CN117438054B - 一种脑影像数据的bids格式自动转换方法和装置 - Google Patents

一种脑影像数据的bids格式自动转换方法和装置 Download PDF

Info

Publication number
CN117438054B
CN117438054B CN202311724898.2A CN202311724898A CN117438054B CN 117438054 B CN117438054 B CN 117438054B CN 202311724898 A CN202311724898 A CN 202311724898A CN 117438054 B CN117438054 B CN 117438054B
Authority
CN
China
Prior art keywords
image data
bids
tested
brain image
converted
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
CN202311724898.2A
Other languages
English (en)
Other versions
CN117438054A (zh
Inventor
张瑜
张春玲
孙超良
李媛媛
方潇宇
范明
蒋田仔
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202311724898.2A priority Critical patent/CN117438054B/zh
Publication of CN117438054A publication Critical patent/CN117438054A/zh
Application granted granted Critical
Publication of CN117438054B publication Critical patent/CN117438054B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/11—File system administration, e.g. details of archiving or snapshots
    • G06F16/116—Details of conversion of file system types or formats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/16—File or folder operations, e.g. details of user interfaces specifically adapted to file systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/17—Details of further file system functions
    • G06F16/172—Caching, prefetching or hoarding of files
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本申请涉及一种脑影像数据的BIDS格式自动转换方法和装置。所述方法包括：基于接收到的待转换脑影像数据的文件存储路径，确定待转换脑影像数据的架构类型；根据架构类型以及待转换脑影像数据的各级文件夹，得到待转换脑影像数据中的被试文件夹；基于被试文件夹，获取被试文件夹中的BIDS格式的被试名称和BIDS格式的session名称；根据BIDS格式的被试名称、BIDS格式的session名称以及每种模态和数据类型所对应的BIDS字段，按照预设的命名规则，确定被试文件夹中所有序列对应的BIDS名称；将转换完成的BIDS文件保存在与BIDS文件的BIDS名称所对应的文件夹中。采用本方法能够实现将DICOM格式的脑影像数据转换为脑影像分析平台直接可以处理的BIDS格式的脑影像数据。

