本发明属于图像分析领域,具体涉及脑图谱映射领域,尤其涉及一种基于点约束最优传输的脑图谱映射方法和相关设备。
背景技术:
1、脑连接体是一种流行的将大脑建模为类似图形结构的方法,在研究脑功能个体差异、脑行为关联以及理解神经精神疾病中的大脑改变起到重要价值。由于数据的隐私问题,一些数据集仅作为完全处理的连接体发布;然而,不同的图谱将大脑划分为不同大小和拓扑结构的不同区域,基于不同图谱创建的连接体无法直接比较。对此,本领域的研究人员提出了通过点约束最优传输模型跨图谱间重新映射,这将有助于增加现有连接体的重复利用。
2、在大多最优传输模型中,主要约束是使所有样本的总传输距离最小化,如果没有任何额外指导,可能会导致样本匹配错误;而在许多实际应用中,跨域标注一些成对的关键点是相对容易且合理的。对此,基于关系保持的关键点引导匹配模型(kpg-rl)被提出,表现明显优于传统的最优传输模型。
3、然而,kpg-rl模型样本配对保持局部性质仅考虑距离约束,缺乏对样本间相对位置的讨论,影响了不同图谱之间转换的准确率,并且采用kpg-rl模型进行图谱转换所投入的时间成本较大。
技术实现思路
1、为克服上述技术的缺点,本发明提供一种基于点约束最优传输的脑图谱映射方法和相关设备,能够解决现有映射方法缺乏样本间相对位置的考虑,导致了图谱之间转换准确率不高的技术问题。
2、为了达到上述目的,本发明采用技术方案如下:
3、一种基于点约束最优传输的脑图谱映射方法,包括:
4、s1:对功能磁共振成像数据进行处理,得到功能信号图像;
5、s2:采用两种不同的大脑图谱对功能信号图像进行提取,分别得到对应的平均时间序列;
6、s3:采用上述两种大脑图谱分别计算对应的蒙特利尔神经学研究所坐标,得到数据点;
7、s4:基于数据点构建代价矩阵和掩码矩阵,结合最优传输算法,得到最优传输转移矩阵;
8、s5:基于平均时间序列和最优传输转移矩阵,计算得到新的平均时间序列;
9、s6:基于新的平均时间序列,得到大脑的功能连接体,实现两种不同大脑图谱之间的映射。
10、进一步地,s1的具体步骤包括:
11、s1.1:对功能磁共振成像数据进行格式转换;
12、s1.2:对格式转换后的功能磁共振成像数据依次进行数据筛选、时间层校正、涡流校正、空间标准化、平滑、去线性漂移、回归协变量以及低频滤波处理,得到功能信号图像。
13、进一步地,s3中,在计算得到的数据点中,选取大脑额叶、颞叶、枕叶以及顶叶重心mni坐标作为关键点。
14、进一步地,s4中,基于数据点构建代价矩阵和掩码矩阵,结合点线关系的最优传输模型,计算得到最优传输转移矩阵。
15、进一步地,其特征在于,s4的具体步骤:
16、基于点线关系的最优传输模型对代价矩阵和掩码矩阵进行计算;再采用对数域sinkhorn迭代算法计算得到最优传输转移矩阵。
17、进一步地,其中,计算代价矩阵的具体步骤为:
18、将每两个关键点之间作辅助线,构成源域的辅助线结构以及目标域辅助线结构;选取任意一条辅助线上的两个关键点和待计算的数据点构成三角形,利用海伦公式计算上述数据点到每条辅助线的距离。
19、进一步地,s4中,基于数据点构建代价矩阵和掩码矩阵,结合不完全点线关系的最优传输模型,计算得到最优传输转移矩阵。
20、一种基于点约束最优传输的脑图谱映射系统,用于实现上述基于点约束最优传输的脑图谱映射方法的步骤,包括:
21、数据处理模块,用于对功能磁共振成像数据进行处理,得到功能信号图像;
22、特征提取模块,用于采用两种不同的大脑图谱对功能信号图像进行提取,分别得到对应的平均时间序列;
23、坐标计算模块,用于采用两种大脑图谱分别计算对应的蒙特利尔神经学研究所坐标,得到数据点;
24、最优传输计算模块,用于基于数据点构建代价矩阵和掩码矩阵,结合最优传输算法,得到最优传输转移矩阵;
25、转移传输模块,用于基于平均时间序列和最优传输转移矩阵,计算得到新的平均时间序列;
26、图谱映射模块,用于基于新的平均时间序列,得到大脑的功能连接体,实现两种不同大脑图谱之间的映射。
27、一种设备,包括:
28、存储器,用于存储计算机程序;
29、处理器,用于执行所述计算机程序时实现上述基于点约束最优传输的脑图谱映射方法的步骤。
30、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程序,所述计算机程序被处理器执行时用于实现上述基于点约束最优传输的脑图谱映射方法的步骤。
31、相比于现有技术,本发明具有有益效果如下:
32、本发明还提供一种基于点约束最优传输的脑图谱映射方法,本方法通过对对功能磁共振成像数据处理得到功能信号图像,再利用不同的大脑图谱提取平均时间序列并计算蒙特利尔神经学研究所坐标,然后再结合最优传输算法对构建的代价矩阵和掩码矩阵计算,获得图谱之间的最优传输转移矩阵并输入平均时间序列,得到新的平均时间序列,获得大脑的功能连接体,最终实现了两种不同大脑图谱之间的映射;本方法采用的点线关系的最优传输模型中引入了点线距,使得模型增加了指标,刻画了数据域的局部结构约束,有效实现了数据域结构信息的提取,使得转换后的图谱也能很好的反应原始图谱的个体信息;提升了图谱间转换的准确率,节约了时间成本。
1.一种基于点约束最优传输的脑图谱映射方法,其特征在于,包括:
2.根据权利要求1所述的一种基于点约束最优传输的脑图谱映射方法,其特征在于,s1的具体步骤包括:
3.根据权利要求1所述的一种基于点约束最优传输的脑图谱映射方法,其特征在于,s3中,在计算得到的数据点中,选取大脑额叶、颞叶、枕叶以及顶叶重心mni坐标作为关键点。
4.根据权利要求3所述的一种基于点约束最优传输的脑图谱映射方法,其特征在于,s4中,基于数据点构建代价矩阵和掩码矩阵,结合点线关系的最优传输模型,计算得到最优传输转移矩阵。
5.根据权利要求4所述的一种基于点约束最优传输的脑图谱映射方法,其特征在于,s4的具体步骤:
6.根据权利要求5所述的一种基于点约束最优传输的脑图谱映射方法,其特征在于,其中,计算代价矩阵的具体步骤为:
7.根据权利要求1所述的一种基于点约束最优传输的脑图谱映射方法,其特征在于,s4中,基于数据点构建代价矩阵和掩码矩阵,结合不完全点线关系的最优传输模型,计算得到最优传输转移矩阵。
8.一种基于点约束最优传输的脑图谱映射系统,用于实现权利要求1-7任一项所述基于点约束最优传输的脑图谱映射方法的步骤,其特征在于,包括:
9.一种设备,其特征在于,包括:
10.一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程序,其特征在于,所述计算机程序被处理器执行时用于实现权利要求1-7任一项所述基于点约束最优传输的脑图谱映射方法的步骤。