CN110811622A - 一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法 - Google Patents
一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法 Download PDFInfo
- Publication number
- CN110811622A CN110811622A CN201911142808.2A CN201911142808A CN110811622A CN 110811622 A CN110811622 A CN 110811622A CN 201911142808 A CN201911142808 A CN 201911142808A CN 110811622 A CN110811622 A CN 110811622A
- Authority
- CN
- China
- Prior art keywords
- brain
- magnetic resonance
- weighted
- resonance imaging
- individual
- 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
Images
Classifications
-
- 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Neurology (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法,将一种基于大脑皮质结构连接的群体概率性脑图谱作为先验起点,在个体脑水平根据个体脑的局部皮质的结构连接信息迭代优化从而生成个体化脑区的空间划分模式。本方法适用于所有的利用扩散磁共振成像进行个体化脑图谱的绘制与分析。
Description
技术领域
本发明涉及一种利用无创脑成像方法根据脑连接特征获得个体化结构连接脑图谱绘制方法,属于认知神经科学技术领域。
背景技术
当前,脑解剖结构和功能的个体间差异特性逐渐被关注,认知神经科学领域与临床医学领域随之而来的一个重要课题是构建个体化脑图谱。人脑在许多方面都具有显著的个体间变异性,包括宏观和微观的脑解剖结构等诸多方面。在神经科学研究中,如果直接利用群组脑图谱作为个体脑区划分模式,则会因个体差异而引入脑区划分的偏差,从而影响脑结构与脑功能研究分析。与此同时,各类神经精神疾病的个体化医疗(精准医疗)已成为世界范围内的重大科学难题和关注热点。因此,鉴于不同人脑之间存在巨大的个体差异,针对不同人脑的个体化大脑皮层分区至关重要。
最近的个体水平功能成像研究表明,皮质功能区的大小、位置和空间排列在不同个体之间存在很大的差异,而且个体化的功能脑网络地形图可以预测人类的行为表型。为了研究皮层区域的空间拓扑特性,可以根据特定的宏观和微观解剖标准(即细胞结构和神经受体的分布)将皮层划分为亚区。尽管组织学检查得出的细胞构筑区提供了宝贵的信息,细胞构筑区和功能之间的对应关系无法在体内个体中测量。划分皮质区域的另一个标准是每个皮质区域的独特连接性特征,例如由静息态功能磁共振成像(resting state-functional Magnetic Resonance Imaging,rs-fMRI)提供的功能连接信息或扩散磁共振成像(diffusion Magnetic Resonance Imaging,dMRI)提供的结构连接信息。
扩散磁共振成像是磁共振成像的一种特殊形式。它是目前唯一的能够在体(invivo)并且无创地(non-invasively)探测生物体中水分子扩散特性的方法。为了描述生物组织中水分子扩散的方向依赖性,研究人员们提出了扩散张量成像(Diffusion TensorImaging,DTI)。DTI技术是当今唯一无创伤的白质神经纤维束活体成像方法,结合白质纤维束追踪技术可被用来描述大脑的白质结构连接网络。最近的研究表明,使用扩散磁共振成像白质纤维束追踪技术得到的皮层分区与根据细胞结构得到的脑区分区高度重叠,并且解剖连接性指纹可以与许多认知任务中的功能活动联系起来。因此,基于白质纤维束结构连接信息的个体水平的大脑皮层分区有望为理解结构和功能脑区之间的关系提供关键信息。但到目前为止,还没有一个基于结构连接信息的个体化结构连接脑图谱绘制方法。
因此,需要提出一种新方法,利用扩散磁共振成像纤维束追踪技术得到大脑皮质的白质结构连接信息,实现在个体水平对大脑皮质进行区域划分。
发明内容
为了解决上述不足,本发明提出一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法,将一种基于大脑皮质结构连接的群体概率性脑图谱(例如人脑连接组图谱)作为先验起点,在个体水平迭代生成个体化脑区划分的空间模式,克服了以往由于利用群组图谱作为个体脑分区而引入的不精确性。本方法适用于所有的利用扩散磁共振成像进行个体化脑图谱的绘制与分析。
为了解决上述技术问题,本发明采用以下技术方案:
一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法,步骤包括:
(1)分别采集磁共振T1加权结构像和扩散加权像;
(2)将T1加权结构像组织分割得到的大脑灰质掩板变换到扩散加权像空间并对掩板内的每一个体素进行白质纤维束追踪,得到每个灰质体素的结构连接特征;
(3)将标准空间下群组概率性的结构连接脑图谱投影到个体大脑灰质三维空间掩板上,得到个体空间下群组概率性的结构连接脑图谱,根据每个体素在相应概率性脑区图谱内的概率大小对脑区内所有体素的结构连接特征进行概率加权的平均,得到每个脑区的结构连接特征作为初始参考连接特征;
