本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體涉及一種基于fMRI與DTI融合的穹隆白質(zhì)分割的方法，尤其涉及通過(guò)fMRI功能連接對(duì)海馬腦區(qū)進(jìn)行分割并以分割子區(qū)域作為種子點(diǎn)，以丘腦作為目標(biāo)腦區(qū)進(jìn)行白質(zhì)纖維示蹤對(duì)穹隆白質(zhì)進(jìn)行分割的方法。

背景技術(shù)：

fMRI是研究腦活動(dòng)、腦功能的主要的無(wú)創(chuàng)方法之一，具有毫米級(jí)的空間分辨率。fMRI方法的發(fā)展對(duì)腦認(rèn)知功能的研究具有突破性的進(jìn)展，它已成為神經(jīng)科學(xué)探索人類(lèi)大腦神經(jīng)機(jī)制的重要工具。DTI利用在不均質(zhì)組織中水分子擴(kuò)散表現(xiàn)出各向異性的特性，通過(guò)施加多個(gè)方向的彌散敏感梯度場(chǎng)可以測(cè)得體素內(nèi)部水分子在每個(gè)方向上的彌散強(qiáng)度，計(jì)算相關(guān)彌散指標(biāo)，利用所得的多種參數(shù)值成像可以描述水分子在組織內(nèi)的彌散運(yùn)動(dòng)。DTI使磁共振(Magnetic Resonance Imaging,MRI)對(duì)人體的研究深入到了更微觀的水平，它是目前在活體上進(jìn)行水分子彌散測(cè)量和成像的唯一方法。它對(duì)于研究正常人以及病理狀態(tài)下腦白質(zhì)的完整性和方向性具有很大優(yōu)越性。fMRI主要反映腦皮質(zhì)情況，而對(duì)于腦白質(zhì)相關(guān)情況則不能顯示，而DTI也有其局限性即不能提供皮層功能情況信息，在這方面，fMRI恰好可以彌補(bǔ)其不足。DTI與fMRI結(jié)合的多模態(tài)成像技術(shù)提供了人體神經(jīng)系統(tǒng)的大量結(jié)構(gòu)和功能信息，在神經(jīng)發(fā)育和衰老、精神疾病研究、神經(jīng)外科術(shù)前準(zhǔn)備和術(shù)后評(píng)價(jià)等領(lǐng)域具有廣泛的應(yīng)用。

穹隆是海馬腦區(qū)主要的傳入和傳出白質(zhì)纖維，另外也是海馬信息傳遞至丘腦最主要的途徑。該白質(zhì)是邊緣系統(tǒng)的關(guān)鍵結(jié)構(gòu)，它涉及很多重要的大腦功能，比如空間記憶、記憶檢索、文字記憶，相關(guān)解剖研究也證實(shí)當(dāng)沿著穹隆體切斷該白質(zhì)會(huì)造成記憶缺失的現(xiàn)象。所以，穹隆的完整性可以作為記憶缺陷障礙的判斷，最近的一些研究報(bào)道一些具有認(rèn)知障礙尤其是情景記憶方面的病人穹隆都出現(xiàn)受損情況。作為邊緣系統(tǒng)的一部分，穹隆的異常可以比海馬體積的萎縮更早地預(yù)示認(rèn)知受損。但目前對(duì)穹隆白質(zhì)的子分支的研究和了解很少涉及，穹隆白質(zhì)子分支的分割對(duì)于記憶相關(guān)的精神疾病的預(yù)防和靶向治療有著重要意義，

技術(shù)實(shí)現(xiàn)要素：

為了克服上述現(xiàn)有技術(shù)的缺陷，本發(fā)明的目的在于提供一種基于fMRI與DTI融合的穹隆白質(zhì)分割的方法，能夠簡(jiǎn)單、高效地對(duì)穹隆白質(zhì)進(jìn)行分割，穹隆白質(zhì)子分支的分割對(duì)于記憶相關(guān)的精神疾病的預(yù)防和靶向治療有著重要意義。

為了達(dá)到上述目的，本發(fā)明的技術(shù)方案為：

一種基于fMRI與DTI融合的穹隆白質(zhì)分割的方法，具體步驟如下：

(1)、對(duì)fMRI和DTI磁共振影像數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理包括功能磁共振成像和彌散張量成像兩個(gè)方面，fMRI預(yù)處理分別有頭顱分割、時(shí)間校正、頭動(dòng)校正、空間平滑、時(shí)域帶通濾波、去線(xiàn)性漂移和冗余去除；DTI預(yù)處理包括渦流變形校正、去頭皮操作、計(jì)算每一個(gè)體素的彌散張量和計(jì)算FA，MD彌散參數(shù)步驟；

(2)、基于靜息態(tài)功能連接對(duì)海馬腦區(qū)進(jìn)行區(qū)域分割，通過(guò)計(jì)算海馬腦區(qū)每個(gè)體素的全腦連接模式，求得連接模式的相似度矩陣，運(yùn)用譜聚類(lèi)對(duì)全腦連接模式相似度矩陣進(jìn)行聚類(lèi)分割，實(shí)現(xiàn)海馬的子區(qū)域分割；

(3)、ROI選取，采用AAL模板將皮層和皮層下的灰質(zhì)劃分成90個(gè)腦區(qū)，左右丘腦分別對(duì)應(yīng)為77號(hào)腦區(qū)和78號(hào)腦區(qū)，將左右丘腦配準(zhǔn)到MNI空間作為目標(biāo)ROI，將步驟2中分割得到的海馬子區(qū)域作為種子ROI；

(4)、基于海馬子區(qū)域和丘腦間白質(zhì)纖維束示蹤技術(shù)的穹隆白質(zhì)分割，在MNI空間以左右丘腦作為目標(biāo)ROI，以海馬子區(qū)域作為種子ROI，采用白質(zhì)纖維示蹤技術(shù)得到海馬各子腦區(qū)間與丘腦的白質(zhì)連接，從而實(shí)現(xiàn)穹隆白質(zhì)的分割。

本發(fā)明的創(chuàng)新之處在于提出了通過(guò)fMRI功能連接對(duì)海馬腦區(qū)進(jìn)行分割并以分割子區(qū)域作為種子點(diǎn)，以丘腦作為目標(biāo)腦區(qū)進(jìn)行白質(zhì)纖維示蹤對(duì)穹隆白質(zhì)進(jìn)行分割的新方法。傳統(tǒng)白質(zhì)分割需要臨床醫(yī)生進(jìn)行生理解剖，無(wú)法滿(mǎn)足臨床無(wú)創(chuàng)有效的診斷和治療白質(zhì)子分支出現(xiàn)病變?cè)斐傻木窦膊?wèn)題，彌散張量成像是目前在體白質(zhì)纖維成像的唯一方法，本發(fā)明結(jié)合了人腦功能與結(jié)構(gòu)的信息對(duì)穹隆白質(zhì)進(jìn)行了分割，思想新穎，過(guò)程簡(jiǎn)單，具有重要的科研和臨床價(jià)值。

附圖說(shuō)明

圖1是靜息態(tài)功能圖像預(yù)處理流程圖。

圖2是頭顱分割前后對(duì)比圖。

圖3是頭動(dòng)校正結(jié)果。

圖4是功能像配準(zhǔn)前后對(duì)比，左側(cè)為配準(zhǔn)前功能像，中間為MNI152標(biāo)準(zhǔn)模板，右側(cè)為配準(zhǔn)后功能像，經(jīng)過(guò)配準(zhǔn)圖像與模板之間的差異減小。

圖5是基于靜息態(tài)功能連接的海馬腦區(qū)分割結(jié)果。

圖6是白質(zhì)纖維示蹤算法流程示意圖。

圖7是穹隆白質(zhì)分割結(jié)果圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明做詳細(xì)敘述。

本發(fā)明是基于fMRI與DTI融合的穹隆白質(zhì)分割的方法，具體步驟如下：

(1)、對(duì)fMRI和DTI磁共振影像數(shù)據(jù)進(jìn)行預(yù)處理。預(yù)處理包括功能磁共振成像和彌散張量成像兩個(gè)方面，fMRI預(yù)處理分別有頭顱分割、時(shí)間校正、頭動(dòng)校正、空間平滑、時(shí)域帶通濾波、去線(xiàn)性漂移和冗余去除。DTI預(yù)處理包括渦流變形校正、去頭皮操作、計(jì)算每一個(gè)體素的彌散張量和計(jì)算FA，MD等彌散參數(shù)等步驟。

fMRI數(shù)據(jù)預(yù)處理是在Linux系統(tǒng)Ubuntu14.04下基于AFNI和FSL軟件編寫(xiě)B(tài)atch文件(數(shù)據(jù)批處理)完成。預(yù)處理流程見(jiàn)圖1，主要包含以下幾個(gè)方面：

1)頭顱分割

采集得到的結(jié)構(gòu)像通常包含頭顱信息，需要進(jìn)行頭顱分割，從而消除顱骨部位引入的偽影對(duì)后續(xù)數(shù)據(jù)分析的影響。基于FSL軟件提供的3drefit、3dresample和fast segment實(shí)現(xiàn)頭部顱骨和大腦內(nèi)部組織結(jié)構(gòu)的分割，分割結(jié)果如圖2所示。

2)時(shí)間校正

血液動(dòng)力學(xué)函數(shù)表明血液對(duì)刺激的響應(yīng)有一定的時(shí)間延遲，由于一個(gè)TR期間采集到全腦圖像，這導(dǎo)致每一層的圖像并非在同一時(shí)刻采集，而是發(fā)生在整個(gè)掃描時(shí)間段內(nèi)，時(shí)間校正就是通過(guò)類(lèi)似于插值的方法對(duì)每一層圖像進(jìn)行層時(shí)間處理，使得一個(gè)TR周期內(nèi)各層圖像近似在同一時(shí)刻獲取。

3)頭動(dòng)校正

進(jìn)行頭動(dòng)校正時(shí)一般將被試的大腦看做一個(gè)剛體，因此在fMRI實(shí)驗(yàn)中被試頭部的運(yùn)動(dòng)可以近似成一種剛體運(yùn)動(dòng)，即只有平移變換與旋轉(zhuǎn)變換的組合。選擇單個(gè)被試的第一幀圖像作為參考圖像，通過(guò)AFNI的3dvolreg函數(shù)使得其余的所有圖像與參考圖像配準(zhǔn)，結(jié)果如圖3所示。如果頭動(dòng)超過(guò)一個(gè)體素則去除該被試。

4)空間平滑

空間平滑采用高斯函數(shù)進(jìn)行高斯平滑，能有效地消弱隨機(jī)噪聲對(duì)fMRI信號(hào)的影響，提高數(shù)據(jù)的信噪比。三維高斯函數(shù)是比較常用的空間平滑方法，其半高全寬決定了空間平滑的力度，本文選用半高全寬(Full Width at Half Maximum,FWHM)為6mm的高斯核函數(shù)進(jìn)行數(shù)據(jù)平滑。

5)時(shí)域帶通濾波

靜息態(tài)fMRI信號(hào)是一種低頻波動(dòng)，頻率主要集中在0.01～0.1Hz，這種低頻波動(dòng)反映了自發(fā)的神經(jīng)活動(dòng)。因此采用頻率范圍為0.01～0.1Hz的帶通濾波器去除與呼吸、心跳等有關(guān)的生理噪聲。

6)去線(xiàn)性漂移

由于機(jī)器的長(zhǎng)期工作導(dǎo)致溫度升高或者被試的不適應(yīng)，隨著時(shí)間的積累會(huì)存在線(xiàn)性漂移，需要進(jìn)行去線(xiàn)性。

7)冗余去除

為了去除腦脊液(Cerebro-Spinal Fluid,CSF)、白質(zhì)(White Matter,WM)等冗余信號(hào)，需要對(duì)結(jié)構(gòu)像進(jìn)行分割，利用分割得到的信息制作腦脊液與白質(zhì)模板，然后去除白質(zhì)、腦脊液、全腦信號(hào)以及頭動(dòng)偽跡等冗余信號(hào)。

DTI數(shù)據(jù)預(yù)處理為使用FMRIB線(xiàn)性配準(zhǔn)工具(FLIRT)對(duì)DTI數(shù)據(jù)進(jìn)行渦流變形校正，將彌散圖像都配準(zhǔn)至第一幅無(wú)彌散加權(quán)圖像上。接著使用FMRIB中提供的工具(BET)進(jìn)行去頭皮操作。最后使用FMRIB的彌散工具箱計(jì)算每一個(gè)體素的彌散張量，從而得到單個(gè)被試的FA和MD標(biāo)量圖。然后將單個(gè)被試的FA和MD標(biāo)量圖配準(zhǔn)到結(jié)構(gòu)像，其次將結(jié)構(gòu)像配準(zhǔn)到標(biāo)準(zhǔn)空間，從而利用所得到的變換矩陣將功能像配準(zhǔn)到標(biāo)準(zhǔn)空間。

(2)、基于靜息態(tài)功能連接對(duì)海馬腦區(qū)進(jìn)行區(qū)域分割。為了準(zhǔn)確定位海馬腦區(qū)，首先將靜息態(tài)磁共振圖像配準(zhǔn)至MNI標(biāo)準(zhǔn)空間；為提高配準(zhǔn)精度，采用兩步配準(zhǔn)：首先將功能像配準(zhǔn)到結(jié)構(gòu)像，其次將結(jié)構(gòu)像配準(zhǔn)到標(biāo)準(zhǔn)空間，從而利用所得到的變換矩陣將功能像配準(zhǔn)到標(biāo)準(zhǔn)空間并將體素重采樣為3mm×3mm×3mm；配準(zhǔn)模板采用MNI模板，該模板是由加拿大蒙特利爾神經(jīng)科學(xué)研究所(Montreal Neurological Institute,MNI)研發(fā)而成；整個(gè)配準(zhǔn)過(guò)程使用FMRIB提供的線(xiàn)性配準(zhǔn)工具實(shí)現(xiàn)，配準(zhǔn)前后圖像對(duì)比如圖4所示。

采用AAL模板將皮層和皮層下的灰質(zhì)劃分成90個(gè)腦區(qū)。左右海馬分別為37和38號(hào)腦區(qū)，將海馬ROI模板以及靜息態(tài)fMRI數(shù)據(jù)都配準(zhǔn)到MNI空間。通過(guò)計(jì)算海馬區(qū)域中每個(gè)體素的全腦連接模式，進(jìn)而得到每?jī)蓚€(gè)體素之間的全腦連接模式相似度矩陣，以此矩陣進(jìn)行子區(qū)劃分。具體做法是提取海馬每個(gè)體素的時(shí)間序列信號(hào)，對(duì)其他88個(gè)腦區(qū)的靜息態(tài)信號(hào)，采用腦區(qū)內(nèi)所有體素信號(hào)平均的方式提取。其次，通過(guò)計(jì)算每個(gè)海馬內(nèi)部的體素信號(hào)與其他88個(gè)腦區(qū)的信號(hào)之間的相關(guān)系數(shù)，得到海馬體素的全腦連接矩陣M，其中元素(i，j)表示第i個(gè)海馬體素到第j個(gè)腦區(qū)的功能連接強(qiáng)度。該矩陣的每一行描述了一個(gè)海馬體素在靜息態(tài)下和全腦其他腦區(qū)之間的連接模式，值越接近1，相關(guān)性越大。接著，計(jì)算每?jī)尚羞B接模式之間的相關(guān)系數(shù)就可以度量?jī)蓚€(gè)體素在全腦功能連接模式上的相似度，記為相似度矩陣N，其中每個(gè)元素表示海馬第i個(gè)體素到第j個(gè)體素在全腦功能連接模式上的相似度。在此相似度矩陣的基礎(chǔ)上，本發(fā)明采用譜聚類(lèi)算法對(duì)海馬的體素進(jìn)行分類(lèi)，分割結(jié)果如圖5所示；

(3)、ROI選取。采用AAL(automated anatomical labeling)模板將皮層和皮層下的灰質(zhì)劃分成90個(gè)腦區(qū)，左右丘腦分別對(duì)應(yīng)為77號(hào)腦區(qū)和78號(hào)腦區(qū)，將左右丘腦配準(zhǔn)到MNI空間作為目標(biāo)ROI，將步驟2中分割得到的海馬子區(qū)域作為種子ROI；

(4)、基于海馬子區(qū)域和丘腦間白質(zhì)纖維束示蹤技術(shù)的穹隆白質(zhì)分割。在MNI空間以左右丘腦作為目標(biāo)ROI，以的海馬子區(qū)域作為種子ROI，采用白質(zhì)纖維示蹤技術(shù)得到海馬各子腦區(qū)間與丘腦的白質(zhì)連接。具體原理是通過(guò)施加多個(gè)方向的梯度場(chǎng)，通過(guò)計(jì)算得到擴(kuò)散張量矩陣，通過(guò)該矩陣的3個(gè)特征向量得到包括各向異性參數(shù)FA和平均彌散系數(shù)的衡量人體內(nèi)水分子擴(kuò)散情況的標(biāo)量，而主特征向量則代表著該體素內(nèi)水分子主要的擴(kuò)散方向，該算法主要就是基于每個(gè)體素的擴(kuò)散向量確定白質(zhì)走向，首先從白質(zhì)纖維上選定的某點(diǎn)開(kāi)始進(jìn)行白質(zhì)追蹤，確定該點(diǎn)的擴(kuò)散張量方向，然后沿著該方向前進(jìn)一定步長(zhǎng)，以得到的新體素作為開(kāi)始點(diǎn)重復(fù)進(jìn)行白質(zhì)方向確定，直到滿(mǎn)足白質(zhì)追蹤停止的條件，最后將所有點(diǎn)連接起來(lái)即得到所追蹤的白質(zhì)曲線(xiàn)，具體流程如圖6所示。用公式表示為：

$x_{t+1}=x_t+\mathrm{\α}{\stackrel{\→}{v}}_t$

其中x_t+1代表白質(zhì)纖維追蹤下一個(gè)體素的坐標(biāo)位置，而x_t表示當(dāng)前體素的坐標(biāo)點(diǎn)，a代表每次迭代的步長(zhǎng)，則表示當(dāng)前體素內(nèi)水分子擴(kuò)散方向。

白質(zhì)路徑示蹤的終止條件設(shè)定為角度大于35°或者FA小于0.15，質(zhì)示蹤的纖維束長(zhǎng)度如果小于20mm則自動(dòng)舍棄。最終得到的白質(zhì)纖維示蹤結(jié)果，從而實(shí)現(xiàn)穹隆白質(zhì)的分割，具體結(jié)果如圖7；

綜上所述，本發(fā)明基于fMRI與DTI融合的多模態(tài)成像對(duì)穹隆白質(zhì)進(jìn)行分割有著實(shí)際的臨床應(yīng)用價(jià)值。提出了通過(guò)fMRI功能連接對(duì)海馬腦區(qū)進(jìn)行分割并以分割子區(qū)域作為種子點(diǎn)，以丘腦作為目標(biāo)腦區(qū)進(jìn)行白質(zhì)纖維示蹤對(duì)穹隆白質(zhì)進(jìn)行分割的新思路。本發(fā)明結(jié)合了人腦功能與結(jié)構(gòu)的信息對(duì)穹隆白質(zhì)進(jìn)行了分割，思想新穎，過(guò)程簡(jiǎn)單，具有重要的科研和臨床價(jià)值。