CN114972352B - 一种病症映射多维失连网络区域提取方法及系统 - Google Patents
一种病症映射多维失连网络区域提取方法及系统 Download PDFInfo
- Publication number
- CN114972352B CN114972352B CN202210918696.0A CN202210918696A CN114972352B CN 114972352 B CN114972352 B CN 114972352B CN 202210918696 A CN202210918696 A CN 202210918696A CN 114972352 B CN114972352 B CN 114972352B
- Authority
- CN
- China
- Prior art keywords
- focus
- network
- image
- brain
- weighted
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 49
- 238000013507 mapping Methods 0.000 title claims abstract description 46
- 201000010099 disease Diseases 0.000 title claims abstract description 30
- 210000004556 brain Anatomy 0.000 claims abstract description 122
- 239000000835 fiber Substances 0.000 claims abstract description 55
- 238000009792 diffusion process Methods 0.000 claims abstract description 23
- 230000000284 resting effect Effects 0.000 claims abstract description 20
- 238000012795 verification Methods 0.000 claims abstract description 14
- 238000010791 quenching Methods 0.000 claims abstract description 9
- 230000003902 lesion Effects 0.000 claims description 58
- 230000006870 function Effects 0.000 claims description 42
- 230000009466 transformation Effects 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 21
- 208000024891 symptom Diseases 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 230000003925 brain function Effects 0.000 claims description 10
- 238000002597 diffusion-weighted imaging Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006855 networking Effects 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000007170 pathology Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 206010051290 Central nervous system lesion Diseases 0.000 description 2
- 208000012902 Nervous system disease Diseases 0.000 description 2
- 208000025966 Neurological disease Diseases 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 208000011580 syndromic disease Diseases 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 238000011888 autopsy Methods 0.000 description 1
- 210000000133 brain stem Anatomy 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
- 210000001103 thalamus Anatomy 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种病症映射多维失连网络区域提取方法及系统，属于医学影像领域。该方法包括：将病灶图像配准至大脑标准空间；获取所述健康对照组的弥散磁共振影像以及静息态功能磁共振影像；根据大脑标准空间下的病灶图像以及所述弥散磁共振影像，利用纤维追踪方法构建病灶对应的结构失连加权网络；根据所述大脑标准空间下的病灶图像以及所述静息态功能磁共振影像，利用交叉相关验证方法构建病灶对应的功能显著失连网络；根据所述结构失连加权网络以及所述功能显著失连网络确定病症映射的病灶多维失连网络区域；所述病灶多维失连网络区域用于定位大脑病灶在大脑中的网络映射。本发明能够提高病症与病灶之间映射的精确度，根据病症准确定位病灶。
Description
技术领域
本发明涉及医学影像领域，特别是涉及一种病症映射多维失连网络区域提取方法及系统。
背景技术
包括卒中病灶在内的大脑病灶会造成人体的多维度认知与行为功能的损伤。然而，目前对大脑病灶如何影响认知与行为功能的具体机制仍未阐明。研究大脑病灶与症状的映射关系，有望增进对临床神经疾病病理机制的理解，为神经疾病的治疗与康复提供新的有效的干预方案。
现有的病灶与症状映射分析技术通常为单一病灶分析，这也是该领域的传统分析技术。这一技术通过定位某一症状的对应病灶位置来研究病灶与病症的映射关系。早期的病灶研究是基于尸体解剖和生前病症记录来分析病症映射关系的。随着非侵入成像技术的成熟，最近的技术开始借助神经影像工具进行病灶和症状的相关分析。经典的几项技术成果发现，左侧额叶损伤对语言生成有显著影响；内侧颞叶的损伤则与记忆功能相关。这种分析技术也可以做一些可能的因果假设推断，为定位临床治疗靶点提供间接的实验支持。这些结果表明，病灶与病症之间的映射关系确实成立，同时影像学技术也为这一分析提供了有力的工具。
尽管现有的单一病灶症状映射分析技术发现了很多经典的映射关系，但是有很多证据表明，这种基于病灶定位的分析技术会有瑕疵。这是因为有时类似的病灶可能与多个不同大脑位置的损伤有关。即使在具有相同症状的患者之间病变位置重叠时，重叠部位也可能不符合关于大脑该部分功能的传统观念。例如，导致幻视的脑干损伤一般定位于中脑和内侧丘脑，但这些区域并没有明显的与视觉或视觉表象相关的证据。这一缺陷的结果意味着症状与病灶位置的关系也可能是间接关系，因此简单使用单一病灶分析的方法可能会造成“病灶-症状”关系判断失误。
发明内容
本发明的目的是提供一种病症映射多维失连网络区域提取方法及系统，以解决“病灶-症状”关系准确度低的问题。
为实现上述目的，本发明提供了如下方案：
一种病症映射多维失连网络区域提取方法，包括：
获取病灶图像，并将所述病灶图像配准至大脑标准空间；
将多年龄段且性别比例平衡的健康人的大脑图像作为健康对照组，并获取所述健康对照组的弥散磁共振影像以及静息态功能磁共振影像；
根据大脑标准空间下的病灶图像以及所述弥散磁共振影像，利用纤维追踪方法构建病灶对应的结构失连加权网络；所述纤维追踪方法包括确定性纤维追踪以及概率性纤维追踪；
根据所述大脑标准空间下的病灶图像以及所述静息态功能磁共振影像，利用交叉相关验证方法构建病灶对应的功能显著失连网络；
根据所述结构失连加权网络以及所述功能显著失连网络确定病症映射的病灶多维失连网络区域；所述病灶多维失连网络区域用于定位大脑病灶在大脑中的网络映射。
可选的，所述将所述病灶图像配准至大脑标准空间，具体包括：
将所述病灶图像通过线性变换配准至所述大脑标准空间。
可选的，所述根据大脑标准空间下的病灶图像以及所述弥散磁共振影像，利用纤维追踪方法构建病灶对应的结构失连加权网络，具体包括：
对所述弥散磁共振影像进行预处理以及弥散加权成像建模，并利用纤维追踪方法进行纤维追踪，构建在所述健康对照组的个体空间上的确定性和概率性纤维追踪结构连接图像；
对于任一个所述健康对照组，将所述大脑标准空间下的病灶图像通过线性变换配准至所述健康对照组的个体空间内，并根据所述确定性和概率性纤维追踪结构连接图像提取病灶的结构连接图像；
对所述病灶的结构连接图像加权平均计算，确定所述个体空间下的结构失连加权网络；
将所述个体空间下的结构失连加权网络通过线性变换配准到所述大脑标准空间上，确定所述健康对照组对应的病灶结构失连加权网络；
根据所有所述健康对照组对应的病灶结构失连加权网络构建所述病灶对应的结构失连加权网络。
可选的，所述根据所述大脑标准空间下的病灶图像以及所述静息态功能磁共振影像，利用交叉相关验证方法构建病灶对应的功能显著失连网络，具体包括：
对所述静息态功能磁共振影像进行预处理，确定所述大脑标准空间下的大脑功能信号图像；
在所述大脑标准空间下，以所述病灶图像为感兴趣区域，提取病灶范围的平均信号；
基于所述大脑功能图像，将所述平均信号与全脑剩余区域信号做Pearson相关，确定全脑与病灶区域的功能连接值；
利用所述交叉相关验证方法分别计算所述平均信号与全脑剩余区域信号的交叉相关值以及乱序相关值；
保留大于一百倍的乱序相关值的交叉相关值为第一交叉相关值，并将所述第一交叉相关值对应位置的功能连接值作为所述健康对照组对应的病灶功能显著失连网络；
根据所有的所述健康对照组对应的病灶功能显著失连网络构建所述病灶对应的功能显著失连网络。
一种病症映射多维失连网络区域提取系统，包括：
配准模块，用于获取病灶图像，并将所述病灶图像配准至大脑标准空间；
影像获取模块，用于将多年龄段且性别比例平衡的健康人的大脑图像作为健康对照组，并获取所述健康对照组的弥散磁共振影像以及静息态功能磁共振影像；
病灶对应的结构失连加权网络构建模块，用于根据大脑标准空间下的病灶图像以及所述弥散磁共振影像，利用纤维追踪方法构建病灶对应的结构失连加权网络；所述纤维追踪方法包括确定性纤维追踪以及概率性纤维追踪；
病灶对应的功能显著失连网络构建模块，用于根据所述大脑标准空间下的病灶图像以及所述静息态功能磁共振影像，利用交叉相关验证方法构建病灶对应的功能显著失连网络；
病灶多维失连网络区域确定模块，用于根据所述结构失连加权网络以及所述功能显著失连网络确定病症映射的病灶多维失连网络区域；所述病灶多维失连网络区域用于定位大脑病灶在大脑中的网络映射。
可选的，所述配准模块，具体包括：
配准单元，用于将所述病灶图像通过线性变换配准至所述大脑标准空间。
可选的，所述病灶对应的结构失连加权网络构建模块，具体包括：
确定性和概率性纤维追踪结构连接图像构建单元，用于对所述弥散磁共振影像进行预处理以及弥散加权成像建模，并利用纤维追踪方法进行纤维追踪，构建在所述健康对照组的个体空间上的确定性和概率性纤维追踪结构连接图像；
病灶的结构连接图像提取单元，用于对于任一个所述健康对照组，将所述大脑标准空间下的病灶图像通过线性变换配准至所述健康对照组的个体空间内，并根据所述确定性和概率性纤维追踪结构连接图像提取病灶的结构连接图像；
个体空间下的结构失连加权网络确定单元，用于对所述病灶的结构连接图像加权平均计算，确定所述个体空间下的结构失连加权网络；
健康对照组对应的病灶结构失连加权网络确定单元，用于将所述个体空间下的结构失连加权网络通过线性变换配准到所述大脑标准空间上，确定所述健康对照组对应的病灶结构失连加权网络；
病灶对应的结构失连加权网络构建单元，用于根据所有所述健康对照组对应的病灶结构失连加权网络构建所述病灶对应的结构失连加权网络。
可选的，所述病灶对应的功能显著失连网络构建模块，具体包括：
大脑功能信号图像确定单元，用于对所述静息态功能磁共振影像进行预处理，确定所述大脑标准空间下的大脑功能信号图像；
平均信号提取单元，用于在所述大脑标准空间下，以所述病灶图像为感兴趣区域，提取病灶范围的平均信号；
功能连接值确定单元，用于基于所述大脑功能图像，将所述平均信号与全脑剩余区域信号做Pearson相关，确定全脑与病灶区域的功能连接值；
交叉相关值与乱序相关值计算单元，用于利用所述交叉相关验证方法分别计算所述平均信号与全脑剩余区域信号的交叉相关值以及乱序相关值；
健康对照组对应的病灶功能显著失连网络确定单元，用于保留大于一百倍的乱序相关值的交叉相关值为第一交叉相关值，并将所述第一交叉相关值对应位置的功能连接值作为所述健康对照组对应的病灶功能显著失连网络；
病灶对应的功能显著失连网络构建单元，用于根据所有的所述健康对照组对应的病灶功能显著失连网络构建所述病灶对应的功能显著失连网络。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种病症映射多维失连网络区域提取方法及系统，通过结合了单一病灶分析与人脑连接组学方法，利用纤维追踪法以及交叉相关验证法构建病灶的结构失连加权网络以及功能显著失连网络，从而得到病灶多维失连网络区域，基于该病灶多维失连网络区域精准反映出病灶与大脑系统损伤位置之间的关系，快速确定大脑系统损伤位置，避免了单一病灶分析方法“病灶-病症”关系失误的问题，提高病症与病灶之间映射的精确度。
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为本发明所提供的病症映射多维失连网络区域提取方法流程图；
图2为本发明所提供的病灶对应的结构失连加权网络构建流程图；
图3为本发明所提供的病灶对应的功能显著失连网络构建流程图；
图4为本发明所提供的主要工作流程图；
图5为本发明所提供的病症映射多维失连网络区域提取系统结构图。
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。
