CN107689057B - 自适应小动物脑功能磁共振成像数据分析方法 - Google Patents
自适应小动物脑功能磁共振成像数据分析方法 Download PDFInfo
- Publication number
- CN107689057B CN107689057B CN201710554895.7A CN201710554895A CN107689057B CN 107689057 B CN107689057 B CN 107689057B CN 201710554895 A CN201710554895 A CN 201710554895A CN 107689057 B CN107689057 B CN 107689057B
- Authority
- CN
- China
- Prior art keywords
- image
- brain
- adaptive
- average
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/58—Calibration of imaging systems, e.g. using test probes, Phantoms; Calibration objects or fiducial markers such as active or passive RF coils surrounding an MR active material
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- High Energy & Nuclear Physics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请公开了一种自适应小动物脑功能磁共振成像数据分析方法,包括以下步骤:多次获取每只被试动物的全脑扫描图像,进行头动校正并获得各动物的全脑平均图像;以某一只动物全脑图像为参考图像,迭代的进行图像配准及图像平均,获得自适应脑模板;使用多通道高斯滤波的方式提取出自适应脑模板的脑内像素作为初始的脑内像素掩膜图像;获取与自适应脑模板空间匹配的脑内像素掩膜图像;将所有被试个体脑图像与自适应脑模板进行空间标准化,并进行颅骨剥离;获取所有被试动物的所有感兴趣区的时间序列;通过皮尔逊相关算法,获得所有感兴趣区两两之间的相关系数,已得被试动物的全脑网络。上述方案适应性广,效率高,且不受人为主观因素的影响。
Description
技术领域
本申请一般涉及磁共振图像处理技术领域,尤其涉及自适应小动 物脑功能磁共振成像数据分析方法。
背景技术
小动物实验在神经科学研究中具有不可替代的作用,例如新药物 研发,重大脑疾病发病机理研究等,都需要利用适当的动物模型进行 试验。在体小动物脑功能磁共振成像(Functional Magnetic Resonance Imaging, fMRI)技术使研究人员能够动态观测小动物脑功能活动,为小动物脑 功能活动及脑功能网络研究提供了强有力的手段。目前常用基于手工 勾画感兴趣区(Region Of Interest,ROI)的分析方法,即由研究人员 逐一且逐层的勾画出各个ROI,工作量繁重,效率低,且对操作者的 背景知识要求较高,受人为主观因素的影响较大,且不能满足高通量 的小动物fMRI脑功能成像数据的分析。因此,小动物图像的数据分 析是限制其发展和应用的主要瓶颈。
为了实现客观且高效的小动物fMRI全脑功能网络分析,首先将 所有被试动物的fMRI脑功能像标准化到统一空间,即通常所说的空 间标准化,其中标准脑模板为其提供了统一的参考标准。与人脑功能 成像不同,小动物脑远远小于人脑,因此,为了提高其成像的空间分 辨率及降低信噪比,小动物脑功能成像的时间通常要远远长于人脑成 像。因此,为了提高实验效率,降低实验成本,研究人员通常针对特 定的研究任务设定不同的成像视野(Field Of View,FOV),例如关注 恐惧记忆情感环路功能的研究人员就仅对大鼠的大脑部分进行成像; 关注抑郁症疾病动物模型脑功能网络异常情况的研究人员就会对小动 物的全脑进行成像,包括嗅球,大脑和小脑等。
目前在人脑功能成像研究中使用最为广泛的单一FOV的标准脑 模板就难以满足小动物脑功能成像中不同研究的需要。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种适应性广、不 受人为主观因素影响的自适应小动物脑功能磁共振成像数据分析方 法。
