁共振图像包括结构磁共振图像和弥散张量图像；
对所述结构磁共振图像进行预处理，得到大脑灰质图像；
对所述弥散张量图像进行预处理，得到部分各向异性系数图像，所述部分各向异性系数图像中包含有大脑白质纤维束信息；
对所述大脑灰质图像和所述部分各向异性系数图像进行融合，实现大脑灰质及白质追踪。
2.根据权利要求1所述的一种基于多模态磁共振影像的大脑灰质及白质追踪方法，其特征在于，所述步骤对所述结构磁共振图像进行预处理，得到大脑灰质图像具体包括：
对所述结构磁共振图像进行分割，得到初步大脑灰质图像、大脑白质图像和脑脊液图像；
对所述初步大脑灰质图像进行标准化；
将标准化后的大脑灰质图像利用半高全宽高斯核进行平滑，得到大脑灰质图像。
3.根据权利要求1所述的一种基于多模态磁共振影像的大脑灰质及白质追踪方法，其特征在于，所述步骤对所述弥散张量图像进行预处理，得到部分各向异性系数图像具体包括：
对所述弥散张量图像进行涡流校正和头动校正；
移除涡流校正和头动校正后的弥散张量图像中大脑以外的组织，提取大脑组织图像；
对所述大脑组织图像进行张量拟合，得到初步部分各向异性系数图像；
对所述初步部分各向异性系数图像进行标准化，得到部分各向异性系数图像。
4.根据权利要求1所述的一种基于多模态磁共振影像的大脑灰质及白质追踪方法，其特征在于，所述步骤获取样本人群的脑影像数据之前还包括步骤：
对被试人群进行头颅磁共振扫描，筛选无器质性病变的被试人群的脑影像数据，作为样本人群的脑影像数据。
5.根据权利要求4所述的一种基于多模态磁共振影像的大脑灰质及白质追踪方法，其特征在于，所述被试人群的头部与扫描设备的间隙具有弹性物质。
6.根据权利要求5所述的一种基于多模态磁共振影像的大脑灰质及白质追踪方法，其特征在于，所述被试人群的耳部佩戴有隔音耳塞。
7.一种基于多模态磁共振影像的大脑灰质及白质追踪装置，其特征在于，包括：
获取模块，用于获取样本人群的脑影像数据，得到多模态磁共振图像，所述多模态磁共振图像包括结构磁共振图像和弥散张量图像；
第一处理模块，用于对所述结构磁共振图像进行预处理，得到大脑灰质图像；
第二处理模块，用于对所述弥散张量图像进行预处理，得到部分各向异性系数图像，所述部分各向异性系数图像中包含有大脑白质纤维束信息；
融合模块，用于对所述大脑灰质图像和所述部分各向异性系数图像进行融合，实现大脑灰质及白质追踪。
8.根据权利要求7所述的一种基于多模态磁共振影像的大脑灰质及白质追踪装置，其特征在于，所述装置还包括：
筛选模块，用于对被试人群进行头颅磁共振扫描，筛选无器质性病变的被试人群的脑影像数据，作为样本人群的脑影像数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910938159.0A CN110689536B (zh) | 2019-09-30 | 2019-09-30 | 基于多模态磁共振影像的大脑灰质及白质追踪方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910938159.0A CN110689536B (zh) | 2019-09-30 | 2019-09-30 | 基于多模态磁共振影像的大脑灰质及白质追踪方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110689536A true CN110689536A (zh) | 2020-01-14 |
| CN110689536B CN110689536B (zh) | 2023-07-18 |
Family
ID=69111101
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910938159.0A Active CN110689536B (zh) | 2019-09-30 | 2019-09-30 | 基于多模态磁共振影像的大脑灰质及白质追踪方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110689536B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111785379A (zh) * | 2020-06-22 | 2020-10-16 | 深圳大学 | 脑功能连接预测方法、装置、计算机设备及存储介质 |
| CN113283465A (zh) * | 2021-04-02 | 2021-08-20 | 电子科技大学 | 一种弥散张量成像数据分析方法及装置 |
| CN113345519A (zh) * | 2021-05-08 | 2021-09-03 | 武汉大学 | 基于脑白质完整性与dna甲基化的遗传影像多模态融合分析方法 |
| CN113380379A (zh) * | 2021-06-08 | 2021-09-10 | 上海健康医学院 | 基于影像学表型的全基因组关联分析方法、介质及设备 |
| CN114004830A (zh) * | 2021-12-07 | 2022-02-01 | 中南大学湘雅二医院 | 一种用于脑白质病辅助诊断的大脑神经影像学检查系统 |
| CN114298234A (zh) * | 2021-12-31 | 2022-04-08 | 深圳市铱硙医疗科技有限公司 | 脑部医学影像分类方法、装置、计算机设备和存储介质 |
| CN115880425A (zh) * | 2022-11-28 | 2023-03-31 | 中国人民解放军空军军医大学 | 一种脑肿瘤的标签化三维多模态脑结构融合重建方法 |
| CN117315425A (zh) * | 2023-10-12 | 2023-12-29 | 无锡市第五人民医院 | 一种多模态磁共振影像的融合方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509282A (zh) * | 2011-09-26 | 2012-06-20 | 东南大学 | 一种融合结构连接的各脑区间的效能连接分析方法 |
| CN104392019A (zh) * | 2013-12-23 | 2015-03-04 | 浙江工业大学 | 用于脑白质纤维跟踪的高阶扩散张量混合稀疏成像方法 |
| CN104715260A (zh) * | 2015-03-05 | 2015-06-17 | 中南大学 | 基于rls-elm的多模态融合图像分类方法 |