(4)个体大脑灰质三维空间掩板中的每个体素的结构连接特征与所有脑区的初始参考连接特征做相似性比较,从而将每个体素分配到连接特征最相似的脑区;
(5)根据新的脑区划分结果以加权的形式计算新的参考连接特征;
(6)根据体素分配前后的全脑层次脑区形态的相似度判断是否符合预定的收敛条件:如果满足收敛条件,则完成个体化结构连接脑图谱的绘制;如果不满足收敛条件,则分配灰质体素到连接特征最相似的脑区,并根据新的脑区划分结果以加权的形式计算新的参考连接特征,然后再次判断是否符合预定的收敛条件,此迭代环节一直进行到满足收敛条件,完成个体化结构连接脑图谱的绘制。
进一步地,步骤(1)还包括对采集的磁共振图像进行预处理,包括对T1加权结构像进行脑组织分割提取,对扩散加权像进行与T1加权结构像进行模态间配准、涡流校正和头动校正。
进一步地,步骤(2)利用SPM软件(Statistical Parametric Mapping,https://www.fil.ion.ucl.ac.uk/spm/)的“segment”工具或者freesurfer(http://www.freesurfer.net/)的“recon-all”命令将T1加权结构像进行组织分割,得到灰质、白质、脑脊液等不同组织的空间掩板。
进一步地,步骤(2)所述变换方法包括将扩散加权像向T1加权结构像进行非线性配准,并将得到的仿射变换矩阵的逆矩阵应用到T1加权结构像组织分割得到的大脑灰质掩板上,从而得到扩散加权像空间内的高精度大脑灰质掩板。
进一步地,步骤(2)对个体被试灰质体积内的每一个体素进行白质纤维束追踪,包括概率性白质纤维束追踪技术(Behrens TEJ,Berg HJ,Jbabdi S,Rushworth MFS,Woolrich MW.2007.Probabilistic diffusion tractography with multiple fibreorientations:what can we gain?Neuroimage.34:144-155.)、确定性白质纤维束追踪技术(Yeh FC,Verstynen TD,Wang Y,Fernandez-Miranda JC,TsengWY.2013.Deterministic diffusion fiber tracking improved by quantitativeanisotropy.PLoS One 8,e80713.)以及其他可能的白质纤维束追踪技术。
进一步地,步骤(3)中标准空间下群组概率性的结构连接脑图谱可以为现有技术中已公开的任何脑图谱,如中国科学院自动化研究所绘制的全新人类脑图谱(http://atlas.brainnetome.org/);也可拓展到标准空间下的非概率性的脑图谱(将包含在脑区内的体素概率视为1,脑区外的体素概率视为0),如Brodmann图谱(K.Brodmann,Vergleichende Lokalizationslehre der Grosshirnrinde in ihren PrinzipienDargestellt auf Grund der Zellenbaues.Leipzig:Johann Ambrosius Barth,1909)。
进一步地,步骤(4)中使用皮尔森相关性分析或机器学习的方法与所有脑区的参考连接特征进行比较,从而进行个体水平上的结构连接脑区划分。
进一步地,步骤(5)和(6)中在计算新的参考连接特征的权重设定时,体素分配前脑区的参考连接特征占较大比重,体素分配后新脑区的连接特征占较小比重,参考连接特征比重较大有利用避免迭代过程过快陷入局部最优解,但如果所占比重过大也会影响迭代收敛的耗时。优选地,分配后新的参考连接特征=0.9×体素分配前脑区的参考链接特征+0.1×体素分配后新脑区的连接特征。
进一步地,步骤(6)中预定的收敛条件是指当前、后相邻两次迭代得到的脑图谱的空间相似度达到预设标准,如Dice系数大于0.99。
进一步地,上述结构连接脑图谱绘制方法可应用于包括人类和大鼠、狨猴等其他非人类健康大脑或者非健康大脑。
本方法通过扩散磁共振成像提供的大脑皮质的白质结构连接信息进行个体化脑图谱绘制,将一种基于大脑皮质结构连接的群体概率性脑图谱(人脑连接组图谱)作为先验起点,在个体脑水平根据个体脑的局部皮质的结构连接信息迭代优化从而生成个体化脑区的空间划分模式。本方法适用于所有的利用扩散磁共振成像进行个体化脑图谱的绘制与分析。
附图说明
图1是本发明的个体化结构连接图谱绘制方法的流程图。
图2是群组结构连接脑图谱(最大概率图)和个体化结构连接脑图谱的结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容做进一步的详细说明。
在下文的描述中,给出了大量具体的细节以便于本领域技术人员对本发明更为彻底的理解。应该明白的是,本文公开的仅是具有代表性的一种较佳实施例。显然,本发明并不局限于本文所描述的任何具体结构、功能、器件和方法,也可以具有其他实施方式,或者是其他实施方式的组合。本发明中所使用的人脑群组结构连接脑图谱也可以设想为其他种类的人脑图谱。此外,为避免其他例与本发明发生混淆,对于本领域中众所周知的一些技术特征和细节未进行描述。
本发明提出了一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法。该方法适用于计算和分析动物大脑(包括人类大脑和大鼠、狨猴等其他非人类大脑)的个体化结构连接脑图谱及其特性。这里,以健康人体的大脑为例,详细说明分析的具体方法。
