群组先验引导的基于深度学习的丘脑个体化图谱绘制方法

1.本发明属于磁共振成像的脑图谱绘制领域，具体涉及一种群组先验引导的基于深度学习的丘脑个体化图谱绘制方法、系统、设备。


背景技术：

2.丘脑是大脑中的一个中继核团，参与了听觉、视觉、运动、躯体感觉、情绪、记忆和学习等大脑功能环路。在临床中，丘脑作为深部脑刺激(dbs)的作用靶点，参与了帕金森病、癫痫、多发性硬化、植物人促醒、精神分裂症和特发性震颤等神经精神系统疾病的调控治疗。因此，精细准确的丘脑图谱的绘制是丘脑研究的关键。在现有的研究中，研究者们通过组织学切片染色和磁共振成像等方法来刻画丘脑的结构或者功能特征，并以此作为丘脑分区的依据。在这些丘脑分区的方法中，组织学切片染色被视为丘脑分区的金标准，而其只能在离体脑标本中进行，不具备可重复性且依赖解剖学家的手工标记。发展迅速的磁共振成像可以无创地描述丘脑内的特征，包括局部微观结构、解剖连接和功能连接等。基于此，数据驱动的丘脑分区流程逐渐成为丘脑分区的研究热点。根据磁共振成像的模态，现有的丘脑分区可以分为基于结构、弥散和功能影像三种模态数据的不同方法。在基于这三种磁共振模态数据的丘脑分区方法中，基于弥散磁共振的丘脑分区是最接近丘脑的解剖学构筑的。弥散磁共振影像能提供两种弥散信息，即纤维束连接和局部弥散特征。在早期的研究中，研究者们发现基于纤维束连接的丘脑分区与实际的丘脑解剖构筑的对应性也不佳，而基于局部弥散特征的丘脑分区与解剖构筑基本一致。因此，基于局部弥散特征的丘脑分区是最直接刻画丘脑的局部微观结构的方法。
3.上述的丘脑分区研究大多使用一组被试，基于其个体空间中的丘脑分区结果，通过手工标记或者自动配准的方法将不同被试的丘脑分区映射到同一空间，从而构建群组水平的丘脑图谱。该方法能客观无偏地反映丘脑的内在分区模式，如亚区数量，和群组水平的一致属性，如丘脑亚核团和其他脑区的结构连接模式和功能连接模式等。然而，随着研究的深入，研究者们发现不论是在大脑皮层还是皮下核团中，个体间的大脑分区模式存在明显差异，且个体特异性的脑分区比群组水平的脑分区更能反映个体特征，例如认知、发育、老化和疾病特征等。此外，在临床中，特别是精准医学等领域，被试特异性的脑图谱发挥着重要的作用，例如术前诊断、疗效预测、靶点定位等。因此，个体化脑图谱绘制的重要性也逐渐被研究者们所关注。一些个体化图谱绘制的方法也逐渐被开发出来，其大致分为三种，单被试的直接分区、群组图谱的个体配准和组先验引导的个体分区。第一种方法依赖高质量的磁共振成像数据和鲁棒的分区算法，大致有纤维投射法、谱聚类法、边缘检测法、区域增长法等；第二中方法将群组图谱直接配准到个体空间，从而将群组图谱视为个体图谱；第三种方法首先构建群组图谱，并将群组图谱视为个体分区的先验知识，从而辅助后续的个体分区。第一种分区方法适用于具有特定纤维束投射的核团，例如丘脑底核、内侧苍白球等。第二种方法适用于脑部严重损伤或者无法进行弥散磁共振成像的被试，例如脑肿瘤患者和头部有金属植入物的患者。第三种方法适用于大脑皮层，以及体积较大、个体特征较丰富的核
团。因此，为了精准地构建个体化丘脑图谱，可以采用群组先验引导的个体化分区策略。
4.随着磁共振成像的技术发展，多b值高角度分辨率弥散加权成像(high angular resolution diffusion imaging,hardi)极大地提升了局部弥散方向的建模和估计的效率和准确度。不论是在神经科学研究还是在临床扫描中，多b值高角度分辨率弥散磁共振成像逐渐成为一种趋势。同时，在局部弥散方向估计的方法性研究中，区别于经典的弥散张量模型，现存的多种q空间采样方法支持更高阶的弥散模型的构建。例如弥散峰度成像、弥散谱成像、q-ball成像及其衍生的多球壳成像等。在这类方法中，多球壳多组织限制性球面反卷积(msmt-csd)能直接估计大脑组织的弥散方向分布函数(odf)，该方法依赖多b值hardi，是目前最适合提取丘脑的局部弥散特征的方法。此外，深度学习在近十年中迅猛发展，强大的数据拟合和分类能力使其在包括神经科学内的各个领域大方异彩。在此种背景下，结合局部弥散特征和群组先验引导的个体化分区策略，基于深度学习模型构建一套自动化的个体化丘脑图谱绘制方法逐渐成为可能。


技术实现要素：

5.为了解决现有技术中的上述问题，即为了解决现有的丘脑个体化图谱绘制方法无法构建高可信度的群组先验、无法利用群组先验引导个体化的丘脑图谱的绘制，造成绘制的个体化的丘脑图谱的准确性、鲁棒性以及可重复性较差的问题，本发明第一方面，提出了一种群组先验引导的基于深度学习的丘脑个体化图谱绘制方法，该方法包括：
6.s100，获取在第一阈值下的群组丘脑概率图谱并进行二值化，得到群组丘脑概率图谱的掩膜，作为第一掩膜；将所述第一掩膜配准到受试者个体脑部的弥散磁共振空间，得到受试者个体脑部的丘脑roi；
7.s200，获取在第二阈值下的群组丘脑概率图谱，并配准到受试者个体脑部的弥散磁共振空间，得到受试者个体脑部的群组先验图谱；
8.s300，在受试者个体脑部的弥散磁共振空间中，剔除所述丘脑roi中的群组先验图谱，得到未定义的丘脑区域的掩膜，作为第二掩膜；
