CN113962966B - 一种基于功能核磁共振成像的术前语言区定位方法及系统 - Google Patents

一种基于功能核磁共振成像的术前语言区定位方法及系统 Download PDF

Info

Publication number
CN113962966B
CN113962966B CN202111248827.0A CN202111248827A CN113962966B CN 113962966 B CN113962966 B CN 113962966B CN 202111248827 A CN202111248827 A CN 202111248827A CN 113962966 B CN113962966 B CN 113962966B
Authority
CN
China
Prior art keywords
language
data
fmri
brain
nuclear magnetic
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
CN202111248827.0A
Other languages
English (en)
Other versions
CN113962966A (zh
Inventor
姚顺
铁艳梅
王海军
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.)
First Affiliated Hospital of Sun Yat Sen University
Original Assignee
First Affiliated Hospital of Sun Yat Sen 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 First Affiliated Hospital of Sun Yat Sen University filed Critical First Affiliated Hospital of Sun Yat Sen University
Priority to CN202111248827.0A priority Critical patent/CN113962966B/zh
Publication of CN113962966A publication Critical patent/CN113962966A/zh
Application granted granted Critical
Publication of CN113962966B publication Critical patent/CN113962966B/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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • 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
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于功能核磁共振成像的术前语言区定位方法及系统，包括：在待测人员观影时进行核磁共振扫描，获取观影模式FMRI数据；对观影模式FMRI数据进行预处理，获得预处理后的数据，并对预处理后的数据进行分析，完成大脑语言网络提取与鉴定，即语言区定位。本发明设计了较为新颖的实验范式，即基于中文语言的观影模式功能核磁共振试验范式，同时采用了稳健的神经信息提取与处理技术，可以较为理想地构建出脑损伤患者的大脑语言网络，最终建立了临床应用工作框架，具有较高的科学价值和神经外科临床应用前景。