| US20170052241A1 (en) * | 2015-08-17 | 2017-02-23 | Siemens Healthcare Gmbh | Tractography Framework With Magnetic Resonance Imaging For Brain Connectivity Analysis |
| WO2017190337A1 (zh) * | 2016-05-06 | 2017-11-09 | 中国科学院自动化研究所 | 有监督的多模态脑影像融合方法 |
-
2019
- 2019-09-30 CN CN201910938159.0A patent/CN110689536B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509282A (zh) * | 2011-09-26 | 2012-06-20 | 东南大学 | 一种融合结构连接的各脑区间的效能连接分析方法 |
| CN104392019A (zh) * | 2013-12-23 | 2015-03-04 | 浙江工业大学 | 用于脑白质纤维跟踪的高阶扩散张量混合稀疏成像方法 |
| CN104715260A (zh) * | 2015-03-05 | 2015-06-17 | 中南大学 | 基于rls-elm的多模态融合图像分类方法 |
| US20170052241A1 (en) * | 2015-08-17 | 2017-02-23 | Siemens Healthcare Gmbh | Tractography Framework With Magnetic Resonance Imaging For Brain Connectivity Analysis |
| WO2017190337A1 (zh) * | 2016-05-06 | 2017-11-09 | 中国科学院自动化研究所 | 有监督的多模态脑影像融合方法 |
Non-Patent Citations (1)
| Title |
|---|
| 袁悦铭 等: "基于静息态功能磁共振成像的动态功能连接分析及临床应用研究进展", 磁共振成像 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111785379A (zh) * | 2020-06-22 | 2020-10-16 | 深圳大学 | 脑功能连接预测方法、装置、计算机设备及存储介质 |
| CN111785379B (zh) * | 2020-06-22 | 2023-12-26 | 深圳大学 | 脑功能连接预测方法、装置、计算机设备及存储介质 |
| CN113283465A (zh) * | 2021-04-02 | 2021-08-20 | 电子科技大学 | 一种弥散张量成像数据分析方法及装置 |
| CN113283465B (zh) * | 2021-04-02 | 2022-04-29 | 电子科技大学 | 一种弥散张量成像数据分析方法及装置 |
| CN113345519B (zh) * | 2021-05-08 | 2022-04-15 | 武汉大学 | 基于脑白质完整性与dna甲基化的遗传影像多模态融合分析方法 |
| CN113345519A (zh) * | 2021-05-08 | 2021-09-03 | 武汉大学 | 基于脑白质完整性与dna甲基化的遗传影像多模态融合分析方法 |
| CN113380379A (zh) * | 2021-06-08 | 2021-09-10 | 上海健康医学院 | 基于影像学表型的全基因组关联分析方法、介质及设备 |
| CN114004830A (zh) * | 2021-12-07 | 2022-02-01 | 中南大学湘雅二医院 | 一种用于脑白质病辅助诊断的大脑神经影像学检查系统 |
| CN114004830B (zh) * | 2021-12-07 | 2024-03-29 | 中南大学湘雅二医院 | 一种用于脑白质病辅助诊断的大脑神经影像学检查系统 |
| CN114298234A (zh) * | 2021-12-31 | 2022-04-08 | 深圳市铱硙医疗科技有限公司 | 脑部医学影像分类方法、装置、计算机设备和存储介质 |
| CN115880425A (zh) * | 2022-11-28 | 2023-03-31 | 中国人民解放军空军军医大学 | 一种脑肿瘤的标签化三维多模态脑结构融合重建方法 |
| CN115880425B (zh) * | 2022-11-28 | 2023-07-25 | 中国人民解放军空军军医大学 | 一种脑肿瘤的标签化三维多模态脑结构融合重建方法 |
| CN117315425A (zh) * | 2023-10-12 | 2023-12-29 | 无锡市第五人民医院 | 一种多模态磁共振影像的融合方法及系统 |
| CN117315425B (zh) * | 2023-10-12 | 2024-03-26 | 无锡市第五人民医院 | 一种多模态磁共振影像的融合方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110689536B (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110689536B (zh) | 基于多模态磁共振影像的大脑灰质及白质追踪方法及装置 | |
| Zhu et al. | Alzheimer's disease and amnestic mild cognitive impairment weaken connections within the default-mode network: a multi-modal imaging study | |
| Chen et al. | Changes in anatomical and functional connectivity of Parkinson's disease patients according to cognitive status | |
| Shimony et al. | Diffusion tensor imaging reveals white matter reorganization in early blind humans | |
