CN111583281B - 多模态连接模式的脑区划分方法 - Google Patents
多模态连接模式的脑区划分方法 Download PDFInfo
- Publication number
- CN111583281B CN111583281B CN202010413761.5A CN202010413761A CN111583281B CN 111583281 B CN111583281 B CN 111583281B CN 202010413761 A CN202010413761 A CN 202010413761A CN 111583281 B CN111583281 B CN 111583281B
- Authority
- CN
- China
- Prior art keywords
- brain
- brain region
- roi
- individual
- space
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种多模态连接模式的脑区划分方法。本发明.一种多模态连接模式的脑区划分方法,包括:在基于功能磁共振成像的脑区划分中,当需要获得组水平的脑区划分结果时,需要多进行两步,即将个体结果传播到标准空间,并在标准空间获得组上平均值,为了能同时获得个体水平和组水平的结果。本发明的有益效果:整合了两种磁共振成像数据模态下基于连接模式进行脑区划分的流程,并提出了具体的集成化软件的开发方法。
Description
技术领域
本发明涉及脑区划分领域,具体涉及一种多模态连接模式的脑区划分方法。
背景技术
神经影像数据是脑科学研究的基石。随着磁共振成像设备的不断改良和成像方法的逐渐优化,磁共振成像数据不管是在空间分辨率还是时间分辨率中都得到了一定程度的改善。例如,当所需的研究数据以突出空间分辨率为主时,体素的大小将精确到毫米级甚至更高的精细度。同时,当所需的研究数据以突出时间分辨率为主时,快速成像技术的优化和成像设备的硬件条件的改良也能带来时间分辨率的提高。然而,值得注意的是,当MRI数据的空间分辨率和时间分辨率较高时,数据的量级也会呈现出较大的增长。除去为了提高数据分辨率而带来的数据量级的增长外,MRI数据本身的量级也十分庞大。在进行磁共振成像时,在只考虑空间分辨率的情况下,假设体素的大小设置为1mm的立方体,那么进行磁共振扫描后的MRI数据的量级最小将是108。在考虑时间维度的情况下,MRI数据的量级将更大。此外,在进行MRI数据的预处理和后续分析时,中间过程所产生的中间数据和日志文件等也将为数据的存储和计算带来较大的负担。因此,基于以上分析,可以得出的结论是MRI数据的量级庞大,计算任务比较繁重。
脑网络是一个结构复杂的小世界网络,满足一定的稀疏性质。同时,在神经科学领域内一个公认的观点是,同时处于一个大脑区域的神经元具有相似的连接模式。由于神经元的尺度(100um)十分微小,而目前的成像设备和空间编码技术难以达到如此精细的空间分辨率,因此用体素对其进行模拟。即,同属于一个脑区亚区的体素具有相似的连接模式,连接模式越相似,属于同一脑区的概率越高。基于此观点,研究者们将脑网络依据体素的连接模式的相似性对脑区进行划分,将某一脑区内的体素划分为若干数量的亚区,进而将整个大脑的网络划分为若干数量的子网络。在进行脑网络研究时,便可以具体到子网络水平。当脑区划分完成后,在进行脑部功能分析时便可以在子网络的连接模式上进行,从而极大的降低了计算成本。例如,在研究大脑的语言功能时,不进行脑区划分而直接研究时,在具有解剖学先验知识的情况下,也需要对大脑的语言区进行体素尺度的建模与分析;然而,在进行语言区的脑区划分后,只需要在语言区的亚区进行亚区尺度的建模与分析即可。通过以上分析,可以得出的结论是脑区划分为脑科学的研究减轻了计算上的成本,将大脑的功能研究从全脑尺度缩小到脑区亚区尺度。
以神经影像数据进行驱动的脑信息科学研究是随着磁共振成像技术和计算机科学的发展而逐渐兴盛的一个新兴的研究方向。因为脑信息科学的发展较晚,且目前的研究发展处于实验室水平,故在该领域内所能使用的辅助软件较为有限。目前,主流的用于处理和分析fMRI数据的软件是SPM(Statistical Parametric Mapping),该软件是由英国的Hammersmith医院的Friston等人在通用数学软件包MATLAB上开发的神经影像分析工具,该软件的功能包括神经影像数据(包括fMRI、PET等)的预处理,如头动校正、图像配准和空间平滑等,也包括基于神经影像数据进行统计分析的功能。此外,由牛津大学开发的FSL(FMRIB Software Library)软件是一个基于MATLAB的工具包,该软件可用于fMRI和DTI等数据的分析。FSL的一个强大功能是可以自动的计算体素内神经纤维的走行方向的概率分布函数,从而进行概率性神经纤维追踪,这为其他函数库和软件的开发提供一个非常实用的纤维追踪工具。在神经影像数据可视化方面,3D Slicer是一个具有代表性的医学图像数据可视化软件,该软件最初由哈佛大学的影像数学实验室进行开发。3D Slicer具有强大的3D影像数据可视化的功能,不仅能支持科学研究,也能在实际医疗过程中提供帮助。然而,这些软件并不具备利用多模态磁共振成像数据进行脑区划分的功能。因此,开发一款利用多模态磁共振成像数据进行脑区划分的软件具有一定的必要性。