Description

一种基于功能核磁共振成像的术前语言区定位方法及系统
技术领域
本发明涉及语言区定位领域，特别是涉及一种基于功能核磁共振成像的术前语言区定位方法及系统。
背景技术
当今21世纪是脑科学、大数据与人工智能的时代。在国际脑科学领域，主要解决的三大问题之一即是对人类语言的认知，探索语法以及广泛的句式结构，并与现代人工智能技术进行整合研究。在神经外科学领域，对于语言网络内的脑损伤(肿瘤)患者群体，在其手术前进行精准地语言区定位也成为当今神经外科医生开展高精尖手术的主流方向。
目前，对于大脑语言区的术前定位有多种技术，金标准依然是在患者接受手术期间进行大脑皮层电刺激(electrocortical stimulation,ECS)，但该技术的有创伤性和有限的语言网络空间探测范围等不足。近些年，功能核磁共振技术(functional magneticresonance,fMRI)的快速发展为大脑语言区定位提供了新选择，特别是在脑肿瘤、血管畸形和癫痫患者中，已成为北美、欧洲和世界其他地区众多医疗机构的标准化术前评估项目，并且对这种技术的依赖性逐渐增加。归根结底，这是由于fMRI技术提供了一种评估语言功能定位和大脑偏侧化的有价值的、非侵入性技术手段，在某些特殊脑疾病情况下，可以避免使用术中皮层电刺激。尽管有一些经典的任务态fMRI语言刺激范式应用于神经外科临床，但由于语言的复杂性，往往需要许多个语言任务刺激才可以较为全面地诱发出大脑的语言网络，需要如需要大量人力、物力和财力，增加了医疗负担，病人往往也较难在密闭的核磁共振仪器内完成一系列语言刺激任务。
因此，在fMRI技术的基本理论框架之上，设计出一项更加新颖，探测大脑语言区具有较高敏感性和特异性的实验范式，具有重要的科学意义和临床转化应用价值。
发明内容
本发明的目的是提供一种基于观影模式功能核磁共振成像的术前语言区定位方法，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了如下方案：
本发明提供一种基于观影模式功能核磁共振成像的术前语言区定位方法，包括：
S1、在待测人员观影时进行功能核磁共振图像扫描，获取观影模式 FMRI数据，同时扫描大脑三维高分辨率结构核磁共振图像MPRAGE；
S2、对所述观影模式FMRI、MPRAGE进行预处理，得到预处理后的数据；
S3、并对预处理后的数据进行分析，完成大脑语言区定位。
可选地，所述S2包括：
将所述观影模式FMRI数据进行格式转换，对转换格式后的所述观影模式FMRI数据进行头部矫正；
获取经过头动矫正后的观影模式FMRI数据，根据每个时间点的头动参数进行头动-时间曲线重建，然后鉴定出离群体素并将其剔除。
可选地，所述S2还包括对所述MPRAGE进行处理，将处理后的数据配准到蒙特利尔标准空间，并获取反转换矩阵。
可选地，所述S3包括：
建立正常人群的语言区空间模板、正常人群的语言区时域模板；
用反转换矩阵将标准空间的语言网络空间模板转换到患者的个体空间；
针对脑损伤患者个体，采集其观影模式FMRI数据，对所述FMRI数据进行独立成分分析和最优匹配成分拟合优度分析，识别出语言网络的成分。
可选地，识别出语言网络的成分包括：
基于脑肿瘤患者的所有独立成分和额颞叶语言区空间模板、时域模板对比，获得最优匹配成分，即为主语言成分；基于脑肿瘤患者的所有独立成分和所述顶下小叶语言区空间模板、时域模板对比，获得最优匹配成分，即为次语言成分；基于所述主语言成分和次语言成分获得语言区定位。
另一方面，本发明还公开了一种基于功能核磁共振成像的术前语言区定位方法的定位系统，包括：
数据获取模块，用于在待测人员观影时进行功能核磁共振图像扫描，获取观影模式FMRI数据，同时扫描大脑三维高分辨率结构核磁共振图像 MPRAGE；
数据处理模块，用于对所述观影模式FMRI、MPRAGE进行预处理，得到预处理后的数据；
数据分析模块，用于对预处理后的数据进行分析，完成大脑语言区定位。
可选地，所述数据处理模块包括：
第一处理模块，用于将所述观影模式FMRI数据进行格式转换，对转换格式后的所述观影模式FMRI数据进行头部矫正；
第二处理模块，用于获取经过头动矫正后的观影模式FMRI数据，根据每个时间点的头动参数进行头动-时间曲线重建，然后鉴定出离群体素并将其剔除。
可选地，所述数据处理模块还包括第三处理模块，用于对所述MPRAGE 进行处理，将处理后的数据配准到蒙特利尔标准空间，并获取反转换矩阵。
可选地，所述数据分析模块包括：
第一分析模块，用于建立正常人群的语言区空间模板、正常人群的语言区时域模板；
第二分析模块，用于用反转换矩阵将标准空间的语言网络空间模板转换到患者的个体空间；
第二分析模块，用于针对脑损伤患者个体，采集其观影模式FMRI数据，对所述FMRI数据进行独立成分分析，识别出语言网络的成分。
可选地，所述第二分析模块包括：
第三分析模块，用于基于脑肿瘤患者的所有独立成分和额颞叶语言区空间模板、时域模板对比，获得最优匹配成分，即为主语言成分；
