CN114187227B - 脑肿瘤累及区域的功能区确定方法及装置 - Google Patents
脑肿瘤累及区域的功能区确定方法及装置 Download PDFInfo
- Publication number
- CN114187227B CN114187227B CN202111070279.7A CN202111070279A CN114187227B CN 114187227 B CN114187227 B CN 114187227B CN 202111070279 A CN202111070279 A CN 202111070279A CN 114187227 B CN114187227 B CN 114187227B
- Authority
- CN
- China
- Prior art keywords
- brain
- brain tumor
- brain function
- determining
- affected area
- 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
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
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本公开提出了一种脑肿瘤累及区域的功能区确定方法及装置,其中,脑肿瘤累及区域的功能区确定方法包括:获取受试者的扫描数据;根据所述扫描数据确定脑肿瘤累及区域;根据脑功能分区模板和所述扫描数据,确定所述受试者的个体全脑功能图谱;根据所述脑肿瘤累及区域和所述个体全脑功能图谱,确定所述受试者的非脑肿瘤累及区域脑功能图谱;根据所述非脑肿瘤累及区域脑功能图谱和所述M个脑肿瘤累及区,确定所述M个脑肿瘤累及区域功能边界以及内部功能区。能够无创地实现对脑肿瘤的瘤内功能区和肿瘤功能边界的定位。
Description
技术领域
本公开涉及计算机技术,尤其涉及一种脑肿瘤累及区域的功能区确定方法及装置。
背景技术
由于脑肿瘤会影响大脑的结构和功能,健康大脑的功能区计算方法不能适用于脑肿瘤患者。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肿瘤边界以及肿瘤内重要功能区定位的技术手段。
发明内容
本公开提出了脑肿瘤累及区域的功能区确定方法、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累及区域的功能区确定方法,包括:
获取受试者的扫描数据,其中,所述扫描数据包括对所述受试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;
根据所述扫描数据确定M个脑肿瘤累及区域,其中,M≥1;
根据脑功能分区模板和所述扫描数据,确定个所述受试者的个体全脑功能图谱,其中,所述个体全脑功能图谱包括N个脑功能分区,N≥2;
根据所述M个脑肿瘤累及区域和所述个体全脑功能图谱,确定所述受试者的非脑肿瘤累及区域脑功能图谱,其中,所述非脑肿瘤累及区域脑功能图谱包括p个脑功能分区,2≤p≤N;
根据所述p个脑功能分区和所述M个脑肿瘤分区,确定所述M个脑肿瘤累及区域对应的每个体素对应的功能区。
在一些可选的实施方式中,所述根据所述扫描数据确定脑肿瘤累及区域,所述脑肿瘤累及区域包括M个脑肿瘤分区,包括:
根据机器学习算法及所述扫描数据,确定所述M个脑肿瘤分区。
在一些可选的实施方式中,所述根据所述M个脑肿瘤累及区域和所述个体全脑功能图谱,确定所述受试者的非脑肿瘤累及区域脑功能图谱,包括:
根据所述脑肿瘤累及区域及所述扫描数据确定非脑肿瘤累及区域;
根据所述非脑肿瘤累及区域和所述个体全脑功能图谱,确定所述受试者的非脑肿瘤累及区域脑功能图谱。
在一些可选的实施方式中,所述根据所述非脑肿瘤累及区域和所述个体全脑功能图谱,确定所述受试者的非脑肿瘤累及区域脑功能图谱,包括:
对于所述个体全脑功能图谱中对应所述非脑肿瘤累及区域的每个脑功能分区,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;
对于所述非脑肿瘤累及区域对应的每个体素,将所述非脑肿瘤累及区域对应的每个脑功能分区的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,以得到非脑肿瘤累及区域第一迭代脑功能图谱;
根据所述非脑肿瘤累及区域第一迭代脑功能图谱确定所述非脑肿瘤累及区域对应的每个体素的置信度;
对于所述非脑肿瘤累及区域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等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:对于所述非脑肿瘤累及区域对应的每个体素,将所述非脑肿瘤累及区域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,以得到非脑肿瘤累及区域第二迭代脑功能图谱;根据所述非脑肿瘤累及区域第二迭代脑功能图谱更新所述非脑肿瘤累及区域对应的每个体素的置信度;对于所述非脑肿瘤累及区域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等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,将所述非脑肿瘤累及区域第二迭代脑功能图谱确定为所述非脑肿瘤累及区域脑功能图谱;若否,将所述非脑肿瘤累及区域第一迭代脑功能图谱更新为所述非脑肿瘤累及区域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p个脑功能分区和所述M个脑肿瘤分区,确定所述M个脑肿瘤累及区域对应的每个体素对应的功能区,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M个脑肿瘤累及区域对应的每个体素,确定该体素与所述p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功能区;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功能区。
