CN117315425B - 一种多模态磁共振影像的融合方法及系统 - Google Patents

一种多模态磁共振影像的融合方法及系统 Download PDF

Info

Publication number
CN117315425B
CN117315425B CN202311319649.5A CN202311319649A CN117315425B CN 117315425 B CN117315425 B CN 117315425B CN 202311319649 A CN202311319649 A CN 202311319649A CN 117315425 B CN117315425 B CN 117315425B
Authority
CN
China
Prior art keywords
magnetic resonance
image
data
image data
functional
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
Application number
CN202311319649.5A
Other languages
English (en)
Other versions
CN117315425A (zh
Inventor
吴桂香
周倩
姚瑜
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.)
Wuxi Fifth Peoples Hospital
Original Assignee
Wuxi Fifth Peoples 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 Wuxi Fifth Peoples Hospital filed Critical Wuxi Fifth Peoples Hospital
Priority to CN202311319649.5A priority Critical patent/CN117315425B/zh
Publication of CN117315425A publication Critical patent/CN117315425A/zh
Application granted granted Critical
Publication of CN117315425B publication Critical patent/CN117315425B/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
    • A61B5/05—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Abstract

本发明涉及磁共振影像融合技术领域，尤其涉及一种多模态磁共振影像的融合方法及系统。所述方法包括以下步骤：利用核磁共振影像设备对用户进行结构性磁共振影像数据采集，生成结构性磁共振影像数据；基于激发音频信号以及核磁共振影像设备对用户进行功能性磁共振动态影像数据采集，生成功能性磁共振动态影像数据；对功能性磁共振动态影像数据进行预测处理，生成功能性特征影像数据；将结构性磁共振影像数据以及功能性特征影像数据进行多模态磁共振影像融合校正，生成多模态磁共振影像融合数据；对多模态磁共振影像融合数据进行多模态磁共振影像的动态仿真演化，生成多模态磁共振演化影像数据。本发明能够获得更清晰的多模态磁共振影像。

