自动化分区域脑萎缩程度的定量计算方法技术

本发明专利技术涉及脑萎缩程度计算技术领域，具体公开了自动化分区域脑萎缩程度的定量计算方法。该定量计算方法至少包括构建脑模板库、非线性配准映射及脑萎缩程度计算等步骤。该定量计算方法具有简便快捷、量化程度高、判断准确等优点；采用该方法可以为量化脑萎缩程度提供了一种高可行性的方案，进而可以辅助通过脑萎缩程度进行其他判断提供了借鉴。

【技术实现步骤摘要】
自动化分区域脑萎缩程度的定量计算方法
本专利技术涉及脑萎缩程度计算
，尤其涉及一种自动化分区域脑萎缩程度的定量计算方法。
技术介绍
脑萎缩(brainatrophy)是脑组织本身发生器质性病变而产生萎缩的一种现象。脑萎缩的主要病理表现为脑组织结构体积缩小，脑实质减少，脑重量减轻，细胞数目减少，脑回变平，脑沟增宽增深，脑室、脑池和蛛网膜下腔扩大。脑萎缩的临床表现可分为大脑机能衰退和痴呆等智能衰退两大类，这些都主要与脑萎缩发生的部位及程度有关。其中，脑萎缩的一种重要的类型就是以大脑皮层萎缩为主要病理改变的大脑萎缩，在临床上多表现为运动功能障碍，记忆力减退和反应迟钝等。随着影像医学和计算机信息图像处理相关技术的发展，神经影像及相关的分析研究，作为一种准确、再现性高且定量的评估方法，有着非常重要的作用。通过医学神经影像的计算机辅助系统来辅助进行判断具有重大的作用和意义。脑萎缩原本是在CT或磁共振(MRI)检查时，发现脑组织体积减小和脑室扩大等而命名的，因此，脑萎缩是许多疾病的神经影像学表现。CT及MRI等神经影像学检查可发现脑组织体积减少、脑室扩大。如果大脑萎缩可见脑皮质与颅骨板间隙增大，大脑沟增宽增深、脑回变平缩小，侧脑室及第三脑室扩大，侧脑室前后角周围密度减低。小脑萎缩时可现实小脑脑沟增宽增深，体积缩小，影像呈现分枝树叶状，小脑周围腔隙增大，第四脑室扩大。如果有脑桥橄榄体萎缩，在神经影像上可见脑干变细狭窄，周围脑腔隙增大、橄榄体变扁平或缩小。由于不同的疾病引起的脑萎缩的部位和程度有较大差异，因此，临床神经影像分析中准确地判断脑萎缩的区域和脑萎缩的程度有着非常重要的意义。目前脑萎缩程度的判断大多是根据经验主观判断，尚缺少简单客观的量化指标。因此，有必要寻找脑萎缩程度的量化方法，以准确判断脑萎缩程度。
技术实现思路
本专利技术的目的在于针对现有脑萎缩程度缺少量化方法的问题，提供一种自动化分区域脑萎缩程度的定量计算方法。为达到上述专利技术目的，本专利技术采用了如下的技术方案：一种自动化分区域脑萎缩程度的定量计算方法，至少包括以下步骤：步骤S01.将批量脑结构有差异的大脑的T1w磁共振结构图像作为脑模板库，对其进行脑叶分区处理，得到12个脑叶分区；同时利用所述大脑的T1w磁共振结构图像进行脑组织分割，得到脑白质、脑灰质和脑脊液的脑组织概率图谱；并对自动分割得到的脑模板库的脑叶分区进行手动修正；步骤S02.利用非线性配准将步骤S01得到的模板映射到待分割对象的T1w磁共振结构图像上，得到所述模板和待分割对象之间的空间变换关系，利用所述空间变换关系，将所述模板上的脑叶分区和脑组织概率图谱映射到待分割对象空间；步骤S03.利用性能同时估算标签融合方法，融合得到所述待分割对象的脑叶分区；同时利用贝叶斯网络的分割算法基于脑组织概率图谱的先验知识得到脑组织分割图谱；步骤S04.根据步骤S03得到的待分割对象的脑叶分区和脑组织分割图谱，计算待分割对象的脑萎缩程度。本专利技术提供的自动化分区域脑萎缩程度的定量计算方法，具有简便快捷、量化程度高、判断准确等优点；采用该方法可以为脑萎缩程度的量化提供了一种可行性高的方案。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例基于多模板的图像分割算法流程图；图2是本专利技术实施例脑叶分割示意图；其中，1-脑模板，2-脑结构磁共振图，3-脑叶分区图，4-脑组织概率图谱，5-脑组织分割图；a-脑模板配准过程、b-基于配准获取脑叶分区的过程、c-基于配准获取脑组织概率图谱的过程、d-基于贝叶斯网络的方法分割脑组织的过程；A-额叶，B-顶叶，C-枕叶，D-颞叶，E-扣带回，F-岛叶。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术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专利技术，并不用于限定本专利技术。如图1所示，本专利技术实施例提供一种自动化分区域脑萎缩程度的定量计算方法，至少包括以下步骤：步骤S01.将批量脑结构有差异的大脑的T1w磁共振结构图像作为脑模板库，对其进行脑叶分区处理，得到12个脑叶分区；同时利用所述大脑的T1w磁共振结构图像进行脑组织分割，得到脑白质、脑灰质和脑脊液的脑组织概率图谱；并对自动分割得到的脑模板库的脑叶分区进行手动修正；步骤S02.利用非线性配准将步骤S01得到的模板映射到待分割对象的T1w磁共振结构图像上，得到所述模板和待分割对象之间的空间变换关系，利用所述空间变换关系，将所述模板上的脑叶分区和脑组织概率图谱映射到待分割对象空间；步骤S03.利用性能同时估算标签融合方法，融合得到所述待分割对象的脑叶分区，同时利用贝叶斯网络的分割算法基于脑组织概率图谱的先验知识得到脑组织分割图谱；步骤S04.根据步骤S03得到的待分割对象的脑叶分区和脑组织分割图谱，计算待分割对象的脑萎缩程度。其中，在任何的一个实施例中，步骤S01的目的主要是建立模板库。这里涉及的批量脑结构具有显著差异的大脑，指的是具有不同脑萎缩程度的大脑，具体包括从完全健康的大脑模板至完全萎缩的大脑模板。能够做成模板的大脑量足够大，使得模板库里的脑结构覆盖面尽可能广。优选地，作为模板库的脑模板个数不低于5个。优选地，作为模板库的脑模板来自年龄段在50岁～90岁的成人脑模板。进一步优选地，所述脑模板中，健康个体和发生萎缩的个体的比例为1：4～4:1。更进一步地，所述脑模板中，健康个体和发生萎缩的个体的比例为1:1。优选地，如图2所示，步骤S01中的脑叶分区处理，是在脑模板的T1w结构磁共振图像上手动划分脑叶区域，脑叶是根据解剖结构进行划分，主要根据TerminologiaAnatomica(1998)标准将脑叶分额叶A、顶叶B、枕叶C、颞叶D、扣带回E和岛叶F，其中，额叶A位于脑半球的前部，在顶叶B前部，颞叶D的上前方；顶叶B位于枕叶C上方和额叶A和中央沟的后方；颞叶D位于大脑的两个半球上的侧向裂缝下方；扣带回E是大脑半球的内侧表面上的皮质的弧形区域，由前额叶A，顶叶B和颞叶D的部分组成；岛叶F是在外侧沟内折叠的大脑皮层的一部分(是将颞叶D与顶叶B和额叶A分开的裂缝)。所述额叶A、顶叶B、枕叶C、颞叶D、扣带回E和岛叶F又分别具体分成左额叶、右额叶、左枕叶、右枕叶、左顶叶、右顶叶、左颞叶、右颞叶、左扣带回、右扣带回、左岛叶、右岛叶。步骤S02中，非线性配准，例如可以采用基于微分同胚模型的对称性非线性配准算法。非线性配准算法不限于基于微分同胚模型的对称性非线性配准算法，也可以其他类似非线性配准算法。通过利用空间变换关系，实现将脑模板上的脑叶分区和脑组织概率图谱映射到待分割对象空间。步骤S02中，空间变换关系，需要反复迭代优化，将目标图像和模板图像之间的局部像素互相关作为优化的目标，得到每个模板和目标图像之间的空间变换关系。利用该变换关系，将预先在模板空间上划分的脑叶分区映射到目标图像空间，成为目标图像的分割结果。步骤S03中，基于非线性配准得到的分割图，再利用标签融合本文档来自技高网...

【技术保护点】
一种自动化分区域脑萎缩程度的定量计算方法，其特征在于：至少包括以下步骤：步骤S01.将批量脑结构有差异的大脑的T1w磁共振结构图像作为脑模板库，对其进行脑叶分区处理，得到12个脑叶分区；同时利用所述大脑的T1w磁共振结构图像进行脑组织分割，得到脑白质、脑灰质和脑脊液的脑组织概率图谱；并对自动分割得到的脑模板库的脑叶分区进行手动修正；步骤S02.利用非线性配准将步骤S01得到的模板映射到待分割对象的T1w磁共振结构图像上，得到所述模板和待分割对象之间的空间变换关系，利用所述空间变换关系，将所述模板上的脑叶分区和脑组织概率图谱映射到待分割对象空间；步骤S03.利用标签融合方法，融合得到所述待分割对象的脑叶分区；利用贝叶斯网络的分割算法基于脑组织概率图谱的先验知识得到脑组织分割图谱；步骤S04.根据步骤S03得到的待分割对象的脑叶分区和脑组织分割图谱，计算待分割对象的脑萎缩程度。

【技术特征摘要】
1.一种自动化分区域脑萎缩程度的定量计算方法，其特征在于：至少包括以下步骤：步骤S01.将批量脑结构有差异的大脑的T1w磁共振结构图像作为脑模板库，对其进行脑叶分区处理，得到12个脑叶分区；同时利用所述大脑的T1w磁共振结构图像进行脑组织分割，得到脑白质、脑灰质和脑脊液的脑组织概率图谱；并对自动分割得到的脑模板库的脑叶分区进行手动修正；步骤S02.利用非线性配准将步骤S01得到的模板映射到待分割对象的T1w磁共振结构图像上，得到所述模板和待分割对象之间的空间变换关系，利用所述空间变换关系，将所述模板上的脑叶分区和脑组织概率图谱映射到待分割对象空间；步骤S03.利用标签融合方法，融合得到所述待分割对象的脑叶分区；利用贝叶斯网络的分割算法基于脑组织概率图谱的先验知识得到脑组织分割图谱；步骤S04.根据步骤S03得到的待分割对象的脑叶分区和脑组织分割图谱，计算待分割对象的脑萎缩程度。2.如权利要求1所述的自动化分区域脑萎缩程度的定量计算方法，其特征在于：所述待分割对象的脑萎缩程度的计算公式为：Ai＝VCSF_i/(VWM_i+VGM_i)其中，Ai是第i个脑叶脑萎缩程度量化值，VCSF_i是第i个脑叶分区内脑脊液的体积，VWM_i是第i个脑叶分区内脑白质的体积，VGM_i是第i...

【专利技术属性】
技术研发人员：罗怡珊，
申请(专利权)人：深圳博脑医疗科技有限公司，
类型：发明
国别省市：广东,44