本发明的目的是提供一种病症映射多维失连网络区域提取方法及系统，提高病症与病灶之间映射的精确度，根据病症准确定位病灶。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的病症映射多维失连网络区域提取方法流程图，如图1所示，一种病症映射多维失连网络区域提取方法，包括：
步骤101：获取病灶图像，并将所述病灶图像配准至大脑标准空间。
所述步骤101具体包括：将所述病灶图像通过线性变换配准至所述大脑标准空间。
步骤102：将多年龄段且性别比例平衡的健康人的大脑图像作为健康对照组，并获取所述健康对照组的弥散磁共振影像以及静息态功能磁共振影像。
步骤103：根据大脑标准空间下的病灶图像以及所述弥散磁共振影像，利用纤维追踪方法构建病灶对应的结构失连加权网络；所述纤维追踪方法包括确定性纤维追踪以及概率性纤维追踪。
所述步骤103，具体包括：对所述弥散磁共振影像进行预处理以及弥散加权成像建模，并利用纤维追踪方法进行纤维追踪，构建在所述健康对照组的个体空间上的确定性和概率性纤维追踪结构连接图像；对于任一个所述健康对照组，将所述大脑标准空间下的病灶图像通过线性变换配准至所述健康对照组的个体空间内，并根据所述确定性和概率性纤维追踪结构连接图像提取病灶的结构连接图像；对所述病灶的结构连接图像加权平均计算，确定所述个体空间下的结构失连加权网络；将所述个体空间下的结构失连加权网络通过线性变换配准到所述大脑标准空间上，确定所述健康对照组对应的病灶结构失连加权网络；根据所有所述健康对照组对应的病灶结构失连加权网络构建所述病灶对应的结构失连加权网络。
在实际应用中，图2为本发明所提供的病灶对应的结构失连加权网络构建流程图，如图2所示，病灶对应的结构失连加权网络构造包括以下流程：
1）将病灶图像通过线性变换配准至蒙特利尔神经科学研究所（MontrealNeurosciences Institute，MNI）的大脑标准空间（即MNI152标准空间）。
2）对总计为N个样本的健康对照组的弥散磁共振影像进行预处理与弥散加权成像建模，并进行纤维追踪。具体流程包括：医学数字成像与通信（Digital Imaging andCommunications in Medicine，DICOM）到神经影像信息学技术协议（NeuroimagingInformatics Technology Initiative，NII）的图像格式转换、图像重采样、对b0图像剥离颅骨、涡流矫正、平滑、弥散加权成像建模、确定性纤维追踪、概率性纤维追踪等步骤，最终构建在健康对照组个体空间的确定性和概率性纤维追踪结构连接图像。
3）针对一个健康对照组样本，将MNI152标准空间下的病灶图像通过线性变换配准至健康对照组的个体空间内，并根据健康对照组个体空间的确定性纤维追踪结果和概率性纤维追踪结果分别提取病灶的结构连接图像，之后计算加权平均，以得到个体空间下的结构失连加权网络。
4）将健康对照组个体空间下的结构失连加权网络通过线性变换配准到MNI152标准空间，以得到该健康对照组对应的病灶结构失连加权网络。
5）对每一个健康对照组的图像重复上述3）-4）的流程，得到总计N个标准空间下的结构失连加权网络，并计算其平均图像，经过MNI152标准遮罩重叠计算后，得到最终病灶对应的结构失连加权网络。
需要说明的是，最终得到的病灶对应的结构失连加权网络其数据格式为MNI152标准空间数据格式，体素范围为0-1，代表了每一个体素与病灶的结构连接强度。
步骤104：根据所述大脑标准空间下的病灶图像以及所述静息态功能磁共振影像，利用交叉相关验证方法构建病灶对应的功能显著失连网络。
所述步骤104具体包括：对所述静息态功能磁共振影像进行预处理，确定所述大脑标准空间下的大脑功能信号图像；在所述大脑标准空间下，以所述病灶图像为感兴趣区域，提取病灶范围的平均信号；基于所述大脑功能图像，将所述平均信号与全脑剩余区域信号做Pearson相关，确定全脑与病灶区域的功能连接值；利用所述交叉相关验证方法分别计算所述平均信号与全脑剩余区域信号的交叉相关值以及乱序相关值；保留大于一百倍的乱序相关值的交叉相关值为第一交叉相关值，并将所述第一交叉相关值对应位置的功能连接值作为所述健康对照组对应的病灶功能显著失连网络；根据所有的所述健康对照组对应的病灶功能显著失连网络构建所述病灶对应的功能显著失连网络。
在实际应用中，图3为本发明所提供的病灶对应的功能显著失连网络构建流程图，如图3所示，病灶对应的功能显著失连网络包括以下流程：
1）将病灶图像通过线性变换配准至蒙特利尔神经科学研究所的大脑标准空间（即MNI152标准空间）。
2）对总计为N个样本的健康对照组的静息态功能磁共振成像进行预处理。具体流程包括：DICOM到NII的图像格式转换、去除不稳定时间点、时间层校正、头动校正、空间标准化、去线性漂移、空间平滑、去除噪声变量、滤波等步骤，最终得到大脑标准空间下的大脑功能信号图像。
3）在大脑标准空间下，以病灶图像为感兴趣区域，提取病灶范围的平均信号。
4）用上述步骤提取的平均信号与全脑剩余区域信号做Pearson相关，计算得到全脑与病灶区域的功能连接值。
5）使用交叉相关验证的方法，分别计算病灶范围的平均信号与全脑剩余区域信号的交叉相关值和对应的乱序相关值，随后保留大于一百倍乱序相关值的交叉相关值，取其对应位置的功能连接值为最终的该健康对照组对应的病灶功能显著失连网络。
6）对每一个健康对照组的图像重复上述3-5的流程，得到总计N个大脑标准空间下的功能显著失连网络，并计算其平均图像，经过MNI152标准遮罩重叠计算后，得到最终病灶对应的功能显著失连网络。
需要说明的是，最终得到的病灶的结构失连加权网络其数据格式为MNI152标准空间数据格式，体素范围为0-1，代表了每一个体素与病灶的功能连接强度。
步骤105：根据所述结构失连加权网络以及所述功能显著失连网络确定病症映射的病灶多维失连网络区域；所述病灶多维失连网络区域用于定位大脑病灶在大脑中的网络映射。
在实际应用中，经过步骤103-步骤104，本发明已经得到了病灶对应的结构失连加权网络和功能显著失连网络。为了更全面地反映大脑失连特征，病灶本身也可以作为一种失连信号加入大脑失连网络脑图谱中。具体来说，根据临床病症指标和病灶图像，进行卡方检验，得到具有显著统计效应的病灶区域。随后，根据具体的临床指标进行组水平双样本t检验统计分析，并进行多重比较校正，选择具有显著统计效应的结构失连加权网络和功能显著失连网络。最终，结合上述三种失连信息图谱，根据各自的统计效应强度，设计α、β、γ三种权重参数进行加权，最终结合得到特定病症对应的病灶多维失连网络区域，图4为本发明所提供的主要工作流程图。
图5为本发明所提供的病症映射多维失连网络区域提取系统结构图，一种病症映射多维失连网络区域提取系统，包括：
配准模块501，用于获取病灶图像，并将所述病灶图像配准至大脑标准空间。
所述配准模块501，具体包括：配准单元，用于将所述病灶图像通过线性变换配准至所述大脑标准空间。
影像获取模块502，用于将多年龄段且性别比例平衡的健康人的大脑图像作为健康对照组，并获取所述健康对照组的弥散磁共振影像以及静息态功能磁共振影像。
病灶对应的结构失连加权网络构建模块503，用于根据大脑标准空间下的病灶图像以及所述弥散磁共振影像，利用纤维追踪方法构建病灶对应的结构失连加权网络；所述纤维追踪方法包括确定性纤维追踪以及概率性纤维追踪。
所述病灶对应的结构失连加权网络构建模块503，具体包括：确定性和概率性纤维追踪结构连接图像构建单元，用于对所述弥散磁共振影像进行预处理以及弥散加权成像建模，并利用纤维追踪方法进行纤维追踪，构建在所述健康对照组的个体空间上的确定性和概率性纤维追踪结构连接图像；病灶的结构连接图像提取单元，用于对于任一个所述健康对照组，将所述大脑标准空间下的病灶图像通过线性变换配准至所述健康对照组的个体空间内，并根据所述确定性和概率性纤维追踪结构连接图像提取病灶的结构连接图像；个体空间下的结构失连加权网络确定单元，用于对所述病灶的结构连接图像加权平均计算，确定所述个体空间下的结构失连加权网络；健康对照组对应的病灶结构失连加权网络确定单元，用于将所述个体空间下的结构失连加权网络通过线性变换配准到所述大脑标准空间上，确定所述健康对照组对应的病灶结构失连加权网络；病灶对应的结构失连加权网络构建单元，用于根据所有所述健康对照组对应的病灶结构失连加权网络构建所述病灶对应的结构失连加权网络。
病灶对应的功能显著失连网络构建模块504，用于根据所述大脑标准空间下的病灶图像以及所述静息态功能磁共振影像，利用交叉相关验证方法构建病灶对应的功能显著失连网络。
所述病灶对应的功能显著失连网络构建模块504，具体包括：大脑功能信号图像确定单元，用于对所述静息态功能磁共振影像进行预处理，确定所述大脑标准空间下的大脑功能信号图像；平均信号提取单元，用于在所述大脑标准空间下，以所述病灶图像为感兴趣区域，提取病灶范围的平均信号；功能连接值确定单元，用于基于所述大脑功能图像，将所述平均信号与全脑剩余区域信号做Pearson相关，确定全脑与病灶区域的功能连接值；交叉相关值与乱序相关值计算单元，用于利用所述交叉相关验证方法分别计算所述平均信号与全脑剩余区域信号的交叉相关值以及乱序相关值；健康对照组对应的病灶功能显著失连网络确定单元，用于保留大于一百倍的乱序相关值的交叉相关值为第一交叉相关值，并将所述第一交叉相关值对应位置的功能连接值作为所述健康对照组对应的病灶功能显著失连网络；病灶对应的功能显著失连网络构建单元，用于根据所有的所述健康对照组对应的病灶功能显著失连网络构建所述病灶对应的功能显著失连网络。
病灶多维失连网络区域确定模块505，用于根据所述结构失连加权网络以及所述功能显著失连网络确定病症映射的病灶多维失连网络区域；所述病灶多维失连网络区域用于定位大脑病灶在大脑中的网络映射。
本发明采用多年龄段的、性别比例平衡的健康人作为对照组，其大脑连接信息具有人群代表性意义，能够更精确地反映出病灶造成的大脑系统损伤情况。
