CN116664578A - 脑血流和脑功能之间的跨模态耦合图像处理方法及装置 - Google Patents

脑血流和脑功能之间的跨模态耦合图像处理方法及装置 Download PDF

Info

Publication number
CN116664578A
CN116664578A CN202310952617.2A CN202310952617A CN116664578A CN 116664578 A CN116664578 A CN 116664578A CN 202310952617 A CN202310952617 A CN 202310952617A CN 116664578 A CN116664578 A CN 116664578A
Authority
CN
China
Prior art keywords
brain
voxel
fcs
cbf
zcbf
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
CN202310952617.2A
Other languages
English (en)
Other versions
CN116664578B (zh
Inventor
马国林
刘冰
杨奡偲
栾继昕
吕宽
胡翩翩
黄伟杰
舒妮
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.)
China Japan Friendship Hospital
Original Assignee
China Japan Friendship 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 China Japan Friendship Hospital filed Critical China Japan Friendship Hospital
Priority to CN202310952617.2A priority Critical patent/CN116664578B/zh
Publication of CN116664578A publication Critical patent/CN116664578A/zh
Application granted granted Critical
Publication of CN116664578B publication Critical patent/CN116664578B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/026—Measuring blood flow
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • 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
    • G06T7/30—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
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • 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
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Hematology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

脑血流和脑功能之间的跨模态耦合图像处理方法及装置，使用灌注软件根据ASL数据计算脑血流图，使用DPABI中的标准流程对rs‑fMRI数据进行预处理，通过计算大脑灰质mask内所有体素两两之间时间序列的Pearson相关系数，获得每个受试者整个大脑灰质的FC矩阵，为定量评估zCBF和zFCS之间的关系，对每个受试者在整个大脑灰质范围内进行跨体素的相关性分析，为评估单位连接强度的血供量，计算大脑灰质mask内每个体素的CBF/FCS比值，因此能够通过CBF‑FCS的相关分析，探索脑血流和脑功能之间的跨模态耦合，扩展对PRL在协调脑功能和代谢方面的理解，间接检测HPRL可能存在的神经血管耦合改变。

