基于脑影像的脑结构和功能特征展示系统的制作方法

本发明属于医学影像技术领域，具体涉及一种基于脑影像的脑结构和功能特征展示系统。

背景技术：

大脑是人体最复杂的器官，随着医学影像技术的发展，尤其是现代医学影像如核磁共振技术的发明，极大的促进了脑功能研究的发展。研究大脑的功能不仅可以使人们有意识的了解大脑的奥秘，甚至能够从一定程度上预测和估计脑认知特征和功能。目前医学上主要使用的是单个方面数据的显示如结构相数据的显示，而这种方式显示内容单一，对非专业用户不友好，如要显示多个内容，需要进行不同操作，使用起来很不方便。

技术实现要素：

为了解决现有技术中的上述问题，即为了解决脑结构数据的综合显示问题，本发明提出了一种基于脑影像的脑结构和功能特征展示系统，包括输入模块、特征提取模块、分析预测模块、样本数据库；

所述输入模块，配置为录入被测对象基本信息、脑影像数据；所属基本信息包括年龄；

所述特征提取模块，配置为对输入的被测对象的脑影像数据进行特征提取，获取脑影像特征；

所述分析预测模块，配置为依据所获取的脑影像特征、所述被测对象的基本信息，基于所述样本数据库按照预设的分析方法进行差异化分析；

所述样本数据库包括多个样本数据，所述样本数据包括脑影像数据样本、对应的基本信息标签、对应的脑影像特征样本。

在一些优选实施例中，所提取的脑影像特征包括脑灰质皮层特征、脑白质特征、脑功能活动特征中的一个或多个；

所述脑灰质皮层特征包括脑灰质体积、灰质皮层厚度、折叠程度、灰白质渐变梯度、灰质皮层复杂度中的一个或多个；

所述脑白质特征包括脑白质体积、脑白质形态结构、脑白质纤维结构信息中的一个或多个；

所述脑功能活动特征包括功能活动强度、功能连接强度、功能连接效率中的一个或多个。

在一些优选实施例中，所述基本信息还包括智商和/或认知评分。

在一些优选实施例中，所述脑影像数据包括脑结构影像数据和/或脑功能影像数据。

在一些优选实施例中，所述分析预测模块中“按照预设的分析方法进行差异化分析”，包括：

基于基本信息-脑影像特征对应关系，计算被测对象的所述脑影像特征在同龄样本中的位置；和/或

基于基本信息-脑影像特征对应关系，计算被测对象的所述脑影像特征所对应的年龄信息；

其中，

所述基本信息-脑影像特征对应关系，依据样本数据库中的脑影像特征样本及对应的基本信息标签，通过线性或者非线性回归的方法获取的对应关系表示。

在一些优选实施例中，所述基本信息-脑影像特征对应关系还包括预设的置信区间。

在一些优选实施例中，该系统还包括显示模块，该模块配置为获取所述分析预测模块输出的数据和/或所述输入模块输入的数据，并通过显示装置显示。

在一些优选实施例中，所述输入模块、所述显示模块设置于终端设备；所述特征提取模块、所述分析预测模块、所述样本数据库设置于服务器；所述终端设备为一个或多个；所述终端设备与服务器通过通信链路连接。

在一些优选实施例中，该系统还包括脑影像数据转换模块，配置为将输入的脑影像数据格式转换为nifty格式。

本发明的有益效果：

本发明弥补了现有技术的不足，将脑结构数据和功能特征进行融合显示，并基于基本信息-脑影像特征对应关系进行了差异化分析，操作简单方面，对本地计算机资源占用低。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本发明一种实施例的基于脑影像的脑结构和功能特征展示系统框架结构示意图；

图2是本发明一种实施例的硬件系统示意图。

具体实施方式

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。

下面结合附图和实施例对本申请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。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

本发明的一种基于脑影像的脑结构和功能特征展示系统，如图1所示，包括输入模块、特征提取模块、分析预测模块、样本数据库；还可以进一步包括显示模块、脑影像数据转换模块。将在下述实施例中对各模块及其信息交互关系进行描述。