9.s400，结合所述第二掩膜，计算所述群组先验图谱中每个体素的45维球面调和函数的系数和3维弥散磁共振空间的位置坐标，将两者合并为一个48维的特征向量，作为个体特征；将所述个体特征输入预构建的个体化分类模型，得到每个未定义区域内的体素的预测概率值向量，并将预测概率值向量对应的最大的亚区标签作为体素的最终亚区标签，进而生成未定义区域的图谱；所述个体化分类模型基于深度学习神经网络构建；
10.s500，将所述群组先验图谱和所述未定义区域的图谱进行合并，生成受试者个体化的丘脑图谱；
11.其中，所述群组丘脑概率图谱其构建方法为：
12.a100，获取n个受试者个体脑部的结构核磁共振图像、弥散张量核磁共振图像，作为输入图像；n为正整数；
13.a200，对所述输入图像依次进行hcp最小预处理、roi配准、roi后处理，得到受试者个体脑部最终的丘脑roi，并通过odf估计算法，得到受试者个体脑部最终的丘脑roi内每个体素的局部弥散特征；
14.a300，结合a200获取的局部弥散特征，计算体素之间的相似度，并进行聚类，得到
受试者个体脑部最终的丘脑roi内体素的聚类结果；
15.a400，将a300获取的聚类结果配准至标准空间，并进行标签重映射，得到受试者个体脑部最终的丘脑roi内每个体素对应的亚区标签，即得到n个受试者个体脑部在标准空间中的丘脑分区；
16.a500，计算受试者个体脑部最终的丘脑roi内每个体素对应的亚区概率值，并去掉最大的亚区概率值低于第一阈值的体素点，然后将剩余的体素点构建群组水平的丘脑概率图谱，即群组丘脑概率图谱；所述亚区概率值为各亚区的受试者人数与总受试者人数的比值。
17.在一些优选的实施方式中，对所述输入图像依次进行hcp最小预处理、roi配准、roi后处理，得到受试者个体脑部最终的丘脑roi，其方法为：
18.对受试者个体脑部的结构核磁共振图像、弥散张量核磁共振图像进行hcp最小预处理，得到预处理的结构核磁共振图像、预处理的弥散张量核磁共振图像；
19.基于所述预处理的结构核磁共振图像、所述预处理的弥散张量核磁共振图像，通过roi配准方法将弥散磁共振空间与结构磁共振空间、结构磁共振空间和标准空间之间进行配准，得到个体的丘脑roi；
20.在受试者个体脑部的弥散磁共振空间使用fsl计算每个体素点对应的各向异性分数值；
21.在受试者个体脑部的结构磁共振空间使用spm计算每个体素点对应的脑脊液概率值；
22.在个体的丘脑roi中去除掉各向异性分数值大于设定各向异性分数阈值或脑脊液概率值大于设定脑脊液概率阈值的体素点，将剩余的体素点作为最终的个体丘脑roi。
23.在一些优选的实施方式中，所述受试者个体脑部最终的丘脑roi内每个体素的局部弥散特征，其获取方法为：
24.在受试者个体脑部最终的丘脑roi内的弥散磁共振空间中，使用dhollander算法在弥散磁共振数据上计算不同弥散加权因子b值参数下大脑组织的响应函数；结合所述大脑组织的响应函数，使用多组织多球壳限制性球面反卷积方法计算8阶球面调和函数的45维系数，量化每个体素的局部弥散特征。
25.在一些优选的实施方式中，计算体素之间的相似度，其方法为：
[0026][0027]
其中，s(i，j)表示两个体素之间的相似度，e
pos
(i，j)表示两个体素在弥散磁共振空间中的3维坐标之间的欧式距离，e
odf
(i，j)表示两个体素的45维球面调和函数的采样系数之间的欧式距离，w
pos
和w
odf
分别表示e
pos
(i，j)、e
odf
(i，j)在计算相似度时的对应加权系数。
[0028]
在一些优选的实施方式中，所述受试者个体脑部最终的丘脑roi内体素的聚类结果，其获取方法为：
[0029]
通过谱聚类方法对受试者个体脑部最终的丘脑roi内每个体素的局部弥散特征以及体素之间的相似度进行降维；
[0030]
基于降维后的局部弥散特征以及体素之间的相似度，使用k-means聚类将各体素
聚为k类，作为受试者个体脑部最终的丘脑roi内体素的聚类结果。
[0031]
在一些优选的实施方式中，所述受试者个体脑部最终的丘脑roi内每个体素对应的亚区标签，其获取方法为：
[0032]
计算每个体素点在n个受试者上的n维标签向量，然后对受试者个体脑部最终的丘脑roi内的所有体素点按照其标签向量的相似度进行聚类，聚类结果作为分区标签；
[0033]
基于所述分区标签，按照空间最大重叠的方法将每个受试者个体脑部最终的丘脑roi内体素的聚类结果进行重新标记，从而得到受试者个体脑部最终的丘脑roi内每个体素对应的亚区标签；
[0034]
其中，计算每个体素点在n个受试者上的n维标签向量，即提取每个受试者在该体素点上对应的亚区标签，对n个受试者分别提取一个亚区标签，组成n维标签向量。
[0035]
在一些优选的实施方式中，所述个体化分类模型，其训练方法为：
[0036]
通过s100-s400的方法，获取个体特征，并将个体特征输入预构建的个体化分类模型，得到每个未定义区域内的体素的预测概率值向量；
[0037]
基于所述预测概率值向量，结合群组先验图谱对应的亚区类别，通过均方误差损失函数得到损失值，更新个体化分类模型的模型参数；
[0038]
循环上述步骤，直至得到训练好的个体化分类模型。
