[发明专利]基于机器学习的磁共振图像脑区划分方法、系统和装置

权利要求书

1.一种基于机器学习的磁共振图像脑区划分方法，其特征在于，所述方法包括：

步骤S100，获取原始磁共振图像；

步骤S200，基于所述原始磁共振图像，通过HCP方法生成解剖结构像磁共振数据和扩散张量磁共振数据；

步骤S300，通过网格面重建处理所述解剖结构像磁共振数据获得网格面数据，通过概率跟踪算法处理所述网格面数据和扩散张量磁共振数据，获得降维连接特征矩阵；所述降维连接特征矩阵的每一行表示某个顶点和全脑246个脑区的连接概率；

所述步骤S300包括：

步骤S310，基于所述解剖结构像数据通过网格面重建的方法获得不同位置皮层的网格面数据；所述不同位置皮层的网格面数据包括灰白质交界面和皮层中部等值面数据；

基于所述扩散张量磁共振数据，计算每个体素扩散方向的概率分布；

步骤S320，基于所述不同位置皮层的网格面数据和每个体素扩散方向的概率分布，通过概率跟踪种子区域法，将所述灰白质交界面作为种子区域，从所述种子区域的每个顶点发出K条流线估计所述种子区域的连接模式，获取连接特征矩阵；所述连接矩阵大小为皮层顶点×全脑体素个数；

步骤S330，将所述连接特征矩阵进行降维生成降维连接特征矩阵；

具体为：

步骤A100，将脑网络组图谱的概率图投射到个体空间，将个体空间中全脑的体素依据所述脑网络组图谱进行归类，获得全脑体素×脑亚区的转化矩阵；

步骤A200，基于所述全脑体素×脑亚区的转化矩阵和连接特征矩阵相乘，获得低维连接矩阵；

步骤A300，将所述低维连接矩阵每一行进行归一化，获得所述降维连接特征矩阵；

步骤S400，基于所述降维连接特征矩阵，通过M个基于脑网络组图谱训练的区域性分类器对每个顶点进行分类生成顶点分类结果；M为预设的区域性分类器个数；

所述基于脑网络组图谱训练的区域性分类器，其获得方法为：

步骤B100，将脑网络组图谱的概率图投射到个体空间，生成带标签的训练图像集；

步骤B200，将所述带标签的训练图像集分为不同脑区的带标签的训练图像集，并基于所述不同脑区的带标签的训练图像集通过对应脑区的区域性分类器进行分类，生成训练图像分类结果；

步骤B300，基于所述训练图像分类结果计算加权损失函数反复迭代至所述加权损失函数低于预设的阈值或达到预设的迭代次数，获得基于脑网络组图谱训练的区域性分类器；

所述加权损失函数为：

其中，obj表示目标函数，w(x_i)表示样本的权重，表示损失函数，x_i表示样本，表示目标值，y_i表示预测值，所述样本的权重为每个顶点训练师的脑网络组图普概率；

步骤S500，将所述顶点分类结果合并，通过图像形态学操作获得脑区分割后的个体化图谱。

2.根据权利要求1所述的基于机器学习的磁共振图像脑区划分方法，其特征在于，所述对应脑区的区域性分类器采用LightGBM分类器。

3.根据权利要求1所述的基于机器学习的磁共振图像脑区划分方法，其特征在于，步骤S500前还包括步骤S500A：基于所述顶点分类结果，去除零散点或区域小于预设的零散阈值的零散区域，获得去除零散点和零散区域的顶点分类结果。

4.根据权利要求1所述的基于机器学习的磁共振图像脑区划分方法，其特征在于，所述种子区域的每个顶点发出K条流线，若存在体素到达的流线条数小于或等于预设的噪音条数时，将该体素的流线条数设置为0。