本发明对病灶图像仅要求大脑标准空间下的位置信息，因此具有很好的接口泛化性和临床适应性，可以适用于临床实践中成像系统和成像参数各异的复杂情况。
本发明提出的病灶多维失连网络区域是一种客观指标，用于评估病灶的严重程度时，它不依赖于医护人员的主观判断，可以避免发生因人而异导致的结果学差异。
本发明通过将大脑视为基本单元相互连接的复杂系统，基于连接组学思维，旨在从网络的视角探究病灶损伤背后的网络学机制，借以弥补单一病灶症状映射分析技术所无法涵盖的分析层面，为研究“病灶-症状”映射关联提供更全面的分析信息。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种病症映射多维失连网络区域提取方法，其特征在于，包括：
获取病灶图像，并将所述病灶图像配准至大脑标准空间；
将多年龄段且性别比例平衡的健康人的大脑图像作为健康对照组，并获取所述健康对照组的弥散磁共振影像以及静息态功能磁共振影像；
根据大脑标准空间下的病灶图像以及所述弥散磁共振影像，利用纤维追踪方法构建病灶对应的结构失连加权网络；所述纤维追踪方法包括确定性纤维追踪以及概率性纤维追踪；
根据所述大脑标准空间下的病灶图像以及所述静息态功能磁共振影像，利用交叉相关验证方法构建病灶对应的功能显著失连网络；
根据所述结构失连加权网络以及所述功能显著失连网络确定病症映射的病灶多维失连网络区域；所述病灶多维失连网络区域用于定位大脑病灶在大脑中的网络映射。
2.根据权利要求1所述的病症映射多维失连网络区域提取方法，其特征在于，所述将所述病灶图像配准至大脑标准空间，具体包括：
将所述病灶图像通过线性变换配准至所述大脑标准空间。
3.根据权利要求1所述的病症映射多维失连网络区域提取方法，其特征在于，所述根据大脑标准空间下的病灶图像以及所述弥散磁共振影像，利用纤维追踪方法构建病灶对应的结构失连加权网络，具体包括：
对所述弥散磁共振影像进行预处理以及弥散加权成像建模，并利用纤维追踪方法进行纤维追踪，构建在所述健康对照组的个体空间上的确定性和概率性纤维追踪结构连接图像；
对于任一个所述健康对照组，将所述大脑标准空间下的病灶图像通过线性变换配准至所述健康对照组的个体空间内，并根据所述确定性和概率性纤维追踪结构连接图像提取病灶的结构连接图像；
对所述病灶的结构连接图像加权平均计算，确定所述个体空间下的结构失连加权网络；
将所述个体空间下的结构失连加权网络通过线性变换配准到所述大脑标准空间上，确定所述健康对照组对应的病灶结构失连加权网络；
根据所有所述健康对照组对应的病灶结构失连加权网络构建所述病灶对应的结构失连加权网络。
4.根据权利要求1所述的病症映射多维失连网络区域提取方法，其特征在于，所述根据所述大脑标准空间下的病灶图像以及所述静息态功能磁共振影像，利用交叉相关验证方法构建病灶对应的功能显著失连网络，具体包括：
对所述静息态功能磁共振影像进行预处理，确定所述大脑标准空间下的大脑功能信号图像；
在所述大脑标准空间下，以所述病灶图像为感兴趣区域，提取病灶范围的平均信号；
基于所述大脑功能信号 图像，将所述平均信号与全脑剩余区域信号做Pearson相关，确定全脑与病灶区域的功能连接值；
利用所述交叉相关验证方法分别计算所述平均信号与全脑剩余区域信号的交叉相关值以及乱序相关值；
保留大于一百倍的乱序相关值的交叉相关值为第一交叉相关值，并将所述第一交叉相关值对应位置的功能连接值作为所述健康对照组对应的病灶功能显著失连网络；
根据所有的所述健康对照组对应的病灶功能显著失连网络构建所述病灶对应的功能显著失连网络。
5.一种病症映射多维失连网络区域提取系统，其特征在于，包括：
配准模块，用于获取病灶图像，并将所述病灶图像配准至大脑标准空间；
影像获取模块，用于将多年龄段且性别比例平衡的健康人的大脑图像作为健康对照组，并获取所述健康对照组的弥散磁共振影像以及静息态功能磁共振影像；
病灶对应的结构失连加权网络构建模块，用于根据大脑标准空间下的病灶图像以及所述弥散磁共振影像，利用纤维追踪方法构建病灶对应的结构失连加权网络；所述纤维追踪方法包括确定性纤维追踪以及概率性纤维追踪；
病灶对应的功能显著失连网络构建模块，用于根据所述大脑标准空间下的病灶图像以及所述静息态功能磁共振影像，利用交叉相关验证方法构建病灶对应的功能显著失连网络；
病灶多维失连网络区域确定模块，用于根据所述结构失连加权网络以及所述功能显著失连网络确定病症映射的病灶多维失连网络区域；所述病灶多维失连网络区域用于定位大脑病灶在大脑中的网络映射。
6.根据权利要求5所述的病症映射多维失连网络区域提取系统，其特征在于，所述配准模块，具体包括：
配准单元，用于将所述病灶图像通过线性变换配准至所述大脑标准空间。
7.根据权利要求5所述的病症映射多维失连网络区域提取系统，其特征在于，所述病灶对应的结构失连加权网络构建模块，具体包括：
