磁共振脑结构影像的分类模型构建、分类与可视化方法.pdf

《磁共振脑结构影像的分类模型构建、分类与可视化方法.pdf》由会员分享，可在线阅读，更多相关《磁共振脑结构影像的分类模型构建、分类与可视化方法.pdf（43页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010817665.7 (22)申请日 2020.08.14 (71)申请人 北京师范大学 地址 100875 北京市海淀区新街口外大街 19号 (72)发明人 梁华东黄瑞旺 (74)专利代理机构 北京华夏正合知识产权代理 事务所(普通合伙) 11017 代理人 韩登营 (51)Int.Cl. G06K 9/62(2006.01) A61B 5/00(2006.01) A61B 5/055(2006.01) G06K 9/46(2006.01) G16H 30/00(201。

2、8.01) (54)发明名称 磁共振脑结构影像的分类模型构建、 分类与 可视化方法 (57)摘要 本申请提供了磁共振脑结构影像的分类模 型构建、 分类与可视化方法， 其中， 所述磁共振脑 结构影像分类模型构建方法包括： 获取多个有标 注的磁共振脑结构影像； 提取各磁共振脑结构影 像的病理水平监测指标和多类别的影像质量监 测指标， 从而确定各影像融合特征指标； 基于各 磁共振脑结构影像的标注与其影像融合特征指 标， 构建磁共振脑结构影像分类模型。 利用该模 型对磁共振脑结构影像进行分类， 并对已分类影 像基于影像相似度从有标注的磁共振脑结构影 像中选择最相似参考影像， 且产生突出病灶的混 合影像。

3、， 从而进行可视化对比查看。 本申请帮助 临床大夫提升了基于磁共振脑结构影像的脑疾 病发现的准确率、 时效性和可解释性。 权利要求书3页 说明书29页 附图10页 CN 112052882 A 2020.12.08 CN 112052882 A 1.一种基于融合特征的磁共振脑结构影像的分类模型构建方法， 其特征在于， 包括步 骤： 获取多个有标注的磁共振脑结构影像； 提取各所述磁共振脑结构影像的病理水平监测指标和多类别的影像质量监测指标， 从 而确定各影像融合特征指标； 基于各所述磁共振脑结构影像的标注与所述影像融合特征指标， 利用机器学习的方法 构建磁共振脑结构影像的分类模型。 2.根据权利。

4、要求1所述的方法， 其特征在于， 所述有标注的磁共振脑结构影像包括下列 模态： T1加权影像和T2加权影像， 所述标注分为有病和无病。 3.根据权利要求2所述的方法， 其特征在于， 所述病理水平监测指标至少包括下列之 一： 病理形态学指标、 病理白质髓鞘化指标； 所述病理形态学指标至少包括下列基于所述磁共振脑结构影像提取的下列指标之一： 皮层厚度、 表面积、 灰质体积和密度、 白质体积和密度、 脑室容积； 所述病理形态学指标还包括基于所述磁共振脑结构影像提取的每个体素的白质密度 数据对每个体素的位置序号回归后确定的所有体素的白质密度回归的误差和； 所述病理白质髓鞘化指标至少包括下列指标之一： 。

5、脑区信号掩模内各体素的脑区信号 比值的均值、 标准差、 设定的分位差； 其中， 所述脑区信号掩模为基于T1加权影像提取， 所述脑区信号掩模内各体素的所述 脑区信号比值等于基于T1加权影像提取所述脑区信号掩模内相应体素的脑区第一信号值 除以基于T 2加权影像提取所述脑区信号掩模内相应体素的脑区第二信号值的商； 所述设 定的分位差是将所述各体素的所述脑区信号比值从小到大排序后分成若干等份且取其中 两个等份的上位点所对应的所述脑区信号比值的差值。 4.根据权利要求3所述的方法， 其特征在于， 所述影像融合特征指标包括所述病理水平 监测指标和影像质量对病理水平影响指标。 5.根据权利要求4所述的方法，。

6、 其特征在于， 所述影像质量对病理水平影响指标对应的 矩阵等于影像质量对病理水平影响系数矩阵与影像质量综合得分对应的矩阵的乘积； 其中， 所述影像质量综合得分对应的矩阵由各类别的影像质量综合得分组成， 所述各 类别的影像质量综合得分等于相应类别的影像质量综合得分系数矩阵与相应类别的所述 影像质量监测指标对应的矩阵的乘积。 6.根据权利要求5所述的方法， 其特征在于， 所述影像质量综合得分系数矩阵的构建步 骤， 包括： 基于各类别的所述影像质量监测指标， 利用探索性因子分析法确定各类别的所述影像 质量监测指标的至少1个公因子、 因子贡献率第一矩阵和因子得分矩阵； 对各类别所述因子贡献率第一矩阵分。

7、别基于其各元素的和归一化得到相应类别的因 子贡献率第二矩阵， 其与相应类别所述因子得分矩阵乘积构成相应类别的影像质量综合得 分系数矩阵。 7.根据权利要求5所述的方法， 其特征在于， 所述影像质量对病理水平影响系数矩阵的 各元素值基于一类别的影像质量综合得分的分布与一病理水平监测指标数值的关系确定， 其确定步骤包括： 权利要求书 1/3 页 2 CN 112052882 A 2 获取各所述磁共振脑结构影像的第i个病理水平监测指标， 基于高斯分布计算第i个病 理水平监测指标的均值； 基于第i个病理水平监测指标的均值把各所述磁共振脑结构影像分成两个子集g1和 g2， 子集g1为第i个病理水平监测指。

8、标值从0到均值的所述磁共振脑结构影像的集合， 子集 g2为第i个病理水平监测指标值从均值到最大值的所述磁共振脑结构影像的集合； 基于高斯分布计算子集g1的类别j的影像质量综合得分的分布和子集g2中的影像的类 别j的影像质量综合得分的分布的JS散度， 作为类别j的影像质量综合得分对第i个病理水 平监测指标的影响系数， 即所述影像质量对病理水平影响系数矩阵的第i行第j列元素的 值； 基于所述影像质量对病理水平影响系数矩阵的第i行第j列元素的值的计算方法确定 所述影像质量对病理水平影响系数矩阵其他各个元素的值。 8.一种基于融合特征的磁共振脑结构影像分类方法， 其特征在于， 包括步骤： 基于多个所述。

9、有标注的磁共振脑结构影像， 使用权利要求1-7任一所述的方法构建一 种基于融合特征的磁共振脑结构影像的分类模型； 获取待分类的磁共振脑结构影像， 计算待分类的磁共振脑结构影像的影像融合特征指 标； 基于所述影像融合特征指标， 利用脑疾病诊断模型对待分类的磁共振脑结构影像进行 分类。 9.一种基于融合特征的磁共振脑结构影像可视化方法， 其特征在于， 包括步骤： 获取按照权利要求8所述方法已分类的磁共振脑结构影像， 并获取所述已分类的磁共 振脑结构影像在按照权利要求8所述方法分类过程中所计算的所述病理水平监测指标、 所 述影像质量监测指标和所述影像质量综合得分； 获取按照权利要求8所述方法中使用的。

10、多个所述有标注的磁共振脑结构影像， 组成参 考影像集合， 并获取按照权利要求8所述方法构建一种基于融合特征的磁共振脑结构影像 的分类模型过程中所计算的所述参考影像集合中各影像的所述病理水平监测指标、 所述影 像质量监测指标和所述影像质量综合得分； 基于所述病理水平监测指标、 所述影像质量监测指标和所述影像质量综合得分， 计算 所述已分类的磁共振脑结构影像与所述参考影像集合中各影像的影像相似度； 从所述参考影像集合中选择与所述已分类的磁共振脑结构影像的影像相似度分数最 高的影像为所述已分类的磁共振脑结构影像的最相似参考影像； 基于所述最相似参考影像和所述已分类的磁共振脑结构影像确定混合影像， 其。

11、中， 所 述混合影像各体素的影像信号强度基于所述最相似参考影像相应体素的影像信号强度和 所述已分类的磁共振脑结构影像相应体素的影像信号强度按设定权重比例加权求和确定； 对比显示所述已分类的所述磁共振脑结构影像、 所述最相似参考影像和所述混合影 像。 10.根据权利要求9所述的方法， 其特征在于， 所述影像相似度为2个磁共振脑结构影像 的相似程度， 其等于所述2个磁共振脑结构影像的病理水平相似度和影像质量相似度的均 值； 其中， 所述2个磁共振脑结构影像的病理水平相似度等于所述2个磁共振脑结构影像的 权利要求书 2/3 页 3 CN 112052882 A 3 所述病理水平监测指标的线性相关系数。

12、， 所述2个磁共振脑结构影像的影像质量相似度等 于所述2个磁共振脑结构影像的由所述影像质量监测指标和所述影像质量综合得分组成的 影像质量指标的线性相关系数。 权利要求书 3/3 页 4 CN 112052882 A 4 磁共振脑结构影像的分类模型构建、 分类与可视化方法 技术领域 0001 本申请属于智慧医疗等技术领域， 尤其涉及一种基于融合特征的磁共振脑结构影 像分类与可视化方法。 背景技术 0002 在多磁共振站点中心监测中国儿童青少年的脑智发育情况的认知科学研究中， 围 绕儿童青少年大脑髓鞘化发育疾病和大脑结构分析的探究主要依赖测量具有高度空间分 辨率、 高对比度的脑结构影像。 其中， 。

13、从空间分辨率、 无侵入性和应用性角度等方面考虑， 目 前脑疾病诊断应用临床研究中最广泛的是T1加权影像和T2加权影像。 其采用快速容积扫描 技术， 有较高的空间分辨率和时间分辨率， 信噪比高、 伪影小、 对脑内结构(如白质、 灰质和 脑脊液)的对比度良好， 能三维显示人脑内部精细解剖结构， 有利于显示小病灶及其细节， 对神经系统疾病的诊断具有重要价值， 同时也是获取正常人脑的三维可视化图像的重要技 术。 因此， 如何利用大样本影像的标准质量监控中获得的高质量影像数据、 并建立基于影像 特征的智能化疾病诊断模型、 并开发可视化的人机交互模式， 对于提升我国儿童青少年脑 智发育监测和疾病诊断水平具。

14、有重要的经济和社会意义。 0003 在智慧医疗框架下， 儿童青少年脑疾病诊断和可视化评估方法主要有二种途径： 一是依托第三方可视化软件对磁共振脑结构影像进行呈现， 然后基于脑外科医生的专家经 验和专业知识进行诊断， 进而评估该受试者的脑发育程度以及可能出现的脑疾病类型； 二 是智能化疾病诊断， 即在实验室级别对临床影像数据进行特征工程工作， 并结合统计学习 模型进行脑疾病的自动化诊断和分类。 0004 在多磁共振站点的研究中， 通常的方式是针对儿童青少年的脑发育水平及疾病监 测， 神经影像科专家依托第三方可视化软件进行磁共振脑结构影像的检查、 基于人工经验 进行评定， 但面临着主观性、 时效性。

15、等问题。 实际上， 现有方法中主要依据提取疾病相关病 灶的影像学特征， 一方面通过度量指标的分布特性， 依赖专家比对健康对照组设定阈值对 影像进行划分， 从而面临着划分标准不统一、 主观性强、 应用性差等实际问题。 目前， 已有方 法也结合了机器学习、 基于已度量的影像特征， 构建了以疾病诊断为目标的映射模型， 但这 些已有方法并没有考虑到磁共振影像质量、 也没有考虑以及其自身间相互作用关系对疾病 度量指标的可区分性的影响， 从而影响了自动疾病诊断模型的算法准确性。 因此， 面对利用 多中心儿童青少年的脑发育水平及疾病监测的大样本脑结构影像， 如何在影像疾病监测中 对脑结构影像自动高效、 准确。

16、诊断和分类且分类的结果可解释的这一重大需求， 已有方法 表现出了一定的局限性。 发明内容 0005 有鉴于此， 本申请首先设计标准统一的磁共振脑结构影像的成像参数并在各磁共 振站点进行脑结构影像数据的采集， 提取反映磁共振脑结构影像的质量层级特征及病理水 平层级特征； 在特征工程工作中， 本申请首先利用探索性因子分析方法进行影像质量的分 说明书 1/29 页 5 CN 112052882 A 5 层次综合得分， 然后基于该综合得分的分布相似性度量磁共振脑结构影像质量对病理水平 的影响关系的高阶特征， 提升了最终用于脑发育水平及脑疾病筛查的磁共振脑结构影像分 类模型的鲁棒性和准确性； 本申请采用。

17、了有监督学习中的分类学习方法、 进行基于专家经 验知识训练所述分类模型。 为提升疾病诊断中参考病例的适用性， 本申请通过定义一种新 的融合多维度的影像相似性度量方法进行参考影像的选取； 同时， 采用影像混合模式进行 病灶的突出显示， 给予临床神经影像专家更便捷和针对性的帮助， 从而帮助提升儿童和青 少年脑发育水平及疾病监测的自动反馈的时效性、 可解释性和准确性。 0006 本申请第一方面提供一种基于融合特征的磁共振脑结构影像分类模型的构建方 法， 其包括以下步骤： 0007 获取多个有标注的磁共振脑结构影像； 0008 提取各所述磁共振脑结构影像的病理水平监测指标和多类别的影像质量监测指 标，。

18、 从而确定各影像融合特征指标； 0009 基于各所述磁共振脑结构影像的标注与所述影像融合特征指标， 利用机器学习的 方法构建磁共振脑结构影像分类模型。 0010 由上， 所述多个有标注的磁共振脑结构影像可以来自于多台磁共振设备， 也可以 来自于一台磁共振设备的历史数据， 基于多个所述磁共振脑结构影像可以构建稳定的独立 的所述影像融合特征指标， 同时， 所述磁共振脑结构影像分类模型基于所述磁共振脑结构 影像的标注和所述影像融合特征指标， 挖掘了临床专家的诊断结果与所述磁共振脑结构影 像的内部特征的关系， 降低了人为主观的影响， 提高了用于脑疾病发现的磁共振脑结构影 像分类模型磁共振脑结构影像分类。

19、模型的准确性。 0011 由上， 所述多类别的影像质量监测指标基于各磁共振站点的磁共振脑结构影像使 用业界标准工具提取， 所述类别遵从业界标准， 包括:图像噪声类、 信息分布类、 信号强度 类、 体素重叠类， 这些通用性类别和指标项全面准确表述了影像质量， 可以在构建所述影像 融合特征指标时用于发现影像质量对病理水平的影响， 提高所述影像融合特征指标的准确 性， 提升所构建的磁共振脑结构影像分类模型的准确性。 0012 可选的， 所述磁共振脑结构影像至少包括下列模态之一： T1加权影像和T2加权影 像， 所述标注分为有病和无病。 0013 由上， T1加权影像和T2加权影像采用快速容积扫描技术。

20、， 有较高的空间分辨率和 时间分辨率， 信噪比高、 伪影小、 对脑内结构(如白质、 灰质和脑脊液)的对比度良好， 能三维 显示人脑内部精细解剖结构， 有利于显示小病灶及其细节， 对神经系统疾病的诊断具有重 要价值， 同时也是获取正常人脑的三维可视化图像的重要技术； 同时， T1加权影像主要侧重 解剖结构， T2加权影像突出组织主要看病理结构或病理变化， 基于T1加权影像和T2加权影 像提取的影像质量和病理水平特征更全面， 相对于只使用T1加权影像或T2加权影像都提升 所述磁共振脑结构影像分类模型的准确性。 0014 由上， 所述标注分为有病和无病， 是临床专家的临床诊断结果， 集合了临床专家的。

21、 专业知识和经验， 用其构建的所述磁共振脑结构影像分类模型学习了临床专家的专业知识 和经验， 提高了该分类模型准确性。 0015 可选的， 所述病理水平监测指标至少包括下列之一： 病理形态学指标、 病理白质髓 鞘化指标； 说明书 2/29 页 6 CN 112052882 A 6 0016 所述病理形态学指标至少包括下列基于所述磁共振脑结构影像提取的指标之一： 皮层厚度、 表面积、 灰质体积和密度、 白质体积和密度、 脑室容积； 0017 所述病理形态学指标还包括基于所述磁共振脑结构影像提取的每个体素的白质 密度数据对每个体素的位置序号回归后确定的所有体素的白质密度回归的误差和； 0018 所。

22、述病理白质髓鞘化指标至少包括下列指标之一： 脑区信号掩模内各体素的脑区 信号比值的均值、 标准差、 设定的分位差； 0019 所述脑区信号掩模为基于T1加权影像提取， 所述脑区信号掩模内各体素的所述脑 区信号比值等于基于T1加权影像提取所述脑区信号掩模内相应体素的脑区第一信号值除 以基于T2加权影像提取所述脑区信号掩模内相应体素的脑区第二信号值的商； 所述设定的 分位差是将所述各体素的所述脑区信号比值从小到大排序后分成若干等份且取其中两个 等份的上位点所对应的所述脑区信号比值的差值。 0020 由上， 所述病理水平监测指标从形态学和白质髓鞘化两个方面度量所述磁共振脑 结构潜在病理水平特征， 形。

23、态学从形态上如大脑皮层、 大脑灰质、 大脑白质等形态方面描 述， 白质髓鞘化从青少年发育过程中髓鞘发展进展程度描述， 综合使用形态学和白质髓鞘 化指标提高了所述病理水平监测指标的全面性， 相对于只使用形态学指标或白质髓鞘化指 标， 使包含其的所述影像融合特征指标全面表征脑疾病的病理水平问题； 另外， 所述病理形 态学指标还包含了优选的所有体素的白质密度回归的误差和， 使用所述误差和作为病理水 平的特征数据， 消除了年龄、 性别和左右利手等非疾病因素对所述病理水平监测指标的影 响， 使所述影像融合特征指标更加准确表征脑疾病的病理水平问题。 0021 优选的， 所述影像融合特征指标包括： 所述病理。

24、水平监测指标和影像质量对病理 水平影响指标。 0022 由上， 磁共振设备不可避免会带来的所述磁共振脑结构影像质量问题， 影响病理 水平监测指标， 所述影像融合特征指标融合所述病理水平监测指标和影像质量对病理水平 影响指标， 相对于只使用所述病理水平监测指标来说， 把磁共振设备本身硬件问题带来的 病理水平的影响降低甚至消除， 提高基于所述影像融合特征指标的磁共振脑结构影像分类 模型的准确性 0023 优选的， 所述影像质量对病理水平影响指标对应的矩阵等于影像质量对病理水平 影响系数矩阵与影像质量综合得分对应的矩阵的乘积； 所述影像质量综合得分对应的矩阵 由各类别的影像质量综合得分组成， 所述各。

25、类别的影像质量综合得分等于相应类别的影像 质量综合得分系数矩阵与相应类别的所述影像质量监测指标对应的矩阵的乘积。 0024 由上， 基于度量影像质量的所述影像质量监测指标确定所述影像质量综合得分， 再基于所述影像质量综合得分确定所述影像质量对病理水平影响指标， 从而评估了磁共振 设备带来的影像质量问题对所述影像融合特征指标的影响， 并把这个影响融合所述影像融 合特征指标， 使在构建的磁共振脑结构影像分类模型的过程中充分考虑该影响， 提高了所 述磁共振脑结构影像分类模型的准确性。 0025 可选的， 各类别的所述影像质量综合得分系数矩阵的建立步骤， 包括： 0026 获取多个所述磁共振脑结构影像。

26、的各类别的所述影像质量监测指标； 0027 基于各类别的所述影像质量监测指标， 利用探索性因子分析法确定各类别的所述 影像质量监测指标的至少1个公因子、 因子贡献率第一矩阵和因子得分矩阵； 说明书 3/29 页 7 CN 112052882 A 7 0028 对各类别所述因子贡献率第一矩阵分别基于其各元素的和归一化得到相应类别 的因子贡献率第二矩阵， 其与相应类别所述因子得分矩阵乘积构成相应类别的影像质量综 合得分系数矩阵。 0029 由上， 使用探索性因子分析法提取各类别的所述影像质量监测指标的至少1个独 立的稳定的可解释的公因子， 从而计算各类别的所述影像质量综合得分， 保证了所述影像 质。

27、量综合得分准确、 稳定性和可解释性， 可用来准确评估所述影像质量综合得分对所述病 理水平监测指标的影响。 同时， 在构建所述磁共振脑结构影像分类模型时构建的各类别所 述影像质量综合得分系数矩阵可以复用， 在计算待分类的磁共振脑结构影像的所述影像质 量综合得分时可以直接使用。 0030 优选的， 所述影像质量对病理水平影响系数矩阵的各元素值为基于一类别的影像 质量综合得分的分布与一病理水平监测指标数值的关系确定， 其各元素值确定方法包括： 0031 获取各所述磁共振脑结构影像的第i个病理水平监测指标， 基于高斯分布计算第i 个病理水平监测指标的均值； 0032 基于第i个病理水平监测指标的均值把。

28、各所述磁共振脑结构影像分成两个子集g1 和g2， 子集g1为第i个病理水平监测指标值从0到均值的所述磁共振脑结构影像的集合， 子 集g2为第i个病理水平监测指标值从均值到最大值的所述磁共振脑结构影像的集合； 0033 基于高斯分布计算子集g1的类别j的影像质量综合得分的分布和子集g2中的影像 的类别j的影像质量综合得分的分布的JS散度， 作为类别j的影像质量综合得分对第i个病 理水平监测指标的影响系数， 即所述影像质量对病理水平影响系数矩阵的第i行第j列元素 的值； 0034 基于所述影像质量对病理水平影响系数矩阵的第i行第j列元素的值的计算方法 确定所述影像质量对病理水平影响系数矩阵其他各个。

29、元素的值。 0035 由上， 优选子集g1与子集g2的JS散度评价了在不同的所述病理水平监测指标值下 影像质量综合得分分布的一致性， 解决了KL散度的不对称性， 更加准确揭示影像质量对病 理水平的影响， 进一步提高了所述影像融合特征指标的准确性， 降低影像质量对所述磁共 振脑结构影像分类模型的影响， 提高所述磁共振脑结构影像分类模型的准确性。 同时， 在构 建所述磁共振脑结构影像分类模型时构建的所述影像质量对病理水平影响系数矩阵可以 复用， 在计算待分类的所述磁共振脑结构影像的所述影像质量对病理水平影响指标时可以 直接调用。 0036 综上， 本申请基于探索性因子分析法抽取的公因子精确计算了影。

30、像质量综合得 分， 同时从病理形态学和白质髓鞘化全面度量影像病理水平， 通过优选的JS散度方法准确 评价影像质量对病理水平的影响， 提高了所述影像融合特征指标的准确性， 利用机械学习 的方法挖掘临床专家对影像的专业标注与所述影像融合特征指标内在联系， 建立了准确的 磁共振脑结构影像分类模型， 可用来提高脑疾病临床诊断的时效性和准确性。 0037 本申请第二方面提供了一种基于融合特征的磁共振脑结构影像分类模型构建装 置， 包括： 0038 磁共振脑结构影像获取模块、 用于获取各站点的有标注的磁共振脑结构影像， 包 括下列模态： T1加权影像和T2加权影像。 0039 病理水平监测指标提取模块、 。

31、用于基于所述磁共振脑结构影像提取病理水平监测 说明书 4/29 页 8 CN 112052882 A 8 指标。 0040 影像质量监测指标提取模块、 用于基于所述磁共振脑结构影像提取影像质量监测 指标。 0041 影像质量得分系数矩阵构建模块、 用于基于各类别的所述影像质量监测指标利用 探索性因子分析法构建相应类别的影像质量综合评估体系， 从而计算应类别的影像质量综 合得分系数矩阵。 0042 影像质量综合得分计算模块、 用于基于各类别的所述影像质量综合得分系数矩阵 与相应类别的所述影像质量监测指标的乘积确定相应类别的所述影像质量综合得分。 0043 影像质量对病理水平影响系数矩阵构建模块、。

32、 用于基于所述病理水平监测指标和 所述影像质量综合得分利用JS散度构建所述影像质量对病理水平影响系数矩阵。 0044 影像质量对病理水平影响指标计算模块、 用于基于所述影像质量对病理水平影响 系数矩阵与所述影像质量综合得分的乘积确定所述影像质量对病理水平影响指标。 0045 影像融合特征指标计算模块、 用于基于所述病理水平监测指标和影像质量对病理 水平影响指标确定所述影像融合特征指标。 0046 影像分类模型构建模块、 用于基于所述影像融合特征指标和影像的标注利用机械 学习的方法构建磁共振脑结构影像分类模型。 0047 本申请第三方面提供一种基于融合特征的磁共振脑结构影像分类方法， 包括步 骤。

33、： 0048 基于多个所述有标注的磁共振脑结构影像， 使用一种基于融合特征的磁共振脑结 构影像分类模型构建方法， 构建磁共振脑结构影像分类模型； 0049 获取待分类的磁共振脑结构影像， 计算所述影像融合特征指标； 所述计算所述影 像融合特征指标的方法参照本申请第一方面的所述方法； 0050 基于所述影像融合特征指标， 利用所述磁共振脑结构影像分类模型对所述待分类 的磁共振脑结构影像分类。 0051 由上， 基于所述磁共振脑结构影像分类模型的磁共振脑结构影像分类方法， 客观 地对磁共振脑结构影像分类， 降低了人为主观的影响， 为脑疾病临床诊断提供了准确的参 考， 因此提高了脑疾病临床诊断的准确。

34、性， 另外， 降低了对紧张的临床专家资源的需求， 提 高了脑疾病临床诊断的时效性。 0052 本申请第四方面提供了一种基于融合特征的磁共振脑结构影像分类装置， 包括： 0053 待分类影像获取模块、 用于获取所述待分类的磁共振脑结构影像。 0054 待分类影像指标计算模块、 用于计算所述待分类的磁共振脑结构影像的所述病理 水平监控指标、 所述各类别的影像质量监控指标、 所述影像质量综合得分指标， 进而计算所 述影像融合特征指标。 0055 影像分类模块、 用于基于所述磁影像融合特征指标利用所述磁共振脑结构影像分 类模型对所述待分类的磁共振脑结构影像进行分类。 0056 本申请第五方面提供一种基。

35、于融合特征的磁共振脑结构影像可视化方法， 包括步 骤： 0057 获取按照所述一种基于融合特征的磁共振脑结构影像分类方法已分类的磁共振 脑结构影像， 并获取所述已分类的磁共振脑结构影像在分类过程中所计算的所述病理水平 说明书 5/29 页 9 CN 112052882 A 9 监测指标、 所述影像质量监测指标和所述影像质量综合得分； 0058 获取所述一种基于融合特征的磁共振脑结构影像分类方法中使用的多个有标注 的磁共振脑结构影像， 组成参考影像集合， 并获取在构建一种基于融合特征的磁共振脑结 构影像分类模型过程中所计算的所述参考影像集合中各影像的所述病理水平监测指标、 所 述影像质量监测指标。

36、和所述影像质量综合得分； 0059 基于所述病理水平监测指标、 所述影像质量监测指标和所述影像质量综合得分， 计算所述已分类的磁共振脑结构影像与所述参考影像集合中各影像的影像相似度； 0060 从所述参考影像集合中选择与所述已分类的磁共振脑结构影像的影像相似度分 数最高的影像为所述已分类的磁共振脑结构影像的最相似参考影像； 0061 基于所述最相似参考影像和所述已分类的磁共振脑结构影像确定混合影像， 其 中， 所述混合影像各体素的影像信号强度基于所述最相似参考影像相应体素的影像信号强 度和所述已分类的磁共振脑结构影像相应体素的影像信号强度按设定权重比例加权求和 确定； 0062 对比显示所述已。

37、分类的所述磁共振脑结构影像、 所述最相似参考影像和所述混合 影像。 0063 由上， 所述影像相似度融合了病理水平和影像质量的相似程度， 基于所述影像相 似度从有标注的所述磁共振脑结构影像中确定具有临床最佳参考案例意义的最相似参考 影像， 通过最相似参考影像与已分类的所述磁共振脑结构影像的信号强度加权计算混合影 像的信号强度， 可突出病灶的显示， 结合已分类影像、 最相似参考影像和混合影像的可视化 查看和对比， 帮助临床大夫在自动化诊断的基础上提高了诊断的可解释性。 0064 优选的， 所述影像相似度为2个磁共振脑结构影像的相似程度， 其等于所述2个磁 共振脑结构影像的病理水平相似度和影像质量。

38、相似度的均值； 0065 其中， 所述2个磁共振脑结构影像的病理水平相似度等于所述2个磁共振脑结构影 像的所述病理水平监测指标的线性相关系数， 所述2个磁共振脑结构影像的影像质量相似 度等于所述2个磁共振脑结构影像的由所述影像质量监测指标和所述影像质量综合得分组 成的影像质量指标的线性相关系数。 0066 由上， 所述影像相似度融合了所述病理水平监测指标、 各类别的影像质量监测指 标和影像质量综合得分， 全面反映了影像间的相似度， 保证了在影像可视化方面准确选择 所述最相似参考影像， 进一步提高了脑疾病诊断的可解释性。 0067 综上， 本申请的一种基于融合特征的磁共振脑结构影像可视化方法融合。

39、了所述病 理水平监测指标、 各类别的影像质量监测指标和影像质量综合得分， 准确计算了所述影像 相似度， 为分类结果提供最相似参考影像； 通过最相似参考影像与已分类的所述磁共振脑 结构影像的信号强度加权计算混合影像的信号强度， 可突出病灶的显示； 结合已分类影像、 最相似参考影像和混合影像的可视化查看和对比， 帮助临床大夫在自动化诊断的基础上提 高了诊断的可解释性。 0068 本申请第六方面提供了一种基于影像质量和病理特征的脑疾病可视化装置， 包 括： 0069 已分类影像和指标获取模块、 用于获取已分类的磁共振脑结构影像， 及其在分类 过程中所计算的所述病理水平监测指标、 各类别的所述影像质量。

40、监测指标和所述影像质量 说明书 6/29 页 10 CN 112052882 A 10 综合得分。 0070 参考影像和指标获取模块、 用于获取所述参考影像集合中各影像、 以及在构建所 述磁共振脑结构影像分类模型中所计算的各影像的所述病理水平监测指标、 各类别的所述 影像质量监测指标和所述影像质量综合得分。 0071 影像相似度计算模块、 用于计算所述参考影像集合中所有影像与所述已分类的磁 共振脑结构影像的影像相似度， 并基于所述影像相似度从所述参考影像集合中确定最相似 参考影像。 0072 混合影像信号强度计算模块、 用于基于设定比例计算所述已分类的磁共振脑结构 影像与所述最相似参考影像的混。

41、合影像的信号强度。 0073 多影像对比显示模块、 用于对比显示所述已分类的磁共振脑结构影像、 所述最相 似参考影像和所述混合影像， 为临床大夫诊断提供参考。 0074 本申请第七个方面提供了一种计算设备， 包括： 总线； 通信接口， 其与所述总线连 接； 至少一个处理器， 其与所述总线连接； 以及至少一个存储器， 其与所述总线连接并存储 有程序指令， 所述程序指令当被所述至少一个处理器执行时使得所述至少一个处理器执行 上述技术方案中任一所述的方法。 0075 本申请第八个方面提供了一种计算机可读存储介质， 其上存储有程序指令， 所述 程序指令当被计算机执行时使得所述计算机执行上述技术方案中任。

42、一所述的方法。 附图说明 0076 图1A为一种基于融合特征的磁共振脑结构影像分类与可视化方法的流程图； 0077 图1B为磁共振脑结构影像去隐私效果图； 0078 图2为磁共振脑结构影像的影像融合特征指标计算流程图； 0079 图3为磁共振脑结构影像的病理水平监测指标提取流程图； 0080 图4A为磁共振脑结构影像的影像质量综合得分系数矩阵构建流程图； 0081 图4B为磁共振脑结构影像的影像质量综合评估三层架构示意图； 0082 图4C为磁共振脑结构影像的影像质量监测指标的公因子提取流程图； 0083 图5为磁共振脑结构影像的影像质量对病理水平影响系数矩阵构建流程图； 0084 图6A为一。

43、种基于融合特征的磁共振脑结构影像可视化方法的流程图； 0085 图6B为一种基于融合特征的磁共振脑结构影像可视化方法的效果图； 0086 图7A为一种基于融合特征的磁共振脑结构影像分类模型构建装置结构示意图； 0087 图7B为一种基于融合特征的磁共振脑结构影像分类装置结构示意图； 0088 图7C为一种基于融合特征的磁共振脑结构影像可视化装置结构示意图； 0089 图8为计算设备结构性示意图。 具体实施方式 0090 在以下的描述中， 涉及到 “一些实施例” ， 其描述了所有可能实施例的子集， 但是可 以理解，“一些实施例” 可以是所有可能实施例的相同子集或不同子集， 并且可以在不冲突 的情。

44、况下相互结合。 0091 在以下的描述中， 所涉及的术语 “第一第二第三等” 或模块A、 模块B、 模块C等， 仅 说明书 7/29 页 11 CN 112052882 A 11 用于区别类似的对象， 不代表针对对象的特定排序， 可以理解地， 在允许的情况下可以互换 特定的顺序或先后次序， 以使这里描述的本申请实施例能够以除了在这里图示或描述的以 外的顺序实施。 0092 在以下的描述中， 所涉及的表示步骤的标号， 如S110、 S120等， 并不表示一定 会按此步骤执行， 在允许的情况下可以互换前后步骤的顺序， 或同时执行。 0093 除非另有定义， 本文所使用的所有的技术和科学术语与属于本。

45、申请的技术领域的 技术人员通常理解的含义相同。 本文中所使用的术语只是为了描述本申请实施例的目的， 不是旨在限制本申请。 0094 对本申请具体实施方式进行进一步详细说明之前， 对本申请实施例中涉及的名词 和术语， 以及其在本申请中相应的用途作用功能等进行说明， 本申请实施例中涉及的名 词和术语适用于如下的解释。 0095 1、 本申请的磁共振脑结构影像： T1加权影像(T1w,T1 Weighted)和T2加权影像 (T2w,T2 Weighted)， T1加权影像突出组织T1弛豫(纵向弛豫)的差别， 主要侧重解剖结构， 使用比较短的重复时间(TR)和比较短的回波时间(TE)； T2加权影像。

46、突出组织T2弛豫(横向 弛豫)的差别， 主要看病理结构或病理变化， 用比较长的重复时间(TR)和比较长的回波时间 (TE)； 所述弛豫是在射频脉冲的激发下， 人体组织内氢质子吸收能量处于激发状态， 射频脉 冲终止后， 处于激发状态的氢质子恢复其原始状态， 这个过程称为弛豫。 0096 表一T1加权影像和T2加权影像设置参数对比 0097 0098 其中， TR(repetition time)是指脉冲序列执行所需的时间； TE(echo_time)在梯 度回波中指小角度脉冲中点到梯度回波中心的时间间隔； 矩阵(Matrix)是指磁共振图像层 面内行和列的数目， 即是频率编码和相位编码上的像素数。

47、目。 层厚(slice thickness)在层 面选择梯度场强和射频脉冲的带宽决定的被激发层面的厚度； FOV(field of view)指的是 磁共振设备扫描视野大小； 此外， 加权图像(weighted image)： 为了评判被检测组织的特 性， 通过调节重复时间TR和回波时间TE， 可以得到突出某种组织特征参数的图像， 此图像称 为加权像。 0099 2、 SPM： 神经影像的软件SPM(Statistical Parametric Mapping)是由UCL (University College London)的Wellcome Trust Centre中心的成员及其合作者开发。

48、的， 用来分析脑的影像数据序列， 所述序列可以是来自于fMRI(Functional Magnetic Resonance Imaging， 功能磁共振成像)， PET(Positron Emission Tomography， 正电子发射 断层扫描)， SPECT， EEG(electroencephalo-graph， 脑电图)和MEG(magnetoencephalogram， 脑磁图)。 0100 3、 pydeface/mri_deface/MRIQC/fsl:这些都是开源的磁共振影像处理工具， pydeface和mri_deface用于去除磁共振脑结构影像中面部部分， 保护用户隐私。

49、； MRIQC用于 抽取磁共振脑结构和功能影像的质量监测指标； fsl是综合多功能的脑影像的处理工具。 说明书 8/29 页 12 CN 112052882 A 12 0101 4、 探索性因子分析法(Exploratory Factor Analysis， EFA)： 因子分析法的一种， 是一项用来找出多元观测变量的本质结构、 并进行处理降维的技术能够将具有错综复杂关 系的变量综合为少数几个核心公因子。 0102 5、 因子得分矩阵与因子贡献率： 因子得分矩阵是在探索性因子分析法中变量在公 因子上的得分系数组成的矩阵， 因子贡献率是在探索性因子分析法中用来衡量某个公因子 对变量的贡献大小。 。

50、0103 6、 SPSS(Statistical Product and Service Solutions)： 统计产品与服务解决 方案软件， 为IBM公司推出的一系列用于统计学分析运算、 数据挖掘、 预测分析和决策支持 任务的软件产品及相关服务的总称。 0104 7、 KL散度和JS散度： KL散度用来分析一个随机分布与另一个随机分布之间的匹配 程度， 假设Pg1是一连续的随机概率密度分布， Pg2是一连续的随机概率密度分布， 分析Pg1与 Pg2匹配程度即KL散度如下式， 可以发现Pg1与Pg2的KL散度和Pg2与Pg2的KL散度是不同的， 这 就是KL散度的不对称性。 0105 010。