个体化结构脑网络构建方法、系统、电子设备及存储介质与流程

1.本技术涉及脑网络技术领域，特别涉及一种个体化结构脑网络构建方法、系统、电子设备及存储介质。


背景技术：

2.目前，有很多构建个体化结构协变脑网络的方法，比如基于概率密度加kl散度的方法。该方法并未考虑大脑中真实的结构形态学的差异性，并且需要同时对大脑中结构形态学特征的分布进行采样来得到长度一致的向量，才能计算kl散度。但是由于大脑里面每个区域大小不一样，即灰质体素个数不一样，所以构成的向量长短不同，通过采样获得长度一致的向量会使得部分体素信息被丢失，导致脑网络构建的准确度不高。


技术实现要素：

3.本技术旨在至少解决现有技术中存在的技术问题之一。为此，本技术提出一种个体化结构脑网络构建方法、系统、电子设备及存储介质，能够直接计算根据大脑结构形态学特征构成的不同长度向量间的最优规整距离，从而解决由于大脑体素信息丢失而导致脑网络构建的准确度不高的问题。
4.根据本技术的第一方面实施例的个体化结构脑网络构建方法，包括：
5.获取脑部结构的多个结构磁共振数据；
6.根据多个所述结构磁共振数据，得到多个第一形态学特征值；
7.对所述脑部结构划分得到多个功能区域；
8.获取每一所述功能区域对应的所述第一形态学特征值，作为第二形态学特征值；
9.根据每一所述第二形态学特征值生成对应的形态学向量；
10.根据至少两个所述形态学向量，得到至少两个所述形态学向量的相似性；
11.根据至少两个所述形态学向量的相似性，构建所述脑部结构的脑网络。
12.根据本技术实施例的个体化结构脑网络构建方法，至少具有如下有益效果：
13.获取脑部结构的多个结构磁共振数据，根据多个结构磁共振数据得到多个第一形态学特征值；对脑部结构划分得到多个功能区域，获取每一功能区域对应的第一形态学特征值作为第二形态学特征值；根据每一第二形态学特征值生成对应的形态学向量，并根据至少两个形态学向量得到至少两个形态学向量的相似性；根据至少两个形态学向量的相似性，构建脑部结构的脑网络。本技术能够根据大脑结构形态学特征构成的不同长度向量，计算出不同长度向量间的最优归整距离并且不丢失大脑体素信息，进而提高脑网络构建的准确度。
14.根据本技术的一些实施例，所述根据多个所述结构磁共振数据，得到多个第一形态学特征值，包括：
15.对多个所述结构磁共振数据进行数据处理；
16.将处理后的每一所述结构磁共振数据配准到标准的模板空间，得到每一所述结构
磁共振数据对应的第一形态学特征值。
17.根据本技术的一些实施例，所述对所述脑部结构划分得到多个功能区域之后，包括：
18.获取每一所述功能区域对应的多个区域体素和所述区域体素的数量。
19.根据本技术的一些实施例，所述根据至少两个所述形态学向量，得到至少两个所述形态学向量的相似性，包括：
20.根据每一所述功能区域对应的所述区域体素的数量以及每一所述功能区域对应的至少两个所述形态学向量，构建结构协变矩阵；
21.根据所述结构协变矩阵，得到至少两个所述形态学向量的相似性。
22.根据本技术的一些实施例，所述结构协变矩阵中每个第一元素表示至少两个所述形态学向量的累计距离；
23.对应的，所述根据所述结构协变矩阵，得到至少两个所述形态学向量的相似性，包括：
24.获取所述结构协变矩阵中每一所述第一元素与其余所述第一元素之间的元素路径；
25.选取路径最短的元素路径作为最优路径；
26.根据所述最优路径，选取在所述最优路径上的多个所述第一元素作为多个第二元素；
27.获取多个所述第二元素对应的累计距离；
28.根据多个所述第二元素对应的累计距离，得到至少两个所述形态学向量的相似性。
29.根据本技术的一些实施例，所述根据至少两个所述形态学向量的相似性，构建所述脑部结构的脑网络，包括：
30.根据所述结构协变矩阵计算所述脑部结构的网络参数；
31.根据所述网络参数，构建所述脑部结构的脑网络。
32.根据本技术的一些实施例，所述根据所述结构协变矩阵计算所述脑部结构的的网络参数，包括：
33.选取所述结构协变矩阵的多个第一元素中值最大的所述第一元素，得到最大值；
34.对所述结构协变矩阵中的每一第一元素进行计算，得到更新后的结构协变矩阵；
