CN116630331A - 静息态功能脑网络的图像处理方法及装置 - Google Patents
静息态功能脑网络的图像处理方法及装置 Download PDFInfo
- Publication number
- CN116630331A CN116630331A CN202310919584.1A CN202310919584A CN116630331A CN 116630331 A CN116630331 A CN 116630331A CN 202310919584 A CN202310919584 A CN 202310919584A CN 116630331 A CN116630331 A CN 116630331A
- Authority
- CN
- China
- Prior art keywords
- network
- module
- nodes
- functional
- brain
- 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
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 75
- 230000000284 resting effect Effects 0.000 title claims abstract description 22
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 241001286408 Gretna Species 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims abstract description 21
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 10
- 239000010410 layer Substances 0.000 claims description 10
- 238000000692 Student's t-test Methods 0.000 claims description 8
- 238000012353 t test Methods 0.000 claims description 8
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 6
- 238000012352 Spearman correlation analysis Methods 0.000 claims description 6
- 230000004886 head movement Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 230000008520 organization Effects 0.000 claims description 4
- 101150030061 Eloc gene Proteins 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 230000003925 brain function Effects 0.000 claims description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 2
- 230000005284 excitation Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 239000011229 interlayer Substances 0.000 claims description 2
- 230000000926 neurological effect Effects 0.000 claims description 2
- 210000004885 white matter Anatomy 0.000 claims description 2
- 230000003727 cerebral blood flow Effects 0.000 claims 1
- 238000005192 partition Methods 0.000 claims 1
- 230000005856 abnormality Effects 0.000 abstract description 5
- 102000003946 Prolactin Human genes 0.000 description 4
- 108010057464 Prolactin Proteins 0.000 description 4
- 229940097325 prolactin Drugs 0.000 description 4
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000001638 cerebellum Anatomy 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003557 neuropsychological effect Effects 0.000 description 2