本申请提供一种自适应小动物脑功能磁共振成像数据分析方法, 包括以下步骤:
S100:多次获取每只被试动物的全脑扫描图像,并将每只所述被 试动物的每次所述全脑扫描图像进行时间片校正,以消除数据采集周 期内各扫描层的时间偏差;
S200:以每只所述被试动物成像时间序列中的第一个全脑扫描图 像为头动校正参考图像,分别以每只所述被试动物的头动校正参考图 像为参考,对该只所述被试动物的剩余各全脑扫描图像分别进行刚体 变换以获得头动校正图像,对每只被试动物的所述头动校正参考图像 及所述头动校正图像进行平均,获得每只被试动物的平均图像;
S300:对所述平均图像迭代的进行图像配准及图像平均,获得用 户数据驱动的自适应脑模板;
S400:以所述自适应脑模板为参考标准,将所述每只被试动物的 平均图像与所述参考标准进行图像配准,并将相同的配准参数应用于 所述头动校正图像,以完成每只所述被试动物的空间标准化;
S500:使用多通道高斯滤波的方式提取出所述自适应脑模板的脑 内像素作为初始的脑内像素掩膜图像;
S600:以标准脑图谱所提供的脑轮廓信息为先验知识,通过图像 形态学算法及统一化分割的方法对初始的脑内像素掩膜图像进行边缘 修正,获得最终的与自适应脑模板空间统一的颅内像素掩膜图像;
S700:以所述颅内像素掩膜图像,去除自适应脑模板中的脑外像 素,获得仅包含颅内信息的标准自适应脑模板;
S800:将标准自适应脑模板与标准脑图谱进行配准,根据标准脑 图谱中的感兴趣区的信息,获取所有被试动物的所有感兴趣区的时间 序列;
S900:通过皮尔逊相关算法,计算被试动物的所有感兴趣区两两 之间的相关系数,获得所有被试动物的全脑网络。
进一步地,上述步骤S300具体为:
S301:从所有所述平均图像中随机选取一副图像,对其进行空间 直角三坐标系旋转,使该幅图像的冠状面与标准脑图谱的切片方位一 致,将进行空间直角三坐标系旋转后的该幅图像作为初始参考图像;
S302:以初始参考图像与平均图像的图像强度间的残差小于5% 为目标函数,对所述平均图像进行空间变换,以完成平均图像与初始 标准图像的空间对齐,所述目标函数表示为:
其中,imgT表示初始参考图像和imgI表示平均图像,下标ijk表示 该像素点在图像矩阵中的坐标位置,n表示图像中包含的所有的像素个 数;
S303:将空间对齐后的所有平均图像进行空间平均,获得参考平 均图像;
S304:判断参考平均图像与初始参考图像之间的图像强度间残值 是否小于5%,若是则将参考平均图像作为由用户数据驱动的自适应脑 模板,否则将参考平均图像作为初始参考图像,重新执行步骤S302- S304。
进一步地,所述对所述平均图像进行空间变换,具体为:首先通 过12参数仿射变换对所述初始参考图像与所述平均图像进行一次对 齐操作,然后通过非线性形变对已对齐操作后的所述初始参考图像与 所述平均图像进行再次对齐。
进一步地,上述步骤S500,具体为:
S501:建立所有元素值为零的三维积分图像,所述三维积分图像 的矩阵大小与所述自适应脑模板的矩阵大小一致;
S502:通过二维高斯滤波器迭代对所述自适应脑模板进行逐层的 高斯滤波,所述二维高斯滤波器的均值为零,方差均匀递增;每次迭 代后将三维积分图像中与自适应脑模板高斯滤波后剩余像素点对应的 像素点位置的图像强度值增加1,直至达到预定迭代次数后,将图像 强度值增加后的所述三维积分图像作为所述掩膜图像。
进一步地,上述步骤S600,具体为:
S601:采用图像形态学算法去除所述掩膜图像中的独立区域;
S602:按照掩膜图像的分辨率对标准脑图谱进行三维降采集,获 取与掩膜图像矩阵、空间分辨率均相当的脑图谱图像;
S603:根据所述脑图谱图像所提供的图像强度及位置信息,建立 所述脑图谱图像的概率密度图,以此概率密度图为先验知识,通过统 一化分割的方法将所述掩膜图像进行迭代的配准及分割,获得所述掩 膜图像各层的图像强度阈值;
S604:将所述掩膜图像中图像强度值大于所述图像强度阈值的像 素点赋值为1,否则赋值为0,获得二值化的颅内像素掩膜图像。
本申请提供的自适应小动物脑功能磁共振成像数据分析方法,采 用基于用户数据本身建立脑模板后再完成所有被试的空间对齐。该方 法自适应性强,精度高,几乎适用于所有不同成像参数的小动物fMRI 脑功能成像的空间标准化。本方案根据小动物脑功能成像特点,利用 多通道的高斯滤波及形态学先验信息,建立了全自动小动物脑功能成 像颅骨剥离算法,能够完成对自适应脑模板的颅骨剥离进而实现其与 标准脑图谱的空间对齐,较人工勾画法具有工作强度低,效率高,且 不受人为主观因素的影响,其剥离结果具有客观性强,可重复性高的 优点。该技术方案一定程度上为小动物FMRI脑功能数据的批量快速 分析,减少数据分析的主观性及对全脑网络的深度挖掘和分析提供了 强有力的工具。
