CN115984266A - 一种脑区中靶点定位方法及系统 - Google Patents

一种脑区中靶点定位方法及系统 Download PDF

Info

Publication number
CN115984266A
CN115984266A CN202310264485.4A CN202310264485A CN115984266A CN 115984266 A CN115984266 A CN 115984266A CN 202310264485 A CN202310264485 A CN 202310264485A CN 115984266 A CN115984266 A CN 115984266A
Authority
CN
China
Prior art keywords
network
mapping function
focus
brain
cognition
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.)
Granted
Application number
CN202310264485.4A
Other languages
English (en)
Other versions
CN115984266B (zh
Inventor
李子孝
周怡君
贾伟丽
曹星星
刘浩
王拥军
荆京
左丽君
刘涛
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.)
Beihang University
Beijing Tiantan Hospital
Original Assignee
Beihang University
Beijing Tiantan Hospital
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 Beihang University, Beijing Tiantan Hospital filed Critical Beihang University
Priority to CN202310264485.4A priority Critical patent/CN115984266B/zh
Publication of CN115984266A publication Critical patent/CN115984266A/zh
Application granted granted Critical
Publication of CN115984266B publication Critical patent/CN115984266B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开一种脑区中靶点定位方法及系统，涉及图像处理领域，该方法包括：分别获取N个人卒中后第一、第二时间点数据集；基于每个第一卒中数据集中静息态功能磁共振影像构建第一病灶映射功能网络；根据N个第一病灶映射功能网络构建急性期认知‑病灶映射功能网络；同理，根据N个第二病灶映射功能网络构建慢性期认知‑病灶映射功能网络；将急、慢性期认知‑病灶映射功能网络做差得到关键改善网络；对于一个配准到大脑标准空间的功能影像，将各体素作为种子点计算全脑功能连接网络，将全脑功能连接网络与关键改善网络进行空间相关计算得到空间相关网络；根据空间相关网络确定待定位的功能影像的治疗靶点。本发明提高了治疗靶点定位的准确性。