第四分析模块，用于基于脑肿瘤患者的所有独立成分和所述顶下小叶语言区空间模板、时域模板对比，获得最优匹配成分，即为次语言成分；
第五分析模块，用于基于所述主语言成分和次语言成分获得语言区定位。
本发明公开了以下技术效果：
本发明设计了较为新颖的实验范式，即基于中文语言的观影模式功能核磁共振试验范式，同时采用了稳健的神经信息提取与处理技术，可以较为理想地构建出脑损伤患者的大脑语言网络，最终建立了临床应用工作框架，具有较高的科学价值和临床应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一的工作流程图；
图2为本发明实施例中的效果图。
具体实施方式
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。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。
实施例一
传统的fMRI语言定位技术主要以多项语言任务刺激范式为主，这是由于语言表达可以跨语音、拼写、语义、语用和话语维度，一个任务不能同时激活所有这些语言功能，因此建议使用多个任务来提供更敏感和更具体的语言功能图，这将有助于手术计划的完善性。
标准化的fMRI任务组合具备以下理想化特征：
1)理想的fMRI语言任务范式集需要具有适当的挑战性，使患者能够产生足够强的激活，但又不会让脑损伤病人觉得难以配合完成该实验范式；
2)任务设计需要为与语言功能区的激活提供较高的敏感性和特异性平衡；
3)具备提供大脑语言功能偏侧化的信息，如大脑半球间语言偏侧化以及大脑病变半球的运动性和感觉性语言区(例如Broca或Wernicke区域) 定位。
基于任务态fMRI技术的主要缺点就是需要患者在精确时限内执行一系列语言任务，比如语句完成(Sentence Completion,SC)、静默单词生成 (Silent Word Generation,SWG)和韵律任务等。而且，任务态fMRI对于临床工作人员和实验员也有一定的要求，因为它需要在实验设计、素材选择和任务管理方面的专业知识，但这些在不同医学中心并没有标准化流程。近些年兴起的静息态fMRI也曾被应用于映射语言网络内功能连接的替代方法，尤其是语言功能缺陷患者。虽然，静息态fMRI降低了患者执行任务态fMRI表现能力的不确定性，但缺点包括注意力和认知状态不受控制的混杂因素影响，以及对运动伪影更加敏感等缺点，有可能产生误导性结果，严重影响了其临床应用。
相对于传统的任务态语言任务，观影模式fMRI(moving watching fMRI,mw-fMRI)是一种更丰富、刺激效果更强、实验设计范式更自然的活动，预计可以更好地参与支持现实生活中语言功能的分布式神经网络。相比较静息态，观影模式限制了研究被试的思维漫游并约束了认知加工进程，因此有助于语言功能网络的检测与分离。因此，本专利设计了较为新颖的实验范式，即基于中文语言的观影模式功能核磁共振试验范式，同时采用了稳健的神经信息提取与处理技术，可以较为理想地构建出脑损伤患者的大脑语言网络，最终建立了临床应用工作框架，具有较高的科学价值和临床应用前景。
本发明的框架流程主要包括mw-fMRI数据采集、预处理、基于个体化的独立成分分析和语言成分的鉴别，最终服务于神经外科患者术前语言区定位评估中。
本实施例中，观影模式fMRI刺激任务共7分钟，主要有7个影视片段组成，影视片段来源于《家有儿女》情景剧里的言语对话场景(每个片段 5-119秒，总时长5分54秒)，中间有6个无言语对话的室内室外场景片段(每个片段持续4-25秒，总时长1分6秒)。脑损伤患者在指导语的引导下进入观影模式，观影结束后再评估和记录病人对于观影内容的理解程度。
S1、在待测人员观影时进行功能核磁共振图像扫描EPI序列，获取观影模式FMRI数据，同时扫描大脑三维高分辨率结构核磁共振图像MPRAGE 序列；
S2、如图1所示，fMRI数据预处理包含以下几个步骤：
S201、数据转换，将原始DICOM文件格式转换成可分析数据NIFTI格式；
S202、头动矫正，对转换后的FMRI数据进行6个方向的刚体转换方法将所有时间点图像与FMRI数据第一个时间点图像进行对齐，并根据头动校正曲线(头动-时间曲线)，将头动平移＜2.0mm且旋转移动＜2.0°者纳入；
S203、离群体素的探测基于伪影检测工具，排除异常扫描值并进行识别，同时将离群体素剔除；离群体素定义为相对框架位移大于0.9mm或者全脑信号改变大于5个标准差，如离群体素时间点之和大于总时间点的20％，该研究被试将被剔除该实验；
S204、大脑功能核磁图像与结构核磁图像进行配准，为了拟补功能影像数据的低空间分辨率，调整功能影像数据体素的空间位置；
S205、选择全宽半高6毫米平滑核对所述预处理后的所述观影模式 FMRI数据进行空间平滑处理；对平滑处理后的所述所述观影模式FMRI数据的时间信号采用高通滤波器进行滤波，带宽为0.005至0.09。以减小噪声和配准过程中产生的微小偏差，但是平滑核的选择至关重要，过大则容易产生假阳性；