具体实施方式
下面结合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。
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。下面将结合实施例来详细说明本申请。
本发明实施例提供的自适应小动物脑功能磁共振成像数据分析方 法,包括以下步骤:
S100:多次获取每只被试动物的全脑扫描图像,并将每只所述被 试动物的每次所述全脑扫描图像进行时间片校正,以消除数据采集周 期内各扫描层的时间偏差;
采用磁共振成像仪分别对每只被试的小动物顺次进行多次扫描, 获得每只被试小动物的多个全脑扫描图像,对每次扫描结果均进行时 间片校正,以消除数据采集周期内各扫描层的时间偏差,使个扫描层 采用同一时间参考点。
S200:以每只所述被试动物成像时间序列中的第一个全脑扫描图 像为头动校正参考图像,分别以每只所述被试动物的头动校正参考图 像为参考,对该只所述被试动物的剩余各全脑扫描图像分别进行刚体 变换以获得头动校正图像,对每只被试动物的所述头动校正参考图像 及所述头动校正图像进行平均,获得每只被试动物的平均图像;
在进行头动校正时,以头动校正参考图像为基准,对每只被试小 动物的其余图像在空间三坐标系内进行平动、旋转,以消除扫描过程 中由呼吸、心跳等因素引起的微小的头动。头动校正后,对每只被试 动物的所有图像的各像素强度进行相加在求平均值,得到每只被试动 物的平均图像。例如,每只被试小动物对应40张全脑扫描图像,则需 要将每只小动物40张全脑扫描图像对应像素处的像素强度相加后再 除以40,即得到每只被试动物的平均图像。
S300:对所述平均图像迭代的进行图像配准及图像平均,获得用 户数据驱动的自适应脑模板;
S400:以所述自适应脑模板为参考标准,将每只被试动物的平均 图像与所述参考标准进行图像配准,并将相同的配准参数应用于所述 头动校正图像,以完成每只所述被试动物的空间标准化
S500:使用多通道高斯滤波的方式提取出所述自适应脑模板的脑 内像素作为初始的脑内像素掩膜图像;
S600:以标准脑图谱所提供的脑轮廓信息为先验知识,通过图像 形态学算法及统一化分割的方法对初始的脑内像素掩膜图像进行边缘 修正,获得最终的与自适应脑模板空间统一的颅内像素掩膜图像;
S700:以所述颅内像素掩膜图像,去除自适应脑模板中的脑外像 素,获得仅包含颅内信息的标准自适应脑模板;
S800:将标准自适应脑模板与标准脑图谱进行配准,根据标准脑 图谱中的感兴趣区的信息,获取所有被试动物的所有感兴趣区的时间 序列;
S900:通过皮尔逊相关算法,计算被试动物的所有感兴趣区两两 之间的相关系数,获得所有被试动物的全脑网络。
计算获得的相关系数,可以保存为Excel文件,以方便用户进行 后续的统计学分析。
上述方案的自适应小动物脑功能磁共振成像数据分析方法,采用 基于用户数据本身建立脑模板后再完成所有被试的空间对齐。该方法 自适应性强,精度高,几乎适用于所有不同成像参数的小动物fMRI 脑功能成像的空间标准化。此外,由于是完全由用户数据驱动生成标 准脑模板,对数据扫描参数和成像FOV没有特定要求,因此是适应非 常广,几乎可以使用与所有不同成像参数的小动物fMRI脑功能成像 的空间标准化。本方案根据小动物脑功能成像特点,利用多通道的高 斯滤波及形态学先验信息,建立了全自动小动物脑功能成像颅骨剥离 算法,能够完成对自适应脑模板的颅骨剥离进而实现其与标准脑图谱的空间对齐,较人工勾画法具有工作强度低,效率高,且不受人为主 观因素的影响,其剥离结果具有客观性强,可重复性高的优点。一般 计算一只大鼠全脑网络的运行时间可以控制在10分钟之内,大大提高 了数据分析的效率。该技术方案一定程度上为小动物fMRI脑功能数 据的批量快速分析,减少数据分析的主观性及对全脑网络的深度挖掘 和分析提供了强有力的工具。
此外,上述方案数据处理便捷,全脑网络的相关系数可以直接保 存为Excel文件,供研究人员后续使用。
进一步地,上述步骤S300具体为:
S301:从所有所述平均图像中随机选取一副图像,对其进行空间 直角三坐标系旋转,使该幅图像的冠状面与标准脑图谱的切片方位一 致,将进行空间直角三坐标系旋转后的该幅图像作为初始参考图像;
例如,该处所指的冠状面可以是从嗅球向小脑方向所作的切片。