为了更清晰地对本发明基于脑影像的脑结构和功能特征展示系统进行说明，下面结合附图对本方发明系统一种实施例中各模块进行展开详述。

本实施例的基于脑影像的脑认知能力测量系统，如图1所示，包括输入模块1、脑影像数据转换模块2、特征提取模块3、分析预测模块4、样本数据库5、显示模块6。

(1)输入模块1，配置为录入被测对象基本信息、脑影像数据。

本实施例中基本信息包括年龄，还可以进一步包括智商、认知评价等。

脑影像数据包括脑结构影像数据和/或脑功能影像数据。用户可以上传一类或多类脑影像数据，系统会根据所上传的数据进行相应的计算并展示相应特征。

(2)脑影像数据转换模块2，配置为将输入的脑影像数据格式转换为nifty格式。

使用者上传的脑影像数据可以为行业通用格的脑影像原始数据(nifti格式)，也可以为其他格式，此时需要将其进行转换为nifti格式，例如将磁共振设备导出的原始数据(rawdata)转换为nifti格式。

(3)特征提取模块3，配置为对输入的被测对象的脑影像数据进行特征提取，获取脑影像特征。

本实施例所提取的脑影像特征包括脑灰质皮层特征、脑白质特征、脑功能活动特征中的一个或多个；所述脑灰质皮层特征包括脑灰质体积、灰质皮层厚度、折叠程度、灰白质渐变梯度、灰质皮层复杂度中的一个或多个；所述脑白质特征包括脑白质体积、脑白质形态结构、脑白质纤维结构信息中的一个或多个；所述脑功能活动特征包括功能活动强度、功能连接强度、功能连接效率中的一个或多个。

以下仅对部分特征的计算进行描述：

脑灰质体积、脑白质体积通过体素数量及体积计算。

灰质皮层的厚度，通过该体素与灰质皮层内-外曲面法线方向辖区内的体素个数与体素单位的乘积计算得到。灰质皮层的内表面是指与白质结构相邻的表面，灰质皮层外表面是指灰质与脑膜组织相邻的表面，这两个表面与上述法线相交的两个点之间的距离也即是灰质皮层在该法线位置的厚度。

灰质皮层复杂度(fc,fractaldimensionality)，采用caserta等人1995年提出的网格计数法(casertaetal,determinationoffractaldimensionofphysiologicallycharacterizedneuronsintwoandthreedimensions,jneuroscimethods,1995)计算，还可以进一步参考madan的论文(madanandkensinger,corticalcomplexityasameasureofage-relatedbrainatrophy,neuroimage2016)，此处不再展开描述。

功能连接强度表示的是体素或脑区之间的时间相关性，通常可以用皮尔森相关系数(pearsoncorrelation)表示。

扩散磁共振图像通过扩散张量成像(dti)或者高角度分辨率的扩散磁共振成像(hardi)，计算反映脑白质纤维结构信息的指标，该指标包括白质的髓鞘化程度fa(fractionalanisotropy)、水分子扩散平均受阻碍程度md(meandiffusivity)。其中，dti和hardi的选择取决于输入图像的具体参数类型，如果梯度方向少于45个，则用dti方式计算，如果梯度方向多于45个，则用hardi方式计算。

白质的髓鞘化程度fa，其计算如公式(1)所示：

其中，d为单个体素内高斯分布函数拟合的水分子扩散模型，为3行3列的正定矩阵，trace(d)为d的三个特征值之和，i为3行3列的单位矩阵，为矩阵d的三个特征值的平均值，表示每个体素所近似拟合的椭球的三个轴的长度。

