公开/公告号CN114818885A
专利类型发明专利
公开/公告日2022-07-29
原文格式PDF
申请/专利权人 肇庆医学高等专科学校;
申请/专利号CN202210372105.4
申请日2022-04-11
分类号G06K9/62(2022.01);G06V10/26(2022.01);G06N3/04(2006.01);G06N5/00(2006.01);G06N20/00(2019.01);G06N20/20(2019.01);G06V10/40(2022.01);G06V10/82(2022.01);G06T7/00(2017.01);
代理机构北京国坤专利代理事务所(普通合伙) 11491;
代理人赵红霞
地址 526020 广东省肇庆市端州区西江南路6号
入库时间 2023-06-19 16:12:48
法律状态公告日
法律状态信息
法律状态
2023-09-05
发明专利申请公布后的撤回 IPC(主分类):G06K 9/62 专利申请号:2022103721054 申请公布日:20220729
发明专利申请公布后的撤回
2022-09-02
实质审查的生效 IPC(主分类):G06K 9/62 专利申请号:2022103721054 申请日:20220411
实质审查的生效
技术领域
本发明属于磁共振影像技术领域,尤其涉及一种基于高阶超网络的静息态功能磁共振影像数据分类方法。
背景技术
核磁共振成像(英语:Nuclear Magnetic Resonance Imaging,简称NMRI),又称自旋成像(英语:spin imaging),也称磁共振成像(Magnetic Resonance Imaging,简称MRI),是利用核磁共振(nuclear magnetic resonance,简称NMR)原理,依据所释放的能量在物质内部不同结构环境中不同的衰减,通过外加梯度磁场检测所发射出的电磁波,即可得知构成这一物体原子核的位置和种类,据此可以绘制成物体内部的结构图像。然而,现有基于高阶超网络的静息态功能磁共振影像数据分类方法也结合了机器学习、基于已度量的影像特征,构建了以疾病诊断为目标的映射模型,但这些已有方法并没有考虑到磁共振影像质量、也没有考虑以及其自身间相互作用关系对疾病度量指标的可区分性的影响,从而影响了自动疾病诊断模型的算法准确性;同时,对组织分类的耗时较长。
综上所述,现有技术存在的问题是:现有基于高阶超网络的静息态功能磁共振影像数据分类方法也结合了机器学习、基于已度量的影像特征,构建了以疾病诊断为目标的映射模型,但这些已有方法并没有考虑到磁共振影像质量、也没有考虑以及其自身间相互作用关系对疾病度量指标的可区分性的影响,从而影响了自动疾病诊断模型的算法准确性;同时,对组织分类的耗时较长。
发明内容
针对现有技术存在的问题,本发明提供了一种基于高阶超网络的静息态功能磁共振影像数据分类方法。
本发明是这样实现的,一种基于高阶超网络的静息态功能磁共振影像数据分类方法包括以下步骤:
步骤一,通过医用磁共振成像设备采集磁共振影像数据;对静息态功能磁共振影像进行预处理;
所述对静息态功能磁共振影像进行预处理的步骤包括:
获取磁共振影像数据,对磁共振影像数据进行分割处理,得到分割后的磁共振影像;
对分割后的磁共振影像通过二维卷积神经网络和三维卷积神经网络进行二次分割,得到分割后的异常信息图像;
将分割后的异常信息图像输入随机森林模型进行图像融合,输出融合后的异常信息图像;
将融合后的异常信息图像通过机器学习和深度学习算法进行异常信息的特征分析,并输出特征分析后的异常特图像;
