(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210822674.4 (22)申请日 2022.07.12 (71)申请人 中国科学院自动化研究所 地址 100190 北京市海淀区中关村东路95 号 (72)发明人 樊令仲　高超宏　吴霞　 (74)专利代理 机构 北京市恒有知识产权代理事 务所(普通 合伙) 11576 专利代理师 郭文浩　尹文会 (51)Int.Cl. G06T 11/00(2006.01) G06T 7/30(2017.01) G06V 10/764(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) (54)发明名称 群组先验引导的基于深度学习的丘脑个体 化图谱绘制方法 (57)摘要 本发明属于磁共振成像的脑图谱绘制领域， 具体涉及一种群组先验引导的基于深度学习的 丘脑个体化图谱绘制方法、 系统、 设备， 旨在解决 解决现有技术绘制的个体化的丘脑 图谱的准确 性、 鲁棒性以及可重复性较差的问题。 本方法包 括： 获取受试者个体脑部的丘脑ROI； 获取受试者 个体脑部的群组先验图谱； 剔除丘脑ROI中的群 组先验图谱； 获取个体特征， 并输入个体化分类 模型， 得到每个未定义区域内的体素的预测概率 值向量， 进而生成未定义区域的图谱； 将群组先 验图谱和未定义区域的 图谱进行合并， 生成受试 者个体化的丘脑图谱。 本发明利用高可信度群组 先验引导个体化丘脑分区以及图谱绘制， 提升了 绘制的个体化的丘脑图谱的准确性、 鲁棒性以及 可重复性。 权利要求书4页 说明书14页 附图4页 CN 115082586 A 2022.09.20 CN 115082586 A 1.一种群组先验引导的基于深度学习的丘脑个体化图谱绘制方法， 其特征在于， 该方 法包括以下步骤： S100， 获取在第一阈值下的群组丘脑概率图谱并进行二值化， 得到群组丘脑概率图谱 的掩膜， 作为第一掩膜； 将所述第一掩膜配准到受试者个体脑部的弥散磁共振空间， 得到受 试者个体脑部的丘脑ROI； S200， 获取在第二阈值下的群组丘脑概率图谱， 并配准到受试者个体脑部的弥散磁共 振空间， 得到受试者个 体脑部的群组先验图谱； S300， 在受试者个体脑部的弥散磁共振空间中， 剔除所述丘脑ROI中的群组先验图谱， 得到未定义的丘脑区域的掩膜， 作为第二掩膜； S400， 结合所述第二掩膜， 计算所述群组先验图谱中每个体素的45维球面调和函数的 系数和3维弥散磁共振空间的位置坐标， 将两者合并为一个48维的特征向量， 作为个体特 征； 将所述个体特征输入预构建的个体化分类模型， 得到每个未定义区域内的体素 的预测 概率值向量， 并将预测概率值向量对应的最大 的亚区标签作为体素 的最终亚区标签， 进而 生成未定义区域的图谱； 所述个 体化分类模型基于深度学习神经网络构建； S500， 将所述群组先验图谱和所述未定义区域的图谱进行合并， 生成受试者个体化的 丘脑图谱； 其中， 所述群组丘脑概 率图谱其构建方法为： A100， 获取N个受试者个体脑部的结构核磁共振图像、 弥散张量核磁共振图像， 作为输 入图像； N 为正整数； A200， 对所述输入图像依次进行HCP最小预处理、 ROI配准、 ROI后处理， 得到受试者个体 脑部最终的丘脑ROI， 并通过ODF估计算法， 得到受试者个体脑部最终的丘脑ROI内每个体素 的局部弥散特 征； A300， 结合A200获取的局部弥散特征， 计算体素之间的相似度， 并进行聚类， 得到受试 者个体脑部最终的丘脑ROI内体素的聚类结果； A400， 将A300获取的聚类结果配准至标准空间， 并进行标签重映射， 得到受试者个体脑 部最终的丘脑ROI内每个体素对应的亚区标签， 即得到N个受试者个体脑部在标准空间中的 丘脑分区； A500， 计算受试者个体脑部最终的丘脑 ROI内每个体素对应的亚区概率值， 并去掉最大 的亚区概率值低于第一阈值的体素点， 然后将剩余的体素点构建群组水平的丘脑概率图 谱， 即群组丘脑概 率图谱； 所述 亚区概率值为各亚区的受试者人 数与总受试者人 数的比值。 2.根据权利要求1所述的群组先验引导的基于深度学习的丘脑个体化图谱绘制方法， 其特征在于， 对 所述输入图像依次进 行HCP最小预处理、 ROI配准、 ROI后处理， 得到受试者个 体脑部最终的丘脑ROI， 其方法为： 对受试者个体脑部的结构核磁共振图像、 弥散张量核磁共振图像进行HCP最小预处理， 得到预处 理的结构核磁共 振图像、 预处 理的弥散张量核磁共 振图像； 基于所述预处理的结构核磁共振图像、 所述预处理的弥散张量核磁共振图像， 通过ROI 配准方法将弥散磁共振空间与结构磁共振空间、 结构磁共振空间和标准空间之间进行配 准， 得到个 体的丘脑ROI； 在受试者个体脑部的弥散磁共振空间使用FSL计算每个体素点对应的各向异性分数权　利　要　求　书 1/4 页 2 CN 115082586 A 2值； 在受试者个 体脑部的结构磁共 振空间使用S PM计算每 个体素点对应的脑脊液概 率值； 在个体的丘脑ROI中去除掉各向异性分数值大于设定各向异性分数阈值或脑脊液概率 值大于设定脑脊液概 率阈值的体素点， 将剩余的体素点作为 最终的个 体丘脑ROI。 3.根据权利要求1所述的群组先验引导的基于深度学习的丘脑个体化图谱绘制方法， 其特征在于， 所述受试者个体脑部最 终的丘脑ROI内每个体素的局部弥散特征， 其 获取方法 为： 在受试者个体脑部最终的丘脑ROI内的弥散磁共振空间中， 使用dhollander算法在弥 散磁共振数据上计算不同弥散加权因子b值参数下大脑组织的响应函数； 结合所述大脑组 织的响应函数， 使用多组织多球壳限制性球面反卷积方法计算8阶球面调和函数的45维系 数， 量化每个体素的局部弥散特 征。 4.根据权利要求1所述的群组先验引导的基于深度学习的丘脑个体化图谱绘制方法， 其特征在于， 计算体素之间的相似度， 其方法为： 其中， S(i， j)表示两个体素之间的相似度， Epos(i， j)表示两个体素在弥散磁共振空间 中的3维坐标之间的欧式距离， Eodf(i， j)表示两个体素的45维球面调和函数的采样系数之 间的欧式距离， wpos和wodf分别表示Epos(i， j)、 Eodf(i， j)在计算相似度时的对应加权系数。 5.根据权利要求4所述的群组先验引导的基于深度学习的丘脑个体化图谱绘制方法， 其特征在于， 所述受试者个 体脑部最终的丘脑ROI内体素的聚类结果， 其获取 方法为： 通过谱聚类方法对受试者个体脑部最终的丘脑ROI内每个体素的局部弥散特征以及体 素之间的相似度进行降维； 基于降维后的局部弥散特征以及体素之间的相似度， 使用K ‑means聚类将各体素 聚为K 类， 作为受试者个 体脑部最终的丘脑ROI内体素的聚类结果。 6.根据权利要求1所述的群组先验引导的基于深度学习的丘脑个体化图谱绘制方法， 其特征在于， 所述受试者个体脑部最 终的丘脑ROI内每个体素对应的亚区标签， 其 获取方法 为： 计算每个体素点在N个受试者上的N维标签向量， 然后对受试者个体脑部最终的丘脑 ROI内的所有体素点按照其标签向量的相似度进行聚类， 聚类结果作为分区标签； 基于所述分区标签， 按照空间最大重叠的方法将每个受试者个体脑部最终的丘脑ROI 内体素的聚类结果进行重新标记， 从而得到受试者个体脑部最终的丘脑ROI内每个体素对 应的亚区标签； 其中， 计算每个体素点在N个受试者上的N维标签向量， 即提取每个受试者在该体素点 上对应的亚区标签， 对N个受试者分别提取一个亚区标签， 组成N维标签向量。 7.根据权利要求6所述的群组先验引导的基于深度学习的丘脑个体化图谱绘制方法， 其特征在于， 所述个 体化分类模型， 其训练方法为： 通过S100 ‑S400的方法， 获取个体特征， 并将个体特征输入预构建的个体化分类模型， 得到每个未定义区域内的体素的预测概 率值向量； 基于所述预测概率值向量， 结合群组先验图谱对应的亚区类别， 通过均方误差损 失函权　利　要　求　书 2/4 页 3 CN 115082586 A 3