第二方面,本公开提供了一种脑肿瘤累及区域的功能区确定装置,包括:
数据获取单元,被配置成获取受试者的扫描数据,其中,所述扫描数据包括对所述受试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;
第一处理单元,被配置成根据所述扫描数据确定M个脑肿瘤累及区域,其中,M≥1;
第二处理单元,被配置成根据脑功能分区模板和所述扫描数据,确定个所述受试者的个体全脑功能图谱,其中,所述个体全脑功能图谱包括N个脑功能分区,N≥2;
第三处理单元,被配置成根据所述M个脑肿瘤累及区域和所述个体全脑功能图谱,确定所述受试者的非脑肿瘤累及区域脑功能图谱,其中,所述非脑肿瘤累及区域脑功能图谱包括p个脑功能分区,2≤p≤N;
第四处理单元,被配置成根据所述p个脑功能分区和所述M个脑肿瘤分区,确定所述M个脑肿瘤累及区域对应的每个体素对应的功能区。
在一些可选的实施方式中,所述第一处理单元,被进一步配置成:
根据机器学习算法及所述扫描数据,确定所述M个脑肿瘤累及区域。
在一些可选的实施方式中,所述第三处理单元,被进一步配置成:
根据所述脑肿瘤累及区域及所述扫描数据确定非脑肿瘤累及区域;
根据所述非脑肿瘤累及区域和所述个体全脑功能图谱,确定所述受试者的非脑肿瘤累及区域脑功能图谱。
在一些可选的实施方式中,所述第三处理单元,被进一步配置成:
对于所述个体全脑功能图谱中对应所述非脑肿瘤累及区域的每个脑功能分区,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;
对于所述非脑肿瘤累及区域对应的每个体素,将所述非脑肿瘤累及区域对应的每个脑功能分区的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,以得到非脑肿瘤累及区域第一迭代脑功能图谱;
根据所述非脑肿瘤累及区域第一迭代脑功能图谱确定所述非脑肿瘤累及区域对应的每个体素的置信度;
对于所述非脑肿瘤累及区域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等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:对于所述非脑肿瘤累及区域对应的每个体素,将所述非脑肿瘤累及区域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,以得到非脑肿瘤累及区域第二迭代脑功能图谱;根据所述非脑肿瘤累及区域第二迭代脑功能图谱更新所述非脑肿瘤累及区域对应的每个体素的置信度;对于所述非脑肿瘤累及区域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等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,将所述非脑肿瘤累及区域第二迭代脑功能图谱确定为所述非脑肿瘤累及区域脑功能图谱;若否,将所述非脑肿瘤累及区域第一迭代脑功能图谱更新为所述非脑肿瘤累及区域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,所述第四处理单元,被进一步配置成:
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;
对于所述脑肿瘤累及区域对应的每个体素,确定该体素与所述p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功能区;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功能区;以得到脑肿瘤累及区域第一迭代脑功能图谱;
根据所述脑肿瘤累及区域第一迭代脑功能图谱确定所述M个脑肿瘤累及区域对应的每个体素的置信度;
对于所述脑肿瘤累及区域第一迭代脑功能图谱中的每个功能区,将该功能区中置信度大于等于预设置信度阈值的体素的平均信号时间序列确定为该功能区的参考信号时间序列;
执行以下第二迭代操作:对于所述M个脑肿瘤累及区域对应的每个体素,将所述脑肿瘤累及区域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功能区确定为该体素对应的功能区;以得到脑肿瘤累及区域第二迭代脑功能图谱;根据所述脑肿瘤累及区域第二迭代脑功能图谱更新所述M个脑肿瘤累及区域对应的每个体素的置信度;对于所述脑肿瘤累及区域第二迭代脑功能图谱中的每个功能区,将该功能区中更新后的置信度大于等于预设置信度阈值的体素的平均信号时间序列确定为该功能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,将所述脑肿瘤累及区域第二迭代脑功能图谱确定为所述脑肿瘤累及区脑功能图谱;若否,将所述脑肿瘤累及区域第一迭代脑功能图谱更新为所述脑肿瘤累及区域第二迭代脑功能图谱后继续执行所述第二迭代操作。
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累及区域的功能区确定方法,通过获取受试者的扫描数据;根据所述扫描数据确定M个脑肿瘤累及区域,其中,M≥1;根据脑功能分区模板和所述扫描数据,确定个所述受试者的个体全脑功能图谱,其中,所述个体全脑功能图谱包括N个脑功能分区,N≥2;根据所述M个脑肿瘤累及区域和所述个体全脑功能图谱,确定所述受试者的非脑肿瘤累及区域脑功能图谱,其中,所述非脑肿瘤累及区域脑功能图谱包括p个脑功能分区,2≤p≤N;根据所述p个脑功能分区和所述M个脑肿瘤累及区域,确定所述M个脑肿瘤累及区域对应的每个体素的功能区;能够无创地实现对受试者的脑肿瘤累及区域进行功能区划分,以提高脑肿瘤累及区域的功能区分区准确度。
