[发明专利]一种深度学习结合个性化图集基于T1W和QSM自动分割脑深部灰质结构的方法

说明书

本发明公开了一种深度学习结合个性化图集基于T1W和QSM自动分割脑深部灰质结构（尾状核、壳核、苍白球、黑质、红核、齿状核）的方法，包括步骤：采集T1W和QSM磁共振数据、医生手工标注脑深部灰质结构；提取T1W脑影像的特征向量；对所有T1W脑影像的特征向量进行无监督聚类，挑选出代表性影像和医生的标注组成个性化图集；将个性化图集中的T1W影像和标注与其他被试T1W影像进行配准，得到初步分割结果，构成训练集数据；构建基于注意力机制的深度学习网络模型；训练模型对脑深部灰质结构进行分割。本发明利用T1W和QSM图像的对比优势对脑深部灰质结构进行精准自动分割，将来有望用于帕金森病等运动障碍类疾病的脑影像研究和辅助临床诊断等。

技术领域

本发明属于脑深部灰质结构分割技术领域，具体涉及一种深度学习结合个性化图集基于T1W和定量磁化率成像(QSM)自动分割脑深部灰质结构的方法。

背景技术

在过去的十年中，磁共振成像(MRI)领域中磁敏感加权成像技术的快速发展使活体人脑内铁的可视化和定量化成为可能[1]。具体而言，梯度回波(GRE)序列与后处理技术和建模方法相结合，有效增强了磁化率相关的图像对比度同时有利于铁含量的定量计算。常规获得的结构磁共振图像(如T1WI)能够对尾状核(CN)轮廓进行清晰显示，但壳核(PUT)、苍白球(GP)、黑质(SN)、丘脑底核(STN)、红核(RN)和齿状核(DN)等脑深部灰质结构的显示则要依托于定量磁化率成像(QSM)技术的独特属性[2,3]。QSM反映了局部组织的磁化率分布，突显含铁组织结构轮廓及内部细节，因此可以清晰呈现在常规T1W加权图像上难以分辨的结构。QSM技术的应用使得铁在大脑发育、衰老以及包括帕金森病、阿尔茨海默病、多发性硬化症等在内的多种神经系统疾病中的重要性越来越受到关注。此外，神经外科对难治性帕金森病、癫痫、阿尔茨海默病等神经系统疾病的治疗主要实施立体定向手术。脑深部灰质结构,如CN、PUT、GP、STN等都是手术中常见的目标靶区，靶区的精确定位是手术成败的关键。现有的神经影像分析工具包(如FreeSurfer、FSL和SPM等)中嵌入的大脑图谱受限于技术发展，大多没有包含SN、STN等灰质结构，同时对于其他脑深部灰质结构的分割效果也有待进一步优化。全面挖掘图像结构与对比度特征,实现脑深部灰质结构的精确分割具有重要的临床和科学价值。

目前，已有一系列脑深部灰质结构自动分割相关的研究得以发表，包括半自动化方法[4]，全自动化基于图块的分割算法[5]、水平集方法[6]多数投票标签融合算法[7]、贝叶斯方法[8]和基于标准空间模板配准的方法[9]等。这些传统分割方法的主要问题在于分割精度不够，难以可靠指导临床决策。深度学习相关方法展现出了较大的优势[10]。卷积神经网络分割脑深部灰质结构的方法可以从大数据中自动学习到有用的特征表达，然而由于其嵌套的非线性结构导致了难以解释网络的工作原理。

参考文献：

[1]Ropele S,Langkammer C.Iron quantification with susceptibility.NMRBiomed 2017；30.

[2]Bilgic B,Pfefferbaum A,Rohlfing T,Sullivan E V.,AdalsteinssonE.MRI estimates of brain iron concentration in normal aging usingquantitative susceptibility mapping.Neuroimage 2012；59:2625–35.

[3]Liu C,Li W,Tong KA,Yeom KW,Kuzminski S.Susceptibility-weightedimaging and quantitative susceptibility mapping in the brain.J Magn ResonImaging 2015；42:23–41.