[0039]
本发明的第二方面，提出了一种群组先验引导的基于深度学习的丘脑个体化图谱绘制系统，包括：丘脑roi获取模块、群组先验图谱获取模块、剔除处理模块、个体化分类模块、个体化图谱生成模块；
[0040]
所述丘脑roi获取模块，配置为获取在第一阈值下的群组丘脑概率图谱并进行二值化，得到群组丘脑概率图谱的掩膜，作为第一掩膜；将所述第一掩膜配准到受试者个体脑部的弥散磁共振空间，得到受试者个体脑部的丘脑roi；
[0041]
所述群组先验图谱获取模块，配置为获取在第二阈值下的群组丘脑概率图谱，并配准到受试者个体脑部的弥散磁共振空间，得到受试者个体脑部的群组先验图谱；
[0042]
所述剔除处理模块，配置为在受试者个体脑部的弥散磁共振空间中，剔除所述丘脑roi中的群组先验图谱，得到未定义的丘脑区域的掩膜，作为第二掩膜；
[0043]
所述个体化分类模块，配置为结合所述第二掩膜，计算所述群组先验图谱中每个体素的45维球面调和函数的系数和3维弥散磁共振空间的位置坐标，将两者合并为一个48维的特征向量，作为个体特征；将所述个体特征输入预构建的个体化分类模型，得到每个未定义区域内的体素的预测概率值向量，并将预测概率值向量对应的最大的亚区标签作为体素的最终亚区标签，进而生成未定义区域的图谱；所述个体化分类模型基于深度学习神经网络构建；
[0044]
所述个体化图谱生成模块，配置为将所述群组先验图谱和所述未定义区域的图谱进行合并，生成受试者个体化的丘脑图谱；
[0045]
其中，所述群组丘脑概率图谱其构建方法为：
[0046]
a100，获取n个受试者个体脑部的结构核磁共振图像、弥散张量核磁共振图像，作为输入图像；n为正整数；
[0047]
a200，对所述输入图像依次进行hcp最小预处理、roi配准、roi后处理，得到受试者个体脑部最终的丘脑roi，并通过odf估计算法，得到受试者个体脑部最终的丘脑roi内每个
体素的局部弥散特征；
[0048]
a300，结合a200获取的局部弥散特征，计算体素之间的相似度，并进行聚类，得到受试者个体脑部最终的丘脑roi内体素的聚类结果；
[0049]
a400，将a300获取的聚类结果配准至标准空间，并进行标签重映射，得到受试者个体脑部最终的丘脑roi内每个体素对应的亚区标签，即得到n个受试者个体脑部在标准空间中的丘脑分区；
[0050]
a500，计算受试者个体脑部最终的丘脑roi内每个体素对应的亚区概率值，并去掉最大的亚区概率值低于第一阈值的体素点，然后将剩余的体素点构建群组水平的丘脑概率图谱，即群组丘脑概率图谱；所述亚区概率值为各亚区的受试者人数与总受试者人数的比值。
[0051]
本发明的第三方面，提出了一种电子设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的群组先验引导的基于深度学习的丘脑个体化图谱绘制方法。
[0052]
本发明的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的群组先验引导的基于深度学习的丘脑个体化图谱绘制方法。
[0053]
本发明的有益效果：
[0054]
本发明利用高可信度群组先验引导个体化丘脑分区以及图谱绘制，提升了绘制的个体化的丘脑图谱的准确性、鲁棒性以及可重复性。
[0055]
1)本发明基于高可信度组水平丘脑图谱和单个被试的数据绘制个体化丘脑图谱，既融合了丘脑分区模式的群组一致性，又体现出个体分区模式的特异性。使用被试内分区模式一致性指标来量化该个体化丘脑图谱的分区准确性时，结果表明该方法在hcp-3t和hcp-7t数据上比单个被试聚类和群组图谱配准有更高的分区准确度。使用test-retest数据测试该个体化方法进行可重复性测试时，结果表明该方法在test-retest数据上有较高的扫描间分区模式一致性。使用7和12作为丘脑的分区数量进行可重复测试时，结果表明该方法在不同亚区数目上均有较强的鲁棒性，且在更精细的12个亚区数量上有更高的分区准确性。
[0056]
2)本发明基于高阶弥散特征和空间位置对丘脑进行群组水平的分区，发现了更加精细的丘脑分区模式；而且在更精细的丘脑图谱上表现出更高的被试内分区一致性，能支持更细粒度的个体化丘脑图谱的绘制；在不同的磁场扫描强度下具有鲁棒性，且更高的磁场扫描强度能提供更高的被试内分区一致性增益；在同一被试的不同扫描批次下具有可重复性。
附图说明
[0057]
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本技术的其他特征、目的和优点将会变得更明显。
[0058]
图1是本发明一种实施例的群组先验引导的基于深度学习的丘脑个体化图谱绘制方法的流程示意图；
[0059]
图2是本发明一种实施例的群组先验引导的基于深度学习的丘脑个体化图谱绘制系统的框架示意图；
[0060]
图3是本发明一种实施例的受试者个体脑部最终的丘脑roi获取过程的流程示意图；
[0061]
图4是本发明一种实施例的odf估计的流程示意图；
[0062]
图5是本发明一种实施例的群组丘脑概率图谱的构建流程示意图；
[0063]
图6是本发明一种实施例的个体化丘脑图谱的构建流程示意图。
具体实施方式
[0064]
为使本发明的目的、技术方案和优点更加清楚，下面将结合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。
[0065]
下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
[0066]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
[0067]
本发明的群组先验引导的基于深度学习的丘脑个体化图谱绘制方法，如图1所示，包括以下步骤：
[0068]
s100，获取在第一阈值下的群组丘脑概率图谱并进行二值化，得到群组丘脑概率图谱的掩膜，作为第一掩膜；将所述第一掩膜配准到受试者个体脑部的弥散磁共振空间，得到受试者个体脑部的丘脑roi；
[0069]
s200，获取在第二阈值下的群组丘脑概率图谱，并配准到受试者个体脑部的弥散磁共振空间，得到受试者个体脑部的群组先验图谱；
[0070]
s300，在受试者个体脑部的弥散磁共振空间中，剔除所述丘脑roi中的群组先验图谱，得到未定义的丘脑区域的掩膜，作为第二掩膜；
[0071]
s400，结合所述第二掩膜，计算所述群组先验图谱中每个体素的45维球面调和函数的系数和3维弥散磁共振空间的位置坐标，将两者合并为一个48维的特征向量，作为个体特征；将所述个体特征输入预构建的个体化分类模型，得到每个未定义区域内的体素的预测概率值向量，并将预测概率值向量对应的最大的亚区标签作为体素的最终亚区标签，进而生成未定义区域的图谱；所述个体化分类模型基于深度学习神经网络构建；
[0072]
s500，将所述群组先验图谱和所述未定义区域的图谱进行合并，生成受试者个体化的丘脑图谱；
[0073]
其中，所述群组丘脑概率图谱其构建方法为：
[0074]
a100，获取n个受试者个体脑部的结构核磁共振图像、弥散张量核磁共振图像，作为输入图像；n为正整数；
[0075]
a200，对所述输入图像依次进行hcp最小预处理、roi配准、roi后处理，得到受试者个体脑部最终的丘脑roi，并通过odf估计算法，得到受试者个体脑部最终的丘脑roi内每个
体素的局部弥散特征；
[0076]
a300，结合a200获取的局部弥散特征，计算体素之间的相似度，并进行聚类，得到受试者个体脑部最终的丘脑roi内体素的聚类结果；
[0077]
a400，将a300获取的聚类结果配准至标准空间，并进行标签重映射，得到受试者个体脑部最终的丘脑roi内每个体素对应的亚区标签，即得到n个受试者个体脑部在标准空间中的丘脑分区；
[0078]
a500，计算受试者个体脑部最终的丘脑roi内每个体素对应的亚区概率值，并去掉最大的亚区概率值低于第一阈值的体素点，然后将剩余的体素点构建群组水平的丘脑概率图谱，即群组丘脑概率图谱；所述亚区概率值为各亚区的受试者人数与总受试者人数的比值。
[0079]
为了更清晰地对本发明群组先验引导的基于深度学习的丘脑个体化图谱绘制方法进行说明，下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
[0080]
本发明所阐述的群组先验引导的基于深度学习的丘脑个体化图谱绘制方法分为两个主要步骤：丘脑群组概率图谱的构建和丘脑个体化图谱的构建。在丘脑群组概率图谱构建阶段，首先基于一组高质量数据，在弥散磁共振成像中提取丘脑感兴趣区域(region of interest,roi)内的每个体素的方向分布函数和个体弥散磁共振空间坐标，以此作为特征构建体素之间的相似度矩阵，利用谱聚类算法初步绘制个体的初始分区，并将其配准到mni标准空间来建立群组水平的丘脑概率图谱和最大概率图谱。在个体化图谱绘制阶段，将丘脑的组水平高概率值的图谱区域视为群组先验，将其配准至个体弥散磁共振空间作为个体图谱的高可信度组先验，同时将最大概率图谱的模板配准至个体弥散磁共振空间作为个体丘脑图谱的roi。接下来，在个体弥散磁共振数据上通过多球壳多组织限制球面反卷积(multi-shell multi-tissue constrained spherical deconvolution,msmt-csd)提取roi内的8阶球面调和函数的45维系数作为odf特征，同时计算3维个体弥散磁共振空间坐标作为空间位置特征，从而为每个roi内的体素构建出48维个体特征。以roi内体素的亚区类别作为标签，将组先验图谱作为训练数据，roi内未标记区域作为测试数据，基于深度学习的方法构建个体化分类模型。最后，将高可信度组先验图谱和预测的未标记图谱结合，从而生成个体化的丘脑图谱。
[0081]
在下述实施例中，先对群组丘脑概率图谱的构建过程进行详述，再对基于一种群组先验引导的基于深度学习的丘脑个体化图谱绘制方法进行个体化图谱生成的过程进行详述。
[0082]
1、群组丘脑概率图谱的构建过程
[0083]
a100，获取n个受试者个体脑部的结构核磁共振图像、弥散张量核磁共振图像，作为输入图像；n为正整数；
[0084]
在本实施例中，先获取一组(即n个)受试者个体脑部的结构核磁共振图像、弥散张量核磁共振图像。
[0085]
a200，对所述输入图像依次进行hcp最小预处理、roi配准、roi后处理，得到受试者个体脑部最终的丘脑roi，并通过odf估计算法，得到受试者个体脑部最终的丘脑roi内每个体素的局部弥散特征；
[0086]
在本实施例中，先使用hcp数据的最小预处理(即hcp最小预处理)对结构核磁共振
图像(t1)和弥散张量核磁共振图像(diffusion weighted imaging,dwi)数据分别进行最小预处理，得到预处理的结构核磁共振图像、预处理的弥散张量核磁共振图像。
[0087]
基于所述预处理的结构核磁共振图像、所述预处理的弥散张量核磁共振图像，在fmrib's software library(fsl)中，将受试者个体脑部的弥散磁共振空间(b0，简称弥散空间，如图3所示)与结构磁共振空间(t1，简称为结构空间，如图3所示)进行线性配准，将结构磁共振空间(t1)和标准空间(montreal neurological institute,mni)进行非线性配准，然后结合这两次配准矩阵生成受试者个体脑部的弥散磁共振空间(b0)到标准空间(mni)的配准矩阵并进行转置，得到标准空间到个体弥散空间的配准矩阵。基于该配准矩阵，将经典的morel丘脑图谱配准至个体弥散磁共振空间，将其作为个体的丘脑roi。如图3中的(a)所示。
[0088]
然后，进行roi后处理，如图3中的(b)所示：具体为：在受试者个体脑部的弥散磁共振空间使用fsl计算fa图(即每个体素点对应的各向异性分数值)；在受试者个体脑部的结构磁共振空间使用spm计算csf概率图(即每个体素点对应的脑脊液概率值)；在个体的丘脑roi中去除掉各向异性分数(fa，fractional anisotropy)值大于设定各向异性分数fa阈值(本发明优选设置为0.6)或脑脊液(csf，cerebrospinal fluid)概率值大于设定脑脊液概率阈值(本发明优选设置为0.05)的体素点，将剩余的体素点作为最终的个体丘脑roi(即图3中的个体弥散空间中的roi)。
[0089]
最后进行odf估计，如图4所示：具体为：在mrtrix3中，使用dhollander算法在弥散磁共振数据上先计算不同弥散加权因子b值参数下大脑组织的响应函数，然后结合所述大脑组织的响应函数，使用多组织多球壳限制性球面反卷积方法(即图4中简写的多组织多球壳限制性反卷积)计算8阶球面调和函数的45维系数(即图4中的球谐系数矩阵)，来表示丘脑内每个体素的局部弥散特征(即取8阶球面调和函数作为采样基，计算丘脑roi内每个体素的45维球面调和函数系数构建其odf模型，从而得到丘脑roi内球面调和函数系数矩阵)。
[0090]
a300，结合a200获取的局部弥散特征，计算体素之间的相似度，并进行聚类，得到受试者个体脑部最终的丘脑roi内体素的聚类结果；
[0091]
在本实施例中，先结合体素的弥散特征和空间位置特征计算体素之间的相似度，构建相似度矩阵。体素之间的相似度具体计算方法如公式(1)所示：
[0092][0093]
其中，s(i，j)表示两个体素之间的相似度，e
pos
(i，j)表示两个体素在弥散磁共振空间中的3维坐标之间的欧式距离，e
odf
(i，j)表示两个体素的45维球面调和函数的采样系数之间的欧式距离，w
pos
和w
odf
分别表示e
pos
(i，j)、e
odf
(i，j)在计算相似度时的对应加权系数。在本发明中，w
pos
和w
odf
优选设置为0.5。另外，为了平衡聚类过程中的距离偏差，对45维球面调和函数系数乘以一个放缩因子后再计算odf之间的欧式距离，该放缩因子为89(3t数据)和98(7t数据)。其中，图5中的(indi1
……
indi100，表示本发明优选的100个被试者对应的丘脑roi)
[0094]
然后，进行聚类，具体为：通过谱聚类方法对受试者个体脑部最终的丘脑roi内每个体素的局部弥散特征以及体素之间的相似度进行降维；基于降维后的局部弥散特征以及体素之间的相似度，使用k-means聚类将各体素聚为k类，作为受试者个体脑部最终的丘脑
roi内体素的聚类结果。在本发明中，为了测试最优的丘脑分区数目，k的取值为2到28。
[0095]
a400，将a300获取的聚类结果配准至标准空间，并进行标签重映射，得到受试者个体脑部最终的丘脑roi内每个体素对应的亚区标签，即得到n个受试者个体脑部在标准空间中的丘脑分区；
[0096]
在本实施例中，先进行标签重映射，具体为：
[0097]
将受试者个体空间内的聚类结果配准至mni空间后，受试者个体初始分区之间的亚区标签无法同一对应。标签重映射首先计算每个体素点在n(本发明中优选设置为n＝100)个被试(即受试者)上的n维标签向量(即提取每个受试者在该体素点上对应的亚区标签，对n个受试者分别提取一个亚区标签，组成n维标签向量)。接下来，并对受试者个体脑部最终的丘脑roi内的所有体素点按照其标签向量的相似度进行聚类，聚类结果为群组水平的分区标签。基于所述分区标签，按照空间最大重叠的方法将每个被试的聚类结果进行重新标记，从而得到受试者个体脑部最终的丘脑roi内每个体素对应的亚区标签，即得到n个受试者个体脑部在标准空间中的丘脑分区，从而得到个体间一致的标签。
[0098]
a500，计算受试者个体脑部最终的丘脑roi内每个体素对应的亚区概率值，并去掉最大的亚区概率值低于第一阈值的体素点，然后将剩余的体素点构建群组水平的丘脑概率图谱，即群组丘脑概率图谱；所述亚区概率值为各亚区的受试者人数与总受试者人数的比值。
[0099]
在本实施例中，基于n个受试者个体的mni空间中的丘脑分区，计算受试者个体脑部最终的丘脑roi内每个体素的亚区概率值，即属于某一个亚区的受试者人数与总受试者人数的比值。计算完所有体素的亚区概率值后，取一定的阈值(0.25)并去掉最大的亚区概率值低于该阈值的体素点(即获取各体素点对应的最大的亚区概率，若最大的亚区概率低于设定的第一阈值，则去掉该体素点)，基于剩余的体素点构建群组水平的丘脑概率图谱，即群组丘脑概率图谱，即图5中的群组图谱。将概率图谱二值化，得到群组概率图谱的roi(mask)。按照赢家通吃的原则，将概率图谱内每个体素的亚区标签设置为最大概率值对应的标签，从而构建最大概率图谱。
[0100]
另外，a500后还包括验证最优分区数：基于上述生成的最大概率图谱，计算个体和群组之间的分区一致性和大脑半球间的拓扑一致性，来确定最优的丘脑亚区数目。个体和群组之间的分区一致性使用个体分区和群组分区的重叠率dice值进行验证。dice值越接近1，表示个体和群体的分区一致性越高，此处的丘脑分区数目越符合丘脑内部的分区模式。基于留一法划分个体分区被试和群组分区被试集，计算在100次个体和群组分区一致性上的dice平均值。大脑半球间拓扑一致性指标使用拓扑距离tpd(topological distance,tpd)在群组图谱上进行验证。tpd值越接近0，表示大脑左右半球间的同源程度越高，此处的丘脑分区数目越符合丘脑内部的分区模式。拓扑距离首先计算单个半球内各亚区与其他亚区之间相邻的体素个数，并生成k
×
k维的矩阵。将该矩阵展开后，计算两个大脑半球间该矩阵的相似度，即分区内部的拓扑距离。
[0101]
其中，群组最大概率图谱在验证时，dice指标在聚类数目为7和12时出现局部极大值，且此两种聚类数目下tpd值基本为0，表示分区数目为7和12符合丘脑内部的分区模式。
[0102]
当丘脑分7个亚区时，该分区数目下，丘脑前核、腹前核、背内侧核、背外侧-后外侧核、外侧枕核、腹外侧-腹后侧核以及内侧枕核能完整的分割出来。丘脑的左右半球间表现
出极强的同源性。丘脑各亚区内表现出极强的结构同质性。
[0103]
当丘脑分12个亚区时，该分区数目下，丘脑前核、腹前核、背内侧核、后内侧核、腹外侧核、腹后侧核、前侧枕核、外侧枕核、内侧枕核、背前侧背内侧核、背后侧背内侧核以及腹侧背内侧核能完整的分割出来。丘脑的左右半球间表现出极强的同源性。丘脑各亚区内表现出极强的结构同质性。相比7个亚区的分区模式，12个亚区的丘脑图谱更加精细。
[0104]
2、群组先验引导的基于深度学习的丘脑个体化图谱绘制方法，如图6所示
[0105]
s100，获取在第一阈值下的群组丘脑概率图谱并进行二值化，得到群组丘脑概率图谱的掩膜，作为第一掩膜；将所述第一掩膜配准到受试者个体脑部的弥散磁共振空间，得到受试者个体脑部的丘脑roi；
[0106]
在本实施例中，将上述构建的群组丘脑概率图谱(即图6(a)、(b)中的群组图谱)取第一阈值(本发明中优选设置为0.25)，并二值化生成群组丘脑概率图谱的掩膜mask，即图6中的(a)中的最大概率掩膜。将最大概率掩膜配准到受试者个体脑部的弥散磁共振空间，得到受试者个体脑部的丘脑roi(即图6中的(a)中的个体掩膜)。
[0107]
s200，获取在第二阈值下的群组丘脑概率图谱，并配准到受试者个体脑部的弥散磁共振空间，得到受试者个体脑部的群组先验图谱；
[0108]
在本实施例中，将上述构建的群组丘脑概率图谱取第二阈值(本发明优选设置为》0.75)生成高概率的丘脑图谱(即图6中的(b)中的高可信度群组图谱)，并将其配准到个体弥散磁共振空间，作为受试者个体脑部的群组先验图谱(即个体先验图谱)，如图6中的(b)所示。其中，第一阈值、第二阈值，用于去掉最大的亚区概率值低于该阈值(即第一阈值或第二阈值)的体素点，进而构建群组丘脑概率图谱(具体如a500所示)。
[0109]
s300，在受试者个体脑部的弥散磁共振空间中，剔除所述丘脑roi中的群组先验图谱，得到未定义的丘脑区域的掩膜，作为第二掩膜；
[0110]
在本实施例中，剔除所述丘脑roi中的群组先验图谱，得到未定义的丘脑区域的掩膜，作为第二掩膜，如图6中的(c)所示。
[0111]
s400，结合所述第二掩膜，计算所述群组先验图谱中每个体素的45维球面调和函数的系数和3维弥散磁共振空间的位置坐标，将两者合并为一个48维的特征向量，作为个体特征；将所述个体特征输入预构建的个体化分类模型，得到每个未定义区域内的体素的预测概率值向量，并将预测概率值向量对应的最大的亚区标签作为体素的最终亚区标签，进而生成未定义区域的图谱；所述个体化分类模型基于深度学习神经网络构建；
[0112]
在本实施例中，结合所述第二掩膜(在个体化分类模型训练时，用第二掩膜内的区域，在验证时，使用第二掩膜外的区域)，先计算所述群组先验图谱中每个体素的45维球面调和函数的系数和3维弥散磁共振空间的位置坐标，将两者合并，得到个体特征。将所述个体特征(即48维)输入预构建的个体化分类模型，得到每个未定义区域内的体素的预测概率值向量，并将预测概率值向量最大的亚区标签作为体素的最终亚区标签，并生成未定义区域的图谱；所述个体化分类模型基于深度学习神经网络(即图6中的(e)中的深度学习模型)构建。
[0113]
其中，个体化分类模型基于深度学习神经网络构建，其训练过程如下，如图6中的(d)所示：
[0114]
通过s100-s400的方法，获取个体特征，并将个体特征输入预构建的个体化分类模
型，得到每个未定义区域内的体素的k(k个亚区数目)维预测概率值向量；
[0115]
基于所述预测概率值向量，结合群组先验图谱对应的亚区类别，通过均方误差损失函数得到损失值，更新个体化分类模型的模型参数；循环对个体化分类模型进行训练，直至得到训练好的个体化分类模型。
[0116]
s500，将所述群组先验图谱和所述未定义区域的图谱进行合并，生成受试者个体化的丘脑图谱。如图6中的(f)所示。
[0117]
最后，使用改进的轮廓系数silhouette值对个体化的丘脑图谱进行验证，具体为：
[0118]
使用45维球面调和函数系数的欧式距离作为距离度量。使用silhouette的提升比例作为增益指标对群组先验引导、群组配准和单被试聚类三种个体化方法进行定量比较。增益指标以单被试聚类的个体化丘脑图谱的silhouette值作为分母，以群组先验引导或者群组配准的个体化丘脑图谱的silhouette值与其的差值作为分子。增益为正数表示某种个体化图谱绘制方法准确度高于单被试聚类，且增益越大准确度提高越多，为负数则表示低于单被试聚类。使用hcp 3t，hcp 7t，hcp test和hcp retest四个数据集，分别验证该个体化丘脑图谱的绘制方案在不同磁场强度和不同扫描批次下的鲁棒性和可重复性。使用不同的分区数量7和12，验证该个体化丘脑图谱的绘制方案在不同丘脑亚区数量下的鲁棒性。
[0119]
hcp四个数据集上的个体化丘脑图谱的被试内分区模式一致性指标，分别是hcp 3t(n＝100)、hcp 7t(n＝100)、hcp test(n＝30)和hcp retest(n＝30)数据集上的验证指标。在四个数据集上，分别计算了分区数目为7和12时的验证指标。结果表明，四个数据集上，群组先验引导、群组配准和单被试聚类三种个体化方法表现出类似的被试内分区模式一致性，但是群组先验引导的个体化丘脑图谱与其他两种方法相比有更高的被试内一致性。
[0120]
个体化图谱的被试内分区一致性的增益指标，即在hcp 3t和hcp 7t数据上被试内分区一致性的增益对比、在hcp test和hcp retest数据上被试内分区一致性的增益对比。群组配准的方法绘制的个体化丘脑图谱的被试内分区一致性比单被试聚类差。而群组先验引导的个体化丘脑图谱比单被试聚类的被试内分区一致性强。分区数目为7时，3t和7t数据的增益一致。分区数目为12时，7t数据的增益高于3t数据。分区数目为7和12时，test和retest的增益基本一致。在四个数据集上，群组先验引导的个体化丘脑图谱在分区数目为12时比分区数目为7时有更高的增益。
[0121]
群组先验引导的个体化丘脑图谱在hcp test和hcp retest上进行一致性验证时，在分区数目为7和12，群组先验引导的个体化丘脑图谱表现出稳定可靠的扫描批次间一致性。
[0122]
本发明第二实施例的一种群组先验引导的基于深度学习的丘脑个体化图谱绘制系统，如图2所示，包括：丘脑roi获取模块100、群组先验图谱获取模块200、剔除处理模块300、个体化分类模块400、个体化图谱生成模块500；
[0123]
所述丘脑roi获取模块100，配置为获取在第一阈值下的群组丘脑概率图谱并进行二值化，得到群组丘脑概率图谱的掩膜，作为第一掩膜；将所述第一掩膜配准到受试者个体脑部的弥散磁共振空间，得到受试者个体脑部的丘脑roi；
[0124]
所述群组先验图谱获取模块200，配置为获取在第二阈值下的群组丘脑概率图谱，并配准到受试者个体脑部的弥散磁共振空间，得到受试者个体脑部的群组先验图谱；
[0125]
所述剔除处理模块300，配置为在受试者个体脑部的弥散磁共振空间中，剔除所述丘脑roi中的群组先验图谱，得到未定义的丘脑区域的掩膜，作为第二掩膜；
[0126]
所述个体化分类模块400，配置为计算所述群组先验图谱中每个体素的45维球面调和函数的系数和3维弥散磁共振空间的位置坐标，将两者合并，得到个体特征；将所述个体特征输入预构建的个体化分类模型，得到每个未定义区域内的体素的预测概率值向量，并将预测概率值向量最大的亚区标签作为体素的最终亚区标签，并生成未定义区域的图谱；所述个体化分类模型基于深度学习神经网络构建；
[0127]
所述个体化图谱生成模块500，配置为将所述群组先验图谱和所述未定义区域的图谱进行合并，生成受试者个体化的丘脑图谱；
[0128]
其中，所述群组丘脑概率图谱其构建方法为：
[0129]
a100，获取n个受试者个体脑部的结构核磁共振图像、弥散张量核磁共振图像，作为输入图像；n为正整数；
[0130]
a200，对所述输入图像依次进行hcp最小预处理、roi配准、roi后处理，得到受试者个体脑部最终的丘脑roi，并通过odf估计算法，得到受试者个体脑部最终的丘脑roi内每个体素的局部弥散特征；
[0131]
a300，结合a200获取的局部弥散特征，计算体素之间的相似度，并进行聚类，得到受试者个体脑部最终的丘脑roi内体素的聚类结果；
[0132]
a400，将a300获取的聚类结果配准至标准空间，并进行标签重映射，得到受试者个体脑部最终的丘脑roi内每个体素对应的亚区标签，即得到n个受试者个体脑部在标准空间中的丘脑分区；
[0133]
a500，计算受试者个体脑部最终的丘脑roi内每个体素对应的亚区概率值，并去掉最大的亚区概率值低于第一阈值的体素点，然后将剩余的体素点构建群组水平的丘脑概率图谱，即群组丘脑概率图谱；所述亚区概率值为各亚区的受试者人数与总受试者人数的比值。
[0134]
需要说明的是，上述实施例提供的群组先验引导的基于深度学习的丘脑个体化图谱绘制系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
[0135]
本发明第三实施例的一种电子设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的群组先验引导的基于深度学习的丘脑个体化图谱绘制方法。
[0136]
本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的群组先验引导的基于深度学习的丘脑个体化图谱绘制方法。
[0137]
本发明第五实施例的一种群组先验引导的基于深度学习的丘脑个体化图谱绘制装置，包括：磁共振图像采集设备、中央处理设备，
[0138]
所述磁共振图像采集设备包括磁共振成像设备、超导磁共振仪，配置为采集受试者个体脑部的结构核磁共振图像、弥散张量核磁共振图像；
[0139]
所述中央处理设备包括gpu，配置为获取在第一阈值下的群组丘脑概率图谱并进行二值化，得到群组丘脑概率图谱的掩膜，作为第一掩膜；将所述第一掩膜配准到受试者个体脑部的弥散磁共振空间，得到受试者个体脑部的丘脑roi；
[0140]
获取在第二阈值下的群组丘脑概率图谱，并配准到受试者个体脑部的弥散磁共振空间，得到受试者个体脑部的群组先验图谱；在受试者个体脑部的弥散磁共振空间中，剔除所述丘脑roi中的群组先验图谱，得到未定义的丘脑区域的掩膜，作为第二掩膜；
[0141]
结合所述第二掩膜，计算所述群组先验图谱中每个体素的45维球面调和函数的系数和3维弥散磁共振空间的位置坐标，将两者合并为一个48维的特征向量，作为个体特征；将所述个体特征输入预构建的个体化分类模型，得到每个未定义区域内的体素的预测概率值向量，并将预测概率值向量对应的最大的亚区标签作为体素的最终亚区标签，进而生成未定义区域的图谱；所述个体化分类模型基于深度学习神经网络构建；将所述群组先验图谱和所述未定义区域的图谱进行合并，生成受试者个体化的丘脑图谱；
[0142]
其中，所述群组丘脑概率图谱其构建方法为：
[0143]
a100，获取n个受试者个体脑部的结构核磁共振图像、弥散张量核磁共振图像，作为输入图像；n为正整数；
[0144]
a200，对所述输入图像依次进行hcp最小预处理、roi配准、roi后处理，得到受试者个体脑部最终的丘脑roi，并通过odf估计算法，得到受试者个体脑部最终的丘脑roi内每个体素的局部弥散特征；
[0145]
a300，结合a200获取的局部弥散特征，计算体素之间的相似度，并进行聚类，得到受试者个体脑部最终的丘脑roi内体素的聚类结果；
[0146]
a400，将a300获取的聚类结果配准至标准空间，并进行标签重映射，得到受试者个体脑部最终的丘脑roi内每个体素对应的亚区标签，即得到n个受试者个体脑部在标准空间中的丘脑分区；
[0147]
a500，计算受试者个体脑部最终的丘脑roi内每个体素对应的亚区概率值，并去掉最大的亚区概率值低于第一阈值的体素点，然后将剩余的体素点构建群组水平的丘脑概率图谱，即群组丘脑概率图谱；所述亚区概率值为各亚区的受试者人数与总受试者人数的比值。
[0148]
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的电子设备、计算机可读存储介质以及群组先验引导的基于深度学习的丘脑个体化图谱绘制装置的具体工作过程及有关说明，可以参考前述方法实例中的对应过程，在此不再赘述。
[0149]
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法
来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0150]
术语“第一”、“第二”、“第三”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
[0151]
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。