Description

一种脑区中靶点定位方法及系统
技术领域
本发明涉及图像处理技术领域，特别是涉及一种脑区中靶点定位方法及系统。
背景技术
现有的探索潜在治疗靶点的方法通常直接基于相关的功能解剖结构，或基于全脑性的功能连接。而基于全脑功能连接的方法则容易忽略病灶本身带来的功能异常，且目前该分析方法均仅基于一个时间点，存在治疗靶点定位不准确的问题。
发明内容
本发明的目的是提供一种脑区中靶点定位方法及系统，提高了治疗靶点定位的准确性。
为实现上述目的，本发明提供了如下方案：
一种脑区中靶点定位方法，包括：
获取设定N个人的第一卒中数据集和第二卒中数据集；所述第一卒中数据集中样本数据为N个人卒中后第一时间点的弥散加权成像和静息态功能磁共振影像，所述第二卒中数据集中样本数据为N个人卒中后第二时间点的静息态功能磁共振影像，所述第二时间点大于所述第一时间点；
通过深度学习方法，对所述第一卒中数据集中N个弥散加权成像进行卒中病灶的图像分割，获得N个病灶掩膜；
将分割后的N个病灶掩膜通过线性变换配准到大脑标准空间；
基于每个所述第一卒中数据集中静息态功能磁共振影像，以对应配准到大脑标准空间的病灶掩膜为感兴趣区域，构建一个第一病灶映射功能网络；
根据N个第一病灶映射功能网络和预设认知量表，构建急性期认知-病灶映射功能网络；所述预设认知量表中包括N个人的认知分数；
基于每个所述第二卒中数据集中静息态功能磁共振影像，以对应配准到大脑标准空间的病灶掩膜为感兴趣区域，构建一个第二病灶映射功能网络；
根据N个第二病灶映射功能网络和预设认知量表，构建慢性期认知-病灶映射功能网络；
将所述急性期认知-病灶映射功能网络与所述慢性期认知-病灶映射功能网络进行做差，得到关键改善网络；
将待定位的功能影像中各体素作为种子点计算全脑功能连接网络，将全脑功能连接网络与所述关键改善网络进行空间相关计算，得到空间相关网络；所述待定位的功能影像为静息态功能磁共振影像配准到大脑标准空间得到的功能影像；
根据空间相关网络确定待定位的功能影像的治疗靶点。
可选地，所述第一卒中数据集和所述第二卒中数据集中图像的格式为NIFTI图像格式。
可选地，所述大脑标准空间为蒙特利尔神经科学研究所的大脑标准空间。
可选地，所述基于每个所述第一卒中数据集中静息态功能磁共振影像，以对应配准到大脑标准空间的病灶掩膜为感兴趣区域，构建一个第一病灶映射功能网络，具体包括：
对N个所述第一卒中数据集中静息态功能磁共振影像进行预处理，得到N个大脑标准空间的第一功能影像；
以每个配准到大脑标准空间的病灶掩膜为感兴趣区域，从对应大脑标准空间的第一功能影像中提取病灶区并确定病灶区平均信号；
对于每个大脑标准空间的第一功能影像，确定病灶区平均信号与非病灶区中每个体素的信号的相关系数，得到第一病灶映射功能网络。
可选地，所述根据N个第一病灶映射功能网络和预设认知量表，构建急性期认知-病灶映射功能网络，具体包括：
所述根据N个第一病灶映射功能网络和预设认知量表，为每个体素构建线性模型；获得M个线性模型；每个第一病灶映射功能网络中均包括M个体素；
筛选出可信度大于95%的线性模型对应的体素，记为第一认知障碍相关体素；
将第一预设标准大脑网络中各第一认知障碍相关体素位置的值，设置为各对应第一认知障碍相关体素对应的线性模型的假设检验统计量t，将第一预设标准大脑网络中不是第一认知障碍相关体素位置的值设置为0，得到急性期认知-病灶映射功能网络。
可选地，所述线性模型表示为：
y=a+bxi+c1 age+c2 sex+c3 education+εi，i=1,2,3,...,M；
其中，y为N个人在预设认知量表中的认知分数的集合，xi表示N个人的第i个体素在第一病灶映射功能网络中的值，age表示年龄协变量，sex表示性别协变量，education表示教育程度协变量，a表示常数，b表示第一回归系数，c1表示第二回归系数，c2表示第三回归系数，c3表示第四回归系数，εi为残差项。
可选地，所述根据空间相关网络确定待定位的功能影像的治疗靶点，具体包括：
将所述空间相关网络中空间相关值从大到小排序，取前设定百分比的空间相关值；
将前设定百分比的空间相关值中距离头皮的垂直距离小于或者等于3cm的脑区作为治疗靶点。
可选地，所述相关系数为Pearson相关系数。
本发明公开了一种脑区中靶点定位系统，包括：
数据集获取模块，用于获取设定N个人的第一卒中数据集和第二卒中数据集；所述第一卒中数据集中样本数据为N个人卒中后第一时间点的弥散加权成像和静息态功能磁共振影像，所述第二卒中数据集中样本数据为N个人卒中后第二时间点的静息态功能磁共振影像，所述第二时间点大于所述第一时间点；
病灶掩膜分割模块，用于通过深度学习方法，对所述第一卒中数据集中N个弥散加权成像进行卒中病灶的图像分割，获得N个病灶掩膜；
病灶掩膜配准模块，用于将分割后的N个病灶掩膜通过线性变换配准到大脑标准空间；
第一病灶映射功能网络构建模块，用于基于每个所述第一卒中数据集中静息态功能磁共振影像，以对应配准到大脑标准空间的病灶掩膜为感兴趣区域，构建一个第一病灶映射功能网络；
急性期认知-病灶映射功能网络构建模块，用于根据N个第一病灶映射功能网络和预设认知量表，构建急性期认知-病灶映射功能网络；所述预设认知量表中包括N个人的认知分数；
第二病灶映射功能网络构建模块，用于基于每个所述第二卒中数据集中静息态功能磁共振影像，以对应配准到大脑标准空间的病灶掩膜为感兴趣区域，构建一个第二病灶映射功能网络；
慢性期认知-病灶映射功能网络模块，用于根据N个第二病灶映射功能网络和预设认知量表，构建慢性期认知-病灶映射功能网络；
关键改善网络构建模块，用于将所述急性期认知-病灶映射功能网络与所述慢性期认知-病灶映射功能网络进行做差，得到关键改善网络；
空间相关网络构建模块，用于将待定位的功能影像中各体素作为种子点计算全脑功能连接网络，将全脑功能连接网络与所述关键改善网络进行空间相关计算，得到空间相关网络；所述待定位的功能影像为静息态功能磁共振影像配准到大脑标准空间得到的功能影像；
治疗靶点确定模块，用于根据空间相关网络确定待定位的功能影像的治疗靶点。
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：
本申请基于第一时间点的和第二时间点的卒中数据集，分别获得急性期认知-病灶映射功能网络和慢性期认知-病灶映射功能网络，从而得到关键改善网络，将全脑功能连接网络与关键改善网络进行空间相关计算，得到空间相关网络；根据空间相关网络确定待定位的功能影像的治疗靶点，将病灶映射网络随时间的变化情况作为认知改善的关键，提高了治疗靶点定位的准确性，使治疗靶点的定位更有效。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种脑区中靶点定位方法流程示意图；
图2为本发明实施例提供的一种脑区中靶点定位方法原理示意图；
图3为本发明实施例提供的一种脑区中靶点定位系统结构示意图。
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脑区中靶点定位方法及系统，提高了治疗靶点定位的准确性。
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。
实施例1
如图1和图2所示，本实施例提供的一种脑区中靶点定位方法包括以下步骤。
步骤101：获取设定N个人的第一卒中数据集和第二卒中数据集；所述第一卒中数据集中样本数据为N个人卒中后第一时间点的弥散加权成像和静息态功能磁共振影像，所述第二卒中数据集中样本数据为N个人卒中后第二时间点的静息态功能磁共振影像，所述第二时间点大于所述第一时间点。
设定的N个人为年龄在设定范围内，性别比例在设定范围内N个人。
作为具体实施方式，N个人为年龄在40岁至65岁，性别比例为1:1的N个人。第一时间点为卒中后急性期，比如发病7天~14天。第二时间点为卒中后慢性期，比如发病3个月。
弥散加权成像（DWI）和静息态功能磁共振影像（fMRI）均通过核磁共振机器扫描获得。
所述第一卒中数据集和所述第二卒中数据集中图像的格式为NIFTI图像格式。即本发明将采集的影像数据进行从DICOM到NIFTI的图像格式转换，从而获得本发明第一卒中数据集和第二卒中数据集。
步骤102：通过深度学习方法，对所述第一卒中数据集中N个弥散加权成像进行卒中病灶的图像分割，获得N个病灶掩膜。
其中，步骤102具体包括：通过nnU-Net深度学习方法，对所述第一卒中数据集中N个弥散加权成像进行卒中病灶的图像分割，获得N个病灶掩膜，并让两位经验丰富的影像科临床医生进行质量控制，保证病灶分割的准确性。
步骤103：将分割后的N个病灶掩膜通过线性变换配准到大脑标准空间。
所述大脑标准空间为蒙特利尔神经科学研究所的大脑标准空间，即MNI标准空间。
步骤104：基于每个所述第一卒中数据集中静息态功能磁共振影像，以对应配准到大脑标准空间的病灶掩膜为感兴趣区域，构建一个第一病灶映射功能网络。
其中，步骤104具体包括：
对N个所述第一卒中数据集中静息态功能磁共振影像进行预处理，得到N个大脑标准空间的第一功能影像。
其中，预处理具体包括：对静息态功能磁共振影像进行去除不稳定时间点、时间层矫正、磁场形变矫正、头动校正、去除白质与脑脊液等噪声信号、结构像配准、滤波、空间标准化和空间平滑的操作，得到大脑标准空间的第一功能影像。
以每个配准到大脑标准空间的病灶掩膜为感兴趣区域，从对应大脑标准空间的第一功能影像中提取病灶区并确定病灶区平均信号。
对于每个大脑标准空间的第一功能影像，确定病灶区平均信号与非病灶区中每个体素（除了病灶区之外剩余的体素）的信号的Pearson相关系数，得到病灶区与全脑的功能连接矩阵（矩阵中每个体素的值为Pearson相关系数），即第一病灶映射功能网络。
步骤105：根据N个第一病灶映射功能网络和预设认知量表，构建急性期认知-病灶映射功能网络；所述预设认知量表中包括N个人的认知分数。
其中，步骤105具体包括：
所述根据N个第一病灶映射功能网络和预设认知量表，为每个体素构建线性模型（即对N个样本的体素x，与N个样本的认知分数构建一般线性模型）；获得M个线性模型；每个第一病灶映射功能网络中均包括M个体素。
对M个线性模型并进行假设检验，筛选出可信度大于95%的线性模型对应的体素，记为第一认知障碍相关体素。
将第一预设标准大脑网络中各第一认知障碍相关体素位置的值，设置为各第一认知障碍相关体素对应的线性模型的假设检验统计量t，将第一预设标准大脑网络中不是第一认知障碍相关体素位置的值设置为0，得到急性期认知-病灶映射功能网络，即与认知障碍最相关的认知-病灶映射功能网络（每个体素的值为假设检验得到的t值）。
针对N个样本中第i个体素，以及N个样本的认知分数y，构建一般线性模型，一般线性模型表示为：
y=a+bxi+c1 age+c2 sex+c3 education+εi，i=1,2,3,...,M；
其中，y表示N个人在预设认知量表中的认知分数，y为N×1的矩阵，xi表示N个人的第i个体素在第一病灶映射功能网络中的值，xi为N×1的矩阵，age表示年龄协变量，sex表示性别协变量，education表示教育程度协变量，a表示常数，b表示第一回归系数，c1表示第二回归系数，c2表示第三回归系数，c3表示第四回归系数，εi为残差项。
对一般线性模型进行假设检验，当p<0.05时认为回归系数b具有统计学意义。p值为1减去一般线性模型的可信度。
步骤106：基于每个所述第二卒中数据集中静息态功能磁共振影像，以对应配准到大脑标准空间的病灶掩膜为感兴趣区域，构建一个第二病灶映射功能网络。
其中，步骤106具体包括：
对N个所述第二卒中数据集中静息态功能磁共振影像进行预处理，得到N个大脑标准空间的第二功能影像。
以每个配准到大脑标准空间的病灶掩膜为感兴趣区域，从对应大脑标准空间的第二功能影像中提取病灶区并确定病灶区平均信号。
对于每个大脑标准空间的第二功能影像，确定病灶区平均信号与非病灶区中每个体素的信号的相关系数，得到第二病灶映射功能网络。
步骤107：根据N个第二病灶映射功能网络和预设认知量表，构建慢性期认知-病灶映射功能网络。
其中，步骤107具体包括：
所述根据N个第二病灶映射功能网络和预设认知量表，为每个体素构建线性模型；获得M个线性模型；每个第二病灶映射功能网络中均包括M个体素。
筛选出可信度大于95%的线性模型对应的体素，记为第二认知障碍相关体素。
将第二预设标准大脑网络中各第二认知障碍相关体素位置的值，设置为各对应第二认知障碍相关体素对应的线性模型的假设检验统计量t，将第二预设标准大脑网络中不是第二认知障碍相关体素位置的值设置为0，得到急性期认知-病灶映射功能网络。
步骤108：将所述急性期认知-病灶映射功能网络与所述慢性期认知-病灶映射功能网络进行做差，得到关键改善网络。
关键改善网络用于体现第一时间点和第二时间点的变化。
步骤109：将待定位的功能影像中各体素作为种子点计算全脑功能连接网络，将全脑功能连接网络与所述关键改善网络进行空间相关计算，得到空间相关网络。
所述待定位的功能影像为静息态功能磁共振影像配准到大脑标准空间得到的功能影像。
步骤101中，设定的N个人为符合设定年龄范围和设定性别比例的一批人。步骤109中待定位的功能影像的患者的年龄属于设定年龄范围。设定年龄范围为40岁~65岁，设定性别比例为男女比例为1:1。
其中，步骤109具体包括：以待定位的功能影像中的第一个体素作为种子点，然后计算种子点与待定位的功能影像中剩余其他所有体素的Pearson相关系数，得到第一个种子点对应的全脑功能连接网络；然后选取第二个体素作为种子点，重复上述步骤，标准空间下的第一功能影像一共有M个体素，则可以计算出M个全脑功能连接网络。
空间相关网络中每个体素的值为空间相关系数。
步骤110：根据空间相关网络确定待定位的功能影像的治疗靶点。
本实施例保留空间相关性较大且靠近浅层头皮的脑区，作为潜在的改善卒中后认知功能障碍的经颅磁刺激（TMS）治疗靶点。
其中，步骤110具体包括：
将所述空间相关网络中空间相关值从大到小排序，取前设定百分比的空间相关值。
将前设定百分比的空间相关值中距离头皮的垂直距离小于或者等于3cm的脑区作为治疗靶点。
本实施例中，设定百分比为10%，即将前10%的空间相关值中距离头皮的垂直距离小于或者等于3cm的脑区作为治疗靶点。
本发明以卒中后认知功能障碍为出发点，考虑到认知-病灶映射功能网络随时间的变化情况，更具有针对性，以便更准确地找到与认知改善最为相关的关键网络；应用了空间相关的方法来最终确定经颅磁刺激的治疗靶点，而不是直接将关键改善网络中的峰值点作为治疗靶点。这种方法的好处是，刺激与关键改善网络空间相关性最强的靶点，可以间接刺激到整个关键改善网络，从而提高了治疗靶点定位的有效性。
本发明在计算病灶映射网络时使用了卒中数据集中每个样本个体化的病灶信息，因此最终得到的潜在治疗靶点具有较好的泛化性。
实施例2
本实施例提供的一种脑区中靶点定位方法包括以下步骤。
S1：对一批年龄、性别匹配、有两个时间点的大样本卒中数据集中的影像数据进行DICOM到NIFTI的图像格式转换。
S2：通过nnU-Net深度学习方法，对总计为N个样本的弥散加权成像（DWI）数据进行卒中病灶的自动分割，并让两位经验丰富的影像科临床医生进行质量控制，保证病灶分割的准确性。
S3：将分割好的N个病灶掩膜通过线性变换配准到蒙特利尔神经科学研究所的大脑标准空间（即MNI标准空间）。
S4：对N个样本第一个时间点（急性期，发病7~14天内）的静息态功能磁共振影像（fMRI）进行预处理。具体包括：去除不稳定时间点、时间层矫正、磁场形变矫正、头动校正、去除白质与脑脊液等噪声信号、结构像配准、滤波、空间标准化、空间平滑等步骤，得到MNI标准空间的功能影像。
S5：在标准空间下，以病灶掩膜为感兴趣区，提取功能影像的病灶区平均信号。
S6：将病灶区的平均信号与功能影像剩下的其他所有体素的信号做Pearson相关，得到病灶区与全脑的功能连接矩阵（每个体素的值为Pearson相关系数），即病灶映射功能网络。
S7：对病灶映射功能网络中的每个体素均与认知量表分数构建一般线性模型（即对N个样本的体素x，与N个样本的认知分数构建一般线性模型）并进行假设检验，得到与认知障碍最相关的认知-病灶映射功能网络（每个体素的值为假设检验得到的t值）。
S8：对N个样本第二个时间点（慢性期，发病3个月）的静息态功能磁共振影像（fMRI）参照步骤S4进行预处理，并重复步骤S5~步骤S7，得到慢性期的认知-病灶映射功能网络。
S9：对步骤S7得到的急性期认知-病灶映射功能网络与步骤S8得到的慢性期认知-病灶映射功能网络进行作差，得到两个时间点变化最为显著的关键改善网络。
S10：对步骤S4得到的标准空间下的功能影像，将各体素作为种子点计算全脑功能连接网络，并与步骤S9得到的认知-病灶映射功能网络-关键改善网络计算空间相关，得到空间相关网络（每个体素的值为空间相关系数）。
S11：保留空间相关性较大且靠近浅层头皮的脑区，作为潜在的改善卒中后认知功能障碍的TMS治疗靶点。
实施例3
图3为本发明实施例提供的一种脑区中靶点定位系统结构示意图，如图3所示，一种脑区中靶点定位系统包括：
数据集获取模块201，用于获取设定N个人的第一卒中数据集和第二卒中数据集；所述第一卒中数据集中样本数据为N个人卒中后第一时间点的弥散加权成像和静息态功能磁共振影像，所述第二卒中数据集中样本数据为N个人卒中后第二时间点的静息态功能磁共振影像，所述第二时间点大于所述第一时间点。
病灶掩膜分割模块202，用于通过深度学习方法，对所述第一卒中数据集中N个弥散加权成像进行卒中病灶的图像分割，获得N个病灶掩膜。
病灶掩膜配准模块203，用于将分割后的N个病灶掩膜通过线性变换配准到大脑标准空间。
第一病灶映射功能网络构建模块204，用于基于每个所述第一卒中数据集中静息态功能磁共振影像，以对应配准到大脑标准空间的病灶掩膜为感兴趣区域，构建一个第一病灶映射功能网络。
急性期认知-病灶映射功能网络构建模块205，用于根据N个第一病灶映射功能网络和预设认知量表，构建急性期认知-病灶映射功能网络；所述预设认知量表中包括N个人的认知分数。
第二病灶映射功能网络构建模块206，用于基于每个所述第二卒中数据集中静息态功能磁共振影像，以对应配准到大脑标准空间的病灶掩膜为感兴趣区域，构建一个第二病灶映射功能网络。
慢性期认知-病灶映射功能网络模块207，用于根据N个第二病灶映射功能网络和预设认知量表，构建慢性期认知-病灶映射功能网络。
关键改善网络构建模块208，用于将所述急性期认知-病灶映射功能网络与所述慢性期认知-病灶映射功能网络进行做差，得到关键改善网络。
空间相关网络构建模块209，用于将待定位的功能影像中各体素作为种子点计算全脑功能连接网络，将全脑功能连接网络与所述关键改善网络进行空间相关计算，得到空间相关网络；所述待定位的功能影像为静息态功能磁共振影像配准到大脑标准空间得到的功能影像。
治疗靶点确定模块210，用于根据空间相关网络确定待定位的功能影像的治疗靶点。
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 (9)

1.一种脑区中靶点定位方法，其特征在于，包括：
获取设定N个人的第一卒中数据集和第二卒中数据集；所述第一卒中数据集中样本数据为N个人卒中后第一时间点的弥散加权成像和静息态功能磁共振影像，所述第二卒中数据集中样本数据为N个人卒中后第二时间点的静息态功能磁共振影像，所述第二时间点大于所述第一时间点；
通过深度学习方法，对所述第一卒中数据集中N个弥散加权成像进行卒中病灶的图像分割，获得N个病灶掩膜；
将分割后的N个病灶掩膜通过线性变换配准到大脑标准空间；
基于每个所述第一卒中数据集中静息态功能磁共振影像，以对应配准到大脑标准空间的病灶掩膜为感兴趣区域，构建一个第一病灶映射功能网络；
根据N个第一病灶映射功能网络和预设认知量表，构建急性期认知-病灶映射功能网络；所述预设认知量表中包括N个人的认知分数；
基于每个所述第二卒中数据集中静息态功能磁共振影像，以对应配准到大脑标准空间的病灶掩膜为感兴趣区域，构建一个第二病灶映射功能网络；
根据N个第二病灶映射功能网络和预设认知量表，构建慢性期认知-病灶映射功能网络；
将所述急性期认知-病灶映射功能网络与所述慢性期认知-病灶映射功能网络进行做差，得到关键改善网络；
将待定位的功能影像中各体素作为种子点计算全脑功能连接网络，将全脑功能连接网络与所述关键改善网络进行空间相关计算，得到空间相关网络；所述待定位的功能影像为静息态功能磁共振影像配准到大脑标准空间得到的功能影像；
根据空间相关网络确定待定位的功能影像的治疗靶点。
2.根据权利要求1所述的脑区中靶点定位方法，其特征在于，所述第一卒中数据集和所述第二卒中数据集中图像的格式为NIFTI图像格式。
3.根据权利要求1所述的脑区中靶点定位方法，其特征在于，所述大脑标准空间为蒙特利尔神经科学研究所的大脑标准空间。
4.根据权利要求1所述的脑区中靶点定位方法，其特征在于，所述基于每个所述第一卒中数据集中静息态功能磁共振影像，以对应配准到大脑标准空间的病灶掩膜为感兴趣区域，构建一个第一病灶映射功能网络，具体包括：
对N个所述第一卒中数据集中静息态功能磁共振影像进行预处理，得到N个大脑标准空间的第一功能影像；
以每个配准到大脑标准空间的病灶掩膜为感兴趣区域，从对应大脑标准空间的第一功能影像中提取病灶区并确定病灶区平均信号；
对于每个大脑标准空间的第一功能影像，确定病灶区平均信号与非病灶区中每个体素的信号的相关系数，得到第一病灶映射功能网络。
5.根据权利要求1所述的脑区中靶点定位方法，其特征在于，所述根据N个第一病灶映射功能网络和预设认知量表，构建急性期认知-病灶映射功能网络，具体包括：
所述根据N个第一病灶映射功能网络和预设认知量表，为每个体素构建线性模型；获得M个线性模型；每个第一病灶映射功能网络中均包括M个体素；
筛选出可信度大于95%的线性模型对应的体素，记为第一认知障碍相关体素；
将第一预设标准大脑网络中各第一认知障碍相关体素位置的值，设置为各对应第一认知障碍相关体素对应的线性模型的假设检验统计量t，将第一预设标准大脑网络中不是第一认知障碍相关体素位置的值设置为0，得到急性期认知-病灶映射功能网络。
6.根据权利要求5所述的脑区中靶点定位方法，其特征在于，所述线性模型表示为：
y=a+bxi+c1 age+c2 sex+c3 education+εi，i=1,2,3,...,M；
其中，y为N个人在预设认知量表中的认知分数的集合，xi表示N个人的第i个体素在第一病灶映射功能网络中的值，age表示年龄协变量，sex表示性别协变量，education表示教育程度协变量，a表示常数，b表示第一回归系数，c1表示第二回归系数，c2表示第三回归系数，c3表示第四回归系数，εi为残差项。
7.根据权利要求1所述的脑区中靶点定位方法，其特征在于，所述根据空间相关网络确定待定位的功能影像的治疗靶点，具体包括：
将所述空间相关网络中空间相关值从大到小排序，取前设定百分比的空间相关值；
将前设定百分比的空间相关值中距离头皮的垂直距离小于或者等于3cm的脑区作为治疗靶点。
8.根据权利要求1所述的脑区中靶点定位方法，其特征在于，所述相关系数为Pearson相关系数。
9.一种脑区中靶点定位系统，其特征在于，包括：
数据集获取模块，用于获取设定N个人的第一卒中数据集和第二卒中数据集；所述第一卒中数据集中样本数据为N个人卒中后第一时间点的弥散加权成像和静息态功能磁共振影像，所述第二卒中数据集中样本数据为N个人卒中后第二时间点的静息态功能磁共振影像，所述第二时间点大于所述第一时间点；
病灶掩膜分割模块，用于通过深度学习方法，对所述第一卒中数据集中N个弥散加权成像进行卒中病灶的图像分割，获得N个病灶掩膜；
病灶掩膜配准模块，用于将分割后的N个病灶掩膜通过线性变换配准到大脑标准空间；
第一病灶映射功能网络构建模块，用于基于每个所述第一卒中数据集中静息态功能磁共振影像，以对应配准到大脑标准空间的病灶掩膜为感兴趣区域，构建一个第一病灶映射功能网络；
急性期认知-病灶映射功能网络构建模块，用于根据N个第一病灶映射功能网络和预设认知量表，构建急性期认知-病灶映射功能网络；所述预设认知量表中包括N个人的认知分数；
第二病灶映射功能网络构建模块，用于基于每个所述第二卒中数据集中静息态功能磁共振影像，以对应配准到大脑标准空间的病灶掩膜为感兴趣区域，构建一个第二病灶映射功能网络；
慢性期认知-病灶映射功能网络模块，用于根据N个第二病灶映射功能网络和预设认知量表，构建慢性期认知-病灶映射功能网络；
关键改善网络构建模块，用于将所述急性期认知-病灶映射功能网络与所述慢性期认知-病灶映射功能网络进行做差，得到关键改善网络；
空间相关网络构建模块，用于将待定位的功能影像中各体素作为种子点计算全脑功能连接网络，将全脑功能连接网络与所述关键改善网络进行空间相关计算，得到空间相关网络；所述待定位的功能影像为静息态功能磁共振影像配准到大脑标准空间得到的功能影像；
治疗靶点确定模块，用于根据空间相关网络确定待定位的功能影像的治疗靶点。
CN202310264485.4A 2023-03-20 2023-03-20 一种脑区中靶点定位方法及系统 Active CN115984266B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310264485.4A CN115984266B (zh) 2023-03-20 2023-03-20 一种脑区中靶点定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310264485.4A CN115984266B (zh) 2023-03-20 2023-03-20 一种脑区中靶点定位方法及系统

Publications (2)

Publication Number Publication Date
CN115984266A true CN115984266A (zh) 2023-04-18
CN115984266B CN115984266B (zh) 2023-07-04

Family

ID=85976455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310264485.4A Active CN115984266B (zh) 2023-03-20 2023-03-20 一种脑区中靶点定位方法及系统

Country Status (1)

Country Link
CN (1) CN115984266B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116492600A (zh) * 2023-06-28 2023-07-28 南昌大学第一附属医院 基于个体化时-空靶点的调控装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017210873A1 (zh) * 2016-06-08 2017-12-14 中国科学院自动化研究所 基于磁共振影像的脑疾病个体化预测方法和系统
CN112651976A (zh) * 2020-10-13 2021-04-13 首都医科大学附属北京天坛医院 基于低分辨率核磁数据的病灶区域脑网络确定方法及系统
CN113367681A (zh) * 2021-07-05 2021-09-10 北京银河方圆科技有限公司 靶点确定方法、装置、设备及存储介质
CN114399483A (zh) * 2022-01-07 2022-04-26 中国医学科学院生物医学工程研究所 皮层靶点确定方法、装置、电子设备及存储介质
CN114972352A (zh) * 2022-08-02 2022-08-30 首都医科大学附属北京天坛医院 一种病症映射多维失连网络区域提取方法及系统
CN115187555A (zh) * 2022-07-18 2022-10-14 无锡市精神卫生中心 一种静息态功能磁共振个体化靶点定位方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017210873A1 (zh) * 2016-06-08 2017-12-14 中国科学院自动化研究所 基于磁共振影像的脑疾病个体化预测方法和系统
CN112651976A (zh) * 2020-10-13 2021-04-13 首都医科大学附属北京天坛医院 基于低分辨率核磁数据的病灶区域脑网络确定方法及系统
CN113367681A (zh) * 2021-07-05 2021-09-10 北京银河方圆科技有限公司 靶点确定方法、装置、设备及存储介质
WO2023280002A1 (zh) * 2021-07-05 2023-01-12 北京银河方圆科技有限公司 靶点确定方法、装置、电子设备、存储介质及神经调控设备
CN114399483A (zh) * 2022-01-07 2022-04-26 中国医学科学院生物医学工程研究所 皮层靶点确定方法、装置、电子设备及存储介质
CN115187555A (zh) * 2022-07-18 2022-10-14 无锡市精神卫生中心 一种静息态功能磁共振个体化靶点定位方法
CN114972352A (zh) * 2022-08-02 2022-08-30 首都医科大学附属北京天坛医院 一种病症映射多维失连网络区域提取方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116492600A (zh) * 2023-06-28 2023-07-28 南昌大学第一附属医院 基于个体化时-空靶点的调控装置、设备及存储介质
CN116492600B (zh) * 2023-06-28 2023-09-19 南昌大学第一附属医院 基于个体化时-空靶点的调控装置、设备及存储介质

Also Published As

Publication number Publication date
CN115984266B (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
CN109035263B (zh) 基于卷积神经网络的脑肿瘤图像自动分割方法
Weiner et al. 2014 Update of the Alzheimer's Disease Neuroimaging Initiative: a review of papers published since its inception
CN109242860B (zh) 基于深度学习及权重空间集成的脑肿瘤图像分割方法
Lladó et al. Segmentation of multiple sclerosis lesions in brain MRI: a review of automated approaches
EP2483863B1 (en) Method and apparatus for processing medical images
US20200090350A1 (en) Medical image generation, localizaton, registration system
Erus et al. Longitudinally and inter-site consistent multi-atlas based parcellation of brain anatomy using harmonized atlases
KR20190105452A (ko) 딥러닝 기반 뇌 질환 진단 방법
US20170069086A1 (en) Method and device for constructing brain templates
CN112702947A (zh) 诊断辅助系统以及方法
CN110211671B (zh) 一种基于权值分布的阈值化方法
CN115984266B (zh) 一种脑区中靶点定位方法及系统
Wegmayr et al. Generative aging of brain MRI for early prediction of MCI-AD conversion
CN110136840B (zh) 一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质
Liu et al. An ensemble hybrid feature selection method for neuropsychiatric disorder classification
CN111488934A (zh) 脑影像数据处理方法、存储介质、计算机设备和装置
CN112200810B (zh) 多模态的自动化脑室分割系统及其使用方法
CN113456031A (zh) 一种脑状态预测模型的训练装置、预测装置及电子设备
Pei et al. Learning spatiotemporal probabilistic atlas of fetal brains with anatomically constrained registration network
CN110826633A (zh) 一种人脑mri数据的持久图像分类处理方法及其实现系统与应用
CN114972266A (zh) 基于自注意机制和稳定学习的淋巴瘤超声图像语义分割方法
CN113080929A (zh) 一种基于机器学习的抗nmdar脑炎图像特征分类方法
CN114067156A (zh) 一种基于高分辨率医学影像的卒中分类系统和分类方法
CN110136093B (zh) 一种运用数字图谱研究大脑默认模式网络的方法
Srilakshmi et al. Performance enhancement of content based medical image retrieval for MRI brain images based on hybrid approach

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