本实施例提出了一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法,详细说明个体化结构脑图谱绘制的具体方法,如图1所示。值得强调的是,分析步骤并不局限于人体大脑,也不局限于健康的大脑,其它动物大脑可以用类似的方法。
选取西门子3T磁共振仪,采集T1加权结构像和高角分辨率扩散加权像。对采集的磁共振图像进行预处理,包括对T1加权结构像进行脑组织分割提取,对扩散加权像进行与T1加权像配准、涡流校正和头动校正等。然后,对于大脑皮层灰质部分内的每个体素做概率性纤维束追踪,得到该灰质体素的全脑结构连接特征图。为了节约计算资源,提高计算效率,这里将全脑结构连接特征图降采样到单个体素为5mm各向同性。然后将降采样后的三维全脑结构连接特征图变换为一维向量,从而得到表征单个灰质体素结构连接特征的向量。
为了以概率性群组结构连接脑图谱作为先验信息,将群组图谱配准到个体被试的灰质皮层上后,对一个群组脑区内包含的所有灰质体素的结构连接向量进行加权平均,得到这个脑区的初始参考连接特征。为了在个体水平得到更加反应个体实际结构连接情况的该脑区的划分结果,个体脑灰质皮层上的每个灰质体素的结构连接向量都与该脑区的参考连接向量进行皮尔森相似性比较,并将每个体素划入与它的结构连接向量最相似的脑区内。从而,该脑区的形态将根据个体脑结构连接的信息发生优化,每个脑区内的体素的结构连接信息将趋于更高的同质性。在之后的迭代环节中,计算方法类似。
利用此发明提出的基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法,得到的个体化脑结构连接图谱和群组脑结构连接图谱的对比示意图及个体化脑结构连接图谱稳定性测试结果可见图2。图2中展示了群组图谱和四名不同被试的个体化脑结构连接图谱的外侧面和内侧面。可以看到,个体化脑结构连接图谱相较群组图谱展现出了较明显的个体差异特性,表明本发明提出的方法能够有效捕获个体脑结构连接图谱的个体特异性。与此同时,可以发现,这种个体特异性在两次间隔十个月的扫描中能够稳定复现,表明本方法的重测度较高。
综上所述,利用本发明的方法绘制个体化结构连接脑图谱能够得到反映个体特异性的高重测度的脑图谱分区结果。此外,本方法适用于动物脑结构连接图谱的绘制,根据扩散磁共振成像数据的广泛应用范围,本发明还可运用到认知神经科学中(比如语言、记忆等)以及神经精神疾病的个体化医疗(精准医疗)或者与大脑结构的个体差异研究中。
Claims (10)
1.一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法,包括以下步骤:
(1)分别采集磁共振T1加权结构像和扩散加权像;
(2)将T1加权结构像组织分割得到的大脑灰质掩板变换到扩散加权像空间,并对掩板内的每一个体素进行白质纤维束追踪,得到每个灰质体素的结构连接特征;
(3)将标准空间下群组概率性的结构连接脑图谱投影到个体大脑灰质三维空间掩板上,得到个体空间下群组概率性的结构连接脑图谱,根据每个体素在相应概率性脑区图谱内的概率大小对脑区内所有体素的结构连接特征进行概率加权的平均,得到每个脑区的结构连接特征作为初始参考连接特征;
(4)个体大脑灰质三维空间掩板中的每个体素的结构连接特征与所有脑区的初始参考连接特征做相似性比较,从而将每个体素分配到连接特征最相似的脑区;
(5)根据新的脑区划分结果以加权的形式计算新的参考连接特征;
(6)根据体素分配前后的全脑层次脑区形态的相似度,判断是否符合预定的收敛条件:如果满足收敛条件,则完成个体化结构连接脑图谱的绘制;如果不满足收敛条件,则分配灰质体素到连接特征最相似的脑区,并根据新的脑区划分结果以加权的形式计算新的参考连接特征;然后再次判断是否符合预定的收敛条件,此迭代环节一直进行到满足收敛条件,完成个体化结构连接脑图谱的绘制。
2.如权利要求1所述一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法,其特征在于,步骤(1)还包括对采集的磁共振图像进行预处理,包括对T1加权结构像进行脑组织分割提取以及扩散加权像与T1加权结构像进行模态间配准、涡流校正和头动校正。
3.如权利要求1所述一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法,其特征在于,步骤(2)利用SPM软件的“segment”工具或者freesurfer软件的“recon-all”命令将T1加权结构像进行组织分割。
4.如权利要求1所述一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法,其特征在于,步骤(2)中变换方法包括将扩散加权像向T1加权结构像进行非线性配准,并将得到的仿射变换矩阵的逆矩阵应用到T1加权结构像组织分割得到的大脑灰质掩板上,从而得到扩散加权像空间内的高精度大脑灰质掩板。
5.如权利要求1所述一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法,其特征在于,步骤(2)白质纤维束追踪技术包括概率性白质纤维束追踪技术或者确定性白质纤维束追踪技术。
6.如权利要求1所述一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法,其特征在于,步骤(4)中使用皮尔森相关性分析或机器学习的方法与所有脑区的参考连接特征进行比较。
7.如权利要求1所述一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法,其特征在于,步骤(5)和步骤(6)中分配后新的参考连接特征=0.9×体素分配前脑区的参考链接特征+0.1×体素分配后新脑区的连接特征。