- 206010036832 Prolactinoma Diseases 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 208000030153 prolactin-producing pituitary gland adenoma Diseases 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
静息态功能脑网络的图像处理方法及装置，能够基于图论方法揭示静息态功能脑网络的拓扑结构，并探究HPRL是否会导致拓扑异常；同时采用模块化分析方法，探索HPRL在6个功能网络模块的模块内和模块间FC变化。方法包括：（1）对受试者进行MRI扫描，获得高分辨T1加权结构像、rs‑fMRI图像；（2）在MATLAB 2013b平台的GRETNA 2.0.0工具箱中进行rs‑fMRI数据的预处理；（3）应用GRETNA工具箱构建全脑FC，进行图论分析；（4）在分离的模块水平上进行全脑FC网络的模块化分析。
Description
技术领域
本发明涉及医学图像处理的技术领域，尤其涉及一种静息态功能脑网络的图像处理方法，以及静息态功能脑网络的图像处理装置。
背景技术
泌乳素（prolactin, PRL）增高可引起大脑结构及功能的改变，甚至影响认知功能。在网络神经科学中，功能连接（functional connectivity, FC）可通过血氧水平依赖的rs-fMRI以全脑或基于种子点的方法识别，用于检测脑区间的功能变化。图论方法已被广泛应用于功能脑网络拓扑属性的量化。图论的全局度量指标，包括聚类系数(clustering coefficient, Cp)、特征路径长度(characteristic path length, Lp)、全局效率(global efficiency, Eg)、局部效率(local efficiency, Eloc)、标准化聚类系数(normalizedclustering coefficient, Gamma)、标准化特征路径长度(normalized characteristicpath length, Lambda)、小世界特性(small-worldness, Sigma)、同配性（Assortativity）、层级性（Hierarchy）和同步性（Synchronization），能够反映脑网络的分离与整合。同时，模块化网络分析可将拥有特定功能的相关脑区归类为独立的模块，并进一步洞察复杂网络组织间的功能连接变化。既往对泌乳素瘤患者的rs-fMRI研究采用基于种子点的分析方法，发现HPRL能够导致FC异常，并且内源性激素水平也与FC的改变有关。然而，目前尚缺乏针对HPRL功能网络中FC拓扑结构的研究。
发明内容
为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种静息态功能脑网络的图像处理方法，其能够基于图论方法揭示静息态功能脑网络的拓扑结构，并探究HPRL是否会导致拓扑异常；同时采用模块化分析方法，探索HPRL在6个功能网络模块的模块内和模块间FC变化。
本发明的技术方案是：这种静息态功能脑网路的图像处理方法，其包括以下步骤：
（1）对于受试者进行MRI扫描，获得高分辨T1加权结构像、rs-fMRI图像；
（2）在MATLAB 2013b平台的GRETNA 2.0.0工具箱中进行rs-fMRI数据的预处理；
（3）应用GRETNA工具箱构建全脑FC，进行图论分析。拓扑网络由节点以及节点间的连边构成，使用Dosenbach 's 160图谱将全脑定义为160个节点用以获取功能信号，对于全脑FC网络的构建，首先提取160个节点中每个节点内体素的平均时间序列；连边定义为每对节点之间平均时间序列的Pearson相关系数r，每个受试者生成160×160相关r矩阵及对应的12720条连边；应用网络稀疏度S参数去掉弱连接，从而为每个受试者的功能网络提供相同数量的有效连边，S表示FC网络中实际连边数与最大可能连边数的比率；
（4）在分离的模块水平上进行全脑FC网络的模块化分析，其中模块指的是脑网络中多个拥有紧密连接的脑区构成的社团，模块化代表这些互连区域之间的信息传输能力，Dosenbach’s 160图谱根据明确定义的功能划分对节点进行分组，并报告160个节点所对应的以下6个网络： DMN、FPN、CON、SMN、ON和CN；于GRETNA中进行模块化分析，在模块交互部分将各个节点对应的网络标签作为社团指数，在稀疏度阈值范围内应用于所有被试的二值矩阵，将全脑划分为6个模块；模块内所有节点之间的总连边数代表模块内FC，而任意两个模块之间的总连边数代表模块间FC，计算模块内FC和模块间FC在稀疏度阈值范围内的AUC，以aSumEdgeNum表示；AUC的组间比较在GRETNA中进行，采用双样本t检验，以p<0.05为统计学显著；将具有显著组间差异的模块内、模块间FC的AUC值分别与各个临床特征进行 Pearson或Spearman相关分析，显著阈值设定为p <0.05，多重比较校正采用Bonferroni方法。