S206、高通滤波，时间信号采用带通滤波，带宽为0.005至0.09，可以滤除信号中的高频生理噪声(白质和脑脊液等)，对经过以上预处理的所述观影模式FMRI数据进行非线性配准到结构核磁共振图像空间。
S3、结构核磁共振数据MPRAGE序列进行处理包括：
S301、采用非局部平均滤波模型去除背景噪声；
S302、采用基于最小二乘法的B样条曲面拟合函数进行场强非均匀性矫正；
S303、去除颅骨：使用可变形模型，该模型通过应用一组局部自适应模型力而逐渐改进以判别大脑表面；
S304、将经过S301-S303处理后的图像分割为灰质、白质和脑脊液；
S305、将S301-S304处理后的数据进行非线性转换到蒙特利尔标准空间，并获取反转换矩阵。
S4、建立语言感兴趣区
如图1所示，语言区功能模板的建立是源于Neurosynth平台，语言区功能模板包括标准空间语言网络空间模板和时域模板，以及脑肿瘤患者的语言网络成分；首先将“language”,“phonological”和“sematic”关键词相关联的脑图谱合并，其次将半球内的模板进行对称映射至大脑另一侧。然后根据大脑分区，将语言模板分为额叶部分、颞叶部分和顶下小叶部分。其次，建立正常人群的语言区时域模板。采集一批左利手健康群体 (约60人左右)的观影模式FMRI数据，根据以上数据处理技术，建立正常中国人群的语言区时域模板，即语言功能相对应的时间序列响应模型。时间序列响应模型包括额颞叶皮层语言功能响应模型和顶下小叶语言区皮层语言功能响应模型。然后采用结构核磁共振空间标准化处理中产生的反转换矩阵，将每位患者的(个体化)大脑语言模板是将标准空间里的语言模板反向转换到个体空间获得，该反转矩阵是将患者大脑结构像配准到标准空间时生成的。同时，个体空间语言模板需要移除脑损伤(如肿瘤)和周围水肿区域，以及既往手术后的空腔。
S5、对预处理后的数据进行分析，完成语言区定位包括：
对预处理后的观影fMRI数据进一步行独立成分分析(Independent componentanalysis,ICA)，使用最小描述长度(minimum description length,MDL)对独立成分的数量进行评估。使用Infomax ICA算法对将预处理的fMRI数据进行降维处理，采用ICASSO技术提取可靠的语言网络成分。每个独立成分会转换为z-map，阈值设定为1。
在每个数据集，ICA都会输出一系列独立成分，每个成分包含了空间图谱和时间序列。
首先，建立正常人群的语言区空间模板。基于Neurosynth公开数据库平台，将“language”,“phonological”和“sematic”关键词相关联的脑图谱合并，其次将半球内的模板进行对称映射至大脑另一侧。然后根据大脑分区，将语言模板分为额叶部分、颞叶部分和顶下小叶部分。
其次，建立正常人群的语言区时域模板。采集一批左利手健康群体(约 60人左右)的观影模式FMRI数据，根据以上数据处理技术，建立正常中国人群的语言区时域模板，即语言功能相对应的时间序列响应模型。
再次，根据将所述结构核磁图像分割为灰质、白质和脑脊液；将上述预处理后的结构核磁共振图像非线性转换到蒙特利尔标准空间，并获取反转换矩阵的具体方法，用反转换矩阵将标准空间的语言网络空间模板转换到患者的个体空间。
最后，针对脑损伤患者个体，采集其观影模式FMRI数据，应用以上预处理技术得到一批独立成分，再采用“拟合优度”方法将其分别与正常人群的语言区空间模板和时域模板进行匹配，从而匹配出相关性最高的独立成分，即为该患者的大脑语言区网络。
对上述内容进行具体的解释说明：为了从ICA输出成分中识别出语言网络，我们定义了双重鉴别标准：空间模板匹配最优化和时间序列高度相关性。其中，时间序列相关性所采用的语言网络时域模板包含2个语言响应模型(language response models,LRMs)，即额颞叶皮层响应模型 (frontotemporal cortex,LRM-FT)和顶叶皮层响应模型(parietalcortex,LRM-P)，这两个模型将基于60个健康正常人(30男30女)的观影模式fMRI数据的时间序列叠加平均获得。语言网络主成分定义为与LRM-FT时间序列高度相关的成分，语言网络次成分定义为与LRM-P时间序列高度相关的成分。这两个成分的选择是基于以下标准：(1)时间与空间相关性系数在所有成分中排列前五；(2)成分稳定指数(Iq范围0-1)大于0.8。最后选定的语言成分由一名语言学专家进行鉴定。
观影模式fMRI提取的语言网络即为上述数据处理得到的两个语言网络叠加后获得。基于所述脑肿瘤患者的所有独立成分和所述额颞叶语言区空间模板、时域模板对比，获得最优匹配成分，即为主语言成分；基于所述脑肿瘤患者的所有独立成分和所述顶下小叶语言区空间模板、时域模板对比，获得最优匹配成分，即为次语言成分；基于所述主语言成分和次语言成分获得语言区定位。