Description

一种多模态磁共振影像的融合方法及系统
技术领域
本发明涉及磁共振影像融合技术领域，尤其涉及一种多模态磁共振影像的融合方法及系统。
背景技术
多模态磁共振影像的融合方法是一种将来自不同磁共振成像模态的信息整合为一个综合性影像的过程。这通常包括图像注册，以确保不同模态的图像在空间上对齐，然后通过各种数学和统计技术，如加权平均、特征提取、卷积神经网络等，将这些模态的信息结合起来，以提高影像的对比度、准确性和丰富性。然而，传统的多模态磁共振影像的融合方法对多模态的磁共振影像融合的精度较低，并且对于多模态磁共振影像的演化数据可能出现动态模糊，使得多模态磁共振影像的融合效果较差。
发明内容
基于此，本发明提供一种多模态磁共振影像的融合方法及系统，以解决至少一个上述技术问题。
为实现上述目的，一种多模态磁共振影像的融合方法，包括以下步骤：
步骤S1：利用核磁共振影像设备对用户进行三维磁共振原子核电信号采集，生成三维磁共振原子核信号；利用傅里叶变换数据将三维磁共振原子核信号进行影像域数据转换，生成结构性磁共振影像数据；
步骤S2：获取激发音频信号；基于激发音频信号以及核磁共振影像设备对用户进行功能性磁共振动态影像数据采集，生成功能性磁共振动态影像数据；将激发音频信号以及功能性磁共振动态影像数据进行对应时间序列的数据整合，生成动态音频-影像数据；利用卷积神经网络算法以及动态音频-影像数据进行音频动态强度以及功能性磁共振动态影像的关系模型构建，生成特征影像预测模型；根据激发音频信号以及特征影像预测模型进行功能性磁共振特征影像预测处理，生成功能性特征影像数据；
步骤S3：根据结构性影像格式数据对功能性特征影像数据进行影像格式调节，生成标准功能性特征影像数据；对结构性磁共振影像数据进行匹配节点标记处理，生成结构性影像匹配节点；根据结构性影像匹配节点对标准功能性特征影像数据的影像节点进行节点标记，生成功能性影像匹配节点；将结构性磁共振影像数据以及标准功能性特征影像数据进行多模态磁共振影像初步融合，生成初步多模态磁共振影像融合数据；根据结构性影像匹配节点以及功能性影像匹配节点对初步融合磁共振影像数据进行多模态磁共振影像融合校正，生成多模态磁共振影像融合数据；
步骤S4：根据多模态磁共振影像融合数据进行多模态磁共振影像的三维影像模型构建，生成三维影像模型；将特征影像预测模型以及三维影像模型进行多模态磁共振影像演化的映射连接，从而生成多模态磁共振影像演化模型；对多模态磁共振影像演化模型进行多模态磁共振影像的动态仿真演化，生成多模态磁共振演化影像数据。
本发明利用核磁共振(MRI)影像设备对用户进行三维磁共振原子核电信号的采集，通过放置用户在MRI机器中，使用强大的磁场和无害的无线电波来获取关于用户体内组织的详细信息，采集过程是非侵入性的，不会暴露用户于放射线或有害辐射，得到的三维磁共振原子核信号经过傅里叶变换数据处理步骤，将原始信号转换为影像域数据，将复杂的原始信号转化为易于解释和处理的图像数据，傅里叶变换帮助将信号从频域(复杂的波形)转换为空间域(图像)，这样医生和研究人员可以更好地理解人体内部的结构，生成结构性磁共振影像数据，这些数据以图像的形式呈现了用户体内的组织结构。获取激发音频信号，这个音频信号通常用于激发用户大脑或特定组织的活动，激发音频信号的设计是关键的，因为它将对后续的功能性磁共振数据采集产生影响。核磁共振影像设备利用激发音频信号对用户进行功能性磁共振动态影像数据采集，通过同时记录大脑或组织的活动和激发音频信号，可以获得有关生理过程的信息。激发音频信号与功能性磁共振动态影像数据按照时间序列进行整合，将音频信号与相应的时间点上的影像数据相匹配，创建了一个时间同步的数据集，即动态音频-影像数据，允许将声音与磁共振数据的特定时间点相关联。采用卷积神经网络(CNN)算法以及动态音频-影像数据构建音频动态强度以及功能性磁共振动态影像的关系模型，即特征影像预测模型，这个模型能够学习音频信号与功能性影像之间的复杂关系，反映出用户的生理状态和大脑功能。基于激发音频信号以及特征影像预测模型进行功能性磁共振特征影像预测处理，生成功能性特征影像数据，这些功能性特征影像数据可以提供有关用户生理状态和脑功能的信息，而不仅仅是静态的解剖结构。根据结构性影像格式数据对功能性特征影像数据进行影像格式调节，确保不同类型的影像数据具有相同的格式和分辨率，以便进行后续的匹配和融合，有助于消除数据间的不一致性，使它们可以更容易地进行比较和整合。对结构性磁共振影像数据进行匹配节点标记处理，生成结构性影像匹配节点，在结构性影像中标记出特定的解剖结构或区域，这些标记可以用于后续的匹配过程，例如标记出大脑的不同区域或特定的组织结构。根据结构性影像匹配节点对标准功能性特征影像数据的影像节点进行节点标记，生成功能性影像匹配节点，将结构性信息与功能性信息相关联，确保在融合过程中可以将相应的结构与功能性特征正确匹配。将结构性磁共振影像数据与标准功能性特征影像数据进行多模态磁共振影像初步融合，生成初步多模态磁共振影像融合数据，将不同类型的影像数据结合起来，产生了一个包含更多信息的复合影像，有助于更全面地理解用户的生理状态。根据结构性影像匹配节点以及功能性影像匹配节点对初步融合磁共振影像数据进行多模态磁共振影像融合校正，生成多模态磁共振影像融合数据，确保了不同数据源之间的准确对齐，产生了更精确和可靠的多模态磁共振影像。根据多模态磁共振影像融合数据进行多模态磁共振影像的三维影像模型构建，生成三维影像模型，将不同类型的融合数据整合成一个三维模型，其中包含了多种影像模态的信息。这个三维模型提供了一种更全面、更综合的方式来可视化用户的解剖结构和功能性特征。将特征影像预测模型与三维影像模型进行映射连接，用于多模态磁共振影像的演化模型构建，从而将功能性磁共振影像的动态信息与三维结构相对应，从而建立了一个关于用户生理状态和功能的演化模型。对多模态磁共振影像演化模型进行多模态磁共振影像的动态仿真演化，可以模拟不同时间点的多模态磁共振影像，观察生理过程的变化和演化。因此，本发明的多模态磁共振影像的融合方法对多模态的磁共振影像融合的精度较高，并且对于多模态磁共振影像的演化数据进行优化，使得多模态磁共振影像的融合效果优异。
本申请有益效果在于，本发明通过核磁共振影像设备采集磁共振原子核电信号，然后进行三维空间定位和傅里叶变换数据处理，生成高质量的结构性磁共振影像数据，这一过程具有非侵入性，能够为医学和科学研究提供详细的人体解剖结构信息，有助于理解大脑、器官和组织的内部结构和功能，从而为医学诊断、疾病研究以及神经科学等领域的进展提供了关键的工具和信息，有助于科学家深入探索生物医学和神经科学领域的未知领域，推动了医学和科学的进步。通过获取激发音频信号并与核磁共振影像设备采集的功能性磁共振动态影像数据相结合，实现了多模态数据的整合，通过对功能性磁共振动态影像数据进行运动伪影校正，生成校正动态影像数据，提高了图像质量和准确性，构建音频动态强度以及功能性磁共振动态影像的关系模型，这一模型可以用于功能性磁共振特征影像的预测处理，进一步生成功能性特征影像数据，用于分析和理解用户的大脑或其他组织的功能，有助于研究神经科学，为磁共振影像分析提供了数据基础。在多模态磁共振影像处理过程中，通过一系列精密的数据处理和匹配技术，实现了结构性磁共振影像和功能性特征影像的高度集成和融合。将结构性磁共振影像数据格式化并调整，提高了数据的一致性和可比性，对结构性磁共振影像数据进行匹配节点标记和节点匹配程度计算，进一步精确地关联了结构性和功能性信息，通过节点匹配程度数据对标准功能性特征影像数据的影像节点进行标记，增强了结构与功能的对应关系，将结构性磁共振影像数据与标准功能性特征影像数据进行初步融合，将多模态信息整合为一体，通过结构性影像匹配节点和功能性影像匹配节点进行多模态磁共振影像融合校正，提高了融合数据的质量和准确性，提供了全面的多模态磁共振影像数据，有助于研究和理解用户的生物组织结构和功能，推动了医学影像领域的进步和发展。多模态磁共振影像的仿真演化，实现了全面的多维度信息整合和可视化呈现，通过多模态磁共振影像融合数据构建了多模态磁共振影像的三维影像模型，将不同模态的信息融合为一个统一的三维模型，有助于更好地理解用户的解剖结构和生物组织分布，将特征影像预测模型与三维影像模型相连接，生成了多模态磁共振影像演化模型，这一模型能够动态地模拟不同激发音频信号下多模态磁共振影像的演化情况，提供了时间序列数据的视觉呈现，通过测试激发音频信号的输入，并将其传输至多模态磁共振影像演化模型中，实现了多模态磁共振影像的动态仿真演化，生成了多模态磁共振演化影像数据，不仅有助于观察生物组织的功能性变化，为医学领域提供了丰富的磁共振相关信息，为医学影像和生物医学研究提供了更全面、高维度、多模态的数据支持，为医疗领域的发展提供更多可能性。
附图说明
图1为本发明一种多模态磁共振影像的融合方法的步骤流程示意图；
图2为图1中步骤S2的详细实施步骤流程示意图；
图3为图1中步骤S3的详细实施步骤流程示意图；
图4为图1中步骤S4的详细实施步骤流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图4，本发明提供一种多模态磁共振影像的融合方法，包括以下步骤：
基于此，本发明提供一种多模态磁共振影像的融合方法及系统，以解决至少一个上述技术问题。
为实现上述目的，一种多模态磁共振影像的融合方法，包括以下步骤：
步骤S1：利用核磁共振影像设备对用户进行三维磁共振原子核电信号采集，生成三维磁共振原子核信号；利用傅里叶变换数据将三维磁共振原子核信号进行影像域数据转换，生成结构性磁共振影像数据；
步骤S2：获取激发音频信号；基于激发音频信号以及核磁共振影像设备对用户进行功能性磁共振动态影像数据采集，生成功能性磁共振动态影像数据；将激发音频信号以及功能性磁共振动态影像数据进行对应时间序列的数据整合，生成动态音频-影像数据；利用卷积神经网络算法以及动态音频-影像数据进行音频动态强度以及功能性磁共振动态影像的关系模型构建，生成特征影像预测模型；根据激发音频信号以及特征影像预测模型进行功能性磁共振特征影像预测处理，生成功能性特征影像数据；
步骤S3：根据结构性影像格式数据对功能性特征影像数据进行影像格式调节，生成标准功能性特征影像数据；对结构性磁共振影像数据进行匹配节点标记处理，生成结构性影像匹配节点；根据结构性影像匹配节点对标准功能性特征影像数据的影像节点进行节点标记，生成功能性影像匹配节点；将结构性磁共振影像数据以及标准功能性特征影像数据进行多模态磁共振影像初步融合，生成初步多模态磁共振影像融合数据；根据结构性影像匹配节点以及功能性影像匹配节点对初步融合磁共振影像数据进行多模态磁共振影像融合校正，生成多模态磁共振影像融合数据；
