CN114140377B - 脑肿瘤患者的脑功能图谱确定方法及装置 - Google Patents

脑肿瘤患者的脑功能图谱确定方法及装置 Download PDF

Info

Publication number
CN114140377B
CN114140377B CN202111069973.7A CN202111069973A CN114140377B CN 114140377 B CN114140377 B CN 114140377B CN 202111069973 A CN202111069973 A CN 202111069973A CN 114140377 B CN114140377 B CN 114140377B
Authority
CN
China
Prior art keywords
brain function
brain
partition
determining
voxel
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
CN202111069973.7A
Other languages
English (en)
Other versions
CN114140377A (zh
Inventor
魏可成
张维
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.)
Beijing Yinhe Fangyuan Technology Co ltd
Original Assignee
Beijing Yinhe Fangyuan Technology Co ltd
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 Beijing Yinhe Fangyuan Technology Co ltd filed Critical Beijing Yinhe Fangyuan Technology Co ltd
Priority to CN202111069973.7A priority Critical patent/CN114140377B/zh
Publication of CN114140377A publication Critical patent/CN114140377A/zh
Application granted granted Critical
Publication of CN114140377B publication Critical patent/CN114140377B/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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G06T2207/30—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

Abstract

本公开提出了一种脑肿瘤患者的脑功能图谱确定方法及装置，其中，脑肿瘤患者的脑功能图谱确定方法包括：获取目标脑肿瘤患者的扫描数据；确定手术侧半球体素集合和非手术侧半球体素集合；根据脑功能分区模板，确定包括N个脑功能分区的非手术侧半球脑功能图谱；根据N个脑功能分区、M个脑肿瘤累及区域和手术侧半球体素集合，确定手术侧半球脑功能图谱；根据非手术侧半球脑功能图谱和手术侧半球脑功能图谱，确定目标脑肿瘤患者的个体脑功能图谱；能够无创地实现对脑肿瘤患者的脑功能分区，针对目标脑肿瘤患者形成个体脑功能图谱。