本发明通过对于受试者进行MRI扫描，获得高分辨T1加权结构像、rs-fMRI图像，进行rs-fMRI数据的预处理，应用GRETNA工具箱构建全脑FC，进行图论分析，在分离的模块水平上进行全脑FC网络的模块化分析，利用rs-fMRI，基于图论方法揭示HPRL患者静息态功能脑网络的拓扑结构，并探究HPRL是否会导致拓扑异常；同时采用模块化分析方法，探索HPRL在默认模式网络（default mode network，DMN）、额顶网络（frontoparietal network,FPN）、扣带岛盖网络（cingulo-opercular network, CON）、感觉运动网络（somatomotornetwork, SMN）、枕叶网络（occipital network, ON）和小脑网络（cerebellar network,CN）共6个功能网络模块的模块内和模块间FC变化；最后，进一步探讨HPRL患者的FC改变与PRL水平和认知、焦虑、抑郁等神经心理学量表评分之间的可能相关性。
还提供了一种静息态功能脑网路的图像处理装置，其包括：
图像获取模块，其配置来对于受试者进行MRI扫描，获得高分辨T1加权结构像、rs-fMRI图像；
第一图论分析模块，其配置来应用GRETNA工具箱构建全脑FC，进行图论分析。拓扑网络由节点以及节点间的连边构成，使用Dosenbach 's 160图谱将全脑定义为160个节点用以获取功能信号，对于全脑FC网络的构建，首先提取160个节点中每个节点内体素的平均时间序列；连边定义为每对节点之间平均时间序列的Pearson相关系数r，每个受试者生成160×160相关r矩阵及对应的12720条连边；应用网络稀疏度S参数去掉弱连接，从而为每个受试者的功能网络提供相同数量的有效连边，S表示FC网络中实际连边数与最大可能连边数的比率；
第二模块化分析模块，其配置来在分离的模块水平上进行全脑FC网络的模块化分析，其中模块指的是脑网络中多个拥有紧密连接的脑区构成的社团，模块化代表这些互连区域之间的信息传输能力，Dosenbach’s 160图谱根据明确定义的功能划分对节点进行分组，并报告160个节点所对应的以下6个网络： DMN、FPN、CON、SMN、ON和CN；于GRETNA中进行模块化分析，在模块交互部分将各个节点对应的网络标签作为社团指数，在稀疏度阈值范围内应用于所有被试的二值矩阵，将全脑划分为6个模块；模块内所有节点之间的总连边数代表模块内FC，而任意两个模块之间的总连边数代表模块间FC，计算模块内FC和模块间FC在稀疏度阈值范围内的AUC，以aSumEdgeNum表示；AUC的组间比较在GRETNA中进行，采用双样本t检验，以p<0.05为统计学显著；将具有显著组间差异的模块内、模块间FC的AUC值分别与各个临床特征进行 Pearson或Spearman相关分析，显著阈值设定为p <0.05，多重比较校正采用Bonferroni方法。
附图说明
图1示出了根据本发明的静息态功能脑网络的图像处理方法的流程图。
具体实施方式
如图1所示，这种静息态功能脑网络的图像处理方法，其包括以下步骤：
（1）对于受试者进行MRI扫描，获得高分辨T1加权结构像、rs-fMRI图像；
（2）在MATLAB 2013b平台的GRETNA 2.0.0工具箱中进行rs-fMRI数据的预处理；
（3）应用GRETNA工具箱构建全脑FC，进行图论分析。拓扑网络由节点以及节点间的连边构成，使用Dosenbach 's 160图谱将全脑定义为160个节点用以获取功能信号，对于全脑FC网络的构建，首先提取160个节点中每个节点内体素的平均时间序列；连边定义为每对节点之间平均时间序列的Pearson相关系数r，每个受试者生成160×160相关r矩阵及对应的12720条连边；应用网络稀疏度S参数去掉弱连接，从而为每个受试者的功能网络提供相同数量的有效连边，S表示FC网络中实际连边数与最大可能连边数的比率；
（4）在分离的模块水平上进行全脑FC网络的模块化分析，其中模块指的是脑网络中多个拥有紧密连接的脑区构成的社团，模块化代表这些互连区域之间的信息传输能力，Dosenbach’s 160图谱根据明确定义的功能划分对节点进行分组，并报告160个节点所对应的以下6个网络： DMN、FPN、CON、SMN、ON和CN；于GRETNA中进行模块化分析，在模块交互部分将各个节点对应的网络标签作为社团指数，在稀疏度阈值范围内应用于所有被试的二值矩阵，将全脑划分为6个模块；模块内所有节点之间的总连边数代表模块内FC，而任意两个模块之间的总连边数代表模块间FC，计算模块内FC和模块间FC在稀疏度阈值范围内的AUC，以aSumEdgeNum表示；AUC的组间比较在GRETNA中进行，采用双样本t检验，以p<0.05为统计学显著；将具有显著组间差异的模块内、模块间FC的AUC值分别与各个临床特征进行 Pearson或Spearman相关分析，显著阈值设定为p <0.05，多重比较校正采用Bonferroni方法。
本发明通过对于受试者进行MRI扫描，获得高分辨T1加权结构像、rs-fMRI图像，进行rs-fMRI数据的预处理，应用GRETNA工具箱构建全脑FC，进行图论分析，在分离的模块水平上进行全脑FC网络的模块化分析，利用rs-fMRI，基于图论方法揭示HPRL患者静息态功能脑网络的拓扑结构，并探究HPRL是否会导致拓扑异常；同时采用模块化分析方法，探索HPRL在默认模式网络（default mode network，DMN）、额顶网络（frontoparietal network,FPN）、扣带岛盖网络（cingulo-opercular network, CON）、感觉运动网络（somatomotornetwork, SMN）、枕叶网络（occipital network, ON）和小脑网络（cerebellar network,CN）共6个功能网络模块的模块内和模块间FC变化；最后，进一步探讨HPRL患者的FC改变与PRL水平和认知、焦虑、抑郁等神经心理学量表评分之间的可能相关性。