步骤二,构建磁共振脑结构影像的分类模型;
步骤三,对磁共振图像的组织分类;并提取分类特征;
步骤四,选择分类特征并构建分类器;对所选特征在分类器中的重要度和冗余度进行量化,然后根据量化结果对所选特征进行二次筛选,由此对高阶超网络进行优化。
进一步,所述构建磁共振脑结构影像的分类模型方法如下:
(1)通过医用磁共振成像设备获取多个有标注的磁共振脑结构影像;
(2)提取各所述磁共振脑结构影像的病理水平监测指标和多类别的影像质量监测指标,从而确定各影像融合特征指标;
(3)基于各所述磁共振脑结构影像的标注与所述影像融合特征指标,利用机器学习的方法构建磁共振脑结构影像的分类模型。
进一步,所述有标注的磁共振脑结构影像包括下列模态:T1加权影像和T2加权影像,所述标注分为有病和无病。
进一步,所述对磁共振影像数据进行分割处理的方法包括:
提取磁共振影像数据中的图像特征;
利用预设的分类器对图像特征进行解析处理,得到分割结果;
根据构成分割对象的所有类别的图像特征,分类器的个数与组件的类别数相同;
利用不同分类器解析不同类别的组件的图像特征,所述分割结果包括所有类别的组件的分割结果。
进一步,所述病理水平监测指标至少包括下列之一:病理形态学指标、病理白质髓鞘化指标;
所述病理形态学指标至少包括下列基于所述磁共振脑结构影像提取的下列指标之一:
皮层厚度、表面积、灰质体积和密度、白质体积和密度、脑室容积;
所述病理形态学指标还包括基于所述磁共振脑结构影像提取的每个体素的白质密度数据对每个体素的位置序号回归后确定的所有体素的白质密度回归的误差和;
所述病理白质髓鞘化指标至少包括下列指标之一:脑区信号掩模内各体素的脑区信号比值的均值、标准差、设定的分位差;
其中,所述脑区信号掩模为基于T1加权影像提取,所述脑区信号掩模内各体素的所述脑区信号比值等于基于T1加权影像提取所述脑区信号掩模内相应体素的脑区第一信号值除以基于T2加权影像提取所述脑区信号掩模内相应体素的脑区第二信号值的商;所述设定的分位差是将所述各体素的所述脑区信号比值从小到大排序后分成若干等份且取其中两个等份的上位点所对应的所述脑区信号比值的差值。
进一步,所述影像融合特征指标包括所述病理水平监测指标和影像质量对病理水平影响指标;所述影像质量对病理水平影响指标对应的矩阵等于影像质量对病理水平影响系数矩阵与影像质量综合得分对应的矩阵的乘积;
其中,所述影像质量综合得分对应的矩阵由各类别的影像质量综合得分组成,所述各类别的影像质量综合得分等于相应类别的影像质量综合得分系数矩阵与相应类别的所述影像质量监测指标对应的矩阵的乘积;
所述影像质量综合得分系数矩阵的构建步骤,包括:
基于各类别的所述影像质量监测指标,利用探索性因子分析法确定各类别的所述影像质量监测指标的至少1个公因子、因子贡献率第一矩阵和因子得分矩阵;
对各类别所述因子贡献率第一矩阵分别基于其各元素的和归一化得到相应类别的因子贡献率第二矩阵,其与相应类别所述因子得分矩阵乘积构成相应类别的影像质量综合得分系数矩阵;
所述影像质量对病理水平影响系数矩阵的各元素值基于一类别的影像质量综合得分的分布与一病理水平监测指标数值的关系确定,其确定步骤包括:
获取各所述磁共振脑结构影像的第i个病理水平监测指标,基于高斯分布计算第i个病理水平监测指标的均值;
基于第i个病理水平监测指标的均值把各所述磁共振脑结构影像分成两个子集g1和g2,子集g1为第i个病理水平监测指标值从0到均值的所述磁共振脑结构影像的集合,子集g2为第i个病理水平监测指标值从均值到最大值的所述磁共振脑结构影像的集合;
基于高斯分布计算子集g1的类别j的影像质量综合得分的分布和子集g2中的影像的类别j的影像质量综合得分的分布的JS散度,作为类别j的影像质量综合得分对第i个病理水平监测指标的影响系数,即所述影像质量对病理水平影响系数矩阵的第i行第j列元素的值;
基于所述影像质量对病理水平影响系数矩阵的第i行第j列元素的值的计算方法确定所述影像质量对病理水平影响系数矩阵其他各个元素的值。
进一步,所述对磁共振图像的组织分类方法如下:
1)通过医用磁共振成像设备在成像视野中多次施加不同预设频率值的预饱和脉冲,采集每次施加预设频率值的预饱和脉冲的情况下的磁共振数据,并根据所述磁共振数据重建得到多个磁共振幅值图像;
2)根据重建得到的多个磁共振幅值图像,确定所述多个磁共振幅值图像中相同位置的图像单元的幅值与所述预设频率值的变化曲线;
3)根据所述变化曲线对所述图像单元对应的组织类型进行分类。
进一步,所述预饱和脉冲包括一个或者多个具有频率选择性的射频脉冲;所述多个预设频率值包括:共振频率值及所述共振频率值两侧的预设范围内的偏共振频率值。
进一步,所述根据所述变化曲线对所述图像单元对应的组织类型进行分类包括:
使用预设函数拟合所述变化曲线中的信号峰,所述信号峰包括:水峰和/或脂肪峰;
根据所述信号峰的特征,对所述图像单元对应的组织类型进行分类,所述信号峰的特征包括:信号峰的幅度和/或半高宽。
进一步,所述根据所述信号峰的特征,对所述图像单元对应的组织类型进行分类包括:
将所述信号峰的特征输入到训练完备的机器学习模型中,得到分类结果,所述分类结果用于表示所述信号峰的特征对应的图像单元所对应的组织类型;
根据所述分类结果,确定所述图像单元对应的组织类型。
进一步,所述在使用预设函数拟合所述变化曲线中的信号峰之后,所述方法还包括:
根据所述图像单元的水峰的幅度和脂肪峰的幅度,确定所述图像单元的脂肪分数。
本发明的优点及积极效果为:本发明通过提供的构建磁共振脑结构影像的分类模型方法设计标准统一的磁共振脑结构影像的成像参数并在各磁共振站点进行脑结构影像数据的采集,提取反映磁共振脑结构影像的质量层级特征及病理水平层级特征;在特征工程工作中,本申请首先利用探索性因子分析方法进行影像质量的分层次综合得分,然后基于该综合得分的分布相似性度量磁共振脑结构影像质量对病理水平的影响关系的高阶特征,提升了最终用于脑发育水平及脑疾病筛查的磁共振脑结构影像分类模型的鲁棒性和准确性;本申请采用了有监督学习中的分类学习方法、进行基于专家经验知识训练所述分类模型。为提升疾病诊断中参考病例的适用性,本申请通过定义一种新的融合多维度的影像相似性度量方法进行参考影像的选取;同时,采用影像混合模式进行病灶的突出显示,给予临床神经影像专家更便捷和针对性的帮助,从而帮助提升儿童和青少年脑发育水平及疾病监测的自动反馈的时效性、可解释性和准确性;同时,通过提供的对磁共振图像的组织分类方法采用在成像视野中多次施加不同预设频率值的预饱和脉冲,采集每次施加预设频率值的预饱和脉冲的情况下的磁共振数据,并根据磁共振数据重建得到多个磁共振幅值图像;根据重建得到的多个磁共振幅值图像,确定多个磁共振幅值图像中相同位置的图像单元的幅值与预设频率值的变化曲线;根据变化曲线对图像单元对应的组织类型进行分类的方法,解决了相关技术中的组织分类方法对主磁场均匀性要求高的问题,降低了组织分类方法对主磁场均匀性的要求。
附图说明
图1是本发明实施提供的基于高阶超网络的静息态功能磁共振影像数据分类方法流程图。
图2是本发明实施提供的构建磁共振脑结构影像的分类模型方法流程图。
图3是本发明实施提供的对磁共振图像的组织分类方法流程图。