Description

脑肿瘤患者的脑功能图谱确定方法及装置
技术领域
本公开涉及计算机技术领域，尤其涉及一种脑肿瘤患者的脑功能图谱确定方法及装置。
背景技术
脑功能分区是根据磁共振成像数据，对大脑皮层进行精细化分区，一般认为不同区域的脑皮质参与不同的脑功能活动。脑肿瘤患者的脑功能分区确定对于手术过程中的功能保护有着重要意义。脑肿瘤患者的脑功能分区方法一直是难题，因为脑肿瘤会影响大脑的结构和功能，健康大脑的分区计算方法不能适用于脑肿瘤患者，所以针对脑肿瘤患者的分区需要有针对该疾病脑功能特点的特殊分区计算方法。当前尚无同时具备无风险、准确、可靠的对脑肿瘤患者进行术前脑功能分区的技术手段。
发明内容
本公开提出了脑肿瘤患者的脑功能图谱确定方法、装置、电子设备及存储介质，用以对脑肿瘤患者进行术前脑功能分区。
第一方面，本公开提供了一种脑肿瘤患者的脑功能图谱确定方法，包括：
获取目标脑肿瘤患者的扫描数据，其中，所述扫描数据包括对所述目标脑肿瘤患者的脑部进行磁共振成像得到的数据，所述扫描数据包括预设数目个体素中每个体素对应的信号时间序列；
根据所述目标脑肿瘤患者的脑肿瘤所在位置与所述扫描数据，确定手术侧半球体素集合和非手术侧半球体素集合；
根据脑功能分区模板和所述非手术侧半球体素集合，确定非手术侧半球脑功能图谱，其中，所述非手术侧半球脑功能图谱包括N个脑功能分区，N≥2；
根据所述手术侧半球体素集合确定M个脑肿瘤累及区域，M≥1；
根据所述N个脑功能分区、所述M个脑肿瘤累及区域和所述手术侧半球体素集合，确定手术侧半球脑功能图谱；
根据所述非手术侧半球脑功能图谱和所述手术侧半球脑功能图谱，确定所述目标脑肿瘤患者的个体脑功能图谱，其中，所述个体脑功能图谱包括p个脑功能分区和q个脑肿瘤分区，p≤N，q≤M。
在一些可选的实施方式中，所述根据脑功能分区模板和所述非手术侧半球体素集合，确定非手术侧半球脑功能图谱，包括：
根据所述脑功能分区模板将所述非手术侧半球体素集合分为N个脑功能分区；
对于所述N个脑功能分区中每个脑功能分区，将该脑功能分区中体素的平均信号时间序列确定为该脑功能分区的参考信号时间序列；
对于所述非手术侧半球体素集合中的每个体素，将所述N个脑功能分区中参考信号时间序列与该体素的相关度最高的脑功能分区确定为该体素对应的脑功能分区，以得到非手术侧半球第一迭代脑功能图谱；
根据所述非手术侧半球第一迭代脑功能图谱确定所述非手术侧半球体素集合中每个体素的置信度；
对于所述第一迭代脑功能图谱中的每个脑功能分区，将该脑功能分区中置信度大于预设置信度阈值的体素的平均信号时间序列确定为该脑功能分区的参考信号时间序列；
执行以下第一迭代操作：对于所述非手术侧半球体素集合中的每个体素，将所述非手术侧半球第一迭代脑功能图谱中参考信号时间序列与该体素的相关度最高的脑功能分区确定为该体素对应的脑功能分区，以得到非手术侧半球第二迭代脑功能图谱；根据所述非手术侧半球第二迭代脑功能图谱更新所述非手术侧半球体素集合中每个体素的置信度；对于所述非手术侧半球第二迭代脑功能图谱中的每个脑功能分区，将该脑功能分区中更新后的置信度大于预设置信度阈值的体素的平均信号时间序列确定为该脑功能分区的参考信号时间序列；确定是否满足第一迭代终结条件；若是，将所述非手术侧半球第二迭代脑功能图谱确定为所述非手术侧半球脑功能图谱；若否，将所述非手术侧半球第一迭代脑功能图谱更新为所述非手术侧半球第二迭代脑功能图谱后继续执行所述第一迭代操作。
在一些可选的实施方式中，所述根据所述N个脑功能分区、所述M个脑肿瘤累及区域和所述手术侧半球体素集合，确定手术侧半球脑功能图谱，包括：
确定所述M个脑肿瘤累及区域中每个脑肿瘤累及区域的参考信号时间序列；
对于所述手术侧半球体素集合中的每个体素，确定该体素与所述N个脑功能分区和所述M个脑肿瘤累及区域的相关度；若相关度最高的为脑肿瘤累及区域，将该相关度最高的脑肿瘤累及区域对应的脑肿瘤分区确定为该体素对应的脑肿瘤分区；若相关度最高的为脑功能分区，将该相关度最高的脑功能分区确定为该体素对应的脑功能分区；以得到手术侧半球第一迭代脑功能图谱；
根据所述手术侧半球第一迭代脑功能图谱确定所述手术侧半球体素集合中每个体素的置信度；
对于所述第一迭代脑功能图谱中的每个脑功能分区和每个脑肿瘤分区，将该脑功能分区及该脑肿瘤分区中置信度大于预设置信度阈值的体素的平均信号时间序列对应确定为该脑功能分区及该脑肿瘤分区的参考信号时间序列；
执行以下第二迭代操作：对于所述手术侧半球体素集合中的每个体素，确定该体素与所述手术侧半球第一迭代脑功能图谱中每个脑功能分区和每个脑肿瘤分区的相关度；若相关度最高的为脑肿瘤分区，将该相关度最高的脑肿瘤分区确定为该体素对应的脑肿瘤分区；若相关度最高的为脑功能分区，将该相关度最高的脑功能分区确定为该体素对应的脑功能分区；以得到手术侧半球第二迭代脑功能图谱；根据所述手术侧半球第二迭代脑功能图谱更新所述手术侧半球体素集合中每个体素的置信度；对于所述手术侧半球第二迭代脑功能图谱中的每个脑功能分区和每个脑肿瘤分区，将该脑功能分区及该脑肿瘤分区中更新后的置信度大于预设置信度阈值的体素的平均信号时间序列对应确定为该脑功能分区及该脑肿瘤分区的参考信号时间序列；确定是否满足第二迭代终结条件；若是，将所述手术侧半球第二迭代脑功能图谱确定为所述手术侧半球脑功能图谱；若否，将所述手术侧半球第一迭代脑功能图谱更新为所述手术侧半球第二迭代脑功能图谱后继续执行所述第二迭代操作。
在一些可选的实施方式中，所述根据所述非手术侧半球脑功能图谱和所述手术侧半球脑功能图谱，确定所述目标脑肿瘤患者的个体脑功能图谱，包括：
将所述非手术侧半球脑功能图谱和所述手术侧半球脑功能图谱组合得到全脑功能图谱；
对于所述全脑功能图谱中每个脑功能分区和每个脑肿瘤分区，将该脑功能分区及该脑肿瘤分区中体素的平均信号时间序列对应确定为该脑功能分区及该脑肿瘤分区的参考信号时间序列；
对于所述全脑功能图谱中的每个体素，确定该体素与所述全脑功能图谱中每个脑功能分区和每个脑肿瘤分区的相关度；若相关度最高的为脑肿瘤分区，将该相关度最高的脑肿瘤分区确定为该体素对应的脑肿瘤分区；若相关度最高的为脑功能分区，将该相关度最高的脑功能分区确定为该体素对应的脑功能分区；以得到所述个体脑功能图谱。
在一些可选的实施方式中，所述功能磁共振成像，包括：任务态功能磁共振成像，和/或，静息态功能磁共振成像。
第二方面，本公开提供了一种脑肿瘤患者的脑功能图谱确定装置，包括：
数据获取单元，被配置成获取目标脑肿瘤患者的扫描数据，其中，所述扫描数据包括对所述目标脑肿瘤患者的脑部进行磁共振成像得到的数据，所述扫描数据包括预设数目个体素中每个体素对应的血氧水平依赖BOLD信号时间序列；
第一处理单元，被配置成根据所述目标脑肿瘤患者的脑肿瘤所在位置与所述扫描数据，确定手术侧半球体素集合和非手术侧半球体素集合；
第二处理单元，被配置成根据脑功能分区模板和所述非手术侧半球体素集合，确定非手术侧半球脑功能图谱，其中，所述非手术侧半球脑功能图谱包括N个脑功能分区，N≥2；
第三处理单元，被配置成根据所述手术侧半球体素集合确定M个脑肿瘤累及区域，M≥1；
第四处理单元，被配置成根据所述N个脑功能分区、所述M个脑肿瘤累及区域和所述手术侧半球体素集合，确定手术侧半球脑功能图谱；
第五处理单元，被配置成根据所述非手术侧半球脑功能图谱和所述手术侧半球脑功能图谱，确定所述目标脑肿瘤患者的个体脑功能图谱，其中，所述个体脑功能图谱包括p个脑功能分区和q个脑肿瘤分区，p≤N，q≤M。
第三方面，本公开提供了一种芯片，包括：
一个或多个处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行如第一方面中任一实现方式描述的方法。
第四方面，本公开提供了一种计算机程序，包括计算机程序指令，该计算机程序指令使得计算机执行如第一方面中任一实现方式描述的方法。
第五方面，本公开提供了一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第六方面，本公开提供了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被一个或多个处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的实施例提供的脑肿瘤患者的脑功能图谱确定方法，通过获取目标脑肿瘤患者的扫描数据；根据目标脑肿瘤患者的脑肿瘤所在位置与扫描数据，确定手术侧半球体素集合和非手术侧半球体素集合；根据脑功能分区模板和非手术侧半球体素集合，确定非手术侧半球脑功能图谱，其中，非手术侧半球脑功能图谱包括N个脑功能分区，N≥2；根据手术侧半球体素集合确定M个脑肿瘤累及区域，M≥1；根据N个脑功能分区、M个脑肿瘤累及区域和手术侧半球体素集合，确定手术侧半球脑功能图谱；根据非手术侧半球脑功能图谱和手术侧半球脑功能图谱，确定目标脑肿瘤患者的个体脑功能图谱，其中，个体脑功能图谱包括p个脑功能分区和q个脑肿瘤分区，p≤N，q≤M；能够无创地实现对脑肿瘤患者的脑功能分区，针对目标脑肿瘤患者形成个体脑功能图谱，以克服个体结构或功能差异导致的功能分区定位不准确的问题，能够无风险、准确、可靠的对脑肿瘤患者进行术前脑功能分区。
附图说明
附图以示例而非限制的方式大体示出了本文中所讨论的各个实施例。
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的脑肿瘤患者的脑功能图谱确定方法的一个实施例的流程示意图；
图3是根据本公开的脑肿瘤患者的脑功能图谱确定装置的一个实施例的结构示意图；
图4是适于用来实现本公开的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。
在本公开实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本公开实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本公开的实施例可以除了在这里图示或描述的那些以外的顺序实施。
图1示出了可以应用本公开的脑肿瘤患者的脑功能图谱确定方法或脑肿瘤患者的脑功能图谱确定装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如磁共振成像控制应用、功能磁共振成像控制应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供脑结构磁共振成像数据或脑功能磁共振成像数据的处理)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发送的磁共振成像数据进行处理的后台数据处理服务器。后台数据处理服务器可以根据脑结构磁共振成像数据和脑功能磁共振成像数据，确定目标脑肿瘤患者的个体脑功能图谱并发送给终端设备。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本公开所提供的脑肿瘤患者的脑功能图谱确定方法一般由服务器105执行，相应地，脑肿瘤患者的脑功能图谱确定装置一般设置于服务器105中。
需要说明的是，在一些情况下，本公开所提供的脑肿瘤患者的脑功能图谱确定方法可以通过服务器105执行，也可以通过终端设备101、102、103执行，还可以通过服务器105和终端设备101、102、103共同执行。相应地，脑肿瘤患者的脑功能图谱确定装置可以设置于服务器105中，也可以设置于终端设备101、102、103中，还可以部分设置于服务器105中部分设置于终端设备101、102、103中。以及相应地，系统架构100可以只包括服务器105，或者只包括终端设备101、102、103，或者可以包括终端设备101、102、103，网络104和服务器105。本公开对此不做限定。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，其示出了根据本公开的脑肿瘤患者的脑功能图谱确定方法的一个实施例的流程200。该脑肿瘤患者的脑功能图谱确定方法包括：
步骤201，获取目标脑肿瘤患者的扫描数据。
本公开实施例中，扫描数据包括对目标脑肿瘤患者的脑部进行磁共振成像得到的数据。
扫描数据包括预设数目个体素中每个体素对应的信号时间序列。
在本实施例中，脑肿瘤患者的脑功能图谱确定方法的执行主体(例如图1所示的服务器)可以首先本地或者远程地从与上述执行主体网络连接的其他电子设备(例如图1所示的终端设备)获取目标脑肿瘤患者的扫描数据。
本公开实施例中，体素对应的信号时间序列是指体素对应的血氧水平依赖(BloodOxygen Level Dependency，BOLD)信号时间序列。
体素又称立体像素(voxel)，是体积像素(volume pixel)的简称。体素从概念上类似二维空间的最小单位——像素，像素用在二维电脑图像的影像数据上。体素是数字数据于三维空间分割上的最小单位，应用于三维成像、科学数据与医学影像等领域。
体素对应的BOLD信号时间序列是指，对目标脑肿瘤患者进行磁共振扫描，进而对每个体素每隔预设时间单位得到一个BOLD信号，并最终得到一段时间的BOLD信号，把这些BOLD信号按照采集时间先后顺序排列即得到每个体素对应的BOLD信号时间序列，其中所包括的BOLD信号数目可以为目标任务对应的时长除以预设时间单位所得到的整数商。例如，扫描对应的时长300秒，预设时间单位为2秒，则每个体素对应的BOLD信号时间序列中150个BOLD值，也可以认为每个体素对应的BOLD信号时间序列有150帧数据，或者也可以认为每个体素对应的BOLD信号时间序列为维度为150维的向量，或者也可以认为每个体素对应的BOLD信号时间序列为1×150阶矩阵，本公开对此不做具体限定。
可以理解的是，扫描数据所包括体素的具体数目可以根据磁共振成像的扫描精度确定，也可以根据成像设备的精度确定，这里的预设数目并非对于体素的具体数量限定，目前的实际应用中，人脑扫描数据的体素数量是以万或十万来衡量的，随着扫描技术的进步，人脑扫描数据所包括的体素数量还能够进一步提高。
在本公开中，上述执行主体可以从本地或者远程地从与上述执行主体网络连接的其他电子设备(例如图1所示的终端设备)获取目标脑肿瘤患者的扫描数据。