总结以上分析,用于脑科学研究的MRI数据的量级十分庞大,在进行处理和分析时有较大的计算负担;而基于体素的连接模式对脑区进行划分能将研究范围从全脑尺度缩小到脑区亚区尺度,从而较大程度地降低了脑科学研究时建模与分析的复杂程度;然而现有的用于处理和分析神经影像数据的软件工具不能独立地完成不同数据模态下脑区划分的整个流程;因此,集成开发一套基于多模态连接模式进行脑区划分的软件十分有必要。
发明内容
本发明要解决的技术问题是提供一种多模态连接模式的脑区划分方法。
为了解决上述技术问题,本发明提供了一种多模态连接模式的脑区划分方法,包括:
在基于功能磁共振成像的脑区划分中,当需要获得组水平的脑区划分结果时,需要多进行两步,即将个体结果传播到标准空间,并在标准空间获得组上平均值,为了能同时获得个体水平和组水平的结果,标准步骤如下:
fMRI图像的预处理;
从标准空间提取ROI;
将ROI从标准空间配准到个体空间;
在个体空间中计算体素的连接矩阵;
在个体空间中基于连接矩阵进行聚类;
基于聚类结果进行个体水平的脑区标记;
将每个个体水平的脑区划分结果反向配准到标准空间;
在标准空间中计算组水平的脑区划分结果;
在基于弥散张量成像的脑区划分中,为了得到组水平的平均值,也需要将个体脑区划分的结果传播到标准空间中,然后再在标准空间中获得组水平的结果,基于弥散张量成像进行脑区划分的完整流程如下:
DWI图像的预处理;
从标准空间提取ROI;
将ROI从标准空间配准到个体空间;
基于DWI图像计算ROI内体素的弥散张量;
基于弥散张量进行神经纤维追踪;
基于神经纤维追踪的结果计算ROI内体素的连接矩阵;
在个体空间中基于连接矩阵进行聚类;
基于聚类结果进行个体水平的脑区标记;
将每个个体水平的脑区划分结果反向配准到标准空间;
在标准空间中计算组水平的脑区划分结果;
是基于两种磁共振成像模态的数据,实现数据文件的读取和保存,然后根据两种连接模式的脑区划分流程自动化地进行个体和组水平的脑区划分并记录中间结果,最后实现脑区划分结果的可视化和中间结果的可视化。
在其中一个实施例中,从标准空间提取ROI,具体包括:先读取大脑模板的数据文件,大脑模板的数据文件中包含所有体素的空间坐标文件;然后根据输入的ROI区域从大脑模板的数据文件中复制ROI区域的坐标文件到工作目录下。
在其中一个实施例中,fMRI图像数据的预处理是在SPM和REST软件中完成的;只需要向SPM和REST软件提供所需要处理的图像数据地址、预处理过后的文件保存地址、文件名称的定义方式;预处理后的文件保存地址应选择为工作目录的地址;SPM软件中的数据预处理步骤包括:数据格式转换、时间校正、头动校正、配准与空间标准化、空间平滑;REST软件中的数据预处理步骤包括回归生理噪声和低频滤波。
在其中一个实施例中,在个体空间中计算体素的连接矩阵,具体包括先根据预处理后的fMRI图像计算ROI内每一体素的功能信号的时间序列,即为ROI内每一个体素生成一个功能信号的向量;然后再基于皮尔逊相关或稀疏表达的方法计算体素之间的相关矩阵;最后再处理相关矩阵使其归一化成为可以用于谱聚类的连接矩阵。
在其中一个实施例中,在个体空间中基于连接矩阵进行聚类,具体如下:谱聚类的输入包括权值图和聚类类别数;权值图即为fMRI_Calculate_connection_matrix()函数中计算得到的连接矩阵;聚类类别数需要用户定义,为了得到较准确的脑区划分结果,需要遍历聚类类别数,遍历范围为2到最大类别数。
在其中一个实施例中,最大类别数的选取依据经验值和ROI的属性。
在其中一个实施例中,DWI图像的预处理是在SPM和FSL软件中完成的,SPM中的主要预处理步骤包括数据格式转换、头动校正、配准与空间标准化,FSL中的主要预处理步骤包括涡流校正;同样地,在SPM中也会生成标准空间与个体空间的配准转换矩阵。
基于同样的发明构思,本申请还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现任一项所述方法的步骤。