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累及区域的功能区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累及区域的功能区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累及区域的功能区确定方法或脑肿瘤累及区域的功能区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,确定受试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累及区域的功能区确定方法一般由服务器105执行,相应地,脑肿瘤累及区域的功能区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累及区域的功能区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,脑肿瘤累及区域的功能区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累及区域的功能区确定方法的一个实施例的流程200。该脑肿瘤累及区域的功能区确定方法包括:
步骤201,获取受试者的扫描数据。
本公开实施例中,扫描数据包括对受试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,脑肿瘤累及区域的功能区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)获取受试者的扫描数据。
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,对受试者进行磁共振扫描,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)获取受试者的扫描数据。
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,L x M x 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受试者在扫描期间不执行任何任务时对受试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受试者执行目标任务时对受试者脑部进行磁共振扫描所得到的磁共振成像。
在获取受试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受试者的脑结构磁共振扫描数据确定受试者的脑结构图,即,得到受试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机器学习模型进行训练,再将受试者的脑结构磁共振扫描数据输入训练得到的机器学习模型,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受试者的扫描数据后,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,根据扫描数据确定M个脑肿瘤累及区域。
其中,M为大于等于1的正整数。
本公开实施例中,脑肿瘤累及区域可包括因脑肿瘤导致发生病变的区域,例如可包括例如脑肿瘤的增强核心、非增强核心、坏死核心、脑肿瘤周围的水肿、脑肿瘤的钙化区等。
在一些可选的实施方式中,根据扫描数据确定M个脑肿瘤累及区域,可包括:
根据机器学习算法及扫描数据,确定M个脑肿瘤累及区域。
其中机器学习算法可包括有监督,半监督,或无监督等方法。机器学习算法采用的机器学习网络模型可包括例如Unet,nnUnet,DenseNet,ResidualNet,Yolo系列,Deeplab系列,GAN等2D/3D卷积神经网络或生成对抗网络等模型。
以基于Unet模型的有监督学习为例,定位脑肿瘤累及区域的过程可包括以下步骤S1至步骤S6。其中:
步骤S1,获取有标签数据集:获取单模态或多模态(T1/T2/T1-CE/Flair等)有肿瘤位置信息标注的肿瘤数据集,数据集包含的数据量通常大于100例。
步骤S2,划分数据集:按3:1:1的比例(非固定比例)将数据集分为训练集,验证集和测试集。
步骤S3,数据增强及数据增广:为增强机器学习模型鲁棒性和泛化性,通常会对训练集或验证集进行一些列如旋转,缩放,裁剪,仿射,调整对比度等操作。
步骤S4,模型选择:通常根据不同的任务类型、数据特点进行模型选择,本示例中选择医疗图像分割常用模型Unet。
步骤S5,模型训练及调优:在准备好的训练集上训练用于肿瘤定位的Unet模型,通过对一系列超参数(如学习率,优化器,损失函数等)的调整进行模型调优,最后考察预设的评价指标(如模型预测结果于真实标签之间的面积交并比,敏感度,特异度等)在验证集上的表现情况来选择最优模型。
步骤S6,模型性能测试:将经过模型调优后在验证集上表现优异的模型在测试集上进行性能测试,测试模型的肿瘤定位性能是否能够满足要求,若是,则模型训练完成;若否,则重复步骤S2至步骤S5,直至模型性能满足要求。
步骤203,根据脑功能分区模板和扫描数据,确定个受试者的个体全脑功能图谱。
其中,个体全脑功能图谱包括N个脑功能分区,N为大于等于2的正整数。
这里,可根据脑功能分区模板和受试者脑结构对齐的非线性配准方法,将包含N(例如:N=18)个功能区的群组水平的脑功能图谱投射受试者的大脑扫描数据,得到受试者的个体全脑功能图谱。N的取值可以根据脑功能模板的功能分区数量确定,本公开实施例对此不做具体限定。
步骤204,根据M个脑肿瘤累及区域和个体全脑功能图谱,确定受试者的非脑肿瘤累及区域脑功能图谱。
其中,非脑肿瘤累及区域脑功能图谱包括p个脑功能分区,p为大于等于2的正整数,且p≤N。
在一些可选的实施方式中,根据M个脑肿瘤累及区域和个体全脑功能图谱,确定受试者的非脑肿瘤累及区域脑功能图谱,可包括:
根据M个脑肿瘤累及区域及扫描数据确定非脑肿瘤累及区域。
根据非脑肿瘤累及区域和个体全脑功能图谱,确定受试者的非脑肿瘤累及区域脑功能图谱。
在一些可选的实施方式中,根据非脑肿瘤累及区域和个体全脑功能图谱,确定受试者的非脑肿瘤累及区域脑功能图谱,可包括:
对于个体全脑功能图谱中对应非脑肿瘤累及区域的每个脑功能分区,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。
对于非脑肿瘤累及区域对应的每个体素,将非脑肿瘤累及区域对应的每个脑功能分区的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,以得到非脑肿瘤累及区域第一迭代脑功能图谱。
根据非脑肿瘤累及区域第一迭代脑功能图谱确定非脑肿瘤累及区域对应的每个体素的置信度。
这里,体素的置信度包括:对于每个体素,其与多个参考信号时间序列的相关度中最大值和次大值的比值。置信度越大,说明将该体素分配给相关系数最大的脑功能区具有更大的可信度越高,分配的模糊性越低。
对于非脑肿瘤累及区域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等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:对于非脑肿瘤累及区域对应的每个体素,将非脑肿瘤累及区域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,以得到非脑肿瘤累及区域第二迭代脑功能图谱;根据非脑肿瘤累及区域第二迭代脑功能图谱更新非脑肿瘤累及区域对应的每个体素的置信度;对于非脑肿瘤累及区域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等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,将非脑肿瘤累及区域第二迭代脑功能图谱确定为非脑肿瘤累及区域脑功能图谱;若否,将非脑肿瘤累及区域第一迭代脑功能图谱更新为非脑肿瘤累及区域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:
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205,根据p个脑功能分区和M个脑肿瘤累及区域,确定M个脑肿瘤累及区域对应的每个体素对应的功能区。
这里,确定M个脑肿瘤累及区域对应的每个体素对应的功能区,可将M个脑肿瘤累及区域中的体素确定为p+q个功能区,q为大于等于2的正整数,且q≤M。
这里,p+q个功能区包括p个脑功能分区和q个脑肿瘤分区。
在一些可选的实施方式中,根据p个脑功能分区和M个脑肿瘤累及区域,确定M个脑肿瘤累及区域对应的每个体素对应的功能区,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;
对于M个脑肿瘤累及区域对应的每个体素,确定该体素与p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功能区;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功能区。
在一些可选的实施方式中,根据p个脑功能分区和M个脑肿瘤累及区域,确定M个脑肿瘤累及区域对应的每个体素对应的功能区,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;
对于M个脑肿瘤累及区域对应的每个体素,确定该体素与p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功能区;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功能区;以得到脑肿瘤累及区域第一迭代脑功能图谱;
根据脑肿瘤累及区域第一迭代脑功能图谱确定M个脑肿瘤累及区域对应的每个体素的置信度;
对于脑肿瘤累及区域第一迭代脑功能图谱中的每个功能区,将该功能区中置信度大于等于预设置信度阈值的体素的平均信号时间序列确定为该功能区的参考信号时间序列;
执行以下第二迭代操作:对于M个脑肿瘤累及区域对应的每个体素,将脑肿瘤累及区域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功能区确定为该体素对应的功能区;以得到脑肿瘤累及区域第二迭代脑功能图谱;根据脑肿瘤累及区域第二迭代脑功能图谱更新M个脑肿瘤累及区域对应的每个体素的置信度;对于脑肿瘤累及区域第二迭代脑功能图谱中的每个功能区,将该功能区中更新后的置信度大于等于预设置信度阈值的体素的平均信号时间序列确定为该功能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,将脑肿瘤累及区域第二迭代脑功能图谱确定为脑肿瘤累及区脑功能图谱;若否,将脑肿瘤累及区域第一迭代脑功能图谱更新为脑肿瘤累及区域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。
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累及区域的功能区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,本实施例的脑肿瘤累及区域的功能区确定装置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及第四处理单元305。其中:
数据获取单元301,被配置成获取受试者的扫描数据,其中,扫描数据包括对受试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。
第一处理单元302,被配置成根据扫描数据确定M个脑肿瘤累及区域,其中,M≥1。
第二处理单元303,被配置成根据脑功能分区模板和扫描数据,确定个受试者的个体全脑功能图谱,其中,个体全脑功能图谱包括N个脑功能分区,N≥2。
第三处理单元304,被配置成根据M个脑肿瘤累及区域和个体全脑功能图谱,确定受试者的非脑肿瘤累及区域脑功能图谱,其中,非脑肿瘤累及区域脑功能图谱包括p个脑功能分区,2≤p≤N。
第四处理单元305,被配置成根据p个脑功能分区和M个脑肿瘤累及区域,确定所述M个脑肿瘤累及区域对应的每个体素对应的功能区。
在一些可选的实施方式中,第一处理单元302,被进一步配置成:
根据机器学习算法及扫描数据,确定M个脑肿瘤累及区域。
在一些可选的实施方式中,第三处理单元304,被进一步配置成:
根据M个脑肿瘤累及区域及扫描数据确定非脑肿瘤累及区域;
根据非脑肿瘤累及区域和个体全脑功能图谱,确定受试者的非脑肿瘤累及区域脑功能图谱。
在一些可选的实施方式中,第三处理单元304,被进一步配置成:
对于个体全脑功能图谱中对应非脑肿瘤累及区域的每个脑功能分区,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;
对于非脑肿瘤累及区域对应的每个体素,将非脑肿瘤累及区域对应的每个脑功能分区的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,以得到非脑肿瘤累及区域第一迭代脑功能图谱;
根据非脑肿瘤累及区域第一迭代脑功能图谱确定非脑肿瘤累及区域对应的每个体素的置信度;
对于非脑肿瘤累及区域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等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:对于非脑肿瘤累及区域对应的每个体素,将非脑肿瘤累及区域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,以得到非脑肿瘤累及区域第二迭代脑功能图谱;根据非脑肿瘤累及区域第二迭代脑功能图谱更新非脑肿瘤累及区域对应的每个体素的置信度;对于非脑肿瘤累及区域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等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,将非脑肿瘤累及区域第二迭代脑功能图谱确定为非脑肿瘤累及区域脑功能图谱;若否,将非脑肿瘤累及区域第一迭代脑功能图谱更新为非脑肿瘤累及区域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;
对于脑肿瘤累及区域对应的每个体素,确定该体素与p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功能区;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功能区;以得到脑肿瘤累及区域第一迭代脑功能图谱;
根据脑肿瘤累及区域第一迭代脑功能图谱确定M个脑肿瘤累及区域对应的每个体素的置信度;
对于脑肿瘤累及区域第一迭代脑功能图谱中的每个功能区,将该功能区中置信度大于等于预设置信度阈值的体素的平均信号时间序列确定为该功能区的参考信号时间序列;
执行以下第二迭代操作:对于M个脑肿瘤累及区域对应的每个体素,将脑肿瘤累及区域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功能区确定为该体素对应的功能区;以得到脑肿瘤累及区域第二迭代脑功能图谱;根据脑肿瘤累及区域第二迭代脑功能图谱更新M个脑肿瘤累及区域对应的每个体素的置信度;对于脑肿瘤累及区域第二迭代脑功能图谱中的每个功能区,将该功能区中更新后的置信度大于等于预设置信度阈值的体素的平均信号时间序列确定为该功能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,将脑肿瘤累及区域第二迭代脑功能图谱确定为脑肿瘤累及区脑功能图谱;若否,将脑肿瘤累及区域第一迭代脑功能图谱更新为脑肿瘤累及区域第二迭代脑功能图谱后继续执行第二迭代操作。
需要说明的是,本公开提供的脑肿瘤累及区域的功能区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累及区域的功能区确定方法。
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累及区域的功能区确定方法。
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、第三处理单元及第四处理单元。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:获取受试者的扫描数据,其中,扫描数据包括对受试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;根据扫描数据确定脑肿瘤累及区域,脑肿瘤累及区域包括M个脑肿瘤分区,其中,M≥1;根据脑功能分区模板和扫描数据,确定个受试者的个体全脑功能图谱,其中,个体全脑功能图谱包括N个脑功能分区,N≥2;根据脑肿瘤累及区域和个体全脑功能图谱,确定受试者的非脑肿瘤累及区域脑功能图谱,其中,非脑肿瘤累及区域脑功能图谱包括p个脑功能分区,2≤p≤N;根据p个脑功能分区和M个脑肿瘤分区,确定脑肿瘤累及区域对应的每个体素的功能区,以得到脑肿瘤累及区脑功能图谱,其中,脑肿瘤累及区脑功能图谱包括p+q个功能区,2≤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,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权利要求的保护范围为准。
Claims (9)
1.一种脑肿瘤累及区域的功能区确定方法,包括:
获取受试者的扫描数据,其中,所述扫描数据包括对所述受试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;
根据所述扫描数据确定M个脑肿瘤累及区域,其中,M≥1;
根据脑功能分区模板和所述扫描数据,确定个所述受试者的个体全脑功能图谱,其中,所述个体全脑功能图谱包括N个脑功能分区,N≥2;
根据所述M个脑肿瘤累及区域及所述扫描数据确定非脑肿瘤累及区域;
根据所述非脑肿瘤累及区域和所述个体全脑功能图谱,确定所述受试者的非脑肿瘤累及区域脑功能图谱,其中,所述非脑肿瘤累及区域脑功能图谱包括p个脑功能分区,2≤p≤N;