本公开的实施例中，磁共振成像，可包括：结构磁共振成像，和/或，任务态功能磁共振成像，和/或，静息态功能磁共振成像。
功能磁共振成像得到的数据含有时间序列信息，相当于四维图像。例如：采集功能磁共振成像图像，3维的图像矩阵(Length x Width x Height，LxMx N)，每2秒采集一帧，则6分钟可采集150帧数据，形成LxMxN个体素x150的功能磁共振成像数据信号。
结构磁共振成像得到的数据是一个高分辨率的三维灰度解剖结构图像，例如T1w(T1加权成像---突出组织T1弛豫(纵向弛豫)差别)及其相关影像，T2w(T2加权成像----突出组织T2弛豫(横向弛豫)差别)及其相关影像，液体衰减反转恢复序列(fluid attenuatedinversion recovery，FLAIR)及其相关影像；结构磁共振成像还可包括磁共振弥散成像，如：弥散加权成像(diffusion-weighted imaging，DWI)及其相关影像，弥散张量成像(diffusion tensor imaging，DTI)及其相关影像等。
DTI是一种用于研究中枢神经系统解剖神经束弥散各向异性和显示白质纤维解剖的磁共振技术，通过组织中水分子弥散的各向异性(anisotropy)来探测组织微观结构。脑白质的各向异性是由于平行走行的髓鞘轴索纤维所致，脑白质的弥散在平行神经纤维方向最大，即弥散各向异性分数(fractionalanisotropy，FA)最大，可近似确定为1(实际可为大于0.9并趋近于1的分数)。这一特性用彩色标记可反映出脑白质的空间方向性，即弥散最快的方向指示纤维走行的方向。通过DTI进行纤维束成像可得到反映大脑结构的脑连接矩阵。
可以理解的是，静息态功能磁共振成像为目标脑肿瘤患者在扫描期间不执行任何任务时对目标脑肿瘤患者脑部进行磁共振扫描所得到的磁共振成像。任务态功能磁共振成像为在目标脑肿瘤患者执行目标任务时对目标脑肿瘤患者脑部进行磁共振扫描所得到的磁共振成像。
在获取目标脑肿瘤患者的脑结构磁共振扫描数据后，可以采用各种实现方式根据目标脑肿瘤患者的脑结构磁共振扫描数据确定目标脑肿瘤患者的脑结构图，即，得到目标脑肿瘤患者的大脑中具体哪些区域是什么结构部件。例如，可以采用现有的处理三维脑扫描数据的软件来实现，比如磁共振数据处理软件自由皮层重建(FreeSurfer)。又例如，也可以预先基于大量的脑结构影像扫描样本数据和对应的脑结构部件的标注对深度学习模型进行训练，再将目标脑肿瘤患者的脑结构磁共振扫描数据输入训练得到的深度学习模型，并得到相应的脑结构图。
在一些可选的实施方式中，上述执行主体在获取到目标脑肿瘤患者的扫描数据后，对扫描数据进行预处理。
本公开中，对于预处理的处理方法不做具体限定，示例性地，预处理可包括：
对磁共振成像影像预处理，例如，
(1)时间层校正、头动校正、时间信号滤波、噪声成分回归、空间平滑等；
(2)功能磁共振成像影像与结构像配准(如果有结构像)；
(3)功能磁共振成像信号投影到结构像(如果有结构像)，包括重建的个体脑皮层影像或者相关组平均水平的结构影像。
对磁共振成像影像预处理(如果有结构像)，例如去头骨、场强校正、个体解剖结构分割、脑皮层重建等。
步骤202，根据目标脑肿瘤患者的脑肿瘤所在位置与扫描数据，确定手术侧半球体素集合和非手术侧半球体素集合。
具体地，根据目标脑肿瘤患者的脑肿瘤所在位置，将目标脑肿瘤患者的脑结构确定为手术侧半球和非手术侧半球，其中，手术侧半球即脑肿瘤所在半球，非手术侧半球即脑肿瘤所在半球的对侧半球。
这里，脑肿瘤所在位置可以根据对磁共振成像数据识别得到，例如可以通过对比目标脑肿瘤患者的磁共振成像与标准脑结构图像识别判断脑肿瘤结构，并确定脑肿瘤所在位置。
步骤203，根据脑功能分区模板和非手术侧半球体素集合，确定非手术侧半球脑功能图谱。
其中，非手术侧半球脑功能图谱包括N个脑功能分区，N为大于等于2的正整数。
在一些可选的实施方式中，根据脑功能分区模板和非手术侧半球体素集合，确定非手术侧半球脑功能图谱，可包括：
根据脑功能分区模板将非手术侧半球体素集合分为N个脑功能分区。
这里，可根据脑功能分区模板和个体脑结构对齐的非线性配准方法，将包含N(例如：N＝18)个功能区的群组标准空间脑图谱模板投射到非手术侧半球。
对于N个脑功能分区中每个脑功能分区，将该脑功能分区中体素的平均信号时间序列确定为该脑功能分区的参考信号时间序列。
对于非手术侧半球体素集合中的每个体素，将N个脑功能分区中参考信号时间序列与该体素的相关度最高的脑功能分区确定为该体素对应的脑功能分区，以得到非手术侧半球第一迭代脑功能图谱。
根据非手术侧半球第一迭代脑功能图谱确定非手术侧半球体素集合中每个体素的置信度。
对于第一迭代脑功能图谱中的每个脑功能分区，将该脑功能分区中置信度大于预设置信度阈值的体素的平均信号时间序列确定为该脑功能分区的参考信号时间序列。
执行以下第一迭代操作：对于非手术侧半球体素集合中的每个体素，将非手术侧半球第一迭代脑功能图谱中参考信号时间序列与该体素的相关度最高的脑功能分区确定为该体素对应的脑功能分区，以得到非手术侧半球第二迭代脑功能图谱；根据非手术侧半球第二迭代脑功能图谱更新非手术侧半球体素集合中每个体素的置信度；对于非手术侧半球第二迭代脑功能图谱中的每个脑功能分区，将该脑功能分区中更新后的置信度大于预设置信度阈值的体素的平均信号时间序列确定为该脑功能分区的参考信号时间序列；确定是否满足第一迭代终结条件；若是，将非手术侧半球第二迭代脑功能图谱确定为非手术侧半球脑功能图谱；若否，将非手术侧半球第一迭代脑功能图谱更新为非手术侧半球第二迭代脑功能图谱后继续执行第一迭代操作。
这里，第一迭代终结条件可包括：达到预设的收敛条件，或者，达到预设的迭代次数。
本公开实施例中，体素与参考信号时间序列的相关度可通过体素与参考时间序列的相关系数表征。
本公开中，相关性系数为皮尔逊(pearson)相关系数，是用来衡量变量间的线性程度的系数。其计算公式为：
Figure BDA0003260095940000131
公式定义为：两个连续变量(X,Y)的pearson相关性系数(ρx,y)等于它们之间的协方差cov(X,Y)除以它们各自标准差的乘积(σX,σY)。系数的取值总是在-1.0到1.0之间，等于或近似等于0的变量被成为无相关性，等于或近似等于1或者-1被称为具有强相关性。这里，近似等于可以理解为与目标值的差值在误差允许的范围内，例如，本公开中，0.01可近似等于0，或者，0.99可近似等于1，这里只是举例说明，实际应用中可根据计算所需的精度来确定近似等于的误差允许范围。
步骤204，根据手术侧半球体素集合确定M个脑肿瘤累及区域，M为大于等于1的正整数。
本公开实施例中，脑肿瘤分区是指脑肿瘤累及区，脑肿瘤累及区包括因脑肿瘤导致发生病变的区域，可包括例如脑肿瘤的核心区、脑肿瘤的水肿区、脑肿瘤的钙化区等。
在一些可选的实施方式中，根据手术侧半球体素集合确定M个脑肿瘤累及区域，可包括：根据手术侧半球体素集合确定脑肿瘤累及区，将脑肿瘤累及区确定为M个脑肿瘤累及区域。
这里，根据手术侧半球体素集合确定脑肿瘤累及区，可包括：通过临床诊断确定目标脑肿瘤患者的脑肿瘤累及区；机器学习算法确定，通过肿瘤自动识别或分割算法可以得到脑肿瘤累及区；传统图像算法确定，如通过阈值法，分水岭算法等来识别脑肿瘤累及区。
在一些可选的实施方式中，将脑肿瘤累及区确定为M个脑肿瘤累及区域，可包括：将脑肿瘤累及区平均或近似平均地分为M个脑肿瘤累及区域，例如：按照预设的长宽高范围将脑肿瘤累及区分为多个区域，将每个区域确定为一个脑肿瘤分区。
在一些可选的实施方式中，将脑肿瘤累及区确定为M个脑肿瘤累及区域，可包括：将脑肿瘤累及区随机分为M个脑肿瘤累及区域，或者，将脑肿瘤累及区对应脑解剖结构分为M个脑肿瘤累及区域。
步骤205，根据N个脑功能分区、M个脑肿瘤累及区域和手术侧半球体素集合，确定手术侧半球脑功能图谱。
在一些可选的实施方式中，根据N个脑功能分区、M个脑肿瘤累及区域和手术侧半球体素集合，确定手术侧半球脑功能图谱，可包括：
确定M个脑肿瘤累及区域中每个脑肿瘤累及区域的参考信号时间序列。
这里，可将M个脑肿瘤累及区域中每个脑肿瘤分区种子点对应体素的平均信号时间序列作为该脑肿瘤分区的参考信号时间序列。
脑肿瘤分区种子点可以是脑肿瘤分区的中心点或脑肿瘤分区内的一个感兴趣区域(region of interest，ROI)。
对于手术侧半球体素集合中的每个体素，确定该体素与N个脑功能分区和M个脑肿瘤累及区域的相关度；若相关度最高的为脑肿瘤累及区域，将该相关度最高的脑肿瘤累及区域对应的脑肿瘤分区确定为该体素对应的脑肿瘤分区；若相关度最高的为脑功能分区，将该相关度最高的脑功能分区确定为该体素对应的脑功能分区；以得到手术侧半球第一迭代脑功能图谱。
根据手术侧半球第一迭代脑功能图谱确定手术侧半球体素集合中每个体素的置信度。
对于第一迭代脑功能图谱中的每个脑功能分区和每个脑肿瘤分区，将该脑功能分区及该脑肿瘤分区中置信度大于预设置信度阈值的体素的平均信号时间序列对应确定为该脑功能分区及该脑肿瘤分区的参考信号时间序列。
执行以下第二迭代操作：对于手术侧半球体素集合中的每个体素，确定该体素与手术侧半球第一迭代脑功能图谱中每个脑功能分区和每个脑肿瘤分区的相关度；若相关度最高的为脑肿瘤分区，将该相关度最高的脑肿瘤分区确定为该体素对应的脑肿瘤分区；若相关度最高的为脑功能分区，将该相关度最高的脑功能分区确定为该体素对应的脑功能分区；以得到手术侧半球第二迭代脑功能图谱；根据手术侧半球第二迭代脑功能图谱更新手术侧半球体素集合中每个体素的置信度；对于手术侧半球第二迭代脑功能图谱中的每个脑功能分区和每个脑肿瘤分区，将该脑功能分区及该脑肿瘤分区中更新后的置信度大于预设置信度阈值的体素的平均信号时间序列对应确定为该脑功能分区及该脑肿瘤分区的参考信号时间序列；确定是否满足第二迭代终结条件；若是，将手术侧半球第二迭代脑功能图谱确定为手术侧半球脑功能图谱；若否，将手术侧半球第一迭代脑功能图谱更新为手术侧半球第二迭代脑功能图谱后继续执行第二迭代操作。
这里，第二迭代终结条件可包括：达到预设的收敛条件，或者，达到预设的迭代次数。
步骤206，根据非手术侧半球脑功能图谱和手术侧半球脑功能图谱，确定目标脑肿瘤患者的个体脑功能图谱。
其中，个体脑功能图谱包括p个脑功能分区和q个脑肿瘤分区，p≤N，q≤M。
在一些可选的实施方式中，根据非手术侧半球脑功能图谱和手术侧半球脑功能图谱，确定目标脑肿瘤患者的个体脑功能图谱，可包括：
将非手术侧半球脑功能图谱和手术侧半球脑功能图谱组合得到全脑功能图谱。
对于全脑功能图谱中每个脑功能分区和每个脑肿瘤分区，将该脑功能分区及该脑肿瘤分区中体素的平均信号时间序列对应确定为该脑功能分区及该脑肿瘤分区的参考信号时间序列。
对于全脑功能图谱中的每个体素，确定该体素与全脑功能图谱中每个脑功能分区和每个脑肿瘤分区的相关度；若相关度最高的为脑肿瘤分区，将该相关度最高的脑肿瘤分区确定为该体素对应的脑肿瘤分区；若相关度最高的为脑功能分区，将该相关度最高的脑功能分区确定为该体素对应的脑功能分区；以得到个体脑功能图谱。
可以理解的是，在对全脑功能图谱中的每个体素根据相关度进行脑功能分区和脑肿瘤分区的确定后，可能存在部分脑功能分区和脑肿瘤分区中的体素全部被确认至其他脑功能分区和脑肿瘤分区的情况，因此，最终得到的个体脑功能图谱中包括的p个脑功能分区和q个脑肿瘤分区对应小于等于N个脑功能分区和M个脑肿瘤累及区域。
进一步参考图3，作为对上述方法的实现，本公开提供了一种脑肿瘤患者的脑功能图谱确定装置的一个实施例，该装置与图2所示的方法实施例相对应，该装置可具体应用于各种电子设备中。
如图3所示，本实施例的脑肿瘤患者的脑功能图谱确定装置300包括：数据获取单元301、第一处理单元302、第二处理单元303、第三处理单元304、第四处理单元305及第五处理单元306。其中：
数据获取单元301，被配置成获取目标脑肿瘤患者的扫描数据，其中，扫描数据包括对目标脑肿瘤患者的脑部进行磁共振成像得到的数据，扫描数据包括预设数目个体素中每个体素对应的血氧水平依赖BOLD信号时间序列。
第一处理单元302，被配置成根据目标脑肿瘤患者的脑肿瘤所在位置与扫描数据，确定手术侧半球体素集合和非手术侧半球体素集合。
第二处理单元303，被配置成根据脑功能分区模板和非手术侧半球体素集合，确定非手术侧半球脑功能图谱，其中，非手术侧半球脑功能图谱包括N个脑功能分区，N为大于等于2的正整数。
第三处理单元304，被配置成根据手术侧半球体素集合确定M个脑肿瘤累及区域，M为大于等于1的正整数。
第四处理单元305，被配置成根据N个脑功能分区、M个脑肿瘤累及区域和手术侧半球体素集合，确定手术侧半球脑功能图谱。
第五处理单元306，被配置成根据非手术侧半球脑功能图谱和手术侧半球脑功能图谱，确定目标脑肿瘤患者的个体脑功能图谱，其中，个体脑功能图谱包括p个脑功能分区和q个脑肿瘤分区，p≤N，q≤M。
在一些可选的实施方式中，第二处理单元303，被进一步配置成：
根据脑功能分区模板将非手术侧半球体素集合分为N个脑功能分区；
对于N个脑功能分区中每个脑功能分区，将该脑功能分区中体素的平均信号时间序列确定为该脑功能分区的参考信号时间序列。
对于非手术侧半球体素集合中的每个体素，将N个脑功能分区中参考信号时间序列与该体素的相关度最高的脑功能分区确定为该体素对应的脑功能分区，以得到非手术侧半球第一迭代脑功能图谱。
根据非手术侧半球第一迭代脑功能图谱确定非手术侧半球体素集合中每个体素的置信度。
对于第一迭代脑功能图谱中的每个脑功能分区，将该脑功能分区中置信度大于预设置信度阈值的体素的平均信号时间序列确定为该脑功能分区的参考信号时间序列。
执行以下第一迭代操作：对于非手术侧半球体素集合中的每个体素，将非手术侧半球第一迭代脑功能图谱中参考信号时间序列与该体素的相关度最高的脑功能分区确定为该体素对应的脑功能分区，以得到非手术侧半球第二迭代脑功能图谱；根据非手术侧半球第二迭代脑功能图谱更新非手术侧半球体素集合中每个体素的置信度；对于非手术侧半球第二迭代脑功能图谱中的每个脑功能分区，将该脑功能分区中更新后的置信度大于预设置信度阈值的体素的平均信号时间序列确定为该脑功能分区的参考信号时间序列；确定是否满足第一迭代终结条件；若是，将非手术侧半球第二迭代脑功能图谱确定为非手术侧半球脑功能图谱；若否，将非手术侧半球第一迭代脑功能图谱更新为非手术侧半球第二迭代脑功能图谱后继续执行第一迭代操作。
在一些可选的实施方式中，第四处理单元305，被进一步配置成：
确定M个脑肿瘤累及区域中每个脑肿瘤累及区域的参考信号时间序列。
对于手术侧半球体素集合中的每个体素，确定该体素与N个脑功能分区和M个脑肿瘤累及区域的相关度；若相关度最高的为脑肿瘤累及区域，将该相关度最高的脑肿瘤累及区域对应的脑肿瘤分区确定为该体素对应的脑肿瘤分区；若相关度最高的为脑功能分区，将该相关度最高的脑功能分区确定为该体素对应的脑功能分区；以得到手术侧半球第一迭代脑功能图谱。
根据手术侧半球第一迭代脑功能图谱确定手术侧半球体素集合中每个体素的置信度。
对于第一迭代脑功能图谱中的每个脑功能分区和每个脑肿瘤分区，将该脑功能分区及该脑肿瘤分区中置信度大于预设置信度阈值的体素的平均信号时间序列对应确定为该脑功能分区及该脑肿瘤分区的参考信号时间序列。
执行以下第二迭代操作：对于手术侧半球体素集合中的每个体素，确定该体素与手术侧半球第一迭代脑功能图谱中每个脑功能分区和每个脑肿瘤分区的相关度；若相关度最高的为脑肿瘤分区，将该相关度最高的脑肿瘤分区确定为该体素对应的脑肿瘤分区；若相关度最高的为脑功能分区，将该相关度最高的脑功能分区确定为该体素对应的脑功能分区；以得到手术侧半球第二迭代脑功能图谱；根据手术侧半球第二迭代脑功能图谱更新手术侧半球体素集合中每个体素的置信度；对于手术侧半球第二迭代脑功能图谱中的每个脑功能分区和每个脑肿瘤分区，将该脑功能分区及该脑肿瘤分区中更新后的置信度大于预设置信度阈值的体素的平均信号时间序列对应确定为该脑功能分区及该脑肿瘤分区的参考信号时间序列；确定是否满足第二迭代终结条件；若是，将手术侧半球第二迭代脑功能图谱确定为手术侧半球脑功能图谱；若否，将手术侧半球第一迭代脑功能图谱更新为手术侧半球第二迭代脑功能图谱后继续执行第二迭代操作。
在一些可选的实施方式中，第五处理单元306，被进一步配置成：
将非手术侧半球脑功能图谱和手术侧半球脑功能图谱组合得到全脑功能图谱。
对于全脑功能图谱中每个脑功能分区和每个脑肿瘤分区，将该脑功能分区及该脑肿瘤分区中体素的平均信号时间序列对应确定为该脑功能分区及该脑肿瘤分区的参考信号时间序列。
对于全脑功能图谱中的每个体素，确定该体素与全脑功能图谱中每个脑功能分区和每个脑肿瘤分区的相关度；若相关度最高的为脑肿瘤分区，将该相关度最高的脑肿瘤分区确定为该体素对应的脑肿瘤分区；若相关度最高的为脑功能分区，将该相关度最高的脑功能分区确定为该体素对应的脑功能分区；以得到个体脑功能图谱。
需要说明的是，本公开提供的脑肿瘤患者的脑功能图谱确定装置中各单元的实现细节和技术效果可以参考本公开中其它实施例的，在此不再赘述。
本公开实施例还提供一种芯片，包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有上述芯片的设备执行上述脑肿瘤患者的脑功能图谱确定方法。
本公开实施例还提供一种计算机程序包括计算机程序指令，该计算机程序指令使得计算机执行上述脑肿瘤患者的脑功能图谱确定方法。
下面参考下面参考图4，其示出了适于用来实现本公开的终端设备或服务器的计算机系统400的结构示意图。图4示出的终端设备或服务器仅仅是一个示例，不应对本公开的功能和使用范围带来任何限制。
如图4所示，计算机系统400包括中央处理单元(CPU，Central Processing Unit)401，其可以根据存储在只读存储器(ROM，Read Only Memory)402中的程序或者从存储部分408加载到随机访问存储器(RAM，Random Access Memory)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统400操作所需的各种程序和数据。CPU 401、ROM402以及RAM 403通过总线404彼此相连。输入/输出(I/O，Input/Output)接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本公开的方法中限定的上述功能。需要说明的是，本公开的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括数据获取单元、第一处理单元、第二处理单元、第三处理单元、第四处理单元及第五处理单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本公开还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取目标脑肿瘤患者的扫描数据，其中，扫描数据包括对目标脑肿瘤患者的脑部进行磁共振成像得到的数据，扫描数据包括预设数目个体素中每个体素对应的信号时间序列；根据目标脑肿瘤患者的脑肿瘤所在位置与扫描数据，确定手术侧半球体素集合和非手术侧半球体素集合；根据脑功能分区模板和非手术侧半球体素集合，确定非手术侧半球脑功能图谱，其中，非手术侧半球脑功能图谱包括N个脑功能分区，N为大于等于2的正整数；根据手术侧半球体素集合确定M个脑肿瘤累及区域，M为大于等于1的正整数；根据N个脑功能分区、M个脑肿瘤累及区域和手术侧半球体素集合，确定手术侧半球脑功能图谱；根据非手术侧半球脑功能图谱和手术侧半球脑功能图谱，确定目标脑肿瘤患者的个体脑功能图谱，其中，个体脑功能图谱包括p个脑功能分区和q个脑肿瘤分区，p≤N，q≤M。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
本公开实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种脑肿瘤患者的脑功能图谱确定方法，包括：
获取目标脑肿瘤患者的扫描数据，其中，所述扫描数据包括对所述目标脑肿瘤患者的脑部进行磁共振成像得到的数据，所述扫描数据包括预设数目个体素中每个体素对应的血氧水平依赖BOLD信号时间序列；
根据所述目标脑肿瘤患者的脑肿瘤所在位置与所述扫描数据，确定手术侧半球体素集合和非手术侧半球体素集合；
根据脑功能分区模板和所述非手术侧半球体素集合，确定非手术侧半球脑功能图谱，其中，所述非手术侧半球脑功能图谱包括N个脑功能分区，N≥2；
根据所述手术侧半球体素集合确定M个脑肿瘤累及区域，M≥1；
根据所述N个脑功能分区、所述M个脑肿瘤累及区域和所述手术侧半球体素集合，确定手术侧半球脑功能图谱；
根据所述非手术侧半球脑功能图谱和所述手术侧半球脑功能图谱，确定所述目标脑肿瘤患者的个体脑功能图谱，其中，所述个体脑功能图谱包括p个脑功能分区和q个脑肿瘤分区，p≤N，q≤M；
所述根据所述N个脑功能分区、所述M个脑肿瘤累及区域和所述手术侧半球体素集合，确定手术侧半球脑功能图谱，具体包括：
确定所述M个脑肿瘤累及区域中每个脑肿瘤累及区域的参考信号时间序列；
对于所述手术侧半球体素集合中的每个体素，确定该体素与所述N个脑功能分区和所述M个脑肿瘤累及区域的相关度；若相关度最高的为脑肿瘤累及区域，将该相关度最高的脑肿瘤累及区域对应的脑肿瘤分区确定为该体素对应的脑肿瘤分区；若相关度最高的为脑功能分区，将该相关度最高的脑功能分区确定为该体素对应的脑功能分区；以得到手术侧半球第一迭代脑功能图谱。
2.根据权利要求1所述的方法，其中，所述根据脑功能分区模板和所述非手术侧半球体素集合，确定非手术侧半球脑功能图谱，包括：
根据所述脑功能分区模板将所述非手术侧半球体素集合分为N个脑功能分区；
对于所述N个脑功能分区中每个脑功能分区，将该脑功能分区中体素的平均信号时间序列确定为该脑功能分区的参考信号时间序列；
对于所述非手术侧半球体素集合中的每个体素，将所述N个脑功能分区中参考信号时间序列与该体素的相关度最高的脑功能分区确定为该体素对应的脑功能分区，以得到非手术侧半球第一迭代脑功能图谱；
根据所述非手术侧半球第一迭代脑功能图谱确定所述非手术侧半球体素集合中每个体素的置信度；
对于所述第一迭代脑功能图谱中的每个脑功能分区，将该脑功能分区中置信度大于预设置信度阈值的体素的平均信号时间序列确定为该脑功能分区的参考信号时间序列；
执行以下第一迭代操作：对于所述非手术侧半球体素集合中的每个体素，将所述非手术侧半球第一迭代脑功能图谱中参考信号时间序列与该体素的相关度最高的脑功能分区确定为该体素对应的脑功能分区，以得到非手术侧半球第二迭代脑功能图谱；根据所述非手术侧半球第二迭代脑功能图谱更新所述非手术侧半球体素集合中每个体素的置信度；对于所述非手术侧半球第二迭代脑功能图谱中的每个脑功能分区，将该脑功能分区中更新后的置信度大于预设置信度阈值的体素的平均信号时间序列确定为该脑功能分区的参考信号时间序列；确定是否满足第一迭代终结条件；若是，将所述非手术侧半球第二迭代脑功能图谱确定为所述非手术侧半球脑功能图谱；若否，将所述非手术侧半球第一迭代脑功能图谱更新为所述非手术侧半球第二迭代脑功能图谱后继续执行所述第一迭代操作。
3.根据权利要求2所述的方法，其中，所述根据所述N个脑功能分区、所述M个脑肿瘤累及区域和所述手术侧半球体素集合，确定手术侧半球脑功能图谱，还包括：
根据所述手术侧半球第一迭代脑功能图谱确定所述手术侧半球体素集合中每个体素的置信度；
对于所述第一迭代脑功能图谱中的每个脑功能分区和每个脑肿瘤分区，将该脑功能分区及该脑肿瘤分区中置信度大于预设置信度阈值的体素的平均信号时间序列对应确定为该脑功能分区及该脑肿瘤分区的参考信号时间序列；
执行以下第二迭代操作：对于所述手术侧半球体素集合中的每个体素，确定该体素与所述手术侧半球第一迭代脑功能图谱中每个脑功能分区和每个脑肿瘤分区的相关度；若相关度最高的为脑肿瘤分区，将该相关度最高的脑肿瘤分区确定为该体素对应的脑肿瘤分区；若相关度最高的为脑功能分区，将该相关度最高的脑功能分区确定为该体素对应的脑功能分区；以得到手术侧半球第二迭代脑功能图谱；根据所述手术侧半球第二迭代脑功能图谱更新所述手术侧半球体素集合中每个体素的置信度；对于所述手术侧半球第二迭代脑功能图谱中的每个脑功能分区和每个脑肿瘤分区，将该脑功能分区及该脑肿瘤分区中更新后的置信度大于预设置信度阈值的体素的平均信号时间序列对应确定为该脑功能分区及该脑肿瘤分区的参考信号时间序列；确定是否满足第二迭代终结条件；若是，将所述手术侧半球第二迭代脑功能图谱确定为所述手术侧半球脑功能图谱；若否，将所述手术侧半球第一迭代脑功能图谱更新为所述手术侧半球第二迭代脑功能图谱后继续执行所述第二迭代操作。
4.根据权利要求3所述的方法，其中，所述根据所述非手术侧半球脑功能图谱和所述手术侧半球脑功能图谱，确定所述目标脑肿瘤患者的个体脑功能图谱，包括：
将所述非手术侧半球脑功能图谱和所述手术侧半球脑功能图谱组合得到全脑功能图谱；
对于所述全脑功能图谱中每个脑功能分区和每个脑肿瘤分区，将该脑功能分区及该脑肿瘤分区中体素的平均信号时间序列对应确定为该脑功能分区及该脑肿瘤分区的参考信号时间序列；
对于所述全脑功能图谱中的每个体素，确定该体素与所述全脑功能图谱中每个脑功能分区和每个脑肿瘤分区的相关度；若相关度最高的为脑肿瘤分区，将该相关度最高的脑肿瘤分区确定为该体素对应的脑肿瘤分区；若相关度最高的为脑功能分区，将该相关度最高的脑功能分区确定为该体素对应的脑功能分区；以得到所述个体脑功能图谱。
5.一种脑肿瘤患者的脑功能图谱确定装置，包括：
数据获取单元，被配置成获取目标脑肿瘤患者的扫描数据，其中，所述扫描数据包括对所述目标脑肿瘤患者的脑部进行磁共振成像得到的数据，所述扫描数据包括预设数目个体素中每个体素对应的血氧水平依赖BOLD信号时间序列；
第一处理单元，被配置成根据所述目标脑肿瘤患者的脑肿瘤所在位置与所述扫描数据，确定手术侧半球体素集合和非手术侧半球体素集合；
第二处理单元，被配置成根据脑功能分区模板和所述非手术侧半球体素集合，确定非手术侧半球脑功能图谱，其中，所述非手术侧半球脑功能图谱包括N个脑功能分区，N≥2；
第三处理单元，被配置成根据所述手术侧半球体素集合确定M个脑肿瘤累及区域，M≥1；
第四处理单元，被配置成根据所述N个脑功能分区、所述M个脑肿瘤累及区域和所述手术侧半球体素集合，确定手术侧半球脑功能图谱；
第五处理单元，被配置成根据所述非手术侧半球脑功能图谱和所述手术侧半球脑功能图谱，确定所述目标脑肿瘤患者的个体脑功能图谱，其中，所述个体脑功能图谱包括p个脑功能分区和q个脑肿瘤分区，p≤N，q≤M；
所述根据所述N个脑功能分区、所述M个脑肿瘤累及区域和所述手术侧半球体素集合，确定手术侧半球脑功能图谱，具体包括：
确定所述M个脑肿瘤累及区域中每个脑肿瘤累及区域的参考信号时间序列；
对于所述手术侧半球体素集合中的每个体素，确定该体素与所述N个脑功能分区和所述M个脑肿瘤累及区域的相关度；若相关度最高的为脑肿瘤累及区域，将该相关度最高的脑肿瘤累及区域对应的脑肿瘤分区确定为该体素对应的脑肿瘤分区；若相关度最高的为脑功能分区，将该相关度最高的脑功能分区确定为该体素对应的脑功能分区；以得到手术侧半球第一迭代脑功能图谱。
6.一种芯片，包括：
一个或多个处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行如权利要求1-4中任一所述的方法。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被一个或多个处理器执行时实现如权利要求1-4中任一所述的方法。
CN202111069973.7A 2021-09-13 2021-09-13 脑肿瘤患者的脑功能图谱确定方法及装置 Active CN114140377B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111069973.7A CN114140377B (zh) 2021-09-13 2021-09-13 脑肿瘤患者的脑功能图谱确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111069973.7A CN114140377B (zh) 2021-09-13 2021-09-13 脑肿瘤患者的脑功能图谱确定方法及装置

Publications (2)

Publication Number Publication Date
CN114140377A CN114140377A (zh) 2022-03-04
CN114140377B true CN114140377B (zh) 2023-04-07

Family

ID=80394744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111069973.7A Active CN114140377B (zh) 2021-09-13 2021-09-13 脑肿瘤患者的脑功能图谱确定方法及装置

Country Status (1)

Country Link
CN (1) CN114140377B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111081351A (zh) * 2019-12-02 2020-04-28 北京优脑银河科技有限公司 脑功能图谱的绘制方法和系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006114003A1 (en) * 2005-04-27 2006-11-02 The Governors Of The University Of Alberta A method and system for automatic detection and segmentation of tumors and associated edema (swelling) in magnetic resonance (mri) images
TWI586326B (zh) * 2016-06-28 2017-06-11 Chung Shan Medical Univ Hospital 具有顱內電極的個人腦結構之顯示裝置及其顯示方法
CN108961259B (zh) * 2017-05-25 2022-03-18 复旦大学 基于静息态功能磁共振的大脑功能区对侧定位方法
CN112735569B (zh) * 2020-12-31 2022-09-02 四川大学华西医院 脑肿瘤多模态mri术前胶质瘤手术区结果输出系统及方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111081351A (zh) * 2019-12-02 2020-04-28 北京优脑银河科技有限公司 脑功能图谱的绘制方法和系统

Also Published As

Publication number Publication date
CN114140377A (zh) 2022-03-04

Similar Documents

Publication Publication Date Title
US10088544B2 (en) Tractography framework with magnetic resonance imaging for brain connectivity analysis
CN113367681B (zh) 靶点确定方法、装置、设备及存储介质
Behrens et al. Probabilistic diffusion tractography with multiple fibre orientations: What can we gain?
CN113367679B (zh) 靶点确定方法、装置、设备及存储介质
CN113367680B (zh) 靶点确定方法、装置、设备及存储介质
US11782113B2 (en) Fiber tracking and segmentation
CN109215014B (zh) Ct图像预测模型的训练方法、装置、设备及存储介质
US20220293244A1 (en) Methods and systems for resting state fmri brain mapping with reduced imaging time
Usman et al. Gaussian smoothing and modified histogram normalization methods to improve neural-biomarker interpretations for dyslexia classification mechanism
Bromiley et al. Bayesian and non-Bayesian probabilistic models for medical image analysis
CN114187227B (zh) 脑肿瘤累及区域的功能区确定方法及装置
Yang et al. Learning white matter subject‐specific segmentation from structural MRI
CN114140377B (zh) 脑肿瘤患者的脑功能图谱确定方法及装置
US20150016701A1 (en) Pulse sequence-based intensity normalization and contrast synthesis for magnetic resonance imaging
CN113450893B (zh) 脑功能区定位和定侧方法、装置、设备及存储介质
US11004220B2 (en) Method and device for segmenting images by automatic propagation into an (N+1 )-th dimension of an image segmentation initialized in dimension N
Ho et al. Inter-individual deep image reconstruction
Puttashamachar et al. End to End Brain Fiber Orientation Estimation Using Deep Learning
Vardhan et al. Characterizing growth patterns in longitudinal MRI using image contrast
US11796615B2 (en) Subject-specific and hardware-specific bias removal from functional magnetic resonance imaging signals using deep learning
US20240069139A1 (en) Systems and methods for magnetic resonance imaging
US20230316716A1 (en) Systems and methods for automated lesion detection using magnetic resonance fingerprinting data
US20220349972A1 (en) Systems and methods for integrated magnetic resonance imaging and magnetic resonance fingerprinting radiomics analysis
CN116758098A (zh) 磁共振图像的丘脑底核分割方法及模型构建方法
Cao et al. Quantitative perfusion maps using a novelty spatiotemporal convolutional neural network

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