基于同样的发明构思,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一项所述方法的步骤。
基于同样的发明构思,本申请还提供一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任一项所述的方法。
本发明的有益效果:
整合了两种磁共振成像数据模态下基于连接模式进行脑区划分的流程,并提出了具体的集成化软件的开发方法。
附图说明
图1是本发明多模态连接模式的脑区划分方法的整体流程图。
图2是本发明多模态连接模式的脑区划分方法中的基于fMRI连接模式的脑区划分的流程图。
图3是本发明多模态连接模式的脑区划分方法中的基于DT I连接模式的脑区划分的流程图。
图4是本发明多模态连接模式的脑区划分方法中的分区结果可视化的设计图.
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
MRI数据的量级庞大,在进行脑科学研究时计算任务繁重,基于连接模式进行脑区划分能将计算任务从全脑体素尺度降低到脑区亚区尺度,从而为脑科学研究的建模和分析带来极大便利。然而,现有的软件工具无法独立完成脑区划分的整个流程,需要一套能够基于磁共振成像数据自动进行脑区划分的软件。该软件面向功能磁共振成像和弥散磁共振成像两个模态的数据,利用两种不同的方法进行脑区划分,并对划分结果进行可视化。因此,该软件的功能需要包括三个部分:基于功能磁共振成像的脑区划分、基于弥散张量成像的脑区划分、3D数据可视化。
在基于功能磁共振成像的脑区划分中,主要的功能需求应包括:fMRI图像的预处理、ROI的提取、ROI的配准、ROI内体素连接矩阵的计算、基于连接矩阵的聚类、基于聚类结果进行脑区标记。当需要获得组水平的脑区划分结果时,需要多进行两步,即将个体结果传播到标准空间,并在标准空间获得组上平均值。为了能同时获得个体水平和组水平的结果,标准步骤如下:
(1)fMRI图像的预处理;
(2)从标准空间提取ROI;
(3)将ROI从标准空间配准到个体空间;
(4)在个体空间中计算体素的连接矩阵;
(5)在个体空间中基于连接矩阵进行聚类;
(6)基于聚类结果进行个体水平的脑区标记;
(7)将每个个体水平的脑区划分结果反向配准到标准空间;
(8)在标准空间中计算组水平的脑区划分结果。
同样地,在基于弥散张量成像的脑区划分中,主要的功能需求应包括:DWI图像的预处理,ROI的提取、ROI的配准、弥散张量的计算、神经纤维追踪、ROI内体素连接矩阵的计算、基于连接矩阵的聚类、基于聚类结果进行脑区标记。为了得到组水平的平均值,也需要将个体脑区划分的结果传播到标准空间中,然后再在标准空间中获得组水平的结果。基于弥散张量成像进行脑区划分的完整流程如下:
(1)DWI图像的预处理;
(2)从标准空间提取ROI;
(3)将ROI从标准空间配准到个体空间;
(4)基于DWI图像计算ROI内体素的弥散张量;
(5)基于弥散张量进行神经纤维追踪;
(6)基于神经纤维追踪的结果计算ROI内体素的连接矩阵;
(7)在个体空间中基于连接矩阵进行聚类;
(8)基于聚类结果进行个体水平的脑区标记;
(9)将每个个体水平的脑区划分结果反向配准到标准空间;
(10)在标准空间中计算组水平的脑区划分结果。
在脑区划分的结果可视化部分,需要提供最基础的可视化功能,即脑区划分结果的3D切片动态显示。除此之外,为了增强可视化软件的交互性,基础的文件操作也有一定的必要性。另外,对于中间结果的可视化,在一定程度上也需要进行显示,例如纤维追踪的结果可视化。因此,在数据可视化部分,需要实现的功能应包括:
(1)神经纤维追踪结果可视化;
(2)脑区划分结果的3D切片动态显示。
基于以上分析,该多模态连接模式的脑区划分软件的功能需求是基于两种磁共振成像模态的数据,实现数据文件的读取和保存,然后根据两种连接模式的脑区划分流程自动化地进行个体和组水平的脑区划分并记录中间结果,最后实现脑区划分结果的可视化和中间结果的可视化。软件整体概要设计流程图如图1所示。
如图2所示,fMRI脑区划分模块的主要函数应包括:坐标提取函数、图像读取函数、图像预处理函数、配准函数、连接矩阵计算函数、谱聚类函数、反向配准函数、分区结果标记函数、最大概率匹配函数。下面给出fMRI脑区划分模块的主要函数名称及其功能列表,如表1所示。
表1fMRI脑区划分模块函数列表
根据fMRI脑区划分模块的函数列表,下面对其中的每一个函数进行具体介绍。
fMRI_Generate_coordinates_of_ROI()函数的功能是从标准空间中提取ROI的坐标文件。该函数先读取大脑模板(标准空间)的数据文件,大脑模板的数据文件中包含所有体素的空间坐标文件;然后根据输入的ROI区域(ROI区域的选取一般基于相应的解剖学先验知识)从大脑模板的数据文件中复制ROI区域的坐标文件到工作目录下。
