CN113610808B - 基于个体脑连接图的群体脑图谱个体化方法、系统和设备 - Google Patents
基于个体脑连接图的群体脑图谱个体化方法、系统和设备 Download PDFInfo
- Publication number
- CN113610808B CN113610808B CN202110907483.3A CN202110907483A CN113610808B CN 113610808 B CN113610808 B CN 113610808B CN 202110907483 A CN202110907483 A CN 202110907483A CN 113610808 B CN113610808 B CN 113610808B
- Authority
- CN
- China
- Prior art keywords
- brain
- individual
- connection
- graph
- map
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 336
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000010586 diagram Methods 0.000 title claims description 35
- 239000000835 fiber Substances 0.000 claims abstract description 116
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 39
- 210000004884 grey matter Anatomy 0.000 claims abstract description 37
- 210000004885 white matter Anatomy 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 76
- 238000009826 distribution Methods 0.000 claims description 64
- 238000009792 diffusion process Methods 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 30
- 238000012937 correction Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 12
- 230000001054 cortical effect Effects 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 230000004886 head movement Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 7
- 210000003625 skull Anatomy 0.000 claims description 7
- 238000003702 image correction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 42
- 239000013315 hypercross-linked polymer Substances 0.000 description 16
- 238000005192 partition Methods 0.000 description 15
- 210000003710 cerebral cortex Anatomy 0.000 description 12
- 230000000694 effects Effects 0.000 description 12
- 230000006399 behavior Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 230000001149 cognitive effect Effects 0.000 description 8
- 230000003925 brain function Effects 0.000 description 7
- 238000013102 re-test Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 210000003484 anatomy Anatomy 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 5
- 210000001769 parahippocampal gyrus Anatomy 0.000 description 4
- 230000000284 resting effect Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 230000019771 cognition Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000011748 cell maturation Effects 0.000 description 2
- 230000007585 cortical function Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000003936 working memory Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010230 functional analysis Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000023105 myelination Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明属于图像处理领域,具体涉及了一种基于个体脑连接图的群体脑图谱个体化方法、系统和设备,旨在解决现有的针对脑图谱的功能划分方式难以反映个体间的差异、实现跨个体分析的问题。本发明包括:获取目标的T1加权核磁共振影像和待测目标的弥散核磁共振影像,通过提取白质和灰质表面结构的表面网格三角形节点和边,将灰白质交接面的顶点作为个体脑连接图的节点,并将其空间邻域作为个体脑连接图的边,通过矫正的弥散MRI图像获取纤维束指纹,将纤维束指纹作为个体脑连接图的节点属性,最后通过脑区分类图卷积网络获得分区个体水平脑图谱。本发明建立了个体化脑图谱绘制流程利用了纤维束连接指纹和图卷积网络增加对于个体差异绘制的鲁棒性。
Description
技术领域
本发明属于图像处理领域,具体涉及了一种基于个体脑连接图的群体脑图谱个体化方法、系统和设备。
背景技术