8.如权利要求1所述一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法,其特征在于,步骤(6)中预定的收敛条件是指当前、后相邻两次迭代得到的脑图谱的空间相似度达到预设标准。
9.如权利要求8所述一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法,其特征在于,步骤(6)中预定的收敛条件为Dice系数大于0.99。
10.如权利要求1所述一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法,其特征在于,该方法应用于包括人类或者非人类,健康或者非健康大脑脑图谱的绘制。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2019110994054 | 2019-11-12 | ||
CN201911099405 | 2019-11-12 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110811622A true CN110811622A (zh) | 2020-02-21 |
Family
ID=69557409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911142808.2A Pending CN110811622A (zh) | 2019-11-12 | 2019-11-20 | 一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110811622A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614126A (zh) * | 2020-12-31 | 2021-04-06 | 中国科学院自动化研究所 | 基于机器学习的磁共振图像脑区划分方法、系统和装置 |
CN113610808A (zh) * | 2021-08-09 | 2021-11-05 | 中国科学院自动化研究所 | 基于个体脑连接图的群体脑图谱个体化方法、系统和设备 |
CN114376558A (zh) * | 2022-03-24 | 2022-04-22 | 之江实验室 | 基于磁共振和孪生图神经网络的脑图谱个体化方法及系统 |
CN114646913A (zh) * | 2020-12-21 | 2022-06-21 | 北京大学第三医院(北京大学第三临床医学院) | 生物组织微观结构的无创测量方法 |
CN114708263A (zh) * | 2022-06-06 | 2022-07-05 | 中国科学院自动化研究所 | 个体化脑功能区定位方法、装置、设备和存储介质 |
CN115359305A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 一种大脑纤维束异常区域精准定位系统 |
CN116912252A (zh) * | 2023-09-13 | 2023-10-20 | 中国科学院自动化研究所 | 面向模态缺失的影像数据的脑图谱个体化方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004051568A1 (en) * | 2002-11-29 | 2004-06-17 | Isis Innovation Limited | Brain connectivity mapping |
CN101650827A (zh) * | 2009-09-09 | 2010-02-17 | 西北工业大学 | 一种混合的大脑白质神经纤维自动聚类及标记方法 |
CN102332054A (zh) * | 2011-08-25 | 2012-01-25 | 西北工业大学 | 三维大脑磁共振图像的大脑皮层表面标志区域识别方法 |
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 |
CN103077298A (zh) * | 2012-10-24 | 2013-05-01 | 西安电子科技大学 | 融合图像体素及先验脑图谱划分的大脑网络构建方法 |
CN103093455A (zh) * | 2012-12-21 | 2013-05-08 | 西北工业大学 | 一种扩散张量成像大脑白质纤维聚类方法 |
US20150272468A1 (en) * | 2014-03-31 | 2015-10-01 | Hesheng Liu | System And Method For Functional Brain Organization Mapping |
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 |
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 |
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 |
CN107392907A (zh) * | 2017-09-01 | 2017-11-24 | 上海理工大学 | 基于静息态功能性磁共振成像的海马旁回功能分区方法 |
CN108416761A (zh) * | 2018-01-18 | 2018-08-17 | 北京师范大学 | 针对弥散磁共振影像所估计的人脑白质连接特征优化方法 |