35.根据更新后的所述结构协变矩阵计算所述脑部结构的网络参数。
36.根据本技术的第二方面实施例的脑网络构建系统，包括：
37.数据获取模块：获取脑部结构的多个结构磁共振数据；
38.相似性计算模块：根据多个所述结构磁共振数据，得到多个第一形态学特征值；根据所述脑部结构划分得到多个功能区域；获取每一所述功能区域对应的所述第一形态学特征值，作为第二形态学特征值；根据每一所述第二形态学特征值生成对应的形态学向量；获取至少两个所述形态学向量的相似性；
39.脑网络构建模块：根据至少两个所述形态学向量的相似性，构建所述脑部结构的脑网络。
40.根据本技术实施例的脑网络构建系统，至少具有如下有益效果：
41.本技术实施例的脑网络构建系统包括数据获取模块、相似性计算模块以及脑网络构建模块。数据获取模块获取脑部结构的多个结构磁共振数据；相似性计算模块根据多个结构磁共振数据，得到多个第一形态学特征值；根据脑部结构划分得到多个功能区域；获取每一功能区域对应的第一形态学特征值，作为第二形态学特征值；根据每一第二形态学特征值生成对应的形态学向量；获取至少两个形态学向量的相似性；脑网络构建模块根据至少两个形态学向量的相似性，构建脑部结构的脑网络。
42.本技术能够根据大脑结构形态学特征构成的不同长度向量，计算出不同长度向量间的最优归整距离并且不丢失大脑体素信息，进而提高脑网络构建的准确度。
43.根据本技术的第三方面实施例的电子设备，包括：
44.至少一个处理器，以及，
45.与所述至少一个处理器通信连接的存储器；其中，
46.所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时实现如本技术第一方面实施例任一项所述的个体化结构脑网络构建方法。
47.根据本技术实施例的电子设备，至少具有如下有益效果：通过执行如第一方面实施例所述的个体化结构脑网络构建方法，获取脑部结构的多个结构磁共振数据，根据多个结构磁共振数据得到多个第一形态学特征值；对脑部结构划分得到多个功能区域，获取每一功能区域对应的第一形态学特征值作为第二形态学特征值；根据每一第二形态学特征值生成对应的形态学向量，并根据至少两个形态学向量得到至少两个形态学向量的相似性；根据至少两个形态学向量的相似性，构建脑部结构的脑网络。本技术能够根据大脑结构形态学特征构成的不同长度向量，计算出不同长度向量间的最优归整距离并且不丢失大脑体素信息，进而提高脑网络构建的准确度。
48.根据本技术的第四方面实施例的计算机可读存储介质，包括：
49.所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行如本技术第一方面实施例所述的个体化结构脑网络构建方法。
50.根据本技术实施例的计算机可读存储指令，至少具有如下有益效果：通过执行如第一方面实施例所述的个体化结构脑网络构建方法，获取脑部结构的多个结构磁共振数据，根据多个结构磁共振数据得到多个第一形态学特征值；对脑部结构划分得到多个功能区域，获取每一功能区域对应的第一形态学特征值作为第二形态学特征值；根据每一第二形态学特征值生成对应的形态学向量，并根据至少两个形态学向量得到至少两个形态学向量的相似性；根据至少两个形态学向量的相似性，构建脑部结构的脑网络。本技术能够根据大脑结构形态学特征构成的不同长度向量，计算出不同长度向量间的最优归整距离并且不丢失大脑体素信息，进而提高脑网络构建的准确度。
51.本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
52.下面结合附图和实施例对本技术做进一步的说明，其中：
53.图1为本技术一些实施例提供的个体化结构脑网络构建方法的第一流程图；
54.图2为本技术一些实施例提供的个体化结构脑网络构建方法的第二流程图；
55.图3为本技术一些实施例提供的个体化结构脑网络构建方法的第三流程图；
56.图4为本技术一些实施例提供的个体化结构脑网络构建方法的第四流程图；
57.图5为本技术一些实施例提供的个体化结构脑网络构建方法的第五流程图；
58.图6为本技术一些实施例提供的个体化结构脑网络构建方法的第六流程图；