人类大脑皮层可分为多个功能特定区域,具有不同的体内和离体特征。为了了解人脑的功能组织,神经解剖学家最初利用一些人脑建,通过分析细胞构筑,髓鞘化,受体分布和解剖结构来建立了绘制各种群体性的脑图谱。随着技术进步,磁共振成像(MRI)技术已被用于研究活体人脑内的脑部特征(例如,宏观结构,连通性和功能激活),从而对人类图谱进行进一步探索。群体水平的大脑皮层虽然可以反映出人脑群体性的空间分布和区域功能,但是由于环境和遗传等因素,个体的大脑皮层区域的面积大小,位置,空间排列和功能连接模式各不相同。个体化图谱提供的更精确的功能参考,将改善个体水平的功能分析,并揭示与个体行为相关,疾病相关或病变相关位置的个性化影像。
基于脑连接指纹(如功能或解剖连接)的映射可用于定位各个皮层区域并保留各个变异性。群体图谱的先验知识提供了人脑功能和解剖结构的蓝图,但是,实现一个鲁棒,个性特异性的映射仍然存在挑战。这种映射应该能揭示被群体性图谱忽略的个体平均差异,同时可以在重复多次测量中重复此类差异。群体图谱个体化首先要解决的第一个问题是,受试者的个体连接指纹可能受不同大脑状态的影响。尤其是对于患有精神疾病的受试者,其与健康人的脑功能连接模式可能有所不同,这给基于功能连接的个性化带来了困难。其次,群体先验应该被可靠的方式加入到映射方法中来应对在不同的MRI扫描仪上的连接指纹的变化。以往对于群体先验的利用一直仅限于提供皮层区域的大致空间位置或这些位置的平均指纹。典型解决方案是迭代地寻找与各脑区平均连接指纹最相似的顶点。然而当面对不同扫描图像的指纹噪声时,基于单个顶点的分析会降低个体化图谱的特异性的可靠程度。整个皮质区域应作为一个整体进行系统地分析,以增强个体特异性的置信度。因为大脑的功能连接的空间相似性和皮层功能激活反应总是呈现团簇的分布模式。因此,基于连接指纹的局部信息而不是单一连接指纹更适合在脑图谱个体化中提供可靠的功能区分。
发明内容
为了解决现有技术中的上述问题,即现有的针对脑图谱的功能划分方式难以反映个体间的差异,难以实现跨个体分析的问题,本发明提供了一种基于个体脑连接图的群体脑图谱个体化方法,所述方法包括:
步骤S100,获取待测目标的T1加权核磁共振影像和待测目标的弥散核磁共振影像;
步骤S200A,基于所述T1加权核磁共振影像影像进行去颈部和剥头骨处理,进一步获得白质和灰质表面结构;
步骤S200B,基于所述待测目标的弥散核磁共振影像通过头动矫正、涡动矫正和平面回波图像敏感性引起的场失真矫正,获得矫正的弥散MRI图像;
步骤S300A,对所述白质和灰质表面结构提取表面网格三角形节点和边;
步骤S300B,基于所述矫正的弥散MRI图像,通过概率追踪算法,获取纤维束指纹;包括步骤S310B-步骤S350B;
步骤S310B,将所述待测目标的T1加权核磁共振影像和待测目标的弥散核磁共振影像通过线性配准的方法映射到统一的个体弥散MRI空间;所述白质和灰质表面结构和面网格三角形节点和边也映射到个体弥散MRI空间中;
步骤S320B,基于所述矫正的弥散MRI图像,估计各体素多个纤维束方向的概率分布,并通过概率跟踪算法,获得全脑体素的概率分布图,将表面网格三角形节点作为种子点,获取图节点×全脑体素的密集连接矩阵;
步骤S330B,基于所述矫正的弥散MRI图像,分割出预设的72条个体纤维束分布,获得全脑体素×72条纤维束标签的分布矩阵;
步骤S340B,基于所述图节点×全脑体素的密集连接矩阵和全脑体素×72条纤维束标签的分布矩阵,获得全脑体素×纤维束的连接矩阵;
步骤S350B,将所述全脑体素×纤维束的连接矩阵按照每个纤维束区域的大小进行平均处理,然后通过归一化处理使每个图节点在72条纤维束的概率分布和为1,获得归一化连接矩阵;所述归一化连接矩阵的行表示对应定点的解剖连接在个体72条纤维束的分布概率;所述归一化连接矩阵即为个体纤维束指纹;
步骤S400,将所述白质和灰质表面结构中的灰白质交接面的顶点作为个体脑连接图的节点,将表面顶点的空间邻域作为个体脑连接图的边,将个体纤维束指纹作为节点的属性,构建个体脑连接图;
步骤S500,基于所述个体脑连接图,通过训练好的脑区分类图卷积网络进行脑区分类,获得分区个体水平脑图谱。
在一些优选的实施方式中,所述步骤S200A,具体为,基于所述T1加权核磁共振影像,通过Freesurfer和ConnectomeWorkbench工具箱,获得白质和灰质表面结构。
在一些优选的实施方式中,所述估计各体素多个纤维束方向的概率分布,通过FMRIB Diffusion工具箱实现。
在一些优选的实施方式中,所述获取图节点×全脑体素的密集连接矩阵,具体方法为:
使用FSL的probtrackx2概率跟踪算法,将图节点作为种子节点,从种子节点发出预设数量的流线来估计顶点在全脑的连接模式,并获得顶点数×全脑体素个数的连接矩阵;
当顶点发出预设数量的流线在某个体素上到达的数量即连接值小于或等于预设的噪音阈值时,将该体素的连接值设置为0,获得图节点×全脑体素的密集连接矩阵。
在一些优选的实施方式中,所述脑区分类图卷积网络,其训练方法为
获取正常的个体脑连接图数据集作为训练数据集;所述训练数据集包括脑连接图和通过形态学匹配的概率标签,总共有C个类别的脑区标签;
获取随机顺序的脑连接图数据集;所述随机顺序的脑连接图数据集的各图节点的指纹特征被随机打乱顺序,并将对应的脑区类别标签设置为0;
将个体的脑连接图作为脑区分类图卷积网络的输入,通过ChebNet的训练框架进行弱监督训练,通过softmax层输出各节点K=C+1个脑区的概率;所述个体的脑连接图包括邻接矩阵和顶点特征;
每个阶段选取最大概率的脑区作为皮层脑区划分结果;
多次输入个体的脑连接图或脑连接图数据,直至损失函数预设的损失函数低于预设的阈值,获得训练好的脑区分类图卷积网络。
在一些优选的实施方式中,所述损失函数为:
其中,wi为对应图节点i在群体脑图谱数据的最大概率脑区对应的概率值,yi,k为群体脑图谱数据对应的最大概率脑区,pi,k为输出的对应脑区的概率值,N为图节点数量,K为划分的区域数量。
在一些优选的实施方式中,所述分割出预设的72条个体纤维束分布,通过TractSeg工具包实现。
本发明的另一方面,提出了一种基于个体脑连接图的群体脑图谱个体化系统,包括图像获取模块、表面提取模块、MRI图像矫正模块、网格提取模块、纤维束指纹获取模块、个体脑连接图获取模块和脑区分类模块;
所述图像获取模块,配置为获取待测目标的T1加权核磁共振影像和待测目标的弥散核磁共振影像;
所述表面提取模块,配置为基于所述T1加权核磁共振影像影像进行去颈部、剥头骨步骤获得处理,进而获得白质和灰质表面结构;
所述MRI图像矫正模块,配置为待测目标的弥散核磁共振影像通过头动矫正、涡动矫正和平面回波图像敏感性引起的场失真矫正,获得矫正的弥散MRI图像;
所述网格提取模块,配置为对所述白质和灰质表面结构提取表面网格三角形节点和边;
所述纤维束指纹获取模块,配置为基于所述矫正的弥散MRI图像,通过概率追踪算法,获取纤维束指纹;具体包括:
将所述待测目标的T1加权核磁共振影像和待测目标的弥散核磁共振影像通过线性配准的方法映射到统一的个体弥散MRI空间;所述白质和灰质表面结构和面网格三角形节点和边也映射到个体弥散MRI空间中
基于所述矫正的弥散MRI图像,估计各体素多个纤维束方向的概率分布,并通过概率跟踪算法,获得全脑体素的概率分布图,将将表面网格三角形节点作为种子点,获取图节点×全脑体素的密集连接矩阵;
基于所述矫正的弥散MRI图像,分割出预设的72条个体纤维束分布,获得全脑体素×72条纤维束标签的分布矩阵;
基于所述图节点×全脑体素的密集连接矩阵和全脑体素×72条纤维束标签的分布矩阵,获得全脑体素×纤维束的连接矩阵;