确定性和概率性纤维追踪结构连接图像构建单元，用于对所述弥散磁共振影像进行预处理以及弥散加权成像建模，并利用纤维追踪方法进行纤维追踪，构建在所述健康对照组的个体空间上的确定性和概率性纤维追踪结构连接图像；
病灶的结构连接图像提取单元，用于对于任一个所述健康对照组，将所述大脑标准空间下的病灶图像通过线性变换配准至所述健康对照组的个体空间内，并根据所述确定性和概率性纤维追踪结构连接图像提取病灶的结构连接图像；
个体空间下的结构失连加权网络确定单元，用于对所述病灶的结构连接图像加权平均计算，确定所述个体空间下的结构失连加权网络；
健康对照组对应的病灶结构失连加权网络确定单元，用于将所述个体空间下的结构失连加权网络通过线性变换配准到所述大脑标准空间上，确定所述健康对照组对应的病灶结构失连加权网络；
病灶对应的结构失连加权网络构建单元，用于根据所有所述健康对照组对应的病灶结构失连加权网络构建所述病灶对应的结构失连加权网络。
8.根据权利要求5所述的病症映射多维失连网络区域提取系统，其特征在于，所述病灶对应的功能显著失连网络构建模块，具体包括：
大脑功能信号图像确定单元，用于对所述静息态功能磁共振影像进行预处理，确定所述大脑标准空间下的大脑功能信号图像；
平均信号提取单元，用于在所述大脑标准空间下，以所述病灶图像为感兴趣区域，提取病灶范围的平均信号；
功能连接值确定单元，用于基于所述大脑功能信号 图像，将所述平均信号与全脑剩余区域信号做Pearson相关，确定全脑与病灶区域的功能连接值；
交叉相关值与乱序相关值计算单元，用于利用所述交叉相关验证方法分别计算所述平均信号与全脑剩余区域信号的交叉相关值以及乱序相关值；
健康对照组对应的病灶功能显著失连网络确定单元，用于保留大于一百倍的乱序相关值的交叉相关值为第一交叉相关值，并将所述第一交叉相关值对应位置的功能连接值作为所述健康对照组对应的病灶功能显著失连网络；
病灶对应的功能显著失连网络构建单元，用于根据所有的所述健康对照组对应的病灶功能显著失连网络构建所述病灶对应的功能显著失连网络。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210918696.0A CN114972352B (zh) | 2022-08-02 | 2022-08-02 | 一种病症映射多维失连网络区域提取方法及系统 |
| US18/163,425 US20240046454A1 (en) | 2022-08-02 | 2023-02-02 | Method and system for extracting multi-dimensional disconnection network region of symptom mapping |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210918696.0A CN114972352B (zh) | 2022-08-02 | 2022-08-02 | 一种病症映射多维失连网络区域提取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114972352A CN114972352A (zh) | 2022-08-30 |
| CN114972352B true CN114972352B (zh) | 2022-09-30 |
Family
ID=82968903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210918696.0A Active CN114972352B (zh) | 2022-08-02 | 2022-08-02 | 一种病症映射多维失连网络区域提取方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20240046454A1 (zh) |
| CN (1) | CN114972352B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115984266B (zh) * | 2023-03-20 | 2023-07-04 | 首都医科大学附属北京天坛医院 | 一种脑区中靶点定位方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345753A (zh) * | 2013-07-10 | 2013-10-09 | 深圳先进技术研究院 | 脑部图像处理方法和系统 |
| CN106023194A (zh) * | 2016-05-18 | 2016-10-12 | 西安交通大学 | 基于静息态功能连接的杏仁核谱聚类分割方法 |
| WO2020252900A1 (zh) * | 2019-06-18 | 2020-12-24 | 平安科技（深圳）有限公司 | 基于眼底oct影像的病灶提取方法、装置、设备及存储介质 |
