一种融合MRI形态学多指标的方法

一种融合mri形态学多指标的方法
技术领域
1.本发明涉及生物医学图像模式识别技术领域，尤其涉及一种融合mri形态学多指标的方法。


背景技术：

2.结构磁共振成像简称mri，是一种检查大脑解剖和病理的非侵入性技术，基于t1加权的结构mri提供的形态测量技术可以定性和定量地描述大脑中灰质和白质的形状，大小和完整性，例如大脑新皮层的体积、厚度或表面积，或皮下核团体积等，大脑形态学指标可以反应大脑的发育变化及病理背景下的变异性，同时也是为理解大脑功能提供基础和原则；
3.目前，测量皮层形态学的指标主要包括皮层厚度，体积，表面积，曲率，平均弥散率等，这些指标可以反映大脑皮层不同形态特征的单一性质，通过融合多个形态学指标的方法，不仅可以为脑区提供更全面完整的结构描述，还能进一步刻画在这些形态测量背景下，不同脑区之间的协同变化，融合多指标的形态学测量，可以为理解大脑的发育、活动、病理和可塑性提供框架，加深对大脑机理的理解；
4.但融合多指标的方法通常是以高维特征表述的网络来捕捉个体的形态学网络，首先，该形态学网络一般是通过
‘
边’来描述两个脑区之间的相似性，只能观察到这两个脑区之间的关系，忽略了其余脑区对这些脑区的影响，其次，高维特征的网络包含多种复杂信息，并不能简单直观的将网络有效信息映射到大脑上，阻碍了将形态测量值和解剖信息直接结合起来进行分析，目前还没有生物学可解释的方法用以绘制mri形态学多指标融合的方法，因此，本发明提出一种融合mri形态学多指标的方法以解决现有技术中存在的问题。


技术实现要素：

5.针对上述问题，本发明的目的在于提出一种融合mri形态学多指标的方法，该方法采用一种形态学相似性梯度的方法，代替常用的形态学相似性网络方法，采用高维特征表示，使用扩散嵌入技术进行低维表征，以系统的整体的角度，通过大尺度梯度分析方法，用以揭示大脑皮层组织的空间拓扑组织。
6.为了实现本发明的目的，本发明通过以下技术方案实现：一种融合mri形态学多指标的方法，包括以下步骤：
7.步骤一：获取原始数据
8.先获取原始t1加权磁共振数据,并将数据预处理，得到每个被试的皮层灰质部分，再将一个标准空间的模版转化到每个被试的个体空间，该模版包含m个脑区的解剖位置和结构名称；
9.步骤二：计算形态学指标
10.根据步骤一，通过每个个体空间的模版，计算得到每个个体在每个脑区的x个形态学指标，使每个被试得到m
×
x的多指标矩阵；
11.步骤三：计算被试形态相关矩阵
12.根据步骤二，将m
×
x的矩阵数据标准化，然后计算配对脑区之间x个指标的皮尔逊相关系数，得到被试的m
×
m的形态相关矩阵；
13.步骤四：计算组平均形态相关矩阵
14.根据步骤三，将所有被试的m
×
m的形态学相关矩阵计算平均，得到组水平的m
×
m的形态相关矩阵；
15.步骤五：获得相似矩阵
16.根据步骤三和步骤四，对得到的被试个体水平的和组水平的m
×
m的形态相关矩阵，先进行费雪z变换，然后再进行正交变换，得到刻画相似度的m
×
m的相似矩阵；
17.步骤六：映射梯度矩阵
18.根据步骤五，将每个个体以及组水平的m
×
m的相似矩阵，从高维矩阵映射到一个共同的低维空间，得到m
×
n的梯度矩阵，其中n为成分个数；
19.步骤七：获得个体第一梯度
20.以步骤六中得到的组水平m
×
n的梯度矩阵作为标准，先将步骤六中得到的个体梯度矩阵配准到组水平的梯度矩阵上，再将配准后的梯度矩阵的第一列作为第一形态学梯度，得到每个个体m
×
1的第一梯度；
21.步骤八：矩阵映射大脑皮层
22.根据步骤七中得到的配准后的每个个体m
×
1的第一梯度，先通过平均计算得到组平均m
×
1的形态学梯度图，再根据步骤一中的模版提供的解剖位置信息，将该m
×
1矩阵映射到大脑皮层m个脑区相应的位置。
23.进一步改进在于：所述步骤二中，所述形态学指标包括皮层厚度、表面积、体积、平均曲率、高斯曲率、曲率指数和内在曲率。
24.进一步改进在于：所述步骤二中，进行形态学指标计算测量时，将标准空间的模版变换到每个个体空间来进行形态学测量分析，以有效保留个体的信息。
25.进一步改进在于：所述步骤三中，所述m
×
x的矩阵数据标准化利用z变换进行。
26.进一步改进在于：所述步骤五中，所述正交变换为余弦变换。
27.进一步改进在于：所述步骤六中，所述每个个体以及组水平的m
×
m的相似矩阵通过流行算法从高维矩阵扩散映射到一个共同的低维空间。
28.进一步改进在于：所述步骤七中，所述个体梯度矩阵通过普鲁斯特或联合嵌入对齐方法配准到组水平的梯度矩阵上。
29.本发明的有益效果为：本发明采用形态学相似性梯度的方法，代替常用的形态学相似性网络方法，采用高维特征表示，使用扩散嵌入技术进行低维表征，以系统的整体的角度，通过大尺度梯度分析方法，用以揭示大脑皮层组织的空间拓扑组织，通过将个体的形态学网络从高维表征的空间投射到一个低维空间，能够直观地在大脑解剖位置上分析脑区间形态学相似性模式的变化，通过观察梯度的空间模式与大脑解剖位置的关系，可以更好地理解大脑皮层不同脑区间形态学相似性的关系，从而帮助理解大脑的进化和发育。
附图说明
30.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
31.图1是本发明的方法流程图；
32.图2是本发明的大脑皮层灰质示意图；
33.图3是本发明标准空间的模版以及变换到不同个体空间的模版图；
34.图4是本发明用个体模版提取的形态学指标示意图以及对应的个体形态学矩阵图；
35.图5是本发明个体的形态相关矩阵以及对应的组水平的形态相关矩阵图；
36.图6是本发明计算相关矩阵的余弦距离后得到的相似矩阵图；
37.图7是本发明利用扩散嵌入技术得到的梯度矩阵图；
38.图8是本发明梯度矩阵的第一个成分在皮层空间位置的示意图。
具体实施方式
39.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
40.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”、“第四”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
41.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
42.实施例一
43.参见图1，本实施例提供了一种融合mri形态学多指标的方法，包括以下步骤：
44.步骤一：获取原始数据
45.先获取原始t1加权磁共振数据,并将数据预处理，得到每个被试的皮层灰质部分，再将一个标准空间的模版转化到每个被试的个体空间，该模版包含m个脑区的解剖位置和结构名称；
46.步骤二：计算形态学指标
47.根据步骤一，通过每个个体空间的模版，计算得到每个个体在每个脑区的x个形态学指标，使每个被试得到m
×
x的多指标矩阵，所述形态学指标包括皮层厚度、表面积、体积、平均曲率、高斯曲率、曲率指数和内在曲率，进行形态学指标计算测量时，将标准空间的模版变换到每个个体空间来进行形态学测量分析，以有效保留个体的信息；
48.步骤三：计算被试形态相关矩阵
49.根据步骤二，利用z变换将m
×
x的矩阵数据标准化，然后计算配对脑区之间x个指标的皮尔逊相关系数，得到被试的m
×
m的形态相关矩阵；
50.步骤四：计算组平均形态相关矩阵
51.根据步骤三，将所有被试的m
×
m的形态学相关矩阵计算平均，得到组水平的m
×
m的形态相关矩阵；
52.步骤五：获得相似矩阵
53.根据步骤三和步骤四，对得到的被试个体水平的和组水平的m
×
m的形态相关矩阵，先进行费雪z变换，然后再进行余弦变换，得到刻画相似度的m
×
m的相似矩阵；
54.步骤六：映射梯度矩阵
55.根据步骤五，利用流行算法，将每个个体以及组水平的m
×
m的相似矩阵，从高维矩阵扩散映射到一个共同的低维空间，得到m
×
n的梯度矩阵，其中n为成分个数；
56.步骤七：获得个体第一梯度
57.以步骤六中得到的组水平m
×
n的梯度矩阵作为标准，利用普鲁斯特或联合嵌入对齐方法，先将步骤六中得到的个体梯度矩阵配准到组水平的梯度矩阵上，再将配准后的梯度矩阵的第一列作为第一形态学梯度，得到每个个体m
×
1的第一梯度；
58.步骤八：矩阵映射大脑皮层
59.根据步骤七中得到的配准后的每个个体m
×
1的第一梯度，先通过平均计算得到组平均m
×
1的形态学梯度图，再根据步骤一中的模版提供的解剖位置信息，将该m
×
1矩阵映射到大脑皮层m个脑区相应的位置。
60.实施例二
61.本实施例提供了一种融合mri形态学多指标的方法，具体实施方法如下：
62.(1):将一组正常被试共计116人的原始t1加权磁共振数据，结构图像处理管道主要使用freesurfer软件中的recon
‑
all处理，得到大脑皮层的灰质部分，其主要操作包括：t1w图像的处理包括颅骨剥离，皮层白质和灰质的提取和分割，大脑半球和皮层下结构的分离以及灰质/白质交界面和软膜皮层的表面重建，该方法主要是针对灰质的形态测量，它是位于交界面与软膜表面之间的部分，如图2所示，两个箭头指向部分为皮层灰质结构；
63.(2)将fsaverage空间的模版desikan
‑
killiany(dk)
‑
1533变换到每个个体空间，该模版是基于dk
‑
68模版进一步细化分割得到的，其中每一个脑区的面积约为1cm2，将皮层一共划分为1533个区域，如图3a所示；接下来通过变换到个体空间的模版，如图3b所示，去提取对应个体的5个形态学指标，包括皮层厚度，表面积，体积，平均曲率和高斯曲率，如图4a所示；每个脑区的形态指标值是根据该区域所包含的顶点(vertex)的指标值计算平均来衡量的，由此，每个被试得到了一个1533
×
5的指标矩阵，如图4b所示；
64.(3)首先将得到的指标矩阵进行z值化，使得不同数量级表示的形态指标变换到同一水平，再对每两个脑区的5个指标计算相关系数，定量化配对脑区间形态相似性，得到1533
×
1533的形态网络矩阵，计算如下式：
[0065][0066]
其中，r为两个脑区之间形态测量指标的相关系数，x、y为任意两个皮层区域(a脑区和b脑区)的形态指标(1
×
5向量)，5为测量的指标个数，分别为x、y的均值，x
i
、y
i
分别表示在第i个指标a、b两个脑区的值；以此，计算配对脑区之间的相关系数从而得到一个1533
×
1533的形态相关矩阵，如图5a所示；
[0067]
(4)对所有被试重复(3)中的计算过程，从而在每个被试中都可以得到一个形态相关矩阵(1533
×
1533)，将所有(116名)被试的形态相关矩阵计算平均得到组水平的形态相关矩阵，如图5b所示；
[0068]
(5)将(4)中得到的个体的和组平均的形态相关矩阵都进行费雪z变换，然后计算余弦距离得到相似矩阵(1533
×
1533)，如图6所示；
[0069]
(6)针对(5)中得到的相似矩阵，利用流行学习算法，这里采用扩散映射(diffusion map embedding)，得到相似矩阵的多个成分，也就是梯度矩阵(1533
×
m)，其中m代表成分数，如图7所示，将第一个成分作为第一形态梯度(1533
×
1)；
[0070]
(7)在(6)中得到的组平均的第一梯度作为接下来配准的目标，将个体的第一梯度对齐到目标梯度上，采用的是普鲁斯特或联合嵌入对齐方法；
[0071]
(8)将所有个体的第一梯度计算平均，得到组水平的第一梯度分布，并根据模版提供的1533个脑区的位置信息，将梯度值映射到皮层上，便于直观分析，如图8所示。
[0072]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。