将所述全脑体素×纤维束的连接矩阵按照每个纤维束区域的大小进行平均处理,然后通过归一化处理使每个图节点在72条纤维束的概率分布和为1,获得归一化连接矩阵;所述归一化连接矩阵的行表示对应定点的解剖连接在个体72条纤维束的分布概率;所述归一化连接矩阵即为个体纤维束指纹;
个体脑连接图获取模块,将所述白质和灰质表面结构中的灰白质交接面的顶点作为个体脑连接图的节点,将表面顶点的空间邻域作为个体脑连接图的边,将个体纤维束指纹作为节点的属性,构建个体脑连接图;
所述脑区分类模块,配置为基于所述个体脑连接图,通过训练好的脑区分类图卷积网络进行脑区分类,获得分区个体水平脑图谱。
本发明的第三方面,提出了一种电子设备,包括:
至少一个处理器;以及与至少一个所述处理器通信连接的存储器;其中,所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述的基于个体脑连接图的群体脑图谱个体化方法。
本发明的第四方面,提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于被所述计算机执行以实现上述的基于个体脑连接图的群体脑图谱个体化方法。
本发明的有益效果:
(1)本发明通过结构和弥散磁共振成像(MRI),建立了一套基于群体图谱先验信息的个体化脑图谱绘制流程利用了纤维束连接指纹和图卷积网络增加对于个体差异绘制的鲁棒性,提高对个体功能的描绘,从而提高行为及认知的个体表征。在临床上提供辅助的定位,提高临床应用的可能性。
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是本发明基于个体脑连接图的群体脑图谱个体化方法实施例的流程示意图;
图2是本发明基于个体脑连接图的群体脑图谱个体化方法实施例的构建个体脑连接图的原理示意图;
图3是本发明基于个体脑连接图的群体脑图谱个体化方法实施例中脑区分类图卷积网络训练的原理示意图;
图4是本发明实施例的分区效果验证示意图;
图5是本发明实施例的个图图谱与群体图谱的拓扑一致性验证示意图;
图6是本发明实施例中HCP test-retest数据集上的分区图谱可靠性效果验证示意图;
图7是本发明实施例中个体脑区的变绿和灰质表面的脑区概率分布图;
图8是本发明实施例中脑区分类网络在多站点多机型的MASiVar数据集的上的泛化性验证效果示意图;
图9是本发明实施例中在HCP测试集中,对ITG和PhG区域平均纤维纸连接指纹的t-SNE投影示意图;
图10是基于个体化脑图谱的功能连接网络对个体认知行为预测能力的提升示意图。
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个体脑连接图的群体脑图谱个体化方法,本方法通过结构和弥散磁共振成像(MRI),建立了一套基于群体图谱先验信息的个体化脑图谱绘制流程利用了纤维束连接指纹和图卷积网络增加对于个体差异绘制的鲁棒性。提高对个体功能的描绘,从而提高行为及认知的个体表征。
本发明的一种基于个体脑连接图的群体脑图谱个体化方法,所述方法包括:
步骤S100A,获取待测目标的T1加权核磁共振影像和待测目标的弥散核磁共振影像;
步骤S200A,基于所述T1加权核磁共振影像进行去颈部和剥头骨步骤处理,进一步获得白质和灰质表面结构;
步骤S200B,基于所述待测目标的弥散核磁共振影像通过头动矫正、涡动矫正和平面回波图像敏感性引起的场失真矫正,获得矫正的弥散MRI图像;
步骤S300A,对所述白质和灰质表面结构提取表面网格三角形节点和边;
步骤S300B,基于所述矫正的弥散MRI图像,通过概率追踪算法,获取纤维束指纹;包括步骤S310B-步骤S350B;
步骤S310B,将所述待测目标的T1加权核磁共振影像和待测目标的弥散核磁共振影像通过线性配准的方法映射到统一的个体弥散MRI空间;所述白质和灰质表面结构和面网格三角形节点和边也映射到个体弥散MRI空间中;
步骤S320B,基于所述矫正的弥散MRI图像,估计各体素多个纤维束方向的概率分布,并通过概率跟踪算法,获得全脑体素的概率分布图,将表面网格三角形节点作为种子点,获取图节点×全脑体素的密集连接矩阵;
步骤S330B,基于所述矫正的弥散MRI图像,分割出预设的72条个体纤维束分布,获得全脑体素×72条纤维束标签的分布矩阵;
步骤S340B,基于所述图节点×全脑体素的密集连接矩阵和全脑体素×72条纤维束标签的分布矩阵,获得全脑体素×纤维束的连接矩阵;
步骤S350B,将所述全脑体素×纤维束的连接矩阵按照每个纤维束区域的大小进行平均处理,然后通过归一化处理使每个图节点在72条纤维束的概率分布和为1,获得归一化连接矩阵;归一化连接矩阵的行表示对应定点的解剖连接在个体72条纤维束的分布概率;所述归一化连接矩阵即为个体纤维束指纹;
步骤S400,将所述白质和灰质表面结构中的顶点作为个体脑连接图的节点,将顶点的空间邻域作为个体脑连接图的边,将个体纤维束指纹作为节点的属性,构建个体脑连接图;
步骤S500,基于所述个体脑连接图和,通过训练好的脑区分类图卷积网络进行脑区分类,获得分区个体水平脑图谱。
为了更清晰地对本发明基于个体脑连接图的群体脑图谱个体化方法进行说明,下面结合图1对本发明实施例中各步骤展开详述。
本发明第一实施例的基于个体脑连接图的群体脑图谱个体化方法,包括步骤S100-步骤S500,各步骤详细描述如下:
脑图谱是对复杂大脑结构和功能的一种有效的功能划分手段。然而,现有的群体大多数脑图谱注重图谱在人群中的可靠性和准确性,通过配准方法无法反映个体间的差异。而无先验的绘制个体图谱又缺乏跨个体脑区比较的基础。所以,本发明利用结构和弥散磁共振成像(MRI),建立了一套基于群体图谱先验信息的个体化脑图谱绘制流程,方法利用了纤维束连接指纹和图卷积网络增加对于个体差异绘制的鲁棒性。群体图谱个体化方法可以较为鲁邦迪在个体上绘制具有个体特意新的脑图谱,同时提供更精确的个体功能参考的参考。这将提高对个体功能的描绘,从而提高行为及认知的个体表征,同时在临床上为个体化的脑部刺激治疗,脑部手术提供辅助的定位。
本发明的脑区分类图卷积网络只需使用个体的结构MRI和弥散MRI,自动将个体大脑划分为各个功能区域。本发明先利用个体皮层重建的结果,在左右半脑的fs_LR32k空间建立约3万个点的邻域空间连接构成了个体脑连接图的图结构。同时借鉴了传统的解剖连接分区流程,利用概率性纤维跟踪算法,纤维束嵌入等技术获得图节点上的纤维束指纹。过图谱卷积网络整合大脑形态和连接特征,来学习各个群体先验位置的信息,从而将特征对应的区域投射到个体皮层上。已训练的区域性分类器可以直接投入到个体分区的应用场景,能高效准确地完成最终的个体化脑图谱绘制。
步骤S100,获取待测目标的T1加权核磁共振影像和待测目标的弥散核磁共振影像;
步骤S200A,基于所述T1加权核磁共振影像进行去颈部和剥头骨步骤处理,进一步获得白质和灰质表面结构;
在本实施例中,所述步骤S200A,具体为,基于所述T1加权核磁共振影像,通过Freesurfer和Connectome Workbench工具箱,获得白质和灰质表面结构。
步骤S200B,基于待测目标的弥散核磁共振影像通过头动矫正、涡动矫正和平面回波图像敏感性引起的场失真矫正,获得矫正的弥散MRI图像;
步骤S300A,对所述白质和灰质表面结构提取表面网格三角形节点和边;