S302:以初始参考图像与平均图像的图像强度间的残差小于5% 为目标函数,对所述平均图像进行空间变换,以完成平均图像与初始 标准图像的空间对齐,所述目标函数表示为:
其中,imgT表示初始参考图像和imgI表示平均图像,下标ijk表示 该像素点在图像矩阵中的坐标位置,n表示图像中包含的所有的像素个 数;
S303:将空间对齐后的所有平均图像进行空间平均,获得参考平 均图像;
S304:判断参考平均图像与初始参考图像之间的图像强度间残值 是否小于5%,若是则将参考平均图像作为由用户数据驱动的初始自适 应脑模板,否则将参考平均图像作为初始参考图像,重新执行步骤 S302-S304。
进一步地,所述对所述平均图像进行空间变换,具体为:首先通 过12参数仿射变换对所述初始参考图像与所述平均图像进行一次对 齐操作,该次对齐实现初始参考图像与平均图像的整体对齐,然后通 过非线性形变对已对齐操作后的所述初始参考图像与所述平均图像进 行再次对齐,该次对齐实现初始参考图像与平均图像的细节对齐。
进一步地,上述步骤S500,具体为:
S501:建立所有元素值为零的三维积分图像,所述三维积分图像 的矩阵大小与所述自适应脑模板的矩阵大小一致;
S502:通过二维高斯滤波器迭代对所述自适应脑模板进行逐层的 高斯滤波,所述二维高斯滤波器的均值为零,方差均匀递增;每次迭 代后将三维积分图像中与自适应脑模板高斯滤波后剩余像素点对应的 像素点位置的图像强度值增加1,直至达到预定迭代次数后,将图像 强度值增加后的所述三维积分图像作为所述掩膜图像。
例如但不限于,所建立的二维高斯滤波器方差均匀递增,即 |σ1|2<|σ2|2<…<|σk|2,且|σ2|2-σ1|2=|σ3|2-σ2|2=…=|σk|2-σk-1|2,迭代次数为5,通 过二维高斯滤波器迭代对初始自适应脑模板进行逐层的高斯滤波,每 次迭代后将三维积分图像中与初始自适应脑模板高斯滤波后剩余像素 点对应的像素点位置的图像强度值增加1,用关系是表示为:
ImageC{Voxel{x,y,z}}=ImageC{Voxel{x,y,z}}+1;
其中,Voxel{x,y,z}为自适应脑模板中没有被滤掉的像素点,ImageC为三维积分图像。
当然,根据需要也可以是其他数量的迭代次数。
进一步地,上述步骤S600,具体为:
S601:采用图像形态学算法去除所述掩膜图像中的独立区域;
这里的独立区域一般是高亮的小区域,其一般为颅骨或颅外像素 区。
S602:按照掩膜图像的分辨率对标准脑图谱进行三维降采集,获 取与掩膜图像矩阵、空间分辨率均相当的脑图谱图像;
S603:根据所述脑图谱图像所提供的图像强度及位置信息,建立 所述脑图谱图像的概率密度图,以此概率密度图为先验知识,通过统 一化分割的方法将所述掩膜图像进行迭代的配准及分割,获得所述掩 膜图像各层的图像强度阈值;
S604:将所述掩膜图像中图像强度值大于所述图像强度阈值的像 素点赋值为1,否则赋值为0,获得二值化的颅内像素掩膜图像。
为进一步描述上述方法,下面以用户孤独症模型大鼠为例进行说 明。
以每组数据包括40只实验大鼠,例如但不限于在Bruker Avance 7.0-T磁共振成像仪上对实验大鼠的大脑和嗅球区域进行高分辨的脑 功能成像,成像过程采用EPI扫描序列和表面线圈。其中,第一只实 验大鼠的脑成像次数多于其他大鼠,且其余大鼠的脑成像次数相等。 例如但不限于,第一只实验大鼠的脑成像次数比其余大鼠多十次。在 进行成像前,将实验大鼠放入麻醉诱导盒内(异氟烷浓度控制在 2%-3%之间),待大鼠彻底麻醉后,立即放在磁共振动物床上采取俯 卧姿势摆上扫描床固定,采取俯卧姿势放置,同时利用进行呼吸麻醉 方式(异氟烷浓度控制在1%-1.5%之间)维持浅麻状态,进行扫描。 扫描参数为:图像矩阵大小为64×64×30,图像分辨率为 0.44×0.44×0.6mm3,扫描层厚为0.6mm,采用无间隔隔层扫描,TR= 2000ms,时间序列长度为320volumes,图像存储格式为DICOM。
在扫描获得过图像后,为使基于MATLAB软件开发的分析程序可 以对采集到的全脑扫描图像进行分析处理,首先通过Bruker2Analyze Paravision Converter(Bru2Anz)将文件2dseq(DICOM数据格式) 批量DICOM数据转存为可分析的NIFTI格式,其中2dseq为包含时 间域的4D数据格式。
然后对格式转化后的各全脑扫描图像进行时间片校正,时间片校 正可以采用以下数据采集参数:TR=2s;slices=30;图像采集顺序: 隔层采集;参考层:slice 002。
时间片校正后,剔除第一只实验大鼠前十次脑成像的全脑扫描图 像,以消除磁共振成像仪前期磁场不均匀对数据分析结果带来的不利 影响。