CN108898135A (zh) * | 2018-06-30 | 2018-11-27 | 天津大学 | 一种大脑边缘系统图谱构建方法 |
CN109102492A (zh) * | 2018-07-02 | 2018-12-28 | 重庆邮电大学 | 一种基于协同聚类的功能磁共振影像脑连接图谱构建方法 |
CN109285176A (zh) * | 2018-10-08 | 2019-01-29 | 东南大学 | 一种基于正则化图割的大脑组织分割方法 |
CN109978872A (zh) * | 2019-03-30 | 2019-07-05 | 西安电子科技大学 | 基于白质纤维束的白质微结构特征筛选系统及方法 |
-
2019
- 2019-11-20 CN CN201911142808.2A patent/CN110811622A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004051568A1 (en) * | 2002-11-29 | 2004-06-17 | Isis Innovation Limited | Brain connectivity mapping |
CN101650827A (zh) * | 2009-09-09 | 2010-02-17 | 西北工业大学 | 一种混合的大脑白质神经纤维自动聚类及标记方法 |
CN102332054A (zh) * | 2011-08-25 | 2012-01-25 | 西北工业大学 | 三维大脑磁共振图像的大脑皮层表面标志区域识别方法 |
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 |
CN103077298A (zh) * | 2012-10-24 | 2013-05-01 | 西安电子科技大学 | 融合图像体素及先验脑图谱划分的大脑网络构建方法 |
CN103093455A (zh) * | 2012-12-21 | 2013-05-08 | 西北工业大学 | 一种扩散张量成像大脑白质纤维聚类方法 |
US20150272468A1 (en) * | 2014-03-31 | 2015-10-01 | Hesheng Liu | System And Method For Functional Brain Organization Mapping |
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 |
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 |
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 |
CN107392907A (zh) * | 2017-09-01 | 2017-11-24 | 上海理工大学 | 基于静息态功能性磁共振成像的海马旁回功能分区方法 |
CN108416761A (zh) * | 2018-01-18 | 2018-08-17 | 北京师范大学 | 针对弥散磁共振影像所估计的人脑白质连接特征优化方法 |
CN108898135A (zh) * | 2018-06-30 | 2018-11-27 | 天津大学 | 一种大脑边缘系统图谱构建方法 |
CN109102492A (zh) * | 2018-07-02 | 2018-12-28 | 重庆邮电大学 | 一种基于协同聚类的功能磁共振影像脑连接图谱构建方法 |
CN109285176A (zh) * | 2018-10-08 | 2019-01-29 | 东南大学 | 一种基于正则化图割的大脑组织分割方法 |
CN109978872A (zh) * | 2019-03-30 | 2019-07-05 | 西安电子科技大学 | 基于白质纤维束的白质微结构特征筛选系统及方法 |
Non-Patent Citations (1)
Title |
---|
DANHONG WANG: "Parcellating cortical functional networks in individuals", 《NATURE NEUROSCIENENCE》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114646913B (zh) * | 2020-12-21 | 2023-06-02 | 北京大学第三医院(北京大学第三临床医学院) | 生物组织微观结构的无创测量方法 |
CN114646913A (zh) * | 2020-12-21 | 2022-06-21 | 北京大学第三医院(北京大学第三临床医学院) | 生物组织微观结构的无创测量方法 |
CN112614126A (zh) * | 2020-12-31 | 2021-04-06 | 中国科学院自动化研究所 | 基于机器学习的磁共振图像脑区划分方法、系统和装置 |
CN113610808A (zh) * | 2021-08-09 | 2021-11-05 | 中国科学院自动化研究所 | 基于个体脑连接图的群体脑图谱个体化方法、系统和设备 |
CN113610808B (zh) * | 2021-08-09 | 2023-11-03 | 中国科学院自动化研究所 | 基于个体脑连接图的群体脑图谱个体化方法、系统和设备 |