优选地，所述步骤（1）中，高分辨T1加权结构像，基于三维快速扰相梯度回波序列，具体参数为：层厚=1.0 mm，TR=6.7 ms，TE=2.9 ms， FOV=256mm×256 mm，矩阵=256×256，体素大小=1×1×1 mm3，NEX=1，翻转角=12°，带宽=31.25 Hz/pixel，层数=192，采集时间=4min 10s。
优选地，所述步骤（1）中，rs-fMRI基于单次激发梯度回波平面成像，具体参数为：层厚=3.5 mm，层间距=0.7 mm, TR= 2000 ms, TE=30 ms, FOV=224mm×224 mm，矩阵=64×64, NEX=1，翻转角=90°，层数=34，时间点=240，采集时间8 min。
优选地，所述步骤（2）包括以下分步骤：
（2.1）将DICOM数据格式转换为NIFTI；
（2.2）去除前5个时间点；
（2.3）层间时间校正；
（2.4）头动校正，将每个受试者的功能像对准至平均功能像，并排除沿任何轴的头动平移超过3.0mm和/或旋转超过3.0°的受试者；
（2.5）将个体T1结构像共配准至平均功能像，随后通过DARTEL方法将功能像从个体原始空间标准化到蒙特利尔神经研究所空间，并最终重采样为3mm×3mm×3mm；
（2.6）去除线性漂移；
（2.7）将Friston 24头动参数、脑白质信号和脑脊液信号作为干扰协变量从功能数据中回归；
（2.8）带通滤波，0.01-0.08 Hz。
优选地，所述步骤（3）中，采用如下方法确定全脑功能网络的S阈值范围：
（3.1）S的下限用于保证网络的连通性，基于节点数量计算160×160网络矩阵用于确保小世界属性估计的最小稀疏度阈值；
（3.2）S的上限为确保所有受试者功能网络的小世界属性Sigma>1.1的最大稀疏度阈值。
优选地，所述步骤（3）中，应用间隔为0.01的S阈值范围并保留其中的正连接，将r矩阵进一步转化为二值矩阵；基于二值矩阵，在全局水平为功能网络拓扑属性构建图论模型，并计算小世界组织相关参数Cp、Lp、Gamma、Lambda、Sigma、网络效率相关参数Eg、Eloc以及网络的同配性Assortativity、层级性Hierarchy和同步性Synchronization；随机网络数量设置为200次，用于计算每个稀疏度下的Gamma、Lambda及Sigma，其中Gamma>1、Lambda≈1和Sigma>1代表具有小世界组织结构；计算上述拓扑参数的AUC，分别以aCp、aLp、aEg、aEloc、aGamma、aLambda、aSigama、aAssortativity、aHierarchy和aSynchronization表示；AUC的组间比较在GRETNA中进行，采用双样本t检验，控制年龄、性别、教育程度作为协变量，以p<0.05为统计学显著。
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。因此，与本发明的方法相对应的，本发明还同时包括一种静息态功能脑网络的图像处理装置，该装置通常以与方法各步骤相对应的功能模块的形式表示。该装置包括：
图像获取模块，其配置来对于受试者进行MRI扫描，获得高分辨T1加权结构像、rs-fMRI图像；
第一图论分析模块，其配置来应用GRETNA工具箱构建全脑FC，进行图论分析。拓扑网络由节点以及节点间的连边构成，使用Dosenbach 's 160图谱将全脑定义为160个节点用以获取功能信号，对于全脑FC网络的构建，首先提取160个节点中每个节点内体素的平均时间序列；连边定义为每对节点之间平均时间序列的Pearson相关系数r，每个受试者生成160×160相关r矩阵及对应的12720条连边；应用网络稀疏度S参数去掉弱连接，从而为每个受试者的功能网络提供相同数量的有效连边，S表示FC网络中实际连边数与最大可能连边数的比率；
第二模块化分析模块，其配置来在分离的模块水平上进行全脑FC网络的模块化分析，其中模块指的是脑网络中多个拥有紧密连接的脑区构成的社团，模块化代表这些互连区域之间的信息传输能力，Dosenbach’s 160图谱根据明确定义的功能划分对节点进行分组，并报告160个节点所对应的以下6个网络： DMN、FPN、CON、SMN、ON和CN；于GRETNA中进行模块化分析，在模块交互部分将各个节点对应的网络标签作为社团指数，在稀疏度阈值范围内应用于所有被试的二值矩阵，将全脑划分为6个模块；模块内所有节点之间的总连边数代表模块内FC，而任意两个模块之间的总连边数代表模块间FC，计算模块内FC和模块间FC在稀疏度阈值范围内的AUC，以aSumEdgeNum表示；AUC的组间比较在GRETNA中进行，采用双样本t检验，以p<0.05为统计学显著；将具有显著组间差异的模块内、模块间FC的AUC值分别与各个临床特征进行 Pearson或Spearman相关分析，显著阈值设定为p <0.05，多重比较校正采用Bonferroni方法。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。