59.图7为本技术一些实施例提供的个体化结构脑网络构建方法的整体流程图；
60.图8为本技术一些实施例提供的脑网络构建系统的模块结构框图。
61.附图标记：
62.数据获取模块100，相似性计算模块200，脑网络构建模块300。
具体实施方式
63.下面详细描述本技术的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能理解为对本技术的限制。
64.本技术的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
65.目前，有很多构建个体化结构协变脑网络的方法，比如基于概率密度加kl散度的方法。该方法并未考虑大脑中真实的结构形态学的差异性，并且需要同时对大脑中结构形态学特征的分布进行采样来得到长度一致的向量，才能计算kl散度。但是由于大脑里面每个区域大小不一样，即灰质体素个数不一样，所以构成的向量长短不同，通过采样获得长度一致的向量会使得部分体素信息被丢失，导致脑网络构建的准确度不高。
66.基于此，本技术提出一种个体化结构脑网络构建方法、系统、电子设备及存储介质，获取脑部结构的多个结构磁共振数据，根据多个结构磁共振数据得到多个第一形态学特征值；对脑部结构划分得到多个功能区域，获取每一功能区域对应的第一形态学特征值作为第二形态学特征值；根据每一第二形态学特征值生成对应的形态学向量，并根据至少两个形态学向量得到至少两个形态学向量的相似性；根据至少两个形态学向量的相似性，构建脑部结构的脑网络。本技术能够根据大脑结构形态学特征构成的不同长度向量，计算出不同长度向量间的最优归整距离并且不丢失大脑体素信息，进而提高脑网络构建的准确度。
67.第一方面，本技术实施例提供了一种个体化结构脑网络构建方法。
68.参照图1，图1为本技术一些实施例提供的个体化结构脑网络构建方法的第一流程图，具体包括步骤：
69.s100，获取脑部结构的多个结构磁共振数据；
70.s200，根据多个结构磁共振数据，得到多个第一形态学特征值；
71.s300，对脑部结构划分得到多个功能区域；
72.s400，获取每一功能区域对应的第一形态学特征值，作为第二形态学特征值；
73.s500，根据每一第二形态学特征值生成对应的形态学向量；
74.s600，根据至少两个形态学向量，得到至少两个形态学向量的相似性；
75.s700，根据至少两个形态学向量的相似性，构建脑部结构的脑网络。
76.在步骤s100中，可以通过核磁共振扫描仪获取脑部结构的多个结构磁共振数据。
77.在步骤s200中，根据步骤s100中获取的多个结构磁共振数据，得到多个第一形态学特征值，这里的第一形态学特征值包括灰质体积，皮层厚度等结构形态学特征。
78.在一些实施例中，如图2所示，步骤s200具体包括步骤：
79.s210，对多个结构磁共振数据进行数据处理；
80.s220，将处理后的每一结构磁共振数据配准到标准的模板空间，得到每一结构磁共振数据对应的第一形态学特征值。
81.在步骤s210中，对步骤s100中获取到的多个结构磁共振数据进行数据处理，由于磁共振扫描的数据是带颅骨的，所以需要去掉颅骨才能将这些数据配准到模板空间进行分割。
82.在步骤s220中，将步骤s210中已经去头骨的多个结构磁共振数据，基于freesurfer或vbm8等软件将这些数据配准到标准的模板空间，得到每一结构磁共振数据对应的第一形态学特征值。
83.在一些实施例中，本技术的个体化结构脑网络构建方法具体还包括：获取每一功能区域对应的多个区域体素和区域体素的数量。
84.在步骤s300中，对脑部结构划分得到多个功能区域，这里可以利用大脑的模板，将大脑分成不同的功能子区，比如可以采用解剖自动标记(automatical anatomical labeling，aal)模板、harvard
‑
oxford模板或者brainnetome模板等。其中all模板包含90个皮层和皮层下区域以及26个小脑区域；harvard
‑
oxford模板每个半球包含48个皮层区以及7个皮层下区域；brainnetome模板包含236个皮层和皮层下区域等。需要说明的是，本领域技术人员可以根据实际需求选择合适的模板对大脑进行分区，在此不做详述。
85.在步骤s400中，提取与每一功能区域对应的第一形态学特征值，并作为第二形态学特征值，这里的第一形态学特征值包括灰质体积，皮层厚度等结构形态学特征。
86.在步骤s500中，提取每一第二形态学特征值，比如厚度，灰质体积，然后构成形态学向量。
87.在步骤s600中，根据至少两个形态学向量，得到至少两个形态学向量的相似性。
88.在一些实施例中，如图3所示，步骤s600具体包括步骤：
89.s610，根据每一功能区域对应的区域体素的数量以及每一功能区域对应的至少两个形态学向量，构建结构协变矩阵；
90.s620，根据结构协变矩阵，得到至少两个形态学向量的相似性。
91.在步骤s610中，这里运用到了动态时间规整(dynamic time warping，dtw)方法计算不同区域结构形态学特征协变的相似性。为了计算最优的距离，首先将具有不同体素个数的两个区域的形态学特征，比如灰质体积、厚度等，变换成一个向量，比如a区域1m，m是a区域体素的个数，b区域1n，n是b区域体素的个数；然后构建一个mn的矩阵c，矩阵中任何位置的值c(i,j)就是区域a(i)和区域b(j)欧式距离，即相似性值。该矩阵中每个元素表示两个向量的累计距离，距离越小表明越相似。
92.在步骤s620中，根据矩阵c，就能得到至少两个形态学向量的相似性。
93.在一些实施例中，如图4所示，步骤s620具体包括步骤：
94.s621，获取结构协变矩阵中每一第一元素与其余第一元素之间的元素路径；
95.s622，选取路径最短的元素路径作为最优路径；
96.s623，根据最优路径，选取在最优路径上的多个第一元素作为多个第二元素；
97.s624，获取多个第二元素对应的累计距离；
98.s625，根据多个第二元素对应的累计距离，得到至少两个形态学向量的相似性。
99.在步骤s621中，矩阵c中每个元素称为第一元素，对每一个第一元素，计算其余剩余第一元素之间的元素路径；
100.在步骤s622中，找c矩阵中的c(1,1)点到c(m,n)点的最短路径作为最优路径；
101.在步骤s623中，将c矩阵中c(1,1)点到c(m,n)点的最短路径上的元素叫做第二元素；
102.在步骤s624中，根据第二元素的坐标值，获取多个第二元素对应的累计距离；
103.在步骤s625中，将第二元素对应的累计距离，定义为相似性，得到至少两个形态学向量的相似性，至少两个形态学向量的相似性用于构建脑网络。
104.在步骤s700中，根据至少两个形态学向量的相似性，构建脑部结构的脑网络。
105.在一些实施例中，如图5所示，步骤s700具体包括步骤：
106.s710，根据结构协变矩阵计算脑部结构的网络参数；
107.s720，根据网络参数，构建脑部结构的脑网络。
108.在步骤s710中，根据结构协变矩阵计算脑部结构的网络参数；
109.在一些实施例中，如图6所示，步骤s710具体包括步骤；
110.s711，选取结构协变矩阵的多个第一元素中值最大的第一元素，得到最大值；
111.s712，对结构协变矩阵中的每一第一元素进行计算，得到更新后的结构协变矩阵；
112.s713，根据更新后的结构协变矩阵计算脑部结构的网络参数。
113.在步骤s711中，选取结构协变矩阵中的最大值；
114.在步骤s722中，对结构协变矩阵中的每个值取倒数，然后将每个值除以矩阵中的最大值。
115.在步骤s720中，对于标准化后的协变矩阵，即构成了不同脑区与脑区连接的一个脑网络矩阵，然后运用通过脑网络指标计算工具，比如gretna，brant,conn等计算每个个体的网络参数，比如小世界属性、聚类系数、效率、度等指标，根据这些指标就可以构建脑网络。
116.在本技术实施例中，通过获取脑部结构的多个结构磁共振数据，根据多个结构磁共振数据得到多个第一形态学特征值；对脑部结构划分得到多个功能区域，获取每一功能区域对应的第一形态学特征值作为第二形态学特征值；根据每一第二形态学特征值生成对应的形态学向量，并根据至少两个形态学向量得到至少两个形态学向量的相似性；根据至少两个形态学向量的相似性，构建脑部结构的脑网络。本技术能够根据大脑结构形态学特征构成的不同长度向量，计算出不同长度向量间的最优归整距离并且不丢失大脑体素信息，进而提高脑网络构建的准确度。
117.如图7所示，在本技术实施例中，首先获取大脑结构磁共振图像，从大脑结构磁共
振图像中提取大脑形态特征并且利用all脑模板得到原始协变连接矩阵，然后标准化协变连接矩阵，根据标准化后的协变连接矩阵构建结构协变脑网络，接着根据结构协变脑网络描绘脑网络拓扑属性。
118.第二方面，本技术实施例还提供了用于执行第一方面实施例中提到的个体化结构脑网络构建方法的脑网络构建系统。
119.如图8所示，在一些实施例中，脑网络构建系统包括数据获取模块100、相似性计算模块200以及脑网络构建模块300。数据获取模块100获取脑部结构的多个结构磁共振数据；相似性计算模块200根据多个结构磁共振数据，得到多个第一形态学特征值；根据脑部结构划分得到多个功能区域；获取每一功能区域对应的第一形态学特征值，作为第二形态学特征值；根据每一第二形态学特征值生成对应的形态学向量；获取至少两个形态学向量的相似性；脑网络构建模块300根据至少两个形态学向量的相似性，构建脑部结构的脑网络。
120.在本技术实施例中，能够根据大脑结构形态学特征构成的不同长度向量，计算出不同长度向量间的最优归整距离并且不丢失大脑体素信息，进而提高脑网络构建的准确度。
121.第三方面，本技术实施例还提供了一种电子设备。
122.在一些实施例中，电子设备包括：至少一个处理器，以及与至少一个处理器通信连接的存储器；其中，存储器存储有指令，指令被至少一个处理器执行，以使至少一个处理器执行指令时实现本技术实施例中任一项个体化结构脑网络构建方法。
123.处理器和存储器可以通过总线或者其他方式连接。
124.存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序，如本技术实施例描述的个体化结构脑网络构建方法。处理器通过运行存储在存储器中的非暂态软件程序以及指令，从而实现上述的个体化结构脑网络构建方法。
125.存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储执行上述个体化结构脑网络构建方法。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，比如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
126.实现上述的个体化结构脑网络构建方法所需的非暂态软件程序以及指令存储在存储器中，当被一个或者多个处理器执行时，执行上述第一方面实施例中提到的个体化结构脑网络构建方法。
127.第四方面，本技术实施例还提供了计算机可读存储介质。
128.在一些实施例中，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于执行第一方面实施例中提到的个体化结构脑网络构建方法。
129.在一些实施例中，该存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，比如，被上述电子设备中的一个处理器执行，可使得上述一个或多个处理器执行上述个体化结构脑网络构建方法。
130.以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是
或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
131.本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd
‑
rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
132.上面结合附图对本技术实施例作了详细说明，但是本技术不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本技术宗旨的前提下作出各种变化。此外，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。