WO2023178916A1 (zh) * | 2022-03-24 | 2023-09-28 | 之江实验室 | 一种基于磁共振和孪生图神经网络的脑图谱个体化方法及系统 |
CN114376558A (zh) * | 2022-03-24 | 2022-04-22 | 之江实验室 | 基于磁共振和孪生图神经网络的脑图谱个体化方法及系统 |
CN114708263B (zh) * | 2022-06-06 | 2022-09-06 | 中国科学院自动化研究所 | 个体化脑功能区定位方法、装置、设备和存储介质 |
CN114708263A (zh) * | 2022-06-06 | 2022-07-05 | 中国科学院自动化研究所 | 个体化脑功能区定位方法、装置、设备和存储介质 |
CN115359305A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 一种大脑纤维束异常区域精准定位系统 |
CN115359305B (zh) * | 2022-10-19 | 2023-01-10 | 之江实验室 | 一种大脑纤维束异常区域精准定位系统 |
CN116912252A (zh) * | 2023-09-13 | 2023-10-20 | 中国科学院自动化研究所 | 面向模态缺失的影像数据的脑图谱个体化方法及系统 |
CN116912252B (zh) * | 2023-09-13 | 2024-01-16 | 中国科学院自动化研究所 | 面向模态缺失的影像数据的脑图谱个体化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110811622A (zh) | 一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法 | |
CN109242865B (zh) | 基于多图谱的医学图像自动分区系统、方法、装置及存储介质 | |
AU2017377003B2 (en) | Treating patients with TTFields with the electrode positions optimized using deformable templates | |
RU2703344C1 (ru) | Формирование псевдо-кт по мр-данным с использованием регрессионной модели на основе признаков | |
Mazziotta et al. | A four-dimensional probabilistic atlas of the human brain | |
CN113571195B (zh) | 基于小脑功能连接特征的阿尔茨海默病早期的预测模型 | |
CN107944490B (zh) | 一种基于半多模态融合特征约简框架的图像分类方法 | |
CN112837274B (zh) | 一种基于多模态多站点数据融合的分类识别方法 | |
Sugimori | Classification of computed tomography images in different slice positions using deep learning | |
CN106023194A (zh) | 基于静息态功能连接的杏仁核谱聚类分割方法 | |
CN113610808B (zh) | 基于个体脑连接图的群体脑图谱个体化方法、系统和设备 | |
CN112348785B (zh) | 一种癫痫病灶定位方法及系统 | |
CN110598722A (zh) | 多模态神经影像数据自动信息融合系统 | |
CN110148145A (zh) | 一种融合边界信息的图像目标区提取方法及应用 | |
Savaashe et al. | A review on cardiac image segmentation | |
Bermudez et al. | Generalizing deep whole-brain segmentation for post-contrast MRI with transfer learning | |
CN113269816A (zh) | 一种分区域递进式脑图像弹性配准方法及系统 | |
CN113610742A (zh) | 一种基于深度学习的全脑结构体积测量方法及系统 | |
CN115082586B (zh) | 群组先验引导的基于深度学习的丘脑个体化图谱绘制方法 | |
Fan et al. | Graph Reasoning Module for Alzheimer’s Disease Diagnosis: A Plug-and-Play Method | |
CN115511805A (zh) | 基于t1磁共振影像的脑皮层超顶点划分方法 | |
Isaev et al. | Cortical connectome registration using spherical demons | |
CN117158890A (zh) | 一种基于分段脑龄模型的脑龄预测方法及相关装置 | |
CN117059234A (zh) | 一种基于dti的大鼠脑部神经纤维束三维重建方法 | |
CN117038058A (zh) | 一种基于脑网络连接密度的计算机辅助诊断方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200221 |
|
WD01 | Invention patent application deemed withdrawn after publication |