[发明专利]基于集成学习的大脑功能影像定位方法

说明书

本发明公开了一种基于集成学习的大脑功能影像定位方法，针对胶质瘤患者脑功能区空间位置的个体差异，利用先进的机器学习算法，将弹性网络算法嵌入集成学习框架，实现了个体化模型生成，构建出因人而异的脑功能区定位器，真正实现了个体化定位，可以在手术中更好的保护脑功能，对每例患者构建个体化脑功能定位模型，提高了定位精度，同时实现无创的脑功能区定位，并不需要患者配合任务态，有利于保护危重病人脑功能。

技术领域

本发明属于医学图像处理辅助技术领域，涉及一种大脑功能影像定位方法，具体是一种基于集成学习的大脑功能影像定位方法。

背景技术

手术治疗是目前胶质瘤治疗最有效的临床手段，然而颅内手术如果损害到肿瘤附近的脑功能区，手术后就很可能会发生偏瘫、失语等严重影响患者生活质量的情况。

目前根据解剖学研究成果，我们对于大脑不同部位的功能有所了解。但是，已有研究表明人与人之间在功能脑区的大小和位置并非完全一致。一位患者的非功能区(手术可操作区域)很可能是另一位患者的功能脑区。此前的功能定位技术对于个体化差异考虑不充分，限制了定位技术的临床应用。

发明内容

本发明的目的在于针对不同脑功能区胶质瘤患者脑功能区个体化差异的问题，提供了一种基于集成学习的大脑功能影像定位方法，实现了个体化定位，在手术中更好的保护患者脑功能。

本发明的目的可以通过以下技术方案实现：

基于集成学习的大脑功能影像定位方法，具体包括以下步骤：

步骤S1，采用静息态功能磁共振技术获取脑功能区胶质瘤患者指定时间内的静息态功能影像及高精度结构影像；

步骤S2，对步骤S1中获取的影像数据集采取多项预处理；

步骤S3，将大脑划分为若干功能脑区；

步骤S4，针对每个功能脑区，利用弹性网络统计模型进行对侧功能连接特征选择和对侧功能连接模式定位分类器训练，在训练集上，针对每个脑功能区胶质瘤患者个体的每个功能脑区分别训练一个对侧定位分类器，构建每个功能脑区的弱分类器模型库；

步骤S5，对于新来的脑功能区胶质瘤患者数据，将任一功能脑区的弱分类器模型库中的所有弱分类器应用于该患者个体数据，得到对该功能脑区的若干定位结果；

步骤S6，计算新来的脑功能区胶质瘤患者数据和弱分类器训练个体数据的相似度，利用计算获得的相似度，对所有弹性网络弱分类器的预测结果进行个体化集成；

步骤S7，根据脑功能区胶质瘤患者肿瘤附近每个体素在不同功能脑区对应的集成模型评分，将评分转换成在对应功能脑区的排序，将排序最高的功能脑区标签赋给当前体素，实现大脑功能区的个体化定位。

进一步地，在所述步骤S1的扫描过程中，每个扫描包括248个连续的EPI功能图像，其扫描参数设置如下：

33axial slices,repetition time(TR)＝2000ms,echo time(TE)＝30ms,thickness/skip＝4/0mm,field of view(FOV)＝192×192mm,matrix＝64×64mm,flipangle＝90°。

进一步地，所述步骤S2中的多项预处理包括去除时间点、扫描层时间校正、头动校正，映射到标准化空间，去趋势项，带通滤波以及Scrubbing。

进一步地，所述头动校正采用6个参数的刚体变换来校正不同TR间的头动差异，将大于3mm或3degree的脑功能区胶质瘤患者数据作为无用数据剔除，并使用waveletdespiking消除突发性头动对功能信号的影响。

进一步地，所述映射到标准化空间时，通过肿瘤蒙版去除肿瘤对于标准化的影响，将患者未受到肿瘤影像的健康侧大脑映射到标准空间。