[发明专利]一种基于随机分块模型的脑结构网络连接优化方法

说明书

技术领域

本发明涉及图像处理技术，具体是一种基于随机分块模型的脑结构网络连接优化方法。

背景技术

作为磁共振扩散加权成像(diffusion weighted imaging，DWI)技术与复杂网络理论的结合，脑结构网络构建方法当前已经成为脑科学领域的热点之一。然而在现有技术条件下，脑结构网络构建方法由于受到数据采集环节中测量误差的影响，导致构建出的脑结构网络普遍存在可信度低的问题，由此严重影响其应用价值。基于此，有必要发明一种全新的脑结构网络连接优化方法，以解决现有脑结构网络构建方法存在的上述问题。

发明内容

本发明为了解决现有脑结构网络构建方法构建出的脑结构网络可信度低的问题，提供了一种基于随机分块模型的脑结构网络连接优化方法。

本发明是采用如下技术方案实现的：

一种基于随机分块模型的脑结构网络连接优化方法，该方法是采用如下步骤实现的：

步骤S1：对磁共振扩散加权影像进行预处理，然后根据选定的标准化脑图谱，对预处理后的磁共振扩散加权影像进行区域分割；

步骤S2：采用纤维束追踪算法，将预处理后的磁共振扩散加权影像映射到选定的标准化脑图谱中，然后根据纤维束追踪的结束条件，计算两两脑区间的纤维束数量，由此得到脑区间的纤维束数量矩阵；

步骤S3：设定阈值，然后根据阈值对脑区间的纤维束数量矩阵进行二值化处理，由此得到脑结构网络模型；

步骤S4：采用符号检验方法，构建基于多个脑结构网络模型样本的脑结构中枢网络模型；

步骤S5：采用随机分块模型算法，对脑结构中枢网络模型中的连接进行可信度计算；

步骤S6：根据可信度计算结果，对脑结构中枢网络模型进行重构优化。

与现有脑结构网络构建方法相比，本发明所述的一种基于随机分块模型的脑结构网络连接优化方法通过采用纤维束追踪算法、符号检验方法、随机分块模型算法，实现了脑结构网络的构建和重构优化，其有效消除了数据采集环节中测量误差的影响，由此使得构建出的脑结构网络可信度更高(如图1所示，本发明构建出的脑结构网络的连接正确率明显高于现有脑结构网络构建方法构建出的脑结构网络的连接正确率)，从而使得应用价值更高。

本发明有效解决了现有脑结构网络构建方法构建出的脑结构网络可信度低的问题，适用于脑结构网络构建。

附图说明

图1是本发明与现有脑结构网络构建方法的对比示意图。

具体实施方式

本实施以猴脑数据为例进行说明，所有被试由3T磁共振设备(Siemens Trio 3-Tesla Scanner，Siemens，Erlangen，Germany)进行磁共振扩散加权扫描，样本数为23例，均为成年恒河猴。

一种基于随机分块模型的脑结构网络连接优化方法，该方法是采用如下步骤实现的：

步骤S1：对磁共振扩散加权影像进行预处理，然后根据选定的标准化脑图谱，对预处理后的磁共振扩散加权影像进行区域分割；

步骤S2：采用纤维束追踪算法，将预处理后的磁共振扩散加权影像映射到选定的标准化脑图谱中，然后根据纤维束追踪的结束条件，计算两两脑区间的纤维束数量，由此得到脑区间的纤维束数量矩阵；

步骤S3：设定阈值，然后根据阈值对脑区间的纤维束数量矩阵进行二值化处理，由此得到脑结构网络模型；

步骤S4：采用符号检验方法，构建基于多个脑结构网络模型样本的脑结构中枢网络模型；

步骤S5：采用随机分块模型算法，对脑结构中枢网络模型中的连接进行可信度计算；

步骤S6：根据可信度计算结果，对脑结构中枢网络模型进行重构优化。

所述步骤S1中，预处理采用FSL软件进行，预处理的步骤具体包括：磁化系数修正、涡流失真修正、头动矫正；标准化脑图谱采用MERatal14图谱。

所述步骤S2中，纤维束追踪算法具体包括三种：FACT、2ndorderRK、Tensoline；纤维束追踪的结束条件具体包括：1)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束的各向异性值FA小于0.1，则该条纤维束的追踪终止；2)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束位于大脑皮层的边界，则该条纤维束的追踪终止；3)在纤维束追踪过程中，若某条纤维束追踪到达某一体素时，该条纤维束的偏转角度大于45°，则该条纤维束的追踪终止。

所述步骤S3中，二值化处理公式具体表示如下：