CN112614126B - 基于机器学习的磁共振图像脑区划分方法、系统和装置 - Google Patents

基于机器学习的磁共振图像脑区划分方法、系统和装置 Download PDF

Info

Publication number
CN112614126B
CN112614126B CN202011623370.2A CN202011623370A CN112614126B CN 112614126 B CN112614126 B CN 112614126B CN 202011623370 A CN202011623370 A CN 202011623370A CN 112614126 B CN112614126 B CN 112614126B
Authority
CN
China
Prior art keywords
brain
magnetic resonance
image
vertex
data
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
Application number
CN202011623370.2A
Other languages
English (en)
Other versions
CN112614126A (zh
Inventor
樊令仲
张瀚天
杨正宜
蒋田仔
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.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
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 Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202011623370.2A priority Critical patent/CN112614126B/zh
Publication of CN112614126A publication Critical patent/CN112614126A/zh
Application granted granted Critical
Publication of CN112614126B publication Critical patent/CN112614126B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06T2207/20081—Training; Learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于图像处理领域，具体涉及了一种基于机器学习的磁共振图像脑区划分方法、系统和装置，旨在解决如何针对个体进行脑组网络图谱绘制并进行快速准确的脑区划分的问题。本发明包括：通过HCP的方法将原始磁共振图像生成解剖结构像磁共振数据和扩散张量磁共振数据，通过网格面重建和概率跟踪法处理解剖结构像磁共振数据，通过概率跟踪法处理扩散张量磁共振数据，获得降维连接特征矩阵，通过M个基于脑网络组图谱训练的区域性分类器对每个顶点进行分类生成顶点分类结果，将分类结果合并获得个体化图谱。本发明可以快速准确的基于磁共振图像进行脑区划分，在具有一致性的情况下保留了个体的差异性。

