【技術實現步驟摘要】
本專利技術屬于醫學圖像處理和計算機視覺領域，具體涉及一種基于多尺度超圖的多模態磁共振影像紋狀體分割方法及系統。
技術介紹
1、大腦作為人體中最復雜的結構，其生理功能和病理機制的探索一直是科學研究中的重要課題。在過去的一個多世紀里，科學家們不斷努力揭示大腦的行為和功能，這一持續的探索反映了對人類認知本質的深刻好奇。在眾多腦區中，紋狀體因其功能的復雜性和在多種神經系統疾病中的重要性而受到特別關注。
2、紋狀體是基底神經節的關鍵組成部分，與大腦皮層密切協作，調節各種功能，并顯示出顯著的結構異質性。目前普遍認為，紋狀體包括三個主要解剖成分：尾狀核，對運動控制和認知學習過程至關重要；殼核，調節運動并促進感覺和運動模式間的學習；以及伏隔核(nacc)，調控獎賞和動機機制。然而，紋狀體接收來自大腦皮層的不同地形投射，這些投射的多樣性要求我們通過更細致的結構和功能劃分來加以體現。此外，紋狀體的結構和功能與多種神經和精神疾病緊密相關，包括多巴胺相關疾病，如帕金森病和精神分裂癥。因此，對紋狀體進行精確的分割和研究，不僅有助于理解其在行為和認知中的作用，還能促進研究紋狀體在臨床患者群體中的變異情況，這在認知神經科學和臨床神經科學領域中是一項核心目標。
3、在解析大腦復雜網絡的過程中，神經連接作為信息傳遞的主要通道，構成了其復雜結構和功能的基礎。隨著科技進步，特別是磁共振成像(mri)技術的發展，為繪制這些復雜網絡結構和功能提供了關鍵的工具，開辟了研究大腦運作的新篇章。mri技術的多功能性使得從不同的時間和空間維度全面評估大腦活
4、利用通過mri成像提取的連接信息，從而派生的大腦分割技術，在揭示復雜的神經解剖數據方面變得至關重要。這些技術使得更有效地識別和分類大腦內不同的結構和功能區域成為可能。為了更好地實現基于連接的大腦區域細分，開發了眾多方法。這些方法包括基于連接性定位(cbl)的技術，各種聚類技術，以及利用深度學習的方法。
技術實現思路
1、為了解決現有技術中存在的問題，本專利技術提出了一種基于多尺度超圖的多模態磁共振影像紋狀體分割方法及系統，其充分利用多個模態的mri構造多個尺度的超圖數據，并采用超圖卷積網絡對同一尺度下兩種模態的數據進行融合，再將多尺度下融合后的多模態超圖通過外部圖注意力機制進行融合得到紋狀體每個體素的雙模態多尺度特征，最終通過自編碼器和聚類處理實現分割，本專利技術提升了紋狀體分割任務的精度和魯棒性，以及有效減少了模型的計算負荷和內存需求。
2、一方面，本專利技術提供了一種基于多尺度超圖的多模態磁共振影像紋狀體分割方法，該方法包括下列步驟：
3、mri預處理：輸入的磁共振成像儀采集的多個模態的磁共振影像mri樣本并對其進行數據預處理，以輸出mri樣本的多個模態的mri超圖；其中，數據預處理包括：提取各模態的mri樣本的紋狀體體素的連接性特征提取，并基于提取的紋狀體體素的連接性特征構造各模態的mri超圖；
4、mri超圖融合：對不同尺度下的兩個模態的mri超圖進行融合，得到多個尺度的雙模態融合超圖，再根據外部圖注意力機制將多個尺度的雙模態融合超圖融合為一幅超圖，得到每個紋狀體體素的雙模態多尺度特征；
5、mri聚類：采用自編碼器對每個紋狀體體素的雙模態多尺度特征進行降維，再基于聚類處理獲取紋狀體的分割結果。
6、進一步的，輸入的磁共振影像mri樣本包括兩個模態，分別為dmri模態和fmri模態，其對應的紋狀體體素的連接性特征提取處理具體包括：
7、對dmri模態，采用hcp(人類連接組項目)最小預處理管道對dmri磁共振成像進行圖像預處理，再得到的圖像數據進行紋狀體體素的連接性特征提?。?/p>
8、基于體素的概率纖維束追蹤算法估計纖維方向和不確定性；
9、基于腦神經成像數據分析工具獲取的紋狀體的感興趣區域(roi)，并以其作為體素追蹤種子點進行同側大腦皮層的追蹤處理，生成紋狀體每個體素到皮層的初步纖維束連接特征；
10、對全腦纖維進行分類和創建ζ維的二值化標簽來表征該體素是否屬于纖維束k，再下采樣至指定分辨率以得到ζ維纖維束空間，其中ζ的取值與全腦纖維的分類數一致；
11、將紋狀體每個體素到皮層的初步纖維束連接特征轉換為纖維束空間的連接特征，并根據每個體素的ζ維纖維束空間的連接特征構造dmri模態的多尺度超圖；
12、對fmri模態，采用hcp最小預處理管道對fmri磁共振成像進行圖像預處理，再得到的圖像數據進行紋狀體體素的連接性特征提?。?/p>
