基于多模态的完整颅神经纤维图谱构建及个体化追踪方法

摘要: 本发明涉及医学影像分析,更具体地,涉及一种基于多模态的完整颅神经纤维图谱构建及个体化追踪方法。背景技术:1、颅神经纤维束位于颅底、脑干、脑池及孔道周围,解剖尺度...
基于多模态的完整颅神经纤维图谱构建及个体化追踪方法

本发明涉及医学影像分析,更具体地,涉及一种基于多模态的完整颅神经纤维图谱构建及个体化追踪方法。

背景技术:

1、颅神经纤维束位于颅底、脑干、脑池及孔道周围,解剖尺度小、走行复杂,且易受脑脊液部分容积效应、颅底磁敏感伪影、低各向异性、纤维交叉和邻近血管结构的影响。传统基于扩散磁共振成像(diffusion mri,dmri)的纤维束成像(tractography)在颅神经区域常出现漏追踪、过度延伸、假阳性流线和不同操作者之间结果不一致的问题,难以形成可重复、可迁移、可用于临床个体化分析的十二对完整颅神经纤维束图谱。

2、现有的颅神经成像方法通常聚焦于某一条颅神经、少数颅神经或特定解剖区域,或者仅利用t1加权图像(t1-weighted imaging)、t2加权图像(t2-weighted imaging)、时间飞跃法磁共振血管成像(time-of-flight angiography,tof)、计算机断层扫描(computed tomography,ct)、dmri及其衍生参数图中的一种或几种信息进行追踪。这些方法难以同时表达十二对完整颅神经的空间分布、局部方向、颅底孔道关系、血管邻近关系、微结构特征和群体变异范围。

3、dmri能够通过水分子扩散方向性推断神经纤维束走行,是脑白质连接、脑干通路和部分颅神经可视化的重要技术基础。颅神经与脑干核团、颅底孔道、眼眶、内听道、桥小脑角、颈静脉孔等结构密切相关,其可视化结果可服务于脑肿瘤、听神经瘤、三叉神经痛、动眼神经受压、颅底手术规划及术后功能评估等场景。与脑内大体积白质束相比,颅神经更细小、曲率更大,局部fa较低,且部分神经在脑池段经过脑脊液环境,常规确定性或概率性追踪方法难以稳定重建完整走行。

4、现有方案通常包括三类。第一,基于人工感兴趣区(region of interest,roi)的颅神经纤维追踪方案,即由操作者在结构像或扩散像上手动圈定种子区、包含区或排除区。有方案结合扩散谱成像、广义q采样成像和广义确定性追踪算法,在公开的488例健康被试上构建了五对颅神经纤维束(cnii、cniii、cnv和cnvii/viii)图谱。第二,基于多参数追踪和多阶段聚类的颅神经纤维束图谱方案。有方案提出多参数、多阶段扩散纤维追踪图谱,针对五对颅神经采用适配不同颅神经解剖特征的无迹卡尔曼滤波(unscented kalmanfilter,ukf)追踪参数,并利用多阶段纤维聚类自动识别相关纤维束。第三,基于深度学习的颅神经体素级分割方案。有方案提出颅神经束分割网络,以t1加权图像作为主模态,并从t2加权图像、各向异性分数、方向编码彩色图、纤维方向分布峰值等辅助模态中提取信息,实现颅神经束的体素级分割。

5、经分析,现有技术主要存在以下缺陷:

6、(1)覆盖范围不足:多数方案面向单条颅神经、少数颅神经的构建,难以形成cni至cnxii的十二对完整颅神经统一图谱。

7、(2)模态利用不足:部分方案仅利用结构像显示或单一dmri追踪,部分方案虽使用多模态,但主要服务于单神经体素分割,未将多模态特征系统地编码为可复用的图谱表征。

8、(3)新个体适配不足:临床数据中t1加权图像、t2加权图像、dmri图像、tof血管图像和ct图像常存在分辨率、视野、仿射矩阵和畸变差异,简单模板映射容易造成种子偏移和追踪失败。

技术实现思路

1、本发明的目的是克服上述现有技术的缺陷,提供一种基于多模态的完整颅神经纤维图谱构建及个体化追踪方法。该方法包括以下步骤:

2、获取目标新个体的多模态图像数据,所述多模态图像数据包括t1加权图像、t2加权图像、dmri图像及其衍生参数图、tof血管图像和ct图像;

3、对所述多模态图像数据进行完整性检查、预处理和空间配准,使各模态数据处于能够联合分析的空间关系中;

4、将配准后的多模态图像数据输入经训练的深度学习模型,获得目标新个体cni至cnxii的颅神经分割结果、走行区域预测和纤维束自动追踪结果。

5、与现有技术相比,本发明的优点在于,所提出的一种基于多模态的十二对完整颅神经纤维图谱构建及个体化追踪方法,以多被试t1加权图像、t2加权图像、tof血管图像、ct图像和dmri及其衍生的各向异性分数(fractional anisotropy,fa)、平均扩散率(meandiffusivity,md)、轴向扩散率(axial diffusivity,ad)、径向扩散率(radialdiffusivity,rd)、方向编码彩色图(direction-encoded color,dec)和纤维方向分布函数(fiber orientation distribution,fod)等数据为输入,构建多层级颅神经图谱,能够利用多模态影像数据建立覆盖第一至第十二对颅神经(cranial nerve i to xii,cni至cnxii)的完整颅神经纤维束图谱,并使该图谱能够表征各颅神经的典型走行、空间分布,并且将该图谱作为深度学习模型训练基础,从在新个体上实现十二对颅神经的自动追踪。

6、通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。

1.一种基于多模态的完整颅神经纤维图谱构建及个体化追踪方法,包括以下步骤:

2.根据权利要求1所述的方法,其特征在于,所述衍生参数图包括各向异性分数、平均扩散率、轴向扩散率、径向扩散率、方向编码彩色图和纤维方向分布函数。

3.根据权利要求1所述的方法,其特征在于,根据以下步骤训练所述深度学习模型:

4.根据权利要求3所述的方法,其特征在于,根据以下步骤实现所述颅神经解剖标注与所述种子区构建:

5.根据权利要求4所述的方法,其特征在于,所述将mni标准空间中刻画的颅神经种子区,包含区、排除区和脑干区映射到被试空间包括:

6.根据权利要求5所述的方法,其特征在于,针对cni至cnxii分别进行候选纤维束追踪包括:各颅神经采用不同的追踪参数组合,以适应其尺度、走行长度、局部各向异性和解剖曲率差异。

7.根据权利要求1所述的方法,其特征在于,所述纤维束自动追踪结果选用无迹卡尔曼滤波、确定性、概率性和基于深度学习的混合追踪方法获得。

8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现根据权利要求1至7中任一项所述的方法的步骤。

9.一种计算机设备,包括存储器和处理器,在所述存储器上存储有能够在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。