專利名稱：一種用于分析對(duì)象的腦圖像的方法、用于分析該圖像的計(jì)算機(jī)程序產(chǎn)品以及用于實(shí)施該 ...的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種用于分析對(duì)象的腦圖像的方法，以及用于分析 該圖的計(jì)算^/L程序產(chǎn)品以及用于實(shí)施該方法的i史備。
背景技術(shù)：
對(duì)于腦研究，特別是從組成，形態(tài)學(xué)，行為學(xué)，或者進(jìn)化角度， 對(duì)象的腦可以例如用三維或者四維圖像顯示。然后，腦圖像可被處 理和分析以辨識(shí)出與測(cè)量的圖像數(shù)據(jù)相對(duì)應(yīng)的、代表了腦的解剖學(xué) 特征或功能特征的可靠的特征。
在特定應(yīng)用中多個(gè)對(duì)象的腦圖像可根據(jù)圖像數(shù)據(jù)被彼此區(qū)別開 或被分類為不同組。例如，上述方法可以用來(lái)將其中的數(shù)據(jù)指示了 該腦患有阿爾茨海默病(Alzheimer)的圖像與其中的數(shù)據(jù)指示了該 腦患有輕度認(rèn)知障礙(Mild Cognitive Impairment (MCI))或者其中的 數(shù)據(jù)指示了腦處于健康狀態(tài)的圖像區(qū)別開來(lái)。
已知的處理分析圖像的方法可能由人工或自動(dòng)地將腦分割為感 興趣區(qū)域(Regions of interest, ROIs)，進(jìn)行容量分析，例如，測(cè)量 選擇的感興趣區(qū)域的容量，這樣，圖像數(shù)據(jù)就是感興趣區(qū)域的容量。
此外，從文獻(xiàn)US-2006/0104494也可以獲知為實(shí)施一種采集有 多個(gè)對(duì)象的圖像數(shù)據(jù)的方法，需要選擇感興趣區(qū)域且為感興趣區(qū)域 計(jì)算空間容量和亮度(intensity)的數(shù)據(jù)。該空間容量和亮度的數(shù)據(jù) 對(duì)于一個(gè)對(duì)象的感興趣區(qū)域圖像和所有對(duì)象感興趣區(qū)域圖像的均值 是不同的。
在下述文獻(xiàn) 《 A region-of國(guó)interest (ROI) template for three-dimensional stereostatic surface projection images (3D-SSP):Initial application to analysis of Alzheimer disease and mild cognitive impairments, KUBOTA， USHIJIMA, NISHIMURA, International congress series, Vol.1290, 2006 (三維立體靜態(tài)表面投影圖像 (3D-SSP)的感興趣區(qū)域(ROI)模板:初步應(yīng)用于分析阿爾茨海默 病和輕度認(rèn)知障礙)中，在3個(gè)三維立體靜態(tài)(stereostatic )表面投 影的Z分值(Z-score)圖像上疊加了 一種感興趣區(qū)域模板以獲取感 興趣區(qū)域的Z分值。
已知方法中，圖像分析集中于已知與被檢索的解剖學(xué)特征或功 能特征相關(guān)的所選擇的感興趣區(qū)域。因此，測(cè)量圖像數(shù)據(jù)以及后續(xù) 的區(qū)分或者分類則在根據(jù)被檢索的腦的解剖學(xué)特征或功能特征所選 出的特定的感興趣區(qū)域上執(zhí)行。
另外，基于在對(duì)象的腦圖像和群體的多個(gè)腦圖像之間的比較的 已知方法，無(wú)法給出一個(gè)準(zhǔn)確和客觀的重要的感興趣區(qū)域的選擇。
而且，由于上述方法的腦圖像的收集需要在相同條件下使用相 同設(shè)備以及相同的設(shè)置以產(chǎn)生可能的區(qū)別和比較，所以，已知方法 的可重復(fù)性差，甚至是不可靠的。
發(fā)明內(nèi)容
本發(fā)明目的在于解決上述缺陷。
為此，本發(fā)明涉及一種用于分析對(duì)象的腦圖像的方法，包括 -收集對(duì)象的至少三個(gè)維度的腦圖像；
-以一種自動(dòng)方式將圖像分割為反映該腦的特點(diǎn)的腦的自然參 考系 (brain native reference frame characteristic of said brain )的感興 趣區(qū)域；該圖像被采樣為多個(gè)體素(voxel),每個(gè)體素被分配給在 上述腦的自然參考系中的一個(gè)感興趣區(qū)域；
-對(duì)于每個(gè)感興趣區(qū)域，以一種自動(dòng)方式，基于在圖像上測(cè)得的 圖像數(shù)據(jù)，確定至少一個(gè)判別值，上述圖像數(shù)據(jù)代表了腦的一個(gè)解 剖學(xué)特征或者功能特征，對(duì)于每個(gè)感興趣區(qū)域，該判別值的確定包 括-基于為每個(gè)體素測(cè)得的所述圖像數(shù)據(jù)，計(jì)算至少一個(gè)與圖像數(shù)
據(jù)相關(guān)的相對(duì)參數(shù)；
-從上述相對(duì)參數(shù)中建立判別值，
所以，每個(gè)判別值與其他感興趣區(qū)域的判別值是相對(duì)的。
因此，該方法在整個(gè)腦上執(zhí)行，且在將圖像分割為多個(gè)感興趣 區(qū)域后，為每個(gè)感興趣區(qū)域提供了一個(gè)客觀和準(zhǔn)確的判別值。因在 腦的自然參考系中執(zhí)行所述分割，該方法的準(zhǔn)確度大大地增加。
基于該方法進(jìn)行的圖像的區(qū)分或分類則更加高效以及更接近于 解剖學(xué)特征或者功能特征的真實(shí)情況。每個(gè)感興趣區(qū)域的圖像數(shù)據(jù) 可能被考慮以及所有與被檢索的特征相關(guān)的所有重要的感興趣區(qū)域 也要被考慮。
并且，由于判別值是相對(duì)的，所以，該值不依賴于圖像收集設(shè) 備的設(shè)置。因此本方法是可靠的和易于重復(fù)的，以及可被用于分析 從不同設(shè)備或者在不同設(shè)置參數(shù)下收集的圖像。
具體實(shí)施例方式
在一個(gè)實(shí)施方式中，分割可包括
-對(duì)圖像的歸一化處理，每個(gè)體素被分配至通用參考系中的感興 趣區(qū)域分割的公用才莫板中的 一 個(gè)感興趣區(qū)域；
-對(duì)上述感興趣區(qū)域分割的模板應(yīng)用非線性變換。
該非線性變換可包括
-歸一化處理的逆變換計(jì)算，
-對(duì)所述感興趣區(qū)域分割的模板應(yīng)用所述逆變換。
判別值的確定可包括對(duì)每個(gè)感興趣區(qū)域，計(jì)算與圖像數(shù)據(jù)相 關(guān)的多個(gè)相對(duì)參數(shù)，并從上述相對(duì)參數(shù)的組合中建立判別值。
在一個(gè)具體的實(shí)施例中，確定所述判別值可包括對(duì)每個(gè)感興 趣區(qū)域，根據(jù)所述體素的圖像數(shù)據(jù)識(shí)別體素組，可使用例如應(yīng)用于 所述體素的概率模型進(jìn)行所述識(shí)別體素組的步驟。
然后，可對(duì)一個(gè)體素組中的體素計(jì)算所述相對(duì)參數(shù)。相對(duì)參數(shù)可包括一組體素相對(duì)于其他組體素的相對(duì)權(quán)重。 上述相對(duì)參數(shù)可包括與體素的圖像數(shù)據(jù)相關(guān)的統(tǒng)計(jì)參數(shù)。 例如，圖像數(shù)據(jù)可包括亮度級(jí)別。
本方法可進(jìn)一步包括確定與所述感興趣區(qū)域的相對(duì)判別值相關(guān) 的至少一個(gè)重要的感興趣區(qū)域。
然后，可以在多個(gè)對(duì)象的腦上執(zhí)行收集圖像、分割圖像、為每 個(gè)感興趣區(qū)域確定相對(duì)判別值，通過(guò)對(duì)相對(duì)判別值的統(tǒng)計(jì)分析，可 評(píng)估相對(duì)判別值的判別能力。
本方法可進(jìn)一步包括根據(jù)重要的感興趣區(qū)域的相對(duì)判別值進(jìn)行 圖像分類。
根據(jù)本發(fā)明的另 一 方面，發(fā)明涉及 一 個(gè)用于分析對(duì)象的腦圖像 的計(jì)算機(jī)程序產(chǎn)品，所述計(jì)算機(jī)程序產(chǎn)品被存儲(chǔ)于計(jì)算機(jī)可讀的載
體上且包括多個(gè)指令，該指令可被執(zhí)行以使得處理器
-將對(duì)象的腦的至少三維的圖像以自動(dòng)方式分割為反映該腦的特點(diǎn)
的腦自然參考系中的感興趣區(qū)域，所述圖像被采樣成多個(gè)體素，圖
像的每個(gè)體素被分配給在腦自然參考系中的的一個(gè)感興趣區(qū)域， -對(duì)于每個(gè)感興趣區(qū)域，以一種自動(dòng)方式，基于在圖像上測(cè)得的圖 像數(shù)據(jù)，確定至少一個(gè)判別值，上述圖像數(shù)據(jù)代表了腦的一個(gè)解剖 學(xué)特征或者功能特征，可被執(zhí)行以使得處理器確定判別值的指令也 可被執(zhí)行以使得處理器，對(duì)每個(gè)感興趣區(qū)域
-基于所述為每個(gè)體素測(cè)得的圖像數(shù)據(jù)，計(jì)算與圖像數(shù)據(jù)相關(guān)的 至少一個(gè)相對(duì)參數(shù)，
-從相對(duì)參數(shù)建立判別值，
因此，每個(gè)判別值與其他感興趣區(qū)域的判別值是相對(duì)的。
在一個(gè)實(shí)施例中，可被執(zhí)行以使處理器分割圖像的指令也可被 執(zhí)行以使處理器
-歸一化處理圖像，每個(gè)體素被分配給在通用參考系中的感興趣 區(qū)域分割的公用模板中的 一 個(gè)感興趣區(qū)域；
-對(duì)上述感興趣區(qū)域分割的模板應(yīng)用非線性變換。
9可被執(zhí)行以使處理器應(yīng)用非線性變換的指令也可以被執(zhí)行以使
處理器
-計(jì)算歸一化處理的逆變換。
-對(duì)所述感興趣區(qū)域分割的模板應(yīng)用所述逆變換。
可被執(zhí)行以使處理器確定判決值的指令也可以被執(zhí)行以使處理 器對(duì)每個(gè)感興趣區(qū)域，計(jì)算與圖像數(shù)據(jù)相關(guān)的多個(gè)相對(duì)參數(shù)，并從 上述相對(duì)參數(shù)的組合中建立判別值。
在一個(gè)具體的實(shí)施方式中，可被執(zhí)行以使處理器確定判決值的 指令也可以被執(zhí)行以使處理器對(duì)每個(gè)感興趣區(qū)域，根據(jù)所述體素的 圖像數(shù)據(jù)識(shí)別體素組，可被執(zhí)行以使處理器識(shí)別體素組的指令，也 可以，例如，被執(zhí)行以使處理器對(duì)所述體素應(yīng)用概率模型。
可被執(zhí)行以使處理器計(jì)算相對(duì)參數(shù)的指令也可以被執(zhí)行以使處 理器為一個(gè)體素組中的體素計(jì)算相對(duì)參數(shù)。
所述計(jì)算機(jī)程序產(chǎn)品可進(jìn) 一 步包括可被執(zhí)行以使處理器確定與 所述感興趣區(qū)域的相對(duì)判別值相關(guān)的至少一個(gè)重要的感興趣區(qū)域的 指令。
被執(zhí)行以使處理器分割圖像并為每個(gè)感興趣區(qū)域確定相對(duì)判另'J 值的指令也可使處理器為多個(gè)對(duì)象的腦圖像執(zhí)行所述指令，計(jì)算機(jī) 程序產(chǎn)品可進(jìn) 一 步包括可被執(zhí)行以使處理器通過(guò)對(duì)相對(duì)判另'J值的統(tǒng)
計(jì)分析，評(píng)估相對(duì)判別值的判別能力的指令。
計(jì)算機(jī)程序產(chǎn)品可進(jìn) 一 步包括可被執(zhí)行以使處理器可根據(jù)該重
要的感興趣區(qū)域的相對(duì)判別值對(duì)圖像進(jìn)行分類的指令。
根據(jù)本發(fā)明的另 一方面，本發(fā)明涉及一種用于實(shí)施上述定義的 方法的設(shè)備，包括
- 適用于收集對(duì)象的腦的至少三維的圖像的收集裝置，
- 存儲(chǔ)上述定義的計(jì)算機(jī)程序產(chǎn)品的載體，
- 配置有處理器并適用于讀取所述載體的計(jì)算機(jī)。 本發(fā)明的其他目的和優(yōu)點(diǎn)將在下述內(nèi)容中被公開。
為了研究一個(gè)或多個(gè)對(duì)象的腦，例如，為了識(shí)別腦部病理學(xué)或疾病，本發(fā)明提出了一種用于分析腦圖像的改進(jìn)方法。
實(shí)際上，腦圖像可根據(jù)在每一個(gè)圖像上測(cè)得的圖像數(shù)據(jù)被分類，并代表一個(gè)病理學(xué)或疾病的解剖學(xué)特征或者功能特征。那么，就有可能將顯示了所述病理學(xué)或疾病的圖像與其他圖像區(qū)別開。在一個(gè)具體實(shí)施方式
中，相關(guān)的病理學(xué)可能是阿爾茨海默病，且可以使用圖像區(qū)別開那些具有代表阿爾茨海默病的圖像數(shù)據(jù)的圖像，具有代表輕度認(rèn)知障礙的圖像數(shù)據(jù)的圖像，以及那些具有代表健康腦部的圖像數(shù)據(jù)的圖像。
根據(jù)本發(fā)明的方法對(duì)全腦進(jìn)行分析，從而客觀準(zhǔn)確地辨別部位，該部位中的圖像數(shù)據(jù)顯示了該部位在進(jìn)行腦特征以及腦特征進(jìn)化的
研究中應(yīng)予以考慮。
用于分析對(duì)象的腦圖像的方法，包括下述連續(xù)執(zhí)行的步驟-收集在對(duì)象的腦的至少三個(gè)維度中的圖像；-將該圖像分割為感興趣區(qū)域；
-對(duì)于每個(gè)感興趣區(qū)域，以一種自動(dòng)方式，基于在圖像上測(cè)得的圖像數(shù)據(jù)確定至少一個(gè)判別值，上述判別值與其他感興趣區(qū)域的判別值是相對(duì)的。
可以采用任何已知方式收集腦圖像。方法中使用的圖像可以是三維或者四維圖像，這樣使得液體循環(huán)或者擴(kuò)散過(guò)程也可以成像。
例如，可使用核磁共振成像(MRI)進(jìn)行圖像的收集，例如解剖學(xué)的Tl加權(quán)的核磁共振成像或者T2加權(quán)的磁共振成像。也可以使用擴(kuò)散和灌注加權(quán)的成像，這種方式可以提供血液循環(huán)信息，或功能性核磁共振成像，這種方式中的磁阻力信號(hào)強(qiáng)度(MagneticResistance signal intensity ) 可使毛纟田血管流和血氧 (bloodoxygenation)的波動(dòng)成像。另外，PET可被用于收集圖像，此時(shí)例如葡萄糖機(jī)制可以成像。也可通過(guò)彌散張量成像的方式(diffusiontensor imaging (DTI))收集圖像，這種方式可允許對(duì)水的移動(dòng)成像以及測(cè)量水運(yùn)動(dòng)的速率和方向。
可使用例如一個(gè)配置有合適的程序的計(jì)算機(jī)，以自動(dòng)的方式將
ii圖像分割成多個(gè)感興趣區(qū)域。
分割的第一步中，對(duì)圖像進(jìn)行歸一化處理，即在一個(gè)通用參考系中進(jìn)行變換，圖像被采樣成體素，每個(gè)體素被分配給感興趣區(qū)域分割的公共模板中的 一個(gè)感興趣區(qū)域。
感興趣區(qū)域分割的適用模板的一個(gè)例子是通用MNI參考系中的Tzourio-Mazoyer模板(《Automated Anatomical Labeling of Activationsin SPM Using a Macroscopic Anatomical Parcellation of the MNI MRISingle-Subject Brain , N. TZOURIO-MAZOYER et al"臉,/歸ge,vol.15, 273-289, January 2002，使用MNI MRI單一對(duì)象的腦的宏觀的解剖學(xué)分割方法、在SPM中的激活的自動(dòng)的解剖學(xué)標(biāo)簽)，該模板定義了一個(gè)例如數(shù)值為116或90的感興趣區(qū)域的掩碼(mask),該掩碼獲取自蒙特利爾神經(jīng)學(xué)院(Montreal Neurological Institute (MNI))的單一對(duì)象，在通用的MNI參考系中。使用例如程序的"歸一化"函數(shù)將掩碼應(yīng)用于圖像，這樣，每個(gè)圖像可在MNI參考系中被歸一化。
為了增加本方法的準(zhǔn)確性，在反映上述腦的特點(diǎn)的腦自然參考系中進(jìn)行分割動(dòng)作。為達(dá)到此目的，歸一化處理之后，分割可包括應(yīng)用非線性變換，其中包括
-計(jì)算歸一化處理的逆變換，
-所述逆變換被應(yīng)用于感興趣區(qū)域分割的模板，因此圖像的每個(gè)體素被分配給腦自然參考系中的一個(gè)感興趣區(qū)域。
在歸 一 化的變換期間，將 一 個(gè)作用于圖像上的變形域存于計(jì)算機(jī)中，然后被程序逆變換。將逆變形區(qū)應(yīng)用于感興趣區(qū)域分割的模板提供了在腦自然參考系中分割感興趣區(qū)域。
下述內(nèi)容揭露了一種分析解剖學(xué)的Tl加權(quán)的核磁共振成像(MRI)的方法，將在MRI圖中全腦的每個(gè)感興趣區(qū)域中的灰質(zhì)分布作為腦的解剖學(xué)特征在檢測(cè)阿爾茨海默病的背景下進(jìn)行研究。
然而，應(yīng)該注意，依靠圖像分析的應(yīng)用，使用本發(fā)明的改進(jìn)的方法，可利用對(duì)應(yīng)的圖像數(shù)據(jù)觀察和研究任何其他解剖學(xué)或功能特征。
在具體的實(shí)施方式中，可基于作為圖像數(shù)據(jù)的體素的亮度級(jí)別，
特別是灰度(grey intensity)級(jí)別確定判別值。
然后，腦圖像被分割為感興趣區(qū)域之后，每個(gè)感興趣區(qū)域的判別值可通過(guò)下列方式確定
- 基于為每個(gè)體素測(cè)得的亮度級(jí)別計(jì)算一個(gè)或多個(gè)與亮度級(jí)別相關(guān)的相對(duì)參數(shù)，
- 根據(jù)相對(duì)參數(shù)或其組合建立判別值，因?yàn)橄鄬?duì)參數(shù)是對(duì)每個(gè)感興趣區(qū)域的體素而不是整個(gè)腦的體素
計(jì)算而得到，所以為感興趣區(qū)域分割之后的每個(gè)感興趣區(qū)域所確定
的判別值提高了本方法的準(zhǔn)確度。
在具體實(shí)施方式
中，判別值的確定包括，對(duì)每個(gè)感興趣區(qū)域，根據(jù)所述體素的亮度級(jí)別識(shí)別體素組。
例如，在經(jīng)上述描述步驟分割的Tl加權(quán)的核磁共振成像上，可繪制每個(gè)感興趣區(qū)域中的體素亮度級(jí)別的柱狀圖。該柱狀圖顯示了對(duì)應(yīng)于三種腦組織的三種模式。應(yīng)用于體素的一種概率模型被用以識(shí)別體素組。所應(yīng)用的適當(dāng)?shù)母怕誓Ｐ偷囊粋€(gè)例子是用于分開混合高斯(mixture of Gaussians )的算法
,承N",of) + a2 *>^2，(722) + 0;3 *N(//3,cr32)
其中，"'是屬于高斯(Gaussian) i的體素的相對(duì)權(quán)重，
"是高斯i的均值，是高斯i的標(biāo)準(zhǔn)差，
這樣，就可以識(shí)別三個(gè)高斯并且可以為每個(gè)感興趣區(qū)域的每個(gè)體素分配一個(gè)屬于三種高斯之一的概率，上述三種高斯對(duì)應(yīng)于三種腦組織灰質(zhì)，白質(zhì)和腦脊液。
因此，屬于灰質(zhì)的、屬于白質(zhì)的或者屬于腦脊液的每個(gè)感興趣區(qū)域的體素是可識(shí)別的。
進(jìn)而，對(duì)每個(gè)感興趣區(qū)域，用于分開混合高斯的算法提供了下列相對(duì)參凄史-統(tǒng)計(jì)參數(shù)，例如，與體素相關(guān)的亮度級(jí)別的均值和標(biāo)準(zhǔn)差，-每個(gè)體素組相對(duì)于其他體素組的相對(duì)權(quán)重。
然而，應(yīng)當(dāng)注意到，根據(jù)收集的圖像的種類以及觀察的解剖學(xué)或功能特征，也可以考慮例如感興趣區(qū)域的容量，氧/血/水在每個(gè)感興趣區(qū)域的循環(huán)之類的其他的相對(duì)參數(shù)。
因此，在考慮上述感興趣區(qū)域的所有體素的亮度級(jí)別的情況下，為每個(gè)感興趣區(qū)域進(jìn)行相對(duì)參數(shù)的計(jì)算以及后續(xù)的判別值的確定，從而，判別值就代表了該感興趣區(qū)域。可以對(duì)三組之一的體素，尤其是灰質(zhì)的體素，進(jìn)行判別值的確定。
在一個(gè)例子中，可以，例如以如下方式，確定兩個(gè)判別j直
-相對(duì)于白質(zhì)和腦脊液的灰質(zhì)的相對(duì);〖又重"以及*二
-灰質(zhì)的"^值。
然后，可以評(píng)估所述相對(duì)判別值的判別能力。為此，可對(duì)多個(gè)對(duì)象的腦進(jìn)行上述的用于分析對(duì)象的腦圖像的方法，從而可對(duì)相對(duì)判別值進(jìn)行統(tǒng)計(jì)分析以評(píng)估上述的判別能力。
x _ *三
例如，可進(jìn)行一次學(xué)生的測(cè)試，對(duì)每個(gè)區(qū)域，可得到值 A
(或值x = )的分布對(duì)第一組對(duì)象，上述值具有典型的解剖學(xué)的或功能特征，本例中為典型的灰質(zhì)分布，即，為健康的對(duì)象，對(duì)第二組對(duì)象，上述值具有病態(tài)(troubled)的解剖學(xué)的或功能特征，本例中是一個(gè)病態(tài)的灰質(zhì)分布，即對(duì)象患有阿爾茨海默病。以如下方式來(lái)定義測(cè)試T:
其中
x"cu是對(duì)第一對(duì)象i的X值，又c"是對(duì)第 一組對(duì)象的X值的均值，\，是對(duì)第二對(duì)象i的X值，又MA是對(duì)第二組對(duì)象的X值的均值，
《ti = Z!i(Xi,cti -Xcu)2
14SLa -L(Xi,ma -XmA)2
nctl是第一組對(duì)象的數(shù)量， n畫是第二組對(duì)象的數(shù)量。
對(duì)每個(gè)感興趣區(qū)域，可在第 一組對(duì)象和第二組對(duì)象的判別值明 顯不同處定義一個(gè)閾值。
根據(jù)應(yīng)用，本方法可進(jìn)一步包括確定至少一個(gè)與所述感興趣區(qū) 域的相對(duì)判別值相關(guān)的重要的感興趣區(qū)域，以及利用例如支持向量
機(jī)(Support Vector Machine)算法，根據(jù)該重要的感興趣區(qū)域的相 對(duì)判別值對(duì)圖像進(jìn)行分類。
本方法對(duì)于每個(gè)感興趣區(qū)域，都作用于全腦，因此，可以無(wú)偏 見(jiàn)地考慮到每個(gè)重要的感興趣區(qū)域。進(jìn)而，因?yàn)槊總€(gè)感興趣區(qū)域的 判別值都是基于上述感興趣區(qū)域的每個(gè)體素的圖像數(shù)據(jù)被確定，尤 其是基于亮度級(jí)別，且每個(gè)感興趣區(qū)域的判別值與其他感興趣區(qū)域 的判別值是相對(duì)的，因此可以對(duì)圖像進(jìn)行準(zhǔn)確、客觀的分類。
上述描述的方法可以通過(guò)使用一種設(shè)備以自動(dòng)方式執(zhí)行，該設(shè) 備包括
-適用于收集上述類型的腦圖像的收集裝置，尤其是T1加權(quán)的
核磁共振成像，
-存儲(chǔ)用于分析對(duì)象的腦圖像的計(jì)算機(jī)程序產(chǎn)品的載體，
-配置有處理器并適用于讀取所述載體的計(jì)算機(jī)。
因?yàn)槿X的每個(gè)感興趣區(qū)域的判別值都是相對(duì)的，對(duì)圖像的收
集可運(yùn)行于任一個(gè)收集裝置上，同時(shí)，收集裝置的設(shè)置可不同。 計(jì)算機(jī)程序包括可被運(yùn)行的指令以使得處理器 -自動(dòng)地將對(duì)象的腦圖像分割成反映所述腦的特點(diǎn)的腦自然參
考系中的感興趣區(qū)域(ROI),
-對(duì)于每個(gè)感興趣區(qū)域，自動(dòng)地基于在圖像上測(cè)得的圖像數(shù)據(jù)，
例如亮度級(jí)別，確定至少一個(gè)判別值，尤其是"A或《，上述亮度 級(jí)別代表了腦中灰質(zhì)的分布，每個(gè)判別值都與其他感興趣區(qū)域的判 別值是相對(duì)而言的。如上所指出，可被執(zhí)行以使處理器分割圖像的指令也可被執(zhí)行
以使得處理器
- 歸一化處理圖像，圖像被采樣為體素，每個(gè)體素被分配以一個(gè) 通用參考系中的MNI單一對(duì)象的感興趣區(qū)域分割的公用模板中 的感興趣區(qū)域， - 進(jìn)行非線性變換，且特別地
-進(jìn)行歸一化處理的逆變換的計(jì)算。
-對(duì)所述感興趣區(qū)域分割的模板應(yīng)用所述逆變換，圖像的每個(gè)體 素被分配給腦自然參考系中的一個(gè)感興趣區(qū)域。
另外，可被執(zhí)行以使處理器確定判決值的指令也可以被執(zhí)行以 使處理器
-計(jì)算一個(gè)或多個(gè)相對(duì)參數(shù)，該相對(duì)參數(shù)與基于為每個(gè)體素測(cè)得 的灰度級(jí)別的圖像數(shù)據(jù)相關(guān)，例如在每個(gè)感興趣區(qū)域中的灰質(zhì)的相 對(duì)權(quán)重，每個(gè)感興趣區(qū)域的體素的亮度級(jí)別的均值和標(biāo)準(zhǔn)差，
-從上述相對(duì)參數(shù)或者上述相對(duì)參數(shù)的組合中建立判別值，
-需要時(shí)，使處理器對(duì)每個(gè)感興趣區(qū)域，根據(jù)所述體素的亮度級(jí) 別，例如通過(guò)執(zhí)行用于分離混合高斯的算法識(shí)別體素組，尤其是那 些屬于灰質(zhì)的，屬于白質(zhì)的或者屬于的腦脊液的體素組。
根據(jù)上面描述的實(shí)施方式，可被執(zhí)行以使處理器計(jì)算所述相對(duì) 參數(shù)的指令也可以被執(zhí)行以使處理器為灰質(zhì)的體素計(jì)算相對(duì)參數(shù)。
計(jì)算機(jī)程序產(chǎn)品進(jìn) 一 步包括用以確定與所述感興趣區(qū)域的相對(duì)
判別值相關(guān)的至少 一個(gè)重要的感興趣區(qū)域的指令。
可被執(zhí)行以使處理器分割圖像以及為每個(gè)感興趣區(qū)域確定相對(duì) 判別值的指令可使處理器對(duì)多個(gè)對(duì)象的腦圖像運(yùn)行上述指令，從而， 該計(jì)算機(jī)程序產(chǎn)品進(jìn) 一 步包括可以被執(zhí)行以使處理器評(píng)估上述相對(duì)
判別值的判別能力的指令。
上述計(jì)算機(jī)程序產(chǎn)品可以包括使處理器根據(jù)重要的感興趣區(qū)域 的相對(duì)判別值對(duì)圖像進(jìn)行分類的指令。
上述的使用計(jì)算機(jī)程序產(chǎn)品的設(shè)備提高了對(duì)于重要的感興趣區(qū)域的選擇的客觀性以及分割和確定判別值的準(zhǔn)確性，從而能更好地 表示出腦的特4正。
權(quán)利要求
1.一種用于分析對(duì)象的腦圖像的方法，包括-收集對(duì)象的至少三個(gè)維度的腦圖像；-以自動(dòng)方式將所述圖像分割為在反映所述腦的特點(diǎn)的腦自然參考系中的感興趣區(qū)域，所述圖像被采樣為體素，每個(gè)體素被分配給在所述腦的自然參考系中的一個(gè)感興趣區(qū)域，-對(duì)于每個(gè)感興趣區(qū)域，以自動(dòng)方式，基于在所述圖像上測(cè)得的圖像數(shù)據(jù)，確定至少一個(gè)判別值，所述圖像數(shù)據(jù)代表了腦的解剖學(xué)特征或者功能特征，對(duì)每個(gè)感興趣區(qū)域，所述判別值的確定包括-基于為每個(gè)體素測(cè)得的所述圖像數(shù)據(jù)，計(jì)算與所述圖像數(shù)據(jù)相關(guān)的至少一個(gè)相對(duì)參數(shù)，-根據(jù)所述相對(duì)參數(shù)建立所述判別值，從而每個(gè)判別值與其他感興趣區(qū)域的判別值是相對(duì)的。
2. 根據(jù)權(quán)利要求1所述的方法，其中所述分割包括-歸一化處理所述圖像，每個(gè)體素被分配至通用參考系中的感興 趣區(qū)域分割的公用模板中的 一個(gè)感興趣區(qū)域，-對(duì)所述感興趣區(qū)域分割的所述模板應(yīng)用非線性變換。
3. 根據(jù)權(quán)利要求2所述的方法，其中所述非線性變換包括 -計(jì)算所述歸一化處理的逆變換，-對(duì)所述感興趣區(qū)域分割的模板應(yīng)用所述逆變換。
4. 根據(jù)權(quán)利要求1至3中任一項(xiàng)所述的方法，其中所述判別值 的確定包括對(duì)每個(gè)感興趣區(qū)域，計(jì)算與所述圖像數(shù)據(jù)相關(guān)的多個(gè) 相對(duì)參數(shù)，并從所述相對(duì)參數(shù)的組合中建立所述判別值。
5. 根據(jù)權(quán)利要求1至4中任一項(xiàng)所述的方法，其中所述確定判 別值包括對(duì)每個(gè)感興趣區(qū)域，根據(jù)所述體素的所述圖像數(shù)據(jù)識(shí)別 體素組。
6. 根據(jù)權(quán)利要求5所述的方法，其中所述識(shí)別體素組是使用應(yīng) 用于所述體素的概率模型進(jìn)行。
7. 根據(jù)權(quán)利要求5或6所述的方法，其中所述相對(duì)參數(shù)的計(jì)算 是對(duì)一個(gè)體素組中的體素進(jìn)行。
8. 根據(jù)權(quán)利要求5至7中任一項(xiàng)所述的方法，其中所述相對(duì)參 數(shù)包括一組體素相對(duì)于其他組體素的相對(duì)權(quán)重。
9. 根據(jù)權(quán)利要求1至8中任一項(xiàng)所述的方法，其中所述相對(duì)參 數(shù)包括與所述體素的所述圖像數(shù)據(jù)相關(guān)的統(tǒng)計(jì)參數(shù)。
10. 根據(jù)權(quán)利要求1至9中任一項(xiàng)所述的方法，其中所述圖像數(shù) 據(jù)包括亮度級(jí)別。
11. 根據(jù)權(quán)利要求1至10中任一項(xiàng)所述的方法，還包括確定與 所述感興趣區(qū)域的所述相對(duì)判別值相關(guān)的至少一個(gè)重要的感興趣區(qū) 域。
12. 根據(jù)權(quán)利要求11所述的方法，其中，對(duì)多個(gè)對(duì)象的腦收集 所述圖像，分割所述圖像，為每個(gè)感興趣區(qū)域確定所述相對(duì)判別值， 通過(guò)對(duì)所述相對(duì)判別值的統(tǒng)計(jì)分析，評(píng)估所述相對(duì)判別值的判別能 力。
13. 根據(jù)權(quán)利要求12所述的方法，還包括根據(jù)所述重要的感 興趣區(qū)域的所述相對(duì)判別值對(duì)所述圖像進(jìn)行分類。
14. 一種用于分析對(duì)象的腦圖像的計(jì)算機(jī)程序產(chǎn)品，所述計(jì)算機(jī) 程序產(chǎn)品存儲(chǔ)于計(jì)算機(jī)可讀的載體中且包括指令，所述指令能被執(zhí) 行以使得處理器-將對(duì)象的腦的至少三維的圖像以自動(dòng)方式分割為反映所述腦 的特點(diǎn)的腦自然參考系中的感興趣區(qū)域，所述圖像被采樣成多個(gè)體 素，所述圖像的每個(gè)體素被分配給所述腦自然參考系中的一個(gè)感興 趣區(qū)域，-對(duì)于每個(gè)感興趣區(qū)域，以自動(dòng)方式，基于在所述圖像上測(cè)得的 圖像數(shù)據(jù)，確定至少一個(gè)判別值，所述圖像數(shù)據(jù)代表了腦的解剖學(xué) 特征或功能特征，所述能被執(zhí)行以使得處理器確定判別值的指令也 能被執(zhí)行以使得處理器對(duì)每個(gè)感興趣區(qū)域進(jìn)行-基于為每個(gè)體素測(cè)得的所述圖像數(shù)據(jù)，計(jì)算與所述圖像數(shù)據(jù)相關(guān)的至少 一 個(gè)相對(duì)參數(shù)，- 根據(jù)所述相對(duì)參數(shù)建立所述判別值， 從而每個(gè)判別值與其他感興趣區(qū)域的判別值是相對(duì)的。
15. 根據(jù)權(quán)利要求14所述的計(jì)算機(jī)程序產(chǎn)品，其中，所述能被 執(zhí)行以使所述處理器分割圖像的指令也能被執(zhí)行以使所述處理器- 對(duì)所述圖像作歸一化處理，每個(gè)體素被分配給通用參考系中的 感興趣區(qū)域分割的公用模板中的一個(gè)感興趣區(qū)域，- 對(duì)所述感興趣區(qū)域分割的模板應(yīng)用非線性變換。
16. 根據(jù)權(quán)利要求15所述的計(jì)算機(jī)程序產(chǎn)品，其中，所述能被執(zhí)行以使所述處理器應(yīng)用非線性變換的指令也能被執(zhí)行以使所述處理器-計(jì)算所述歸一化處理的逆變換，-對(duì)所述感興趣區(qū)域分割的模板應(yīng)用所述逆變換。
17. 根據(jù)權(quán)利要求14至16中任一項(xiàng)所述的計(jì)算機(jī)程序產(chǎn)品，其 中，所述能被執(zhí)行以使所述處理器確定所述判決值的指令也能被執(zhí) 行以使所述處理器對(duì)每個(gè)感興趣區(qū)域，計(jì)算與所述圖像數(shù)據(jù)相關(guān)的 多個(gè)相對(duì)參數(shù)，并從所述相對(duì)參數(shù)的組合中建立所述判別值。
18. 根據(jù)權(quán)利要求14至17中任一項(xiàng)所述的計(jì)算機(jī)程序產(chǎn)品，其 中，所述能被執(zhí)行以使所述處理器確定所述判決值的指令也能被執(zhí) 行以使所述處理器根據(jù)所述體素的圖像數(shù)據(jù)，為每個(gè)感興趣區(qū)域識(shí) 別體素組。
19. 根據(jù)權(quán)利要求18所述的計(jì)算機(jī)程序產(chǎn)品，其中，所述能被 執(zhí)行以使所述處理器識(shí)別體素組的指令也能被執(zhí)行以使所述處理器 對(duì)所述體素應(yīng)用概率模型。
20. 根據(jù)權(quán)利要求18或19所述的計(jì)算機(jī)程序產(chǎn)品，其中，所述 能被執(zhí)行以使所述處理器計(jì)算所述相對(duì)參數(shù)的指令也能被執(zhí)行以使 所述處理器對(duì)一個(gè)體素組中的體素計(jì)算所述相對(duì)參數(shù)。
21. 根據(jù)權(quán)利要求14至20中任一項(xiàng)所述的計(jì)算機(jī)程序產(chǎn)品，還 包括能被執(zhí)行以使所述處理器確定與所述感興趣區(qū)域的所述相對(duì)判別值相關(guān)的至少一個(gè)重要的感興趣區(qū)域的指令。
22. 根據(jù)權(quán)利要求21所述的計(jì)算機(jī)程序產(chǎn)品，其中，能被執(zhí)行 以使所述處理器分割所述圖像以及為每個(gè)感興趣區(qū)域確定所述相對(duì) 判別值的指令能使處理器對(duì)多個(gè)對(duì)象的腦圖像運(yùn)行所述指令，所述 計(jì)算機(jī)程序產(chǎn)品還包括能被執(zhí)行以使所述處理器通過(guò)對(duì)所述相對(duì)判 別值的統(tǒng)計(jì)分析對(duì)所述相對(duì)判別值的判別能力進(jìn)行評(píng)估的指令。
23. 根據(jù)權(quán)利要求22所述的計(jì)算機(jī)程序產(chǎn)品，還包括能被運(yùn)行 以使處理器根據(jù)所述重要的感興趣區(qū)域的所述相對(duì)判別值對(duì)所述圖 像進(jìn)行分類的指令。
24. —種設(shè)備，用于執(zhí)行根據(jù)權(quán)利要求1至13中任一項(xiàng)所述的 方法，包4舌-收集裝置，適用于收集對(duì)象的腦的至少三維的圖像， -存儲(chǔ)根據(jù)權(quán)利要求14至23中任一項(xiàng)所述的計(jì)算機(jī)程序產(chǎn)品的 載體，-配置有處理器并適用于讀取所述載體的計(jì)算機(jī)。
全文摘要
本發(fā)明提供了一種用于分析對(duì)象的腦圖像的方法，包括收集對(duì)象的至少三個(gè)維度的腦圖像；將圖像分割為反映該腦的特點(diǎn)的腦自然參考系中的感興趣區(qū)域；對(duì)于每個(gè)感興趣區(qū)域，以一種自動(dòng)方式，基于在圖像上測(cè)得的圖像數(shù)據(jù)，確定至少一個(gè)判別值，上述圖像數(shù)據(jù)代表了腦的解剖學(xué)特征或者功能特征，上述判別值與其他感興趣區(qū)域的判別值是相對(duì)的。
文檔編號(hào)G06T7/00GK101681508SQ200880015606
公開日2010年3月24日 申請(qǐng)日期2008年5月6日 優(yōu)先權(quán)日2007年5月11日
發(fā)明者伯努瓦·馬尼安, 哈比卜·貝納利, 塞爾日·坎坎尼厄于恩, 布律諾·迪布瓦, 斯特凡娜·勒埃里西 申請(qǐng)人:國(guó)家健康與醫(yī)學(xué)研究院