fMRI_Read_original_image()函数的功能是从数据文件中读取原始的fMRI图像数据。该函数先读取用户所指定的fMRI图像数据的需求文件,即fMRI个体数据的头文件;然后根据需求文件从数据文件中复制相应的fMRI图像数据到工作目录下。
fMRI_Preprocess_original_image()函数的功能是fMRI图像数据的预处理。在通常情况下,fMRI图像数据的预处理是在SPM和REST软件中完成的。故该函数只需要向SPM和REST软件提供所需要处理的图像数据地址、预处理过后的文件保存地址、文件名称的定义方式即可。一般情况下,预处理后的文件保存地址应选择为工作目录的地址。SPM软件中的数据预处理步骤包括:数据格式转换(Dicom转Nifti)、时间校正、头动校正、配准与空间标准化、空间平滑。REST软件中的数据预处理步骤包括回归生理噪声(也称去线性趋势)和低频滤波。
fMRI_Registration_of_ROI()函数的功能是将ROI从标准空间配准到个体空间。该函数的核心配准功能也是在SPM软件中完成的。在fMRI图像预处理函数的实现过程中,SPM软件中已经生成了标准空间与个体空间中的配准转换矩阵(同时包括正逆矩阵)。这意味着fMRI_Registration_of_ROI()函数只需要将标准空间中的ROI坐标文件输入到SPM软件中利用配准转换矩阵获得个体空间中的ROI坐标文件,最后将个体空间中的ROI坐标文件保存到工作目录下即可。
fMRI_Calculate_connection_matrix()函数的功能是在个体空间中计算ROI内体素的连接矩阵。该函数先根据预处理后的fMRI图像计算ROI内每一体素的功能信号的时间序列,即为ROI内每一个体素生成一个功能信号的向量;然后再基于皮尔逊相关或稀疏表达的方法计算体素之间的相关矩阵;最后再处理相关矩阵使其归一化成为可以用于谱聚类的连接矩阵。
fMRI_Spectral_clustering()函数的功能是基于连接矩阵进行谱聚类。谱聚类的输入包括权值图和聚类类别数。权值图即为fMRI_Calculate_connection_matrix()函数中计算得到的连接矩阵。聚类类别数需要用户定义,一般情况下,为了得到较准确的脑区划分结果,需要遍历聚类类别数,遍历范围为2到最大类别数。最大类别数的选取依据经验值和ROI的属性。
fMRI_Registration_of_segmentation_result()函数的功能是将个体的聚类结果反向配准到标准空间。同样地,这一步主要由SPM软件来完成,直接将个体脑区划分结果输入到SPM中,根据预处理函数中所生成的配准变换矩阵即可得到标准空间中该个体的脑区划分结果。
fMRI_Individual_segmentation_marking()函数的功能是在个体空间中进行脑区划分结果的标记。该函数基于脑区划分结果的体素坐标文件,将属于同一类别的体素在ROI中进行标签标记,从而生成一个ROI内脑区划分的标签方案。通常,标记方法是进行色彩图标记。
fMRI_Maximum_probability_matching()函数的功能是在标准空间中进行组水平的脑区划分结果的最大概率匹配,并生成组水平上最一致的标签方案。该函数基于多个个体的脑区划分结果,对ROI内的每一个体素所属的脑区亚区类别进行最大概率估计,将每一个体素所属的最大概率的脑区亚区作为其在组水平上的划分结果。基于此,可以得到ROI内所有体素在组水平上的最一致分区标签方案,然后进行标签标记即可得到最终的组水平脑区划分方案。
如图3所示,DTI脑区划分模块的主要函数应包括:坐标提取函数、图像读取函数、图像预处理函数、配准函数、弥散张量计算函数、神经纤维追踪函数、谱聚类函数、反向配准函数、分区结果标记函数、最大概率匹配函数。下面给出DTI脑区划分模块的主要函数名称及其功能列表,如表2所示。
表2DTI脑区划分模块函数列表
由表1和表2对比可知,fMRI连接模式的脑区划分和DTI连接模式的脑区划分的大部分函数功能是一致的,其主要不同体现在数据的预处理函数、弥散张量的计算函数和概率性神经纤维追踪函数中。因此,下面只具体介绍DTI脑区划分中的这三个函数。
DTI_Preprocess_original_image()函数的主要功能是对DWI图像进行预处理。DWI图像的预处理主要是在SPM和FSL软件中完成的,SPM中的主要预处理步骤包括数据格式转换(Dicom转Nifti)、头动校正、配准与空间标准化,FSL中的主要预处理步骤包括涡流校正。同样地,在SPM中也会生成标准空间与个体空间的配准转换矩阵(包含正逆矩阵)。
DTI_Calculate_diffusion_tensor()函数的主要功能是计算ROI内体素的弥散张量。该函数的主要功能是在FSL软件中完成的,需要提供的输入文件包括ROI的坐标文件和DWI图像数据,最后的输出是ROI内体素的弥散张量矩阵。
DTI_Probabilistic_tractography()函数的主要功能分别是基于弥散张量矩阵进行概率性神经纤维追踪,得到ROI内体素之间的连接矩阵。其中,概率性神经纤维追踪是在FSL中进行的,利用的是FSL软件中的BEDPOSTX(Bayesian Estimation of DiffusionParameters Obtained using Sampling Techniques with Crossing Fibres)工具,进行多次追踪即可得到体素之间的连接概率值,进而得到ROI的连接矩阵。
根据分区结果可视化的概要设计图,可以得出分区结果可视化模块的主要函数。如图4所示,分区结果可视化模块的函数应包括:分区结果的三维切片可视化、神经纤维追踪结果的可视化、连接矩阵的可视化。分区结果可视化模块的函数及其功能列表如下表3所示。
表3分区结果可视化模块函数列表
Display_of_3D_slicer()函数的主要功能是对分区结果进行三维切片显示。该函数中主要使用的函数库为nibabel库,这是基于Python的神经影像函数库,主要功能是进行神经影像数据的文件I/O和数据管理。在进行三维切片可视化时,先利用nibabel.load函数进行数据文件的读取,然后利用nibabel.viewer中的OrthoSlicer3D对象进行3D切片显示,色彩图可以由用户自己定义或者选择现有的色彩图。
Display_of_tractography()函数的主要功能是对神经纤维的追踪结果进行可视化。该函数中主要使用的函数库为dipy库,同样地,也是一个基于Python的神经影像函数库,主要面向弥散磁共振成像(dMRI)数据的分析和处理。在进行神经纤维追踪结果可视化时,先利用dipy.data.fetcher获取神经纤维追踪结果数据,包括被试名称、T1结构像、FA值数据文件和纤维束数据文件,然后利用dipy.tracking.streamline中的Streamlines对象读取纤维束数据,并利用actor.line方法将streamlines提取为流线形式,利用actor.slicer方法获取断面切片,最后将纤维束的流线形式和断面切片放入窗口显示容器中即可。窗口显示容器中添加了T1结构像的背景图,便于观察纤维束追踪的起始位置和结束位置;同时也具有调整切片位置的滑块控件和调整背景图透明度的滑块控件。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (8)
1.一种多模态连接模式的脑区划分方法,其特征在于,包括:
在基于功能磁共振成像的脑区划分中,当需要获得组水平的脑区划分结果时,需要多进行两步,即将个体结果传播到标准空间,并在标准空间获得组上平均值,为了能同时获得个体水平和组水平的结果,标准步骤如下:
fMRI图像的预处理;
从标准空间提取ROI;
将ROI从标准空间配准到个体空间;
在个体空间中计算体素的连接矩阵;具体包括先根据预处理后的fMRI图像计算ROI内每一体素的功能信号的时间序列,即为ROI内每一个体素生成一个功能信号的向量;然后再基于皮尔逊相关或稀疏表达的方法计算体素之间的相关矩阵;最后再处理相关矩阵使其归一化成为可以用于谱聚类的连接矩阵;
在个体空间中基于连接矩阵进行聚类;具体如下:谱聚类的输入包括权值图和聚类类别数;权值图即为计算得到的连接矩阵;聚类类别数需要用户定义,为了得到较准确的脑区划分结果,需要遍历聚类类别数,遍历范围为2到最大类别数;
基于聚类结果进行个体水平的脑区标记;
将每个个体水平的脑区划分结果反向配准到标准空间;
在标准空间中计算组水平的脑区划分结果;
在基于弥散张量成像的脑区划分中,为了得到组水平的平均值,也需要将个体脑区划分的结果传播到标准空间中,然后再在标准空间中获得组水平的结果,基于弥散张量成像进行脑区划分的完整流程如下:
DWI图像的预处理;
从标准空间提取ROI;
将ROI从标准空间配准到个体空间;
基于DWI图像计算ROI内体素的弥散张量;
基于弥散张量进行神经纤维追踪;
基于神经纤维追踪的结果计算ROI内体素的连接矩阵;
在个体空间中基于连接矩阵进行聚类;
基于聚类结果进行个体水平的脑区标记;
将每个个体水平的脑区划分结果反向配准到标准空间;
在标准空间中计算组水平的脑区划分结果;
基于两种磁共振成像模态的数据,实现数据文件的读取和保存,然后根据两种连接模式的脑区划分流程自动化地进行个体和组水平的脑区划分并记录中间结果,最后实现脑区划分结果的可视化和中间结果的可视化。
