一种大脑纤维束异常区域精准定位系统的制作方法

1.本发明涉及神经影像数据分析领域，尤其涉及一种大脑纤维束异常区域精准定位系统。


背景技术：

2.扩散加权磁共振是一种定量的磁共振成像方法。传统磁共振是通过对磁场中的人体施加某种特定频率的射频脉冲，使人体内的氢质子受到激励而产生共振现象。脉冲停止后，质子在弛豫过程中产生磁共振信号，通过对磁共振信号的编码、接收和重建后，生成静态的结构图像。而扩散加权磁共振测量的是人体内水分子的扩散运动，也就是测量预定扩散时间内水的位移。
3.在匀质的水中，水分子的扩散运动是一个三维的随机运动，在各个方向的扩散程度相同，这种现象称为扩散的各向同性，而在人体中，水分子在三维空间中的扩散运动会受到各种限制，如果水分子的扩散运动被细胞膜、大分子等阻碍，那么水分子的位移就会减少，水分子的受阻扩散。比如在有髓鞘的神经纤维束中，水分子沿着纤维走向的扩散运动会远大于向髓鞘方向的扩散，这种现象称为扩散的各向异性。
4.基于这个原理，扩散张量成像(diffusion tensor imaging, dti)模型是对磁共振扩散加权成像技术的发展与改进。扩散张量模型是一个三维的立体模型，量化了水分子扩散的各向异性的信号，利用扩散敏感梯度脉冲将水分子扩散效应扩大，来研究不同组织中水分子扩散运动的差异，使脑组织的微结构能够更加精细地显示。神经突方向分散度和密度成像(neurite orientation dispersion and density imaging, noddi) 模型把微环境分为了三种情况：细胞内、细胞外、脑脊液。每一种微环境影响水分子弥散的方式都不同，可用于评估轴突和树突微结构的复杂性，可以反映脑组织中不同组织的信息。
5.扩散磁共振成像通过测量水分子扩散差异来检测大脑的微结构特性以及纤维束走向。利用这些扩散特性，可以得到一些常用的参数。比如可以通过扩散张量成像，计算各向异性分数(fractional anisotropy, fa)、平均扩散率(mean diffusivity, md)等指标，也可通过神经突方向分散度和密度成像，计算神经突内容积比(intra-neurite volume fraction, icvf)以及方向分散度(orientation dispersion index, odi)等。并且可以通过全脑层面的纤维追踪结果，提取出相应的纤维束通路。其中，fa反映了扩散的各项异性部分与扩散张量总值的比值，可用于显示脑白质内神经传导束的走行方向，可以观察组织结构的完整性和连通性，利于对各种疾病引起的白质纤维束损害程度及范围的判断。md反映了水分子单位时间内扩散运动的范围，比如扩散受限的水分子增加，这就会引起该区域md的下降，icvf可以反映神经密度，比如轴突的密度。odi可以量化神经突方向的离散度，比如扇形纤维和交叉纤维。这些影像学指标为研究各类疾病提供了多种角度的解读。
6.纤维追踪是进行纤维束通路分析的重要方法。传统基于弥散张量成像的纤维追踪方法根据张量主方向以及预设的偏转角阈值、fa阈值等参数对全脑纤维束进行构建，而后通过设定roi的方式追踪特定纤维束，并计算纤维束的数目、平均fa等相关指标，但是无法
解决交叉纤维的问题。
7.支持向量机（support vector machines, svm）是一种常用的机器学习分类模型，svm学习的基本想法是求解能够正确划分训练数据集并且几何间隔最大的分离超平面。通过svm得到特征的权重，可以反映哪些纤维束的哪些节点在疾病组和健康组之间有显著的差异。
8.以往的纤维束成像分析方法，局限于全脑或是纤维通路的整体分析，且只进行简单的统计比较组间差异。


技术实现要素：

9.本发明的目的在于针对现有技术的不足，提出一种大脑纤维束异常区域精准定位系统。本发明通过对扩散磁共振数据进行响应函数的估计以及通过球面约束反卷积重建纤维方向分布扩散模型，球面反卷积模型可以估计出每个体素的弥散分布。然后用概率性纤维追踪法，随机的在感兴趣区域内设定种子点，从每个种子点开始进行纤维束追踪，直到完成指定数目的纤维束，然后用纤维束的球面反卷积滤波对纤维束进行筛选，保留有生理意义的纤维，使得追出的局部纤维数目正比于真实的局部神经纤维密度。通过定义起始感兴趣区域，终止感兴趣区域，通过感兴趣区域以及避开感兴趣区域，进行基于种子点的纤维追踪，可以获得满足感兴趣区域的纤维束通路。通过自动定量方法，可对提取出来的感兴趣的纤维束进行进一步分段（如100等分），统计每一小段上的影像学指标，做到对纤维束通路更精确的分析。最后用svm方法对疾病组和健康组进行分类，定位纤维束异常节点。本发明可以得到感兴趣的纤维束通路，对其进行精细的划分，并且有效利用了各个扩散模型的影像学指标。通过机器学习的方法可以精准定位到异常的纤维束段，实现脑白质相关疾病病灶的精准定位。
10.本发明是通过以下技术方案来实现的：一种大脑纤维束异常区域精准定位系统，该系统包括如下模块：扩散磁共振数据采集模块，用于获取疾病组扩散磁共振数据以及相应的健康组扩散磁共振数据；扩散磁共振数据预处理模块，用于对扩散磁共振数据采集模块采集到的扩散磁共振数据进行降噪和矫正处理；全脑纤维追踪模块，用于基于预处理后的扩散磁共振数据提取全脑的纤维连接；定义感兴趣纤维束通路模块，用于自定义纤维束通路或者基于大脑纤维束模板提取纤维束通路；纤维束通路投射与分段模块，用于将纤维束通路投射到全脑的纤维连接结果上并进行分段，将每个分段定义为节点；纤维束节点影像指标提取模块，用于计算扩散磁共振数据的各向异性分数、平均扩散率、神经突内容积比以及方向分散度，从而得到每条纤维束通路每个节点上的影像学指标；机器学习分类与异常节点定位模块，用于通过机器学习的方法在疾病组和健康组之间用影像学指标做分类，定位不同疾病下哪些纤维束通路上的哪些节点发生了异常变化。
11.进一步地，所述扩散磁共振数据预处理模块用于对扩散磁共振数据进行基于pca方法的去噪，并进行基于反相位编码图像的畸变矫正以及对扩散磁共振数据进行头动矫正和对扩散磁共振数据进行涡流矫正。
12.进一步地，所述全脑纤维追踪模块用于对预处理后的扩散磁共振数据进行响应函数的估计以及通过球面约束反卷积重建纤维方向分布扩散模型，基于重建的模型进行全脑纤维追踪；用纤维束的球面反卷积滤波方法对纤维束进行筛选，仅保留有生理意义的纤维束。
13.进一步地，所述定义感兴趣纤维束通路模块用于在标准脑模板上定义起始感兴趣区域、终止感兴趣区域、通过感兴趣区域以及避开感兴趣区域，并进行基于种子点的纤维追踪，获得满足感兴趣区域的纤维束通路。
14.进一步地，所述定义感兴趣纤维束通路模块能够使用纤维束图谱上预先定义的纤维束通路。
15.进一步地，所述纤维束通路投射与分段模块用于将标准脑模板上的定义的纤维束感兴趣区域非线性配准到每个被试的结构像上，进而线性配准到每个被试的扩散像个体空间；在被试的个体空间进行基于种子点的纤维追踪，获得满足感兴趣区域的纤维束通路。
16.进一步地，在已经获得纤维束通路的情况下，能够直接对纤维束进行线性配准至被试的个体空间，从全脑的纤维追踪结果中提取出感兴趣的纤维束，将纤维束根据长度平均分成若干小段，每小段定义为一个节点。
17.进一步地，所述纤维束节点影像指标提取模块用于对扩散磁共振数据进行弥散张量成像dti模型拟合，计算全脑的各向异性分数fa和平均弥散系数md值，对扩散磁共振数据进行神经突定向弥散和密度成像模型noddi模型拟合，计算全脑的细胞内体积分数icvf和方向扩散分数odi值；对每条纤维束的每个节点计算上述指标的平均值。
18.进一步地，所述机器学习分类与异常节点定位模块用于基于svm分类器，以每条神经纤维节点特征作为svm分类器的输入，以被试所在的组别为标签，作为svm分类器的输出，svm分类器训练集使用10折交叉验证，分别获取10个模型的特征权重，根据权重对特征进行从大到小排序，取前10%特征，并统计前10%特征中重复出现的节点特征，从而确定不同疾病下哪些纤维束通路上的哪些节点发生了异常变化。
19.本发明的有益效果：本发明提出的方法能够通过扩散磁共振数据，得到感兴趣的纤维束通路，对其进行精细的划分，并且有效利用了各个扩散模型的影像学指标，这些脑影像指标在以往研究中被证实与各类疾病密切相关，通过机器学习的方法可以精准定位到异常的纤维束段，实现脑白质相关疾病病灶的精准定位。本发明采用球面约束反卷积重建方法，估计每个体素上的纤维走向函数，来重建每个体素上的纤维分布，可以有效解决纤维交叉的问题。
附图说明
20.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做简单地介绍，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前提下，还可以根据这些附图获得其他附图。
21.图1是本发明提供的一种大脑纤维束异常区域精准定位系统结构示意图。
22.图2是本发明纤维束通路构建示意图。
23.图3是本发明分类模型测试的auc值示意图。
具体实施方式
24.下面将结合附图对本发明作进一步的说明。为了使本领域的人员更好地理解本技术中的技术方案，下面将结合附图对本发明作进一步的说明。但这仅仅是本技术的一部分实施例，而不是全部的实施例。基于本技术所述的具体实施例，本领域的其他人员在没有做出创造性劳动的前提下所获得的其他实施例，都应当落在本发明的构思范围之内。
25.总体而言，本发明提出一种大脑纤维束异常区域精准定位系统。该系统可以得到感兴趣的纤维束通路，对其进行精细的划分，并且有效利用了各个扩散模型的影像学指标。通过机器学习的方法可以精准定位到异常的纤维束段，实现脑白质相关疾病病灶的精准定位。整体系统结构示意图如图1所示，包括扩散磁共振数据采集模块、扩散磁共振数据预处理模块、全脑纤维追踪模块、定义感兴趣纤维束通路模块、纤维束通路投射与分段模块、纤维束节点影像指标提取模块和机器学习分类与异常节点定位模块；所述扩散磁共振数据采集模块用于获取疾病组扩散磁共振数据以及相应的健康组扩散磁共振数据；所述扩散磁共振数据预处理模块用于对扩散磁共振数据采集模块采集到的扩散磁共振数据进行预处理，预处理包括：图像去噪、畸变矫正、提取b0图像做信号归一化、头动和涡流矫正。所述全脑纤维追踪模块用于基于数据b向量分布情况对图像进行弥散模型重建，计算响应函数和纤维方向分布函数，进行全脑的纤维追踪。所述定义感兴趣纤维束通路模块用于在标准脑模板mni152nlinin2009casym上定义起始感兴趣区域，终止感兴趣区域，通过感兴趣区域以及避开感兴趣区域，进行基于种子点的纤维追踪，获得满足感兴趣区域的纤维束通路，特别地，也可以使用纤维束图谱上预先定义的纤维束通路。如图2所示。所述纤维束通路投射与分段模块用于将标准脑模板mni152nlinin2009casym上的定义的纤维束感兴趣区域非线性配准到每个被试的结构像上，进而线性配准到每个被试的扩散像个体空间；然后在被试的个体空间进行基于种子点的纤维追踪，获得满足感兴趣区域的纤维束通路，特别地，在已经获得纤维束通路的情况下，可以直接对纤维束进行线性配准至被试的个体空间，接下来将纤维束根据长度平均分成一百小段，每小段认作一个节点。所述纤维束节点影像指标提取模块用于通过扩散磁共振计算得到各个脑区的各向异性分数fa，平均弥散系数md，细胞内体积分数icvf和方向扩散分数odi值等，对每条纤维束的每个节点计算上述指标在该小段纤维束上的平均值。所述机器学习分类与异常节点定位模块用于基于svm分类器进行疾病组和健康组的分类，通过svm得到特征的权重，可以反映哪些纤维束的哪些节点在疾病组和健康组之间有显著的差异。
26.本发明系统的具体实施过程如下：所述扩散磁共振数据采集模块用于获取疾病组扩散磁共振数据以及相应的健康组扩散磁共振数据；本发明实例获取的是医院采集得到的临床数据，根据临床表现将数据分为0型病人，1型病人以及健康人。对数据进行整理和质量控制，最后入组的被试有0型病人121例，1型病人107例，健康人109例。
[0027] 所述扩散磁共振数据预处理模块用于对扩散磁共振数据采集模块采集到的扩散
磁共振数据进行降噪和矫正处理：具体为：扩散磁共振影像数据的预处理整体基于qsiprep软件包完成，具体包括以下过程：dicom到bids格式转换，把数据整理成符合标准的格式。由于扩散磁共振图像存在信噪比较低的问题，所以用主成分分析的方法对图像进行去噪(mp-pca)。由于b0场的不均匀性，扩散磁共振图像会在相位梯度方向产生畸变，所以要对图像进行畸变矫正(n4 algorithm)。由于梯度磁场切换产生的涡流效应会产生阻碍梯度变化的涡流。这种额外的扰动将影响梯度场的变化使其波形严重畸变使图像存在几何形变、伪影等失真，这种效应被称为涡流效应，所以要对数据进行涡流矫正(eddy)。以及扫描过程中被试的呼吸和头动也会对数据的空间位置产生影响了影像，所以要对数据进行头动和涡流矫正(eddy)。
[0028]
所述全脑纤维追踪模块用于基于预处理后的扩散磁共振数据提取全脑的纤维连接；具体为：使用mrtrix3软件对预处理后的扩散磁共振数据进行响应函数的估计以及通过球面约束反卷积重建纤维方向分布模型，因为该数据包含了b=0,1000,2000的b向量，所以本发明采用球面约束反卷积重建纤维方向分布扩散模型multi-shell-multi-tissue的方法进行模型重建；其次，基于重建的模型进行全脑纤维追踪，球面反卷积模型可以估计出每个体素的弥散分布，纤维追踪使用概率性纤维追踪法，在感兴趣区域内设定种子点，从每个种子点开始进行纤维束追踪，直到完成指定数目的纤维束。本发明设定是1千万条纤维束；最后，用纤维束的球面反卷积滤波方法对纤维追踪的结果做筛选，保留有生理学意义的纤维束。
[0029]
所述定义感兴趣纤维束通路模块用于自定义纤维束通路或者基于大脑纤维束模板提取纤维束通路；具体为：在标准脑模板mni152nlinin2009casym上定义起始感兴趣区域，终止感兴趣区域，通过感兴趣区域以及避开感兴趣区域，并对感兴趣区域进行修正，比如分割左右脑，腐蚀，脑外部分去除等操作。对选定的感兴趣区域进行基于种子点的纤维追踪，从起始感兴趣区域出发，通过或避开相应的感兴趣区域，到达终止感兴趣区域，最后获得满足感兴趣区域的纤维束通路。特别地，相应的纤维束通路也可以直接从公共的纤维束模板上提取。需要注意的是，左右半脑的纤维束最好分开统计。在本实例中，本发明共提取了80条不同的纤维束通路。80条通路中有2条没有从任何被试中提出，所以对剩下78条通路进行统计分析（大部分通路每组都有100多名被试，小部分通路每组只有不到10名被试有结果）。
[0030]
所述纤维束通路投射与分段模块用于将纤维束通路投射到全脑的纤维连接结果上并进行分段，将每个分段定义为节点；具体为：基于扩散磁共振数据的特性，扩散磁共振指标的计算需要在被试的个体空间进行。所以本发明需要将标准脑模板mni152nlinin2009casym上定义的纤维束感兴趣区域非线性配准到每个被试的结构像上，进而线性配准到每个被试的扩散像个体空间；然后在被试的个体空间进行基于种子点的纤维追踪，获得满足感兴趣区域的纤维束通路，特别地，在已经获得纤维束通路的情况下，可以直接对纤维束进行线性配准至被试的个体空间，从全脑的纤维追踪结果中提取出感兴趣的纤维束。接下来将通过pyafq工具包，通过自动定量方法，可对提取出来的感兴趣的纤维束进行进一步分段（如100等分），每小段认作一个节点。
[0031]
所述纤维束节点影像指标提取模块用于计算扩散磁共振数据的各向异性分数、平均扩散率、神经突内容积比以及方向分散度，从而得到每条纤维束通路每个节点上的影像
学指标；具体为：对扩散磁共振数据进行弥散张量成像dti模型拟合，计算全脑的各向异性分数fa和平均弥散系数md值；并对扩散磁共振数据进行神经突定向弥散和密度成像模型noddi模型拟合，计算全脑的细胞内体积分数icvf和方向扩散分数odi值；最后，对每条纤维束的每个节点计算上述指标在该节点的平均值。
[0032]
所述机器学习分类与异常节点定位模块用于通过机器学习的方法在疾病组和健康组之间用影像学指标做分类，定位不同疾病下哪些纤维束通路上的哪些节点发生了异常变化；具体为：统计健康组和疾病组共同追踪出的纤维束，以这些纤维束的100个节点值作为特征，构造特征集，以0为健康组标签，1为疾病组标签，构造标签集，整个数据集由特征集和相对应的标签集组成；其次，将数据集以被试为单位按8:2的比例随机分成训练集和测试集；然后，使用svm分类器进行二分类预测，svm分类器核函数为linear核，以每条神经纤维节点特征作为svm分类器的输入，以被试所在的组别为标签，作为svm分类器的输出，其中训练集使用10折交叉验证，使用svm模型的coef_参数，分别获取训练之后的10个模型的所有节点特征权重，根据权重对特征进行从大到小排序，取这个10个模型权重值占前10%的特征，并统计在前10%的特征中重复出现的节点特征，从而确定不同疾病下哪些纤维束通路上的哪些节点发生了异常变化；最后使用测试集进行模型测试，获取分类的准确率和auc值，0型病人和健康人分类模型测试的auc值如图3所示，本发明实施例中的auc=0.64。
[0033]
在本发明实例中，针对该临床数据集进行纤维束提取分段，影像指标计算以及机器学习异常节点定位，定位到左右侧顶桥束的中段和后半段，皮质丘脑通路的前端和后端的fa值是在0型病人和健康人分类中前10%的特征中重复出现的节点特征，如下面表1所示。
[0034]
表1中表头为纤维通路的名称，数字为分类时权重大的节点位置。这些通路的异常与该疾病在临床上表现为行动不便，体脂率上升密切相关，说明该系统得到的结果具有较好的可解释性。并且该系统实现了纤维束通路异常节点的精准定位，得到了疾病组与健康组之间具有组间差异的纤维束段。
[0035]
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。