Description

基于机器学习的磁共振图像脑区划分方法、系统和装置
技术领域
本发明属于图像处理领域，具体涉及了一种基于机器学习的磁共振图像脑区划分方法、系统和装置。
背景技术
脑被认为是人体最复杂也是最神秘的器官，人类对脑功能和结构的研究已经历经很长时间。现在人们一般认为，脑的功能很大程度上取决于结构，结构组织不同的区域功能也很有可能不相同，因此绘制出能够确定出不同区域的脑图谱对于人们理解脑功能有着重要意义。由于人群的脑功能区域存在差异性，相比于从群体得到的脑图谱，个体的脑图谱能更有针对性的反映个体的状况，可以帮助我们进一步认识脑功能和结构的认识，加深对精神疾病的认识。因此绘制精准的个体化脑图谱对于临床的诊断，精准化医疗，以及加深人对脑的理解有着重要意义。
Passingham等人指出每个脑区独特的输入输出模式，即“连接指纹”(connectivity fingerprint)，并且这种“连接指纹”可以反映每个脑区不同的功能，因此涌现出大量根据“连接模式”进行脑区划分的算法。尽管脑区的“连接模式”存在许多种，但在众多连接模式的定义中，表征白纸纤维走向的解剖连接意义最为直观。近些年来磁共振成像观测手段进步十分迅速，其非侵入式活体检测的特点使得磁共振技术大量应用于脑科学的研究。而其中扩散加权成像(Diffusion MRI，dMRI)正是目前唯一可以提供活体白质走向信息的技术。扩散磁共振成像可以探测组织中水分子的扩散情况，从而间接反映脑白质神经纤维等各向异性介质的结构特性，再经由概率跟踪算法可以得到脑中的体素(voxel)和脑中不同区域的解剖连接模式，目前已有大量研究使用解剖连接信息对脑区进行划分。
脑网络组图谱正是依据解剖连接信息对全脑进行划分的代表性图谱，它是一个宏观尺度上的活体全脑连接图谱。它将全脑精细地划分为246个脑区，包括皮层210个脑区，皮下36个核团，具有客观精准的边界定位。脑网络组图谱的分区流程首先使用扩散张量成像(Diffusion Tensor Imaging,DTI)获得感兴趣区域(ROI)中各体素的连接指纹，然后通过计算相关矩阵来获得体素和体素之间的相似度矩阵。之后通过谱聚类算法将ROI分成几个亚区，亚区的数目通过稳定性指标来确定。然而，在应用到个体化分区时，脑网络组图谱使用的谱聚类[3]的分区方式独立地对个体进行分区，由于个体数据有限，会造成分区的结果不稳定。另外，它在验证时以分区模式在人群中的稳定性作为标准，一定程度上忽视了个体的差异性，在个体上的分区效果有待提升。
近些年来很多个体化的分区方法采用联合个体和组水平信息的方式对个体进行分区，它们往往使用组水平脑图谱的信息作为辅助，来帮助个体进行分区，在保证了个体和人群间的一致性同时，又充分表现了个体的差异性。其中具有代表的方法主要利用静息态功能磁共振影像(resting-state fMRI,rs-fMRI)提供的功能连接特征作为分区依据，将组水平的脑图谱作为个体化分区的起始模版，通过迭代的方式，逐步修正个体的每个亚区的边界，直至迭代收敛，获得个体分区的最终结果。另外，人类脑连接组计划在2016年发布了一个基于多模态信息的脑图谱。并提出了一种自动化的个体分区方法，它利用机器学习算法学习每个脑区的连接特征指纹，通过学到的区域性分类器来对新的个体进行预测，最终达到了96.6％的非常高的脑区检测率。但是却没有充分考虑到人脑结构的个异性，在个体上的分区效果也有待提升。
脑图谱是研究脑科学重要的工具，它能够帮助我们理解人脑功能和结构的关系，也能为临床诊疗提供巨大帮助。然而，现有的脑图谱要么是基于个体标本绘制的，无法反映个体间的差异；要么注重图谱在人群中的可靠性和准确性，在很大程度上忽视了个体间的差异。另外，由于个体数据有限且个体脑图谱缺乏金标准，个体水平脑图谱绘制的精度仍然有限。针对这一现状，本发明利用弥散磁共振成像，建立了一套基于解剖连接的个体化脑图谱绘制流程，并且给出了对个体化图谱多角度的定量评估。
发明内容
为了解决现有技术中的上述问题，即如何针对个体进行脑网络组图谱绘制并进行快速准确地脑区划分的问题，本发明提供了一种基于机器学习的磁共振图像脑区划分方法，所述方法包括：
步骤S100，获取原始磁共振图像；
步骤S200，基于所述原始磁共振图像，通过HCP方法生成解剖结构像磁共振数据和扩散张量磁共振数据；
步骤S300，通过网格面重建处理所述解剖结构像磁共振数据获得网格面数据，通过概率跟踪算法处理所述网格面数据和扩散张量磁共振数据，获得降维连接特征矩阵；所述降维连接特征矩阵的每一行表示某个顶点和全脑246个脑区的连接概率；
步骤S400，基于所述降维连接特征矩阵，通过M个基于脑网络组图谱训练的区域性分类器对每个顶点进行分类生成顶点分类结果；M为预设的区域性分类器个数；
步骤S500，将所述顶点分类结果合并，通过图像形态学操作获得脑区分割后的个体化图谱。
进一步地，所述步骤S300包括：
步骤S310，基于所述解剖结构像数据通过网格面重建的方法获得不同位置皮层的网格面数据；所述不同位置皮层的网格面数据包括灰白质交界面和皮层中部等值面数据；
基于所述扩散张量磁共振数据，计算获取每个体素扩散方向的概率分布；
步骤S320，基于所述不同位置皮层的网格面数据和每个体素扩散方向的概率分布，通过概率跟踪种子区域法，将所述灰白质交界面作为种子区域，从所述种子区域的每个顶点发出K条流线估计所述种子区域的连接模式，获取连接特征矩阵；所述连接矩阵大小为皮层顶点全脑体素个数；
步骤S330，将所述连接特征矩阵进行降维生成降维连接特征矩阵。
进一步地，所述将所述连接特征矩阵进行降维生成降维连接特征矩阵，其方法为：
步骤A100，将脑网络组图谱的概率图投射到个体空间，将个体空间中全脑的体素依据所述脑网络组图谱进行归类，获得全脑体素脑亚区的转化矩阵；
步骤A200，基于所述全脑体素×脑亚区的转化矩阵和连接特征矩阵相乘，获得低维连接矩阵；
步骤A300，所述低维连接矩阵每一行进行归一化，获得所述降维连接特征矩阵。
进一步地，所述基于脑网络组图谱训练的区域性分类器，其获得方法为：
步骤B100，将脑网络组图谱的概率图投射到个体空间，生成带标签的训练图像集；
步骤B200，将所述带标签的训练图像集分为不同脑区的带标签的训练图像集，并基于所述不同脑区的带标签的训练图像集通过对应脑区的区域性分类器进行分类，生成训练图像分类结果；
步骤B300，基于所述训练图像分类结果计算加权损失函数反复迭代至所述加权损失函数低于预设的阈值或达到预设的迭代次数，获得基于脑网络组图谱训练的区域性分类器；
所述加权损失函数为：
其中，obj表示目标函数，w(xi)表示样本的权重，表示损失函数，xi表示样本，/>表示目标值，yi表示预测值，所述样本的权重为每个顶点训练师的脑网络组图普概率。
进一步地，所述对应脑区的区域性分类器采用LightGBM分类器。
进一步地，在步骤S500前还包括步骤S500A：基于所述顶点分类结果，去除零散点或区域小于预设的零散阈值的零散区域，获得去除零散点和零散区域的顶点分类结果。
进一步地，所述种子区域的每个顶点发出K条流线，若存在体素到达的流线条数小于或等于预设的噪音条数时，将该体素的流线条数设置为0，优选的所述预设的噪音条数设置为2。
本发明的另一方面，提出了一种基于机器学习的磁共振图像脑区划分系统，其特征在于，所述系统包括：原始图像获取模块、原始图像预处理模块、连接特征获取模块、顶点分类模块和分类结果组合模块；
所述原始图像获取模块，用于获取原始磁共振图像；
所述原始图像预处理模块，用于基于所述原始磁共振图像，通过HCP方法生成解剖结构像磁共振数据和扩散张量磁共振数据；
所述连接特征获取模块，用于通过网格面重建和概率跟踪种子区域方法处理所述解剖结构像磁共振数据，通过概率跟踪算法处理所述扩散张量磁共振数据，获得降维连接特征矩阵；所述降维连接特征矩阵的每一行表示某个顶点和全脑246个脑区的连接概率；
所述顶点分类模块，用于基于所述降维连接特征矩阵，通过M个基于脑网络组图谱训练的区域性分类器对每个顶点进行分类生成顶点分类结果；
所述分类结果组合模块，用于将所述顶点分类结果合并，通过图像形态学操作获得脑区分割后的个体化图谱。
本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于机器学习的磁共振图像脑区划分方法。
本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；所述处理器，适于执行各条程序；所述存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于机器学习的磁共振图像脑区划分方法。
本发明的有益效果：
(1)本发明基于机器学习的磁共振图像脑区划分方法通过将灰白质交界面作为种子区域进行概率追踪，获取皮层上每个顶点地链接指纹并将连接指纹作为分类依据进行区域性分类器训练，训练好的分类器即本方法获得了脑区划分的高度精确性和一致性，保留了个体的差异性，提高临床应用的可行性。
(2)本发明基于机器学习的磁共振图像脑区划分方法，利用概率跟踪算法获取皮层各顶点的解剖连接指纹，以此作为根据对脑进行分区，利用脑网络组图谱提供的数据和信息作为先验知识，将原本没有金标准的个体分区问题转变成有典型的监督学习问题，解决了现有技术中训练数据缺乏，或基于个体标本绘制导致的脑区划分缺乏考虑个体差异性的问题。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明基于机器学习的磁共振图像脑区划分方法实施例的流程示意图；
图2是本发明实施例中步骤S200-步骤S300的流程示意图；
图3是本发明实施例中的原理示意图；
图4是本发明实施例中连接特征矩阵转化原理示意图；
图5是本发明实施例中右脑各脑区区域性分类器准确率图；
图6是本发明实施例中提供的右脑差异性分布图；
图7是本发明实施例中提供的4个被试内和被试间个体化分区结果示意图；
图8为本发明实施例中被试间与被试内相似度对比示意图；
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
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。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种基于机器学习的磁共振图像脑区划分方法，本方法包括步骤S100-步骤S500；
步骤S100，获取原始磁共振图像；
步骤S200，基于所述原始磁共振图像，通过HCP方法生成解剖结构像磁共振数据和扩散张量磁共振数据；
步骤S300，通过网格面重建处理所述解剖结构像磁共振数据获得网格面数据，通过概率跟踪算法处理所述网格面数据和扩散张量磁共振数据，获得降维连接特征矩阵；所述降维连接特征矩阵的每一行表示某个顶点和全脑246个脑区的连接概率；
步骤S400，基于所述降维连接特征矩阵，通过M个基于脑网络组图谱训练的区域性分类器对每个顶点进行分类生成顶点分类结果；M为预设的区域性分类器个数；
步骤S500，将所述顶点分类结果合并，通过图像形态学操作获得脑区分割后的个体化图谱。
为了充分利用现有数据集和脑网络组图谱分区结构中提供的信息，进一步提升脑网络组图谱在个体水平的表现,本发明运用dMRI和T1,T2结构像磁共振数据，将皮层的灰白质交界面作为种子区域进行概率追踪，获得皮层上每个顶点的连接指纹，并将其作为分区的依据，运用机器学习算法学习大量数据来训练每一个脑区的区域性分类器，训练完的分类器可直接用来对新的个体进行高效、准确的分区。
为了更清晰地对本发明基于机器学习的磁共振图像脑区划分方法进行说明，下面结合图1和图3对本发明实施例展开详述。
本发明基于机器学习的磁共振图像脑区划分方法包括步骤S100-步骤S500，具体步骤详述如下：
步骤S100，获取原始磁共振图像；
步骤S200，如图2所示，基于所述原始磁共振图像，通过HCP方法生成解剖结构像磁共振数据和扩散张量磁共振数据；
本实施例采用的方法使用FreeSurfer Pipeline HCP脚本；其中扩散张量磁共振数据为基于容积的数据，其以体素作为数据描述的最小单元，而解剖结构像磁共振数据为网格面数据以顶点作为描述的最小单元，更适合于刻画皮层这种褶皱的结构。分别利用经过处理的解剖结构像数据(T1,T2)和扩散张量成像数据来获取后续模型训练所需的解剖连接特征及网格面数据。
步骤S300，通过网格面重建处理所述解剖结构像磁共振数据获得网格面数据，通过概率跟踪算法处理所述网格面数据和扩散张量磁共振数据，获得降维连接特征矩阵；所述降维连接特征矩阵的每一行表示某个顶点和全脑246个脑区的连接概率；
美国的人类脑连接组计划(Human Connectome Project，HCP)利用西门子公司专门定制的3T高场磁共振成像设备和技术，获得高质量的磁共振数据，达业内最高水准，本发明使用该数据来实现模型训练及测试。本发明选取171个Human Connectome Project的被试作为训练数据。数据首先被分为训练集(137人)和测试集(34人)来寻找LightGBM的最优超参数，由此获得了区域性分类器的最优超参数。我们使用获得的最优超参数并使用全部的171个被试来训练最终的分类器，将训练完的分类器保存至服务器，用于对新个体进行分区。
在本实施例中，所述步骤S300包括：
步骤S310，基于所述解剖结构像数据通过网格面重建的方法获得不同位置皮层的网格面数据；所述不同位置皮层的网格面数据包括灰白质交界面和皮层中部等值面数据；
基于所述扩散张量磁共振数据，计算每个体素扩散方向的概率分布；在本实施例中，可通过FMRIB Diffusion工具箱的方式计算每个体素扩散方向的概率分布；
步骤S320，基于所述不同位置皮层的网格面数据和每个体素扩散方向的概率分布，通过概率跟踪种子区域法，将所述灰白质交界面作为种子区域，从所述种子区域的每个顶点发出K条流线估计所述种子区域的连接模式，获取连接特征矩阵；所述连接矩阵大小为皮层顶点全脑体素个数；优选的，K取5000，概率跟踪算法采用FSL的probtrackx2概率跟踪算法；
在本实施例中，所述种子区域的每个顶点发出K条流线，若存在体素到达的流线条数小于或等于预设的噪音条数时，将该体素的流线条数设置为0。优选的预设的噪音条数设置为2，当某个体素到达的流线条数小于或等于2时，认为这种连接是噪声。
由于概率追踪作用于全脑，每个顶点的连接特征维度会达到60000的量级，且不同被试的连接特征长度和意义不同，不利于后续进行机器学习模型的训练。为了解决该问题需要将原连接矩阵进行降维；
步骤S330，将所述连接特征矩阵进行降维，生成降维连接特征矩阵。
在本实施例中，所述将所述连接特征矩阵进行降维生成降维连接特征矩阵，如图4所示，其方法为：
由于个体的数据本身不具有脑区的标签，因此将组水平的图谱投射到个体上，作为后续有监督学习使用的训练标签。此时对于每个个体的皮层上的每个顶点我们都有了它的连接特征以及对应的脑区标签,就可以采用有监督学习的方式训练模型。
在本实施例中，所述将所述连接特征矩阵进行降维生成降维连接特征矩阵，其方法为：
步骤A100，将脑网络组图谱的概率图投射到个体空间，将个体空间中全脑的体素依据所述脑网络组图谱进行归类，获得全脑体素脑亚区的转化矩阵；
步骤A200，基于所述全脑体素×脑亚区的转化矩阵和连接特征矩阵相乘，获得低维连接矩阵；
步骤A300，将所述低维连接矩阵每一行进行归一化，获得所述降维连接特征矩阵。
步骤S400，基于所述降维连接特征矩阵，通过M个基于脑网络组图谱训练的区域性分类器对每个顶点进行分类生成顶点分类结果；M为预设的区域性分类器个数，可依据脑区的个数确定；
在本实施例中，所述基于脑网络组图谱训练的区域性分类器，其获得方法为：
步骤B100，将脑网络组图谱的概率图投射到个体空间，生成带标签的训图像集；
步骤B200，将所述带标签的训练图像集分为不同脑区的带标签训练图像集，并基于所述不同脑区的带标签的训练图像集通过对应脑区的区域性分类器进行分类，生成训练图像分类结果；
步骤B300，基于所述训练图像分类结果计算加权损失函数，反复迭代至所述加权损失函数低于预设的阈值或达到预设的迭代次数，获得基于脑网络组图谱训练的区域性分类器；
所述加权损失函数为：
其中，obj表示目标函数，w(xi)表示样本的权重，表示损失函数，xi表示样本，/>表示目标值，yi表示预测值，所述样本的权重为每个顶点训练师的脑网络组图普概率。
在本实施例中，由于个体存在差异，组水平标签直接作为个体的训练标签，存在误匹配的情况，为了减小此问题带来的影响，保证分类器能够学习到脑区的代表性的连接指纹，本发明采用了加权的损失函数。将每个皮层亚区的概率图(PM)都投射到标准的皮层网格面，并合并在一起。合并过后的概率图可以表示每个顶点在人群中可靠性的大小，其值越大说明该顶点的标签越可靠，其特征更能反映该脑区的解剖连接模式。
在本实施例中，所述对应脑区的区域性分类器采用LightGBM分类器，LightGBM分类器是梯度提升树算法的一种变种，具有高效、高精度的优点。
在本实施例中，步骤S500前还包括步骤S500A：基于所述顶点分类结果，去除零散点或区域小于预设的零散阈值的零散区域，获得去除零散点和零散区域的顶点分类结果，在本实施例中所述零散阈值优选的取25mm2。
步骤S500，将所述顶点分类结果合并，通过图像形态学操作获得脑区分割后的个体化图谱。
该流程获得了高精度的区域性分类器，平均分类精度高达86％，能有效准确地划分不同的亚区。本发明获得的个体分区结果在组水平上与组水平图谱有很好的一致性，由多个个体的分区计算得到的最大概率图和脑网络组图谱的相似度高达0.93。使用重测(test-retest)数据集，本发明客观地验证了个体化的分区结果可以清晰地刻画个体的差异性。
在验证集中我们计算了每个分类器的准确率，对于单侧大脑的105个皮层亚区，分类器的平均准确率可达88％，最低的准确率也达到78％，每个脑区的分类精度如图5所示，这说明了解剖连接特征在不同脑区存在明显差异,同时分类器有较强的判别能力，较高的分类精度，能够用于脑区精细的划分。最后本发明使用验证集获得的最优参数，在171个被试的数据上训练了的区域性分类器。
另外我们在HCP的test-retest数据中挑选了39个被试(每个被试有2份数据)作为测试集如图7所示，从多个角度验证算法的有效性。本发明所选的训练数据(171个被试)和测试数据(39个被试)之间没有任何重叠，同时它们和用于构建脑网络组图谱的40个被试也没有重叠。通过已训练好的分类器对这39个被试的2份数据都进行了分区。
为了验证分区算法的重复性，我们根据每个顶点在不同人群中分配的标签的情况，来得到最大概率图(Maximum Probability Map,MPM),我们将测试集39个被试获得的最大概率图和脑网络组图谱计算Dice指数，来作为重复性指标，结果得到了0.93的Dice值，比HCP多模态分割(Multi-modal Parcellation,MMP)获得的0.90的Dice值更高，尽管分区数目相比HCP-MMP较少，但该结果仍然可以说明本发明可以充分捕捉人群分区模式的共性，获得稳定的结果。
由于皮层不同脑区的边界在人群中的差异性是不同的，研究发现初级皮层脑区的边界一般在人群中更为稳定，联络皮层则差异性较大。我们通过比较每个脑区的顶点的分区结果和组水平的一致性来作为该脑区的边界稳定性指标，即个体分区结果和组水平脑区标签相同的比例。如图6所示，可以看到运动和感知皮层的边界稳定性相对联络皮层更高，符合直观的认识。
可靠的个体化分区方法不仅能够在人群中表现良好的重复性，也能够反映个体的差异性，通常人们认为相同被试不同采集的分区相似性应该明显高于不同被试的分区结果。4个被试的个体化分区结果(无后处理)展示于图7。两个箭头所指示的脑区(A40c，dld)在个体间差异较大，而在个体内差异相对较小。本发明使用HCP test-retest数据计算Dice因子定量评估分区结果在被试间的相似性和被试内的相似性，计算多对被试的分区结果相似度，取平均值作为最终标准。图8显示了被试间的平均Dice因子(0.73)远小于被试内的平均Dice因子(0.88)。说明本发明可以区分不同个体，刻画个体分区模式的差异。
本发明第二实施例的基于机器学习的磁共振图像脑区划分系统，所述系统包括：原始图像获取模块、原始图像预处理模块、连接特征获取模块、顶点分类模块和分类结果组合模块；
所述原始图像获取模块，用于获取原始磁共振图像；
所述原始图像预处理模块，用于基于所述原始磁共振图像，通过HCP方法生成解剖结构像磁共振数据和扩散张量磁共振数据；
所述连接特征获取模块，用于通过网格面重建和概率跟踪种子区域方法处理所述解剖结构像磁共振数据，通过概率跟踪算法处理所述扩散张量磁共振数据，获得降维连接特征矩阵；所述降维连接特征矩阵的每一行表示某个顶点和全脑246个脑区的连接概率；
所述顶点分类模块，用于基于所述降维连接特征矩阵，通过M个基于脑网络组图谱训练的区域性分类器对每个顶点进行分类生成顶点分类结果；
所述分类结果组合模块，用于将所述顶点分类结果合并，通过图像形态学操作获得脑区分割后的个体化图谱。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于机器学习的磁共振图像脑区划分系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于机器学习的磁共振图像脑区划分方法。
本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于机器学习的磁共振图像脑区划分方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (7)

1.一种基于机器学习的磁共振图像脑区划分方法，其特征在于，所述方法包括：
步骤S100，获取原始磁共振图像；
步骤S200，基于所述原始磁共振图像，通过HCP方法生成解剖结构像磁共振数据和扩散张量磁共振数据；
步骤S300，通过网格面重建处理所述解剖结构像磁共振数据获得网格面数据，通过概率跟踪算法处理所述网格面数据和扩散张量磁共振数据，获得降维连接特征矩阵；所述降维连接特征矩阵的每一行表示某个顶点和全脑246个脑区的连接概率；
所述步骤S300包括：
步骤S310，基于所述解剖结构像数据通过网格面重建的方法获得不同位置皮层的网格面数据；所述不同位置皮层的网格面数据包括灰白质交界面和皮层中部等值面数据；
基于所述扩散张量磁共振数据，计算每个体素扩散方向的概率分布；
步骤S320，基于所述不同位置皮层的网格面数据和每个体素扩散方向的概率分布，通过概率跟踪种子区域法，将所述灰白质交界面作为种子区域，从所述种子区域的每个顶点发出K条流线估计所述种子区域的连接模式，获取连接特征矩阵；所述连接矩阵大小为皮层顶点×全脑体素个数；
步骤S330，将所述连接特征矩阵进行降维生成降维连接特征矩阵；
具体为：
步骤A100，将脑网络组图谱的概率图投射到个体空间，将个体空间中全脑的体素依据所述脑网络组图谱进行归类，获得全脑体素×脑亚区的转化矩阵；
步骤A200，基于所述全脑体素×脑亚区的转化矩阵和连接特征矩阵相乘，获得低维连接矩阵；
步骤A300，将所述低维连接矩阵每一行进行归一化，获得所述降维连接特征矩阵；
步骤S400，基于所述降维连接特征矩阵，通过M个基于脑网络组图谱训练的区域性分类器对每个顶点进行分类生成顶点分类结果；M为预设的区域性分类器个数；
所述基于脑网络组图谱训练的区域性分类器，其获得方法为：
步骤B100，将脑网络组图谱的概率图投射到个体空间，生成带标签的训练图像集；
步骤B200，将所述带标签的训练图像集分为不同脑区的带标签的训练图像集，并基于所述不同脑区的带标签的训练图像集通过对应脑区的区域性分类器进行分类，生成训练图像分类结果；
步骤B300，基于所述训练图像分类结果计算加权损失函数反复迭代至所述加权损失函数低于预设的阈值或达到预设的迭代次数，获得基于脑网络组图谱训练的区域性分类器；
所述加权损失函数为：
其中，obj表示目标函数，w(xi)表示样本的权重，表示损失函数，xi表示样本，表示目标值，yi表示预测值，所述样本的权重为每个顶点训练师的脑网络组图普概率；
步骤S500，将所述顶点分类结果合并，通过图像形态学操作获得脑区分割后的个体化图谱。
2.根据权利要求1所述的基于机器学习的磁共振图像脑区划分方法，其特征在于，所述对应脑区的区域性分类器采用LightGBM分类器。
3.根据权利要求1所述的基于机器学习的磁共振图像脑区划分方法，其特征在于，步骤S500前还包括步骤S500A：基于所述顶点分类结果，去除零散点或区域小于预设的零散阈值的零散区域，获得去除零散点和零散区域的顶点分类结果。
4.根据权利要求1所述的基于机器学习的磁共振图像脑区划分方法，其特征在于，所述种子区域的每个顶点发出K条流线，若存在体素到达的流线条数小于或等于预设的噪音条数时，将该体素的流线条数设置为0。
5.一种基于机器学习的磁共振图像脑区划分系统，其特征在于，所述系统包括：原始图像获取模块、原始图像预处理模块、连接特征获取模块、顶点分类模块和分类结果组合模块；
所述原始图像获取模块，用于获取原始磁共振图像；
所述原始图像预处理模块，用于基于所述原始磁共振图像，通过HCP方法生成解剖结构像磁共振数据和扩散张量磁共振数据；
所述连接特征获取模块，用于通过网格面重建和概率跟踪种子算法处理所述解剖结构像磁共振数据，通过概率跟踪算法处理所述扩散张量磁共振数据，获得降维连接特征矩阵；所述降维连接特征矩阵的每一行表示某个顶点和全脑246个脑区的连接概率；具体为：
基于所述解剖结构像数据通过网格面重建的方法获得不同位置皮层的网格面数据；所述不同位置皮层的网格面数据包括灰白质交界面和皮层中部等值面数据；
基于所述扩散张量磁共振数据，计算每个体素扩散方向的概率分布；
基于所述不同位置皮层的网格面数据和每个体素扩散方向的概率分布，通过概率跟踪种子区域法，将所述灰白质交界面作为种子区域，从所述种子区域的每个顶点发出K条流线估计所述种子区域的连接模式，获取连接特征矩阵；所述连接矩阵大小为皮层顶点×全脑体素个数；
将所述连接特征矩阵进行降维生成降维连接特征矩阵；
所述将所述连接特征矩阵进行降维生成降维连接特征矩阵，其方法为：
步骤A100，将脑网络组图谱的概率图投射到个体空间，将个体空间中全脑的体素依据所述脑网络组图谱进行归类，获得全脑体素×脑亚区的转化矩阵；
步骤A200，基于所述全脑体素×脑亚区的转化矩阵和连接特征矩阵相乘，获得低维连接矩阵；
步骤A300，将所述低维连接矩阵每一行进行归一化，获得所述降维连接特征矩阵；
所述顶点分类模块，用于基于所述降维连接特征矩阵，通过M个基于脑网络组图谱训练的区域性分类器对每个顶点进行分类生成顶点分类结果；
所述基于脑网络组图谱训练的区域性分类器，其获得方法为：
步骤B100，将脑网络组图谱的概率图投射到个体空间，生成带标签的训练图像集；
步骤B200，将所述带标签的训练图像集分为不同脑区的带标签的训练图像集，并基于所述不同脑区的带标签的训练图像集通过对应脑区的区域性分类器进行分类，生成训练图像分类结果；
步骤B300，基于所述训练图像分类结果计算加权损失函数反复迭代至所述加权损失函数低于预设的阈值或达到预设的迭代次数，获得基于脑网络组图谱训练的区域性分类器；
所述加权损失函数为：
其中，obj表示目标函数，w(xi)表示样本的权重，表示损失函数，xi表示样本，表示目标值，yi表示预测值，所述样本的权重为每个顶点训练师的脑网络组图普概率；
所述分类结果组合模块，用于将所述顶点分类结果合并，通过图像形态学操作获得脑区分割后的个体化图谱。
6.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-4任一项所述的基于机器学习的磁共振图像脑区划分方法。
7.一种处理装置，包括处理器，适于执行各条程序；以及存储装置，适于存储多条程序；其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-4任一项所述的基于机器学习的磁共振图像脑区划分方法。
CN202011623370.2A 2020-12-31 2020-12-31 基于机器学习的磁共振图像脑区划分方法、系统和装置 Active CN112614126B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011623370.2A CN112614126B (zh) 2020-12-31 2020-12-31 基于机器学习的磁共振图像脑区划分方法、系统和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011623370.2A CN112614126B (zh) 2020-12-31 2020-12-31 基于机器学习的磁共振图像脑区划分方法、系统和装置

Publications (2)

Publication Number Publication Date
CN112614126A CN112614126A (zh) 2021-04-06
CN112614126B true CN112614126B (zh) 2023-07-25

Family

ID=75252967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011623370.2A Active CN112614126B (zh) 2020-12-31 2020-12-31 基于机器学习的磁共振图像脑区划分方法、系统和装置

Country Status (1)

Country Link
CN (1) CN112614126B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114240887B (zh) * 2021-12-17 2022-08-23 深圳市医未医疗科技有限公司 一种基于脑部多模态图像的处理方法与系统
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
CN115082586B (zh) * 2022-07-12 2023-04-04 中国科学院自动化研究所 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
CN115937129B (zh) * 2022-12-01 2024-04-02 北京邮电大学 基于多模态磁共振影像的左右半脑关系的处理方法及装置
CN117593306B (zh) * 2024-01-19 2024-05-03 数据空间研究院 一种功能磁共振大脑皮层的分区方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102908145B (zh) * 2012-11-09 2015-01-21 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
US10088544B2 (en) * 2015-08-17 2018-10-02 Siemens Healthcare Gmbh Tractography framework with magnetic resonance imaging for brain connectivity analysis
CN107330267A (zh) * 2017-06-28 2017-11-07 首都医科大学宣武医院 利用弥散张量成像医学影像的白质纤维脑图谱构建方法
CN108364007B (zh) * 2018-01-18 2019-06-28 北京师范大学 一种基于脑结构连接约束的脑功能连接特征提取方法
CN109410195B (zh) * 2018-10-19 2020-12-22 山东第一医科大学(山东省医学科学院) 一种磁共振成像脑分区方法及系统
CN109770903B (zh) * 2018-12-29 2019-12-20 中国科学院自动化研究所 功能磁共振影像的分类预测系统
CN110811622A (zh) * 2019-11-12 2020-02-21 北京大学 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

Also Published As

Publication number Publication date
CN112614126A (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
CN112614126B (zh) 基于机器学习的磁共振图像脑区划分方法、系统和装置
Shoeibi et al. Applications of deep learning techniques for automated multiple sclerosis detection using magnetic resonance imaging: A review
Wismüller et al. Cluster analysis of biomedical image time-series
Stanley et al. Defining nodes in complex brain networks
CN108288070B (zh) 一种神经指纹提取分类方法及系统
Shen et al. MRI fuzzy segmentation of brain tissue using neighborhood attraction with neural-network optimization
Hao et al. Fusing multiple deep models for in vivo human brain hyperspectral image classification to identify glioblastoma tumor
WO2023040588A1 (zh) 基于图模型的脑功能配准方法
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
CN110840468B (zh) 自闭症风险评估方法及装置、终端设备、存储介质
CN110415234A (zh) 基于多参数磁共振成像的脑部肿瘤分割方法
Park et al. Segmentation of perivascular spaces in 7 T MR image using auto-context model with orientation-normalized features
CN111192248B (zh) 一种用于核磁共振成像中的椎体定位、识别和分割的多任务关系学习方法
Zhang et al. Deep learning models unveiled functional difference between cortical gyri and sulci
Kaldera et al. MRI based glioma segmentation using deep learning algorithms
CN113096137A (zh) 一种oct视网膜图像领域适应分割方法及系统
Nayan et al. A deep learning approach for brain tumor detection using magnetic resonance imaging
CN111488934A (zh) 脑影像数据处理方法、存储介质、计算机设备和装置
Kaur et al. Utilizing the Random Forest Algorithm to Enhance Alzheimer’s disease Diagnosis
CN115337000B (zh) 基于脑结构影像评估疾病引起大脑衰老的机器学习方法
Hart et al. Connections, Tracts, Fractals, and the Rest: A Working Guide to Network and Connectivity Studies in Neurosurgery
Supriyanti et al. Coronal slices segmentation of mri images using active contour method on initial identification of alzheimer severity level based on clinical dementia rating (CDR)
CN114305387A (zh) 基于磁共振成像的脑小血管病变图像分类方法、设备及介质
CN114494132A (zh) 基于深度学习和纤维束空间统计分析的疾病分类系统
Liang et al. Shape modeling and clustering of white matter fiber tracts using fourier descriptors

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