水分子扩散平均受阻碍程度md，其计算如公式(2)所示：

(4)分析预测模块4，配置为依据所获取的脑影像特征、所述被测对象的基本信息，基于所述样本数据库按照预设的分析方法进行差异化分析。

本实施例中“按照预设的分析方法进行差异化分析”，包括：

基于基本信息-脑影像特征对应关系，计算被测对象的所述脑影像特征在同龄样本中的位置；和/或基于基本信息-脑影像特征对应关系，计算被测对象的所述脑影像特征所对应的年龄信息。其中，所述基本信息-脑影像特征对应关系，依据样本数据库中的脑影像特征样本及对应的基本信息标签，通过线性或者非线性回归的方法获取的对应关系表示。

在一些实例中，分析的内容为：时间尺度的统计，包括被测对象的脑影像特征在样本数据发育和老化曲线(基本信息-脑影像特征对应关系拟合的函数曲线)上所处的位置，并通过预设的置信区间，结合年龄因素，判断该位置是否偏离常规人群的发育和老化轨迹。例如，将被测对象的脑影像特征在样本数据发育和老化曲线上的位置，平移至相同年龄轴上，落入致信区间中则表示脑影像特征属于常规水平，在置信区间的上方则表示明显高于平均水平，在置信区间的下方则表示明显低于平均水平。从而可以用于发育或老化水平研究，以判断在脑区局部水平以及全脑水平是发育迟缓或老化过快。群体动态尺度的判断与上述方法类似，也是判断该被试是否在已有的群体样本库的置信区间内，所不同的是群体上的分布随着时间(年龄)变化在不断变化，在被测对象所在的年龄段，通过上述方式可以判断该被测对象在该年龄段所处的发育或老化水平，进一步的，可以预测该被测对象在后续的发育或老化过程各脑区发育或老化的程度。

本实施例中基本信息-脑影像特征对应关系为预先构建，也可以通过在线更新的方式，通过被测对象的使用，扩充样本数据库，进而对该对应关系进行在线实时更新。

基于样本数据库中脑影像数据样本对应的基本信息标签、对应的脑影像特征样本，通过线性或者非线性回归的方法获取基本信息-脑影像特征对应关系表示。优选采用支持向量机(svm)的线性或者非线性回归的方法进行认知能力和局部特征的对应关系的构建，该方法在系统中的最大优点是把降维后的向量再次透射到高维空间以增强分类距离。本实施例中采用一般线性回归模型glm(generalizedlinearmodel)。

(5)样本数据库5包括多个样本数据，所述样本数据包括脑影像数据样本、对应的基本信息标签、对应的脑影像特征样本。

样本数据库中脑影像数据样本对应的脑影像特征样本，通过所述特征提取模块进行特征提取。

(6)显示模块6，配置为获取所述分析预测模块输出的数据和/或所述输入模块输入的数据，并通过显示装置显示。

该模块一般包括显示设备，为显示器或投影仪等，可以通过三维及高维动态图像进行综合数据显示。

本发明的硬件系统，包括一个或多个终端设备，一个服务器，终端设备与服务器分别通过通信链路进行信息交互。所述输入模块、所述显示模块设置于终端设备；所述特征提取模块、所述分析预测模块、所述样本数据库设置于服务器。终端设备可以为平板电脑、智能手机、电脑等设备，终端设备通过网页浏览器的方式进行信息录入和信息展示，网页浏览器为了实时显示二维、三维及高维动态图像，采用webgl设计。如图2所示的示例中，终端设备的个数为n个，相应的，与服务器之间的通信链路也为n条。

本发明的上述优选实施例展示了一个较为完整系统模块架构，在实际应用过程中，还可以将脑影像数据转换模块2、特征提取模块3、分析预测模块4、样本数据库5进行系统集成，或特征提取模块3、分析预测模块4、样本数据库5进行系统集成，结合硬件处理装置，构建独立的服务器系统作为单独商品，使用方只用配置相应的输入装置、显示装置即可，以便于技术的快速推广应用。常采用的方法为通过智能设备安装具有输入模块、显示模块的客户端，或者通过具有输入模块、显示模块浏览器来实现信息录入和展示。

需要说明的是，上述实施例提供的基于脑影像的脑结构和功能特征展示系统，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。

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，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。

术语“第一”、“第二”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。

术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。

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作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。