[发明专利]基于量子势能模型的功能磁共振成像脑分区方法及系统

说明书

本发明公开了一种基于量子势能模型的功能磁共振成像脑分区方法及系统。其中，一种基于量子势能模型的功能磁共振成像脑分区方法，包括对fMRI脑图像进行预处理；利用量子势能模型对预处理后的fMRI脑图像进行分区。本发明利用量子算法在分析处理大数据、高维度数据时所具备的优势，将脑分区转化为量子势能模型，通过量子计算对单个被试或者多个被试的fMRI数据进行聚类分区，此系统适用于fMRI图像的处理。

技术领域

本发明属于功能磁共振成像图像处理领域，尤其涉及一种基于量子势能模型的功能磁共振成像脑分区方法及系统。

背景技术

功能磁共振成像(functional magnetic resonance imaging,fMRI)已经发展成为神经认知领域的主要工具。与正电子放射断层造影技术、脑电图扫描技术不同，fMRI利用血氧水平依赖信号探测大脑中的激活区域，这种方法具有无创性、能深入探测大脑内部区域等优势，因此现已被广泛用于脑科学领域的方方面面。然而人脑包含约860亿神经元，复杂的大脑结构导致fMRI研究产生海量数据，对硬件、软件的性能以及人力都提出了极高的要求。现行方案是将大脑分为多个脑区，通过脑区的分析，可以避免处理过多冗余数据，提高分析效率。脑功能分区技术因此应运而生，在脑科学、认知科学领域受到广泛关注。

脑分区是一种将大脑空间分为若干具有一致性且不相互重叠区域的技术，目前常见的脑分区技术主要有三种，基于感兴趣区的分析、脑图谱以及数据驱动的脑分区技术。

基于感兴趣区的分区方法将数据分析的关注点设置在一个预先定义的区域中，这个预先定义的区域可以根据先验实验结果进行选择。目前基于感兴趣区的分析方法已应用于老龄化、病理、脑网络等fMRI数据的分析与研究当中。然而基于感兴趣区的分析方法也存在种种弊端，它忽视了感兴趣区以外的信号，因此分区结果的好坏在一定程度上取决于感兴趣区的选取。而且不同人群大脑存在一定程度的差异，基于感兴趣区的分析对不同人群并不具有普适性。

脑图谱顾名思义，即根据现有知识，将大脑分为若干解剖学或功能上相互连接的区域。目前比较常用的脑图谱有自动解剖标记脑图谱、布罗德曼分区脑图谱等，但是以上脑图谱年代久远，对人脑的分区不够精细。而且现有的脑图谱之间存在不一致性。而且由于脑图谱是通过采集特定人群的数据制作而成的，对特殊人群可能存在偏差。

不同于基于感兴趣区和基于脑图谱的分区方法，数据驱动的脑分区方法通过聚类算法，对数据进行分类，可以充分提取数据内在特征，更好地反应数据固有属性。而且国内外对数据驱动脑分区的研究近些年越来越热，其中，数据驱动脑分区的方法有基于k-均值聚类的脑分区、基于层次聚类的脑分区和基于谱聚类的脑分区等。

但是以上种种聚类方法存在着依赖初始种子点选择、受制于人的主观因素影响、无法对包含大数据量的图像进行快速聚类分析等缺陷。因此，亟需一种对包含大数据量的图像准确快速地分类方法。

发明内容

为了解决现有技术的不足，本发明的第一目的是提供一种基于量子势能模型的功能磁共振成像脑分区方法，其对包含大数据量的fMRI脑图像，能够快速准确地进行分区。

本发明的一种基于量子势能模型的功能磁共振成像脑分区方法，包括：

对fMRI脑图像进行预处理；

利用量子势能模型对预处理后的fMRI脑图像进行分区。

进一步的，利用量子势能模型对预处理后的fMRI脑图像进行分区的具体过程为：

提取预处理后的fMRI脑图像中的灰质部分，得到灰质图像；

将灰质图像转换为二维矩阵形式M；其中，行数等于灰质图像的总体素数，列数为4的整数倍，且倍数等于待分区fMRI脑图像的数量；每一行代表一个体素，每4列分别代表体素的x、y、z轴位置坐标及体素的灰度值；