主要定位的脑区主要包括经典Broca区、Wernicke区和顶下小叶(角回和缘上回)。如图2所示一例脑损伤患者的大脑语言区定位效果图，已在临床行Wada实验证实该患者为左侧大脑半球运动性语言优势。图2中的A 灰白色部分为观影模式fMRI提取的语言网络，提示左侧Broca区优势， Wernicke区和顶下小叶语言区亦较明显地被定位出来(独立成分分析方法获取的成分，阈值默认设定为1.0)；图2中的B灰白色为经典任务态fMRI 提取的语言区，提示视觉皮层和小脑区噪声较多，且Broca区和Wernicke 区激活强度一般(一般线性模型获得的脑图，默认阈值设定为3.1,FWE矫正)，图2中的C灰白色为静息态fMRI提取的语言区，提示Broca区和 Wernicke区皆呈现双侧同等优势，与Wada实验有偏差，顶下小叶语言区激活较弱(阈值设定为1.0)。该神经外科临床实际案例提示：观影模式fMRI 提取的语言网络更加丰富，不仅含有Broca区和Wernicke区，而且对语言偏侧化的判别敏感性比较理想，同时对顶下小叶语言区亦具有较高的敏感性。
实施例二
一种基于功能核磁共振成像的术前语言区定位方法的定位系统，包括：
数据获取模块，用于在待测人员观影时进行功能核磁共振图像扫描，获取观影模式FMRI数据，同时扫描大脑三维高分辨率结构核磁共振图像 MPRAGE；
数据处理模块，用于对所述观影模式FMRI、MPRAGE进行预处理，得到预处理后的数据；
数据分析模块，用于对预处理后的数据进行分析，完成大脑语言区定位。
进一步优化方案，所述数据处理模块包括：
第一处理模块，用于将所述观影模式FMRI数据进行格式转换，对转换格式后的所述观影模式FMRI数据进行头部矫正；
第二处理模块，用于获取经过头动矫正后的观影模式FMRI数据，根据每个时间点的头动参数进行头动-时间曲线重建，然后鉴定出离群体素并将其剔除。
进一步优化方案，所述数据处理模块还包括第三处理模块，用于对所述MPRAGE进行处理，将处理后的数据配准到蒙特利尔标准空间，并获取反转换矩阵。
进一步优化方案，所述数据分析模块包括：
第一分析模块，用于建立正常人群的语言区空间模板、正常人群的语言区时域模板；
第二分析模块，用于用反转换矩阵将标准空间的语言网络空间模板转换到患者的个体空间；
第二分析模块，用于针对脑损伤患者个体，采集其观影模式FMRI数据，对所述FMRI数据进行独立成分分析，识别出语言网络的成分。
进一步优化方案，所述第二分析模块包括：
第三分析模块，用于基于脑肿瘤患者的所有独立成分和额颞叶语言区空间模板、时域模板对比，获得最优匹配成分，即为主语言成分；
第四分析模块，用于基于脑肿瘤患者的所有独立成分和所述顶下小叶语言区空间模板、时域模板对比，获得最优匹配成分，即为次语言成分；
第五分析模块，用于基于所述主语言成分和次语言成分获得语言区定位。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于功能核磁共振成像的术前语言区定位方法，其特征在于，包括：
S1、在待测人员观影时进行功能核磁共振图像扫描，获取观影模式FMRI数据，同时扫描大脑三维高分辨率结构核磁共振图像MPRAGE；
S2、对所述观影模式FMRI、MPRAGE进行预处理，得到预处理后的数据；
S3、并对预处理后的数据进行空间维度和时域维度神经信息的提取分析，完成大脑语言区定位；
所述S2包括：
将所述观影模式FMRI数据进行格式转换，对转换格式后的所述观影模式FMRI数据进行头部矫正；
获取经过头动矫正后的观影模式FMRI数据，根据每个时间点的头动参数进行头动-时间曲线重建，然后鉴定出离群体素并将其剔除；
所述S2还包括对所述MPRAGE进行处理，将处理后的数据配准到蒙特利尔标准空间，并获取反转换矩阵；
其中所述S2具体包括：fMRI数据预处理包含以下几个步骤：
S201、数据转换，将原始DICOM文件格式转换成可分析数据NIFTI格式；
S202、头动矫正，对转换后的FMRI数据进行6个方向的刚体转换方法将所有时间点图像与FMRI数据第一个时间点图像进行对齐，并根据头动校正曲线，将头动平移＜2.0mm且旋转移动＜2.0°者纳入；
S203、离群体素的探测基于伪影检测工具，排除异常扫描值并进行识别，同时将离群体素剔除；离群体素定义为相对框架位移大于0.9mm或者全脑信号改变大于5个标准差，如离群体素时间点之和大于总时间点的20％，该研究被试将被剔除该实验；
S204、大脑功能核磁图像与结构核磁图像进行配准，为了拟补功能影像数据的低空间分辨率，调整功能影像数据体素的空间位置；
S205、选择全宽半高6毫米平滑核对所述预处理后的所述观影模式FMRI数据进行空间平滑处理；对平滑处理后的所述观影模式FMRI数据的时间信号采用高通滤波器进行滤波，带宽为0.005至0.09， 以减小噪声和配准过程中产生的微小偏差，但是平滑核的选择至关重要，过大则容易产生假阳性；
S206、高通滤波，时间信号采用带通滤波，带宽为0.005至0.09，滤除信号中的高频生理噪声，对经过以上预处理的所述观影模式FMRI数据进行非线性配准到结构核磁共振图像空间；
结构核磁共振数据MPRAGE序列进行处理包括：
S301、采用非局部平均滤波模型去除背景噪声；
S302、采用基于最小二乘法的B样条曲面拟合函数进行场强非均匀性矫正；
S303、去除颅骨：使用可变形模型，该模型通过应用一组局部自适应模型力而逐渐改进以判别大脑表面；
S304、将经过S301-S303处理后的图像分割为灰质、白质和脑脊液；
S305、将S301-S304处理后的数据进行非线性转换到蒙特利尔标准空间，并获取反转换矩阵；
观影模式fMRI刺激任务共7分钟，主要有7个影视片段组成，影视片段来源于《家有儿女》情景剧里的言语对话场景，每个片段5-119秒，总时长5分54秒，中间有6个无言语对话的室内室外场景片段，每个片段持续4-25秒，总时长1分6秒；脑损伤患者在指导语的引导下进入观影模式，观影结束后再评估和记录病人对于观影内容的理解程度；
识别出语言网络的成分包括：
基于脑肿瘤患者的所有独立成分和额颞叶语言区空间模板、时域模板对比，获得最优匹配成分，即为主语言成分；基于脑肿瘤患者的所有独立成分和顶下小叶语言区空间模板、时域模板对比，获得最优匹配成分，即为次语言成分；基于所述主语言成分和次语言成分获得语言区定位；
时域模板包括两个语言响应模型，即额颞皮层响应模型和顶叶皮层响应模型，语言响应模型基于60个健康正常人的观影模式fMRI数据的时间序列叠加平均获得；语言网络主成分为额颞皮层响应模型时间序列高度相关的成分，语言网络主成分为顶叶皮层响应模型时间序列高度相关的成分，语言网络主成分及语言网络主成分的选择基于以下标准：时间与空间相关性系数在所有成分中排列前五，成分稳定指数大于0.8。
2.根据权利要求1所述的基于功能核磁共振成像的术前语言区定位方法，其特征在于，所述S3包括：
建立正常人群的语言区空间模板、正常人群的语言区时域模板；
用反转换矩阵将标准空间的语言网络空间模板转换到患者的个体空间；
针对脑损伤患者个体，采集其观影模式FMRI数据，对所述FMRI数据进行独立成分分析和最优匹配成分拟合优度分析，识别出语言网络的成分。
3.基于权利要求1-2所述任意一项的基于功能核磁共振成像的术前语言区定位方法的定位系统，包括：
数据获取模块，用于在待测人员观影时进行功能核磁共振图像扫描，获取观影模式FMRI数据，同时扫描大脑三维高分辨率结构核磁共振图像MPRAGE；
数据处理模块，用于对所述观影模式FMRI、MPRAGE进行预处理，得到预处理后的数据；
数据分析模块，用于对预处理后的数据进行空间维度和时域维度神经信息的提取分析，完成大脑语言区定位。
4.根据权利要求3所述的基于功能核磁共振成像的术前语言区定位系统，其特征在于，所述数据处理模块包括：
第一处理模块，用于将所述观影模式FMRI数据进行格式转换，对转换格式后的所述观影模式FMRI数据进行头部矫正；
第二处理模块，用于获取经过头动矫正后的观影模式FMRI数据，根据每个时间点的头动参数进行头动-时间曲线重建，然后鉴定出离群体素并将其剔除。
5.根据权利要求3所述的基于功能核磁共振成像的术前语言区定位系统，其特征在于，所述数据处理模块还包括第三处理模块，用于对所述MPRAGE进行处理，将处理后的数据配准到蒙特利尔标准空间，并获取反转换矩阵。
6.根据权利要求5所述的基于功能核磁共振成像的术前语言区定位系统，其特征在于，所述数据分析模块包括：
第一分析模块，用于建立正常人群的语言区空间模板、正常人群的语言区时域模板；
第二分析模块，用于用反转换矩阵将标准空间的语言网络空间模板转换到患者的个体空间；
第二分析模块，用于针对脑损伤患者个体，采集其观影模式FMRI数据，对所述FMRI数据进行独立成分分析和最优匹配成分拟合优度分析，识别出语言网络的成分。
7.根据权利要求6所述的基于功能核磁共振成像的术前语言区定位系统，其特征在于，所述第二分析模块包括：
第三分析模块，用于基于脑肿瘤患者的所有独立成分和额颞叶语言区空间模板、时域模板对比，获得最优匹配成分，即为主语言成分；
第四分析模块，用于基于脑肿瘤患者的所有独立成分和顶下小叶语言区空间模板、时域模板对比，获得最优匹配成分，即为次语言成分；
第五分析模块，用于基于所述主语言成分和次语言成分获得语言区定位。
CN202111248827.0A 2021-10-26 2021-10-26 一种基于功能核磁共振成像的术前语言区定位方法及系统 Active CN113962966B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111248827.0A CN113962966B (zh) 2021-10-26 2021-10-26 一种基于功能核磁共振成像的术前语言区定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111248827.0A CN113962966B (zh) 2021-10-26 2021-10-26 一种基于功能核磁共振成像的术前语言区定位方法及系统

Publications (2)

Publication Number Publication Date
CN113962966A CN113962966A (zh) 2022-01-21
CN113962966B true CN113962966B (zh) 2023-01-10

Family

ID=79467391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111248827.0A Active CN113962966B (zh) 2021-10-26 2021-10-26 一种基于功能核磁共振成像的术前语言区定位方法及系统

Country Status (1)

Country Link
CN (1) CN113962966B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101815467A (zh) * 2007-07-30 2010-08-25 神经焦点公司 神经反应刺激和刺激属性谐振估计器
CN104337518A (zh) * 2014-10-29 2015-02-11 杭州师范大学 一种基于静息态功能磁共振的术前脑功能网络定位方法
CN113113108A (zh) * 2021-02-23 2021-07-13 中山大学附属第一医院 动作数据分析方法、装置、系统及计算机可读存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU785226B2 (en) * 2001-09-25 2006-11-16 United States Department Of Veterans Affairs Method and apparatus for diagnosing schizophrenia and schizophrenia subtype
US20110046473A1 (en) * 2009-08-20 2011-02-24 Neurofocus, Inc. Eeg triggered fmri signal acquisition
US20140197937A1 (en) * 2011-08-17 2014-07-17 The Regents Of The University Of California Wearable device for noninvasive tactile stimulation
CN103040467B (zh) * 2012-12-31 2015-04-22 北京师范大学 一种汉语语言功能区测查用功能磁共振成像数据的处理方法
CN106485039B (zh) * 2015-08-24 2019-05-10 复旦大学附属华山医院 一种汉语脑语言区分布图的构建方法
EP3593355A4 (en) * 2017-03-08 2020-12-09 Washington University REAL-TIME MONITORING AND PREDICTION OF MOTION IN MRI
CN111227833B (zh) * 2020-01-14 2021-09-14 西安交通大学医学院第一附属医院 一种基于广义线性模型的机器学习的术前定位方法
CN111583182B (zh) * 2020-04-10 2023-05-12 中日友好医院(中日友好临床医学研究所) 面神经麻痹的语言功能区功能连接的fMRI数据处理方法
CN113005147A (zh) * 2021-03-11 2021-06-22 中山大学附属第一医院 一种usp8突变的小鼠动物模型的构建方法及其应用

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101815467A (zh) * 2007-07-30 2010-08-25 神经焦点公司 神经反应刺激和刺激属性谐振估计器
CN104337518A (zh) * 2014-10-29 2015-02-11 杭州师范大学 一种基于静息态功能磁共振的术前脑功能网络定位方法
CN113113108A (zh) * 2021-02-23 2021-07-13 中山大学附属第一医院 动作数据分析方法、装置、系统及计算机可读存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Experimental Comparisons of Sparse Dictionary Learning and Independent Component Analysis for Brain Network Inference From fMRI Data;W. Zhang等;《IEEE Transactions on Biomedical Engineering》;20190131;第66卷(第1期);289-299 *
Left-lateralization of resting state functional connectivity between the presupplementary motor area and primary language areas;Lou, W等;《NEUROREPORT》;20170628;第28卷(第10期);545-550 *
基于静息态功能磁共振成像的动态功能连接分析及临床应用研究进展;袁悦铭等;《磁共振成像》;20180813(第08期);28-37 *
改进的ICA算法及其在fMRI信号上的应用;翁晓光等;《华南理工大学学报(自然科学版)》;20090531;第37卷(第05期);27-30 *

Also Published As

Publication number Publication date
CN113962966A (zh) 2022-01-21

Similar Documents

Publication Publication Date Title
Harpaintner et al. The grounding of abstract concepts in the motor and visual system: An fMRI study
Gao et al. The neural sources of N170: Understanding timing of activation in face‐selective areas
CN113571195B (zh) 基于小脑功能连接特征的阿尔茨海默病早期的预测模型
Kropotov Functional neuromarkers for psychiatry: Applications for diagnosis and treatment
WO2023280086A1 (zh) 靶点确定方法、装置、电子设备、存储介质及神经调控设备
JP7549159B2 (ja) 標的特定方法、装置、電子デバイス、記憶媒体及び神経調節デバイス
EP4342372A1 (en) Target determination method and apparatus, electronic device, storage medium and neuromodulation device
Kshirsagar et al. MRI image based brain tumor detection using machine learning
Solso The cognitive neuroscience of art: a preliminary fMRI observation
CN104337518B (zh) 一种基于静息态功能磁共振的术前脑功能网络定位方法
WO2013007556A1 (en) Method and device for determining target brain segments in human or animal brains
Jarret et al. Functional network and structural connections involved in picture naming
CN115662576A (zh) 一种阿尔兹海默症和关联认知障碍病症的神经反馈训练范式的生成方法、神经反馈训练系统
Frankford et al. Reliability of single-subject neural activation patterns in speech production tasks
Thome et al. “I spy with my little eye, something that is a face…”: a brain network for illusory face detection
CN110537915A (zh) 一种基于fmri及dti融合的皮质脊髓束纤维追踪方法
Li et al. Automatic detection of schizophrenia based on spatial–temporal feature mapping and LeViT with EEG signals
CN111227833B (zh) 一种基于广义线性模型的机器学习的术前定位方法
CN113962966B (zh) 一种基于功能核磁共振成像的术前语言区定位方法及系统
Bhan et al. Diagnosing Parkinson’s disease in early stages using image enhancement, Roi extraction and deep learning algorithms
CN116452859A (zh) 基于多模态磁共振成像的帕金森病数据分类方法及系统
Begum et al. Deep Convolutional Neural Networks for Diagnosis of Parkinson's Disease Using MRI Data.
Durteste et al. Age-related disparities in oscillatory dynamics within scene-selective regions during spatial navigation
Obeidat et al. An MRI Based Algorithm for Detecting Multiple Sclerosis
Sandeep et al. The early diagnosis of Alzheimer’s disease using advanced biomedical engineering technology

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