Claims (7)
1.静息态功能脑网络的图像处理方法，其特征在于：其包括以下步骤：
（1）对受试者进行MRI扫描，获得高分辨T1加权结构像、rs-fMRI图像；
（2）在MATLAB 2013b平台的GRETNA 2.0.0工具箱中进行rs-fMRI数据的预处理；
（3）应用GRETNA工具箱构建全脑功能连接FC，进行图论分析，拓扑网络由节点以及节点间的连边构成，使用Dosenbach 's 160图谱将全脑定义为160个节点用以获取功能信号，对于全脑FC网络的构建，首先提取160个节点中每个节点内体素的平均时间序列；连边定义为每对节点之间平均时间序列的Pearson相关系数r，每个受试者生成160×160相关r矩阵及对应的12720条连边；应用网络稀疏度S参数去掉弱连接，从而为每个受试者的功能网络提供相同数量的有效连边，S表示FC网络中实际连边数与最大可能连边数的比率；
（4）在分离的模块水平上进行全脑FC网络的模块化分析，其中模块指的是脑网络中多个拥有紧密连接的脑区构成的社团，模块化代表这些互连区域之间的信息传输能力，Dosenbach’s 160图谱根据明确定义的功能划分对节点进行分组，并报告160个节点所对应的以下6个网络： DMN、FPN、CON、SMN、ON和CN；于GRETNA中进行模块化分析，在模块交互部分将各个节点对应的网络标签作为社团指数，在稀疏度阈值范围内应用于所有被试的二值矩阵，将全脑划分为6个模块；模块内所有节点之间的总连边数代表模块内FC，而任意两个模块之间的总连边数代表模块间FC，计算模块内FC和模块间FC在稀疏度阈值范围内的曲线下面积AUC，以aSumEdgeNum表示；AUC的组间比较在GRETNA中进行，采用双样本t检验，控制年龄、性别、教育程度为无关协变量，以p<0.05为统计学显著；将具有显著组间差异的模块内、模块间FC的AUC值分别与各个临床特征进行 Pearson或Spearman相关分析，显著阈值设定为p <0.05，多重比较校正采用Bonferroni方法。
2.根据权利要求1所述的静息态功能脑网络的图像处理方法，其特征在于：所述步骤（1）中，高分辨T1加权结构像，基于三维快速扰相梯度回波序列，具体参数为：层厚=1.0 mm，TR=6.7 ms，TE=2.9 ms， FOV=256mm×256 mm，矩阵=256×256，体素大小=1×1×1 mm3，NEX=1，翻转角=12°，带宽=31.25 Hz/pixel，层数=192，采集时间=4min 10s。
3.根据权利要求2所述的静息态功能脑网络的图像处理方法，其特征在于：所述步骤（1）中，rs-fMRI基于单次激发梯度回波平面成像，具体参数为：层厚=3.5 mm，层间距=0.7mm, TR= 2000 ms, TE=30 ms, FOV=224mm×224 mm，矩阵=64×64, NEX=1，翻转角=90°，层数=34，时间点=240，采集时间8 min。
4.根据权利要求3所述的静息态脑血流的图像处理方法，其特征在于：所述步骤（2）包括以下分步骤：
（2.1）将DICOM数据格式转换为NIFTI；
（2.2）去除前5个时间点；
（2.3）层间时间校正；
（2.4）头动校正，将每个受试者的功能像对准至平均功能像，并排除沿任何轴的头动平移超过3.0mm和/或旋转超过3.0°的受试者；
（2.5）将个体T1结构像共配准至平均功能像，随后通过DARTEL方法将功能像从个体原始空间标准化到蒙特利尔神经研究所空间，并最终重采样为3mm×3mm×3mm；
（2.6）去除线性漂移；
（2.7）将Friston 24头动参数、脑白质信号和脑脊液信号作为干扰协变量从功能数据中回归；
（2.8）带通滤波，0.01-0.08 Hz。
5.根据权利要求4所述的静息态功能脑网络的图像处理方法，其特征在于：所述步骤（3）中，采用如下方法确定全脑功能网络的S阈值范围：
（3.1）S的下限用于保证网络的连通性，基于节点数量计算160×160网络矩阵用于确保小世界属性估计的最小稀疏度阈值；
（3.2）S的上限为确保所有受试者功能网络的小世界属性Sigma>1.1的最大稀疏度阈值。
6.根据权利要求5所述的静息态功能脑网络的图像处理方法，其特征在于：所述步骤（3）中，应用间隔为0.01的S阈值范围并保留其中的正连接，将r矩阵进一步转化为二值矩阵；基于二值矩阵，在全局水平为功能网络拓扑属性构建图论模型，并计算小世界组织相关参数Cp、Lp、Gamma、Lambda、Sigma、网络效率相关参数Eg、Eloc以及网络的同配性Assortativity、层级性Hierarchy和同步性Synchronization；随机网络数量设置为200次，用于计算每个稀疏度下的Gamma、Lambda及Sigma，其中Gamma>1、Lambda≈1和Sigma>1代表具有小世界组织结构；计算上述拓扑参数的AUC，分别以aCp、aLp、aEg、aEloc、aGamma、aLambda、aSigama、aAssortativity、aHierarchy和aSynchronization表示；AUC的组间比较在GRETNA中进行，采用双样本t检验，控制年龄、性别、教育程度作为协变量，以p<0.05为统计学显著。