然后,以每只被试大鼠成像时间序列中的第一个全脑扫描图像为 头动校正参考图像,分别以每只被试大鼠的头动校正参考图像为参考, 对该只被试大鼠的剩余各全脑扫描图像分别进行刚体变换以获得头动 校正图像,对每只被试大鼠的头动校正参考图像及头动校正图像进行 平均,获得每只被试动物的平均图像。
对40只被试大鼠的平均图像进行迭代,生成标准脑模板,迭代方 法参见上述表述,这里不再赘述。任选一平均图像进行空间直角三坐 标系旋转,旋转后作为初始参考图像,迭代使用图像培训准和图像平 均的方法获得适用于该样本的由用户数据驱动的初始自适应脑模板。
然后,通过高斯滤波及形态学卷积的方法,去除用户数据驱动的 初始自适应脑模板的脑外像素,获取仅包含脑内像素的掩膜图像,并 将掩膜图像与标准脑图谱(Paxinosand Watson,大鼠脑立体坐标图谱) 进行空间对齐,并获得空间变换参数。
通过上述空间变换参数,将标准自适应脑模板统一至标准脑图谱, 并通过高斯平滑处理,进一步去除随机噪声,再通过线性漂移和带通 滤波,仅保留0.01Hz—0.08Hz的图像信息,根据标准脑图谱中的感兴 趣区的信息,获取所有被试大鼠的所有感兴趣区的时间序列。
最后,通过皮尔逊相关算法,计算所有被试大鼠两两ROI之间的 相关性,仅保留显著性p>0.95的相关系数,也即获得所有被试大鼠的 全脑网络,并保存为Excel文件,供用户进行后续的统计分析。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说 明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限 于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离 所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合 而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于) 具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (5)
1.一种自适应小动物脑功能磁共振成像数据分析方法,其特征在于,包括以下步骤:
S100:多次获取每只被试动物的全脑扫描图像,并将每只所述被试动物的每次所述全脑扫描图像进行时间片校正,以消除数据采集周期内各扫描层的时间偏差;
S200:以每只所述被试动物成像时间序列中的第一个全脑扫描图像为头动校正参考图像,分别以每只所述被试动物的头动校正参考图像为参考,对该只所述被试动物的剩余各全脑扫描图像分别进行刚体变换以获得头动校正图像,对每只被试动物的所述头动校正参考图像及所述头动校正图像进行平均,获得每只被试动物的平均图像;
S300:对所述平均图像迭代的进行图像配准及图像平均,获得用户数据驱动的自适应脑模板;
S400:以所述自适应脑模板为参考标准,将所述每只被试动物的平均图像与所述参考标准进行图像配准,并将相同的配准参数应用于所述头动校正图像,以完成每只所述被试动物的空间标准化;
S500:使用多通道高斯滤波的方式提取出所述自适应脑模板的脑内像素作为初始的脑内像素掩膜图像;
S600:以标准脑图谱所提供的脑轮廓信息为先验知识,通过图像形态学算法及统一化分割的方法对初始的脑内像素掩膜图像进行边缘修正,获得最终的与自适应脑模板空间统一的颅内像素掩膜图像;
S700:以所述颅内像素掩膜图像,去除自适应脑模板中的脑外像素,获得仅包含颅内信息的标准自适应脑模板;
S800:将标准自适应脑模板与标准脑图谱进行配准,根据标准脑图谱中的感兴趣区的信息,获取所有被试动物的所有感兴趣区的时间序列;
S900:通过皮尔逊相关算法,计算被试动物的所有感兴趣区两两之间的相关系数,获得所有被试动物的全脑网络。
2.根据权利要求1所述的自适应小动物脑功能磁共振成像数据分析方法,其特征在于,所述步骤S300具体为:
S301:从所有所述平均图像中随机选取一副图像,对其进行空间直角三坐标系旋转,使该幅图像的冠状面与标准脑图谱的切片方位一致,将进行空间直角三坐标系旋转后的该幅图像作为初始参考图像;
S302:以初始参考图像与平均图像的图像强度间的残差小于5%为目标函数,对所述平均图像进行空间变换,以完成平均图像与初始标准图像的空间对齐,所述目标函数表示为:
其中,imgT表示初始参考图像和imgI表示平均图像,下标ijk表示该像素点在图像矩阵中的坐标位置,n表示图像中包含的所有的像素个数;
S303:将空间对齐后的所有平均图像进行空间平均,获得参考平均图像;
S304:判断参考平均图像与初始参考图像之间的图像强度间残值是否小于5%,若是则将参考平均图像作为由用户数据驱动的自适应脑模板,否则将参考平均图像作为初始参考图像,重新执行步骤S302-S304。
3.根据权利要求2所述的自适应小动物脑功能磁共振成像数据分析方法,其特征在于,所述对所述平均图像进行空间变换,具体为:首先通过12参数仿射变换对所述初始参考图像与所述平均图像进行一次对齐操作,然后通过非线性形变对已对齐操作后的所述初始参考图像与所述平均图像进行再次对齐。
4.根据权利要求1-3任一项所述的自适应小动物脑功能磁共振成像数据分析方法,其特征在于,所述步骤S500,具体为:
S501:建立所有元素值为零的三维积分图像,所述三维积分图像的矩阵大小与所述自适应脑模板的矩阵大小一致;
S502:通过二维高斯滤波器迭代对所述自适应脑模板进行逐层的高斯滤波,所述二维高斯滤波器的均值为零,方差均匀递增;每次迭代后将三维积分图像中与自适应脑模板高斯滤波后剩余像素点对应的像素点位置的图像强度值增加1,直至达到预定迭代次数后,将图像强度值增加后的所述三维积分图像作为所述掩膜图像。
5.根据权利要求4所述的自适应小动物脑功能磁共振成像数据分析方法,其特征在于,所述步骤S600,具体为:
S601:采用图像形态学算法去除所述掩膜图像中的独立区域;
S602:按照掩膜图像的分辨率对标准脑图谱进行三维降采集,获取与掩膜图像矩阵、空间分辨率均相当的脑图谱图像;
S603:根据所述脑图谱图像所提供的图像强度及位置信息,建立所述脑图谱图像的概率密度图,以此概率密度图为先验知识,通过统一化分割的方法将所述掩膜图像进行迭代的配准及分割,获得所述掩膜图像各层的图像强度阈值;
S604:将所述掩膜图像中图像强度值大于所述图像强度阈值的像素点赋值为1,否则赋值为0,获得二值化的颅内像素掩膜图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710554895.7A CN107689057B (zh) | 2017-07-10 | 2017-07-10 | 自适应小动物脑功能磁共振成像数据分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710554895.7A CN107689057B (zh) | 2017-07-10 | 2017-07-10 | 自适应小动物脑功能磁共振成像数据分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107689057A CN107689057A (zh) | 2018-02-13 |
CN107689057B true CN107689057B (zh) | 2019-10-29 |
Family
ID=61152866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710554895.7A Active CN107689057B (zh) | 2017-07-10 | 2017-07-10 | 自适应小动物脑功能磁共振成像数据分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107689057B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765547B (zh) * | 2018-04-23 | 2021-11-30 | 北京林业大学 | 一种叶片形态空间校正的方法及其应用 |
CN109528197B (zh) * | 2018-11-20 | 2022-07-08 | 中国科学院脑科学与智能技术卓越创新中心 | 基于脑功能图谱进行精神疾病的个体化预测方法和*** |
CN112561848A (zh) * | 2019-09-09 | 2021-03-26 | 阳明大学 | 区域性脑年龄预测的方法、非暂时性电脑可读介质及设备 |
CN110807778B (zh) * | 2019-10-11 | 2022-07-15 | 华中科技大学 | 一种迭代式的三维脑空间位置自动计算方法 |
CN112348833B (zh) * | 2020-11-06 | 2023-07-11 | 浙江传媒学院 | 基于动态连接的脑功能网络变异识别方法及*** |
