專利名稱:圖像分析方法和系統(tǒng)的制作方法
圖像分析方法和系統(tǒng)
技術領域:
本發(fā)明涉及磁共振計算解剖學領域,特別是涉及一種對磁共振圖像的分析方法和系統(tǒng)。
背景技術:
人腦的發(fā)育幾乎就是人類幾千萬年大腦神經組織發(fā)展進化的重演,它也有著一個由低到高的生理發(fā)育過程和生物發(fā)展規(guī)律。人腦的發(fā)展可以劃分為三個時期從出生到成年的腦的加速成長期;腦發(fā)育成熟后的相對穩(wěn)定期;人到老年后的腦的衰老期。由于人腦結構在自身的發(fā)展過程中形成了一定的規(guī)律,人腦成熟或衰退的部位、時間和表現(xiàn)也不一樣。認識大腦的發(fā)展規(guī)律對認識人類的智力、生理、情感發(fā)展有很大的幫助;同時,認識了大腦的發(fā)展規(guī)律也能幫助人類了解更多的腦部病理變化,如老年癡呆,癲癇,抑郁癥等等。無論是大腦的發(fā)育衰老,還是腦部的神經性病變,都會引起大腦的解剖形態(tài)變化。研究人員和臨床醫(yī)師均希望能繪制出腦部的形變圖譜,以幫助了解大腦結構形態(tài)變化的區(qū)域和過程。 形變圖譜能反映大腦從發(fā)育成熟到衰老的結構縱向變化過程,能反映某一疾病的患者腦部與正常人腦部結構的平均差異,能反映疾病患者隨時間發(fā)展腦部的病理改變情況,還能反映治療過程中患者在一段時間內形變的控制程度。同時,大腦各解剖區(qū)域與人體生理功能和心理狀態(tài)存在對應關系,因此,形變圖譜所反映的腦部結構形態(tài)信息,能幫助研究人員或臨床醫(yī)師獲得或預測人體相應的生理、心理狀態(tài)情況。在磁共振計算解剖學領域,研究人員常用統(tǒng)計分析法對大腦解剖結構進行形態(tài)學分析,確定大腦的形變部位,幫助了解腦部的病變情況或治療效果。當前常用的形態(tài)學分析法包括基于體素的分析法(VBM,Voxel-Based Morphometry)、基于形變的分析法 (DBM, Deformation-Based Morphometry),以及基于張量的分析法(TBM,Tensor-Based Morphometry)。其中DBM,TBM利用了圖像配準得到的形變場進行統(tǒng)計分析,VBM則利用了配準殘差。幾種形態(tài)學分析法對圖像的前期處理采取了相同的做法。首先,選取一幅模板圖像作為標準空間,該模板圖像或是領域研究人員公認的開放模板(如MNI,Talairach等), 或是根據手頭數(shù)據獨自建立的特定模板;然后將所有待處理圖像進行灰度校正,去頭骨等處理,并將預處理后的結果線性配準到模板圖像空間。在提取統(tǒng)計分析對象時,VBM與DBM、 TBM方法各異。在將預處理結果線性配準到模板空間后,VBM將大腦分割成子區(qū)域,將目標子區(qū)域平滑并規(guī)范化,平滑規(guī)范化后的結果作為統(tǒng)計分析的輸入;而DBM、TBM在得到預處理結果后繼續(xù)將結果非線性配準到模板圖像空間,得到每幅圖像對應的配準形變場,對形變場完成一定的變換后作為統(tǒng)計分析的輸入。在統(tǒng)計分析時,t檢驗(t-test)和置換檢驗 (permutation test)是常用的手段。在分析時,每個體素被看成一個獨立的檢驗,因此目標區(qū)域體素的個數(shù)便是獨立檢驗的次數(shù)。在現(xiàn)有方法進行統(tǒng)計分析時,盡管前期處理對圖像或形變場進行了平滑,但對每個像素進行獨立的統(tǒng)計檢驗,仍然丟棄了大腦子區(qū)域內的關聯(lián)性。我們知道大腦有功能分區(qū),每個小的功能區(qū)域有相應的生理作用,在病理改變時往往一個區(qū)域具有相同的變化趨勢,將這樣一個子區(qū)域作為整體分析更容易對結果進行合理的解釋。而前期的平滑處理也只是體素空間位置上的信息疊加,而不是潛在功能區(qū)域的信息融合。此外,從統(tǒng)計學角度看,t檢驗、置換檢驗等一般統(tǒng)計學檢驗方法不太適合小樣本大規(guī)模回歸量的分析,也就是說,由于可用于研究的圖像數(shù)量有限,對于一個體素或一個子區(qū)域,用于描述該目標的特征的維度不能太高。這在一定程度上限制了形態(tài)學分析的范圍, 現(xiàn)有方法只對形態(tài)特征描述的其中某一項進行分析,如大腦皮質厚度,溝回寬度等,從而導致分析結果不全面。
發(fā)明內容基于此,有必要提供一種能使分析結果更全面的圖像分析方法和系統(tǒng)。一種圖像分析方法,包括如下步驟獲取一組Tl加權圖像,包括對照組圖像和實驗組圖像;對所有Tl加權圖像預處理;將預處理后的Tl加權圖像非線性配準到預設的模板圖像中;將非線性配準后的Tl加權圖像進行分割,產生多個感興趣區(qū)域;提取每個感興趣區(qū)域的至少一種特征數(shù)據,得到特征矩陣信息;根據預設的貝葉斯多層模型和所述特征矩陣信息,計算得到一參數(shù)值,所述預設的貝葉斯多層模型如下Pr {Y = 11 C,y (X)} = Φ { α tC+ y (X)},y (X) ΜΝ{0,τ "1K (X)},其中,Yi為二進制響應變量,Yi = 1表示第i幅圖像來自實驗組,Yi = 0表示第i幅圖像來自對照組,i e {1,2,…,n},YnX1為二進制響應結果,Cnxi為協(xié)變量,Xnxp為所述特征矩陣信息,Φ (.)為標準正態(tài)累積分布函數(shù),α為回歸系數(shù),Y (X) = { Y (X1),γ (χ2),…, Y (xn)}表示均值為0,協(xié)方差cov {γ (X),Y (x' )} = τ-1K (χ, χ')的高斯隨機過程,τ 服從Gamma分布,K是一個nXn矩陣,Kij = K(xi Xj),K為核函數(shù),所述參數(shù)值為所述預設的貝葉斯多層模型中τ的值;根據所述參數(shù)值與預設閥值的關系,判斷實驗組圖像和對照組圖像之間感興趣區(qū)域的差異顯著性。一種圖像分析系統(tǒng),包括獲取單元、處理單元、配準單元、分割單元、提取單元、計算單元和分析單元獲取單元用于獲取一組Tl加權圖像,包括對照組圖像和實驗組圖像;處理單元用于對所有Tl加權圖像預處理;配準單元用于將預處理后的Tl加權圖像非線性配準到預設的模板圖像中;分割單元用于將非線性配準后的Tl加權圖像進行分割,產生多個感興趣區(qū)域;提取單元用于提取每個感興趣區(qū)域的至少一種特征數(shù)據,得到特征矩陣信息;計算單元用于根據預設的貝葉斯多層模型和所述特征矩陣信息,計算得到一參數(shù)值,所述預設的貝葉斯多層模型如下Pr {Y = 11 C,y (X)} = Φ { α tC+ y (X)},
y (X) MN{0,T "1K (X)},其中,Yi為ニ進制響應變量,Yi = 1表示第i幅圖像來自實驗組,Yi = 0表示第i幅 圖像來自對照組,i G {1,2,…,n},YnX1為ニ進制響應結果,Cnxi為協(xié)變量,Xnxp為所述特征 矩陣信息,O (.)為標準正態(tài)累積分布函數(shù),a為回歸系數(shù),Y (X) = { Y (X1),y (x2),…, Y (xn)}表示均值為0,協(xié)方差cov {Y 00,Y (x' )} = !-^(x^')的高斯隨機過程,T 服從Gamma分布,K是ー個nXn矩陣,Kij = K(x,, Xj),K為核函數(shù),所述參數(shù)值為所述預設 的貝葉斯多層模型中T的值;分析単元用于根據所述參數(shù)值與預設閥值的關系,判斷實驗組圖像和對照組圖像 之間感興趣區(qū)域的差異顯著性本發(fā)明ー較佳實施例中,所述提取每個感興趣區(qū)域的至少ー種特征數(shù)據,得到特 征矩陣信息步驟是從感興趣區(qū)域R,,q G {1,2,…,Q}中分別提取每幅圖像的多種特征信 息ザkfe,^,…, },其中i為圖像索引號i e {1,2,…,n},q為感興趣區(qū)域索引號 QG {1,2,…,Q},p為該區(qū)域特征信息的維度p彡1,對每個感興趣區(qū)域Rq得到的所述特 征矩陣信息如下
權利要求
1.一種圖像分析方法,其特征在于,包括如下步驟獲取一組Tl加權圖像,包括對照組圖像和實驗組圖像; 對所有所述Tl加權圖像預處理;將預處理后的Tl加權圖像非線性配準到預設的模板圖像中; 將非線性配準后的Tl加權圖像進行分割,產生多個感興趣區(qū)域; 提取每個所述感興趣區(qū)域的至少一種特征數(shù)據,得到特征矩陣信息; 根據預設的貝葉斯多層模型和所述特征矩陣信息,計算得到一參數(shù)值,所述預設的貝葉斯多層模型如下
2.根據權利要求1所述的,其特征在于,所述提取每個感興趣區(qū)域的至少一種特征數(shù)據,得到特征矩陣信息步驟是從所述感興趣區(qū)域Rq,q e {1,2, -,Q}中分別提取每幅圖像的多種特征信息鏟)=(X11,X12,",,X1J,其中i為圖像索引號i e {1,2,…,η},q為感興趣區(qū)域索引號qe {1,2,…,(《,ρ為該區(qū)域特征信息的維度ρ彡1,對每個感興趣區(qū)域Rtl得到的所述特征矩陣信息如下
3.根據權利要求1所述的,其特征在于,所述預設的貝葉斯多層模型計算方式如下 首先,定義了一個隱式變量Z = (ζι; ζ2,…,ζη),Ζ 麗{aTC+Y (X),I},使得
4. 一種圖像分析系統(tǒng),其特征在于,包括獲取單元、處理單元、配準單元、分割單元、提取單元、計算單元和分析單元,所述獲取單元用于獲取一組Tl加權圖像,包括對照組圖像和實驗組圖像; 所述處理單元用于對所有所述Tl加權圖像預處理;所述配準單元用于將預處理后的Tl加權圖像非線性配準到預設的模板圖像中; 所述分割單元用于將非線性配準后的Tl加權圖像進行分割,產生多個感興趣區(qū)域; 所述提取單元用于提取每個所述感興趣區(qū)域的至少一種特征數(shù)據,得到特征矩陣信息;所述計算單元用于根據預設的貝葉斯多層模型和所述特征矩陣信息,計算得到一參數(shù)值,所述預設的貝葉斯多層模型如下Pr {Y = 1|C, y (X)} = Φ {α tC+ y (X)},Y (X) ΜΝ{0,τ-1K(X)L其中,Yi為二進制響應變量,Yi = 1表示第i幅圖像來自實驗組,Yi = 0表示第i幅圖像來自對照組,ie {1,2,…,η},Ynxi為二進制響應結果,Cnxi為協(xié)變量,Xnxp為所述特征矩陣信息,Φ (.)為標準正態(tài)累積分布函數(shù),α為回歸系數(shù),γ (X) = { γ (X1),γ (χ2),…, Y (xn)}表示均值為0,協(xié)方差cov {γ (X),Y (x' )} = τ-1K (χ, χ')的高斯隨機過程,τ 服從Gamma分布,K是一個nXn矩陣,Kij = K(xi Xj),K為核函數(shù),所述參數(shù)值為所述預設的貝葉斯多層模型中τ的值;所述分析單元用于根據所述參數(shù)值與預設閥值的關系,判斷所述實驗組圖像和所述對照組圖像之間感興趣區(qū)域的差異顯著性。
5.根據權利要求4所述的,其特征在于,所述提取每個感興趣區(qū)域的至少一種特征數(shù)據,得到特征矩陣信息步驟是從感興趣區(qū)域I^,q e {1,2, -,Q}中分別提取每幅圖像的多種特征信息茍⑴={&,&,···,、},其中i為圖像索引號i e {1,2,…,n},q為感興趣區(qū)域索引號qe {1,2,…,(《,ρ為該區(qū)域特征信息的維度ρ彡1,對每個感興趣區(qū)域Rtl得到的所述特征矩陣信息如下
6.根據權利要求4所述的,其特征在于,所述預設的貝葉斯多層模型計算方式如下 首先,定義了一個隱式變量Z = (zi; z2,…,zn),Z 麗{aTC+Y (X),I},使得將協(xié)方差cot {γ (χ),γ (χ' )} = τ-1K (χ, χ')中的Κ(χ,χ')定義為高斯核,則然后,假設Y (X) 麗{0,T-1K(X)I, α 麗(0,φ-1)和τ Gamma (a,b),則聯(lián)合后驗分布為
全文摘要
一種圖像分析方法,包括如下步驟獲取一組T1加權圖像,包括對照組圖像和實驗組圖像;對所有T1加權圖像預處理;將預處理后的T1加權圖像非線性配準到預設的模板圖像中;將非線性配準后的T1加權圖像進行分割,產生多個感興趣區(qū)域;提取每個感興趣區(qū)域的至少一種特征數(shù)據,得到特征矩陣信息;根據預設的貝葉斯多層模型和所述特征矩陣信息,計算得到一參數(shù)值;根據所述參數(shù)值與預設閥值的關系,判斷實驗組圖像和對照組圖像之間感興趣區(qū)域的差異顯著性。本發(fā)明還提供一種對應的圖像分析系統(tǒng)。上述圖像分析方法和系統(tǒng)相對傳統(tǒng)技術可提取的待分析參數(shù)更多更豐富,信息更多樣化,能同時處理多區(qū)域、多特征的顯著性統(tǒng)計檢驗,使形態(tài)學分析更全面。
文檔編號G06T7/00GK102521832SQ20111040372
公開日2012年6月27日 申請日期2011年12月7日 優(yōu)先權日2011年12月7日
發(fā)明者劉新, 張麗娟, 潮毅, 邱本勝, 鄭海榮, 隆曉菁 申請人:中國科學院深圳先進技術研究院