根据所述p个脑功能分区和所述M个脑肿瘤累及区域,确定所述M个脑肿瘤累及区域对应的每个体素对应的功能区。
2.根据权利要求1所述的方法,其中,所述根据所述扫描数据确定M个脑肿瘤累及区域,包括:
根据机器学习算法及所述扫描数据,确定所述M个脑肿瘤累及区域。
3.根据权利要求1所述的方法,其中,所述根据所述M个脑肿瘤累及区域和所述个体全脑功能图谱,确定所述受试者的非脑肿瘤累及区域脑功能图谱,包括:
根据所述M个脑肿瘤累及区域及所述扫描数据确定非脑肿瘤累及区域;
根据所述非脑肿瘤累及区域和所述个体全脑功能图谱,确定所述受试者的非脑肿瘤累及区域脑功能图谱。
4.根据权利要求3所述的方法,其中,所述根据所述非脑肿瘤累及区域和所述个体全脑功能图谱,确定所述受试者的非脑肿瘤累及区域脑功能图谱,包括:
对于所述个体全脑功能图谱中对应所述非脑肿瘤累及区域的每个脑功能分区,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;
对于所述非脑肿瘤累及区域对应的每个体素,将所述非脑肿瘤累及区域对应的每个脑功能分区的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,以得到非脑肿瘤累及区域第一迭代脑功能图谱;
根据所述非脑肿瘤累及区域第一迭代脑功能图谱确定所述非脑肿瘤累及区域对应的每个体素的置信度;
对于所述非脑肿瘤累及区域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等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:对于所述非脑肿瘤累及区域对应的每个体素,将所述非脑肿瘤累及区域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,以得到非脑肿瘤累及区域第二迭代脑功能图谱;根据所述非脑肿瘤累及区域第二迭代脑功能图谱更新所述非脑肿瘤累及区域对应的每个体素的置信度;对于所述非脑肿瘤累及区域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等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,将所述非脑肿瘤累及区域第二迭代脑功能图谱确定为所述非脑肿瘤累及区域脑功能图谱;若否,将所述非脑肿瘤累及区域第一迭代脑功能图谱更新为所述非脑肿瘤累及区域第二迭代脑功能图谱后继续执行所述第一迭代操作。
5.根据权利要求4所述的方法,其中,所述根据所述p个脑功能分区和所述M个脑肿瘤累及区域,确定所述M个脑肿瘤累及区域对应的每个体素对应的功能区,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M个脑肿瘤累及区域对应的每个体素,确定该体素与所述p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功能区;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功能区。
6.一种脑肿瘤累及区域的功能区确定装置,包括:
数据获取单元,被配置成获取受试者的扫描数据,其中,所述扫描数据包括对所述受试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;
第一处理单元,被配置成根据所述扫描数据确定M个脑肿瘤累及区域,其中,M≥1;
第二处理单元,被配置成根据脑功能分区模板和所述扫描数据,确定个所述受试者的个体全脑功能图谱,其中,所述个体全脑功能图谱包括N个脑功能分区,N≥2;
第三处理单元,被配置成根据所述M个脑肿瘤累及区域及所述扫描数据确定非脑肿瘤累及区域;根据所述非脑肿瘤累及区域和所述个体全脑功能图谱,确定所述受试者的非脑肿瘤累及区域脑功能图谱,其中,所述非脑肿瘤累及区域脑功能图谱包括p个脑功能分区,2≤p≤N;
第四处理单元,被配置成根据所述p个脑功能分区和所述M个脑肿瘤累及区域,确定所述M个脑肿瘤累及区域对应的每个体素对应的功能区。
7.一种芯片,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1-5中任一所述的方法。
8.一种电子设备,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1-5中任一所述的方法。
9.一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1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111070279.7A CN114187227B (zh) | 2021-09-13 | 2021-09-13 | 脑肿瘤累及区域的功能区确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111070279.7A CN114187227B (zh) | 2021-09-13 | 2021-09-13 | 脑肿瘤累及区域的功能区确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114187227A CN114187227A (zh) | 2022-03-15 |
CN114187227B true CN114187227B (zh) | 2023-01-24 |
Family
ID=80539445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111070279.7A Active CN114187227B (zh) | 2021-09-13 | 2021-09-13 | 脑肿瘤累及区域的功能区确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187227B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205915B (zh) * | 2023-04-28 | 2023-07-14 | 北京航空航天大学 | 一种基于掩码的大脑年龄评估方法、系统及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102908145A (zh) * | 2012-11-09 | 2013-02-06 | 中国科学院自动化研究所 | 一种基于多模态磁共振成像的脑区功能定位方法 |