7.静息态功能脑网络的图像处理装置，其特征在于：其包括：
图像获取模块，其配置来对于受试者进行MRI扫描，获得高分辨T1加权结构像、rs-fMRI图像；
第一图论分析模块，其配置来应用GRETNA工具箱构建全脑FC，进行图论分析；拓扑网络由节点以及节点间的连边构成，使用Dosenbach 's 160图谱将全脑定义为160个节点用以获取功能信号，对于全脑FC网络的构建，首先提取160个节点中每个节点内体素的平均时间序列；连边定义为每对节点之间平均时间序列的Pearson相关系数r，每个受试者生成160×160相关r矩阵及对应的12720条连边；应用网络稀疏度S参数去掉弱连接，从而为每个受试者的功能网络提供相同数量的有效连边，S表示FC网络中实际连边数与最大可能连边数的比率；
第二模块化分析模块，其配置来在分离的模块水平上进行全脑FC网络的模块化分析，其中模块指的是脑网络中多个拥有紧密连接的脑区构成的社团，模块化代表这些互连区域之间的信息传输能力，Dosenbach’s 160图谱根据明确定义的功能划分对节点进行分组，并报告160个节点所对应的以下6个网络： DMN、FPN、CON、SMN、ON和CN；于GRETNA中进行模块化分析，在模块交互部分将各个节点对应的网络标签作为社团指数，在稀疏度阈值范围内应用于所有被试的二值矩阵，将全脑划分为6个模块；模块内所有节点之间的总连边数代表模块内FC，而任意两个模块之间的总连边数代表模块间FC，计算模块内FC和模块间FC在稀疏度阈值范围内的AUC，以aSumEdgeNum表示；AUC的组间比较在GRETNA中进行，采用双样本t检验，以p<0.05为统计学显著；将具有显著组间差异的模块内、模块间FC的AUC值分别与各个临床特征进行 Pearson或Spearman相关分析，显著阈值设定为p <0.05，多重比较校正采用Bonferroni方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310919584.1A CN116630331B (zh) | 2023-07-26 | 2023-07-26 | 静息态功能脑网络的图像处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310919584.1A CN116630331B (zh) | 2023-07-26 | 2023-07-26 | 静息态功能脑网络的图像处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116630331A true CN116630331A (zh) | 2023-08-22 |
| CN116630331B CN116630331B (zh) | 2023-10-13 |
Family
ID=87610297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310919584.1A Active CN116630331B (zh) | 2023-07-26 | 2023-07-26 | 静息态功能脑网络的图像处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116630331B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117316293A (zh) * | 2023-11-30 | 2023-12-29 | 北京师范大学 | 基于神经影像的脑网络结构与功能耦合方法及装置 |
| CN117635559A (zh) * | 2023-11-28 | 2024-03-01 | 上海交通大学医学院附属瑞金医院 | 定位异常脑白质所连接灰质皮层的图像处理方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104715150A (zh) * | 2015-03-19 | 2015-06-17 | 上海海事大学 | 一种基于复杂网络的偏头痛患者大脑皮层的辅助分类分析方法 |
| CN107242873A (zh) * | 2017-07-05 | 2017-10-13 | 成都信息工程大学 | 一种基于功能磁共振心理生理交互的脑网络构建方法 |
| KR102197112B1 (ko) * | 2020-07-20 | 2020-12-31 | 주식회사 아이메디신 | 시계열 생체 신호 기반의 인공신경망 모델 학습 컴퓨터 프로그램 및 방법 |
| CN113786186A (zh) * | 2021-11-12 | 2021-12-14 | 北京智精灵科技有限公司 | 基于模块化动态重构的多尺度脑网络分析方法及系统 |
-
2023
- 2023-07-26 CN CN202310919584.1A patent/CN116630331B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104715150A (zh) * | 2015-03-19 | 2015-06-17 | 上海海事大学 | 一种基于复杂网络的偏头痛患者大脑皮层的辅助分类分析方法 |
| CN107242873A (zh) * | 2017-07-05 | 2017-10-13 | 成都信息工程大学 | 一种基于功能磁共振心理生理交互的脑网络构建方法 |
| KR102197112B1 (ko) * | 2020-07-20 | 2020-12-31 | 주식회사 아이메디신 | 시계열 생체 신호 기반의 인공신경망 모델 학습 컴퓨터 프로그램 및 방법 |
| CN113786186A (zh) * | 2021-11-12 | 2021-12-14 | 北京智精灵科技有限公司 | 基于模块化动态重构的多尺度脑网络分析方法及系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117635559A (zh) * | 2023-11-28 | 2024-03-01 | 上海交通大学医学院附属瑞金医院 | 定位异常脑白质所连接灰质皮层的图像处理方法和系统 |
| CN117635559B (zh) * | 2023-11-28 | 2024-04-30 | 上海交通大学医学院附属瑞金医院 | 定位异常脑白质所连接灰质皮层的图像处理方法和系统 |
| CN117316293A (zh) * | 2023-11-30 | 2023-12-29 | 北京师范大学 | 基于神经影像的脑网络结构与功能耦合方法及装置 |
| CN117316293B (zh) * | 2023-11-30 | 2024-04-19 | 北京师范大学 | 基于神经影像的脑网络结构与功能耦合方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116630331B (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116630331B (zh) | 静息态功能脑网络的图像处理方法及装置 | |
| CN110390351B (zh) | 一种基于深度学习的致痫灶三维自动定位系统 | |
| EP3916674A1 (en) | Brain image segmentation method, apparatus, network device and storage medium | |
| CN106530295A (zh) | 一种视网膜病变的眼底图像分类方法和装置 | |
| Zhang et al. | Automatic assessment of full left ventricular coverage in cardiac cine magnetic resonance imaging with fisher-discriminative 3-D CNN | |
| WO2021212715A1 (zh) | 精神分裂症分类识别方法、运行控制装置及医疗设备 | |
| CN117115045B (zh) | 基于互联网生成式人工智能提升医学影像数据质量的方法 | |
| CN113724206B (zh) | 一种基于自监督学习的眼底图像血管分割方法及系统 | |
| CN112862022A (zh) | 一种计算非增强ct的aspects评分方法 | |
| CN115049629A (zh) | 基于线图扩展的多模态脑超图注意力网络的分类方法 | |
| CN112515653B (zh) | 一种基于核磁共振图像的脑网络构建方法 | |
| CN113786186A (zh) | 基于模块化动态重构的多尺度脑网络分析方法及系统 | |
| CN110728666A (zh) | 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统 | |
| CN113822845A (zh) | 医学图像中组织结构的层级分割方法、装置、设备及介质 | |
| CN114005514B (zh) | 医学影像诊断方法、系统及装置 | |
| CN111523617A (zh) | 基于白质融合特征图和残差注意力网络的癫痫检测系统 | |
| CN114926396A (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
| CN114119354A (zh) | 医学图像配准训练及使用方法、系统及装置 | |
| CN111613321A (zh) | 一种基于密集卷积神经网络的心电图卒中辅助诊断方法 | |
| CN113643263B (zh) | 一种上肢骨定位与前臂骨融合畸形的识别方法及系统 | |
| CN113100780B (zh) | 同步脑电-功能磁共振数据的自动化处理方法 | |
| CN114494132A (zh) | 基于深度学习和纤维束空间统计分析的疾病分类系统 | |
| CN112767404A (zh) | 基于分布式生成对抗网络的医学图像分割方法及系统 | |
| CN115251889B (zh) | 一种功能磁共振影像动态连接网络特征描述方法 | |
| CN114841976A (zh) | 一种基于多尺度训练策略的前列腺肿瘤分类方法和系统 |
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 |