13、基于紋狀體體素的時間序列與其余灰質(gm)體素時間序列之間的皮爾遜相關系數構建連接矩陣，對連接矩陣進行fisher?z變換，得到fmri連接特征矩陣；再根據每個體素的fmri連接特征構造fmri模態的多尺度超圖。
14、進一步的，多尺度超圖的構造方式具體為：
15、定義x＝[x1,...,xm,...,xm]t∈rm×d表示為總共有m個體素的紋狀體對象，其中xm表示第m個體素的特征序列，d是特征序列的長度；
16、將每個體素的特征序列xm視為響應向量，并使用其他m-1個體素的特征序列的線性組合進行估計，估計表達式為：
17、xm＝amαm+τm,m＝1,2,...,m
18、其中，am＝[x1,...,xm-1,0,xm+1,...xm]表示包含除第m個體素之外的所有特征序列的數據矩陣，αm表示量化其他體素對第m個體素的影響程度的權重向量，τm∈rd表示噪聲項。注意，權重向量中的零元素意味著相應的體素在估計特征序列時不重要。
19、使用稀疏學習優化關于xm估計的目標函數：
20、
21、其中，λ＞0是控制模型稀疏度的正則化參數，不同的λ值對應不同的稀疏度解，λ值越大，模型越稀疏，即αm中越多的元素為零；
22、對于每個紋狀體，通過對用作節點的每個紋狀體體素進行稀疏表示來構建超圖網絡，超邊em包括質心體素(即第m個體素)和其他體素(只包含其權重向量αm中具有相應的非零元素)。不同的λ值決定了體素間不同層次的相互作用關系，也即不同尺度的超圖。
23、進一步的，mri超圖融合具體包括：
24、獲取兩個模態同一尺度的mri超圖的結構數據，并通過雙模態超圖融合網絡獲取每個超圖節點的雙模態融合特征并送入多尺度超圖融合網絡；
25、其中，雙模態超圖融合網絡依次包括超圖卷積層、規范化批處理和激活函數(如relu)，本文檔來自技高網...
【技術保護點】
1.一種基于多尺度超圖的多模態磁共振影像紋狀體分割方法，其特征在于，包括下列步驟：
2.如權利要求1所述的方法，其特征在于，輸入的磁共振影像MRI樣本包括兩個模態，分別為dMRI模態和fMRI模態，其對應的紋狀體體素的連接性特征提取處理具體包括：
3.如權利要求1所述的方法，其特征在于，多尺度超圖的構造方式具體為：
4.如權利要求1所述的方法，其特征在于，MRI超圖融合具體包括：
5.如權利要求1所述的方法，其特征在于，自編碼器為包括若干個堆疊單元模塊的堆疊結構，其中，堆疊單元模塊依次包括基于Transformer的圖卷積層和激活函數。
6.一種基于多尺度超圖的多模態磁共振影像紋狀體分割系統，其特征在于，包括依次連接的MRI預處理模塊、MRI超圖融合模塊與MRI聚類模塊；
7.如權利要求6所述的系統，其特征在于，MRI超圖融合模塊包括依次連接的雙模態超圖融合子模塊與多尺度超圖融合子模塊；
8.如權利要求6所述的系統，其特征在于，MRI超圖聚類模塊的自編碼器配置為基于Transformer的圖卷積層
9.如權利要求6所述的系統，其特征在于，該分割系統還包括模型訓練模塊，所述模型訓練模塊配置為根據聯合損失函數并利用深度學習算法對MRI超圖融合模塊與MRI超圖聚類模塊進行模型訓練；且訓練時采用的總損失設置為自編碼器的重建損失基于聚類的平均距離損失深度嵌入聚類和基于聚類的距離邊界損失的加權和。
10.如權利要求9所述的系統，其特征在于，訓練時采用的總損失的各加權項具體設置為：
...【技術特征摘要】
1.一種基于多尺度超圖的多模態磁共振影像紋狀體分割方法，其特征在于，包括下列步驟：
2.如權利要求1所述的方法，其特征在于，輸入的磁共振影像mri樣本包括兩個模態，分別為dmri模態和fmri模態，其對應的紋狀體體素的連接性特征提取處理具體包括：
3.如權利要求1所述的方法，其特征在于，多尺度超圖的構造方式具體為：
4.如權利要求1所述的方法，其特征在于，mri超圖融合具體包括：
5.如權利要求1所述的方法，其特征在于，自編碼器為包括若干個堆疊單元模塊的堆疊結構，其中，堆疊單元模塊依次包括基于transformer的圖卷積層和激活函數。
6.一種基于多尺度超圖的多模態磁共振影像紋狀體分割系統，其特征在于，包括依次連接的mri預處理模塊、mri超圖...
【專利技術屬性】
技術研發人員：高婧婧，劉名琦，錢茂民，唐和平，劉佳昕，
申請(專利權)人：電子科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。