WO2018160512A1 (en) * | 2017-02-28 | 2018-09-07 | Board Of Trustees Of Michigan State University | Method and system for determining brain-state dependent functional areas of unitary pooled activity and associated dynamic networks with functional magnetic resonance imaging |
CN108961259A (zh) * | 2017-05-25 | 2018-12-07 | 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 |
CN109242816A (zh) * | 2017-07-07 | 2019-01-18 | 复旦大学 | 基于静息态脑功能对侧定位的脑胶质瘤病理级别影像学辅助判定方法 |
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 (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110993065B (zh) * | 2019-11-19 | 2023-07-25 | 浙江工业大学 | 一种基于图像引导的脑肿瘤锁孔手术路径规划方法 |
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 |
-
2021
- 2021-09-13 CN CN202111070279.7A patent/CN114187227B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102908145A (zh) * | 2012-11-09 | 2013-02-06 | 中国科学院自动化研究所 | 一种基于多模态磁共振成像的脑区功能定位方法 |
WO2018160512A1 (en) * | 2017-02-28 | 2018-09-07 | Board Of Trustees Of Michigan State University | Method and system for determining brain-state dependent functional areas of unitary pooled activity and associated dynamic networks with functional magnetic resonance imaging |
CN108961259A (zh) * | 2017-05-25 | 2018-12-07 | 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 |
CN109242816A (zh) * | 2017-07-07 | 2019-01-18 | 复旦大学 | 基于静息态脑功能对侧定位的脑胶质瘤病理级别影像学辅助判定方法 |
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 |
WO2021109727A1 (zh) * | 2019-12-02 | 2021-06-10 | 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 |
Non-Patent Citations (3)
Title |
---|
Altered resting-state voxel-level whole-brain functional connectivity in depressed Parkinson"s disease;Hansheng Wang 等;《Parkinsonism & Related Disorders》;20180531;第50卷;全文 * |
基于磁共振成像的人脑图谱构建方法研究进展;蔡文琴 等;《波谱学杂志》;20200630;第37卷(第2期);全文 * |
面向fMRI数据的人脑功能划分;赵学武 等;《科学通报》;20160603;第61卷(第18期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114187227A (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10088544B2 (en) | Tractography framework with magnetic resonance imaging for brain connectivity analysis | |
Pham et al. | Multiscale brain MRI super-resolution using deep 3D convolutional networks | |
Tristán-Vega et al. | DWI filtering using joint information for DTI and HARDI | |
US7355403B2 (en) | Noise reduction in diffusion tensor imaging data using bayesian methods | |
Becker et al. | Position-orientation adaptive smoothing of diffusion weighted magnetic resonance data (POAS) | |
Pallast et al. | Processing pipeline for atlas-based imaging data analysis of structural and functional mouse brain MRI (AIDAmri) | |
Jurek et al. | CNN-based superresolution reconstruction of 3D MR images using thick-slice scans | |
US10753998B2 (en) | Resolution enhancement of diffusion imaging biomarkers in magnetic resonance imaging | |
Duong et al. | An unsupervised deep learning technique for susceptibility artifact correction in reversed phase-encoding EPI images | |
Askin et al. | PP-MPI: A deep plug-and-play prior for magnetic particle imaging reconstruction | |
Usman et al. | Gaussian smoothing and modified histogram normalization methods to improve neural-biomarker interpretations for dyslexia classification mechanism | |
Torop et al. | Deep learning using a biophysical model for robust and accelerated reconstruction of quantitative, artifact‐free and denoised images | |
CN114187227B (zh) | 脑肿瘤累及区域的功能区确定方法及装置 | |
Della Maggiora et al. | DeepSPIO: Super paramagnetic iron oxide particle quantification using deep learning in magnetic resonance imaging | |
Qiao et al. | Unsupervised deep learning for FOD-based susceptibility distortion correction in diffusion MRI | |
Forigua et al. | SuperFormer: Volumetric transformer architectures for MRI super-resolution | |
Zuo et al. | Synthesizing realistic brain MR images with noise control | |
Alsenan et al. | A Deep Learning Model based on MobileNetV3 and UNet for Spinal Cord Gray Matter Segmentation | |
Lee et al. | Registration and quantification network (RQnet) for IVIM‐DKI analysis in MRI | |
Pal et al. | Personalized synthetic MR imaging with deep learning enhancements | |
CN114140377B (zh) | 脑肿瘤患者的脑功能图谱确定方法及装置 | |
Liu et al. | Generation of quantification maps and weighted images from synthetic magnetic resonance imaging using deep learning network | |
Aetesam et al. | Perceptually motivated generative model for magnetic resonance image denoising | |
Zhang et al. | Temporal interpolation via motion field prediction | |
Ho et al. | Inter-individual deep image reconstruction |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220815 Address after: No. kj202-013, floor 2, building 6, yard 1, Zhongguancun East Road, Haidian District, Beijing 100083 Applicant after: Beijing Yinhe Fangyuan Technology Co.,Ltd. Address before: No. kj202-013, floor 2, building 6, yard 1, Zhongguancun East Road, Haidian District, Beijing 100083 Applicant before: Beijing Yinhe Fangyuan Technology Co.,Ltd. Applicant before: BEIJING NEUROSURGICAL INSTITUTE |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |