[发明专利]一种整合神经影像数据分析环境的构建方法及系统

说明书

本发明涉及神经影像处理技术领域，具体公开了一种整合神经影像数据分析环境的构建方法及系统，方法包括根据预设的Dockerfile构建docker镜像；根据docker镜像创建一个容器；在已创建的容器中，通过控制取消指令取消宿主机的访问控制，使容器内图形化界面能够正确显示于宿主机上；按照预设保存格式以及预设保存路径，将docker镜像进行备份保存；将已经构建及备份好的docker镜像根据解压指令进行解压，以标准输出通过管道传入加载指令中进行镜像加载等步骤。本发明简化神经影像数据分析处理环境的搭建及部署流程，达到一键式构建、运行、备份以及部署稳健的、可重复的、可用于机器学习、深度学习的神经影像数据处理环境的目的。

技术领域

本发明涉及神经影像处理技术领域，尤其涉及一种整合神经影像数据分析环境的构建方法及系统。

背景技术

在神经影像领域(脑磁共振数据)处理分析，需要在linux环境下调用多个专业软件协同处理，如AFNI、FSL、FreeSurfer、ANTs等；同时，机器学习、深度学习神经影像领域的研究前沿，已有多个优秀的机器学习、深度学习框架供研究人员使用；然而各个软件或工具的依赖较为复杂，安装以及配置耗费大量的时间及资源，并且在不同工作站或服务器上配置环境不同，不利于后处理步骤的流程化，更耗费神经影像研究人员大量精力。容器是一种采用沙盒机制，共享宿主机内核的虚拟化技术，具有轻量化、隔离性以及开箱即用等特点；而Docker是目前容器技术的一种主流的实现方式。通过容器技术，我们可以把神经影像的分析环境编写成简单的配置文件，或者制作成镜像，从而可以在不同的计算平台上(个人电脑、工作站、服务器等)进行相同环境的部署。

目前比较热门的有Center for Reproducible Neuroimaging Computation的neurodocker，以及Stanford大学Poldrack实验室的fmriprep。fmriprep，主要关注神经影像处理的流程化问题，通过在dockerhub上拉取现成镜像到本地后，通过Python的dockerAPI，建立临时容器并调用内置的分析处理流程进行数据处理。而fmriprep存在的主要缺点有：1、处理流程并不能用户自由定义，不利于创新研发；2、未考虑可视化用户界面应用的执行，不能实时查看处理分析结果，不利于在个人电脑或普通工作站上进行流程原型的建立；3、所构建的环境并未考虑GPU加速运算的需求；4、docker对于外部文件的读写权限问题；5、未整合机器学习、深度学习的框架。neurodocker，主要关注神经影像处理环境的自定义问题上，通过用户制定，生成一个自定义的Dockerfile，根据此Dockerfile用户可生成个体化的处理环境。而neurodocker存在的主要缺点有：1、所生成的Dockerfile并没有解决好软件的依赖关系；2、仅生成Dockerfile，不包含镜像构建、备份、部署等过程；3、整合至分析流程中的软件非全是官方发行版本，不能保证其安全性；4、所构建的环境并未考虑GPU加速运算的需求；5、生成Dockerfile亦未考虑可视化用户界面应用的执行；6、docker对于外部文件的读写权限问题；7、未整合机器学习、深度学习的框架等。

所以，如何解决以上不足是当下急需解决的问题。

发明内容

针对现有技术中的技术问题，本发明提供一种整合神经影像数据分析环境的构建方法及系统。

本发明包括一种整合神经影像数据分析环境的构建方法，包括：

根据预设的Dockerfile构建docker镜像；

根据docker镜像创建一个容器；

在已创建的容器中，通过控制取消指令取消宿主机的访问控制，使容器内图形化界面能够正确显示于宿主机上；

按照预设保存格式以及预设保存路径，将docker镜像进行备份保存；

将已经构建及备份好的docker镜像根据解压指令进行解压，以标准输出通过管道传入加载指令中进行镜像加载。