Description

一种脑影像数据的BIDS格式自动转换方法和装置
技术领域
本申请涉及数据转换技术领域，特别是涉及一种脑影像数据的BIDS格式自动转换方法和装置。
背景技术
随着医疗技术的发展，出现了脑影像技术，对脑影像技术的研究过程中，不可避免的涉及到大量脑影像数据。目前，采用医疗数字影像传输协定（Digital Imaging andCommunications in Medicine，DICOM）来实现脑影像数据的数据传输与获取。DICOM是医学图像和相关信息的国际标准，定义了可以与临床使用所需的数据和质量进行交换的医学图像的格式，每一张DICOM数据中都存储着大量的信息，包括患者信息（姓名、ID、体重等）、检查信息（检查的部位、描述等）、序列信息（序列描述、序列采集日期和时间等）、图像信息（图像类型等），这些信息都是以特定格式保存在DICOM数据的DataSet中。
然而，在获取DICOM格式的脑影像数据的过程中，因为受到采集仪器、操作人员等因素的影响，而产生文件夹架构杂乱无序、数据命名方式不统一、多文件类型的复杂数据集等问题。因此，DICOM格式的数据在输入脑影像分析平台之前，需要占用大量的计算资源进行数据格式的整理。基于此，有必要将获取到的DICOM格式的脑影像数据转化脑影像分析平台直接可以处理的脑影像数据结构（Brain Imaging Data Structure，BIDS）的格式。
然而，如何将DICOM格式的脑影像数据转换为脑影像分析平台直接可以处理的BIDS格式，目前仍没有明确方法。
发明内容
基于此，有必要针对上述技术问题，提供一种脑影像数据的BIDS格式自动转换方法和装置。
第一方面，本申请提供了一种脑影像数据的BIDS格式自动转换方法。所述方法包括：
基于接收到的待转换脑影像数据的文件存储路径，确定所述待转换脑影像数据的架构类型；
根据所述待转换脑影像数据的架构类型以及所述待转换脑影像数据的各级文件夹，得到所述待转换脑影像数据中的被试文件夹；
基于所述被试文件夹，获取所述被试文件夹中的BIDS格式的被试名称和BIDS格式的session名称；
根据BIDS格式的所述被试名称、BIDS格式的所述session名称以及每种模态和数据类型所对应的BIDS字段，按照预设的命名规则，确定所述被试文件夹中所有序列对应的BIDS名称；
将转换完成的BIDS文件保存在与所述BIDS文件的BIDS名称所对应的文件夹中。
在其中一个实施例中，所述根据所述待转换脑影像数据的架构类型以及所述待转换脑影像数据的各级文件夹，得到所述待转换脑影像数据中的被试文件夹，包括以下步骤：
当所述待转换脑影像数据的架构类型为被试包含序列型时，将所述待转换脑影像数据的非空的一级文件夹确定为当前所述待转换脑影像数据的所述被试文件夹；
当所述待转换脑影像数据的架构类型为序列包含被试型时，将所述待转换脑影像数据的非空的二级文件夹确定为当前所述待转换脑影像数据的所述被试文件夹。
在其中一个实施例中，所述基于所述被试文件夹，获取所述被试文件夹中的BIDS格式的被试名称和BIDS格式的session名称，包括以下步骤：
将所述被试文件夹的各个被试名称转换为BIDS格式的被试名称；
筛选出所述被试文件夹中的session文件夹；
将所述session文件夹的各个session名称转换为BIDS格式的session名称。
在其中一个实施例中，在根据BIDS格式的所述被试名称、BIDS格式的所述session名称以及每种模态和数据类型所对应的BIDS字段，按照预设的命名规则，确定所述被试文件夹中所有序列对应的BIDS名称之前，包括：
获取每个被试各个序列的序列特征；
基于每个所述被试各个序列的所述序列特征，采用多尺度特征融合的方法判断每个所述被试的各个序列的模态和数据类型；
根据预设的配置规则，为每个所述被试的各个序列配置与所述模态和所述数据类型所对应的BIDS字段。
在其中一个实施例中，所述获取每个被试各个序列的序列特征，包括以下步骤：
根据所述被试文件夹的架构类型以及所述待转换脑影像数据的各级文件夹，确定每个所述被试所对应的序列文件夹；
基于每个所述被试所对应的序列文件夹中的DICOM文件的文件头，获取每个所述被试各个序列的所述序列特征。
在其中一个实施例中，在将转换完成的BIDS文件保存在与所述BIDS文件的BIDS名称所对应的文件夹中之前，包括：
构建与BIDS文件所在的被试文件夹的架构所对应的文件夹架构。
在其中一个实施例中，在将转换完成的BIDS文件保存在与所述BIDS文件的BIDS名称所对应的文件夹中之前，还包括：
采用dcm2niix工具，将所述待转换脑影像数据转换为BIDS类型的BIDS文件，得到所述转换完成的BIDS文件。
在其中一个实施例中，在将转换完成的BIDS文件保存在与所述BIDS文件的BIDS名称所对应的文件夹中之后，还包括：
生成与所述BIDS文件所对应的BIDS格式数据集描述文件。
第二方面，本申请还提供了一种脑影像数据的BIDS格式自动转换装置。所述装置包括：
架构类型确定模块，用于基于接收到的待转换脑影像数据的文件存储路径，确定所述待转换脑影像数据的架构类型；
被试文件夹获取模块，用于根据所述待转换脑影像数据的架构类型以及所述待转换脑影像数据的各级文件夹，得到所述待转换脑影像数据中的被试文件夹；
BIDS格式名称获取模块，用于基于所述被试文件夹，获取所述被试文件夹中的BIDS格式的被试名称和BIDS格式的session名称；
序列命名模块，用于根据BIDS格式的所述被试名称、BIDS格式的所述session名称以及每种模态和数据类型所对应的BIDS字段，按照预设的命名规则，确定所述被试文件夹中所有序列对应的BIDS名称；
以及BIDS文件保存模块，用于将转换完成的BIDS文件保存在与所述BIDS文件的BIDS名称所对应的文件夹中。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的脑影像数据的BIDS格式自动转换方法。
上述脑影像数据的BIDS格式自动转换方法、装置和计算机设备，通过接收到的待转换脑影像数据的文件存储路径，确定待转换脑影像数据的架构类型，进而根据待转换脑影像数据的架构类型以及待转换脑影像数据的各级文件夹，得到待转换脑影像数据中的被试文件夹。进而，利用被试文件夹，获取BIDS格式的被试名称和BIDS格式的session名称，以及每种模态和数据类型所对应的BIDS字段，按照预设的命名规则，确定被试文件夹中的所有序列的BIDS名称，进而，按照被试文件夹中的所有序列的BIDS名称，将转换完成的BIDS文件保存于与BIDS文件的BIDS名称所对应的文件夹中，采用此种方式，对被试文件夹中的各个序列的文件按照脑影像分析平台直接可以读取的BIDS名称进行命名以及格式的转换，使得脑影像分析平台直接可以读取BIDS名称的文件夹中的BIDS格式的文件并进行处理，解决了现有技术没有明确办法实现将DICOM格式的脑影像数据转换为脑影像分析平台直接可以处理的BIDS格式的脑影像数据的问题。
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为本申请一实施例提供的脑影像数据的BIDS格式自动转换方法的终端的硬件结构框图；
图2为本申请一实施例提供的脑影像数据的BIDS格式自动转换方法的流程图；
图3为本申请一优选实施例提供的脑影像数据的BIDS格式自动转换方法的流程图；
图4为本申请一实施例提供的脑影像数据的BIDS格式自动转换装置的结构框图。
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是本实施例的脑影像数据的BIDS格式自动转换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，终端还可以包括比图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，如在本实施例中的脑影像数据的BIDS格式自动转换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（Radio Frequency，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脑影像数据的BIDS格式自动转换方法，图2是本实施例的脑影像数据的BIDS格式自动转换方法的流程图，如图2所示，该流程包括如下步骤：
步骤S210，基于接收到的待转换脑影像数据的文件存储路径，确定待转换脑影像数据的架构类型。
上述待转换脑影像数据的文件存储路径，可以是获取到的未处理的DICOM格式的待转换脑影像数据的各级文件的存储路径。需要说明的是，本实施例所涉及的存储路径可以为相对路径也可以为绝对路径。只要能够通过待转换脑影像数据的各级文件的存储路径确定各级文件的存储关系即可。为了表述方便，本实施例可以将获取到的未处理的DICOM格式的待转换脑影像数据所形成的文件夹作为一级文件夹，一级文件夹中的文件夹作为二级文件夹，以此类推，确定待转换脑影像数据的各级文件夹以及各级文件夹中的文件的存储关系。上述待转换脑影像数据的架构类型，可以包括被试包含序列型和序列包含被试型。其中，上述被试包含序列型，可以是同一被试的所有序列文件夹都存放于同一个被试文件夹中，其中，所有被试文件夹都存储于同一级文件夹中。上述序列包含被试型，可以是同一序列文件夹中包含多个被试文件夹，每个被试文件夹中只存储当前被试的单一序列类型的文件，其中，所有序列文件夹都存储于同一级文件夹中。
具体地，基于接收到的待转换脑影像数据的文件存储路径，确定待转换脑影像数据的架构类型的过程，可以为基于接收到的待转换脑影像数据的文件存储路径，获取一级文件夹，进而判断一级文件夹中的二级文件夹的数目。需要说明的是，上述一级文件夹必须为非空文件夹。
当一级文件夹中的二级文件夹的数目大于或等于2时，随机选取其中的两个二级文件夹，并分别从每个二级文件夹中随机抽取一个序列文件，进而判断抽取到的两个序列文件的文件头中的被试名称和被试ID是否完全一致，若一致，则待转换脑影像数据的架构类型为被试包含序列型，若不一致，则待转换脑影像数据的架构类型为序列包含被试型。需要说明的是，上述抽取到的两个序列文件的文件头中的被试名称和被试ID完全一致，是指抽取到的两个序列文件的文件头中的被试名称一致，并且抽取到的两个序列文件的文件头中的被试ID一致。上述抽取到的两个序列文件的文件头中的被试名称和被试ID不一致，是指抽取到的两个序列文件的文件头中的被试名称不一致和/或抽取到的两个序列文件的文件头中的被试ID不一致。
例如，基于接收到的待转换脑影像数据的文件存储路径，获取到一级文件夹为folder_level1，一级文件夹中包括3个二级文件夹，分别为：folder_level1_1、folder_level1_2、和folder_level1_3，此时随机抽取folder_level1_1和folder_level1_2，并从folder_level1_1中随机抽取一个序列文件folder_level1_1_A，从folder_level1_2中随机抽取一个序列文件folder_level1_1_B，进而获取folder_level1_1_A和folder_level1_1_B文件头中的被试姓名和被试ID，若folder_level1_1_A和folder_level1_1_B文件头中的被试姓名一致且被试ID一致，则待转换脑影像数据的架构类型为被试包含序列型；若folder_level1_1_A和folder_level1_1_B文件头中的被试姓名不一致或/和被试ID不一致，则待转换脑影像数据的架构类型为序列包含被试型。
当一级文件夹中仅包含1个二级文件夹时，判断二级文件夹中的三级文件夹的数目。当二级文件夹中的三级文件夹的数目大于或等于2时，判断三级文件夹的名称是否包含前缀字符串“session-”，若三级文件夹的名称包含前缀字符串“session-”，则待转换脑影像数据的架构类型为被试包含序列型；若三级文件夹的名称不包含前缀字符串“session-”，随机选取其中的两个三级文件夹，并分别从每个三级文件夹中随机抽取一个序列文件，进而判断抽取到的两个序列文件的文件头中的被试名称和被试ID是否完全一致，若一致，则待转换脑影像数据的架构类型为被试包含序列型，若不一致，则待转换脑影像数据的架构类型为序列包含被试型。当二级文件夹中只包含1个三级文件夹时，判断三级文件夹的名称是否包含前缀字符串“session-”，若三级文件夹的名称包含前缀字符串“session-”，则待转换脑影像数据的架构类型为序列包含被试型；若三级文件夹的名称不包含前缀字符串“session-”，则认定待转换脑影像数据的架构类型为被试包含序列型。
本步骤通过基于接收到的待转换脑影像数据的文件存储路径，确定待转换脑影像数据的架构类型，便于根据待转换脑影像数据的架构类型确定待转换脑影像数据中的被试文件夹以及序列文件夹。
步骤S220，根据待转换脑影像数据的架构类型以及待转换脑影像数据的各级文件夹，得到待转换脑影像数据中的被试文件夹。
其中，上述根据待转换脑影像数据的架构类型以及待转换脑影像数据的各级文件夹，得到待转换脑影像数据中的被试文件夹，可以是当待转换脑影像数据的架构类型为被试包含序列型时，将待转换脑影像数据的非空的一级文件夹确定为当前待转换脑影像数据的被试文件夹，当待转换脑影像数据的架构类型为序列包含被试型时，将待转换脑影像数据的非空的二级文件夹确定为当前待转换脑影像数据的被试文件夹。例如，当待转换脑影像数据的架构类型为被试包含序列型时，待转换的脑影像数据的一级文件夹为folder_level1，folder_level1为非空文件夹，则将folder_level1确定为当前待转换脑影像数据的被试文件夹。当待转换脑影像数据的架构类型为序列包含被试型时，若待转换的脑影像数据包括3个二级文件夹，分别为：folder_level1_1、folder_level1_2、和folder_level1_3，若folder_level1_1为空文件夹，则将folder_level1_2、和folder_level1_3确定为当前待转换脑影像数据的被试文件夹。本步骤通过对被试文件夹的确定，便于后续根据被试文件夹的名称获取被试文件夹的BIDS格式的被试名称，以及根据被试文件夹的内容，筛选出被试文件夹中的session文件夹，进而得到BIDS格式的session名称。
步骤S230，基于被试文件夹，获取被试文件夹中的BIDS格式的被试名称和BIDS格式的session名称。
为了便于理解，本步骤具体可以分为以下几个步骤实现：
步骤S231，将被试文件夹的各个被试名称转换为BIDS格式的被试名称。
具体地，首先，根据被试文件夹的名称得到被试名称，可以是筛选出被试文件夹的名称中的所有字母和数字，并按原顺序排列得到一个字符串，将这个字符串作为被试名称。例如，一个被试文件夹的名称为“张三0005_zs%&()a”，则筛选出被试文件夹的名称中的所有字母和数字，并按原顺序排列得到一个字符串“0005zsa”，则可以将字符串“0005zsa”作为被试名称。需要说明的是，若多个被试文件夹按照此种方式得到的被试名称相同，则保持其中的一个被试名称不变，在其他的被试名称后面加想同的标志字符串，此标志字符串可以根据需求而具体设置，进而在标志字符串后面加识别字符串，此识别字符串可以是一个或多个随机的数字或字母，只要能够用以识别不同的被试名称即可，识别字符串的长度和类型在此不做具体限定。例如，三个被试文件夹的名称分别为：“张三0005_zs ()a”、“张三0005_zs)a”和“张三0005_zs (a”，基于此三个被试文件夹的名称，可以得到三个被试名称均为“0005zsa”，可以将第一个被试文件夹的被试名称命名为“0005zsa”，在另外两个字符串后添加标志字符串“repeat”，然后再在这两个添加标志字符串的字符串后面再添加识别字符串“0”和“1”，使得被试名称不重复，即得到三个被试文件夹的被试名称分别为：“0005zsa”、“0005zsarepeat0”和“0005zsarepeat1”。然后，将被试名称转换为BIDS格式的被试名称。具体地，在被试名称前面添加“sub-”前缀，即可将被试名称转换为BIDS格式的被试名称。例如，三个被试文件夹的被试名称分别为：“0005zsa”、“0005zsarepeat0”和“0005zsarepeat1”，则转换为三个BIDS格式的被试名称分别为：“sub-0005zsa”、“sub-0005zsarepeat0”和“sub-0005zsarepeat1”。
步骤S232，筛选出被试文件夹中的session文件夹。
若在被试文件夹中，存在前缀字符串为“session-”的文件夹，那么这个被试文件夹中存在session文件夹。将被试文件夹中所有前缀字符串为“session-”的文件夹筛选出来，得到被试文件夹中的所有session文件夹。
步骤S233，将session文件夹的各个session名称转换为BIDS格式的session名称。
在本步骤中，首先，根据session文件夹，得到session名称，其中，session名称，可以是session文件夹所在的被试文件夹中的所有session文件夹的名称。例如，session文件夹所在的被试文件夹中包括三个session文件夹，分别为：“session-张三0005_zs ()a”、“session-张三0005_zs)a”和“session-张三0005_zs (a”，则得到的session名称为“session-张三0005_zs ()a”、“session-张三0005_zs)a”和“session-张三0005_zs (a”。然后，用前缀字符串“ses-”替换session名称中的前缀字符串“session-”，进而，筛选出原session名称中前缀字符串“session-”后面的所有字母和数字，并按原顺序排列得到一个新的字符串，将这个新的字符串与前缀字符串“ses-”一起，作为BIDS格式的session名称。需要说明的是，若多个session文件夹按照此种方式得到的BIDS格式的session名称相同，则保持其中的一个session名称不变，在其他的BIDS格式的session名称后面加想同的标志字符串，此标志字符串可以根据需求而具体设置，进而在标志字符串后面加识别字符串，此识别字符串可以是一个或多个随机的数字或字母，只要能够用以识别不同的BIDS格式的session名称即可，识别字符串的长度和类型在此不做具体限定。例如，三个session名称分别为：“session-张三0005_zs ()a”、“session-张三0005_zs)a”和“session-张三0005_zs(a”，基于此三个session名称，可以得到三个BIDS格式的session名称均为“ses-0005zsa”，可以将第一个被试文件夹的被试名称命名为“ses-0005zsa”，在另外两个字符串后添加标志字符串“repeat”，然后再在这两个添加标志字符串的字符串后面再添加识别字符串“0”和“1”，使得BIDS格式的session名称不重复，即得到三个session文件夹的BIDS格式的session名称分别为：“ses-0005zsa”、“ses-0005zsarepeat0”和“ses-0005zsarepeat1”。
上述步骤S231至步骤S233，通过将被试文件夹的各个被试名称转换为BIDS格式的被试名称，以及将被试文件夹中的session文件夹的各个session名称转换为BIDS格式的session名称，便于后续根据BIDS格式的被试名称以及BIDS格式的session名称确定被试文件夹中所有序列对应的BIDS名称。
步骤S240，根据BIDS格式的被试名称、BIDS格式的session名称以及每种模态和数据类型所对应的BIDS字段，按照预设的命名规则，确定被试文件夹中所有序列对应的BIDS名称。
其中，上述模态，可以是文件中所记录的脑影像数据的类别。对于MRI（MagneticResonance Imaging，磁共振成像）数据，不同的脉冲序列被视为不同的模态。例如，MRI数据中的模态可以分为T1w（T1加权成像）模态、T2w（T2加权成像）模态、dwi（DiffusionWeighted Imaging，扩散加权成像）模态等多种模态。上述数据类型，可以是模态的类型。其中，BIDS格式的脑影像数据的数据类型可以分为以下几种：anat（结构像）、func（功能像）、dwi（扩散像）、fmap（场图）、pref（灌注像）、meg（脑磁图）、eeg（脑电图）、ieeg（颅内脑电图）、beh（行为数据）、pet（正电子发射断层扫描成像）、micr（显微镜数据）和nirs（近红外光谱数据）。需要注意的是，模态和数据类型名称可能重复。另外需要说明，一种模态的多个DICOM格式的文件可以合并为一个NIFTI格式的文件。将DICOM格式的脑影像数据转换为BIDS格式的脑影像数据的过程中，需要首先将DICOM格式的脑影像数据转换为NIFTI（NeuroimagingInformatics Technology Initiative，神经影像学信息交换）格式的文件，并所有NIFTI格式的文件存储于以数据类型命名的文件夹中，其中，一个数据类型的文件夹中包括多个模态的NIFTI格式的文件。
在确定被试文件夹中各个序列每种模态和数据类型所对应的BIDS字段之前，还包括以下步骤：
步骤S234，获取每个被试各个序列的序列特征。
其中，上述序列特征，可以是标签信息，具体可以包括序列描述、图像类型、协议名称采集日期和采集时间中的一种或多种。其中，序列描述、图像类型和协议名称，用于判断待转换脑影像数据的模态和数据类型。采集时间和采集日期，用于判断同类型的待转换脑影像数据的先后顺序。
上述获取每个被试各个序列的序列特征，可以是根据被试文件夹的架构类型以及待转换脑影像数据的各级文件夹，确定每个被试所对应的序列文件夹；基于每个被试所对应的序列文件夹中的DICOM文件的文件头，获取每个被试各个序列的序列特征。具体地，可以是首先确定每个被试的各个序列的序列文件夹的DICOM文件，然后从DICOM文件的文件头中获取各个序列的序列特征。上述序列特征包括序列描述、图像类型、协议名称、采集日期和采集时间，在头文件中的标签分别为(0008，103E)、(0008，0008)、(0018，1030)、(0008，0022)和(0008，0032)。
步骤S235，基于每个被试各个序列的序列特征，采用多尺度特征融合的方法判断每个被试的各个序列的模态和数据类型。
具体可以包括以下步骤：第一，对被试文件夹中所有序列的模态和数据类型进行初始化设置，可以设置被试文件夹中所有序列的模态和数据类型为“undefined”和“undefined”。第二，筛除被试文件夹中序列特征中图像类型不包含“ORIGINAL”的序列，得到筛除后的序列。第三，确定被试文件夹中所有筛除后的序列的模态和数据类型。其中，可以根据筛除后的序列的序列描述图像类型和协议名称来确定被试文件夹中所有筛除后的序列的模态和数据类型。具体地，若筛除后的序列的序列描述中包含“DTI”、“diff”、“mddw”中的一个或多个，或图像类型中包含“DIFFUSION”，则该序列对应的模态和数据类型为“dwi”和“dwi”；若筛除后的序列的序列描述中包含“rest”、“bold”、“functionals”中的一个或多个且序列描述中不包含“mean”，或协议名称中包含“functionals”，或图像类型中包含“MOSAIC”、“EPI”中的一个或两个且不包含“mean”，则该序列的模态和数据类型为“bold”和“func”；若筛除后的序列的序列描述中包含“t1”、“mprage”、“mpr”、“t2”、“BRAVO”中的一个或多个，或协议名称中包含“mp2rage”、“mprage”中的一个或两个， 则确定序列的数据类型为“anat”，然后确定序列对应的模态，若协议名称中包含“mp2rage”且序列描述中包含“_UNI”，则确定序列的模态为“UNIT1”；若协议名称中包含“mp2rage”，且序列描述中包含“_INV1”，则确定序列的模态为“inv1_MP2RAGE”；若协议名称中包含“mp2rage”，且序列描述中包含“_INV2”，则确定序列的模态为“inv2_MP2RAGE”；若序列描述中包含“t1”、“mprage”、“mpr”、 “BRAVO”中第一个或多个，或协议名称中包含“mprage”，则确定序列的模态为“T1w”；否则确定序列的模态为“T2w”。
步骤S236，根据预设的配置规则，为每个被试的各个序列配置与模态和数据类型所对应的BIDS字段。
具体地，若序列的模态和数据类型为“dwi”和“dwi”，且序列描述中包含“AP”、“PA”，则该序列的模态和数据类型所对应的BIDS字段中添加“dir-<label>”，<label>中的内容即为“AP”或“PA”；若序列的模态和数据类型为“bold”和“func”，则该序列的模态和数据类型所对应的BIDS字段中添加“task-<label>”；若序列描述中包含“rest”，<label>中的内容即为“rest”；若协议名称与序列描述相同，则<label>为协议名称中所有的字母和数字构成的字符串（原顺序排列）；若协议名称与序列描述不相同，<label>为协议名称和序列描述的字母和数字组合构成的字符串（原顺序排列）；若图像类型中包含“TE”，则该序列的模态和数据类型所对应的BIDS字段中添加“echo-%e”。基于此，根据被试文件夹中各个序列的模态和数据类型，可以确定各个序列的模态和数据类型所对应的BIDS字段的可选字段包括：“dir-<label>”、“task-<label>”和“echo-%e”中的一个或多个。
上述根据BIDS格式的被试名称、BIDS格式的session名称以及每种模态和数据类型所对应的BIDS字段，按照预设的命名规则，确定被试文件夹中所有序列对应的BIDS名称，可以是根据BIDS格式的被试名称：“sub-<label>”，BIDS格式的session名称：“ses-<label>”，以及每种模态和数据类型所对应的BIDS字段：“dir-<label>”、“task-<label>”和“echo-%e”中的一个或多个，按照预设的规则进行拼接，确定被试文件夹中所有序列对应的BIDS名称。例如，可以以“sub-<label>_ses-<label>_task-<label>_dir-<label>_echo-%e_模态”的形式拼接，得到被试文件夹中所有序列对应的BIDS名称，若其中“dir-<label>”、“task-<label>”和“echo-%e”中的一个或多个没有则可以忽略。需要说明的是，若按照此种方式得到的被试文件夹中的序列的BIDS名称存在重复，则按照采样时间从小到大的顺序，将重复的BIDS名称进行排序，并在每个BIDS名称中的“dir -<label>”后面添加“run-<index>”，其中<index>为排序的数字。例如，得到被试文件夹中的序列的BIDS名称有两个“sub-<label>_ses-<label>_task-<label>_dir-<label>_echo-%e_模态”，则按照采集时间的先后顺序将两个BIDS名称进行排序，并在每个BIDS名称中的“dir-<label>”后面添加“run-<index>”，得到两个BIDS名称分别为：“sub-<label>_ses-<label>_task-<label>_dir-<label>_run-1_echo-%e_模态”和“sub-<label>_ses-<label>_task-<label>_dir-<label>_run-2_echo-%e_模态”。
本步骤根据BIDS格式的被试名称、BIDS格式的session名称以及每种模态和数据类型所对应的BIDS字段，进而，按照预设的命名规则，确定被试文件夹中所有序列对应的BIDS名称，便于根据被试文件夹中所有序列对应的BIDS名称将被试文件夹中所有序列存储于与BIDS名称所对应的文件夹中。
步骤S250，将转换完成的BIDS文件保存在与BIDS文件的BIDS名称所对应的文件夹中。
需要说明的是，在将换完成的BIDS文件保存在与BIDS文件的BIDS名称所对应的文件夹中之前，还包括以下步骤：
步骤S241，构建与BIDS文件所在的被试文件夹的架构所对应的文件夹架构。
在本步骤中，首先构建每个被试的被试文件夹“sub-<label>”，若被试文件夹中存在session文件夹，则在相应的被试文件夹中构建session文件夹“ses-<label>”，然后在session文件夹“ses-<label>”中构建以数据类型命名的数据类型文件夹；若被试文件夹中不存在session文件夹，则在相应的被试文件夹中直接构建以数据类型命名的数据类型文件夹。
步骤S242，采用dcm2niix工具，将待转换脑影像数据转换为BIDS类型的BIDS文件，得到转换完成的BIDS文件。
本步骤采用dcm2niix工具将待转换脑影像数据转换为BIDS类型的BIDS文件，并以步骤S240的方式对转换成的BIDS文件进行BIDS命名，得到转换完成的以BIDS命名的BIDS文件。其中，dcm2niix可以用于将DICOM格式的医学图像转换为更加通用的NIFTI格式的图像。该软件可以直接读取MRI（Magnetic Resonance Imaging，磁共振成像），并把它们转换为NIFTI 格式。BIDS类型的BIDS文件可以是.nii、.nii.gz、.json、.bval、.bvec类型的文件。需要说明的是，使用dcm2niix工具得到的是数据类型为“func”的.json文件，“func”的.json文件不包含TaskName关键字，因此，需要在数据类型为“func”的.json文件中添加TaskName关键字，键值为该序列对应的“task-<label>”中的label字段。
上述将转换完成的BIDS文件保存在与BIDS文件的BIDS名称所对应的文件夹中，可以是将转换完成的BIDS文件保存在与BIDS文件的BIDS名称所对应的被试文件夹、session文件夹或数据类型文件夹中。需要说明的是，根据转换完成的BIDS文件的BIDS名称可以得到转换完成的BIDS文件的被试名称、是否属于session文件以及对应的模态，因此，可以直接将换完成的BIDS文件保存在与BIDS文件的BIDS名称所对应的文件夹中。
上述步骤S210至S250，通过接收到的待转换脑影像数据的文件存储路径，确定待转换脑影像数据的架构类型，进而根据待转换脑影像数据的架构类型以及待转换脑影像数据的各级文件夹，得到待转换脑影像数据中的被试文件夹。进而，利用被试文件夹，获取BIDS格式的被试名称和BIDS格式的session名称，以及每种模态和数据类型所对应的BIDS字段，按照预设的命名规则，确定被试文件夹中的所有序列的BIDS名称，进而，按照被试文件夹中的所有序列的BIDS名称，将转换完成的BIDS文件保存于与BIDS文件的BIDS名称所对应的文件夹中，采用此种方式，对被试文件夹中的各个序列的文件按照脑影像分析平台直接可以读取的BIDS名称进行命名以及格式的转换，使得脑影像分析平台直接可以读取BIDS名称的文件夹中的BIDS格式的文件并进行处理，解决了现有技术没有明确办法实现将DICOM格式的脑影像数据转换为脑影像分析平台直接可以处理的BIDS格式的脑影像数据的问题。
在一个实施例中，在上述步骤S250之后，还包括以下步骤：
步骤S252，生成与BIDS文件所对应BIDS格式数据集的描述文件。
在本步骤中，首先以“participant_id”、“sex”、“age”为表头，以“sub-<label>”、性别、年龄为具体内容，以participants.tsv文件的形式将上述设置内容保存在BIDS格式数据集的具体路径中；然后，以“sex”、“age”为关键字，每个关键字的键值均包含“Description”、“Type”、“Form” 、“Units”、“Levels”。其中，“Description”指该关键字的描述，例如，可以将“age”中的“Description”设为“被试的年龄”，可以将“sex”中的“Description”设为“被试的性别”。“Type”指该关键字的类型，例如可以将“age”中的“Type”设为1，将“sex”中的“Type”设为2。“Form”指该关键字的数据格式，例如，可以将“sex”中的“Form”设为“str”，可以将“age”中的“Form”设为“num”。“Units”指该关键字的单位，例如，可以将“age”中的“Units”设为“岁/years”。“Levels”指该关键字的数据的类别，例如可以将“sex”中的“Levels”设为以“M”和“F”为关键字，以“男”和“女”为关键字所对应的键值。然后，以participants.json文件的形式将上述设置内容保存在BIDS格式数据集的具体路径中；最后，以“Dataset Name”、“BIDS Version”、“Authors”、“Data Time” 、“Toolbox Name” 为关键字，各个关键字所对应的键值分别为数据集的名称、BIDS版本、使用者、转换完成的日期的时间及使用的转换软件名称，以dataset_description.json文件的形式将上述设置内容保存在BIDS格式数据集的具体路径中。本步骤通过生成与BIDS文件所对应BIDS格式数据集的描述文件，能够便于用户了解和使用转换后的BIDS文件的具体信息。
下面通过优选实施例对本实施例进行描述和说明。
图3是本申请一优选实施例提供的脑影像数据的BIDS格式自动转换方法的流程图。如图3所示，该脑影像数据的BIDS格式自动转换方法包括以下步骤：
步骤S310，基于接收到的待转换脑影像数据的文件存储路径，确定待转换脑影像数据的架构类型；
步骤S320，根据待转换脑影像数据的架构类型以及待转换脑影像数据的各级文件夹，得到待转换脑影像数据中的被试文件夹；
步骤S330，基于被试文件夹，获取被试文件夹中的BIDS格式的被试名称和BIDS格式的session名称；
步骤S340，根据BIDS格式的被试名称、BIDS格式的session名称以及每种模态和数据类型所对应的BIDS字段，按照预设的命名规则，确定被试文件夹中所有序列对应的BIDS名称；
步骤S350，采用dcm2niix工具，将待转换脑影像数据转换为BIDS类型的BIDS文件，得到转换完成的BIDS文件；
步骤S360，构建与BIDS文件所在的被试文件夹的架构所对应的文件夹架构；
步骤S370，将转换完成的BIDS文件保存在与BIDS文件的BIDS名称所对应的文件夹中。
上述步骤S310至步骤S370，通过接收到的待转换脑影像数据的文件存储路径，确定待转换脑影像数据的架构类型，进而根据待转换脑影像数据的架构类型以及待转换脑影像数据的各级文件夹，得到待转换脑影像数据中的被试文件夹。进而，利用被试文件夹，获取BIDS格式的被试名称和BIDS格式的session名称，以及每种模态和数据类型所对应的BIDS字段，按照预设的命名规则，确定被试文件夹中的所有序列的BIDS名称，进而，按照被试文件夹中的所有序列的BIDS名称，将转换完成的BIDS文件保存于与BIDS文件的BIDS名称所对应的文件夹中，采用此种方式，对被试文件夹中的各个序列的文件按照脑影像分析平台直接可以读取的BIDS名称进行命名以及格式的转换，使得脑影像分析平台直接可以读取BIDS名称的文件夹中的BIDS格式的文件并进行处理，解决了现有技术没有明确办法实现将DICOM格式的脑影像数据转换为脑影像分析平台直接可以处理的BIDS格式的脑影像数据的问题。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，在本实施例中还提供了一种脑影像数据的BIDS格式自动转换装置，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被构想的。
在一个实施例中，图4是本申请一实施例提供的脑影像数据的BIDS格式自动转换装置的结构框图，如图4所示，该脑影像数据的BIDS格式自动转换装置，包括：
架构类型确定模块41，用于基于接收到的待转换脑影像数据的文件存储路径，确定待转换脑影像数据的架构类型；
被试文件夹获取模块42，用于根据待转换脑影像数据的架构类型以及待转换脑影像数据的各级文件夹，得到待转换脑影像数据中的被试文件夹；
BIDS格式名称获取模块43，用于基于被试文件夹，获取被试文件夹中的BIDS格式的被试名称和BIDS格式的session名称；
序列命名模块44，用于根据BIDS格式的被试名称、BIDS格式的session名称以及每种模态和数据类型所对应的BIDS字段，按照预设的命名规则，确定被试文件夹中所有序列对应的BIDS名称；
以及BIDS文件保存模块45，用于将转换完成的BIDS文件保存在与BIDS文件的BIDS名称所对应的文件夹中。
上述脑影像数据的BIDS格式自动转换装置，通过接收到的待转换脑影像数据的文件存储路径，确定待转换脑影像数据的架构类型，进而根据待转换脑影像数据的架构类型以及待转换脑影像数据的各级文件夹，得到待转换脑影像数据中的被试文件夹。进而，利用被试文件夹，获取BIDS格式的被试名称和BIDS格式的session名称，以及每种模态和数据类型所对应的BIDS字段，按照预设的命名规则，确定被试文件夹中的所有序列的BIDS名称，进而，按照被试文件夹中的所有序列的BIDS名称，将转换完成的BIDS文件保存于与BIDS文件的BIDS名称所对应的文件夹中，采用此种方式，对被试文件夹中的各个序列的文件按照脑影像分析平台直接可以读取的BIDS名称进行命名以及格式的转换，使得脑影像分析平台直接可以读取BIDS名称的文件夹中的BIDS格式的文件并进行处理，解决了现有技术没有明确办法实现将DICOM格式的脑影像数据转换为脑影像分析平台直接可以处理的BIDS格式的脑影像数据的问题。
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。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述实施例中的任意一种脑影像数据的BIDS格式自动转换方法。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
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流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
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本申请专利范围的限制。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 (7)

1.一种脑影像数据的BIDS格式自动转换方法，其特征在于，所述方法包括：
基于接收到的待转换脑影像数据的文件存储路径，确定所述待转换脑影像数据的架构类型；所述基于接收到的待转换脑影像数据的文件存储路径，确定所述待转换脑影像数据的架构类型，包括：基于接收到的所述待转换脑影像数据的文件存储路径，获取一级文件夹；基于所述一级文件夹中的二级文件夹的数目和所述二级文件夹中的序列文件，以及所述二级文件夹中的三级文件夹的数目和所述三级文件夹中的序列文件，确定所述待转换脑影像数据的架构类型；
根据所述待转换脑影像数据的架构类型以及所述待转换脑影像数据的各级文件夹，得到所述待转换脑影像数据中的被试文件夹；所述根据所述待转换脑影像数据的架构类型以及所述待转换脑影像数据的各级文件夹，得到所述待转换脑影像数据中的被试文件夹，包括：当所述待转换脑影像数据的架构类型为被试包含序列型时，将所述待转换脑影像数据的非空的一级文件夹确定为当前所述待转换脑影像数据的所述被试文件夹；当所述待转换脑影像数据的架构类型为序列包含被试型时，将所述待转换脑影像数据的非空的二级文件夹确定为当前所述待转换脑影像数据的所述被试文件夹；
将所述被试文件夹的各个被试名称转换为BIDS格式的被试名称；筛选出所述被试文件夹中的session文件夹；将所述session文件夹的各个session名称转换为BIDS格式的session名称；
根据预设的配置规则，为每个所述被试的各个序列配置与模态和数据类型所对应的BIDS字段；根据BIDS格式的所述被试名称、BIDS格式的所述session名称以及每种所述模态和所述数据类型所对应的BIDS字段，按照预设的命名规则，确定所述被试文件夹中所有序列对应的BIDS名称；
构建与BIDS文件所在的被试文件夹的架构所对应的文件夹架构；
将转换完成的BIDS文件保存在与所述BIDS文件的BIDS名称所对应的文件夹中。
2.根据权利要求1所述的脑影像数据的BIDS格式自动转换方法，其特征在于，在根据预设的配置规则，为每个所述被试的各个序列配置与模态和数据类型所对应的BIDS字段之前，包括：
获取每个被试各个序列的序列特征；
基于每个所述被试各个序列的所述序列特征，采用多尺度特征融合的方法判断每个所述被试的各个序列的模态和数据类型。
3.根据权利要求2所述的脑影像数据的BIDS格式自动转换方法，其特征在于，所述获取每个被试各个序列的序列特征，包括：
根据所述被试文件夹的架构类型以及所述待转换脑影像数据的各级文件夹，确定每个所述被试所对应的序列文件夹；
基于每个所述被试所对应的序列文件夹中的DICOM文件的文件头，获取每个所述被试各个序列的所述序列特征。
4.根据权利要求1至权利要求3中任一项所述的脑影像数据的BIDS格式自动转换方法，其特征在于，在将转换完成的BIDS文件保存在与所述BIDS文件的BIDS名称所对应的文件夹中之前，还包括：
采用dcm2niix工具，将所述待转换脑影像数据转换为BIDS类型的BIDS文件，得到所述转换完成的BIDS文件。
5.根据权利要求1至权利要求3中任一项所述的脑影像数据的BIDS格式自动转换方法，其特征在于，在将转换完成的BIDS文件保存在与所述BIDS文件的BIDS名称所对应的文件夹中之后，还包括：
生成与所述BIDS文件所对应的BIDS格式数据集的描述文件。
6.一种脑影像数据的BIDS格式自动转换装置，其特征在于，所述装置包括：
架构类型确定模块，用于基于接收到的待转换脑影像数据的文件存储路径，确定所述待转换脑影像数据的架构类型；所述基于接收到的待转换脑影像数据的文件存储路径，确定所述待转换脑影像数据的架构类型，包括：基于接收到的所述待转换脑影像数据的文件存储路径，获取一级文件夹；基于所述一级文件夹中的二级文件夹的数目和所述二级文件夹中的序列文件，以及所述二级文件夹中的三级文件夹的数目和所述三级文件夹中的序列文件，确定所述待转换脑影像数据的架构类型；
被试文件夹获取模块，用于根据所述待转换脑影像数据的架构类型以及所述待转换脑影像数据的各级文件夹，得到所述待转换脑影像数据中的被试文件夹；所述根据所述待转换脑影像数据的架构类型以及所述待转换脑影像数据的各级文件夹，得到所述待转换脑影像数据中的被试文件夹，包括：当所述待转换脑影像数据的架构类型为被试包含序列型时，将所述待转换脑影像数据的非空的一级文件夹确定为当前所述待转换脑影像数据的所述被试文件夹；当所述待转换脑影像数据的架构类型为序列包含被试型时，将所述待转换脑影像数据的非空的二级文件夹确定为当前所述待转换脑影像数据的所述被试文件夹；
BIDS格式名称获取模块，用于将所述被试文件夹的各个被试名称转换为BIDS格式的被试名称；筛选出所述被试文件夹中的session文件夹；将所述session文件夹的各个session名称转换为BIDS格式的session名称；
序列命名模块，用于根据预设的配置规则，为每个所述被试的各个序列配置与模态和数据类型所对应的BIDS字段；根据BIDS格式的所述被试名称、BIDS格式的所述session名称以及每种所述模态和所述数据类型所对应的BIDS字段，按照预设的命名规则，确定所述被试文件夹中所有序列对应的BIDS名称；
以及BIDS文件保存模块，用于构建与BIDS文件所在的被试文件夹的架构所对应的文件夹架构；将转换完成的BIDS文件保存在与所述BIDS文件的BIDS名称所对应的文件夹中。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至权利要求5中任一项所述的脑影像数据的BIDS格式自动转换方法的步骤。
CN202311724898.2A 2023-12-15 2023-12-15 一种脑影像数据的bids格式自动转换方法和装置 Active CN117438054B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311724898.2A CN117438054B (zh) 2023-12-15 2023-12-15 一种脑影像数据的bids格式自动转换方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311724898.2A CN117438054B (zh) 2023-12-15 2023-12-15 一种脑影像数据的bids格式自动转换方法和装置

Publications (2)

Publication Number Publication Date
CN117438054A CN117438054A (zh) 2024-01-23
CN117438054B true CN117438054B (zh) 2024-03-26

Family

ID=89551816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311724898.2A Active CN117438054B (zh) 2023-12-15 2023-12-15 一种脑影像数据的bids格式自动转换方法和装置

Country Status (1)

Country Link
CN (1) CN117438054B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110400625A (zh) * 2019-07-08 2019-11-01 武汉联影医疗科技有限公司 医学影像格式转换方法、装置、设备和存储介质
CN110598722A (zh) * 2018-06-12 2019-12-20 清华大学 多模态神经影像数据自动信息融合系统
CN110782973A (zh) * 2019-10-29 2020-02-11 京东方科技集团股份有限公司 医学影像信息分级存储方法及装置、计算机设备及介质
CN113077456A (zh) * 2021-04-20 2021-07-06 北京大学 基于功能性磁共振成像构建网络模型的训练方法和装置、计算机设备以及存储介质
CN113096776A (zh) * 2021-04-30 2021-07-09 平安好医投资管理有限公司 Dicom影像文件的存储方法、装置、电子设备及介质
CN113138961A (zh) * 2021-06-23 2021-07-20 广州永士达医疗科技有限责任公司 一种应用于oct图像的文件转换方法、电子设备和存储介质
WO2022025803A1 (ru) * 2020-07-29 2022-02-03 ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "СберМедИИ" Способ локализации отделов головного мозга
WO2022060250A1 (ru) * 2020-09-18 2022-03-24 ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "СберМедИИ" Способ выявления депрессии, эпилепсии или шизофренического расстройства
CN115359305A (zh) * 2022-10-19 2022-11-18 之江实验室 一种大脑纤维束异常区域精准定位系统
CN116091441A (zh) * 2022-12-28 2023-05-09 杭州脑海科技有限公司 磁共振成像数据的一键式分析平台及分析方法
CN116580804A (zh) * 2023-05-16 2023-08-11 北京数科网维技术有限责任公司 Ofd文件关联储存dicom数据的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140143066A1 (en) * 2012-11-16 2014-05-22 Zhen Liu Method for maximizing conversion value for content provided by a content provider
US20210375480A1 (en) * 2018-11-30 2021-12-02 Carnegie Mellon University Data processing system for generating predictions of cognitive outcome in patients

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598722A (zh) * 2018-06-12 2019-12-20 清华大学 多模态神经影像数据自动信息融合系统
CN110400625A (zh) * 2019-07-08 2019-11-01 武汉联影医疗科技有限公司 医学影像格式转换方法、装置、设备和存储介质
CN110782973A (zh) * 2019-10-29 2020-02-11 京东方科技集团股份有限公司 医学影像信息分级存储方法及装置、计算机设备及介质
WO2022025803A1 (ru) * 2020-07-29 2022-02-03 ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "СберМедИИ" Способ локализации отделов головного мозга
WO2022060250A1 (ru) * 2020-09-18 2022-03-24 ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "СберМедИИ" Способ выявления депрессии, эпилепсии или шизофренического расстройства
CN113077456A (zh) * 2021-04-20 2021-07-06 北京大学 基于功能性磁共振成像构建网络模型的训练方法和装置、计算机设备以及存储介质
CN113096776A (zh) * 2021-04-30 2021-07-09 平安好医投资管理有限公司 Dicom影像文件的存储方法、装置、电子设备及介质
CN113138961A (zh) * 2021-06-23 2021-07-20 广州永士达医疗科技有限责任公司 一种应用于oct图像的文件转换方法、电子设备和存储介质
CN115359305A (zh) * 2022-10-19 2022-11-18 之江实验室 一种大脑纤维束异常区域精准定位系统
CN116091441A (zh) * 2022-12-28 2023-05-09 杭州脑海科技有限公司 磁共振成像数据的一键式分析平台及分析方法
CN116580804A (zh) * 2023-05-16 2023-08-11 北京数科网维技术有限责任公司 Ofd文件关联储存dicom数据的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
病案信息系统数据挖掘在医疗领域中的应用;王婷婷;吴奎业;杨超;;通讯世界;20170425(第08期);全文 *

Also Published As

Publication number Publication date
CN117438054A (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
Niso et al. MEG-BIDS, the brain imaging data structure extended to magnetoencephalography
Van Griethuysen et al. Computational radiomics system to decode the radiographic phenotype
Antropova et al. A deep feature fusion methodology for breast cancer diagnosis demonstrated on three imaging modality datasets
Cao et al. Medical image retrieval: a multimodal approach
Larobina et al. Medical image file formats
Marcus et al. Informatics and data mining tools and strategies for the human connectome project
US20210158933A1 (en) Federated, centralized, and collaborative medical data management and orchestration platform to facilitate healthcare image processing and analysis
US20070041647A1 (en) Method for increasing the flexibility of DICOM tags management in application-specific integration
Maruyama et al. Comparison of medical image classification accuracy among three machine learning methods
US20100246981A1 (en) PACS Optimization Techniques
CN109830285B (zh) 一种医学影像文件处理方法和装置
Mabotuwana et al. Mapping institution-specific study descriptions to RadLex Playbook entries
Chiang et al. Automatic classification of medical image modality and anatomical location using convolutional neural network
CN106326416B (zh) Dicom图像显示方法及装置
Signorelli et al. Model-based clustering for populations of networks
CN109074858A (zh) 没有明显准标识符的去识别的健康护理数据库的医院匹配
Rajabi et al. An empirical study on the evaluation of interlinking tools on the Web of Data
CN105426406A (zh) 医学图像文件的结构、获取方法及获取装置
Fedorov et al. Standardized representation of the LIDC annotations using DICOM
Chinn et al. ENRICHing medical imaging training sets enables more efficient machine learning
CN117438054B (zh) 一种脑影像数据的bids格式自动转换方法和装置
WO2016135120A1 (en) Scan geometry planning method for mri or ct
Makkie et al. HAFNI-enabled largescale platform for neuroimaging informatics (HELPNI)
Di Biase et al. Connectomes for 40,000 UK Biobank participants: A multi-modal, multi-scale brain network resource
Liang et al. Magnetic resonance imaging sequence identification using a metadata learning approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant