專利名稱：基于相關(guān)預(yù)測模型的磁共振圖像中檢測結(jié)構(gòu)形變的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于相關(guān)預(yù)測模型的磁共振圖像中檢測結(jié)構(gòu)形變的方法，屬于磁
共振圖像醫(yī)學(xué)圖像的處理，計算神經(jīng)解剖學(xué)等領(lǐng)域。
背景技術(shù)：
采用磁共振圖像作為腦部疾病的輔助診斷已經(jīng)是常用的手段，針對磁共振圖像采 用計算機(jī)醫(yī)學(xué)圖像處理技術(shù)對于腦部磁共振圖像的甄別更具有科學(xué)性，目前量化磁共振圖 像中大腦結(jié)構(gòu)形變是醫(yī)學(xué)圖像處理的指標(biāo)參數(shù)之一。 目前量化磁共振圖像中因腦萎縮所致的大腦結(jié)構(gòu)形變的方法大體上可分為兩類。 一類是基于多時間點磁共振結(jié)構(gòu)圖像的方法。此類方法通過對同一被試連續(xù)兩次或多次的 磁共振掃描的比較，檢測結(jié)構(gòu)形變發(fā)生的位置及變化程度。優(yōu)點在于計算相對比較簡單，檢 測精度高。缺點在于，由于經(jīng)濟(jì)或者數(shù)據(jù)交流間的問題，某些患者只有單一時間點的磁共振 圖像可用。第二類是基于單時間點磁共振結(jié)構(gòu)圖像的檢測方法。這類方法中，常見的為目 測或線性測量衡量腦溝、腦裂寬度等指標(biāo)，以及容積測量法直接計算腦組織的容積大小或 者腦容積與顱腔容積的比率。其優(yōu)點在于應(yīng)用簡單，無需復(fù)雜計算。然而，由于腦溝、腦裂 形狀的不規(guī)則及個體差異等因素的影響，使得目測或線性測量、容積測量在客觀性和可重 復(fù)性方面存在著不足。
發(fā)明內(nèi)容
要解決的技術(shù)問題 為了避免現(xiàn)有技術(shù)的不足之處，本發(fā)明提出一種基于相關(guān)預(yù)測模型的磁共振圖像 中檢測結(jié)構(gòu)形變的方法，在只有單時間點磁共振結(jié)構(gòu)圖像可用的情況下利用磁共振圖像研 究大腦的結(jié)構(gòu)形變。 本發(fā)明的思想在于根據(jù)三維核磁共振結(jié)構(gòu)圖像重建出的三角化大腦皮層表面帶 來較大的結(jié)構(gòu)變形，通過檢測大腦皮層表面變形的劇烈程度，可以定義大腦結(jié)構(gòu)形變的程 度。三角化的大腦皮層表面上頂點的坐標(biāo)與其鄰域內(nèi)的頂點之間存在著結(jié)構(gòu)相關(guān)性。利用 一組配準(zhǔn)到標(biāo)準(zhǔn)模板的正常被試的三角化大腦皮層表面，計算出該組表面上的頂點與其余 頂點之間的結(jié)構(gòu)相關(guān)性。利用這種相關(guān)性及典型相關(guān)預(yù)測模型，可以依據(jù)不存在大腦結(jié)構(gòu) 形變的正常區(qū)域的頂點位置，預(yù)測出存在大腦萎縮的區(qū)域中頂點的期望位置。比較預(yù)測模 型得到的頂點位置與預(yù)測之前的頂點位置，量化大腦皮層表面因大腦萎縮所帶來變形，從 而量化大腦因腦萎縮所致的結(jié)構(gòu)形變的程度。
技術(shù)方案 —種基于相關(guān)預(yù)測模型的磁共振圖像中檢測結(jié)構(gòu)形變的方法，其特征在于步驟如 下 步驟1對三維大腦核磁共振圖像進(jìn)行預(yù)處理利用可變性模型方法去除核磁共振 圖像中的腦殼，利用配準(zhǔn)方法去除非核磁共振圖像中的大腦組織，利用高斯混合模型方法對核磁共振圖像中的大腦圖像進(jìn)行組織分割，得到白質(zhì)，灰質(zhì)和腦脊髓液三種組織類型表 示的數(shù)字圖像； 步驟2 :利用Marching Cubes方法從組織分割后的數(shù)字圖像中重構(gòu)三角化的、以 灰質(zhì)_白質(zhì)分界面表現(xiàn)的大腦皮層內(nèi)表面的數(shù)字圖像； 步驟3 :采用步驟1和步驟2處理一組正常的大腦核磁共振圖像，得到正常的三角 化的、以灰質(zhì)_白質(zhì)分界面表現(xiàn)的大腦皮層內(nèi)表面的數(shù)字圖像； 步驟4 :利用彈性變形配準(zhǔn)方法將步驟3中得到的一組正常的大腦皮層內(nèi)表面的
cov(v,, v,.)
數(shù)字圖像配準(zhǔn)到標(biāo)準(zhǔn)模板空間，利用"廳("，")=——^計算數(shù)字圖像的三角化表面上
，
頂點之間的結(jié)構(gòu)相關(guān)性；其中Vi及Vj分別代表頂點i與j在樣本集中的觀測值，corr (Vi， Vj)為頂點Vi與Vj之間的空間相關(guān)性，COV(Vi，Vj)為Vi與Vj之間的協(xié)方差，o i與o j分別 代表Vi及Vj的標(biāo)準(zhǔn)差；計算中Vi及Vj分別由其x， y， z三個坐標(biāo)分量代替，相關(guān)性的取值 為三個分量的均值； 步驟5 :采用步驟1和步驟2處理被測大腦的核磁共振圖像，得到被測大腦的三角 化的、以灰質(zhì)_白質(zhì)分界面表現(xiàn)的大腦皮層內(nèi)表面S的數(shù)字圖像； 步驟6 :在步驟5中得到的待測被試的大腦皮層內(nèi)表面S上待檢測區(qū)域ROI，將位 于ROI中的頂點集合V1的坐標(biāo)值視作待預(yù)測變量，而將位于ROI以外的頂點集合V2的坐 標(biāo)視為已知變量，利用典型相關(guān)模型來預(yù)測VI的期望值Vlp，步驟如下
步驟a :利用VI及V2在訓(xùn)練樣本中的觀測值X及Y，通過典型相關(guān)計算X及Y的
典型相關(guān)變量U = XTA和V = YTB，其中變換矩陣」—廣_,/2 ^ = lc^C儀C^2」， p與e由求解以下特征值-特征向量問題可得C;fC^CV"C漢C^2e二,e;Cxx， Cw， C爐CYX定義為:CXX = cov (X， X) ， Cw = cov (Y， Y) ， CXY = cov (X， Y) ， CYX = CXY ;式中C0V ( ) 為協(xié)方差運算符； 步驟b :在得到變換矩陣A后，將VI變換到典型相關(guān)空間，其典型相關(guān)變量為VI' =V1TA ;在典型相關(guān)空間根據(jù)步驟4中得到的頂點結(jié)構(gòu)相關(guān)性，利用線性回歸模型預(yù)測Vlp 的典型相關(guān)變量Vl' p; 步驟c:利用變換矩陣B求得Vlp:Vlp二 (VI' p B—0 T，用Vlp替代VI，得到S的
預(yù)測值S'; 步驟7 :根據(jù)S與S的預(yù)測值S'，在歐幾里德空間計算S與S'上頂點對之間的結(jié)
構(gòu)形變程度的距離指標(biāo)rf(^，v:)=V(x,.—x:.)2—乂)2—z
;)2 Vi G S，V'i G S'，式中
(Xi，yi，Zi)及(x' i，y' i，z' i)分別為頂點Vi和其預(yù)測值v' i的三維坐標(biāo)值。
步驟4中的彈性變形配準(zhǔn)算法采用文獻(xiàn)"T. Liu， D. Shen， C. Davatzikos， "Deformable registration of cortical structures via hybrid volumetric andsurface warping"， Neuroimage, 22 (4) ， 1790—801 (2004)"中公布的算法。
有益效果 本發(fā)明提出的一種基于相關(guān)預(yù)測模型的磁共振圖像中檢測結(jié)構(gòu)形變的方法，隨著 磁共振成像設(shè)備的精度不斷提高和三維大腦磁共振圖像的預(yù)處理方法進(jìn)一步成熟，獲取幾
5何結(jié)構(gòu)精確，拓?fù)浣Y(jié)構(gòu)正確的大腦皮層表面相對容易；腦萎縮不可避免的帶來重建的皮層
表面上頂點的位移，因而通過檢測皮層表面的變形而檢測大腦結(jié)構(gòu)形變是可行的。 本發(fā)明相對其他方法最主要的優(yōu)點在于，能在只有單時間點的磁共振結(jié)構(gòu)圖像可
