【技術實現步驟摘要】
本公開涉及人工智能，尤其涉及一種結構磁共振成像的分析方法、系統及存儲介質。
技術介紹
1、結構磁共振成像（structural?mri，smri），是一種非侵入性的神經影像學技術，用于對人腦的結構進行三維成像。其可提供高分辨率的腦解剖學信息，展示人腦不同結構和組織的類型，如灰質、白質、腦脊液，以及腦結構之間的空間關系。
2、通過對經結構磁共振成像技術獲得的圖像進行分類分析，可以確定圖像對應的類型。例如，圖像為有疾病癥狀對應的圖像，或者圖像為健康狀態對應的圖像。
3、分類分析可以采用為支持向量機svm的傳統機器學習方法，而如何提高分類分析的有效性和可靠性，成了亟待解決的問題。
4、
技術介紹
部分的內容僅僅是專利技術人個人所知曉的信息，并不代表上述信息在本公開申請日之前已經進入公共領域，也不代表其可以成為本公開的現有技術。
技術實現思路
1、本公開提供一種結構磁共振成像的分析方法、系統及存儲介質，以提高分類分析的有效性和可靠性。
2、第一方面，本公開提供一種結構磁共振成像的分析方法，包括：
3、獲得樣本數據，其中，所述樣本數據為經結構磁共振成像的t1加權結構像；
4、根據所述樣本數據，確定在原始腦網絡空間中感興趣區域的形態指標的地圖，其中，形態指標用于表征大腦皮層的解剖學和結構性質，形態指標包括皮層厚度、溝深度、皮層褶皺和分形維數；
5、將所述地圖重新采樣到預設的標準腦網絡空間模板，并進行高斯核平滑處理，
6、將所述標準腦網絡空間模板數據映射至預先構建的腦圖譜模板，其中，所述腦圖譜模板將大腦皮層表面劃分為148個感興趣區域，且所述148個感興趣區域被劃分為7個主要腦網絡，所述7個主要腦網絡包括：視覺網絡、軀體運動網絡、背側注意網絡、腹側注意網絡、邊緣網絡、額頂葉網絡、以及默認模式網絡；
7、根據映射后的腦圖譜模板確定機器學習模型的特征輸入；
8、基于所述特征輸入對所述機器學習模型的分類性能進行訓練，得到分類模型，其中，所述分類性能為對所述t1加權結構像對應的類型進行分辨的能力，所述分類模型用于對待分類t1加權結構像進行分類處理，得到分類結果。
9、在一些實施例中，所述樣本數據為經預處理后的數據，所述預處理包括圖像格式轉換、圖像質量檢查、組織分割、皮層重建與平滑、分割質量檢查與皮層重建檢查中的至少一種。
10、在一些實施例中，所述根據映射后的腦圖譜模板確定機器學習模型的特征輸入，包括：
11、針對所述148個感興趣區域中的每個感興趣區域，提取所述每個感興趣區域中各頂點的形態指標，并確定所述每個感興趣區域的概率密度；
12、根據各概率密度確定所述特征輸入。
13、在一些實施例中，所述根據各概率密度確定所述特征輸入，包括：
14、根據各概率密度相似性度量，其中，所述相似性度量包括kullback-leibler?散度kld和jensen-shannon?散度jsd，所述kld和所述jsd用于表征大腦各區域之間的形態相似性；
15、根據所述kld和所述jsd確定所述特征輸入。
16、在一些實施例中，所述根據所述kld和所述jsd確定所述特征輸入，包括：
17、根據所述kld和所述jsd確定相似性矩陣；
18、對所述相似性矩陣進行上三角數據提取，并將提取到的上三角數據構建得到所述機器學習模型的所述特征輸入。
19、在一些實施例中，所述機器學習模型為無監督kmeans聚類的模型，或者為基于超圖學習的模型；
20、在所述機器學習模型為所述基于超圖學習的模型的情況下，超圖中包括多個節點和多條超標，節點用于表征元素或實體，超邊用于表征所述元素或實體之間的關系。
21、在一些實施例中，所述基于所述特征輸入對所述機器學習模型的分類性能進行訓練，得到分類模型，包括：
22、基于預設特征選擇方法，從所述特征輸入中選擇目標特征，其中，所述預設特征選擇方法包括基于統計的特征選擇和/或基于f-score的特征選擇，所述基于統計的特征選擇用于確定差異性大于預設差異閾值的特征，所述基于f-score的特征選擇用于確定重要性大于預設重要閾值的特征；
23、基于所述目標特征對所述機器學習模型的分類性能進行訓練，得到所述分類模型。
24、在一些實施例中，所述方法還包括：
25、獲得訓練過程中的共識特征，其中，所述共識特征用于表征對所述分類性能的貢獻程度達到預設貢獻需求的特征；
26、將所述共識特征映射回所述原始腦網絡空間，以在所述原始腦網絡空間對所述共識特征進行定位；
27、對映射有所述共識特征的原始腦網絡空間的各腦網絡子區域進行腦網絡重要程度指標分析，得到與量化分類性能貢獻最顯著的腦網絡區域。
28、第二方面，本公開提供一種結構磁共振成像的分析系統，包括：
29、獲取單元，用于獲得樣本數據，其中，所述樣本數據為經結構磁共振成像的t1加權結構像；
30、確定單元，用于根據所述樣本數據，確定在原始腦網絡空間中感興趣區域的形態指標的地圖，其中，形態指標用于表征大腦皮層的解剖學和結構性質，形態指標包括皮層厚度、溝深度、皮層褶皺和分形維數；
31、處理單元，用于將所述地圖重新采樣到預設的標準腦網絡空間模板，并進行高斯核平滑處理，得到標準腦網絡空間模板數據；
32、映射單元，用于將所述標準腦網絡空間模板數據映射至預先構建的腦圖譜模板，其中，所述腦圖譜模板將大腦皮層表面劃分為148個感興趣區域，且所述148個感興趣區域被劃分為7個主要腦網絡，所述7個主要腦網絡包括：視覺網絡、軀體運動網絡、背側注意網絡、腹側注意網絡、邊緣網絡、額頂葉網絡、以及默認模式網絡；
33、所述確定單元還用于，根據映射后的腦圖譜模板確定機器學習模型的特征輸入；
34、訓練單元，用于基于所述特征輸入對所述機器學習模型的分類性能進行訓練，得到分類模型，其中，所述分類性能為對所述t1加權結構像對應的類型進行分辨的能力，所述分類模型用于對待分類t1加權結構像進行分類處理，得到分類結果。
35、在一些實施例中，所述樣本數據為經預處理后的數據，所述預處理包括圖像格式轉換、圖像質量檢查、組織分割、皮層重建與平滑、分割質量檢查與皮層重建檢查中的至少一種。
36、在一些實施例中，所述確定單元具體用于，針對所述148個感興趣區域中的每個感興趣區域，提取所述每個感興趣區域中各頂點的形態指標，并確定所述每個感興趣區域的概率密度；并根據各概率密度確定所述特征輸入。
37、在一些實施例中，所述確定單元具體用于，根據各概率密度相似性度量，其中，所述相似性度量包括kullback-leibler?散度kld和jensen-shannon?散度j本文檔來自技高網...
【技術保護點】
1.一種結構磁共振成像的分析方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述樣本數據為經預處理后的數據，所述預處理包括圖像格式轉換、圖像質量檢查、組織分割、皮層重建與平滑、分割質量檢查與皮層重建檢查中的至少一種。
3.根據權利要求1所述的方法，其特征在于，所述根據映射后的腦圖譜模板確定機器學習模型的特征輸入，包括：
4.根據權利要求3所述的方法，其特征在于，所述根據各概率密度確定所述特征輸入，包括：
5.根據權利要求4所述的方法，其特征在于，所述根據所述KLD和所述JSD確定所述特征輸入，包括：
6.根據權利要求1所述的方法，其特征在于，所述機器學習模型為無監督Kmeans聚類的模型，或者為基于超圖學習的模型；
7.根據權利要求1所述的方法，其特征在于，所述基于所述特征輸入對所述機器學習模型的分類性能進行訓練，得到分類模型，包括：
8.根據權利要求1所述的方法，其特征在于，所述方法還包括：
9.一種結構磁共振成像的分析系統，其特征在于，包括：
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。