| Ganis et al. | Brain areas underlying visual mental imagery and visual perception: an fMRI study | |
| Korponay et al. | Impulsive-antisocial dimension of psychopathy linked to enlargement and abnormal functional connectivity of the striatum | |
| Mori et al. | Imaging cortical association tracts in the human brain using diffusion‐tensor‐based axonal tracking | |
| Ciccarelli et al. | Optic radiation changes after optic neuritis detected by tractography‐based group mapping | |
| Lemaître et al. | Age-and sex-related effects on the neuroanatomy of healthy elderly | |
| Shergill et al. | A diffusion tensor imaging study of fasciculi in schizophrenia | |
| Carper et al. | Reduced hemispheric asymmetry of white matter microstructure in autism spectrum disorder | |
| Bozzali et al. | Anatomical connectivity mapping: a new tool to assess brain disconnection in Alzheimer's disease | |
| Lin et al. | Cingulum correlates of cognitive functions in patients with mild cognitive impairment and early Alzheimer’s disease: a diffusion spectrum imaging study | |
| Grazioplene et al. | Connectivity-enhanced diffusion analysis reveals white matter density disruptions in first episode and chronic schizophrenia | |
| US20100244834A1 (en) | Automated fiber tracking of human brain white matter using diffusion tensor imaging | |
| Liang et al. | Regional homogeneity changes in patients with neuromyelitis optica revealed by resting-state functional MRI | |
| Ouyang et al. | Simultaneous changes in gray matter volume and white matter fractional anisotropy in Alzheimer’s disease revealed by multimodal CCA and joint ICA | |
| Watson et al. | Assessment of regional gray matter loss in dementia with Lewy bodies: a surface-based MRI analysis | |
| Thillainadesan et al. | Changes in mild cognitive impairment and its subtypes as seen on diffusion tensor imaging | |
| Eriksson et al. | Quantitative grey matter histological measures do not correlate with grey matter probability values from in vivo MRI in the temporal lobe | |
| Charlton et al. | Verbal working and long-term episodic memory associations with white matter microstructure in normal aging investigated using tract-based spatial statistics. | |
| Barbeau et al. | A greater involvement of posterior brain areas in interhemispheric transfer in autism: fMRI, DWI and behavioral evidences | |
| Li et al. | Longitudinal changes in whole-brain functional connectivity strength patterns and the relationship with the global cognitive decline in older adults | |
| Kelley et al. | Age-related differences in white matter: understanding tensor-based results using fixel-based analysis | |
| Krishnan et al. | Accuracy of spatial normalization of the hippocampus: implications for fMRI research in memory disorders |
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 |