脑连接指纹(如功能或解剖连接)使基于指纹的映射成为可能,该映射可用于定位各个皮层区域并保留各个变异性。群体图谱的先验知识为来提供人脑功能和解剖结构的蓝图,但是,实现一个鲁棒,个性特异性的映射仍然存在挑战。这种映射应该能揭示被群体性图谱忽略的个体平均差异,同时可以在重复多次测量中重复此类差异。群体图谱个体化首先要解决的第一个问题是,受试者的个体连接指纹可能受不同大脑状态的影响。尤其是对于患有精神疾病的受试者,其与健康人的脑功能连接模式可能有所不同,这给基于功能连接的个性化带来了困难。其次,群体先验应该被可靠的方式加入到映射方法中来应对在不同的MRI扫描仪上的连接指纹的变化。以往对于群体先验的利用一直仅限于提供皮层区域的大致空间位置或这些位置的平均指纹。典型解决方案是迭代地寻找与各脑区平均连接指纹最相似的顶点。然而当面对不同扫描图像的指纹噪声时,基于单个顶点的分析会降低个体化图谱的特异性的可靠程度。整个皮质区域应作为一个整体进行系统地分析,以增强个体特异性的置信度。因为大脑的功能连接的空间相似性和皮层功能激活反应总是呈现团簇的分布模式。因此,基于连接指纹的局部信息而不是单一连接指纹更适合在脑图谱个体化中提供可靠的功能区分。
步骤S300B,基于所述矫正的弥散MRI图像,通过概率追踪算法,获取纤维束指纹;包括步骤S310B-步骤S350B;
步骤S310B,将所述待测目标的T1加权核磁共振影像和待测目标的弥散核磁共振影像通过线性配准的方法映射到统一的个体弥散MRI空间;所述白质和灰质表面结构和面网格三角形节点和边也映射到个体弥散MRI空间中;
步骤S320B,基于所述矫正的弥散MRI图像,估计各体素多个纤维束方向的概率分布,并通过概率跟踪算法,获得全脑体素的概率分布图,将表面网格三角形节点作为种子点,获取图节点×全脑体素的密集连接矩阵;
在本实施例中,所述估计各体素多个纤维束方向的概率分布,通过FMRIBDiffusion工具箱实现。
在本实施例中,所述获取图节点×全脑体素的密集连接矩阵,具体方法为:
使用FSL的probtrackx2概率跟踪算法,将图节点作为种子节点,从种子节点发出预设数量的流线来估计顶点在全脑的连接模式,并获得顶点数×全脑体素个数的连接矩阵;其中,预设数量的流线优选的全区5000条;
当顶点发出预设数量的流线在某个体素上到达的数量即连接值小于或等于预设的噪音阈值时,将该体素的连接值设置为0,获得图节点×全脑体素的密集连接矩阵。所述预设的噪音阈值,本实施例优选的设置为2.
步骤S330B,基于所述矫正的弥散MRI图像,分割出预设的72条个体纤维束分布,获得全脑体素×72条纤维束标签的分布矩阵;
步骤S340B,基于所述图节点×全脑体素的密集连接矩阵和全脑体素×72条纤维束标签的分布矩阵,获得全脑体素×纤维束的连接矩阵;
步骤S350B,将所述全脑体素×纤维束的连接矩阵按照每个纤维束区域的大小进行平均处理,然后通过归一化处理使每个图节点在72条纤维束的概率分布和为1,获得归一化连接矩阵;所述归一化连接矩阵的行表示对应定点的解剖连接在个体72条纤维束的分布概率;所述归一化连接矩阵即为个体纤维束指纹;
所述分割出预设的72条个体纤维束分布,通过TractSeg工具包实现。
所述72条纤维束如表1所示:
表1.模型中使用的72条个体纤维束的名称
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,不利于图模型的训练,同时为了精准刻画个体的解剖结构,本发明采用纤维束指纹作为图的节点属性。
步骤S400,将所述白质和灰质表面结构中的顶点作为个体脑连接图的节点,将顶点的空间邻域作为个体脑连接图的边,将个体纤维束指纹作为节点的属性,构建个体脑连接图;本实施例中,步骤S100-步骤S400的步骤如图2所示;
步骤S500,基于所述个体脑连接图和,通过训练好的脑区分类图卷积网络进行脑区分类,获得分区个体水平脑图谱。分区效果验证示意图如图4所示。
本实施例中,如图3所示,所述脑区分类图卷积网络,其训练方法为:
由于个体的数据本身不具有脑区的标签,本发明选择用群体脑图谱提供概率性标签,以此将个体分区任务转化为有监督的图节点分类问题。在这个监督问题中,对于每个个体连接图上的每个顶点,都有它的解剖连接特征以及对应的脑区概率性标签,因此可以利用个体脑连接图在群体先验下分布进行弱监督训练。
机器学习的三个特征(灵活的建模,强大的数据拟合和推理能力)使其有利于基于群体先验知识提取皮层连接局部信息,并推断相应的皮层区域。首先,由于图卷积网络(GCN)具有灵活性,因此可以用来建模非欧几里德几何空间(例如大脑皮层表面)。这使得可以将个体皮质表面视为一个个体脑图,从而对表面上的所有区域进行整体性的分析。其次,由于图卷积核(例如Chebyshev多项式)可以在图上提取每个顶点的连接指纹的局部信息。本发明通过使用机器学习的强大拟合能力,获得各脑区与其连接指纹局部信息之间的关系。最后,机器学习方法在个体水平上精确地分割各个解剖结构(例如纤维束),从而通过个体的纤维束空间得到各顶点的纤维束指纹。
获取正常的个体脑连接图数据集作为训练数据集;所述训练数据集包括脑连接图和通过形态学匹配的概率标签,总共有C个类别的脑区标签;
获取随机顺序的脑连接图数据集;所述随机顺序的脑连接图数据集的各图节点的指纹特征被随机打乱顺序,并将对应的脑区类别标签设置为0;
将个体的脑连接图作为脑区分类图卷积网络的输入,通过ChebNet的训练框架进行弱监督训练,通过softmax层输出K=C+1个脑区的概率;所述个体的脑连接图包括邻接矩阵和顶点特征;K为划分的区域数量;
每个阶段选取最大概率的脑区作为皮层脑区划分结果;
多次输入个体的脑连接图或脑连接图数据,直至损失函数预设的损失函数低于预设的阈值,获得训练好的脑区分类图卷积网络。
ChebNet的模型利用契比雪夫多项式构造了个体脑连接图的多个结构子图来在不同的空间邻域进行特征提取,将组水平的图谱投射到个体上,同时结合各脑区在表面上的分布概率,构造损失函数来监督图卷积网络的训练。ChebNet包括2个图卷积卷积+2个线性整流层;
在本实施例中,所述损失函数为:
其中,wi为对应图节点i在群体脑图谱数据的最大概率脑区对应的概率值,yi,k为群体脑图谱数据对应的最大概率脑区,pi,k为输出的对应脑区的概率值,N为图节点数量,K为划分的区域数量。
由于是在个体的空间图连接网络上进行训练来增强分区的鲁棒性,同时考虑了个体内的纤维束的分布体现了个体的差异性分布。所以个体化的分区结果充分体现了个体特异的脑分区结构。
模型训练所使用的数据集为美国的人类脑连接组(Human Connectome Project,HCP)。该数据集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170个HCP的被试作为训练数据。数据首先被分为训练集(100人),测试集(20人),验证集(50人)测试集来寻找图模型的最优超参数,由此获得了分类器的最优超参数。之后用训练集训练最优的模型参数,验证集用来评估模型分区效果。
在本实施例中,还包括对模型效果的评估。
采用HCP测试集(50人)、HCP test-retest训练集(44人,共88次)和MASiVar成人数据集(16人,72次)。以脑网络组的群体图谱为例进行个体化模型的训练。模型的效果从4个方面来评估:1)个体图谱与群体图谱的拓扑相似性。2)个体图谱的特异性和鲁棒性。3)个体图谱的解剖连接的均一性。4)基于个体图谱的功能连接对个体认知行为预测能力的提升。