Description

脑血流和脑功能之间的跨模态耦合图像处理方法及装置
技术领域
本发明涉及医学图像处理的技术领域，尤其涉及一种脑血流和脑功能之间的跨模态耦合图像处理方法，以及脑血流和脑功能之间的跨模态耦合图像处理装置。
背景技术
利用先进的多模态MRI技术，如血氧水平依赖（blood-oxygen-level dependent,BOLD）的rs-fMRI和ASL，可以为HPRL提供重要的病理生理信息。其中，基于ASL的CBF在静息态下能够反映脑内的基本血流灌注情况，与脑的正常功能、葡萄糖代谢和氧耗等密切相关，是代表脑代谢水平的重要生物标志物；而基于rs-fMRI的FC则通过测量脑区间BOLD信号低频波动的时间相关性，以反映大脑的内在功能组织特性。既往有rs-fMRI研究发现，泌乳素瘤患者在左侧丘脑与视觉皮质及其相关区域，左侧SMA与右侧舌回之间表现出FC增加。然而，现阶段鲜有基于ASL的HPRL相关CBF研究。
正常状态下，脑的大部分能量用于支持自发脑活动。神经血管耦合假说认为，拥有更强连接的脑区往往具有更高的自发神经元活动和更高的代谢需求，从而导致灌注增加。在健康受试者中，更高程度的FC被证实与葡萄糖代谢（能量消耗）的增加有关。基于此，已有研究发现CBF与FC相关，并使用跨体素的CBF-FCS相关性和CBF/FCS比值来表征脑血管反应和神经元活动之间的耦合。对于个体而言，跨体素CBF-FCS的相关性反映了整个灰质层面CBF和FCS空间分布的一致性；CBF/FCS比值则测量每单位连接强度的血液供应量，反映特定体素或区域的神经血管耦合。因此，跨体素CBF-FCS相关性和CBF/FCS比值有利于识别无法通过单独研究CBF和FCS来检测的神经血管耦合变化。已有研究在健康衰老的人群中，以及广泛性焦虑症、威尔逊病、原发性开角型青光眼和精神分裂症等疾病中发现CBF-FCS耦合异常。但目前仍缺乏对HPRL的神经血管耦合研究。在PRL紊乱背景下，脑CBF和神经活动之间是否发生解耦仍不清楚。
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脑血流和脑功能之间的跨模态耦合图像处理方法，其能够通过CBF-FCS的相关分析，探索脑血流和脑功能之间的跨模态耦合，扩展对PRL在协调脑功能和代谢方面的理解，间接检测HPRL可能存在的神经血管耦合改变。
本发明的技术方案是：这种脑血流和脑功能之间的跨模态耦合图像处理方法，在大脑灰质范围内计算跨体素的CBF-FCS相关系数，并对HPRL患者和HC的CBF/FCS比值、CBF和FCS进行体素水平的分析，包括以下步骤：
（1）使用GE Functool灌注软件根据ASL数据计算脑血流图；
（2）使用DPABI中的标准流程对rs-fMRI数据进行预处理；
（3）通过计算大脑灰质mask内所有体素两两之间BOLD时间序列的Pearson相关系数，获得每个受试者整个大脑灰质的FC矩阵；
（4）为定量评估zCBF和zFCS之间的关系，对每个受试者在整个大脑灰质范围内进行跨体素的相关性分析，基于以下公式估计跨体素zCBF-zFCS相关分析的df eff ：
，
其中是单个体素3mm×3mm×3mm的体积大小，是用于分析的体素数量，＝48539；FWHMx×FWHMy×FWHMz是使用REST软件中的rp_Smoothest估计的zCBF和zFCS图的平均空间平滑度；
（5）为评估单位连接强度的血供量，计算大脑灰质mask内每个体素的CBF/FCS比值，二者的比值使用未经z分数标准化的原始值计算，将每个受试者每个体素的CBF/FCS比进一步转换为z分数，zCBF/FCS比值，以增强正态性。
本发明使用GE Functool灌注软件根据ASL数据计算脑血流图，使用DPABI中的标准流程对rs-fMRI数据进行预处理，通过计算大脑灰质mask内所有体素两两之间BOLD时间序列的Pearson相关系数，获得每个受试者整个大脑灰质的FC矩阵，为定量评估zCBF和zFCS之间的关系，对每个受试者在整个大脑灰质范围内进行跨体素的相关性分析，为评估单位连接强度的血供量，计算大脑灰质mask内每个体素的CBF/FCS比值，二者的比值使用未经z分数标准化的原始值计算，将每个受试者每个体素的CBF/FCS比进一步转换为z分数，zCBF/FCS比值，以增强正态性，因此能够通过CBF-FCS的相关分析，探索脑血流和脑功能之间的跨模态耦合，扩展对PRL在协调脑功能和代谢方面的理解，间接检测HPRL可能存在的神经血管耦合改变。
还提供了一种脑血流和脑功能之间的跨模态耦合图像处理装置，其包括：
计算模块，其配置来使用GE Functool灌注软件根据ASL数据计算脑血流图；
预处理模块，其配置来使用DPABI中的标准流程对rs-fMRI数据进行预处理；
矩阵获取模块，其配置来通过计算大脑灰质mask内所有体素两两之间BOLD时间序列的Pearson相关系数，获得每个受试者整个大脑灰质的FC矩阵；
定量评估模块，其配置来为定量评估zCBF和zFCS之间的关系，对每个受试者在整个大脑灰质范围内进行跨体素的相关性分析，基于以下公式估计跨体素zCBF-zFCS相关分析的df eff ：
，
其中是单个体素3mm×3mm×3mm的体积大小，是用于分析的体素数量，＝48539；FWHMx×FWHMy×FWHMz是使用REST软件中的rp_Smoothest估计的zCBF和zFCS图的平均空间平滑度；
血供量模块，其配置来评估单位连接强度的血供量，计算大脑灰质mask内每个体素的CBF/FCS比值，二者的比值使用未经z分数标准化的原始值计算，将每个受试者每个体素的CBF/FCS比进一步转换为z分数，zCBF/FCS比值，以增强正态性。
附图说明
图1示出了根据本发明的脑血流和脑功能之间的跨模态耦合图像处理方法的流程图。
具体实施方式
如图1所示，这种脑血流和脑功能之间的跨模态耦合图像处理方法，在大脑灰质范围内计算跨体素的CBF-FCS相关系数，并对HPRL患者和HC的CBF/FCS比值、CBF和FCS进行体素水平的分析，包括以下步骤：
（1）使用GE Functool灌注软件根据ASL数据计算脑血流图；
（2）使用DPABI中的标准流程对rs-fMRI数据进行预处理；
（3）通过计算大脑灰质mask内所有体素两两之间BOLD时间序列的Pearson相关系数，获得每个受试者整个大脑灰质的FC矩阵；
（4）为定量评估zCBF和zFCS之间的关系，对每个受试者在整个大脑灰质范围内进行跨体素的相关性分析，基于以下公式估计跨体素zCBF-zFCS相关分析的df eff ：
，
其中是单个体素3mm×3mm×3mm的体积大小，是用于分析的体素数量，＝48539；FWHMx×FWHMy×FWHMz是使用REST软件中的rp_Smoothest估计的zCBF和zFCS图的平均空间平滑度；
（5）为评估单位连接强度的血供量，计算大脑灰质mask内每个体素的CBF/FCS比值，二者的比值使用未经z分数标准化的原始值计算，将每个受试者每个体素的CBF/FCS比进一步转换为z分数，zCBF/FCS比值，以增强正态性。
本发明使用GE Functool灌注软件根据ASL数据计算脑血流图，使用DPABI中的标准流程对rs-fMRI数据进行预处理，通过计算大脑灰质mask内所有体素两两之间BOLD时间序列的Pearson相关系数，获得每个受试者整个大脑灰质的FC矩阵，为定量评估zCBF和zFCS之间的关系，对每个受试者在整个大脑灰质范围内进行跨体素的相关性分析，为评估单位连接强度的血供量，计算大脑灰质mask内每个体素的CBF/FCS比值，二者的比值使用未经z分数标准化的原始值计算，将每个受试者每个体素的CBF/FCS比进一步转换为z分数，zCBF/FCS比值，以增强正态性，因此能够通过CBF-FCS的相关分析，探索脑血流和脑功能之间的跨模态耦合，扩展对PRL在协调脑功能和代谢方面的理解，间接检测HPRL可能存在的神经血管耦合改变。
优选地，所述步骤（1）中，从对比图像中减去标记图像后，使用单室模型从ASL差异图像和质子密度加权参考图像中生成CBF图；原始空间的个体CBF图像在SPM8中直接共配准至PET灌注模板，并空间标准化至MNI空间；将空间标准化的CBF图重采样为各向同性的3mm×3mm×3mm体素大小，并去除非脑组织；为便于受试者之间的平均和比较，应用大脑灰质掩膜mask将个体CBF图通过减去mask内的全局平均值并除以标准差的方法进一步标准化至z分数，得到zCBF图；最后，采用6 mm×6 mm×6 mm FWHM高斯核对zCBF图进行空间平滑处理。
优选地，所述步骤（2）中，首先，去除前10个时间点，然后对剩余230个时间点进行层间时间校正和头动校正；排除头部运动旋转超过3°和/或平移3 mm的受试者；然后，回归协变量，将个体T1加权解剖像与其平均fMRI图像共配准，分割并非线性标准化到MNI空间，在0.01–0.08Hz的频率范围内进行带通滤波；最后，滤波后的fMRI图像也使用上述变换在空间上标准化至MNI空间，并重采样为3mm×3mm×3mm体素大小。
优选地，所述步骤（3）中，将分析限制在高于0.2阈值的正相关性FC中，以消除可能由背景噪声引起的弱相关性，低于0.2的体素-体素FC被设置为0，对于给定的体素x0, FCS等于x0与大脑灰质mask内所有剩余体素之间的FC的平均值；对于每个受试者，FCS图通过减去大脑灰质mask内的全局平均值并除以标准差的方法进一步标准化为z分数，得到zFCS图，并同样采用使用6 mm×6 mm×6 mm FWHM高斯核进行空间平滑。
优选地，所述步骤（4）中，由公式计算得到跨体素相关性的df eff 为463，每个受试者都有一个zCBF-zFCS相关系数值，反映CBF和FCS在整个大脑灰质水平上空间分布的一致性，使用双样本t检验比较HPRL患者和HC之间zCBF-zFCS相关系数的组间差异，df eff 用来校正zCBF-zFCS相关系数的p值，校正后的p＜0.05被认为具有统计学意义。
优选地，所述步骤（5）中，于SPM8中，在体素水平上进行大脑灰质zCBF/FCS比值的组间比较，使用双样本t检验构建GLM并以年龄、性别和受教育程度作为协变量；在DPABI工具箱中基于GRF理论，体素水平p<0.001，团块水平p<0.05，双尾，团块大小≥10体素，进行多重比较校正；对于每个受试者，提取每个具有显著组间差异的团块的平均zCBF/FCS比值，并用于基于ROI的分析；采用Pearson或Spearman相关分析来检验每个显著ROI的zCBF/ FCS比值与临床变量之间的关联，采用Bonferroni方法校正多重比较。
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脑血流和脑功能之间的跨模态耦合图像处理装置，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：
计算模块，其配置来使用GE Functool灌注软件根据ASL数据计算脑血流图；
预处理模块，其配置来使用DPABI中的标准流程对rs-fMRI数据进行预处理；
矩阵获取模块，其配置来通过计算大脑灰质mask内所有体素两两之间BOLD时间序列的Pearson相关系数，获得每个受试者整个大脑灰质的FC矩阵；
定量评估模块，其配置来为定量评估zCBF和zFCS之间的关系，对每个受试者在整个大脑灰质范围内进行跨体素的相关性分析，基于以下公式估计跨体素zCBF-zFCS相关分析的df eff ：
，
其中是单个体素3mm×3mm×3mm的体积大小，是用于分析的体素数量，＝48539；FWHMx×FWHMy×FWHMz是使用REST软件中的rp_Smoothest估计的zCBF和zFCS图的平均空间平滑度；
血供量模块，其配置来评估单位连接强度的血供量，计算大脑灰质mask内每个体素的CBF/FCS比值，二者的比值使用未经z分数标准化的原始值计算，将每个受试者每个体素的CBF/FCS比进一步转换为z分数，zCBF/FCS比值，以增强正态性。
优选地，所述计算模块中，从对比图像中减去标记图像后，使用单室模型从ASL差异图像和质子密度加权参考图像中生成CBF图；原始空间的个体CBF图像在SPM8中直接共配准至PET灌注模板，并空间标准化至MNI空间；将空间标准化的CBF图重采样为各向同性的3mm×3mm×3mm体素大小，并去除非脑组织；为便于受试者之间的平均和比较，应用大脑灰质掩膜mask将个体CBF图通过减去mask内的全局平均值并除以标准差的方法进一步标准化至z分数，得到zCBF图；最后，采用6 mm×6 mm×6 mm FWHM高斯核对zCBF图进行空间平滑处理。
优选地，所述预处理模块中，首先，去除前10个时间点，然后对剩余230个时间点进行层间时间校正和头动校正；排除头部运动旋转超过3°和/或平移3 mm的受试者；然后，回归协变量，将个体T1加权解剖像与其平均fMRI图像共配准，分割并非线性标准化到MNI空间，在0.01–0.08Hz的频率范围内进行带通滤波；最后，滤波后的fMRI图像也使用上述变换在空间上标准化至MNI空间，并重采样为3mm×3mm×3mm体素大小。
优选地，所述矩阵获取模块中，将分析限制在高于0.2阈值的正相关性FC中，以消除可能由背景噪声引起的弱相关性，低于0.2的体素-体素FC被设置为0，对于给定的体素x0, FCS等于x0与大脑灰质mask内所有剩余体素之间的FC的平均值；对于每个受试者，FCS图通过减去大脑灰质mask内的全局平均值并除以标准差的方法进一步标准化为z分数，得到zFCS图，并同样采用使用6 mm×6 mm×6 mm FWHM高斯核进行空间平滑。
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 (10)

1.脑血流和脑功能之间的跨模态耦合图像处理方法，其特征在于：在大脑灰质范围内计算跨体素的CBF-FCS相关系数，并对HPRL患者和HC的CBF/FCS比值、CBF和FCS进行体素水平的分析，包括以下步骤：
（1）使用GE Functool灌注软件根据ASL数据计算脑血流图；
（2）使用DPABI中的标准流程对rs-fMRI数据进行预处理；
（3）通过计算大脑灰质mask内所有体素两两之间BOLD时间序列的Pearson相关系数，获得每个受试者整个大脑灰质的FC矩阵；
（4）为定量评估zCBF和zFCS之间的关系，对每个受试者在整个大脑灰质范围内进行跨体素的相关性分析，基于以下公式估计跨体素zCBF-zFCS相关分析的df eff ：
，
其中是单个体素3mm×3mm×3mm的体积大小，是用于分析的体素数量，＝48539；FWHMx×FWHMy×FWHMz是使用REST软件中的rp_Smoothest估计的zCBF和zFCS图的平均空间平滑度；
（5）为评估单位连接强度的血供量，计算大脑灰质mask内每个体素的CBF/FCS比值，二者的比值使用未经z分数标准化的原始值计算，将每个受试者每个体素的CBF/FCS比进一步转换为z分数，zCBF/FCS比值，以增强正态性。
2.根据权利要求1所述的脑血流和脑功能之间的跨模态耦合图像处理方法，其特征在于：所述步骤（1）中，从对比图像中减去标记图像后，使用单室模型从ASL差异图像和质子密度加权参考图像中生成CBF图；原始空间的个体CBF图像在SPM8中直接共配准至PET灌注模板，并空间标准化至MNI空间；将空间标准化的CBF图重采样为各向同性的3mm×3mm×3mm体素大小，并去除非脑组织；为便于受试者之间的平均和比较，应用大脑灰质掩膜mask将个体CBF图通过减去mask内的全局平均值并除以标准差的方法进一步标准化至z分数，得到zCBF图；最后，采用6 mm×6 mm×6 mm FWHM高斯核对zCBF图进行空间平滑处理。
3.根据权利要求2所述的脑血流和脑功能之间的跨模态耦合图像处理方法，其特征在于：所述步骤（2）中，首先，去除前10个时间点，然后对剩余230个时间点进行层间时间校正和头动校正；排除头部运动旋转超过3°和/或平移3 mm的受试者；然后，回归协变量，将个体T1加权解剖像与其平均fMRI图像共配准，分割并非线性标准化到MNI空间，在0.01–0.08Hz的频率范围内进行带通滤波；最后，滤波后的fMRI图像也使用上述变换在空间上标准化至MNI空间，并重采样为3mm×3mm×3mm体素大小。
4.根据权利要求3所述的脑血流和脑功能之间的跨模态耦合图像处理方法，其特征在于：所述步骤（3）中，将分析限制在高于0.2阈值的正相关性FC中，以消除可能由背景噪声引起的弱相关性，低于0.2的体素-体素FC被设置为0，对于给定的体素x0, FCS等于x0与大脑灰质mask内所有剩余体素之间的FC的平均值；对于每个受试者，FCS图通过减去大脑灰质mask内的全局平均值并除以标准差的方法进一步标准化为z分数，得到zFCS图，并同样采用使用6 mm×6 mm×6 mm FWHM高斯核进行空间平滑。
5.根据权利要求4所述的脑血流和脑功能之间的跨模态耦合图像处理方法，其特征在于：所述步骤（4）中，由公式计算得到跨体素相关性的df eff 为463，每个受试者都有一个zCBF-zFCS相关系数值，反映CBF和FCS在整个大脑灰质水平上空间分布的一致性，使用双样本t检验比较HPRL患者和HC之间zCBF-zFCS相关系数的组间差异，df eff 用来校正zCBF-zFCS相关系数的p值，校正后的p＜0.05被认为具有统计学意义。
6.根据权利要求5所述的脑血流和脑功能之间的跨模态耦合图像处理方法，其特征在于：所述步骤（5）中，于SPM8中，在体素水平上进行大脑灰质zCBF/FCS比值的组间比较，使用双样本t检验构建GLM并以年龄、性别和受教育程度作为协变量；在DPABI工具箱中基于GRF理论，体素水平p<0.001，团块水平p<0.05，双尾，团块大小≥10体素，进行多重比较校正；对于每个受试者，提取每个具有显著组间差异的团块的平均zCBF/FCS比值，并用于基于ROI的分析；采用Pearson或Spearman相关分析来检验每个显著ROI的zCBF/ FCS比值与临床变量之间的关联，采用Bonferroni方法校正多重比较。
7.脑血流和脑功能之间的跨模态耦合图像处理装置，其特征在于：其包括：
计算模块，其配置来使用GE Functool灌注软件根据ASL数据计算脑血流图；
预处理模块，其配置来使用DPABI中的标准流程对rs-fMRI数据进行预处理；
矩阵获取模块，其配置来通过计算大脑灰质mask内所有体素两两之间BOLD时间序列的Pearson相关系数，获得每个受试者整个大脑灰质的FC矩阵；
定量评估模块，其配置来为定量评估zCBF和zFCS之间的关系，对每个受试者在整个大脑灰质范围内进行跨体素的相关性分析，基于以下公式估计跨体素zCBF-zFCS相关分析的df eff ：
，
其中是单个体素3mm×3mm×3mm的体积大小，是用于分析的体素数量，＝48539；FWHMx×FWHMy×FWHMz是使用REST软件中的rp_Smoothest估计的zCBF和zFCS图的平均空间平滑度；
血供量模块，其配置来评估单位连接强度的血供量，计算大脑灰质mask内每个体素的CBF/FCS比值，二者的比值使用未经z分数标准化的原始值计算，将每个受试者每个体素的CBF/FCS比进一步转换为z分数，zCBF/FCS比值，以增强正态性。
8.根据权利要求7所述的脑血流和脑功能之间的跨模态耦合图像处理装置，其特征在于：所述计算模块中，从对比图像中减去标记图像后，使用单室模型从ASL差异图像和质子密度加权参考图像中生成CBF图；原始空间的个体CBF图像在SPM8中直接共配准至PET灌注模板，并空间标准化至MNI空间；将空间标准化的CBF图重采样为各向同性的3mm×3mm×3mm体素大小，并去除非脑组织；为便于受试者之间的平均和比较，应用大脑灰质掩膜mask将个体CBF图通过减去mask内的全局平均值并除以标准差的方法进一步标准化至z分数，得到zCBF图；最后，采用6 mm×6 mm×6 mm FWHM高斯核对zCBF图进行空间平滑处理。
9.根据权利要求8所述的脑血流和脑功能之间的跨模态耦合图像处理装置，其特征在于：所述预处理模块中，首先，去除前10个时间点，然后对剩余230个时间点进行层间时间校正和头动校正；排除头部运动旋转超过3°和/或平移3 mm的受试者；然后，回归协变量，将个体T1加权解剖像与其平均fMRI图像共配准，分割并非线性标准化到MNI空间，在0.01–0.08Hz的频率范围内进行带通滤波；最后，滤波后的fMRI图像也使用上述变换在空间上标准化至MNI空间，并重采样为3mm×3mm×3mm体素大小。
10.根据权利要求9所述的脑血流和脑功能之间的跨模态耦合图像处理装置，其特征在于：所述矩阵获取模块中，将分析限制在高于0.2阈值的正相关性FC中，以消除可能由背景噪声引起的弱相关性，低于0.2的体素-体素FC被设置为0，对于给定的体素x0, FCS等于x0与大脑灰质mask内所有剩余体素之间的FC的平均值；对于每个受试者，FCS图通过减去大脑灰质mask内的全局平均值并除以标准差的方法进一步标准化为z分数，得到zFCS图，并同样采用使用6 mm×6 mm×6 mm FWHM高斯核进行空间平滑。
CN202310952617.2A 2023-08-01 2023-08-01 脑血流和脑功能之间的跨模态耦合图像处理方法及装置 Active CN116664578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310952617.2A CN116664578B (zh) 2023-08-01 2023-08-01 脑血流和脑功能之间的跨模态耦合图像处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310952617.2A CN116664578B (zh) 2023-08-01 2023-08-01 脑血流和脑功能之间的跨模态耦合图像处理方法及装置

Publications (2)

Publication Number Publication Date
CN116664578A true CN116664578A (zh) 2023-08-29
CN116664578B CN116664578B (zh) 2023-10-13

Family

ID=87721048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310952617.2A Active CN116664578B (zh) 2023-08-01 2023-08-01 脑血流和脑功能之间的跨模态耦合图像处理方法及装置

Country Status (1)

Country Link
CN (1) CN116664578B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150932A (zh) * 2023-10-30 2023-12-01 浙江威格泵业有限公司 一种变频增压屏蔽泵的能效评价方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130317341A1 (en) * 2012-05-23 2013-11-28 jung diagnostics GmbH Method and system for processing mrt data of the human brain
CN114677345A (zh) * 2022-03-18 2022-06-28 兰州理工大学 青少年肌阵挛癫痫多脑区共激活模式研究方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130317341A1 (en) * 2012-05-23 2013-11-28 jung diagnostics GmbH Method and system for processing mrt data of the human brain
CN114677345A (zh) * 2022-03-18 2022-06-28 兰州理工大学 青少年肌阵挛癫痫多脑区共激活模式研究方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张坤龙;李维帅;孙洪赞;?剑非;郑东明;: "轻度阿尔茨海默病脑血流灌注和脑灰质体积的改变", 中国临床医学影像杂志, no. 04, pages 7 - 11 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150932A (zh) * 2023-10-30 2023-12-01 浙江威格泵业有限公司 一种变频增压屏蔽泵的能效评价方法
CN117150932B (zh) * 2023-10-30 2024-01-26 浙江威格泵业有限公司 一种变频增压屏蔽泵的能效评价方法

Also Published As

Publication number Publication date
CN116664578B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
Bron et al. Standardized evaluation of algorithms for computer-aided diagnosis of dementia based on structural MRI: the CADDementia challenge
Hu et al. Volumetric analysis of medial temporal lobe structures in brain development from childhood to adolescence
US8280482B2 (en) Method and apparatus for evaluating regional changes in three-dimensional tomographic images
Backhausen et al. Best practices in structural neuroimaging of neurodevelopmental disorders
WO2007023522A1 (ja) 脳疾患の診断支援方法及び装置
WO2005023086B1 (en) Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surgical planning
CN111753833A (zh) 基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法
CN116664578B (zh) 脑血流和脑功能之间的跨模态耦合图像处理方法及装置
CN110322554B (zh) 一种脑动态功能模式稳定性计算方法
CN115299878A (zh) 一种具有疾病特异性的人脑衰老评估方法及系统
Kundu et al. Estimating dynamic brain functional networks using multi-subject fMRI data
CN116051545B (zh) 一种双模态影像的脑龄预测方法
CN115337000B (zh) 基于脑结构影像评估疾病引起大脑衰老的机器学习方法
Combes et al. Advanced spinal cord MRI in multiple sclerosis: Current techniques and future directions
CN115170540A (zh) 一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法
CN113222915A (zh) 基于多模态磁共振影像组学的pd诊断模型的建立方法
CN114847922A (zh) 一种基于纤维束自动识别的脑年龄预测方法
Yun et al. Quantification of sulcal emergence timing and its variability in early fetal life: hemispheric asymmetry and sex difference
Dinov et al. A wavelet-based statistical analysis of fmri data: I. motivation and data distribution modeling
Wang et al. Semi-automatic segmentation of the fetal brain from magnetic resonance imaging
Crowley et al. Reliability and utility of manual and automated estimates of total intracranial volume
CN113545751A (zh) 基于机器学习的Rolandic癫痫儿童的脑龄评估方法
Harting et al. Age-appropriate or delayed myelination? Scoring myelination in routine clinical MRI
CN117838089A (zh) 基于磁共振成像的大脑海马体分析方法、系统及电子设备
Liu et al. Brain age predicted using graph convolutional neural network explains developmental trajectory in preterm neonates

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