一種基于多變量的dti圖像分析方法
【專利摘要】本發(fā)明公開了一種基于多變量的DTI圖像分析方法，用于疾病大腦機制研究中對腦部白質(zhì)病變區(qū)域確認和提取，從而為臨床治療提供影像學證據(jù)，具體步驟為：對數(shù)據(jù)進行預處理，包括去渦流、頭動矯正、去腦殼、彌散擬合、構(gòu)建白質(zhì)骨架；對預處理后的數(shù)據(jù)進行特征提取,通過置換檢驗并以年齡為協(xié)變量得到病人組和正常人組的顯著差異區(qū)域，并分別計算顯著差異區(qū)域中特定變量的平均值得到特征值；用留一法進行交叉驗證，判斷是否滿足停止條件，若不滿足則計算每個特征的平均權(quán)值，并去除平均權(quán)值最小的特征，直到滿足停止條件為止；最后得到的腦部區(qū)就是腦部病變區(qū)域。本發(fā)明利用DTI成像模式，通過多變量的研究方法，為臨床治療找到了病變區(qū)域提供了影像學證據(jù)。
【專利說明】—種基于多變量的DTI圖像分析方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種圖像分析方法，具體涉及一種基于多變量的DTI圖像分析方法。【背景技術(shù)】
[0002]擴散張量成像(DTI)是一種非侵入性的能提供活體內(nèi)水分子擴散運動的成像技術(shù)，它能檢測傳統(tǒng)MRI所不能觀察到的組織的微觀變化，是MR成像技術(shù)的重大突破?；谀X影像信息的模式分類是目前腦影像研究中的熱點課題。利用圖像分類方法，計算DTI圖像具有某種屬性的可能性大小，或者自動的判別圖像的類別屬性，是計算機輔助分析的一個重要應(yīng)用。
[0003]文 獻“Alexander AL, Lee JE, et al.Diffusion tensor imaging of the corpuscallosum in Autism.Neuroimage.2007 ；34(I):61 - 73.”使用基于感興趣區(qū)域的方法研究胼胝體在孤獨癥中的作用，但是這種方法需要有關(guān)某種病理或者病變區(qū)域的先驗知識，所以沒有很好地推廣性。
[0004]文獻“Ridgway GR, Henley SM, et al.Ten simple rules for reportingvoxel-based morphometry studies.Neuroimage.2008 ；40 (4): 1429 - 1435.，，使用基于體素的雙樣本t檢驗統(tǒng)計方法研究病人和正常人之間的組間差異。這種方法是在假設(shè)變量符合正態(tài)分布的情況下僅僅考慮單個變量的影響沒有同時考慮多個變量的影響，而且無法判斷單個人是否是病人或者是正常人。
[0005]文 獻“Madhura Ingalhalikar, et al.Diffusion based Abnormality Markersof Pathology: Towards Learned Diagnostic Prediction of ASD.Neuroimage.2011 ；57(3):918 - 927”將地圖集中的各向異性(FA)和平均擴散率(MD)的值作為特征，然后將所得特征加入支持向量機(SVM)中，通過留一法不斷地選擇可以使支持向量機得到最好的正確率和推廣性的特征。然而，這種基于地圖集的方法無法提取地圖集下子區(qū)域的相關(guān)變量作為特征，這樣就無法找到子區(qū)域中病變的區(qū)域。同時，這種方法沒有考慮年齡因素對白質(zhì)的影響。

【發(fā)明內(nèi)容】

[0006]針對現(xiàn)有技術(shù)的不足，本發(fā)明旨在提供一種推廣性更強的基于多變量的DTI圖像分析法，本發(fā)明首先經(jīng)過預處理和彌散張量計算得到各向異性值(FA)、平均擴散率值(MD)、徑向彌散率值(RD)，針對計算得到的三個量進行置換檢驗后得到病人與正常人間的組間差異，然后將差異區(qū)域的各向異性值、平均擴散率值、徑向彌散率值分別平均后加入線性支持向量機中用留一法訓練支持向量機，直至找到使分類器準確率高、推廣性好的特征量，最終得到的這些特征量所在的區(qū)域就很有可能是病變區(qū)域。
[0007]為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案:
[0008]一種基于多變量的DTI圖像分析方法，包括圖像數(shù)據(jù)的采集，其中，所述圖像數(shù)據(jù)分為正常人組和病人組兩組，通過3T的磁共振設(shè)備采集，再采用彌散加權(quán)序列得到彌散圖像數(shù)據(jù)，所述方法還包括如下步驟:
[0009]步驟1，將所述彌散圖像數(shù)據(jù)進行預處理，具體如下:
[0010]步驟1.1，用基于Linux的FSL軟件對所述彌散圖像數(shù)據(jù)進行去渦流處理和頭動矯正；
[0011]步驟1.2，對經(jīng)所述步驟1.1處理得出的圖像進行去腦殼處理；
[0012]步驟1.3，對經(jīng)所述步驟1.2處理得出的圖像進行彌散張量擬合得出各向異性圖像、平均擴散率圖像、徑向彌散率圖像；
[0013]步驟1.4，將所述各向異性圖像通過非線性配準方法配準到標準空間；
[0014]步驟1.5，將所有配準到標準空間的各向異性圖像進行平均得到平均各向異性圖像；
[0015]步驟1.6，將所述平均各向異性圖像進行骨架化，得到白質(zhì)骨架；
[0016]步驟1.7，將步驟1.3得出的每個個體的各向異性圖像、平均擴散率圖像、徑向彌散率圖像分別投射到所得所述白質(zhì)骨架上，得到每個個體的各向異性骨架圖像、平均擴散率骨架圖像、徑向彌散率骨架圖像；
[0017]需要說明的是，所述病人組中的圖像數(shù)據(jù)采集自神經(jīng)退化類的病人。
[0018]需要進一步說明的是，所述正常人組和病人組的量的最優(yōu)比例為1:1。
[0019]步驟2，提取步驟I得出的所述各個個體的各向異性骨架圖像、平均擴散率骨架圖像、徑向彌散率骨架圖像的特征:
[0020]步驟2.1，將所述各個個體的各向異性骨架圖像、平均擴散率骨架圖像、徑向彌散率骨架圖像分別進行逐體素置換檢驗并以年齡作為協(xié)變量得到檢驗后的圖像；
[0021]步驟2.2，將所述檢驗后的圖像設(shè)置閾值，得到病人組和正常人組在白質(zhì)骨架上各向異性值、平均擴散率值、徑向彌散率值存在顯著差異的區(qū)域；
[0022]步驟3，對步驟2所得的所述存在顯著差異的區(qū)域進行多變量分析:
[0023]步驟3.1，分別對所述存在顯著差異的區(qū)域中的各向異性值、平均擴散率值、徑向彌散率值進行平均，得到所述存在顯著差異的區(qū)域中的平均各向異性值、平均平均擴散率值、平均徑向彌散率值；
[0024]步驟3.2，基于MATLAB軟件將步驟3.1中所述平均的各向異性值、平均擴散率值、徑向彌散率值作為特征輸入到線性支持向量機中，通過留一法對線性支持向量機進行訓練，最終得到特征所在區(qū)域，從而得到和病變有關(guān)的區(qū)域。
[0025]需要說明的是，所述步驟3.2中，通過留一法對線性支持向量機進行訓練的具體實施步驟如下:
[0026]步驟3.2.1，用η表示數(shù)據(jù)樣本中的個體總數(shù)，而各個體都有m個特征量，而各個體的類屬性都是已知的，即病人或正常人；將得到的數(shù)據(jù)樣本分為兩組，一組是測試集，包含一個個體，一組是訓練集，包括除測試集中所含個體外的所有人，共η-1個個體；
[0027]步驟3.2.2，用所述訓練集訓練所述線性支持向量機，得出所述訓練后支持向量機:根據(jù)以下公式計算得到權(quán)值向量w，w為一個m維列向量，其中的每個元素對應(yīng)一個特征量；
【權(quán)利要求】
1.一種基于多變量的DTI圖像分析方法，包括圖像數(shù)據(jù)的采集，其中，所述圖像數(shù)據(jù)分為正常人組和病人組兩組，通過3T的磁共振設(shè)備采集，再采用彌散加權(quán)序列得到彌散圖像數(shù)據(jù)，其特征在于，所述方法還包括如下步驟: 步驟1，將所述彌散圖像數(shù)據(jù)進行預處理: 步驟1.1，用基于Linux的FSL軟件對所述彌散圖像數(shù)據(jù)進行去渦流處理和頭動矯正； 步驟1.2，對經(jīng)所述步驟1.1處理得出的圖像進行去腦殼處理； 步驟1.3，對經(jīng)所述步驟1.2處理得出的圖像進行彌散張量擬合，得出各向異性圖像、平均擴散率圖像、徑向彌散率圖像； 步驟1.4，將所述各向異性圖像通過非線性配準方法配準到標準空間； 步驟1.5，將所有配準到標準空間的所述各向異性圖像進行平均得到平均各向異性圖像； 步驟1.6，將所述平均各向異性圖像進行骨架化，得到白質(zhì)骨架； 步驟1.7，將步驟1. 3中得出的所述各向異性圖像、平均擴散率圖像、圖像按個體分別投射到所述白質(zhì)骨架上，得到每個個體的各向異性骨架圖像、平均擴散率骨架圖像和徑向彌散率骨架圖像； 步驟2，提取步驟I得出的每個個體的所述各向異性骨架圖像、平均擴散率骨架圖像和徑向彌散率骨架圖像的特征: 步驟2.1，將各個體的各向異性骨架圖像、平均擴散率骨架圖像、徑向彌散率骨架圖像分別進行逐體素置換檢驗并以年齡因素作為協(xié)變量得到檢驗后的圖像； 步驟2.2，將所述檢驗后的圖像設(shè)置閾值，得到所述病人組和所述正常人組在白質(zhì)骨架上各向異性值、平均擴散率值、徑向彌散率值存在顯著差異的區(qū)域； 步驟3，對步驟2所得的存在顯著差異的區(qū)域進行多變量分析: 步驟3.1，分別對所述存在顯著差異的區(qū)域中的各向異性值、平均擴散率值、徑向彌散率值進行平均，得到所述存在顯著差異的區(qū)域中的平均各向異性值、平均平均擴散率值、平均徑向彌散率值； 步驟3.2，基于MATLAB軟件將步驟3.1中所述的平均各向異性值、平均平均擴散率值、平均徑向彌散率值作為特征輸入到線性支持向量機中，通過留一法對線性支持向量機進行訓練，最終得出特征所在的區(qū)域，從而得到與病變有關(guān)的區(qū)域。
2.根據(jù)權(quán)利要求1所述的一種基于多變量的DTI圖像分析方法，其特征在于，所述步驟.3.2中，通過留一法對線性支持向量機進行訓練的具體實施步驟如下: 步驟3.2.1，用η表示數(shù)據(jù)樣本中的個體總數(shù)，而各個體都有m個特征量，而各個體的類屬性都是已知的，即病人或正常人；將得到的數(shù)據(jù)樣本分為兩組，一組是測試集，包含一個個體，一組是訓練集，包括除測試集中所含個體外的所有人，共η-1個個體； 步驟3.2.2，用所述訓練集訓練所述線性支持向量機，得出訓練后支持向量機:根據(jù)以下公式計算得到權(quán)值向量w，w為一個m維列向量，其中的每個元素對應(yīng)一個特征量；
3.根據(jù)權(quán)利要求1所述的一種基于多變量的DTI圖像分析方法，其特征在于，所述病人組中的圖像數(shù)據(jù)采集自神經(jīng)退化類的病人。
4.根據(jù)權(quán)利要求1所述的一種基于多變量的DTI圖像分析方法，其特征在于，所述正常人組和病人組的量的最優(yōu)比例為1:1。
【文檔編號】G06T7/00GK103996196SQ201410229350
【公開日】2014年8月20日 申請日期:2014年5月28日 優(yōu)先權(quán)日:2014年5月28日
【發(fā)明者】劉鵬, 楊帆, 王強, 劉曉明, 李軍, 劉嫣菲 申請人:西安電子科技大學