1)个体图谱与群体图谱的拓扑相似性:在HCP训练集和验证集中,计算脑网络组图谱210个皮层分区的各项指标,包括和群体最大概率图的重合度,脑区大小检测率,个体化图谱的最大概率的重合度,如图5所示。结果表明,在训练集和测试集中,所有210个皮层脑区在个体脑图谱上的分布和先验分区的重合度平均为Dice=0.76。210个脑区的检测率也在98.7%。基于训练集和测试集中国个体脑图谱分别形成的最大概率图(MMP),两者的重合度也在98.9%。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,保留群体脑图谱的特点。
2)个体图谱的特异性和鲁棒性: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。我们首先在HCP的test-retest数据中挑选了44个被试(每个被试有2份数据)评估个体鲁棒性和特异性。本发明所选的HCP训练数据(170个被试)和HCP的test-retest(44个被试)之间没有任何重叠。通过已训练好BAI-Net模型对HCP的test-retest数据集(44个被试)进行了分区。如图6a所示,该数据集的3个被试的个体分区的示例。两个箭头所指示的脑区(A39rv,A45c,cLinG)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6b显示了被试间的平均Dice因子(0.726)远小于被试内的平均Dice因子(0.901)。说明本发明可以区分不同个体,刻画个体分区模式的差异。
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。所以我们还计算了各个脑区在个体间变化的效应量。通过比较每个脑区的区域重合度在个体间的效应量反应各脑区个体间变化程度。如图7a个体脑区的变率(效应量Cohen’s d)和灰质表面的脑区概率分布图所示,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,而额中回(MFG)和顶下小叶(IPL)都表现出比较大的个体差异性,比较符合以往对于功能梯度的理解。同时按照表面平均的最大脑区概率分布,如图7b所示,这种变化主要分布在群体图谱的边缘地区。
3)个体图谱的解剖连接的均一性:群体图谱个体化的优点之一是它尽可能保持了个体间脑区连接模式的一致性。在相同脑区内的节点的连接模式更加区域一致。我们比较了通过形态学配准的图谱和个体化图谱的各脑区平均的脑区纤维束指纹,并将纤维束指纹通过t-SNE进行2维投影。如图8,以海马旁回(PhG)和下颞回(ITG)为例,个体化图谱的脑区平均结构指纹在个体间更加集中,其连接模式更加一致。同时我们还计算了脑区均一性指标Homogeneity,即同一被试的脑区内部的各个节点之间的解剖连接的两两相关性,然后平均所有脑区。图8表示BAI-Net模型在多站点多机型的MASiVar数据集的上的泛化性。a:sub-cIIs04被试基于4个不同扫描得到的dMRI图像进行个体化分区的示例。b:对于相同的受试者(intra-subject)和不同的受试者(inter-subject)分别在相同的扫描仪(intra-scanner)和不同的扫描仪(inter-scanner)的个体化分区的重复性。相比于形态学配准的图谱的均一性为0.2605,个体化的图谱的均一性提升到0.305。
4)基于个体图谱的功能连接对个体认知行为预测能力的提升:个体化图谱均一性的提升会增强其脑功能网络和其个体认知行为的相关性。本发明利用简单的线性回归模型,通过各脑区之间的功能连接(两脑区平均之间静息态时间序列的相关系数)来预测HCP中多个认知行为评分。由于HCP数据中,同一被试存在多个静息态影像,所以对每个静息态影像分别计算功能连接,然后将所有静息态得到的脑区功能连接矩阵进行平均。在预测模型中采用功能连接,采用p=0.1,0.05,0.01不同阈值进行筛选。本发明采用HCP 170个被试的数据,利用十折交叉验证,将所有在验证集上的预测结果和真实观测结果做相关,得到脑区功能网络对个体行为的预测效果。在16个个体指标上,在78.6%的显著预测结果中,基于个体化图谱的脑功能网络的预测效果明显高于形态学配准的效果,如表2。本发明列举了3个个体化指标,分别属于工作记忆,口语情景记忆,积极影响(图9,在HCP测试集中,对ITG和PhG区域平均纤维纸连接指纹的t-SNE投影。左列:基于群体配准图谱,右列:BAI-Net模型中获取个体图谱。每个颜色代表一个子区域。)。在不同的特征筛选后,个体化图谱的脑功能网络对个体行为预测能力都比形态学配准的图谱要高。
在图10表示基于个体化脑图谱的功能连接网络对个体认知行为预测能力的提升(工作记忆,心理健康,言语情景记忆)。第一列(a,d,g):比较使用群体脑图谱和个性化脑图谱对三个认知行为的预测能力(相关系数)。不同的颜色表示在预测模型中使用不同的阈值筛选特征,即使用p<0.1、0.05和0.01选择显着的脑区功能连接。第二列(b,e,h):在p<0.01作为特征选择阈值时,基于个性化脑图谱的模型预测与观察到的行为得分之间的相关性。第三列(c,f,i):在特征筛选阈值为p<0.01时,将显著的功能网络连接分配到Yeo的7个功能网络统计各功能网络之间的数量。
表2对16项个体认知行为评分的预测效果(相关系数)
本发明第二实施例的基于个体脑连接图的群体脑图谱个体化系统,包括系统包括图像获取模块、表面提取模块、MRI图像矫正模块、网格提取模块、纤维束指纹获取模块、个体脑连接图获取模块和脑区分类模块;
所述图像获取模块,配置为获取待测目标的T1加权核磁共振影像和待测目标的弥散核磁共振影像;
所述表面提取模块,配置为基于所述T1加权核磁共振影像进行去颈部、剥头骨步骤获得处理,进而获得白质和灰质表面结构;
所述MRI图像矫正模块,配置为待测目标的弥散核磁共振影像通过头动矫正、涡动矫正、平面回波图像敏感性引起的场失真矫正,获得矫正的弥散MRI图像;
所述网格提取模块,配置为对所述白质和灰质表面结构提取表面网格三角形节点和边;
所述纤维束指纹获取模块,配置为基于所述矫正的弥散MRI图像,通过概率追踪算法,获取纤维束指纹;具体包括:
将所述待测目标的T1加权核磁共振影像和待测目标的弥散核磁共振影像通过线性配准的方法映射到统一的个体弥散MRI空间;
基于所述矫正的弥散MRI图像,估计各体素多个纤维束方向的概率分布,并通过概率跟踪算法,获得全脑体素的概率分布图,将将表面网格三角形节点作为种子点,获取图节点×全脑体素的密集连接矩阵;
基于所述矫正的弥散MRI图像,分割出预设的72条个体纤维束分布,获得全脑体素×72条纤维束标签的分布矩阵;
基于所述图节点×全脑体素的密集连接矩阵和全脑体素×72条纤维束标签的分布矩阵,获得全脑体素×纤维束的连接矩阵;
将所述全脑体素×纤维束的连接矩阵按照每个纤维束区域的大小进行平均处理,然后通过归一化处理使每个图节点在72条纤维束的概率分布和为1,获得归一化连接矩阵;所述归一化连接矩阵的行表示对应定点的解剖连接在个体72条纤维束的分布概率;所述归一化连接矩阵即为个体纤维束指纹;
个体脑连接图获取模块,将所述白质和灰质表面结构中的灰白质交接面的顶点作为个体脑连接图的节点,将表面顶点的空间邻域作为个体脑连接图的边,将个体纤维束指纹作为节点的属性,构建个体脑连接图;
