專利名稱：圖像分析方法和系統的制作方法
圖像分析方法和系統
技術領域：
本發明涉及磁共振計算解剖學領域，特別是涉及一種對磁共振圖像的分析方法和系統。
背景技術：
人腦的發育幾乎就是人類幾千萬年大腦神經組織發展進化的重演，它也有著一個由低到高的生理發育過程和生物發展規律。人腦的發展可以劃分為三個時期從出生到成年的腦的加速成長期；腦發育成熟后的相對穩定期；人到老年后的腦的衰老期。由于人腦結構在自身的發展過程中形成了一定的規律，人腦成熟或衰退的部位、時間和表現也不一樣。認識大腦的發展規律對認識人類的智力、生理、情感發展有很大的幫助；同時，認識了大腦的發展規律也能幫助人類了解更多的腦部病理變化，如老年癡呆，癲癇，抑郁癥等等。無論是大腦的發育衰老，還是腦部的神經性病變，都會引起大腦的解剖形態變化。研究人員和臨床醫師均希望能繪制出腦部的形變圖譜，以幫助了解大腦結構形態變化的區域和過程。 形變圖譜能反映大腦從發育成熟到衰老的結構縱向變化過程，能反映某一疾病的患者腦部與正常人腦部結構的平均差異，能反映疾病患者隨時間發展腦部的病理改變情況，還能反映治療過程中患者在一段時間內形變的控制程度。同時，大腦各解剖區域與人體生理功能和心理狀態存在對應關系，因此，形變圖譜所反映的腦部結構形態信息，能幫助研究人員或臨床醫師獲得或預測人體相應的生理、心理狀態情況。在磁共振計算解剖學領域，研究人員常用統計分析法對大腦解剖結構進行形態學分析，確定大腦的形變部位，幫助了解腦部的病變情況或治療效果。當前常用的形態學分析法包括基于體素的分析法(VBM，Voxel-Based Morphometry)、基于形變的分析法 (DBM, Deformation-Based Morphometry),以及基于張量的分析法(TBM，Tensor-Based Morphometry)。其中DBM，TBM利用了圖像配準得到的形變場進行統計分析，VBM則利用了配準殘差。幾種形態學分析法對圖像的前期處理采取了相同的做法。首先，選取一幅模板圖像作為標準空間，該模板圖像或是領域研究人員公認的開放模板(如MNI，Talairach等)， 或是根據手頭數據獨自建立的特定模板；然后將所有待處理圖像進行灰度校正，去頭骨等處理，并將預處理后的結果線性配準到模板圖像空間。在提取統計分析對象時，VBM與DBM、 TBM方法各異。在將預處理結果線性配準到模板空間后，VBM將大腦分割成子區域，將目標子區域平滑并規范化，平滑規范化后的結果作為統計分析的輸入；而DBM、TBM在得到預處理結果后繼續將結果非線性配準到模板圖像空間，得到每幅圖像對應的配準形變場，對形變場完成一定的變換后作為統計分析的輸入。在統計分析時，t檢驗(t-test)和置換檢驗 (permutation test)是常用的手段。在分析時，每個體素被看成一個獨立的檢驗，因此目標區域體素的個數便是獨立檢驗的次數。在現有方法進行統計分析時，盡管前期處理對圖像或形變場進行了平滑，但對每個像素進行獨立的統計檢驗，仍然丟棄了大腦子區域內的關聯性。我們知道大腦有功能分區，每個小的功能區域有相應的生理作用，在病理改變時往往一個區域具有相同的變化趨勢，將這樣一個子區域作為整體分析更容易對結果進行合理的解釋。而前期的平滑處理也只是體素空間位置上的信息疊加，而不是潛在功能區域的信息融合。此外，從統計學角度看，t檢驗、置換檢驗等一般統計學檢驗方法不太適合小樣本大規模回歸量的分析，也就是說，由于可用于研究的圖像數量有限，對于一個體素或一個子區域，用于描述該目標的特征的維度不能太高。這在一定程度上限制了形態學分析的范圍， 現有方法只對形態特征描述的其中某一項進行分析，如大腦皮質厚度，溝回寬度等，從而導致分析結果不全面。

發明內容基于此，有必要提供一種能使分析結果更全面的圖像分析方法和系統。一種圖像分析方法，包括如下步驟獲取一組Tl加權圖像，包括對照組圖像和實驗組圖像；對所有Tl加權圖像預處理；將預處理后的Tl加權圖像非線性配準到預設的模板圖像中；將非線性配準后的Tl加權圖像進行分割，產生多個感興趣區域；提取每個感興趣區域的至少一種特征數據，得到特征矩陣信息；根據預設的貝葉斯多層模型和所述特征矩陣信息，計算得到一參數值，所述預設的貝葉斯多層模型如下Pr {Y = 11 C，y (X)} = Φ { α tC+ y (X)},y (X) ΜΝ{0，τ "1K (X)},其中，Yi為二進制響應變量，Yi = 1表示第i幅圖像來自實驗組，Yi = 0表示第i幅圖像來自對照組，i e {1，2，…，n}，YnX1為二進制響應結果，Cnxi為協變量，Xnxp為所述特征矩陣信息，Φ (.)為標準正態累積分布函數，α為回歸系數，Y (X) = { Y (X1)，γ (χ2)，…， Y (xn)}表示均值為0，協方差cov {γ (X)，Y (x' )} = τ-1K (χ, χ')的高斯隨機過程，τ 服從Gamma分布，K是一個nXn矩陣，Kij = K(xi Xj)，K為核函數，所述參數值為所述預設的貝葉斯多層模型中τ的值；根據所述參數值與預設閥值的關系，判斷實驗組圖像和對照組圖像之間感興趣區域的差異顯著性。一種圖像分析系統，包括獲取單元、處理單元、配準單元、分割單元、提取單元、計算單元和分析單元獲取單元用于獲取一組Tl加權圖像，包括對照組圖像和實驗組圖像；處理單元用于對所有Tl加權圖像預處理；配準單元用于將預處理后的Tl加權圖像非線性配準到預設的模板圖像中；分割單元用于將非線性配準后的Tl加權圖像進行分割，產生多個感興趣區域；提取單元用于提取每個感興趣區域的至少一種特征數據，得到特征矩陣信息；計算單元用于根據預設的貝葉斯多層模型和所述特征矩陣信息，計算得到一參數值，所述預設的貝葉斯多層模型如下Pr {Y = 11 C，y (X)} = Φ { α tC+ y (X)},
y (X) MN{0，T "1K (X)},其中，Yi為ニ進制響應變量，Yi = 1表示第i幅圖像來自實驗組，Yi = 0表示第i幅 圖像來自對照組，i G {1，2，…，n}，YnX1為ニ進制響應結果，Cnxi為協變量，Xnxp為所述特征 矩陣信息，O (.)為標準正態累積分布函數，a為回歸系數，Y (X) = { Y (X1)，y (x2)，…， Y (xn)}表示均值為0，協方差cov {Y 00，Y (x' )} = !-^(x^')的高斯隨機過程，T 服從Gamma分布，K是ー個nXn矩陣，Kij = K(x,, Xj)，K為核函數，所述參數值為所述預設 的貝葉斯多層模型中T的值；分析単元用于根據所述參數值與預設閥值的關系，判斷實驗組圖像和對照組圖像 之間感興趣區域的差異顯著性本發明ー較佳實施例中，所述提取每個感興趣區域的至少ー種特征數據，得到特 征矩陣信息步驟是從感興趣區域R,，q G {1,2,…，Q}中分別提取每幅圖像的多種特征信 息ザkfe,^,…, }，其中i為圖像索引號i e {1,2,…，n}，q為感興趣區域索引號 QG {1,2,…，Q}，p為該區域特征信息的維度p彡1，對每個感興趣區域Rq得到的所述特 征矩陣信息如下
權利要求
1.一種圖像分析方法，其特征在于，包括如下步驟獲取一組Tl加權圖像，包括對照組圖像和實驗組圖像； 對所有所述Tl加權圖像預處理；將預處理后的Tl加權圖像非線性配準到預設的模板圖像中； 將非線性配準后的Tl加權圖像進行分割，產生多個感興趣區域； 提取每個所述感興趣區域的至少一種特征數據，得到特征矩陣信息； 根據預設的貝葉斯多層模型和所述特征矩陣信息，計算得到一參數值，所述預設的貝葉斯多層模型如下
2.根據權利要求1所述的，其特征在于，所述提取每個感興趣區域的至少一種特征數據，得到特征矩陣信息步驟是從所述感興趣區域Rq，q e {1,2, -,Q}中分別提取每幅圖像的多種特征信息鏟)=(X11,X12,",,X1J，其中i為圖像索引號i e {1，2，…，η}，q為感興趣區域索引號qe {1,2,…，(《，ρ為該區域特征信息的維度ρ彡1，對每個感興趣區域Rtl得到的所述特征矩陣信息如下
3.根據權利要求1所述的，其特征在于，所述預設的貝葉斯多層模型計算方式如下 首先，定義了一個隱式變量Z = (ζι; ζ2,…，ζη)，Ζ 麗{aTC+Y (X)，I}，使得
4. 一種圖像分析系統，其特征在于，包括獲取單元、處理單元、配準單元、分割單元、提取單元、計算單元和分析單元，所述獲取單元用于獲取一組Tl加權圖像，包括對照組圖像和實驗組圖像； 所述處理單元用于對所有所述Tl加權圖像預處理；所述配準單元用于將預處理后的Tl加權圖像非線性配準到預設的模板圖像中； 所述分割單元用于將非線性配準后的Tl加權圖像進行分割，產生多個感興趣區域； 所述提取單元用于提取每個所述感興趣區域的至少一種特征數據，得到特征矩陣信息；所述計算單元用于根據預設的貝葉斯多層模型和所述特征矩陣信息，計算得到一參數值，所述預設的貝葉斯多層模型如下Pr {Y = 1|C, y (X)} = Φ {α tC+ y (X)},Y (X) ΜΝ{0，τ-1K(X)L其中，Yi為二進制響應變量，Yi = 1表示第i幅圖像來自實驗組，Yi = 0表示第i幅圖像來自對照組，ie {1,2,…，η}，Ynxi為二進制響應結果，Cnxi為協變量，Xnxp為所述特征矩陣信息，Φ (.)為標準正態累積分布函數，α為回歸系數，γ (X) = { γ (X1)，γ (χ2)，…， Y (xn)}表示均值為0，協方差cov {γ (X)，Y (x' )} = τ-1K (χ, χ')的高斯隨機過程，τ 服從Gamma分布，K是一個nXn矩陣，Kij = K(xi Xj)，K為核函數，所述參數值為所述預設的貝葉斯多層模型中τ的值；所述分析單元用于根據所述參數值與預設閥值的關系，判斷所述實驗組圖像和所述對照組圖像之間感興趣區域的差異顯著性。
5.根據權利要求4所述的，其特征在于，所述提取每個感興趣區域的至少一種特征數據，得到特征矩陣信息步驟是從感興趣區域I^，q e {1,2, -,Q}中分別提取每幅圖像的多種特征信息茍⑴={&，&，···，、}，其中i為圖像索引號i e {1,2,…，n}，q為感興趣區域索引號qe {1,2,…，(《，ρ為該區域特征信息的維度ρ彡1，對每個感興趣區域Rtl得到的所述特征矩陣信息如下
6.根據權利要求4所述的，其特征在于，所述預設的貝葉斯多層模型計算方式如下 首先，定義了一個隱式變量Z = (zi; z2,…，zn)，Z 麗{aTC+Y (X)，I}，使得將協方差cot {γ (χ)，γ (χ' )} = τ-1K (χ, χ')中的Κ(χ，χ')定義為高斯核，則然后，假設Y (X) 麗{0，T-1K(X)I, α 麗(0，φ-1)和τ Gamma (a，b)，則聯合后驗分布為
全文摘要
一種圖像分析方法，包括如下步驟獲取一組T1加權圖像，包括對照組圖像和實驗組圖像；對所有T1加權圖像預處理；將預處理后的T1加權圖像非線性配準到預設的模板圖像中；將非線性配準后的T1加權圖像進行分割，產生多個感興趣區域；提取每個感興趣區域的至少一種特征數據，得到特征矩陣信息；根據預設的貝葉斯多層模型和所述特征矩陣信息，計算得到一參數值；根據所述參數值與預設閥值的關系，判斷實驗組圖像和對照組圖像之間感興趣區域的差異顯著性。本發明還提供一種對應的圖像分析系統。上述圖像分析方法和系統相對傳統技術可提取的待分析參數更多更豐富，信息更多樣化，能同時處理多區域、多特征的顯著性統計檢驗，使形態學分析更全面。
文檔編號G06T7/00GK102521832SQ20111040372
公開日2012年6月27日 申請日期2011年12月7日 優先權日2011年12月7日
發明者劉新, 張麗娟, 潮毅, 邱本勝, 鄭海榮, 隆曉菁 申請人:中國科學院深圳先進技術研究院