2.如权利要求1所述的多模态连接模式的脑区划分方法,其特征在于,从标准空间提取ROI,具体包括:先读取大脑模板的数据文件,大脑模板的数据文件中包含所有体素的空间坐标文件;然后根据输入的ROI区域从大脑模板的数据文件中复制ROI区域的坐标文件到工作目录下。
3.如权利要求1所述的多模态连接模式的脑区划分方法,其特征在于,fMRI图像数据的预处理是在SPM和REST软件中完成的;只需要向SPM和REST软件提供所需要处理的图像数据地址、预处理过后的文件保存地址、文件名称的定义方式;预处理后的文件保存地址应选择为工作目录的地址;SPM软件中的数据预处理步骤包括:数据格式转换、时间校正、头动校正、配准与空间标准化、空间平滑;REST软件中的数据预处理步骤包括回归生理噪声和低频滤波。
4.如权利要求1所述的多模态连接模式的脑区划分方法,其特征在于,最大类别数的选取依据经验值和ROI的属性。
5.如权利要求1所述的多模态连接模式的脑区划分方法,其特征在于,DWI图像的预处理是在SPM和FSL软件中完成的,SPM中的主要预处理步骤包括数据格式转换、头动校正、配准与空间标准化,FSL中的主要预处理步骤包括涡流校正;同样地,在SPM中也会生成标准空间与个体空间的配准转换矩阵。
6.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1到5任一项所述方法的步骤。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1到5任一项所述方法的步骤。
8.一种处理器,其特征在于,所述处理器用于运行存储在存储器上的程序,其中,所述程序运行时执行权利要求1到5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010413761.5A CN111583281B (zh) | 2020-05-15 | 2020-05-15 | 多模态连接模式的脑区划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010413761.5A CN111583281B (zh) | 2020-05-15 | 2020-05-15 | 多模态连接模式的脑区划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111583281A CN111583281A (zh) | 2020-08-25 |
CN111583281B true CN111583281B (zh) | 2023-08-01 |
Family
ID=72117521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010413761.5A Active CN111583281B (zh) | 2020-05-15 | 2020-05-15 | 多模态连接模式的脑区划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111583281B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094987B (zh) * | 2023-10-13 | 2023-12-22 | 四川大学 | 一种优化神经调控物理场方向的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010048438A1 (en) * | 2008-10-22 | 2010-04-29 | The Trustees Of Columbia University In The City Of New York | Images of language-sensitive neurocircuitry as a diagnostic for autism |
CN103093087B (zh) * | 2013-01-05 | 2015-08-26 | 电子科技大学 | 一种基于多任务学习的多模态脑网络特征融合方法 |
CN106204562B (zh) * | 2016-07-04 | 2019-05-07 | 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 |
-
2020
- 2020-05-15 CN CN202010413761.5A patent/CN111583281B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111583281A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7373042B2 (ja) | グラフモデルに基づく脳機能レジストレーション方法 | |
Poulin et al. | Tractography and machine learning: Current state and open challenges | |
Tadel et al. | Brainstorm: A user‐friendly application for MEG/EEG analysis | |
Zhou et al. | DeepNeuron: an open deep learning toolbox for neuron tracing | |
Long et al. | Visualization and analysis of 3D microscopic images | |
US7889898B2 (en) | System and method for semantic indexing and navigation of volumetric images | |
US8076937B2 (en) | Fibre tracking on the basis of macroscopic information | |
CN111260705B (zh) | 一种基于深度卷积神经网络的前列腺mr图像多任务配准方法 | |
Majka et al. | Common atlas format and 3D brain atlas reconstructor: infrastructure for constructing 3D brain atlases | |
Pfister et al. | Visualization in connectomics | |
CN116503680B (zh) | 基于脑图谱的脑影像结构化分析和脑疾病分类系统 | |
CN104281856A (zh) | 用于脑部医学图像分类的图像预处理方法和系统 | |
Chen et al. | DNNBrain: a unifying toolbox for mapping deep neural networks and brains | |
Zhou et al. | Learning stochastic object models from medical imaging measurements by use of advanced ambient generative adversarial networks | |
CN111583281B (zh) | 多模态连接模式的脑区划分方法 | |
CN113822323A (zh) | 脑部扫描图像的识别处理方法、装置、设备及存储介质 | |
Chen et al. | A survey of macroscopic brain network visualization technology | |
del Toro et al. | Texture classification of anatomical structures in CT using a context-free machine learning approach | |
Megalooikonomou et al. | Medical data fusion for telemedicine | |
CN111612762B (zh) | Mri脑肿瘤图像生成方法及系统 | |
CN114283406A (zh) | 细胞图像识别方法、装置、设备、介质及计算机程序产品 | |
Liu et al. | Structure-aware unsupervised tagged-to-cine MRI synthesis with self disentanglement | |
Rohlfing | User guide to the computational morphometry toolkit | |
Shen et al. | Model-driven multicomponent volume exploration | |
Bakhshmand et al. | Real-time interactive tractography analysis for multimodal brain visualization tool: MultiXplore |
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 |