用的情況下，檢測大腦結(jié)構(gòu)形變是否存在及量化結(jié)構(gòu)形變的程度。
圖1 :本發(fā)明的基于預(yù)測模型的磁共振結(jié)構(gòu)圖像中腦結(jié)構(gòu)形變檢測方法流程圖； 圖2 :正常大腦分割圖上模擬的腦萎縮前后一個切片的示例； (a)為模擬萎縮以前；(b)為模擬萎縮以后； 圖3 :模擬數(shù)據(jù)中大腦結(jié)構(gòu)形變檢測的結(jié)果，右邊為顏色條； (a)模擬萎縮前后大腦皮層表面之間的頂點對距離，反映了模擬的萎縮的程度；
(b)預(yù)測得到的表面與模擬萎縮前表面間頂點對距離，反映了預(yù)測模型的準(zhǔn)確 度； (c)預(yù)測得到的表面與模擬萎縮后表面間頂點對距離，反映了本發(fā)明發(fā)放檢測到 的因腦萎縮所致結(jié)構(gòu)形變； 圖4 :一老年癡呆癥患者中腦萎縮檢測的結(jié)果； (a)和(b)中為基于對時間點磁共振圖像的腦萎縮檢測算法SIENA的檢測結(jié)果。
藍(lán)色區(qū)域為存在腦萎縮的區(qū)域； (c)和(d)為選取的待檢測感興趣區(qū)域； (e)和(f)中為本發(fā)明方法在感興趣區(qū)域中檢測到的因腦萎縮所致結(jié)構(gòu)形變結(jié) 果。
具體實施例方式
現(xiàn)結(jié)合實施例、附圖對本發(fā)明作進(jìn)一步描述 本實施例的步驟1)對于一組正常被試，根據(jù)其磁共振結(jié)構(gòu)圖像重建大腦皮層表 面，并利用彈性形變配準(zhǔn)算法將所有的皮層表面配準(zhǔn)到標(biāo)準(zhǔn)模板空間來構(gòu)建一組訓(xùn)練樣 本，進(jìn)而利用訓(xùn)練樣本來計算大腦皮層表面上頂點之間的結(jié)構(gòu)相關(guān)性矩陣；2)對于待測樣 本，根據(jù)其磁共振結(jié)構(gòu)圖像重建其大腦皮層表面；3)在待測被試的大腦皮層表面上選取待 檢測區(qū)域，并依據(jù)步驟1)中計算得到的結(jié)構(gòu)相關(guān)性矩陣，利用典型相關(guān)預(yù)測模型來預(yù)測待 檢測區(qū)域中頂點的期望坐標(biāo)值；4)計算待檢測區(qū)域中頂點的實際坐標(biāo)值與期望坐標(biāo)值之 間的幾何距離，來量化大腦因腦萎縮所致結(jié)構(gòu)形變的程度。 根據(jù)本發(fā)明提出的基于預(yù)測模型的磁共振結(jié)構(gòu)圖像腦結(jié)構(gòu)形變檢測方法，我們用
。++語言實現(xiàn)了一個原型系統(tǒng)。圖像數(shù)據(jù)的來源分為兩部分。 一部分為40個正常被試的三
維磁共振結(jié)構(gòu)圖像，作為訓(xùn)練樣本來計算大腦皮層表面上頂點的結(jié)構(gòu)相關(guān)性；另一部分為
測試數(shù)據(jù)，來源于老年癡呆癥患者的三維磁共振結(jié)構(gòu)圖像。
本發(fā)明的算法流程可參考附圖1。具體實施步驟如下 1.預(yù)處理及大腦皮層表面重建 對三維大腦磁共振結(jié)構(gòu)圖像進(jìn)行去除頭骨和非大腦組織，大腦組織分割。利用 Marching Cubes算法重建幾何結(jié)果精確，拓?fù)浣Y(jié)構(gòu)正確的大腦皮層三角化內(nèi)表面(灰質(zhì)_白質(zhì)分界面)。 2.計算大腦皮層表面上頂點的相關(guān)性矩陣 利用彈性形變配準(zhǔn)算法將一組正常被試的大腦組織分割圖配準(zhǔn)待一個標(biāo)準(zhǔn)模板。 具體實施中，我們采用公開免費軟件Hammer來實現(xiàn)彈性形變配準(zhǔn)。隨后利用配準(zhǔn)過程中得 到的變形場，將個體的大腦皮層表面變形到標(biāo)準(zhǔn)模板空間。重復(fù)處理40
體數(shù)據(jù)，以構(gòu)
-組訓(xùn)練樣本集。頂點之間的結(jié)構(gòu)相關(guān)性定義為
cov(v,，v》 CO/T(V,，V.)=
，
(1) 式(1)中，Vi及Vj分別代表頂點i與j在樣本集中的觀測值；corr (Vi， Vj)為頂點 Vi與Vj之間的空間相關(guān)性；COV(Vi， Vj)為Vi與Vj之間的協(xié)方差；o i與o j分別代表Vi及 Vj的標(biāo)準(zhǔn)差。計算中，Vi及Vj分別由其x， y， z三個坐標(biāo)分量代替，相關(guān)性的取值為三個分 量的均值。 3.典型相關(guān)預(yù)測模型 典型相關(guān)分析預(yù)測模型可分為兩個主要階段訓(xùn)練與預(yù)測階段。 在訓(xùn)練階段，利用已知變量的一組觀測值X及待預(yù)測變量的一組觀測值Y，通過典
型相關(guān)分析求取X與Y的典型相關(guān)變量U和V，及其典型變換矩陣A和B :
U = XTA， V = YTB (2) 變換矩陣A與B由下式求得
^ = c》
5 = — CyyC^yC^Y J ， P
(3)
式(3)中的P與e由求解以下特征值 -1/2"
特征向量問題可得
(4)
(5)
首先利用訓(xùn)練階
式(3)及(4)中，Cxx， Cw， CXY， CYX的定義如下: Cxx = cov (X， X) ， Cyy = cov (Y， Y) ， CXY = cov (X， Y) ， CYX = CXY 式(5)中，COV( )為協(xié)方差運算符。
在預(yù)測階段，假設(shè)需要從一直變量X'來預(yù)測未知待測變量Y' 段求取的典型變換矩陣A將X'變換為典型預(yù)測向量U'，利用線性回歸模型根據(jù)U'來預(yù) 測未知向量Y'的典型相關(guān)向量V'。最后通過逆變換矩陣B—4寸V'進(jìn)行逆變換，得到Y(jié)' 的預(yù)測值。 4.因腦萎縮所致結(jié)構(gòu)形變的檢測 首先在待測被試的大腦皮層表面上選取待檢測的感興趣區(qū)域(R0I)，將位于R01
中的頂點集合V1的坐標(biāo)值視作待預(yù)測變量，而將位于ROI以外的頂點集合V2的坐標(biāo)視為
已知變量。利用步驟3中介紹的典型相關(guān)模型來預(yù)測待預(yù)測變量的期望值Vlp。在歐幾里
德空間定義頂點對之間的距離為
森-x;丫十(乃i;)2+fe - z;)2 " e n，" e np (6) 其(6)中(Xi，yi，Zi)及(x'
z'》分別為頂點Vi和其預(yù)測值V' i的三
7維坐標(biāo)值。d(Vi，V'i)為頂點Vi和V' i之間的距離，它反映了大腦皮層表面因腦萎縮帶
來的形變的大小，本發(fā)明方法中將其作為量化因腦萎縮所致結(jié)構(gòu)形變的程度的指標(biāo)。 利用模擬及真實老年癡呆癥患者的數(shù)據(jù)來衡量本發(fā)明所提出的磁共振結(jié)構(gòu)圖像
中腦結(jié)構(gòu)形變檢測的方法。 1.模擬數(shù)據(jù) 圖2為在正常大腦分割圖上模擬的腦萎縮前后一個切片的示例。圖中的紅色箭頭 所指區(qū)域存在著明顯腦萎縮。圖3給出了檢測結(jié)果。圖3(a)中為模擬萎縮前后大腦皮層 表面之間的頂點對距離，反映了模擬的腦結(jié)構(gòu)形變的程度。圖3(b)中預(yù)測得到的表面與模 擬萎縮前表面間頂點對距離，反映了預(yù)測模型的準(zhǔn)確度。從圖中可以看出，預(yù)測的誤差基本 分布在0. 7mm —下，表明基于典型相關(guān)分析的預(yù)測模型預(yù)測精度較高，能夠準(zhǔn)確的還原模 擬萎縮后大腦皮層表面的真實位置。圖3(c)中為預(yù)測得到的表面與模擬萎縮后表面間頂 點對距離，反映了本發(fā)明發(fā)放檢測到的因腦萎縮所致結(jié)構(gòu)形變的劇烈程度。與圖3(a)相比 較，可以發(fā)現(xiàn)檢測得到的結(jié)構(gòu)形變的分布與模擬的腦萎縮的分布基本符合，表明了本發(fā)明 方法的可行性。 2.老年癡呆癥患者中大腦結(jié)構(gòu)形變的檢測 在此實驗中，我們將本發(fā)明中的方法檢測到的腦結(jié)構(gòu)形變與根據(jù)已有的基于多時 間點磁共振結(jié)構(gòu)圖像的腦結(jié)構(gòu)形變檢測算法得到的結(jié)果進(jìn)行了比較。首先，應(yīng)用公開軟件 包SIENA(http:〃www. fmrib. ox. ac. uk/f sl/siena/index. html)，利用某一老年癡呆癥患 者的連續(xù)兩次磁共振結(jié)構(gòu)圖來檢測大腦結(jié)構(gòu)形變的情況。結(jié)果如圖4(a)和(b)中所示，藍(lán) 色區(qū)域為存在腦萎縮的區(qū)域。接著，應(yīng)用本發(fā)明方法，在第二個時間點的磁共振結(jié)構(gòu)圖像中 檢測腦萎縮。(c)和(d)為選取的待檢測感興趣區(qū)域。(e)和(f)中為應(yīng)用本發(fā)明方法在 感興趣區(qū)域內(nèi)檢測到的腦萎縮結(jié)果。從圖中可以看出，本發(fā)明所提出的方法在只有單時間 點磁共振結(jié)構(gòu)圖像可用的情況下，能夠成功的在感興趣區(qū)域內(nèi)檢測到因大腦萎縮的所致的 結(jié)構(gòu)形變。
權(quán)利要求
一種基于相關(guān)預(yù)測模型的磁共振圖像中檢測結(jié)構(gòu)形變的方法，其特征在于步驟如下步驟1對三維大腦核磁共振圖像進(jìn)行預(yù)處理利用可變性模型方法去除核磁共振圖像中的腦殼，利用配準(zhǔn)方法去除非核磁共振圖像中的大腦組織，利用高斯混合模型方法對核磁共振圖像中的大腦圖像進(jìn)行組織分割，得到白質(zhì)，灰質(zhì)和腦脊髓液三種組織類型表示的數(shù)字圖像；步驟2利用Marching Cubes方法從組織分割后的數(shù)字圖像中重構(gòu)三角化的、以灰質(zhì)-白質(zhì)分界面表現(xiàn)的大腦皮層內(nèi)表面的數(shù)字圖像；步驟3采用步驟1和步驟2處理一組正常的大腦核磁共振圖像，得到正常的三角化的、以灰質(zhì)-白質(zhì)分界面表現(xiàn)的大腦皮層內(nèi)表面的數(shù)字圖像；步驟4利用彈性變形配準(zhǔn)方法將步驟3中得到的一組正常的大腦皮層內(nèi)表面的數(shù)字圖像配準(zhǔn)到標(biāo)準(zhǔn)模板空間，利用 <mrow><mi>corr</mi><mrow> <mo>(</mo> <msub><mi>v</mi><mi>i</mi> </msub> <mo>,</mo> <msub><mi>v</mi><mi>j</mi> </msub> <mo>)</mo></mrow><mo>=</mo><mfrac> <mrow><mi>cov</mi><mrow> <mo>(</mo> <msub><mi>v</mi><mi>i</mi> </msub> <mo>,</mo> <msub><mi>v</mi><mi>j</mi> </msub> <mo>)</mo></mrow> </mrow> <mrow><msub> <mi>σ</mi> <mi>i</mi></msub><msub> <mi>σ</mi> <mi>j</mi></msub> </mrow></mfrac> </mrow>計算數(shù)字圖像的三角化表面上頂點之間的結(jié)構(gòu)相關(guān)性；其中vi及vj分別代表頂點i與j在樣本集中的觀測值，corr(vi，vj)為頂點vi與vj之間的空間相