| CN114708263A (zh) * | 2022-06-06 | 2022-07-05 | 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 |
-
2022
- 2022-08-02 CN CN202210918696.0A patent/CN114972352B/zh active Active
-
2023
- 2023-02-02 US US18/163,425 patent/US20240046454A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345753A (zh) * | 2013-07-10 | 2013-10-09 | 深圳先进技术研究院 | 脑部图像处理方法和系统 |
| CN106023194A (zh) * | 2016-05-18 | 2016-10-12 | 西安交通大学 | 基于静息态功能连接的杏仁核谱聚类分割方法 |
| WO2020252900A1 (zh) * | 2019-06-18 | 2020-12-24 | 平安科技（深圳）有限公司 | 基于眼底oct影像的病灶提取方法、装置、设备及存储介质 |
| CN114708263A (zh) * | 2022-06-06 | 2022-07-05 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 《脑梗死累及单侧锥体束病变继发华勒变性患者MRI及DTI图像病灶信号特征及分布特点分析》;林晨任翠萍王姗;《中国地方病防治杂志》;20170325;第1页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| US20240046454A1 (en) | 2024-02-08 |
| CN114972352A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447183B (zh) | 预测模型训练方法、装置、设备以及介质 | |
| CN110717905B (zh) | 脑部图像检测方法、计算机设备和存储介质 | |
| CN112348785B (zh) | 一种癫痫病灶定位方法及系统 | |
| CN110969614B (zh) | 基于三维卷积神经网络的脑龄预测方法及系统 | |
| CN114972352B (zh) | 一种病症映射多维失连网络区域提取方法及系统 | |
| CN109920550A (zh) | 一种基于dMRI研究青少年肌阵挛性癫痫的方法 | |
| CN104545792A (zh) | 眼底图像的动静脉视网膜血管视盘定位方法 | |
| CN115299878A (zh) | 一种具有疾病特异性的人脑衰老评估方法及系统 | |
| WO2020111534A2 (ko) | 의료 영상으로부터 뇌혈관 나이를 추정하는 방법 및 시스템 | |
| CN114176616A (zh) | 静脉血栓的检测方法、电子设备和存储介质 | |
| CN109933680A (zh) | 图像数据筛选方法、装置、计算机设备及其存储介质 | |
| CN111227834B (zh) | 静息态脑功能连接的自动化快速可视化方法 | |
| CN116051545B (zh) | 一种双模态影像的脑龄预测方法 | |
| CN113571148B (zh) | 一键式精神影像个体化脑功能报告生成系统、设备及存储介质 | |
| CN110782983A (zh) | 一种远程动态病理诊断方法 | |
| CN113822917A (zh) | 一种肝癌影像组学图像精确配准方法 | |
| CN114266738A (zh) | 轻度脑损伤磁共振影像数据的纵向分析方法及系统 | |
| CN114847922A (zh) | 一种基于纤维束自动识别的脑年龄预测方法 | |
| CN114119354A (zh) | 医学图像配准训练及使用方法、系统及装置 | |
| CN113317790A (zh) | 一种基于持久同调的儿童自闭症神经生物学标记的寻找方法 | |
| CN112420197A (zh) | 一种智能公卫服务管理系统及方法 | |
| CN115619810B (zh) | 一种前列腺分区分割方法、系统及设备 | |
| CN115251889B (zh) | 一种功能磁共振影像动态连接网络特征描述方法 | |
| CN116309336B (zh) | 一种血管认知障碍的关键影像标记物的提取方法 | |
| CN117158890A (zh) | 一种基于分段脑龄模型的脑龄预测方法及相关装置 |
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 |