步骤S4：根据多模态磁共振影像融合数据进行多模态磁共振影像的三维影像模型构建，生成三维影像模型；将特征影像预测模型以及三维影像模型进行多模态磁共振影像演化的映射连接，从而生成多模态磁共振影像演化模型；对多模态磁共振影像演化模型进行多模态磁共振影像的动态仿真演化，生成多模态磁共振演化影像数据。
本发明利用核磁共振(MRI)影像设备对用户进行三维磁共振原子核电信号的采集，通过放置用户在MRI机器中，使用强大的磁场和无害的无线电波来获取关于用户体内组织的详细信息，采集过程是非侵入性的，不会暴露用户于放射线或有害辐射，得到的三维磁共振原子核信号经过傅里叶变换数据处理步骤，将原始信号转换为影像域数据，将复杂的原始信号转化为易于解释和处理的图像数据，傅里叶变换帮助将信号从频域(复杂的波形)转换为空间域(图像)，这样医生和研究人员可以更好地理解人体内部的结构，生成结构性磁共振影像数据，这些数据以图像的形式呈现了用户体内的组织结构。获取激发音频信号，这个音频信号通常用于激发用户大脑或特定组织的活动，激发音频信号的设计是关键的，因为它将对后续的功能性磁共振数据采集产生影响。核磁共振影像设备利用激发音频信号对用户进行功能性磁共振动态影像数据采集，通过同时记录大脑或组织的活动和激发音频信号，可以获得有关生理过程的信息。激发音频信号与功能性磁共振动态影像数据按照时间序列进行整合，将音频信号与相应的时间点上的影像数据相匹配，创建了一个时间同步的数据集，即动态音频-影像数据，允许将声音与磁共振数据的特定时间点相关联。采用卷积神经网络(CNN)算法以及动态音频-影像数据构建音频动态强度以及功能性磁共振动态影像的关系模型，即特征影像预测模型，这个模型能够学习音频信号与功能性影像之间的复杂关系，反映出用户的生理状态和大脑功能。基于激发音频信号以及特征影像预测模型进行功能性磁共振特征影像预测处理，生成功能性特征影像数据，这些功能性特征影像数据可以提供有关用户生理状态和脑功能的信息，而不仅仅是静态的解剖结构。根据结构性影像格式数据对功能性特征影像数据进行影像格式调节，确保不同类型的影像数据具有相同的格式和分辨率，以便进行后续的匹配和融合，有助于消除数据间的不一致性，使它们可以更容易地进行比较和整合。对结构性磁共振影像数据进行匹配节点标记处理，生成结构性影像匹配节点，在结构性影像中标记出特定的解剖结构或区域，这些标记可以用于后续的匹配过程，例如标记出大脑的不同区域或特定的组织结构。根据结构性影像匹配节点对标准功能性特征影像数据的影像节点进行节点标记，生成功能性影像匹配节点，将结构性信息与功能性信息相关联，确保在融合过程中可以将相应的结构与功能性特征正确匹配。将结构性磁共振影像数据与标准功能性特征影像数据进行多模态磁共振影像初步融合，生成初步多模态磁共振影像融合数据，将不同类型的影像数据结合起来，产生了一个包含更多信息的复合影像，有助于更全面地理解用户的生理状态。根据结构性影像匹配节点以及功能性影像匹配节点对初步融合磁共振影像数据进行多模态磁共振影像融合校正，生成多模态磁共振影像融合数据，确保了不同数据源之间的准确对齐，产生了更精确和可靠的多模态磁共振影像。根据多模态磁共振影像融合数据进行多模态磁共振影像的三维影像模型构建，生成三维影像模型，将不同类型的融合数据整合成一个三维模型，其中包含了多种影像模态的信息。这个三维模型提供了一种更全面、更综合的方式来可视化用户的解剖结构和功能性特征。将特征影像预测模型与三维影像模型进行映射连接，用于多模态磁共振影像的演化模型构建，从而将功能性磁共振影像的动态信息与三维结构相对应，从而建立了一个关于用户生理状态和功能的演化模型。对多模态磁共振影像演化模型进行多模态磁共振影像的动态仿真演化，可以模拟不同时间点的多模态磁共振影像，观察生理过程的变化和演化。因此，本发明的多模态磁共振影像的融合方法对多模态的磁共振影像融合的精度较高，并且对于多模态磁共振影像的演化数据进行优化，使得多模态磁共振影像的融合效果优异。
本发明实施例中，参考图1所述，为本发明一种多模态磁共振影像的融合方法的步骤流程示意图，在本实施例中，所述多模态磁共振影像的融合方法包括以下步骤：
步骤S1：利用核磁共振影像设备对用户进行三维磁共振原子核电信号采集，生成三维磁共振原子核信号；利用傅里叶变换数据将三维磁共振原子核信号进行影像域数据转换，生成结构性磁共振影像数据；
本发明实施例中，用户被要求进入核磁共振(MRI)影像室，并接受任何必要的准备，例如移除任何可能干扰影像的金属物品，医学技术人员确保用户在磁场中的适当位置，然后使用强磁场和无害的无线电波来采集用户的三维核磁共振原子核信号，这些信号来自人体内不同组织和器官的原子核，例如氢核，通过预先设定好的参数，包括磁场强度、扫描平面、重复时间(TR)、回波时间(TE)等，以确保获得高质量的原始核磁共振信号，并利用核磁共振设备记录用户的核磁共振信号，通常采用立体扫描(三维扫描)来获得完整的体积数据，在三个方向上(横切、冠状和矢状)采集多个切片的信号，用于后续构建三维核磁共振图像。利用傅里叶变换数据将三维磁共振原子核信号进行影像域数据转换，傅里叶变换算法被用来将时域信号转换为频域信号，将三维核信号转换成频谱数据，其中每个频率对应于不同位置的信号贡献，傅里叶变换后的数据用于生成结构性磁共振影像数据。这些数据包括各个体积元素(像素或体素)的信号强度信息，它们代表了人体内不同组织的分布和密度，这些数据用来构建高分辨率的三维影像，生成结构性磁共振影像数据。
步骤S2：获取激发音频信号；基于激发音频信号以及核磁共振影像设备对用户进行功能性磁共振动态影像数据采集，生成功能性磁共振动态影像数据；将激发音频信号以及功能性磁共振动态影像数据进行对应时间序列的数据整合，生成动态音频-影像数据；利用卷积神经网络算法以及动态音频-影像数据进行音频动态强度以及功能性磁共振动态影像的关系模型构建，生成特征影像预测模型；根据激发音频信号以及特征影像预测模型进行功能性磁共振特征影像预测处理，生成功能性特征影像数据；
本发明实施例中，在进行功能性磁共振(fMRI)之前，首先获取激发音频信号，激发音频信号为进行功能性磁共振之前手动设定的音频信号参数，然后传输至音频设备后通过音频设备生成，可以是特定频率或模式的声音，以激发特定的脑活动，并采集这些声音的音频信号。基于激发音频信号以及核磁共振影像设备对用户进行功能性磁共振动态影像数据采集，这种数据采集通常包括多个时间点的图像，以捕获大脑在不同时间点下音频变化与用户功能性磁共振动态影像活动变化的关系，这可以通过血氧水平依赖(BOLD)成像等技术来实现。激发音频信号和功能性磁共振动态影像数据按照时间序列进行整合，以确保它们在时间上对应，为了将音频刺激与脑活动之间的关系建立起来。利用卷积神经网络算法以及动态音频-影像数据进行音频动态强度以及功能性磁共振动态影像的关系模型构建，需要对数据进行预处理、特征提取和模型训练，模型的目标是识别音频刺激如何影响大脑的活动，从而捕捉到音频与脑活动之间的关联。根据激发音频信号以及特征影像预测模型进行功能性磁共振特征影像预测处理，选取激发音频信号具有代表性音频段，并标记为特征激发音频信号，将特征激发音频信号传输至特征影像预测模型，特征影像预测模型能够根据音频信号强度变化以及功能性磁共振影像动态变化的关系，以生成特征激发音频信号对应的功能性磁共振影像，从而生成功能性特征影像数据，反映了大脑在处理音频刺激时的活动模式。
步骤S3：根据结构性影像格式数据对功能性特征影像数据进行影像格式调节，生成标准功能性特征影像数据；对结构性磁共振影像数据进行匹配节点标记处理，生成结构性影像匹配节点；根据结构性影像匹配节点对标准功能性特征影像数据的影像节点进行节点标记，生成功能性影像匹配节点；将结构性磁共振影像数据以及标准功能性特征影像数据进行多模态磁共振影像初步融合，生成初步多模态磁共振影像融合数据；根据结构性影像匹配节点以及功能性影像匹配节点对初步融合磁共振影像数据进行多模态磁共振影像融合校正，生成多模态磁共振影像融合数据；
本发明实施例中，根据结构性影像格式数据的格式信息，包括图像分辨率、图像大小、像素间距等，对功能性特征影像数据进行影像格式调节，以确保其与结构性影像数据具有相同的图像格式，这可能涉及调整像素大小、插值或缩放，以匹配结构性影像的空间分辨率和图像尺寸，为影像融合提供基础。对结构性磁共振影像数据进行处理，以识别其中的特定脑区域或结构，并将其标记为结构性影像匹配节点，通过图像分割算法和脑结构模板匹配来实现，从而确定大脑中感兴趣的解剖区域，或者通过人为的手动设定进行设置。根据结构性影像匹配节点的标记，将功能性特征影像数据的对应脑区域或结构进行节点标记，生成标准功能性特征影像数据，确保了功能性影像数据与结构性影像数据在相同的解剖空间中对应。将结构性磁共振影像数据和标准功能性特征影像数据进行初步融合，生成初步多模态磁共振影像融合数据，可以是简单的叠加或融合算法，将两种不同的影像信息整合在一起。根据结构性影像匹配节点和功能性影像匹配节点的信息，对初步融合的磁共振影像数据进行校正，包括调整对比度、亮度、对齐功能性数据和结构性数据等校正步骤，以确保最终的多模态磁共振影像融合数据具有良好的质量和一致性。
步骤S4：根据多模态磁共振影像融合数据进行多模态磁共振影像的三维影像模型构建，生成三维影像模型；将特征影像预测模型以及三维影像模型进行多模态磁共振影像演化的映射连接，从而生成多模态磁共振影像演化模型；对多模态磁共振影像演化模型进行多模态磁共振影像的动态仿真演化，生成多模态磁共振演化影像数据。
本发明实施例中，基于多模态磁共振影像融合数据，首先构建一个三维影像模型，可以通过将不同的结构性磁共振影像数据与功能性磁共振影像数据进行堆叠或融合来实现，例如将结构性磁共振影像与功能性特征影像进行叠加，以在三维空间中表示出脑结构和功能特征的关系。接下来，将特征影像预测模型与三维影像模型进行映射连接，以创建多模态磁共振影像演化模型，这个模型用于将特征影像与三维影像之间的关系进行建模，使用多模态磁共振影像演化模型，可以对多模态磁共振影像进行动态仿真演化，包括根据给定的输入条件或参数，生成多模态磁共振演化影像数据，例如模拟不同音频强度刺激下的多模态磁共振影像数据，以研究脑结构和功能的变化。在动态仿真演化过程中，可以根据需要调整模型参数，以探索不同的模拟情景，可以通过预先设定的测试激发音频信号，通过测试激发音频信号传输至多模态磁共振影像演化模型，包括：先通过特征影像预测模型对测试激发音频信号进行影像的动态关系预测，再将动态关系的预测结果传输至三维影像模型进行多模态磁共振影像的三维仿真演化，从而生成动态的多模态磁共振影像数据。有助于更好地理解脑结构和功能之间的关系，并研究不同因素对多模态MRI数据的影响，生成的多模态磁共振演化影像数据可以保存用于后续分析和研究，这些数据可以用于研究脑结构和功能的动态变化，或者用于培训和验证模型。
优选地，步骤S1包括以下步骤：
步骤S11：利用核磁共振影像设备对用户进行磁共振原子核电信号采集，生成磁共振原子核电信号；
步骤S12：基于核磁共振影像设备的梯度线圈对磁共振原子核电信号进行三维空间定位，生成三维磁共振原子核信号；
步骤S13：利用傅里叶变换数据将三维磁共振原子核信号进行影像域数据转换，生成结构性磁共振影像数据。
本发明利用核磁共振影像设备对用户进行磁共振原子核电信号采集。这个过程是非侵入性的，不涉及放射线或有害辐射，它的主要效果在于获取有关用户体内原子核的信号，这是磁共振成像的基础。通过核磁共振影像设备的梯度线圈对磁共振原子核电信号进行三维空间定位，允许将信号根据信号在用户体内特定的位置关联起来，生成了三维磁共振原子核信号，有助于确定体内结构的空间分布。用傅里叶变换数据将三维磁共振原子核信号进行影像域数据转换，生成结构性磁共振影像数据，将复杂的信号转化为易于解释和可视化的图像数据，有助于医生和研究人员更好地了解用户的解剖结构，例如器官、组织和血管分布。
本发明实施例中，在开始实施磁共振原子核电信号采集之前，事先确定用户需要分析的结构区域，利用核磁共振影像设备对用户需要分析的结构区域进行磁共振原子核电信号采集，例如强磁场和无线电频率脉冲，对用户的身体部位进行扫描，这些脉冲激发原子核(通常是氢核)产生高度特定的原子核电信号，这些信号包含了关于组织结构和成分的信息。核磁共振设备的梯度线圈用于定位原子核电信号的来源，通过在三个不同方向上应用梯度磁场，可以确定原子核信号的空间位置，生成三维坐标信息，这使得可以在三维空间中准确地定位信号源，建立出三维磁共振原子核信号。获得的三维磁共振原子核信号通常以频域数据的形式存在，为了生成结构性磁共振影像数据，需要将这些数据转换到影像域，通过傅里叶变换等数学方法来实现的，傅里叶算法可以基于频域信号转化为相对应的影像与信号，从而将原子核信号转换成可视化的图像数据，这些图像展示了身体内不同组织类型的空间分布和密度，形成了结构性磁共振影像数据。
优选地，步骤S2包括以下步骤：
步骤S21：获取激发音频信号；
步骤S22：基于激发音频信号以及核磁共振影像设备对用户进行功能性磁共振动态影像数据采集，生成功能性磁共振动态影像数据；
步骤S23：对功能性磁共振动态影像数据进行运动伪影校正，生成校正动态影像数据；
步骤S24：将激发音频信号以及校正动态影像数据进行对应时间序列的数据整合，生成动态音频-影像数据；
步骤S25：利用卷积神经网络算法以及动态音频-影像数据进行音频动态强度以及功能性磁共振动态影像的关系模型构建，生成特征影像预测模型；
步骤S26：对激发音频信号进行特征激发音频信号提取，生成特征激发音频信号；
步骤S27：将特征激发音频信号传输至影像预测模型进行功能性磁共振特征影像预测处理，生成功能性特征影像数据。
本发明获取激发音频信号，这个音频信号通常用于激发用户大脑或特定组织的活动，获取激发音频信号的目的在于激发特定的生理过程，以后续的功能性磁共振数据采集作为基础。基于激发音频信号以及核磁共振影像设备对用户进行功能性磁共振动态影像数据采集，生成功能性磁共振动态影像数据，通过记录大脑或组织的活动以及激发音频信号，获取了关于生理过程的信息，如神经活动。对功能性磁共振动态影像数据进行运动伪影校正，生成校正动态影像数据，运动伪影校正有助于消除来自用户运动或呼吸等因素引起的影像伪影，确保数据的准确性和稳定性。利用卷积神经网络算法以及动态音频-影像数据进行音频动态强度以及功能性磁共振动态影像的关系模型构建，生成特征影像预测模型，这个模型能够学习音频信号与功能性影像之间的复杂关系，提供了更深入的生理信息。对激发音频信号进行特征提取，生成特征激发音频信号，有助于将音频信号的关键特征用于后续的功能性磁共振特征影像预测处理。将特征激发音频信号传输至影像预测模型进行功能性磁共振特征影像预测处理，生成功能性特征影像数据，将音频信号与影像预测模型相结合，生成了更详细和精确的功能性特征影像数据，有助于深入了解用户的生理状态。
作为本发明的一个实例，参考图2所示，为图1中步骤S2的详细实施步骤流程示意图，在本实例中所述步骤S2包括：
步骤S21：获取激发音频信号；
本发明实施例中，在进行功能性磁共振(fMRI)之前，首先获取激发音频信号，激发音频信号为进行功能性磁共振之前手动设定的音频信号参数，然后传输至音频设备后通过音频设备生成，可以是特定频率或模式的声音，以激发特定的脑活动，并采集这些声音的音频信号。
步骤S22：基于激发音频信号以及核磁共振影像设备对用户进行功能性磁共振动态影像数据采集，生成功能性磁共振动态影像数据；
本发明实施例中，核磁共振影像设备开始对用户的大脑或特定器官进行扫描。同时，激发音频信号会传送给用户，当用户接受核磁共振扫描时，磁共振信号被记录下来，形成了一系列的时间序列图像，这些图像显示了在激发音频信号作用下，不同脑区或组织的活动变化情况，形成了功能性磁共振动态影像数据。
步骤S23：对功能性磁共振动态影像数据进行运动伪影校正，生成校正动态影像数据；
本发明实施例中，由于用户在扫描期间可能会有微小的头部或身体运动，这些运动可能会导致影像上的伪影或失真，因此应用运动伪影校正技术，以纠正这些运动引起的影像问题，对每个时间点的图像，计算出受试者在扫描过程中的头部运动参数，这些参数通常包括平移(x、y、z方向)和旋转(俯仰、偏航和横滚)的度量，使用估计的运动参数构建一个运动伪影校正模型，通常采用刚体变换模型来表示头部运动对图像的影响，这个模型描述了受试者在扫描期间的头部运动如何导致图像上的平移和旋转，应用伪影校正模型来校正每个时间点的图像，可以通过将每个时间点的图像重新定位到一个共同的坐标空间来实现，以减少运动引起的图像位移，为了进一步减少噪音和增强信号，可以对校正后的图像进行空间平滑处理，使用一个特定大小的滤波器进行图像平滑，以此得到运动伪影校正后的功能性磁共振动态影像数据，即校正动态影像数据。
步骤S24：将激发音频信号以及校正动态影像数据进行对应时间序列的数据整合，生成动态音频-影像数据；
本发明实施例中，对激发音频信号进行激发音频信号强度分析，可以通过时域分析进行，从而得到激发音频动态强度数据，将激发音频动态强度数据和校正后的功能性磁共振动态影像数据被按照对应的时间序列进行整合，通过将每个时间点上的音频信号强度与相应时间点的影像数据进行匹配来完成，这样生成的动态音频-影像数据是一种多模态数据，可以用于进一步的分析和处理。
步骤S25：利用卷积神经网络算法以及动态音频-影像数据进行音频动态强度以及功能性磁共振动态影像的关系模型构建，生成特征影像预测模型；
本发明实施例中，使用卷积神经网络(CNN)算法来构建音频动态强度与功能性磁共振动态影像之间的关系模型，这个关系模型是一个深度学习模型，由多个卷积层、池化层和全连接层组成，模型的训练数据是动态音频-影像数据，其中包括激发音频信号与相应的功能性磁共振动态影像，模型的目标是学习如何从音频动态强度预测功能性磁共振动态影像的特征。
步骤S26：对激发音频信号进行特征激发音频信号提取，生成特征激发音频信号；
本发明实施例中，从激发音频信号中提取特征，以减少数据的维度并捕获与功能性磁共振动态影像相关的信息，这可以通过应用信号处理技术，例如主成分分析法、小波变换或特征提取算法，来获得激发音频信号的关键特征，这些特征为相同频率间隔下的激发音频信号。
步骤S27：将特征激发音频信号传输至影像预测模型进行功能性磁共振特征影像预测处理，生成功能性特征影像数据。
本发明实施例中，提取的特征激发音频信号被传输至之前构建的影像预测模型中，模型接收特征激发音频信号作为输入，并利用之前学习到的关系模型来进行预测，模型的输出是功能性磁共振特征影像数据，它们是根据音频信号生成的功能性影像的估计，这些预测的特征影像数据可以用于后续的分析和研究，帮助理解音频信号与大脑活动之间的关系。
优选地，步骤S24包括以下步骤：
步骤S241：对激发音频信号进行激发音频信号的动态强度分析，生成激发音频动态强度数据；
步骤S242：将激发音频动态强度数据以及校正动态影像数据进行对应时间序列的数据整合，生成动态音频-影像数据。
本发明对激发音频信号进行激发音频信号的动态强度分析，测量音频信号的强度随时间的变化，即音频信号的动态强度，因为它能够捕捉到声音信号的变化，从而了解声音变化与用户生理状态的动态变化相互关系。将激发音频动态强度数据以及校正动态影像数据按照时间序列进行整合，生成动态音频-影像数据，将音频信号的动态强度与相应时间点上的影像数据相匹配，创建了时间同步的数据集，有助于将声音的动态变化与磁共振影像的变化关联起来，提供更详细和全面的信息，有助于研究和分析用户的功能性磁共振影像的动态变化情况。
本发明实施例中，对激发音频信号进行激发音频信号的动态强度分析，首先，激发音频信号将被分割成小时间窗口，然后对每个时间窗口内的音频数据进行时域分析，例如计算每个时间窗口内的音频振幅或能量，然后将音频信号转换为频域，例如应用傅里叶变换，以获取频谱信息，可以计算不同频率成分的动态变化情况，从时域和/或频域分析中提取的特征，如均方根能量、频谱中心频率等，将被用于表示激发音频信号的动态强度，将上述分析得到的动态强度特征按时间序列整合，生成激发音频动态强度数据。激发音频动态强度数据将与校正动态影像数据进行对应时间序列的整合，为了确保音频数据和功能性磁共振动态影像数据具有相同的时间标尺，以便后续分析时能够将它们进行匹配和关联，从而生成动态音频-影像数据，它包含了激发音频信号的动态强度信息以及相应的校正动态影像数据，这些数据将用于进一步的分析和建模，例如构建音频与功能性磁共振动态影像之间的关系模型
优选地，步骤S25包括以下步骤：
步骤S251：利用卷积神经网络算法建立音频动态强度以及功能性磁共振动态影像的特征映射关系，生成初始特征影像预测模型；
步骤S252：将动态音频-影像数据进行数据划分处理，生成动态音频-影像训练集以及动态音频-影像测试集；
步骤S253：利用动态音频-影像训练集对初始特征影像预测模型进行模型训练处理，生成训练后的初始特征影像预测模型，并利用动态音频-影像测试集对训练后的初始特征影像预测模型进行模型测试，生成特征影像预测模型。
本发明利用卷积神经网络算法建立音频动态强度以及功能性磁共振动态影像的特征映射关系，生成初始特征影像预测模型，使用深度学习技术，特别是卷积神经网络(CNN)，来建立声音信号的动态强度与功能性影像之间的复杂关系，初始模型可以帮助将声音数据转化为功能性影像预测的基础。将动态音频-影像数据进行数据划分处理，生成动态音频-影像训练集以及动态音频-影像测试集，将数据集分成两部分，一部分用于模型训练，另一部分用于模型测试，以评估模型的性能。利用动态音频-影像训练集对初始特征影像预测模型进行模型训练处理，生成训练后的初始特征影像预测模型，然后，利用动态音频-影像测试集对训练后的初始特征影像预测模型进行模型测试，生成特征影像预测模型的最终版本，这个模型能够准确地预测音频信号的强度变化与功能性磁共振影像动态变化的特征关系，提供了更深入的生理信息。
本发明实施例中，采用卷积神经网络(CNN)算法来建立音频动态强度和功能性磁共振动态影像之间的特征映射关系，涉及将动态音频强度数据和功能性磁共振动态影像数据作为输入，并设计CNN架构来学习它们之间的关联性特征，使其能够从音频动态强度数据中提取相关特征，并预测功能性磁共振动态影像的相应特征，该模型能够捕获音频与影像之间的关系。将动态音频-影像数据集划分为两部分，一部分用于模型的训练，另一部分用于测试，这个划分可以采用随机抽样或其他合适的分割策略。使用动态音频-影像训练集，对初始特征影像预测模型进行训练，在训练过程中，模型将学习如何将音频动态强度数据映射到功能性磁共振动态影像的特征。利用动态音频-影像测试集对训练后的初始特征影像预测模型进行测试，通过将测试数据输入模型，评估其在新数据上的性能，验证了模型的泛化能力，确保其能够准确地预测功能性磁共振动态影像的特征。
优选地，步骤S3包括以下步骤：
步骤S31：对结构性磁共振影像数据进行影像格式提取，生成结构性影像格式数据；
步骤S32：根据结构性影像格式数据对功能性特征影像数据进行影像格式调节，生成标准功能性特征影像数据；
步骤S33：对结构性磁共振影像数据进行匹配节点标记处理，生成结构性影像匹配节点；
步骤S34：利用多模态磁共振影像匹配算法以及结构性影像匹配节点对标准功能性特征影像数据进行节点匹配程度计算，生成标准功能性特征影像数据的节点匹配程度数据；
步骤S35：根据节点匹配程度数据对标准功能性特征影像数据的影像节点进行节点标记，生成功能性影像匹配节点；
步骤S36：将结构性磁共振影像数据以及标准功能性特征影像数据进行多模态磁共振影像初步融合，生成初步多模态磁共振影像融合数据；
步骤S37：根据结构性影像匹配节点以及功能性影像匹配节点对初步融合磁共振影像数据进行多模态磁共振影像融合校正，生成多模态磁共振影像融合数据。
本发明对结构性磁共振影像数据进行影像格式提取，生成结构性影像格式数据，提取有关影像的基本信息，包括图像尺寸、分辨率和格式，以确保后续处理的一致性。根据结构性影像格式数据对功能性特征影像数据进行影像格式调节，生成标准功能性特征影像数据，为了确保不同模态的影像数据在格式上保持一致，以便进行后续的匹配和融合。对结构性磁共振影像数据进行匹配节点标记处理，生成结构性影像匹配节点，有助于确定结构性影像中的特定区域或节点，以便将其与功能性磁共振影像相对应。利用多模态磁共振影像匹配算法以及结构性影像匹配节点对标准功能性特征影像数据进行节点匹配程度计算，生成标准功能性特征影像数据的节点匹配程度数据，确定了结构性和功能性影像之间的匹配程度，有助于后续的融合处理。根据节点匹配程度数据对标准功能性特征影像数据的影像节点进行节点标记，生成功能性影像匹配节点，将结构性和功能性影像的匹配结果用于标记功能性影像中的相关节点，以实现更准确的融合。将结构性磁共振影像数据与标准功能性特征影像数据进行多模态磁共振影像初步融合，并根据结构性影像匹配节点和功能性影像匹配节点对初步融合磁共振影像数据进行多模态磁共振影像融合校正，生成多模态磁共振影像融合数据，确保了不同模态的影像数据在结构和功能方面的匹配和融合，从而提供更全面的信息，可在医学影像研究和诊断中提供更多的信息和洞察力。
作为本发明的一个实例，参考图3所示，为图1中步骤S3的详细实施步骤流程示意图，在本实例中所述步骤S3包括：
步骤S31：对结构性磁共振影像数据进行影像格式提取，生成结构性影像格式数据；
本发明实施例中，使用图像处理技术，如图像分割、边缘检测和特征提取，对结构性磁共振影像数据进行处理，这可能包括提取图像的空间分辨率、对比度、亮度和颜色信息等，生成结构性影像格式数据，其中包含了对原始影像的各种定量和质量特征的描述。
步骤S32：根据结构性影像格式数据对功能性特征影像数据进行影像格式调节，生成标准功能性特征影像数据；
本发明实施例中，基于结构性影像格式数据，对功能性特征影像进行调整，可能包括变换像素尺寸、调整对比度和亮度，以确保功能性特征影像与结构性影像保持一致的格式和标准，生成标准功能性特征影像数据，这些标准功能性特征影像数据有助于确保与结构化磁共振影像数据一致性和可比性。
步骤S33：对结构性磁共振影像数据进行匹配节点标记处理，生成结构性影像匹配节点；
本发明实施例中，对结构性磁共振影像数据进行处理，以识别其中的特定脑区域或结构，并将其标记为结构性影像匹配节点，通过图像分割算法和脑结构模板匹配来实现，从而确定大脑中感兴趣的解剖区域，或者通过人为的手动设定进行设置。
步骤S34：利用多模态磁共振影像匹配算法以及结构性影像匹配节点对标准功能性特征影像数据进行节点匹配程度计算，生成标准功能性特征影像数据的节点匹配程度数据；
本发明实施例中，利用多模态磁共振影像匹配算法，将结构性影像匹配节点与功能性特征影像数据关联起来，涉及到特定特征或区域的匹配，以便在不同模态的影像之间建立对应关系，计算标准功能性特征影像数据中各节点的匹配程度，这些匹配程度数据反映了不同影像模态之间的相似性和一致性，利用多模态磁共振影像匹配算法对标准功能性特征影像数据进行节点匹配程度计算，可以得到精度更高的节点匹配程度数据，并且也可通过常规的影像匹配点算法实现，以得到节点匹配程度数据。
步骤S35：根据节点匹配程度数据对标准功能性特征影像数据的影像节点进行节点标记，生成功能性影像匹配节点；
本发明实施例中，基于预设的节点匹配程度阈值，对标准功能性特征影像数据的影像节点进行标记，当节点匹配程度数据大于预设的节点匹配程度阈值时，相应的节点被标记为功能性影像匹配节点。
步骤S36：将结构性磁共振影像数据以及标准功能性特征影像数据进行多模态磁共振影像初步融合，生成初步多模态磁共振影像融合数据；
本发明实施例中，将结构性磁共振影像数据和标准功能性特征影像数据整合在一起，使用图像融合技术，如加权平均、多尺度融合或图像拼接，将这两种类型的影像融合成初步多模态磁共振影像融合数据。
步骤S37：根据结构性影像匹配节点以及功能性影像匹配节点对初步融合磁共振影像数据进行多模态磁共振影像融合校正，生成多模态磁共振影像融合数据。
本发明实施例中，使用结构性影像匹配节点和功能性影像匹配节点的位置信息，对初步融合的多模态磁共振影像数据进行校正，包括对齐匹配点、矫正或进一步的匹配处理，以确保不同模态的影像在空间上一致性对齐，从而使得结构性磁共振影像模糊部分由功能性磁共振影像进行补充，并且基于功能性磁共振影像还可进行磁共振影像的动态演化，将结构性和功能性信息合并在一起，生成多模态磁共振影像融合数据，从而提供更详细及全面的磁共振影像信息。
优选地，步骤S34中的多模态磁共振影像匹配算法如下所示：
式中，P表示为标准功能性特征影像数据的节点匹配程度数据，N表示为标准功能性磁共振影像的像素数目，M表示为结构性磁共振影像的匹配节点数目，wj表示为第j个匹配节点数目的权重信息，Ii表示为标准功能性磁共振影像的第i个像素点的灰度值，Ij表示为结构性磁共振影像的第j个匹配节点的灰度值，pi表示为标准功能性磁共振影像的第i个像素点的梯度数据，pj表示为结构性磁共振影像的第j个匹配节点的梯度数据，qij表示为标准功能性磁共振影像的第i个像素点以及结构性磁共振影像的第j个匹配节点的纹理相似度数据，τ表示为节点匹配程度数据的异常调整值。
本发明利用一种多模态磁共振影像匹配算法，该算法充分考虑了标准功能性磁共振影像的像素数目N、结构性磁共振影像的匹配节点数目M、第j个匹配节点数目的权重信息wj、标准功能性磁共振影像的第i个像素点的灰度值Ii、结构性磁共振影像的第j个匹配节点的灰度值Ij、标准功能性磁共振影像的第i个像素点的梯度数据pi、结构性磁共振影像的第j个匹配节点的梯度数据pj、标准功能性磁共振影像的第i个像素点以及结构性磁共振影像的第j个匹配节点的纹理相似度数据qij以及函数之间的相互作用关系，以形成函数关系式：
即，该函数关系式可以对标准功能性特征影像数据每个节点进行计算，从而得到清晰且详细的结构性磁共振影像与功能性结构性影像的匹配关系，用于后续结构性磁共振影像与功能性结构性影像的影像融合对齐。标准功能性磁共振影像的像素数目N，即功能性影像中的像素数量。它影响整体匹配程度的计算；结构性磁共振影像的匹配节点数目，这些节点在结构性影像中具有特殊的特征，用于与功能性影像进行匹配；第j个匹配节点数目的权重信息不同的匹配节点可能对匹配程度有不同的贡献，通过这个参数可以进行权重分配，以控制它们对匹配的影响程度，标准功能性磁共振影像的第i个像素点的灰度值以及结构性磁共振影像的第j个匹配节点的灰度值用于标识图像的色彩，通过色彩进行比对，可以确定匹配节点与像素点的是否相似，标准功能性磁共振影像的第i个像素点的梯度数据以及结构性磁共振影像的第j个匹配节点的梯度数据，梯度数据表示图像中像素值的变化程度，有助于描述图像的纹理相关性，从而判断两者的相似程度；标准功能性磁共振影像的第i个像素点以及结构性磁共振影像的第j个匹配节点的纹理相似度数据表示不同像素点和匹配节点之间的纹理相似度，用于衡量它们的相似性，该参数可以利用纹理相似度计算公式得出。该函数关系式通过比较功能性磁共振影像中的像素与结构性磁共振影像中的匹配节点之间的灰度、梯度和纹理相似度来计算匹配程度，参数之间的连带关系在于它们共同影响了匹配程度的计算，不同的参数设置可以导致不同的匹配结果，以适应不同的应用场景和匹配需求，提供了一种可调整的匹配方法，用于量化不同模态图像之间的相似性，有助于医学图像处理和分析。利用节点匹配程度数据的异常调整值τ对函数关系式进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成标准功能性特征影像数据的节点匹配程度数据P，提高了对标准功能性特征影像数据进行节点匹配程度计算的准确性和可靠性。同时该公式中的权重信息以及调整值可以根据实际情况进行调整，应用于不同的标准功能性特征影像数据中，提高了算法的灵活性与适用性。
优选地，步骤S35包括以下步骤：
利用预设的节点匹配程度阈值对节点匹配程度数据进行阈值比对，当节点匹配程度数据大于预设的节点匹配程度阈值时，将节点匹配程度数据对应的标准功能性特征影像数据的影像节点进行节点标记，生成功能性影像匹配节点。
本发明有助于筛选出功能性影像数据中与结构性影像有明显匹配的节点，通过应用节点匹配程度阈值，可以选择性地标记那些匹配程度较高的节点，确保只有高度匹配的区域被标记为功能性影像匹配节点，有助于提高融合的精度和可靠性。阈值比对可以帮助排除不相关或噪音性的节点匹配，功能性和结构性影像之间可能存在一些差异或干扰，通过设置阈值，可以减少误标记或不准确标记的情况，提高了数据的准确性和可信度。确保了功能性影像匹配节点的选择是基于明确的匹配标准，这些标准可以在后续的融合和分析中发挥关键作用。通过只选择高匹配程度的节点进行标记，可以更精确地将功能性信息与结构性信息关联起来，提供更可靠的多模态磁共振影像融合数据，为医学影像提供更多的有用信息。
本发明实施例中，在实施中，需要预设一个节点匹配程度的阈值，该阈值实施多模态融合影像前根据历史研究需求和精确计算来确定的，这个阈值的选择会影响哪些节点被标记为功能性影像匹配节点。对每个节点的匹配程度数据进行比对，将其与预设的节点匹配程度阈值进行比较，只有当节点的匹配程度数据大于预设的阈值时，才会继续进行下一步的节点标记。当节点的匹配程度数据满足阈值要求时，将相应的标准功能性特征影像数据的影像节点标记为功能性影像匹配节点，这些节点标记的过程可以在图像上进行可视化，以便后续处理和分析。根据阈值比对的结果，生成功能性影像匹配节点的信息，这些节点标记的结果可以用于后续步骤，例如多模态磁共振影像融合。
优选地，步骤S4包括以下步骤：
步骤S41：根据多模态磁共振影像融合数据进行多模态磁共振影像的三维影像模型构建，生成三维影像模型；
步骤S42：将特征影像预测模型以及三维影像模型进行多模态磁共振影像演化的映射连接，从而生成多模态磁共振影像演化模型；
步骤S43：获取测试激发音频信号；
步骤S44：将测试激发音频信号传输至多模态磁共振影像演化模型进行多模态磁共振影像的动态仿真演化，生成多模态磁共振演化影像数据。
本发明根据多模态磁共振影像融合数据进行多模态磁共振影像的三维影像模型构建，生成三维影像模型，将不同模态的磁共振影像融合到一个统一的三维模型中，以便更全面地表示用户的生理状态，这个三维模型可以提供更多的信息维度，有助于医学影像研究和诊断。将特征影像预测模型以及三维影像模型进行多模态磁共振影像演化的映射连接，从而生成多模态磁共振影像演化模型，这个演化模型能够捕捉到特征影像预测模型和三维影像模型之间的关联，从而预测多模态磁共振影像的演化关系，为后续的仿真提供基础。获取测试激发音频信号，准备了用于仿真的新音频信号，以便在多模态磁共振影像演化模型中进行动态仿真。将测试激发音频信号传输至多模态磁共振影像演化模型进行多模态磁共振影像的动态仿真演化，生成多模态磁共振演化影像数据，通过将测试激发音频信号与演化模型相结合，可以模拟出不同音频强度下的多模态磁共振影像的动态演化情况，有助于研究用户在不同生理状态下的影像变化。
作为本发明的一个实例，参考图4所示，为图1中步骤S4的详细实施步骤流程示意图，在本实例中所述步骤S4包括：
步骤S41：根据多模态磁共振影像融合数据进行多模态磁共振影像的三维影像模型构建，生成三维影像模型；
本发明实施例中，基于多模态磁共振影像融合数据，首先构建一个三维影像模型，可以通过将不同的结构性磁共振影像数据与功能性磁共振影像数据进行堆叠或融合来实现，例如将结构性磁共振影像与功能性特征影像进行叠加，以在三维空间中表示出脑结构和功能特征的关系。步骤S42：将特征影像预测模型以及三维影像模型进行多模态磁共振影像演化的映射连接，从而生成多模态磁共振影像演化模型；
本发明实施例中，将特征影像预测模型与三维影像模型进行映射连接，以创建多模态磁共振影像演化模型，这个模型用于将特征影像与三维影像之间的关系进行建模，使用多模态磁共振影像演化模型，可以对多模态磁共振影像进行动态仿真演化，包括根据给定的输入条件或参数，生成多模态磁共振演化影像数据，例如模拟不同音频强度刺激下的多模态磁共振影像数据，以研究脑结构和功能的变化。
步骤S43：获取测试激发音频信号；
本发明实施例中，从外部源获取测试激发音频信号，这个信号将用于驱动多模态磁共振影像的动态仿真。
步骤S44：将测试激发音频信号传输至多模态磁共振影像演化模型进行多模态磁共振影像的动态仿真演化，生成多模态磁共振演化影像数据。
本发明实施例中，在动态仿真演化过程中，可以根据需要调整模型参数，以探索不同的模拟情景，通过测试激发音频信号传输至多模态磁共振影像演化模型，包括：先通过特征影像预测模型对测试激发音频信号进行影像的动态关系预测，再将动态关系的预测结果传输至三维影像模型进行多模态磁共振影像的三维仿真演化，从而生成动态的多模态磁共振影像数据。有助于更好地理解脑结构和功能之间的关系，并研究不同因素对多模态MRI数据的影响，生成的多模态磁共振演化影像数据可以保存用于后续分析和研究，这些数据可以用于研究脑结构和功能的动态变化，或者用于培训和验证模型。
本说明书中提供一种多模态磁共振影像的融合系统，用于执行如上述所述的多模态磁共振影像的融合方法，该多模态磁共振影像的融合系统包括：
结构性磁共振影像数据采集模块，利用核磁共振影像设备对用户进行三维磁共振原子核电信号采集，生成三维磁共振原子核信号；利用傅里叶变换数据将三维磁共振原子核信号进行影像域数据转换，生成结构性磁共振影像数据；
功能性磁共振影像数据采集模块，用于获取激发音频信号；基于激发音频信号以及核磁共振影像设备对用户进行功能性磁共振动态影像数据采集，生成功能性磁共振动态影像数据；将激发音频信号以及功能性磁共振动态影像数据进行对应时间序列的数据整合，生成动态音频-影像数据；利用卷积神经网络算法以及动态音频-影像数据进行音频动态强度以及功能性磁共振动态影像的关系模型构建，生成特征影像预测模型；根据激发音频信号以及特征影像预测模型进行功能性磁共振特征影像预测处理，生成功能性特征影像数据；
多模态磁共振影像融合模块，用于根据结构性影像格式数据对功能性特征影像数据进行影像格式调节，生成标准功能性特征影像数据；对结构性磁共振影像数据进行匹配节点标记处理，生成结构性影像匹配节点；根据结构性影像匹配节点对标准功能性特征影像数据的影像节点进行节点标记，生成功能性影像匹配节点；将结构性磁共振影像数据以及标准功能性特征影像数据进行多模态磁共振影像初步融合，生成初步多模态磁共振影像融合数据；根据结构性影像匹配节点以及功能性影像匹配节点对初步融合磁共振影像数据进行多模态磁共振影像融合校正，生成多模态磁共振影像融合数据；
多模态磁共振演化影像采集模块，用于根据多模态磁共振影像融合数据进行多模态磁共振影像的三维影像模型构建，生成三维影像模型；将特征影像预测模型以及三维影像模型进行多模态磁共振影像演化的映射连接，从而生成多模态磁共振影像演化模型；对多模态磁共振影像演化模型进行多模态磁共振影像的动态仿真演化，生成多模态磁共振演化影像数据。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
本申请有益效果在于，本发明通过核磁共振影像设备采集磁共振原子核电信号，然后进行三维空间定位和傅里叶变换数据处理，生成高质量的结构性磁共振影像数据，这一过程具有非侵入性，能够为医学和科学研究提供详细的人体解剖结构信息，有助于理解大脑、器官和组织的内部结构和功能，从而为医学诊断、疾病研究以及神经科学等领域的进展提供了关键的工具和信息，有助于科学家深入探索生物医学和神经科学领域的未知领域，推动了医学和科学的进步。通过获取激发音频信号并与核磁共振影像设备采集的功能性磁共振动态影像数据相结合，实现了多模态数据的整合，通过对功能性磁共振动态影像数据进行运动伪影校正，生成校正动态影像数据，提高了图像质量和准确性，构建音频动态强度以及功能性磁共振动态影像的关系模型，这一模型可以用于功能性磁共振特征影像的预测处理，进一步生成功能性特征影像数据，用于分析和理解用户的大脑或其他组织的功能，有助于研究神经科学，为磁共振影像分析提供了数据基础。在多模态磁共振影像处理过程中，通过一系列精密的数据处理和匹配技术，实现了结构性磁共振影像和功能性特征影像的高度集成和融合。将结构性磁共振影像数据格式化并调整，提高了数据的一致性和可比性，对结构性磁共振影像数据进行匹配节点标记和节点匹配程度计算，进一步精确地关联了结构性和功能性信息，通过节点匹配程度数据对标准功能性特征影像数据的影像节点进行标记，增强了结构与功能的对应关系，将结构性磁共振影像数据与标准功能性特征影像数据进行初步融合，将多模态信息整合为一体，通过结构性影像匹配节点和功能性影像匹配节点进行多模态磁共振影像融合校正，提高了融合数据的质量和准确性，提供了全面的多模态磁共振影像数据，有助于研究和理解用户的生物组织结构和功能，推动了医学影像领域的进步和发展。多模态磁共振影像的仿真演化，实现了全面的多维度信息整合和可视化呈现，通过多模态磁共振影像融合数据构建了多模态磁共振影像的三维影像模型，将不同模态的信息融合为一个统一的三维模型，有助于更好地理解用户的解剖结构和生物组织分布，将特征影像预测模型与三维影像模型相连接，生成了多模态磁共振影像演化模型，这一模型能够动态地模拟不同激发音频信号下多模态磁共振影像的演化情况，提供了时间序列数据的视觉呈现，通过测试激发音频信号的输入，并将其传输至多模态磁共振影像演化模型中，实现了多模态磁共振影像的动态仿真演化，生成了多模态磁共振演化影像数据，不仅有助于观察生物组织的功能性变化，为医学领域提供了丰富的磁共振相关信息，为医学影像和生物医学研究提供了更全面、高维度、多模态的数据支持，为医疗领域的发展提供更多可能性。

Claims (10)

1.一种多模态磁共振影像的融合方法，其特征在于，包括以下步骤：
步骤S1：利用核磁共振影像设备对用户进行三维磁共振原子核电信号采集，生成三维磁共振原子核信号；利用傅里叶变换数据将三维磁共振原子核信号进行影像域数据转换，生成结构性磁共振影像数据，其中，影像域数据转换为将三维磁共振原子核信号转换成频谱数据，每个频率对应于不同位置的信号贡献，傅里叶变换后的数据包括各个体积元素的信号强度信息，代表了人体内不同组织的分布和密度，傅里叶变换后的数据用来构建高分辨率的三维影像，进而生成结构性磁共振影像数据；
步骤S2：获取激发音频信号，其中，激发音频信号为进行功能性磁共振之前手动设定的音频信号参数，然后音频信号参数传输至音频设备后通过音频设备生成以激发脑活动的音频信号；基于激发音频信号以及核磁共振影像设备对用户进行功能性磁共振动态影像数据采集，生成功能性磁共振动态影像数据；将激发音频信号以及功能性磁共振动态影像数据进行对应时间序列的数据整合，生成动态音频-影像数据；利用卷积神经网络算法以及动态音频-影像数据进行音频动态强度以及功能性磁共振动态影像的关系模型构建，生成特征影像预测模型；根据激发音频信号以及特征影像预测模型进行功能性磁共振特征影像预测处理，生成功能性特征影像数据；
步骤S3：根据结构性磁共振影像数据对功能性特征影像数据进行影像格式调节，生成标准功能性特征影像数据；对结构性磁共振影像数据进行匹配节点标记处理，生成结构性影像匹配节点；根据结构性影像匹配节点对标准功能性特征影像数据的影像节点进行节点标记，生成功能性影像匹配节点；将结构性磁共振影像数据以及标准功能性特征影像数据进行多模态磁共振影像初步融合，生成初步多模态磁共振影像融合数据；根据结构性影像匹配节点以及功能性影像匹配节点对初步融合磁共振影像数据进行多模态磁共振影像融合校正，生成多模态磁共振影像融合数据；
步骤S4：根据多模态磁共振影像融合数据进行多模态磁共振影像的三维影像模型构建，生成三维影像模型；将特征影像预测模型以及三维影像模型进行多模态磁共振影像演化的映射连接，从而生成多模态磁共振影像演化模型；对多模态磁共振影像演化模型进行多模态磁共振影像的动态仿真演化，生成多模态磁共振演化影像数据。
2.根据权利要求1所述的多模态磁共振影像的融合方法，其特征在于，步骤S1包括以下步骤：
步骤S11：利用核磁共振影像设备对用户进行磁共振原子核电信号采集，生成磁共振原子核电信号；
步骤S12：基于核磁共振影像设备的梯度线圈对磁共振原子核电信号进行三维空间定位，生成三维磁共振原子核信号；
步骤S13：利用傅里叶变换数据将三维磁共振原子核信号进行影像域数据转换，生成结构性磁共振影像数据。
3.根据权利要求2所述的多模态磁共振影像的融合方法，其特征在于，步骤S2包括以下步骤：
步骤S21：获取激发音频信号；
步骤S22：基于激发音频信号以及核磁共振影像设备对用户进行功能性磁共振动态影像数据采集，生成功能性磁共振动态影像数据；
步骤S23：对功能性磁共振动态影像数据进行运动伪影校正，生成校正动态影像数据；
步骤S24：将激发音频信号以及校正动态影像数据进行对应时间序列的数据整合，生成动态音频-影像数据；
步骤S25：利用卷积神经网络算法以及动态音频-影像数据进行音频动态强度以及功能性磁共振动态影像的关系模型构建，生成特征影像预测模型；
步骤S26：对激发音频信号进行特征激发音频信号提取，生成特征激发音频信号；
步骤S27：将特征激发音频信号传输至特征影像预测模型进行功能性磁共振特征影像预测处理，生成功能性特征影像数据。
4.根据权利要求3所述的多模态磁共振影像的融合方法，其特征在于，步骤S24包括以下步骤：
步骤S241：对激发音频信号进行激发音频信号的动态强度分析，生成激发音频动态强度数据；
步骤S242：将激发音频动态强度数据以及校正动态影像数据进行对应时间序列的数据整合，生成动态音频-影像数据。
5.根据权利要求4所述的多模态磁共振影像的融合方法，其特征在于，步骤S25包括以下步骤：
步骤S251：利用卷积神经网络算法建立音频动态强度以及功能性磁共振动态影像的特征映射关系，生成初始特征影像预测模型；
步骤S252：将动态音频-影像数据进行数据划分处理，生成动态音频-影像训练集以及动态音频-影像测试集；
步骤S253：利用动态音频-影像训练集对初始特征影像预测模型进行模型训练处理，生成训练后的初始特征影像预测模型，并利用动态音频-影像测试集对训练后的初始特征影像预测模型进行模型测试，生成特征影像预测模型。
6.根据权利要求5所述的多模态磁共振影像的融合方法，其特征在于，步骤S3包括以下步骤：
步骤S31：对结构性磁共振影像数据进行影像格式提取，生成结构性影像格式数据；
步骤S32：根据结构性影像格式数据对功能性特征影像数据进行影像格式调节，生成标准功能性特征影像数据；
步骤S33：对结构性磁共振影像数据进行匹配节点标记处理，生成结构性影像匹配节点；
步骤S34：利用多模态磁共振影像匹配算法以及结构性影像匹配节点对标准功能性特征影像数据进行节点匹配程度计算，生成标准功能性特征影像数据的节点匹配程度数据；
步骤S35：根据节点匹配程度数据对标准功能性特征影像数据的影像节点进行节点标记，生成功能性影像匹配节点；
步骤S36：将结构性磁共振影像数据以及标准功能性特征影像数据进行多模态磁共振影像初步融合，生成初步多模态磁共振影像融合数据；
步骤S37：根据结构性影像匹配节点以及功能性影像匹配节点对初步融合磁共振影像数据进行多模态磁共振影像融合校正，生成多模态磁共振影像融合数据。
7.根据权利要求6所述的多模态磁共振影像的融合方法，其特征在于，步骤S34中的多模态磁共振影像匹配算法如下所示：
；
式中，表示为标准功能性特征影像数据的节点匹配程度数据，/>表示为标准功能性磁共振影像的像素数目，/>表示为结构性磁共振影像的匹配节点数目，/>表示为第/>个匹配节点数目的权重信息，/>表示为标准功能性磁共振影像的第/>个像素点的灰度值，/>表示为结构性磁共振影像的第/>个匹配节点的灰度值，/>表示为标准功能性磁共振影像的第/>个像素点的梯度数据，/>表示为结构性磁共振影像的第/>个匹配节点的梯度数据，/>表示为标准功能性磁共振影像的第/>个像素点以及结构性磁共振影像的第/>个匹配节点的纹理相似度数据，表示为节点匹配程度数据的异常调整值。
8.根据权利要求7所述的多模态磁共振影像的融合方法，其特征在于，步骤S35包括以下步骤：
利用预设的节点匹配程度阈值对节点匹配程度数据进行阈值比对，当节点匹配程度数据大于预设的节点匹配程度阈值时，将节点匹配程度数据对应的标准功能性特征影像数据的影像节点进行节点标记，生成功能性影像匹配节点。
9.根据权利要求8所述的多模态磁共振影像的融合方法，其特征在于，步骤S4包括以下步骤：
步骤S41：根据多模态磁共振影像融合数据进行多模态磁共振影像的三维影像模型构建，生成三维影像模型；
步骤S42：将特征影像预测模型以及三维影像模型进行多模态磁共振影像演化的映射连接，从而生成多模态磁共振影像演化模型；
步骤S43：获取测试激发音频信号；
步骤S44：将测试激发音频信号传输至多模态磁共振影像演化模型进行多模态磁共振影像的动态仿真演化，生成多模态磁共振演化影像数据。
10.一种多模态磁共振影像的融合系统，其特征在于，用于执行如权利要求1所述的多模态磁共振影像的融合方法，该多模态磁共振影像的融合系统包括：
结构性磁共振影像数据采集模块，利用核磁共振影像设备对用户进行三维磁共振原子核电信号采集，生成三维磁共振原子核信号；利用傅里叶变换数据将三维磁共振原子核信号进行影像域数据转换，生成结构性磁共振影像数据，其中，影像域数据转换为将三维磁共振原子核信号转换成频谱数据，每个频率对应于不同位置的信号贡献，傅里叶变换后的数据包括各个体积元素的信号强度信息，代表了人体内不同组织的分布和密度，傅里叶变换后的数据用来构建高分辨率的三维影像，进而生成结构性磁共振影像数据；
功能性磁共振影像数据采集模块，用于获取激发音频信号，其中，激发音频信号为进行功能性磁共振之前手动设定的音频信号参数，然后音频信号参数传输至音频设备后通过音频设备生成以激发脑活动的音频信号；基于激发音频信号以及核磁共振影像设备对用户进行功能性磁共振动态影像数据采集，生成功能性磁共振动态影像数据；将激发音频信号以及功能性磁共振动态影像数据进行对应时间序列的数据整合，生成动态音频-影像数据；利用卷积神经网络算法以及动态音频-影像数据进行音频动态强度以及功能性磁共振动态影像的关系模型构建，生成特征影像预测模型；根据激发音频信号以及特征影像预测模型进行功能性磁共振特征影像预测处理，生成功能性特征影像数据；
多模态磁共振影像融合模块，用于根据结构性影像格式数据对功能性特征影像数据进行影像格式调节，生成标准功能性特征影像数据；对结构性磁共振影像数据进行匹配节点标记处理，生成结构性影像匹配节点；根据结构性影像匹配节点对标准功能性特征影像数据的影像节点进行节点标记，生成功能性影像匹配节点；将结构性磁共振影像数据以及标准功能性特征影像数据进行多模态磁共振影像初步融合，生成初步多模态磁共振影像融合数据；根据结构性影像匹配节点以及功能性影像匹配节点对初步融合磁共振影像数据进行多模态磁共振影像融合校正，生成多模态磁共振影像融合数据；
多模态磁共振演化影像采集模块，用于根据多模态磁共振影像融合数据进行多模态磁共振影像的三维影像模型构建，生成三维影像模型；将特征影像预测模型以及三维影像模型进行多模态磁共振影像演化的映射连接，从而生成多模态磁共振影像演化模型；对多模态磁共振影像演化模型进行多模态磁共振影像的动态仿真演化，生成多模态磁共振演化影像数据。
CN202311319649.5A 2023-10-12 2023-10-12 一种多模态磁共振影像的融合方法及系统 Active CN117315425B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311319649.5A CN117315425B (zh) 2023-10-12 2023-10-12 一种多模态磁共振影像的融合方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311319649.5A CN117315425B (zh) 2023-10-12 2023-10-12 一种多模态磁共振影像的融合方法及系统

Publications (2)

Publication Number Publication Date
CN117315425A CN117315425A (zh) 2023-12-29
CN117315425B true CN117315425B (zh) 2024-03-26

Family

ID=89249685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311319649.5A Active CN117315425B (zh) 2023-10-12 2023-10-12 一种多模态磁共振影像的融合方法及系统

Country Status (1)

Country Link
CN (1) CN117315425B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580695A (zh) * 2019-08-07 2019-12-17 深圳先进技术研究院 一种多模态三维医学影像融合方法、系统及电子设备
CN110689536A (zh) * 2019-09-30 2020-01-14 深圳大学 基于多模态磁共振影像的大脑灰质及白质追踪方法及装置
CN112837274A (zh) * 2021-01-13 2021-05-25 南京工业大学 一种基于多模态多站点数据融合的分类识别方法
CN113705680A (zh) * 2021-08-27 2021-11-26 兰州大学 一种基于多模态磁共振数据的癌症伴随型抑郁识别方法
CN115409843A (zh) * 2022-11-02 2022-11-29 长春理工大学 基于尺度均衡耦合卷积架构的脑神经影像特征提取方法
CN116740426A (zh) * 2023-05-31 2023-09-12 深圳市第二人民医院(深圳市转化医学研究院) 一种功能磁共振影像的分类预测系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580695A (zh) * 2019-08-07 2019-12-17 深圳先进技术研究院 一种多模态三维医学影像融合方法、系统及电子设备
WO2021022752A1 (zh) * 2019-08-07 2021-02-11 深圳先进技术研究院 一种多模态三维医学影像融合方法、系统及电子设备
CN110689536A (zh) * 2019-09-30 2020-01-14 深圳大学 基于多模态磁共振影像的大脑灰质及白质追踪方法及装置
CN112837274A (zh) * 2021-01-13 2021-05-25 南京工业大学 一种基于多模态多站点数据融合的分类识别方法
CN113705680A (zh) * 2021-08-27 2021-11-26 兰州大学 一种基于多模态磁共振数据的癌症伴随型抑郁识别方法
CN115409843A (zh) * 2022-11-02 2022-11-29 长春理工大学 基于尺度均衡耦合卷积架构的脑神经影像特征提取方法
CN116740426A (zh) * 2023-05-31 2023-09-12 深圳市第二人民医院(深圳市转化医学研究院) 一种功能磁共振影像的分类预测系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Nicolle M.Correa,et al.Fusion of fMRI,sMRI and EEG data using canonical correlation analysis.《2009 IEEE International Conference on Acoustics, Speech and Signal Processing》.2009,385-388. *
基于广义卷积神经网络的阿尔茨海默病多模态磁共振图像分类方法研究;朱平，等;《生物医学工程学杂志》;20230331;第217-225页 *
精神分裂症的MRI图像分类方法研究;张娜;王瑜;朱婷;肖洪兵;曹利红;;中国科技论文;20180123(第02期);第1-4页 *

Also Published As

Publication number Publication date
CN117315425A (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
KR101659578B1 (ko) 자기 공명 영상 처리 방법 및 장치
EP1946701B1 (en) Brain function analysis method and brain function analysis program
JP5816917B2 (ja) 脳活動計測装置、脳活動計測方法、及び脳活動推定装置
JP2009501587A (ja) 複数の画像を空間合成する方法およびコンピュータプログラム
CN108829639A (zh) 一种磁共振成像方法和设备
CN112002428B (zh) 以独立成分网络为参照的全脑个体化脑功能图谱构建方法
CN107316334B (zh) 个性化精准磁共振影像方法
US20210123999A1 (en) Systems and methods of reconstructing magnetic resonance images using deep learning
WO2019102901A1 (ja) 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル
CN104093354A (zh) 用于评估医学图像的方法和设备
EP2549929B1 (en) Systems and methods for improved tractographic processing
CN110246137A (zh) 一种成像方法、装置及存储介质
CN116129235B (zh) 一种脑梗ct到mri常规序列的医学图像跨模态合成方法
Liu et al. Patch-based augmentation of Expectation–Maximization for brain MRI tissue segmentation at arbitrary age after premature birth
CN109741290B (zh) 用于神经追踪的方法、非暂时性计算机可读媒体及设备
WO2014121058A1 (en) Systems and methods for objective tractographic processing using features of grid structures of the brain
Nieto-Castanon Preparing fMRI data for statistical analysis
CN117172294B (zh) 一种稀疏脑网络的构建方法、系统、设备和存储介质
CN117315425B (zh) 一种多模态磁共振影像的融合方法及系统
Rajeev et al. A review on magnetic resonance spectroscopy for clinical diagnosis of brain tumour using deep learning
JP6629247B2 (ja) 微細構造解析データのデータ品質を評価し向上させる方法
CN116152235A (zh) 一种肺癌ct到pet的医学图像跨模态合成方法
CN115137347B (zh) 三维超短回波时间磁共振指纹成像的髓鞘定量成像方法
Kaur et al. A Novel MRI and CT Image Fusion Based on Discrete Wavelet Transform and Principal Component Averaging for Enhanced Clinical Diagnosis.
EP3769102A1 (en) Anomaly detection using magnetic resonance fingerprinting

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