關(guān)性，cov(vi，vj)為vi與vj之間的協(xié)方差，σi與σj分別代表vi及vj的標(biāo)準(zhǔn)差；計算中vi及vj分別由其x，y，z三個坐標(biāo)分量代替，相關(guān)性的取值為三個分量的均值；步驟5采用步驟1和步驟2處理被測大腦的核磁共振圖像，得到被測大腦的三角化的、以灰質(zhì)-白質(zhì)分界面表現(xiàn)的大腦皮層內(nèi)表面S的數(shù)字圖像；步驟6在步驟5中得到的待測被試的大腦皮層內(nèi)表面S上待檢測區(qū)域ROI，將位于ROI中的頂點集合V1的坐標(biāo)值視作待預(yù)測變量，而將位于ROI以外的頂點集合V2的坐標(biāo)視為已知變量，利用典型相關(guān)模型來預(yù)測V1的期望值V1p，步驟如下步驟a利用V1及V2在訓(xùn)練樣本中的觀測值X及Y，通過典型相關(guān)計算X及Y的典型相關(guān)變量U＝XTA和V＝Y(jié)TB，其中變換矩陣 <mrow><mi>A</mi><mo>=</mo><msubsup> <mi>C</mi> <mi>XX</mi> <mrow><mo>-</mo><mn>1</mn><mo>/</mo><mn>2</mn> </mrow></msubsup><mi>e</mi><mo>,</mo> </mrow> <mrow><mi>B</mi><mo>=</mo><mfrac> <mn>1</mn> <mi>ρ</mi></mfrac><msubsup> <mi>C</mi> <mi>YY</mi> <mrow><mo>-</mo><mn>1</mn> </mrow></msubsup><msub> <mi>C</mi> <mi>YX</mi></msub><msubsup> <mi>C</mi> <mi>XX</mi> <mrow><mo>-</mo><mn>1</mn><mo>/</mo><mn>2</mn> </mrow></msubsup><mi>A</mi><mo>,</mo> </mrow>ρ與e由求解以下特征值-特征向量問題可得 <mrow><msubsup> <mi>C</mi> <mi>XX</mi> <mrow><mo>-</mo><mn>1</mn><mo>/</mo><mn>2</mn> </mrow></msubsup><msub> <mi>C</mi> <mi>XY</mi></msub><msubsup> <mi>C</mi> <mi>YY</mi> <mrow><mo>-</mo><mn>1</mn><mo>/</mo><mn>2</mn> </mrow></msubsup><msub> <mi>C</mi> <mi>YX</mi></msub><msubsup> <mi>C</mi> <mi>XX</mi> <mrow><mo>-</mo><mn>1</mn><mo>/</mo><mn>2</mn> </mrow></msubsup><mi>e</mi><mo>=</mo><msup> <mi>ρ</mi> <mn>2</mn></msup><mi>e</mi><mo>;</mo> </mrow>CXX，CYY，CXY，CYX定義為CXX＝cov(X，X)，CYY＝cov(Y，Y)，CXY＝cov(X，Y)，CYX＝CXY；式中COV(·)為協(xié)方差運算符；步驟b在得到變換矩陣A后，將V1變換到典型相關(guān)空間，其典型相關(guān)變量為V1′＝V1TA；在典型相關(guān)空間根據(jù)步驟4中得到的頂點結(jié)構(gòu)相關(guān)性，利用線性回歸模型預(yù)測V1p的典型相關(guān)變量V1′p；步驟c利用變換矩陣B求得V1pV1p＝(V1′p·B-1)T，用V1p替代V1，得到S的預(yù)測值S’；步驟7根據(jù)S與S的預(yù)測值S’，在歐幾里德空間計算S與S’上頂點對之間的結(jié)構(gòu)形變程度的距離指標(biāo) <mrow><mi>d</mi><mrow> <mo>(</mo> <msub><mi>v</mi><mi>i</mi> </msub> <mo>,</mo> <msubsup><mi>v</mi><mi>i</mi><mo>′</mo> </msubsup> <mo>)</mo></mrow><mo>=</mo><msqrt> <msup><mrow> <mo>(</mo> <msub><mi>x</mi><mi>i</mi> </msub> <mo>-</mo> <msubsup><mi>x</mi><mi>i</mi><mo>′</mo> </msubsup> <mo>)</mo></mrow><mn>2</mn> </msup> <mo>+</mo> <msup><mrow> <mo>(</mo> <msub><mi>y</mi><mi>i</mi> </msub> <mo>-</mo> <msubsup><mi>y</mi><mi>i</mi><mo>′</mo> </msubsup> <mo>)</mo></mrow><mn>2</mn> </msup> <mo>+</mo> <msup><mrow> <mo>(</mo> <msub><mi>z</mi><mi>i</mi> </msub> <mo>-</mo> <msubsup><mi>z</mi><mi>i</mi><mo>′</mo> </msubsup> <mo>)</mo></mrow><mn>2</mn> </msup></msqrt> </mrow>vi∈S，v′i∈S′，式中(xi，yi，zi)及(x′i，y′i，z′i)分別為頂點vi和其預(yù)測值v′i的三維坐標(biāo)值。
2. 根據(jù)權(quán)利要求1所述的方法基于相關(guān)預(yù)測模型的磁共振圖像中檢測結(jié)構(gòu)形變的方法，其特征在于步驟4中的彈性變形配準(zhǔn)算法采用文獻(xiàn)"T. Liu， D. Shen， C. Davatzikos，"Deformable registration of cortical structures via hybridvolumetric andsurface warping"， Neuro image, 22 (4) ， 1790—801 (2004)"中公布的算法。
全文摘要
本發(fā)明涉及一種基于相關(guān)預(yù)測模型的磁共振圖像中檢測結(jié)構(gòu)形變的方法，技術(shù)特征在于利用一組配準(zhǔn)到標(biāo)準(zhǔn)模板的正常被試的三角化大腦皮層表面，計算出該組表面上的頂點與其余頂點之間的結(jié)構(gòu)相關(guān)性。利用這種相關(guān)性及典型相關(guān)預(yù)測模型，可以依據(jù)不存在大腦結(jié)構(gòu)形變的正常區(qū)域的頂點位置，預(yù)測出存在大腦萎縮的區(qū)域中頂點的期望位置。比較預(yù)測模型得到的頂點位置與預(yù)測之前的頂點位置，量化大腦皮層表面因大腦萎縮所帶來變形，從而量化大腦因腦萎縮所致的結(jié)構(gòu)形變的程度。本發(fā)明相對其他方法最主要的優(yōu)點在于，能在只有單時間點的磁共振結(jié)構(gòu)圖像可用的情況下，檢測大腦結(jié)構(gòu)形變是否存在及量化結(jié)構(gòu)形變的程度。
文檔編號A61B5/055GK101739681SQ20091021948
公開日2010年6月16日 申請日期2009年12月14日 優(yōu)先權(quán)日2009年12月14日
發(fā)明者劉天明, 張拓, 李凱明, 李剛, 聶晶鑫, 胡新韜, 郭雷 申請人:西北工業(yè)大學(xué)