CN112862869B (zh) * | 2020-12-31 | 2024-05-28 | 上海联影智能医疗科技有限公司 | 图像扫描处理方法、成像扫描设备、电子设备及可读介质 |
CN113066113B (zh) * | 2021-04-27 | 2022-01-11 | 河北医科大学第二医院 | 自发性高血压大鼠脑模板和地图集的构建方法及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102959584A (zh) * | 2011-12-21 | 2013-03-06 | 中国科学院自动化研究所 | 功能磁共振图像配准方法 |
CN103077298A (zh) * | 2012-10-24 | 2013-05-01 | 西安电子科技大学 | 融合图像体素及先验脑图谱划分的大脑网络构建方法 |
CN103093087A (zh) * | 2013-01-05 | 2013-05-08 | 电子科技大学 | 一种基于多任务学习的多模态脑网络特征融合方法 |
CN103202705A (zh) * | 2012-01-12 | 2013-07-17 | 株式会社东芝 | 医用图像处理装置及医用图像处理方法 |
CN103745473A (zh) * | 2014-01-16 | 2014-04-23 | 南方医科大学 | 一种脑组织提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014169060A1 (en) * | 2013-04-09 | 2014-10-16 | Wager Tor | Fmri-based neurologic signature of physical pain |
-
2017
- 2017-07-10 CN CN201710554895.7A patent/CN107689057B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102959584A (zh) * | 2011-12-21 | 2013-03-06 | 中国科学院自动化研究所 | 功能磁共振图像配准方法 |
CN103202705A (zh) * | 2012-01-12 | 2013-07-17 | 株式会社东芝 | 医用图像处理装置及医用图像处理方法 |
CN103077298A (zh) * | 2012-10-24 | 2013-05-01 | 西安电子科技大学 | 融合图像体素及先验脑图谱划分的大脑网络构建方法 |
CN103093087A (zh) * | 2013-01-05 | 2013-05-08 | 电子科技大学 | 一种基于多任务学习的多模态脑网络特征融合方法 |
CN103745473A (zh) * | 2014-01-16 | 2014-04-23 | 南方医科大学 | 一种脑组织提取方法 |
Non-Patent Citations (1)
Title |
---|
基于SPM的功能磁共振成像图像头动校正配准方法的分析与改进;陈文等;《中国医学影像学杂志》;20151231;第23卷(第10期);第780-784页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107689057A (zh) | 2018-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107689057B (zh) | 自适应小动物脑功能磁共振成像数据分析方法 | |
Goutte et al. | Modeling the hemodynamic response in fMRI using smooth FIR filters | |
Janke et al. | Robust methods to create ex vivo minimum deformation atlases for brain mapping | |
Hyun et al. | STGP: Spatio-temporal Gaussian process models for longitudinal neuroimaging data | |
CN103996196A (zh) | 一种基于多变量的dti图像分析方法 | |
Badea et al. | Quantitative mouse brain phenotyping based on single and multispectral MR protocols | |
CN109919929A (zh) | 一种基于小波变换的舌裂纹特征提取方法 | |
Jabbar et al. | Using convolutional neural network for edge detection in musculoskeletal ultrasound images | |
EP2845146A1 (en) | Automatic segmentation and characterization of cellular motion | |
Gregory et al. | HydraNet: a multi-branch convolutional neural network architecture for MRI denoising | |
Tahmasebi et al. | Reducing inter-subject anatomical variation: effect of normalization method on sensitivity of functional magnetic resonance imaging data analysis in auditory cortex and the superior temporal region | |
Black et al. | Atlas template images for nonhuman primate neuroimaging: baboon and macaque | |
Aja-Fernández et al. | Validation of deep learning techniques for quality augmentation in diffusion MRI for clinical studies | |
US11551358B2 (en) | Method for analyzing biological-tissue image and system for analyzing biological-tissue image | |
CN112515653A (zh) | 一种基于核磁共振图像的脑网络构建方法 | |
CN115131319A (zh) | 一种结合滤波算法深度挖掘海马硬化放射组学特征的方法 | |
CN113269733B (zh) | 一种断层扫描图像中放射粒子的伪影检测方法 | |
Palraj et al. | Predicting the abnormality of brain and compute the cognitive power of human using deep learning techniques using functional magnetic resonance images | |
Adluru et al. | Effects of DTI spatial normalization on white matter tract reconstructions | |
Sadeghi et al. | Spatio-temporal analysis of early brain development | |
CN113610742A (zh) | 一种基于深度学习的全脑结构体积测量方法及*** | |
Gurkahraman et al. | Brain Extraction from Magnetic Resonance Images Using UNet modified with Residual and Dense Layers | |
Rejula et al. | Testing the Structural Equivalence of Pre-processed Chronic Pain MRI Data | |
Teboul et al. | A standardized method to automatically segment amyloid plaques in Congo Red stained sections from Alzheimer transgenic mice | |
Vizza et al. | A ROI-based algorithm for the classification of PET neuroimages |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |