CN116228913B - 一种磁共振图像数据的处理方法、装置和存储介质 - Google Patents
一种磁共振图像数据的处理方法、装置和存储介质 Download PDFInfo
- Publication number
- CN116228913B CN116228913B CN202310502624.2A CN202310502624A CN116228913B CN 116228913 B CN116228913 B CN 116228913B CN 202310502624 A CN202310502624 A CN 202310502624A CN 116228913 B CN116228913 B CN 116228913B
- Authority
- CN
- China
- Prior art keywords
- sampling point
- image
- magnetic resonance
- sampling
- point
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000003672 processing method Methods 0.000 title description 3
- 238000005070 sampling Methods 0.000 claims abstract description 268
- 238000000034 method Methods 0.000 claims abstract description 85
- 239000011159 matrix material Substances 0.000 claims abstract description 76
- 238000004364 calculation method Methods 0.000 claims abstract description 68
- 238000006243 chemical reaction Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 49
- 210000005036 nerve Anatomy 0.000 claims abstract description 31
- 230000009466 transformation Effects 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 28
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 12
- 210000004556 brain Anatomy 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000001537 neural effect Effects 0.000 description 5
- 230000000638 stimulation Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008035 nerve activity Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 210000004761 scalp Anatomy 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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]
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及一种磁共振图像数据的处理方法、装置和存储介质，其中，该方法包括：获取第一图像中的第一采样点和第一采样点对应的观测点；第一采样点为对待处理的磁共振图像进行标准化处理得到的图像中的采样点；第一图像中包括第一采样点和第二采样点，第二采样点为待处理的磁共振图像中的采样点；观测点为第二采样点中与第一采样点满足预设条件的采样点；采用并行的方式，利用第一转换矩阵和第一采样点对应的观测点的神经强度值，计算第一采样点的神经强度值；第一转换矩阵根据第一采样点的坐标和第一采样点对应的观测点的坐标确定。通过本申请减少了计算量，节省了大量的系统计算资源。
Description
技术领域
本申请涉及图像处理领域，特别是涉及一种磁共振图像数据的处理方法、装置和存储介质。
背景技术
对磁共振图像数据进行预处理一般包括标准化、重新切分和平滑去噪三个步骤。其中，标准化和重新切分两步步骤需要进行刚体变换计算和多项式插值，刚体变换计算将个体空间的坐标映射到标准空间中。
在重新切分步骤中，将采集到的功能磁共振图像作为大脑三维结构的采样值。由于信号采集时，大脑片层与标准模板片层不完全一致，因此需要根据采样值对标准模板中的片层信息进行重建。所谓重建是这样一种计算，观测样本即大脑是连续的生理器官，对观测样本进行fMRI（functional MRI，功能性磁共振成像）扫描相当于对观测样本进行空间上的均匀采样（称为个体空间），观测样本的标准模板称为标准空间。在实际应用中，个体空间与标准空间存在偏差，因此需要根据个体空间中的样本点对标准空间的样本点进行估计，估计的过程在这里称为重建。
现有的方案在重建时采用的方法是多项式插值，多项式插值的方式计算较为复杂，消耗的系统计算资源较多。
发明内容
在本实施例中提供了一种磁共振图像数据的处理方法、装置和存储介质，以解决现有技术中多项式插值的方式计算较为复杂，消耗的系统计算资源较多的问题。
第一个方面，在本实施例中提供了一种磁共振图像数据的处理方法，所述方法包括：
获取第一图像中的第一采样点和所述第一采样点对应的观测点；所述第一采样点为对待处理的磁共振图像进行标准化处理得到的图像中的采样点；所述第一图像中包括所述第一采样点和第二采样点，所述第二采样点为所述待处理的磁共振图像中的采样点；所述观测点为所述第二采样点中与所述第一采样点满足预设条件的采样点；
采用并行的方式，利用第一转换矩阵和所述第一采样点对应的观测点的神经强度值，计算所述第一采样点的神经强度值；所述第一转换矩阵根据所述第一采样点的坐标和所述第一采样点对应的观测点的坐标确定。
在其中的一些实施例中，所述获取第一图像中的第一采样点和所述第一采样点对应的观测点，包括：
以所述第一采样点为圆心，以预设值为半径，确定计算核；所述预设值根据磁共振图像的体素确定；
将所述计算核内的第二采样点确定为所述第一采样点对应的观测点。
在其中的一些实施例中，获取第一图像中的第一采样点和所述第一采样点对应的观测点之后，所述方法还包括：
根据所述第一采样点的坐标和所述第一采样点对应的观测点的坐标，生成所述第一采样点的坐标和所述第一采样点对应的观测点的坐标之间的第二转换矩阵；
对所述第二转换矩阵进行降维处理，得到所述第一转换矩阵。
在其中的一些实施例中，所述根据所述第一采样点的坐标和所述第一采样点对应的观测点的坐标，生成所述第一采样点的坐标和所述第一采样点对应的观测点的坐标之间的第二转换矩阵，包括：
根据所述第一采样点对应的观测点的坐标及所述第一采样点对应的观测点的坐标的多项式，构造坐标向量；
根据所述第一采样点的坐标和所述坐标向量，生成所述第二转换矩阵。
在其中的一些实施例中，在获取第一图像中的第一采样点和所述第一采样点对应的观测点之前，所述方法还包括：
获取待处理的磁共振图像；
根据所述待处理的磁共振图像，获取所述第二采样点的坐标值和所述第二采样点的神经强度值。
在其中的一些实施例中，所述获取第一图像中的第一采样点和所述第一采样点对应的观测点，包括：
对所述待处理的磁共振图像进行标准化处理，生成第二图像；所述第二图像中包括所述第二采样点；
根据所述第二图像和所述待处理的磁共振图像，生成所述第一图像。
在其中的一些实施例中，所述方法还包括：
对所述待处理的磁共振图像、所述第一图像和所述第二图像，标记相同的图像标记。
在其中的一些实施例中，所述根据所述第一采样点的坐标和所述坐标向量，生成所述第二转换矩阵，包括：
根据所述第一采样点的坐标和所述坐标向量，利用几何约束方法和梯度下降方法，计算所述第二转换矩阵。
第二个方面，在本实施例中提供了一种磁共振图像数据的处理装置，所述装置包括：
获取模块，用于获取第一图像中的第一采样点和所述第一采样点对应的观测点；所述第一采样点为对待处理的磁共振图像进行标准化处理得到的图像中的采样点；所述第一图像中包括所述第一采样点和第二采样点，所述第二采样点为所述待处理的磁共振图像中的采样点；所述观测点为与所述第一采样点满足预设条件的第二采样点；
计算模块，用于采用并行的方式，利用第一转换矩阵和所述第一采样点对应的观测点的神经强度值，计算所述第一采样点的神经强度值；所述第一转换矩阵根据所述第一采样点的坐标和所述第一采样点对应的观测点的坐标确定。
第三个方面，在本实施例中提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一个方面所述的磁共振图像数据的处理方法的步骤。
与现有技术相比，在本实施例中提供的一种磁共振图像数据的处理方法、装置和存储介质，通过获取第一图像中的第一采样点和第一采样点对应的观测点后，采用并行的方式，利用第一转换矩阵和第一采样点对应的观测点的神经强度值，计算第一采样点的神经强度值，复用第一转换矩阵来计算第一采样点的神经强度值，从而大大的减少了计算量，节省了大量的系统计算资源。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是执行本申请实施例的一种磁共振图像数据的处理方法的终端的硬件结构框图；
图2是本申请实施例的一种磁共振图像数据的处理方法的流程图；
图3是本申请具体实施例的一种标准模板的示意图；
图4是本申请具体实施例的一种采集到的功能磁共振图像的示意图；
图5是本申请具体实施例的一种标准空间的图像的示意图；
图6是本申请具体实施例的一种第一图像的示意图；
图7是本申请实施例的一种磁共振图像数据的处理装置的结构框图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。
除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块（单元）的过程、方法和系统、产品或设备并未限定于列出的步骤或模块（单元），而可包括未列出的步骤或模块（单元），或者可包括这些过程、方法、产品或设备固有的其他步骤或模块（单元）。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。
在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图1是执行本申请实施例的一种磁共振图像数据的处理方法的终端的硬件结构框图。如图1所示，终端可以包括一个或多个（图1中仅示出一个）处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的一种磁共振图像数据的处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（NetworkInterface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频（RadioFrequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种磁共振图像数据的处理方法，图2是本申请实施例的一种磁共振图像数据的处理方法的流程图，如图2所示，该流程包括如下步骤：
步骤S210，获取第一图像中的第一采样点和第一采样点对应的观测点；第一采样点为对待处理的磁共振图像进行标准化处理得到的图像中的采样点；第一图像中包括第一采样点和第二采样点，第二采样点为待处理的磁共振图像中的采样点；观测点为第二采样点中与第一采样点满足预设条件的采样点。
具体地，这里的待处理的磁共振图像为在个体空间进行fMRI扫描获得的功能性磁共振成像图像。这里的第二采样点可以为待处理的磁共振图像中的像素点，该像素点有相应的位置坐标和相应的灰度值。对待处理的磁共振图像进行标准化处理，如对待处理的磁共振图像通过刚体变换算法向标准模板进行配准得到标准空间的图像，将标准空间的图像记为第二图像，第一采样点即为第二图像中的采样点，这里的第一采样点可以为第二图像中的像素点，该像素点有相应的位置坐标和相应的灰度值。将待处理的磁共振图像和第二图像进行融合得到第一图像，该第一图像中包括第一采样点和第二采样点，从而使得第一采样点和第二采样点在同一空间内。得到第一图像后，从第一图像中获取第一采样点和与该第一采样点对应的观测点，该观测点为第二采样点中与第一采样点满足预设条件的采样点。
步骤S220，采用并行的方式，利用第一转换矩阵和第一采样点对应的观测点的神经强度值，计算第一采样点的神经强度值；第一转换矩阵根据第一采样点的坐标和第一采样点对应的观测点的坐标确定。
具体地，根据第一采样点的坐标和第一采样点对应的观测点的坐标，生成第一采样点的坐标和第一采样点对应的观测点的坐标之间的第二转换矩阵；对第二转换矩阵进行降维处理，得到第一转换矩阵。这里的第一采样点的坐标可以为第一图像中的第一采样点对应的像素点的坐标，这里的观测点的坐标可以为第一图像中的第二采样点中与第一采样点满足预设条件的采样点对应的像素点的坐标。
得到第一转换矩阵后，采用并行的方式，利用第一转换矩阵和第一采样点对应的观测点的神经强度值，计算出所有的第一采样点的神经强度值，从而实现对标准模板中的片层信息进行重建。这里的第一采样点对应的观测点的神经强度值，可以为第一采样点对应的观测点的所对应的像素点的灰度值，这里的第一采样点的神经强度值可以为第一采样点所对应的像素点的灰度值。由于采样具有均一性，因此第一转换矩阵具有平移不变性，对每个新位置进行计算，而不受其他点的影响，因此，获取第一采样点对应的观测点后，利用预先计算的第一转换矩阵，采用并行计算的方式，计算每个第一采样点的神经强度值，这里并行计算的维度可以根据计算机设备的计算能力或计算资源来确定。在重建过程中，也即在计算第一采样点的神经强度值的过程中，尤其是在计算第一转换矩阵时，计算较为复杂，计算量大，消耗的计算资源较多。计算出第一转换矩阵后，在计算所有第一采样点的神经强度值，都复用同一个第一转换矩阵，从而大大的减少了计算量，节省了大量的系统计算资源。
在本实施例中，通过获取第一图像中的第一采样点和第一采样点对应的观测点后，采用并行的方式，利用第一转换矩阵和第一采样点对应的观测点的神经强度值，计算第一采样点的神经强度值，复用第一转换矩阵来计算第一采样点的神经强度值，从而大大的减少了计算量，节省了大量的系统计算资源。
在其中的一些实施例中，获取第一图像中的第一采样点和第一采样点对应的观测点，包括：以第一采样点为圆心，以预设值为半径，确定计算核；预设值根据磁共振图像的体素确定；将计算核内的第二采样点确定为第一采样点对应的观测点。
具体地，预设值可以为N个体素，这里的N为大于或等于1的正整数。
在其中的一些实施例中，获取第一图像中的第一采样点和第一采样点对应的观测点之后，方法还包括：根据第一采样点的坐标和第一采样点对应的观测点的坐标，生成第一采样点的坐标和第一采样点对应的观测点的坐标之间的第二转换矩阵；对第二转换矩阵进行降维处理，得到第一转换矩阵。
在其中的一些实施例中，根据第一采样点的坐标和第一采样点对应的观测点的坐标，生成第一采样点的坐标和第一采样点对应的观测点的坐标之间的第二转换矩阵，包括：根据第一采样点对应的观测点的坐标及第一采样点对应的观测点的坐标的多项式，构造坐标向量；根据第一采样点的坐标和坐标向量，生成第二转换矩阵。
在其中的一些实施例中，在获取第一图像中的第一采样点和第一采样点对应的观测点之前，该磁共振图像数据的处理方法还包括：获取待处理的磁共振图像；根据待处理的磁共振图像，获取第二采样点的坐标值和第二采样点的神经强度值。
在其中的一些实施例中，获取第一图像中的第一采样点和第一采样点对应的观测点，包括：对待处理的磁共振图像进行标准化处理，生成第二图像；第二图像中包括第二采样点；根据第二图像和待处理的磁共振图像，生成第一图像。
在其中的一些实施例中，该磁共振图像数据的处理方法还包括：对待处理的磁共振图像、第一图像和第二图像，标记相同的图像标记。
具体地，在计算过程中，对中间计算结果进行细粒度独立存储，存储粒度为每个时间点的功能磁共振影像，这里的每个时间点的功能磁共振影像包括对待处理的磁共振图像、第一图像和第二图像，将由同一个待处理的磁共振图像处理得到的第一图像和第二图像标记为相同的图像标记。在出现意外中断后，重新开始计算时，这些存储的信息直接用于实现接续计算，从而节省了系统的计算资源。
在其中的一些实施例中，根据第一采样点的坐标和坐标向量，生成第二转换矩阵，包括：根据第一采样点的坐标和坐标向量，利用几何约束方法和梯度下降方法，计算第二转换矩阵。
下面通过具体实施例对本申请实施例进行描述和说明。
对功能磁共振成像数据进行预处理一般包括标准化、重新切分和平滑去噪三个步骤。其中，标准化和重新切分两步步骤需要进行刚体变换计算和多项式插值，刚体变换计算将个体空间的坐标映射到标准空间中；重新切分计算较为复杂，消耗的计算资源较多；平滑去噪方法属于对前两个步骤得到的图像进行空间卷积计算，虽然同样耗时但计算难度不高，且是对单张图像进行计算，因此计算难度较小，也容易进行并行计算。针对三个步骤的特殊性，采用如下方法对计算过程进行优化。
在标准化步骤中，采集到的功能磁共振图像通过刚体变换算法向标准模板进行配准。标准模板如图3所示，采集到的功能磁共振图像如图4所示的在标准模板上叠加的图像，这里的采集到的功能磁共振图像可以是经过头动校正后的fMRI图像，也可以是采集的原始的fMRI图像，该采集到的功能磁共振图像为个体空间的所采集的图像。如图5所示，重叠在标准模板上的图像为采集到的功能磁共振图像通过刚体变换算法向标准模板进行配准后得到的标准空间的图像（即前述实施例中所述的第二图像）。图6为图5去除标准模板后的图像（即前述实施例中所述的第一图像），该图像中包括采集到的功能磁共振图像和标准空间的图像。需要说明的是，图3至图6为矢状位的示意图，本实施例中所涉及的示意图，也可以为其他视角的示意图，如冠状位、横断位或者三个视角叠加的示意图，在此不做具体限定。
由于功能磁共振图像中包含大量不同时间点采集的神经影像信息，因此对每个时间点的图像都要进行配准参数估计。在进行计算时，若计算过程意外中断后再次启动时，每张图像无论是否已经计算完毕都需要重新计算。使用图像唯一编码的方式，通过在计算过程中实时记录已经完成计算的刚体变换参数信息的方法，能够在恢复计算时将这些信息进行重复利用，从而实现计算接续。
在重新切分步骤中，将采集到的功能磁共振图像作为大脑三维结构的采样值。由于信号采集时，大脑片层与标准模板片层不完全一致，因此需要根据采样值对标准模板中的片层信息进行重建，重建是这样一种计算，首先我们的观测样本即大脑是连续的生理器官，对观测样本进行fMRI扫描相当于对它进行空间上的均匀采样（称为个体空间采样）。大脑的标准模板虽然也是空间上的均匀采样（称为标准空间采样），但在实际应用中，个体空间与标准空间存在偏差，因此需要根据个体空间中的样本点对标准空间的样本点进行估计，估计的过程在这里称为重建。重建过程可以描述为公式（1）。
（1）
其中，代表在标准空间中点x ’ 处的神经活动强度，而成对数组(x，y x )代表个体空间的点的坐标x及其神经活动强度y x ，个体空间的坐标及神经活动强度y均已知，标准空间x ’ 的坐标已知，根据已知量求标准空间的未知量/>。重建过程即是构造函数f(.)的过程。在重建时采用的方法是多项式插值。由于处理前、后的图像采样点都是均匀采样的点云，采用矩阵计算的方式进行大量体素点的并行计算。
（2）
根据公式（2）计算第二转换矩阵∑1，其中，argmin为最小值函数，向量L代表个体空间点云坐标及其多次项组成的向量，个体空间点云或个体空间的采样点即前述实施例中所述的第二采样点，x’代表标准空间的采样点的坐标，标准空间的采样点即前述实施例中所述的第一采样点，L为标准空间的采样点半径为r的圆球核内各个体空间的采样点的坐标及其多次项组成的向量。例如，标准空间的采样点半径为r的圆球核内包括n个个体空间的采样点x 1，x 2，…，x n，则L为n个点的坐标集合向量，L=[L1，L2，…，Ln]，L1、L2、Ln分别为采样点x 1，x 2，…，x n对应的坐标集合，，L1为个体空间的采样点x 1的坐标及其多次项的和，k为坐标的多次项，k为大于1的正整数。通过估计第二转换矩阵∑1实现多项式参数估计。根据公式（2），利用已知的参数向量L和标准空间的坐标x’来求解第二转换矩阵∑1。在计算过程中，采集经优化后的先验几何约束方法和基于观测数据的梯度下降方法实现综合参数估计，这里的观测数据为个体空间的观测数据。其中，根据∑=f 1（∑1），f 1(.)为优化函数，对第二转换矩阵∑1进行优化及降维，利用优化函数将第二转换矩阵∑1进行特征值分解，取其中较大的特征值组成第一转换矩阵∑，对转换矩阵进行降维后，使得根据公式（3）计算出来的神经活动强度的估计值为一个数值。标准空间每一个采样点有三维空间的物理位置xyz，根据公式（2）计算的第二转换矩阵∑1包括3个坐标轴的转换矩阵∑ x 、∑ y 和∑ z ，根据∑=f 1（∑ x ，∑ y ，∑ z ）对第二转换矩阵∑1进行优化降维，从而得到第一转换矩阵∑。在重新切分过程中，通过改变位置向量x可以实现估计值计算，从而实现重新切分。
利用公式（3），其中，yx表示半径为r的圆球核内各点的强度值，半径r根据磁共振图像的体素确定，该圆球核即为前述实施例中所述的计算核，为在标准空间中x’点处的神经活动强度的估计值。
（3）
为了兼顾计算效率与估计精度，在估计第一转换矩阵∑时采用稀疏采样的方法，从标准空间随机采样10个x’点，对于每个x’点都以它为中心选择半径为r的圆球，假如圆球内有n个采样点，圆球内的采样点x 1，x 2，…，x n全部纳入对的估计，从而得到第一转换矩阵∑，在求解第一转换矩阵∑的过程中，根据每个x’点求得的第二转换矩阵∑1进行矩阵平均优化及降维，得到最终的第一转换矩阵∑。求得第一转换矩阵∑后，根据已知量yx求解标准空间中的采样点的神经活动强度的估计值/>，从而完成配准。
由于采样具有均一性，因此该矩阵具有平移不变性。对每个新位置进行计算，而不受其他点的影响，因此通过公式（3），以及半径为r的圆球核，以并行的方式完成标准空间的各采样点的配准计算。
该方法与现有的计算方法的最大区别在于现有的计算方法采用逐点计算的方式，无法进行多线程加速且耗时较长，本方法通过并行的矩阵计算的方式将时间复杂度从O(n)降低到O(log(n))。在平滑去噪计算步骤中，使用类似的并行计算方法提升计算效率。在重新切分步骤中，基于图像唯一编码，重复利用能力更强。在个体空间采样得到的图像为采集到的功能磁共振图像，个体空间的采样点为采集到的功能磁共振图像的像素点；采集到的功能磁共振图像通过刚体变换算法向标准模板进行配准得到的标准空间的图像（即前述实施例中所述的第二图像），标准空间的采样点为第二图像上的像素点；将采集到的功能磁共振图像和第二图像进行融合后，得到第一图像（即前述实施例中所述的第一图像），第一图像中包括个体空间的采样点和标准空间的采样点。
另外，在计算过程中，对中间计算结果进行细粒度独立存储，存储粒度为每个时间点的功能磁共振影像。在出现意外中断后，重新开始计算时，这些存储的信息直接用于实现接续计算。
针对使用无创刺激的特殊性，除了提供数学上最优的靶点位置之外，还考虑到靶点与被试头皮表面之间的距离，从而找到具有最优刺激效率的靶点。另外，若该点仍旧不满足使用要求，用户还可以找到若干次优候选靶点，从而实现较高可用性的靶点定位。目前的同类刺激系统虽然可以通过用户自主计算和操作的方式实现多靶点定位，但其局限在于选择靶点的方法单一，或局限于解剖结构指标，或局限于功能强度指标，尚未有考虑到靶点连接强度与被试头皮表面之间的距离之间的综合指标智能推荐应用。
实现根据被试的功能磁共振成像数据，自动确定无创刺激靶点难点有三点，首先，功能磁共振成像数据较为复杂，现有技术中很少能够实现对原始数据进行全程自动化分析；其次，功能磁共振成像数据处理步骤较多且耗时较长，如果计算过程中断则需要从头开始，容易造成计算资源浪费；第三，算法的最优值计算是数学问题，在使用过程中往往受制于被试的特殊情况而无法直接利用。
本申请中能够自动读取 DICOM（Digital Imaging and Communications inMedicine，医学数字成像和通信）原始数据并自动生成分析方案。自动化分析方案可以实现原始数据管理、数据预处理和分析结果呈现的端到端计算服务，最终输出是具有较高可用性的无创刺激靶点。
针对功能磁共振成像数据处理步骤较多且耗时较长，如果计算过程中断则需要从头开始的难点问题。本申请提供了分析过程管理功能，在该管理功能的帮助下，用户可以随时中断处理程序。之后，在用户重新进行计算时，分析程序会在中断处自动继续运行，从而节约计算资源，并提升算法的可用性。需要特别指出的是，本方法并非现有的计算机领域的常规中断后自动识别前序计算技术，常规技术是对运行时的内存数据进行操作，通过内存映射或将内存数据转储到非易失性数据载体中的方法，实现对环境进行保存和复现。而本申请提出的技术方案需要在计算过程中对大量的过程文件及其内容进行智能化识别，识别过程与预处理计算过程深度耦合才能实现预处理过程的细粒度分割和继续。
在本实施例中还提供了一种磁共振图像数据的处理装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图7是本申请实施例的一种磁共振图像数据的处理装置的结构框图，如图7所示，该装置包括：
获取模块310，用于获取第一图像中的第一采样点和第一采样点对应的观测点；第一采样点为对待处理的磁共振图像进行标准化处理得到的图像中的采样点；第一图像中包括第一采样点和第二采样点，第二采样点为待处理的磁共振图像中的采样点；观测点为与第一采样点满足预设条件的第二采样点；
计算模块320，用于采用并行的方式，利用第一转换矩阵和第一采样点对应的观测点的神经强度值，计算第一采样点的神经强度值；第一转换矩阵根据第一采样点的坐标和第一采样点对应的观测点的坐标确定。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在本实施例中还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取第一图像中的第一采样点和第一采样点对应的观测点；第一采样点为对待处理的磁共振图像进行标准化处理得到的图像中的采样点；第一图像中包括第一采样点和第二采样点，第二采样点为待处理的磁共振图像中的采样点；观测点为第二采样点中与第一采样点满足预设条件的采样点；
S2，采用并行的方式，利用第一转换矩阵和第一采样点对应的观测点的神经强度值，计算第一采样点的神经强度值；第一转换矩阵根据第一采样点的坐标和第一采样点对应的观测点的坐标确定。
需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。
此外，结合上述实施例中提供的一种磁共振图像数据的处理方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种磁共振图像数据的处理方法的步骤。
应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。
显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。
“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其它实施例结合。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (8)
1.一种磁共振图像数据的处理方法，其特征在于，所述方法包括：
获取第一图像中的第一采样点和所述第一采样点对应的观测点；所述第一采样点为对待处理的磁共振图像进行标准化处理得到的图像中的采样点；所述第一图像中包括所述第一采样点和第二采样点，所述第二采样点为所述待处理的磁共振图像中的采样点；所述观测点为所述第二采样点中与所述第一采样点满足预设条件的采样点；对所述待处理的磁共振图像进行标准化处理，生成第二图像，所述第二图像中包括所述第二采样点；根据所述第二图像和所述待处理的磁共振图像，生成所述第一图像；
采用并行的方式，利用第一转换矩阵和所述第一采样点对应的观测点的神经强度值，复用所述第一转换矩阵计算所述第一采样点的神经强度值；根据所述第一采样点的坐标和所述第一采样点对应的观测点的坐标，生成所述第一采样点的坐标和所述第一采样点对应的观测点的坐标之间的第二转换矩阵；对所述第二转换矩阵进行降维处理，得到所述第一转换矩阵。
2.根据权利要求1所述的磁共振图像数据的处理方法，其特征在于，所述获取第一图像中的第一采样点和所述第一采样点对应的观测点，包括：
以所述第一采样点为圆心，以预设值为半径，确定计算核；所述预设值根据磁共振图像的体素确定；
将所述计算核内的第二采样点确定为所述第一采样点对应的观测点。
3.根据权利要求2所述的磁共振图像数据的处理方法，其特征在于，所述根据所述第一采样点的坐标和所述第一采样点对应的观测点的坐标，生成所述第一采样点的坐标和所述第一采样点对应的观测点的坐标之间的第二转换矩阵，包括：
根据所述第一采样点对应的观测点的坐标及所述第一采样点对应的观测点的坐标的多项式，构造坐标向量；
根据所述第一采样点的坐标和所述坐标向量，生成所述第二转换矩阵。
4.根据权利要求1所述的磁共振图像数据的处理方法，其特征在于，在获取第一图像中的第一采样点和所述第一采样点对应的观测点之前，所述方法还包括：
获取待处理的磁共振图像；
根据所述待处理的磁共振图像，获取所述第二采样点的坐标值和所述第二采样点的神经强度值。
5.根据权利要求4所述的磁共振图像数据的处理方法，其特征在于，所述方法还包括：
对所述待处理的磁共振图像、所述第一图像和所述第二图像，标记相同的图像标记。
6.根据权利要求3所述的磁共振图像数据的处理方法，其特征在于，所述根据所述第一采样点的坐标和所述坐标向量，生成所述第二转换矩阵，包括：
根据所述第一采样点的坐标和所述坐标向量，利用几何约束方法和梯度下降方法，计算所述第二转换矩阵。
7.一种磁共振图像数据的处理装置，其特征在于，所述装置包括：
获取模块，用于获取第一图像中的第一采样点和所述第一采样点对应的观测点；所述第一采样点为对待处理的磁共振图像进行标准化处理得到的图像中的采样点；所述第一图像中包括所述第一采样点和第二采样点，所述第二采样点为所述待处理的磁共振图像中的采样点；所述观测点为所述第二采样点中与所述第一采样点满足预设条件的采样点；对所述待处理的磁共振图像进行标准化处理，生成第二图像，所述第二图像中包括所述第二采样点；根据所述第二图像和所述待处理的磁共振图像，生成所述第一图像；
计算模块，用于采用并行的方式，利用第一转换矩阵和所述第一采样点对应的观测点的神经强度值，复用所述第一转换矩阵计算所述第一采样点的神经强度值；根据所述第一采样点的坐标和所述第一采样点对应的观测点的坐标，生成所述第一采样点的坐标和所述第一采样点对应的观测点的坐标之间的第二转换矩阵；对所述第二转换矩阵进行降维处理，得到所述第一转换矩阵。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至权利要求6中任一项所述的磁共振图像数据的处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310502624.2A CN116228913B (zh) | 2023-05-06 | 2023-05-06 | 一种磁共振图像数据的处理方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310502624.2A CN116228913B (zh) | 2023-05-06 | 2023-05-06 | 一种磁共振图像数据的处理方法、装置和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116228913A CN116228913A (zh) | 2023-06-06 |
| CN116228913B true CN116228913B (zh) | 2023-08-22 |
Family
ID=86587581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310502624.2A Active CN116228913B (zh) | 2023-05-06 | 2023-05-06 | 一种磁共振图像数据的处理方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116228913B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103462612A (zh) * | 2013-09-23 | 2013-12-25 | 深圳先进技术研究院 | 功能磁共振扫描中头动监测系统及监测方法 |
| CN110333466A (zh) * | 2019-06-19 | 2019-10-15 | 东软医疗系统股份有限公司 | 一种基于神经网络的磁共振成像方法和装置 |
| CN110766768A (zh) * | 2019-10-23 | 2020-02-07 | 深圳先进技术研究院 | 一种磁共振图像重建方法、装置、设备和介质 |
| CN111257809A (zh) * | 2020-01-23 | 2020-06-09 | 上海东软医疗科技有限公司 | 磁共振成像方法、装置、存储介质及医疗设备 |
| WO2020134826A1 (zh) * | 2018-12-24 | 2020-07-02 | 深圳先进技术研究院 | 磁共振并行成像方法及相关设备 |
| CN114693568A (zh) * | 2022-03-31 | 2022-07-01 | 中科微影(浙江)医疗科技有限公司 | 一种高质量核磁共振图像的成像方法与系统 |
| CN115598575A (zh) * | 2021-06-28 | 2023-01-13 | 上海联影医疗科技股份有限公司（Cn） | 磁共振成像方法、装置、计算机设备和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104166110B (zh) * | 2013-05-17 | 2017-12-26 | 深圳联影医疗科技有限公司 | 磁共振并行采集图像重建方法及设备 |
| KR102144320B1 (ko) * | 2020-02-13 | 2020-08-13 | 주식회사 에어스 메디컬 | 자기 공명 영상 처리 장치 및 그 방법 |
-
2023
- 2023-05-06 CN CN202310502624.2A patent/CN116228913B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103462612A (zh) * | 2013-09-23 | 2013-12-25 | 深圳先进技术研究院 | 功能磁共振扫描中头动监测系统及监测方法 |
| WO2020134826A1 (zh) * | 2018-12-24 | 2020-07-02 | 深圳先进技术研究院 | 磁共振并行成像方法及相关设备 |
| CN110333466A (zh) * | 2019-06-19 | 2019-10-15 | 东软医疗系统股份有限公司 | 一种基于神经网络的磁共振成像方法和装置 |
| CN110766768A (zh) * | 2019-10-23 | 2020-02-07 | 深圳先进技术研究院 | 一种磁共振图像重建方法、装置、设备和介质 |
| CN111257809A (zh) * | 2020-01-23 | 2020-06-09 | 上海东软医疗科技有限公司 | 磁共振成像方法、装置、存储介质及医疗设备 |
| CN115598575A (zh) * | 2021-06-28 | 2023-01-13 | 上海联影医疗科技股份有限公司（Cn） | 磁共振成像方法、装置、计算机设备和存储介质 |
| CN114693568A (zh) * | 2022-03-31 | 2022-07-01 | 中科微影(浙江)医疗科技有限公司 | 一种高质量核磁共振图像的成像方法与系统 |
Non-Patent Citations (1)
| Title |
|---|
| 非笛卡尔并行磁共振成像重建技术研究新进展;吴振洲;常严;徐雅洁;王慧;杨晓冬;;仪器仪表学报(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116228913A (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Styner et al. | Framework for the statistical shape analysis of brain structures using SPHARM-PDM | |
| Dietenbeck et al. | CREASEG: a free software for the evaluation of image segmentation algorithms based on level-set | |
| US7583857B2 (en) | System and method for salient region feature based 3D multi modality registration of medical images | |
| US8498459B2 (en) | System and method for verifying registration accuracy in digital medical images | |
| US7062078B2 (en) | Method and device for the registration of images | |
| JP2007167629A (ja) | 結腸の特徴経路の位置合わせ | |
| Morales et al. | DeepStrain: a deep learning workflow for the automated characterization of cardiac mechanics | |
| CN112862813A (zh) | 标记点提取方法、装置、电子设备及计算机存储介质 | |
| CN111666890A (zh) | 脊柱变形人群识别方法、装置、计算机设备及存储介质 | |
| CN116228913B (zh) | 一种磁共振图像数据的处理方法、装置和存储介质 | |
| CN108961256B (zh) | 图像分割方法、手术导航设备、电子设备及存储介质 | |
| Wen et al. | Brain tissue classification based on DTI using an improved fuzzy C-means algorithm with spatial constraints | |
| CN111932575B (zh) | 基于模糊c均值和概率标签融合的图像分割方法及系统 | |
| CN115953420B (zh) | 深度学习网络模型以及医疗图像分割方法、装置和系统 | |
| CA2873918C (en) | Method and system for the three-dimensional reconstruction of structures | |
| CN111369598B (zh) | 深度学习模型的训练方法及装置、应用方法及装置 | |
| CN116630462A (zh) | 磁共振图像的重建方法、装置、计算机设备和存储介质 | |
| US7741845B2 (en) | Imaging tissue deformation using strain encoded MRI | |
| Parvathaneni et al. | Improving human cortical sulcal curve labeling in large scale cross-sectional MRI using deep neural networks | |
| CN117670664A (zh) | 基于特征点的图像拼接方法、装置、电子装置和存储介质 | |
| CN111882499B (zh) | Pet图像的降噪方法、装置以及计算机设备 | |
| US20230410315A1 (en) | Deep magnetic resonance fingerprinting auto-segmentation | |
| CN114494014A (zh) | 一种磁共振图像超分辨率重建方法及装置 | |
| US10820837B2 (en) | System and method for angle measurements using magnetic resonance images | |
| US9235931B2 (en) | Method and system for the three-dimensional reconstruction of structures |
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 |