CN113344883B - 一种多层形态学脑网络构建方法、智能终端及存储介质 - Google Patents

一种多层形态学脑网络构建方法、智能终端及存储介质 Download PDF

Info

Publication number
CN113344883B
CN113344883B CN202110649515.4A CN202110649515A CN113344883B CN 113344883 B CN113344883 B CN 113344883B CN 202110649515 A CN202110649515 A CN 202110649515A CN 113344883 B CN113344883 B CN 113344883B
Authority
CN
China
Prior art keywords
morphological
brain
different
determining
same
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
CN202110649515.4A
Other languages
English (en)
Other versions
CN113344883A (zh
Inventor
王金辉
李贞�
李俊乐
王宁凯
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.)
South China Normal University
Original Assignee
South China Normal University
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 South China Normal University filed Critical South China Normal University
Priority to CN202110649515.4A priority Critical patent/CN113344883B/zh
Publication of CN113344883A publication Critical patent/CN113344883A/zh
Application granted granted Critical
Publication of CN113344883B publication Critical patent/CN113344883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (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)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种多层形态学脑网络构建方法、智能终端及存储介质，包括：获取人脑影像数据，对所述人脑影像数据进行预处理，从所述人脑影像数据中提取若干形态学特征；基于预设的皮层图谱对若干所述形态学特征按照脑区进行划分，确定各个所述形态学特征所属的脑区；根据若干所述形态学特征和各个所述形态学特征所属的脑区，构建多层形态学脑网络。本发明构建方法简单，构建出的多层形态学脑网络融合了多种形态学特征，兼顾不同形态学特征之间的关联性和特异性，提供了丰富综合的大脑皮层形态信息，保证了实际研究分析过程中的时间效率、经济效益。

Description

一种多层形态学脑网络构建方法、智能终端及存储介质
技术领域
本发明涉及脑网络构建技术领域，具体涉及一种多层形态学脑网络构建方法、智能终端及存储介质。
背景技术
人脑网络连接模式的勾勒及其组织特点的描述，即人脑连接组学，旨在活体构建并定量刻画人脑网络连接模式，自人脑连接组学概念提出以来，该领域已成为认知神经科学最为热门的研究方向之一。
多层次形态学脑网络是现阶段系统、全面刻画人脑连接模式的不二选择，但现有多层次形态学脑网络的构建方法费时、繁琐，构建的网络是简单拼接而成，忽略了不同形态特征之间的潜在组织关联和影响。
因此，现有技术还有待于改进和发展。
发明内容
针对现有技术的上述缺陷，本发明提供一种多层形态学脑网络构建方法、智能终端及存储介质，旨在解决现有多层次形态学脑网络的构建方法费时、繁琐，忽略了不同形态特征之间的潜在组织关联和影响的问题。
本发明解决技术问题所采用的技术方案如下：
一种多层形态学脑网络构建方法，其中，包括：
获取人脑影像数据，对所述人脑影像数据进行预处理，从所述人脑影像数据中提取若干形态学特征；
基于预设的皮层图谱对若干所述形态学特征按照脑区进行划分，确定各个所述形态学特征所属的脑区；
根据若干所述形态学特征和各个所述形态学特征所属的脑区，构建多层形态学脑网络。
所述的多层形态学脑网络构建方法，其中，所述对所述人脑影像数据进行预处理，从所述人脑影像数据中提取若干形态学特征的步骤包括：
根据所述人脑影像数据，构建中央皮层表面的二维球面网格；
根据所述中央皮层表面的二维球面网格，从所述人脑影像数据中提取若干形态学特征。
所述的多层形态学脑网络构建方法，其中，所述若干形态学特征包括分形维数、折叠指数、脑沟深度以及皮层厚度。
所述的多层形态学脑网络构建方法，其中，所述根据若干所述形态学特征和各个所述形态学特征所属的脑区，构建多层形态学脑网络的步骤包括：
根据各个所述形态学特征所属的脑区，确定同一脑区内的不同形态学特征对应的若干第一相似度以及不同脑区之间的同一形态学特征对应的若干第二相似度；
根据若干所述形态学特征构建若干单层形态学脑网络，并以若干所述第一相似度和若干所述第二相似度分别作为若干所述单层形态学脑网络的层间连接和层内连接，构建多层形态学脑网络。
所述的多层形态学脑网络构建方法，其中，所述根据各个所述形态学特征所属的脑区，确定同一脑区内的不同形态学特征对应的若干第一相似度以及不同脑区之间的同一形态学特征对应的若干第二相似度的步骤包括：
根据各个所述形态学特征所属的脑区，确定同一脑区内的不同形态学特征对应的若干第一JS散度以及不同脑区之间的同一形态学特征对应的若干第二JS散度；
根据若干所述第一JS散度确定同一脑区内的不同形态学特征对应的若干第一相似度，以及根据所述第二JS散度确定不同脑区之间的同一形态学特征对应的若干第二相似度。
所述的多层形态学脑网络构建方法，其中，所述根据各个所述形态学特征所属的脑区，确定同一脑区内的不同形态学特征对应的若干第一JS散度以及不同脑区之间的同一形态学特征对应的若干第二JS散度的步骤包括：
根据各个所述形态学特征所属的脑区，确定同一脑区内的不同形态学特征对应的若干第一KL散度以及不同脑区之间的同一形态学特征对应的若干第二KL散度；
根据若干所述第一KL散度确定同一脑区内的不同形态学特征对应的若干第一JS散度，以及根据所述若干第二KL散度确定不同脑区之间的同一形态学特征对应的若干第二JS散度。
所述的多层形态学脑网络构建方法，其中，所述根据各个所述形态学特征所属的脑区，确定同一脑区内的不同形态学特征对应的若干第一KL散度以及不同脑区之间的同一形态学特征对应的若干第二KL散度的步骤包括：
根据各个所述形态学特征所属的脑区，确定若干所述形态学特征在每个脑区的概率分布函数；
根据若干所述形态学特征在每个脑区的概率分布函数，确定同一脑区内的不同形态学特征对应的若干第一KL散度以及不同脑区之间的同一形态学特征对应的若干第二KL散度。
所述的多层形态学脑网络构建方法，其中，所述根据各个所述形态学特征所属的脑区，确定若干所述形态学特征在每个脑区的概率分布函数的步骤包括：
根据各个所述形态学特征所属的脑区，确定若干所述形态学特征在每个脑区的概率密度函数；
对若干所述形态学特征在每个脑区的概率密度函数进行区间积分，确定若干所述形态学特征在每个脑区的概率分布函数。
一种智能终端，其中，包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述所述的多层形态学脑网络构建方法的步骤。
一种计算机可读存储介质，其上存储有多条指令，其中，所述指令适于由处理器加载并执行，以执行实现上述所述的多层形态学脑网络构建方法的步骤。
本发明的有益效果：本发明构建方法简单，构建出的多层形态学脑网络融合了多种形态学特征，兼顾不同形态学特征之间的关联性和特异性，提供了丰富综合的大脑皮层形态信息，保证了实际研究分析过程中的时间效率、经济效益，构建的多层形态学脑网络可以用于个体化的差异研究。
附图说明
图1是本发明实施例中提供的多层形态学脑网络构建方法的一个实施例流程图；
图2是本发明实施例中提供的超级矩阵的结构示意图；
图3是本发明实施例提供的智能终端的功能原理图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的多层形态学脑网络构建方法，可以应用于终端中。其中，终端可以但不限于是各种个人计算机、笔记本电脑、手机、平板电脑、车载电脑和便携式可穿戴设备。本发明的终端采用多核处理器。其中，终端的处理器可以为中央处理器(Central ProcessingUnit，CPU)，图形处理器(Graphics Processing Unit，GPU)、视频处理单元(VideoProcessing Unit，VPU)等中的至少一种。
示例性方法
当前，人脑连接组学研究主要采用多模态磁共振成像技术来活体提取人脑连接信息，并通过基于数学图论的复杂网络模型对所构建的脑网络加以定量描述。这种方法虽然取得了系列重要发现，但由于基于单层次网络模型(single-layer network model)，在单一尺度下对单一数据模态进行建模，使得对人脑连接模式的认识过于片面，甚至产生偏差，导致假阳性。随着多模态磁共振成像技术的发展，人脑网络可以在不同的空间精度、时间维度和拓扑尺度展开研究，不同层次的脑网络可以进一步通过多层次网络模型(multi-layernetwork model)进行有效整合，综合分析，从而更加真实、全面地刻画大脑的内在组织原理。相对于单层次脑网络，多层次脑网络不但在概念上更加贴合人脑的工作机理，而且被初步证实能够揭示单层次脑网络无法发现的人脑拓扑组织原理以及疾病相关的改变。因此，多层次脑网络是现阶段系统、全面刻画人脑连接模式的不二选择。
现有的形态学脑网络研究已经证实，蕴含在结构磁共振成像中连接信息对理解人脑的正常发育和老化以及不同的神经精神疾病具有重要的作用，并且形态学脑网络研究被证明能够提供独立于扩散磁共振成像和功能磁共振成像的脑网络的特有的组织信息。因此，基于结构磁共振成像的形态学脑网络研究在人脑连接组学研究中发挥着不可或缺的作用。然而，多层次脑网络在结构磁共振成像领域面临着体系不完整、可重复性未知、临床优势不明等困境，且现有多层次形态学脑网络的构建方法费时、繁琐，构建的网络是简单拼接而成，忽略了不同形态特征之间的潜在组织关联和影响。
为了解决上述问题，本发明实施例提供了一种多层形态学脑网络构建方法，请参照图1，图1是本发明提供的一种多层形态学脑网络构建方法的一个实施例的流程图。
在本发明的一个实施例中，所述多层形态学脑网络构建方法有四个步骤：
S100、获取人脑影像数据，对所述人脑影像数据进行预处理，从所述人脑影像数据中提取若干形态学特征。
具体地，所述人脑影像数据为包含被试人员人脑的影像数据，其可通过影像采集设备如3T磁体强度西门子磁共振设备对被试人员进行影像扫描获取。本实施例获取人脑影像数据后，对所述人脑影像数据进行预处理，以从所述人脑影像数据中提取若干形态学特征。
所述形态学特征为用于刻画大脑皮层的形态学指标，其包括但不限于皮层厚度、分形维数、折叠指数、脑沟深度、皮层表面积、最大主曲率、基于体积空间的灰质体积等。为了在后续数据处理过程中排除极端数值的影像，本实施例提取若干形态学特征后，仅保留在均值上下范围预设标准差以内的形态学特征数据。在一具体实施例中，所述预设标准差为2.58个标准差。
发明人经研究发现，对形态学特征进行空间平滑可以增加网络刻画重测稳定性，本实施例在对所述人脑影像数据进行预处理的过程中，对若干形态学特征进行形态学特征的空间平滑，空间平滑所使用的平滑核选用高斯分布函数，平滑核的大小可以根据实际情况调整，如8mm、12mm等。
在一具体实现方式中，步骤S100中所述对所述人脑影像数据进行预处理，从所述人脑影像数据中提取若干形态学特征的步骤包括：
S110、根据所述人脑影像数据，构建中央皮层表面的二维球面网格；
S120、根据所述中央皮层表面的二维球面网格，从所述人脑影像数据中提取若干形态学特征。
具体地，所述形态学特征包括分形维数、折叠指数、脑沟深度以及皮层厚度，其中，分形维数又称皮层复杂性，其通过建构球谐函数(spherical harmonic,SPH)量化了沟回、脑裂在大脑皮层上分布的空间频率，代表球面网格顶点附近的形态复杂程度；折叠指数通过估计皮层的“平滑绝对平均曲率”来揭示，即对于球面网格中的每个顶点，取其半径3mm内区域的曲率平均数的绝对值，以表征这个顶点附近的褶皱程度；脑沟深度代表球面网格中每个顶点相对于软脑膜的距离，它的计算基于中央皮层表面与其凸包(convex hull，可想象为外部包裹的一层紧绷的弹性膜)之间的欧几里得距离；皮层厚度被定义为脑脊液和白质之间的距离，它由基于投影的皮层厚度估算方法(projection-based thickness,PBT)计算得到。
为了从所述人脑影像数据中提取若干形态学特征，本实施例中使用现有的CAT12软件包对所述人脑影像数据进行预处理，该数据包基于UCL开发的SPM12，使用基于投影的皮层厚度估算方法计算得到皮层厚度，同时构建中央皮层表面的二维球面网格(grid)，然后基于该二维球面网格提取分形维数，折叠指数以及脑沟深度。当然，本发明还可以采用其它软件包对人脑影像数据进行预处理，如现有的FreeSurfer软件包、FSL软件包等，本申请对此不作限定。
S200、基于预设的皮层图谱对若干所述形态学特征按照脑区进行划分，确定各个所述形态学特征所属的脑区。
具体地，所述皮层图片为现有的Destrieux Atlas(又名a2009s)图谱、AAL图谱、Harvard-Oxford图谱、Desikan-Killiany图谱、HCP-MMP1图谱等，为了定义网络节点或大脑区域，本实施例中采用广泛使用的皮层图谱，对所述若干形态学特征按照脑区进行划分，确定各个所述形态学特征所属的脑区。由于每个脑区都提取了4种不同的形态学特征，每种特征下构建的网络都属于一个单层脑网络，因此每个脑区会对应基于四种特征下的四个节点(其互为副本节点，即处于不同特征的同一个脑区)，分别处于4个单层内。
S300、根据若干所述形态学特征和各个所述形态学特征所属的脑区，构建多层形态学脑网络。
具体地，本实施例确定各个所述形态学特征所属的脑区后，根据若干所述形态学特征和各个所述形态学特征所属的脑区，构建多层形态学脑网络。本实施例构建方法简单，构建出的多层形态学脑网络融合了多种形态学特征，兼顾不同形态学特征之间的关联性和特异性，提供了丰富综合的大脑皮层形态信息，保证了实际研究分析过程中的时间效率、经济效益，构建的多层形态学脑网络可以用于个体化的差异研究，例如解释不通认知行为的个体间差异、预测认识和行为表现、识别个体等。
在一具体实施方式中，步骤S300具体包括：
S310、根据各个所述形态学特征所属的脑区，确定同一脑区内的不同形态学特征对应的若干第一相似度以及不同脑区之间的同一形态学特征对应的若干第二相似度；
S320、根据若干所述形态学特征构建若干单层形态学脑网络，并以若干所述第一相似度和若干所述第二相似度分别作为若干所述单层形态学脑网络的层间连接和层内连接，构建多层形态学脑网络。
具体地，多层形态学脑网络包含层内连接和层间连接，层内连接用于连接层内节点与其副本节点，层间连接用于连接层间节点与其副本节点，构建多层形态学脑网络的关键点在于如何确定连接使得多特征下的脑网络通过连接进行有效融合。本实施例在构建多层形态学脑网络时，根据各个所述形态学特征所属的脑区，确定同一脑区内的不同形态学特征对应的若干第一相似度以及不同脑区之间的同一形态学特征对应的若干第二相似度。例如，有148个脑区，每个脑区均包含分形维数、折叠指数、脑沟深度以及皮层厚度这四个形态学特征，确定同一脑区内的不同形态学特征对应的若干第一相似度即计算每个脑区内的分形维数、折叠指数、脑沟深度以及皮层厚度这四个形态学特征两两之间的第一相似度，则每个脑区可以得到6个第一相似度，148个脑区共可以得到6*148个第一相似度；确定不同脑区之间的同一形态学特征对应的若干第二相似度是指分别计算148个脑区之间的分形维数的第二相似度，148个脑区之间的折叠指数的第二相似度，148个脑区之间的脑沟深度的第二相似度，以及148个脑区之间的皮层厚度的第二相似度。
每个形态学特征可以构建一个单层形态学网络，则四个形态学特征可以构建四个单层形态学网络，本实施例确定若干第一相似度和若干第二相似度后，根据若干所述形态学特征构建若干单层形态学脑网络，并以若干所述第一相似度和若干所述第二相似度分别作为若干所述单层形态学脑网络的层间连接和层内连接，构建多层形态学脑网络。
在一具体实施方式中，步骤S310具体包括：
S311、根据各个所述形态学特征所属的脑区，确定同一脑区内的不同形态学特征对应的若干第一JS散度以及不同脑区之间的同一形态学特征对应的若干第二JS散度；
S312、根据若干所述第一JS散度确定同一脑区内的不同形态学特征对应的若干第一相似度，以及根据所述第二JS散度确定不同脑区之间的同一形态学特征对应的若干第二相似度。
为了估计层内和层间连接，本实施例中使用基于JS散度(Jensen-Shannondivergence,JSD)的相似性方法量化不同节点(或节点及其副本节点)之间的形态学相似性，根据各个所述形态学特征所属的脑区，得到同一脑区内的不同形态学特征对应的若干第一JS散度以及不同脑区之间的同一形态学特征对应的若干第二JS散度，其中，第一JS散度和第二JS散度的计算公式为：
Figure BDA0003110546980000121
Figure BDA0003110546980000122
其中，JSD为JS散度，P和Q分别为用于比较的两个形态学特征分别对应的概率分布函数，KLD为KL散度。
得到若干第一JS散度和若干第二JS散度后，根据若干所述第一JS散度确定同一脑区内的不同形态学特征对应的若干第一相似度，以及根据所述第二JS散度确定不同脑区之间的同一形态学特征对应的若干第二相似度。其中，第一相似度和第二相似度的计算公式为：
Figure BDA0003110546980000123
其中，JSDs为相似度，JSD为JS散度。
在一具体实施方式中，步骤S311具体包括：
S3111、根据各个所述形态学特征所属的脑区，确定同一脑区内的不同形态学特征对应的若干第一KL散度以及不同脑区之间的同一形态学特征对应的若干第二KL散度；
S3112、根据若干所述第一KL散度确定同一脑区内的不同形态学特征对应的若干第一JS散度，以及根据所述若干第二KL散度确定不同脑区之间的同一形态学特征对应的若干第二JS散度。
具体地，在概率论和统计学中，JS散度是一种测量两个概率分布之间相似性的方法，该散度的算法基于KL散度(Kullback-Leibler divergence,KLD)。因此，本实施例中在确定若干第一JS散度和若干第二JS散度时，首先根据各个所述形态学特征所属的脑区，确定同一脑区内的不同形态学特征对应的若干第一KL散度以及不同脑区之间的同一形态学特征对应的若干第二KL散度，其中，第一KL散度和第二KL散度的计算公式为：
Figure BDA0003110546980000131
其中，KLD为KL散度，n为进行核密度估算时的采样点数，在一具体实施例中，n＝27。
得到若干第一KL散度和若干第二KL散度，即可根据若干所述第一KL散度确定同一脑区内的不同形态学特征对应的若干第一JS散度，以及根据所述若干第二KL散度确定不同脑区之间的同一形态学特征对应的若干第二JS散度。一般来说，KL散度越高，表明P和Q之间的相似性越低，本实施例中基于KL散度的估算结果具有对称、平滑、数值范围有限的特点。
在一具体实施方式中，步骤S3111具体包括：
S31111、根据各个所述形态学特征所属的脑区，确定若干所述形态学特征在每个脑区的概率分布函数；
S31112、根据若干所述形态学特征在每个脑区的概率分布函数，确定同一脑区内的不同形态学特征对应的若干第一KL散度以及不同脑区之间的同一形态学特征对应的若干第二KL散度。
具体地，为了得到若干第一KL散度和若干第二KL散度，本实施例中根据各个所述形态学特征所属的脑区，使用核密度估计(Kernel Density Estimation,KDE)算法得到若干所述形态学特征在每个脑区的概率分布函数，然后对所述若干形态学特征在每个脑区的概率密度函数进行区间积分，得到所述若干形态学特征在每个脑区的概率分布函数(Probability Distribution Function,PDF)，根据所述若干形态学特征在每个脑区的概率分布函数即可得到同一脑区内的不同形态学特征对应的若干第一KL散度以及不同脑区之间的同一形态学特征对应的若干第二KL散度。
当脑区为148个，形态学特征包括分形维数、折叠指数、脑沟深度以及皮层厚度时，在完成对所有层内连接和层间连接的估算后，可以得到4个通过6×148个连边连接起来的148×148的单层脑网络，它们共同组成一个复合的多层脑网络。用图论的方法对该多层脑网络进行分析时，如图2所示，可以将该网络量化为一个592×592的超级矩阵，在这个超级矩阵中，每个节点及其副本节点都被认为是该矩阵的独立的节点，且该矩阵的元素同时包含了层内连接和层间连接。通过对该高级矩阵进行图论运算，可以探索多层形态学脑网络中核心节点、集群系数、模块性等重要的网络拓扑属性，使得图论的方法在结构磁共振成像和人脑连接组的研究中得以延伸，扩大了磁共振成像的方法学分析框架。
示例性设备
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图3所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏和温度传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种多层形态学脑网络构建方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在装置内部设置，用于检测内部设备的当前运行温度。
本领域技术人员可以理解，图3中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时至少可以实现以下步骤：
获取人脑影像数据，对所述人脑影像数据进行预处理，从所述人脑影像数据中提取若干形态学特征；
基于预设的皮层图谱对若干所述形态学特征按照脑区进行划分，确定各个所述形态学特征所属的脑区；
根据若干所述形态学特征和各个所述形态学特征所属的脑区，构建多层形态学脑网络。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本发明公开了一种多层形态学脑网络构建方法、智能终端及存储介质，包括：获取人脑影像数据，对所述人脑影像数据进行预处理，从所述人脑影像数据中提取若干形态学特征；基于预设的皮层图谱对若干所述形态学特征按照脑区进行划分，确定各个所述形态学特征所属的脑区；根据若干所述形态学特征和各个所述形态学特征所属的脑区，构建多层形态学脑网络。本发明构建方法简单，构建出的多层形态学脑网络融合了多种形态学特征，兼顾不同形态学特征之间的关联性和特异性，提供了丰富综合的大脑皮层形态信息，保证了实际研究分析过程中的时间效率、经济效益。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (9)

1.一种多层形态学脑网络构建方法，其特征在于，包括：
获取人脑影像数据，对所述人脑影像数据进行预处理，从所述人脑影像数据中提取若干形态学特征；
基于预设的皮层图谱对若干所述形态学特征按照脑区进行划分，确定各个所述形态学特征所属的脑区；
根据若干所述形态学特征和各个所述形态学特征所属的脑区，构建多层形态学脑网络；
所述根据若干所述形态学特征和各个所述形态学特征所属的脑区，构建多层形态学脑网络的步骤包括：
根据各个所述形态学特征所属的脑区，确定同一脑区内的不同形态学特征对应的若干第一相似度以及不同脑区之间的同一形态学特征对应的若干第二相似度；
根据若干所述形态学特征构建若干单层形态学脑网络，并以若干所述第一相似度和若干所述第二相似度分别作为若干所述单层形态学脑网络的层间连接和层内连接，构建多层形态学脑网络。
2.根据权利要求1所述的多层形态学脑网络构建方法，其特征在于，所述对所述人脑影像数据进行预处理，从所述人脑影像数据中提取若干形态学特征的步骤包括：
根据所述人脑影像数据，构建中央皮层表面的二维球面网格；
根据所述中央皮层表面的二维球面网格，从所述人脑影像数据中提取若干形态学特征。
3.根据权利要求1所述的多层形态学脑网络构建方法，其特征在于，所述若干形态学特征包括分形维数、折叠指数、脑沟深度以及皮层厚度。
4.根据权利要求1所述的多层形态学脑网络构建方法，其特征在于，所述根据各个所述形态学特征所属的脑区，确定同一脑区内的不同形态学特征对应的若干第一相似度以及不同脑区之间的同一形态学特征对应的若干第二相似度的步骤包括：
根据各个所述形态学特征所属的脑区，确定同一脑区内的不同形态学特征对应的若干第一JS散度以及不同脑区之间的同一形态学特征对应的若干第二JS散度；
根据若干所述第一JS散度确定同一脑区内的不同形态学特征对应的若干第一相似度，以及根据所述第二JS散度确定不同脑区之间的同一形态学特征对应的若干第二相似度。
5.根据权利要求4所述的多层形态学脑网络构建方法，其特征在于，所述根据各个所述形态学特征所属的脑区，确定同一脑区内的不同形态学特征对应的若干第一JS散度以及不同脑区之间的同一形态学特征对应的若干第二JS散度的步骤包括：
根据各个所述形态学特征所属的脑区，确定同一脑区内的不同形态学特征对应的若干第一KL散度以及不同脑区之间的同一形态学特征对应的若干第二KL散度；
根据若干所述第一KL散度确定同一脑区内的不同形态学特征对应的若干第一JS散度，以及根据所述若干第二KL散度确定不同脑区之间的同一形态学特征对应的若干第二JS散度。
6.根据权利要求5所述的多层形态学脑网络构建方法，其特征在于，所述根据各个所述形态学特征所属的脑区，确定同一脑区内的不同形态学特征对应的若干第一KL散度以及不同脑区之间的同一形态学特征对应的若干第二KL散度的步骤包括：
根据各个所述形态学特征所属的脑区，确定若干所述形态学特征在每个脑区的概率分布函数；
根据若干所述形态学特征在每个脑区的概率分布函数，确定同一脑区内的不同形态学特征对应的若干第一KL散度以及不同脑区之间的同一形态学特征对应的若干第二KL散度。
7.根据权利要求6所述的多层形态学脑网络构建方法，其特征在于，所述根据各个所述形态学特征所属的脑区，确定若干所述形态学特征在每个脑区的概率分布函数的步骤包括：
根据各个所述形态学特征所属的脑区，确定若干所述形态学特征在每个脑区的概率密度函数；
对若干所述形态学特征在每个脑区的概率密度函数进行区间积分，确定若干所述形态学特征在每个脑区的概率分布函数。
8.一种智能终端，其特征在于，包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述权利要求1-7任一项所述的多层形态学脑网络构建方法的步骤。
9.一种计算机可读存储介质，其上存储有多条指令，其特征在于，所述指令适于由处理器加载并执行，以执行实现上述权利要求1-7任一项所述的多层形态学脑网络构建方法的步骤。
CN202110649515.4A 2021-06-10 2021-06-10 一种多层形态学脑网络构建方法、智能终端及存储介质 Active CN113344883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110649515.4A CN113344883B (zh) 2021-06-10 2021-06-10 一种多层形态学脑网络构建方法、智能终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110649515.4A CN113344883B (zh) 2021-06-10 2021-06-10 一种多层形态学脑网络构建方法、智能终端及存储介质

Publications (2)

Publication Number Publication Date
CN113344883A CN113344883A (zh) 2021-09-03
CN113344883B true CN113344883B (zh) 2022-06-24

Family

ID=77476588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110649515.4A Active CN113344883B (zh) 2021-06-10 2021-06-10 一种多层形态学脑网络构建方法、智能终端及存储介质

Country Status (1)

Country Link
CN (1) CN113344883B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113628167B (zh) * 2021-07-13 2024-04-05 深圳市神经科学研究院 个体化结构脑网络构建方法、系统、电子设备及存储介质
CN117292232B (zh) * 2023-11-24 2024-02-06 烟台大学 T1加权成像的多维空间特征获取方法、系统和设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107658018A (zh) * 2017-10-12 2018-02-02 太原理工大学 一种基于结构连接和功能连接的融合脑网络构建方法
CN109767435A (zh) * 2019-01-07 2019-05-17 哈尔滨工程大学 一种基于持续同调技术的阿尔兹海默症脑网络特征提取方法
CN111539509A (zh) * 2020-04-16 2020-08-14 山东第一医科大学(山东省医学科学院) 一种虚拟数字脑构建方法与系统及智能机器人控制系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942781B (zh) * 2014-04-01 2017-02-08 北京师范大学 一种基于脑影像的脑网络构造方法
CN107909117B (zh) * 2017-09-26 2020-06-16 电子科技大学 基于脑功能网络特征对早晚期轻度认知障碍的分类装置
CN107680677B (zh) * 2017-10-11 2020-09-15 四川大学 基于脑网络分析的神经精神疾病分类方法
US20220399117A1 (en) * 2019-09-25 2022-12-15 Washington University Systems and methods for producing a brain lesion functional mri biomarker, predicting patient prognosis, and treatment planning
CN112634214A (zh) * 2020-12-15 2021-04-09 太原理工大学 一种结合节点属性与多层次拓扑的脑网络分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107658018A (zh) * 2017-10-12 2018-02-02 太原理工大学 一种基于结构连接和功能连接的融合脑网络构建方法
CN109767435A (zh) * 2019-01-07 2019-05-17 哈尔滨工程大学 一种基于持续同调技术的阿尔兹海默症脑网络特征提取方法
CN111539509A (zh) * 2020-04-16 2020-08-14 山东第一医科大学(山东省医学科学院) 一种虚拟数字脑构建方法与系统及智能机器人控制系统

Also Published As

Publication number Publication date
CN113344883A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN115359045B (zh) 基于多模态磁共振成像的图卷积神经网络疾病预测系统
CN113344883B (zh) 一种多层形态学脑网络构建方法、智能终端及存储介质
CN111899252B (zh) 基于人工智能的病理图像处理方法和装置
CN111915691B (zh) 基于神经网络的图像处理系统、方法、终端、及介质
CN113077456B (zh) 基于功能性磁共振成像构建网络模型的训练方法和装置
CN105842642A (zh) 基于峰度张量分数各向异性微结构特征提取方法与装置
CN111461233A (zh) 一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法及装置
CN110866909A (zh) 图像生成网络的训练方法、图像预测方法和计算机设备
Zhu et al. Discovering dense and consistent landmarks in the brain
CN112348785A (zh) 一种癫痫病灶定位方法及系统
CN111681233A (zh) 基于深度神经网络的us-ct图像分割方法、系统及设备
Demirci et al. Cortical thickness systematically varies with curvature and depth in healthy human brains
Cui et al. Hippocampus analysis based on 3D CNN for Alzheimer’s disease diagnosis
CN116844687A (zh) 一种基于舌像和知识图谱的处方推荐方法及系统
Wang et al. Image recognition of pediatric pneumonia based on fusion of texture features and depth features
Fournel et al. Group analysis of self-organizing maps based on functional MRI using restricted Frechet means
Pengyue et al. ANINet: a deep neural network for skull ancestry estimation
WO2023108418A1 (zh) 脑图谱构建及神经环路检测的方法和相关产品
CN115294076A (zh) 一种脑沟异常的预测系统
CN113283465B (zh) 一种弥散张量成像数据分析方法及装置
CN114820480A (zh) 动脉瘤类型识别方法、装置和计算机设备
CN115049634A (zh) 大脑微出血病灶定位分割方法、系统及终端
CN113936172A (zh) 一种基于集成学习融合多模式特征的疾病分类方法及设备
CN116030941B (zh) 基于以边为中心的效应连接网络的阿尔茨海默病诊断方法
CN116205909B (zh) 一种用于预测帕金森病认知障碍的装置和存储介质

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