图4是本发明实施提供的对静息态功能磁共振影像进行预处理的方法流程图。
图5是本发明实施提供的对磁共振影像数据进行分割处理的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作进一步描述。
如图1所示,本发明提供一种基于高阶超网络的静息态功能磁共振影像数据分类方法包括以下步骤:
S101,通过医用磁共振成像设备采集磁共振影像数据;对静息态功能磁共振影像进行预处理;
S102,构建磁共振脑结构影像的分类模型;
S103,对磁共振图像的组织分类;并提取分类特征;
S104,选择分类特征并构建分类器;对所选特征在分类器中的重要度和冗余度进行量化,然后根据量化结果对所选特征进行二次筛选,由此对高阶超网络进行优化。
如图2所示,本发明提供的构建磁共振脑结构影像的分类模型方法如下:
S201,通过医用磁共振成像设备获取多个有标注的磁共振脑结构影像;
S202,提取各所述磁共振脑结构影像的病理水平监测指标和多类别的影像质量监测指标,从而确定各影像融合特征指标;
S203,基于各所述磁共振脑结构影像的标注与所述影像融合特征指标,利用机器学习的方法构建磁共振脑结构影像的分类模型。
本发明提供的有标注的磁共振脑结构影像包括下列模态:T1加权影像和T2加权影像,所述标注分为有病和无病。
本发明提供的病理水平监测指标至少包括下列之一:病理形态学指标、病理白质髓鞘化指标;
所述病理形态学指标至少包括下列基于所述磁共振脑结构影像提取的下列指标之一:
皮层厚度、表面积、灰质体积和密度、白质体积和密度、脑室容积;
所述病理形态学指标还包括基于所述磁共振脑结构影像提取的每个体素的白质密度数据对每个体素的位置序号回归后确定的所有体素的白质密度回归的误差和;
所述病理白质髓鞘化指标至少包括下列指标之一:脑区信号掩模内各体素的脑区信号比值的均值、标准差、设定的分位差;
其中,所述脑区信号掩模为基于T1加权影像提取,所述脑区信号掩模内各体素的所述脑区信号比值等于基于T1加权影像提取所述脑区信号掩模内相应体素的脑区第一信号值除以基于T2加权影像提取所述脑区信号掩模内相应体素的脑区第二信号值的商;所述设定的分位差是将所述各体素的所述脑区信号比值从小到大排序后分成若干等份且取其中两个等份的上位点所对应的所述脑区信号比值的差值。
本发明提供的影像融合特征指标包括所述病理水平监测指标和影像质量对病理水平影响指标;所述影像质量对病理水平影响指标对应的矩阵等于影像质量对病理水平影响系数矩阵与影像质量综合得分对应的矩阵的乘积;
其中,所述影像质量综合得分对应的矩阵由各类别的影像质量综合得分组成,所述各类别的影像质量综合得分等于相应类别的影像质量综合得分系数矩阵与相应类别的所述影像质量监测指标对应的矩阵的乘积;
所述影像质量综合得分系数矩阵的构建步骤,包括:
基于各类别的所述影像质量监测指标,利用探索性因子分析法确定各类别的所述影像质量监测指标的至少1个公因子、因子贡献率第一矩阵和因子得分矩阵;
对各类别所述因子贡献率第一矩阵分别基于其各元素的和归一化得到相应类别的因子贡献率第二矩阵,其与相应类别所述因子得分矩阵乘积构成相应类别的影像质量综合得分系数矩阵;
所述影像质量对病理水平影响系数矩阵的各元素值基于一类别的影像质量综合得分的分布与一病理水平监测指标数值的关系确定,其确定步骤包括:
获取各所述磁共振脑结构影像的第i个病理水平监测指标,基于高斯分布计算第i个病理水平监测指标的均值;
基于第i个病理水平监测指标的均值把各所述磁共振脑结构影像分成两个子集g1和g2,子集g1为第i个病理水平监测指标值从0到均值的所述磁共振脑结构影像的集合,子集g2为第i个病理水平监测指标值从均值到最大值的所述磁共振脑结构影像的集合;
基于高斯分布计算子集g1的类别j的影像质量综合得分的分布和子集g2中的影像的类别j的影像质量综合得分的分布的JS散度,作为类别j的影像质量综合得分对第i个病理水平监测指标的影响系数,即所述影像质量对病理水平影响系数矩阵的第i行第j列元素的值;
基于所述影像质量对病理水平影响系数矩阵的第i行第j列元素的值的计算方法确定所述影像质量对病理水平影响系数矩阵其他各个元素的值。
如图3所示,本发明提供的对磁共振图像的组织分类方法如下:
S301,通过医用磁共振成像设备在成像视野中多次施加不同预设频率值的预饱和脉冲,采集每次施加预设频率值的预饱和脉冲的情况下的磁共振数据,并根据所述磁共振数据重建得到多个磁共振幅值图像;
S302,根据重建得到的多个磁共振幅值图像,确定所述多个磁共振幅值图像中相同位置的图像单元的幅值与所述预设频率值的变化曲线;
S303,根据所述变化曲线对所述图像单元对应的组织类型进行分类。
本发明提供的预饱和脉冲包括一个或者多个具有频率选择性的射频脉冲;所述多个预设频率值包括:共振频率值及所述共振频率值两侧的预设范围内的偏共振频率值。
本发明提供的根据所述变化曲线对所述图像单元对应的组织类型进行分类包括:
使用预设函数拟合所述变化曲线中的信号峰,所述信号峰包括:水峰和/或脂肪峰;
根据所述信号峰的特征,对所述图像单元对应的组织类型进行分类,所述信号峰的特征包括:信号峰的幅度和/或半高宽。
本发明提供的根据所述信号峰的特征,对所述图像单元对应的组织类型进行分类包括:
将所述信号峰的特征输入到训练完备的机器学习模型中,得到分类结果,所述分类结果用于表示所述信号峰的特征对应的图像单元所对应的组织类型;
根据所述分类结果,确定所述图像单元对应的组织类型。
本发明提供的在使用预设函数拟合所述变化曲线中的信号峰之后,所述方法还包括:
根据所述图像单元的水峰的幅度和脂肪峰的幅度,确定所述图像单元的脂肪分数。
如图4所示,本发明实施例中的步骤S101中,对静息态功能磁共振影像进行预处理的步骤包括:
S401,获取磁共振影像数据,对磁共振影像数据进行分割处理,得到分割后的磁共振影像;
S402,对分割后的磁共振影像通过二维卷积神经网络和三维卷积神经网络进行二次分割,得到分割后的异常信息图像;
S403,将分割后的异常信息图像输入随机森林模型进行图像融合,输出融合后的异常信息图像;
S404,将融合后的异常信息图像通过机器学习和深度学习算法进行异常信息的特征分析,并输出特征分析后的异常特图像;
如图5所示,本发明实施例中的步骤S201中,对磁共振影像数据进行分割处理的方法包括:
S501,提取磁共振影像数据中的图像特征;
S502,利用预设的分类器对图像特征进行解析处理,得到分割结果;
S503,根据构成分割对象的所有类别的图像特征,分类器的个数与组件的类别数相同;
S504,利用不同分类器解析不同类别的组件的图像特征,所述分割结果包括所有类别的组件的分割结果。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明较优的具体的实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
机译: 基于标签数据和非标签数据的基于神经网络的分类系统及其分类方法
机译: 基于静息状态脑电图提供癫痫症状信息的设备和方法
机译: 圣段分类神经网络高阶多项式激活功能及其应用