所述脑区分类模块,配置为基于所述个体脑连接图,通过训练好的脑区分类图卷积网络进行脑区分类,获得分区个体水平脑图谱。
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个体脑连接图的群体脑图谱个体化系统,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电子设备,包括:至少一个处理器;以及与至少一个所述处理器通信连接的存储器;其中,所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述的基于个体脑连接图的群体脑图谱个体化方法。
本发明第四实施例的一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于被所述计算机执行以实现上述的基于个体脑连接图的群体脑图谱个体化方法。
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。
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 (10)
1.一种基于个体脑连接图的群体脑图谱个体化方法,其特征在于,所述方法包括:
步骤S100,获取待测目标的T1加权核磁共振影像和待测目标的弥散核磁共振影像;
步骤S200A,基于所述T1加权核磁共振影像进行去颈部和剥头骨步骤处理,进一步获得白质和灰质表面结构;
步骤S200B,基于所述待测目标的弥散核磁共振影像通过头动矫正、涡动矫正和平面回波图像敏感性引起的场失真矫正,获得矫正的弥散MRI图像;
步骤S300A,对所述白质和灰质表面结构提取表面网格三角形节点和边;
步骤S300B,基于所述矫正的弥散MRI图像,通过概率追踪算法,获取纤维束指纹;包括步骤S310B-步骤S350B;
步骤S310B,将所述待测目标的T1加权核磁共振影像和待测目标的弥散核磁共振影像通过线性配准的方法映射到统一的个体弥散MRI空间;所述白质和灰质表面结构和面网格三角形节点和边也映射到个体弥散MRI空间中;
步骤S320B,基于所述矫正的弥散MRI图像,估计各体素多个纤维束方向的概率分布,并通过概率跟踪算法,获得全脑体素的概率分布图,将表面网格三角形节点作为种子点,获取图节点×全脑体素的密集连接矩阵;
步骤S330B,基于所述矫正的弥散MRI图像,分割出预设的72条个体纤维束分布,获得全脑体素×72条纤维束标签的分布矩阵;
步骤S340B,基于所述图节点×全脑体素的密集连接矩阵和全脑体素×72条纤维束标签的分布矩阵,获得全脑体素×纤维束的连接矩阵;
步骤S350B,将所述全脑体素×纤维束的连接矩阵按照每个纤维束区域的大小进行平均处理,然后通过归一化处理使每个图节点在72条纤维束的概率分布和为1,获得归一化连接矩阵;所述归一化连接矩阵的行表示对应定点的解剖连接在个体72条纤维束的分布概率;所述归一化连接矩阵即为个体纤维束指纹;
步骤S400,将所述白质和灰质表面结构中顶点作为个体脑连接图的节点,将顶点的空间邻域作为个体脑连接图的边,将个体纤维束指纹作为节点的属性,构建个体脑连接图;
步骤S500,基于所述个体脑连接图和,通过训练好的脑区分类图卷积网络进行脑区分类,获得分区个体水平脑图谱。
2.根据权利要求1所述的基于个体脑连接图的群体脑图谱个体化方法,其特征在于,所述步骤S200A,具体为,基于所述T1加权核磁共振影像,通过Freesurfer和ConnectomeWorkbench工具箱,获得白质和灰质表面结构。
3.根据权利要求1所述的基于个体脑连接图的群体脑图谱个体化方法,其特征在于,所述估计各体素多个纤维束方向的概率分布,通过FMRIB Diffusion工具箱实现。
4.根据权利要求1所述的基于个体脑连接图的群体脑图谱个体化方法,其特征在于,所述获取图节点×全脑体素的密集连接矩阵,具体方法为:
使用FSL的probtrackx2概率跟踪算法,将图节点作为种子节点,从种子节点发出预设数量的流线来估计顶点在全脑的连接模式,并获得顶点数×全脑体素个数的连接矩阵;
当顶点发出预设数量的流线在某个体素上到达的数量即连接值小于或等于预设的噪音阈值时,将该体素的连接值设置为0,获得图节点×全脑体素的密集连接矩阵。
5.根据权利要求1所述的基于个体脑连接图的群体脑图谱个体化方法,其特征在于,所述脑区分类图卷积网络,其训练方法为:
获取正常的个体脑连接图数据集作为训练数据集;所述训练数据集包括脑连接图和通过形态学匹配的概率标签,总共有C个类别的脑区标签;
获取随机顺序的脑连接图数据集;所述随机顺序的脑连接图数据集的各图节点的指纹特征被随机打乱顺序,并将对应的脑区类别标签设置为0;
将个体的脑连接图作为脑区分类图卷积网络的输入,通过ChebNet的训练框架进行弱监督训练,并通过softmax层输出K=C+1个脑区的概率;所述个体的脑连接图包括邻接矩阵和顶点特征;K为划分的区域数量;
每个阶段选取最大概率的脑区作为皮层脑区划分结果;
多次输入个体的脑连接图或脑连接图数据,直至损失函数预设的损失函数低于预设的阈值,获得训练好的脑区分类图卷积网络。
6.根据权利要求5所述的基于个体脑连接图的群体脑图谱个体化方法,其特征在于,所述损失函数为:
其中,wi为对应图节点i在群体脑图谱数据的最大概率脑区对应的概率值,yi,k为群体脑图谱数据对应的最大概率脑区,pi,k为输出的对应脑区的概率值,N为图节点数量,K为划分的区域数量。
7.根据权利要求1所述的基于个体脑连接图的群体脑图谱个体化方法,其特征在于,所述分割出预设的72条个体纤维束分布,通过TractSeg工具包实现。
8.一种基于个体脑连接图的群体脑图谱个体化系统,其特征在于,所述系统包括图像获取模块、表面提取模块、MRI图像矫正模块、网格提取模块、纤维束指纹获取模块、个体脑连接图获取模块和脑区分类模块;
所述图像获取模块,配置为获取待测目标的T1加权核磁共振影像和待测目标的弥散核磁共振影像;
所述表面提取模块,配置为基于所述T1加权核磁共振影像进行去颈部和剥头骨步骤处理,进一步获得白质和灰质表面结构;
所述MRI图像矫正模块,配置为待测目标的弥散核磁共振影像通过头动矫正、涡动矫正和平面回波图像敏感性引起的场失真矫正,获得矫正的弥散MRI图像;
所述网格提取模块,配置为对所述白质和灰质表面结构提取表面网格三角形节点和边;
所述纤维束指纹获取模块,配置为基于所述矫正的弥散MRI图像,通过概率追踪算法,获取纤维束指纹;具体包括:
将所述待测目标的T1加权核磁共振影像和待测目标的弥散核磁共振影像通过线性配准的方法映射到统一的个体弥散MRI空间;
基于所述矫正的弥散MRI图像,估计各体素多个纤维束方向的概率分布,并通过概率跟踪算法,获得全脑体素的概率分布图,将将表面网格三角形节点作为种子点,获取图节点×全脑体素的密集连接矩阵;
基于所述矫正的弥散MRI图像,分割出预设的72条个体纤维束分布,获得全脑体素×72条纤维束标签的分布矩阵;
基于所述图节点×全脑体素的密集连接矩阵和全脑体素×72条纤维束标签的分布矩阵,获得全脑体素×纤维束的连接矩阵;
将所述全脑体素×纤维束的连接矩阵按照每个纤维束区域的大小进行平均处理,然后通过归一化处理使每个图节点在72条纤维束的概率分布和为1,获得归一化连接矩阵;所述归一化连接矩阵的行表示对应定点的解剖连接在个体72条纤维束的分布概率;所述归一化连接矩阵即为个体纤维束指纹;
个体脑连接图获取模块,将所述白质和灰质表面结构中的灰白质交接面的顶点作为个体脑连接图的节点,将表面顶点的空间邻域作为个体脑连接图的边,将个体纤维束指纹作为节点的属性,构建个体脑连接图;
所述脑区分类模块,配置为基于所述个体脑连接图,通过训练好的脑区分类图卷积网络进行脑区分类,获得分区个体水平脑图谱。
9.一种电子设备,包括:至少一个处理器;以及与至少一个所述处理器通信连接的存储器;其中,所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现权利要求1-7任一项所述的基于个体脑连接图的群体脑图谱个体化方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于被所述计算机执行以实现权利要求1-7任一项所述的基于个体脑连接图的群体脑图谱个体化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110907483.3A CN113610808B (zh) | 2021-08-09 | 2021-08-09 | 基于个体脑连接图的群体脑图谱个体化方法、系统和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110907483.3A CN113610808B (zh) | 2021-08-09 | 2021-08-09 | 基于个体脑连接图的群体脑图谱个体化方法、系统和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113610808A CN113610808A (zh) | 2021-11-05 |
CN113610808B true CN113610808B (zh) | 2023-11-03 |
Family
ID=78307613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110907483.3A Active CN113610808B (zh) | 2021-08-09 | 2021-08-09 | 基于个体脑连接图的群体脑图谱个体化方法、系统和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610808B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114376558B (zh) * | 2022-03-24 | 2022-07-19 | 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 |
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 |
CN115359297B (zh) * | 2022-08-24 | 2024-01-26 | 南京航空航天大学 | 一种基于高阶脑网络的分类方法、系统、电子设备及介质 |
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 |
CN117116434B (zh) * | 2023-10-25 | 2024-03-01 | 北京师范大学 | 人脑白质结构连接组的个体差异评估方法、应用及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754361A (zh) * | 2017-11-02 | 2019-05-14 | 西门子保健有限责任公司 | 3d各向异性的混合网络:将来自2d图像的卷积特征传递到3d各向异性体积 |
CN110097968A (zh) * | 2019-03-27 | 2019-08-06 | 中国科学院自动化研究所 | 基于静息态功能磁共振影像的婴儿脑龄预测方法、系统 |
KR20200016567A (ko) * | 2018-08-07 | 2020-02-17 | 재단법인 대구경북첨단의료산업진흥재단 | 치환된 n-헤테로아릴 유도체, 이의 제조방법 및 이를 유효성분으로 포함하는 암의 예방 또는 치료용 약학적 조성물 |
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 |
WO2021114623A1 (zh) * | 2020-06-08 | 2021-06-17 | 平安科技(深圳)有限公司 | 脊柱变形人群识别方法、装置、计算机设备及存储介质 |
WO2021133700A1 (en) * | 2019-12-25 | 2021-07-01 | Alibaba Group Holding Limited | Data processing method, equipment and storage medium |
CN113160138A (zh) * | 2021-03-24 | 2021-07-23 | 山西大学 | 一种脑部核磁共振图像分割方法及系统 |
CN113192069A (zh) * | 2021-06-03 | 2021-07-30 | 清华大学 | 三维断层扫描图像中树状结构的语义分割方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210166476A1 (en) * | 2019-11-29 | 2021-06-03 | Alpha AR OÜ | Automatic 3D Image Reconstruction Process from Real-World 2D Images |
-
2021
- 2021-08-09 CN CN202110907483.3A patent/CN113610808B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754361A (zh) * | 2017-11-02 | 2019-05-14 | 西门子保健有限责任公司 | 3d各向异性的混合网络:将来自2d图像的卷积特征传递到3d各向异性体积 |
KR20200016567A (ko) * | 2018-08-07 | 2020-02-17 | 재단법인 대구경북첨단의료산업진흥재단 | 치환된 n-헤테로아릴 유도체, 이의 제조방법 및 이를 유효성분으로 포함하는 암의 예방 또는 치료용 약학적 조성물 |
CN110097968A (zh) * | 2019-03-27 | 2019-08-06 | 中国科学院自动化研究所 | 基于静息态功能磁共振影像的婴儿脑龄预测方法、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 |
WO2021133700A1 (en) * | 2019-12-25 | 2021-07-01 | Alibaba Group Holding Limited | Data processing method, equipment and storage medium |
WO2021114623A1 (zh) * | 2020-06-08 | 2021-06-17 | 平安科技(深圳)有限公司 | 脊柱变形人群识别方法、装置、计算机设备及存储介质 |
CN113160138A (zh) * | 2021-03-24 | 2021-07-23 | 山西大学 | 一种脑部核磁共振图像分割方法及系统 |
CN113192069A (zh) * | 2021-06-03 | 2021-07-30 | 清华大学 | 三维断层扫描图像中树状结构的语义分割方法和装置 |
Non-Patent Citations (5)
Title |
---|
Liang Ma ; Yu Zhang ; Hantian Zhang ; Luqi Cheng ; Zhengyi Yang ; Yuheng Lu ; Weiyang Shi ; Wen Li ; Junjie Zhuo ; Jiaojian Wang ; Lingzhong Fan ; Tianzi Jiang.BAI-Net: Individualized Anatomical Cerebral Cartography Using Graph Neural Network.《IEEE Transactions on Neural Networks and Learning Systems》.2022,全文. * |
Liang Ma ; Yu Zhang ; Hantian Zhang ; Luqi Cheng ; Zhengyi Yang ; Yuheng Lu ; Weiyang Shi ; Wen Li ; Junjie Zhuo ; Jiaojian Wang ; Lingzhong Fan ; Tianzi Jiang.BAI-Net: Individualized Human cerebralcartography using Graph Convolutional Network.《bioRxiv》.2021,全文. * |
基于fMRI的视皮层信息表征深度网络模型研究;于子雅;《CNKI》;全文 * |
基于最优传输的多中心自闭症谱系障碍诊断;张俊艺;万鹏;王明亮;张道强;;数据采集与处理(03);全文 * |
蒋田仔 ; 樊令仲 ; 于春水 ; 王骄健 ; 卓俊杰.基于脑连接信息的脑网络组图谱构建.《CNKI》.2015,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113610808A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Shoeibi et al. | Applications of deep learning techniques for automated multiple sclerosis detection using magnetic resonance imaging: A review | |
Meunier et al. | Hierarchical modularity in human brain functional networks | |
CN109589092B (zh) | 基于集成学习的阿尔茨海默症确定方法及系统 | |
CN106504253A (zh) | 一种医疗影像照片的处理方法及系统 | |
CN113616184A (zh) | 基于多模态磁共振图像的脑网络建模与个体预测方法 | |
US8634614B2 (en) | System and method for volumetric analysis of medical images | |
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 | |
US20110022355A1 (en) | Network Characterization, Feature Extraction and Application to Classification | |
CN115272295A (zh) | 基于时域-空域联合状态的动态脑功能网络分析方法及系统 | |
Li et al. | BrainK for structural image processing: creating electrical models of the human head | |
CN115457334A (zh) | 静息态功能磁共振影像数据分类方法、系统及相关产品 | |
Li et al. | Alzheimer's level classification by 3D PMNet using PET/MRI multi-modal images | |
Kasim et al. | Gaussian mixture model-expectation maximization algorithm for brain images | |
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) | |
Mangin et al. | Object-based strategy for morphometry of the cerebral cortex | |
CN115294076A (zh) | 一种脑沟异常的预测系统 | |
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 | |
Xu et al. | Unsupervised profiling of microglial arbor morphologies and distribution using a nonparametric Bayesian approach | |
CN113283465A (zh) | 一种弥散张量成像数据分析方法及装置 | |
Zhou et al. | U-net combined with CRF and anatomical based spatial features to segment white matter hyperintensities | |
Ren et al. | Modeling hierarchical spatial and temporal patterns of naturalistic fMRI volume via volumetric deep belief network with neural architecture search | |
Operto et al. | Structural group analysis of cortical curvature and depth patterns in the developing brain | |
John et al. | A Multimodal Characterization of Low-Dimensional Thalamocortical Structural Connectivity Patterns | |
CN113345572B (zh) | 基于荟萃分析的脑疾病判断系统和判断装置 |
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 |