一种利用深度学习先验信息生成脑图谱的方法

技术领域

本发明涉及医学影像领域和深度学习领域，可以用于生成在神经影像学研究中至关重要的脑图谱，提供对脑解剖结构和其他信息(包括功能和连接等)的群体表达，促进了多中心研究的结果整合，为脑科学和脑疾病研究提供有用的参照系。

背景技术

MRI医学影像脑图谱，即公共模板，在医学临床应用中有非常重要的作用。它能提供对脑解剖结构和其他信息(包括功能和连接等)的群体表达，促进了多中心研究的结果整合，为脑科学和脑疾病研究提供有用的参照系。在神经影像学研究中，脑图谱在空间标准化、群组分析、可视化以及跨研究结果比较方面发挥着重要作用。狭义的图谱主要是大脑解剖配准模板和相应的参考系；广义上，图谱可刻画大脑时空变化、疾病改变。

构建脑图谱的技术也在不断更新。早期最简单的方法就是从众多MRI影像中随机挑选一个作为公共模板，多把横断面甚至不同年龄段的脑图像数据配准到公共的模版空间上。但是这样选择的模板选择太依赖于个体数据，不能够反应整体的统计信息，因此会引入偏差，不足以作为公共模板使用。随着配准技术的发展和脑影像研究精细程度需求的提升，图谱的生成技术日新月异。论文《Unbiased diffeomorphic atlas construction forcomputationalanatomy》提出了基于配准的模板生成技术，即充分利用到众多数据信息生成的公共图谱，该方法生成的公共图谱应该满足所有数据配准到这个公共图谱上的能量总和最小。这种方法需要迭代更新脑图谱，直到生成最优的公共图谱。每轮迭代中都需要求解每个数据到当前待优化图谱的配准问题。由于高维3D数据的配准求解是一个非常耗时的过程，所以基于这样的方法对计算性能和时间提出了巨大的挑战。尽管论文《A fastdiffeomorphic image registrationalgorithm》和论文《Fast diffeomorphicimageregistration via Fourier-approximated Lie algebras》中提出的方法大大优化了配准的步骤，提高了配准效率，但当对成千上万个数据生成公共图谱时，就要求解成千上万个配准问题，生成最优图谱的过程仍然面临耗时太长的巨大挑战。随着机器学习的兴起，论文《Learning conditional deformable templates with convolutional networks》和论文《Diffeomorphicautoencoders for lddmm atlas building》也提出了基于深度学习的方法去生成公共图谱。然而，他们的方法并未提供图谱预测。他们将公共图谱建模成待优化的参数，通过学习的方式对其进行更新，当需要对新得到的数据进行图谱生成时，其不能提供图谱的直接预测，而需要从头开始，从所有的待构建图谱的数据中学习一个新的公共图谱，所以并不能解决的生成图谱面临的耗时挑战。所以，在实践中，如何高效快速生成高质量的公共图谱仍然是当前待解决的一个挑战。

发明内容

本发明的目的是克服现有技术的不足，在生成高质量的脑图谱的同时，大大节省了时间开销，提供了一种利用深度学习先验信息生成脑图谱的方法，该方法将传统更新图谱的算法中复杂度高的配准用神经网络学到的先验知识替代，节省了配准、图谱生成的时间开销。

为了实现上述目的，本发明采用下述的技术方案：

一种利用深度学习先验信息生成脑图谱的方法，该方法包括以下步骤：

步骤1：利用3000对MRI数据集训练一个配准神经网络；

步骤2：初始化一个脑图谱；

步骤3：迭代更新步骤2中的初始脑图谱，直到脑图谱稳定不再变化，此时脑图谱更新到最优，将结果直接输出保存；每一轮脑图谱的更新依赖于所有待构建脑图谱的MRI和当前脑图谱之间的配准形变场，由步骤1中的配准神经网络直接计算得出；其中，

所述步骤1，具体包括：

1.1：准备训练配准神经网络所需的MRI数据，然后进行如下数据预处理：

a)对所有的MRI数据进行去颅骨操作；

b)将步骤a)中的MRI数据统一下采样到128x128x128的分辨率，物理距离为1.25mmx1.25mmx1.25mm；

c)将步骤b)中的MRI数据进行仿射对齐；

d)将步骤c)中的MRI数据进行归一化；

1.2：选择配准神经网络，选择性能稳定的配准神经网络Quicksilver、Voxelmorph或DeepFlash；

1.3：将步骤d)中的MRI数据，输入到步骤1.2中的配准神经网络中，进行训练；待配准神经网络训练完成以后，保存其网络参数；使用该配准神经网络时，任意输入一对MRI数据，该神经网络直接计算出配准参数，形变场；

所述步骤2，具体包括：

2.1：公共脑图谱的初始化；对所有待构建脑图谱的MRI数据求线性平均作为公共脑图谱的初始化值，或者随机挑选一个MRI数据作为公共脑图谱的初始化值；

所述步骤3，具体包括：

3.1：在每一次迭代中，依次将每个MRI数据和当前待优化的脑图谱成对输入到步骤1.3所训练的配准神经网络中，配准神经网络计算出当前脑图谱和每个MRI数据之间进行的配准结果，即形变场；

3.2：将步骤3.1得到的形变场作为参数，整合到脑图谱生成算法FLASH中，进行脑图谱更新；

3.3：重复步骤3.1-3.2，对脑图谱进行M次迭代更新，直到脑图谱稳定不再变化，此时脑图谱更新到最优，将结果直接输出保存。

步骤3.3所述对脑图谱进行M次迭代更新，具体包括：

在每一次迭代中，依次将每个MRI数据和当前待优化的公共脑图谱成对输入到所训练的配准神经网络中，网络快速输出当前脑图谱和MRI数据之间配准的形变场；然后将该形变场带入如下脑图谱更新公式，进行脑图谱更新；具体公式：

其中，

N表示待生成公共图谱的MRI数据的数量；

I

是待优化的公共图谱，上标j表示第j次更新；

是第i个MRI数据和当前待优化的图谱之间进行配准的形变场，该形变场从预先学习到的配准神经网络中直接得到；上标j表示第j次更新；

D表示求雅可比矩阵。

步骤3.3所述直到脑图谱稳定不再变化，其满足的数学条件为，最优公共图谱满足所有MRI数据配准到它上的配准能量总和最小，那么最优公共图谱应满足最小化如下能量方程，即

其中，

I

是待优化的公共图谱；

g

是神配准经网络输出的当前待优化的图谱和第i个MRI数据之间的配准结果，即形变场；

v

表示向量的二范数，/>

本发明中配准神经网络的选择具有灵活性。可以根据设备的特点，选择轻量级或重量级的配准网络；或根据数据的特点，选择更简易或复杂的配准网络。只要配准网络的性能稳定，都可以应用到本发明的方法中。当前，比较稳定的配准神经网络中，有基于不同的数学理论体系进行建模的神经网络，包括但不限于，基于恒定速度场理论体系建模的无监督配准神经网络VoxelMorph；基于LDDMM大型形变场进行建模的监督配准神经网络QuickSilver，DeepFlash。

不同于目前经典的脑图谱生成算法中，一对3D MRI数据配准至少需要十几分钟，所述的配准神经网络一旦训练完成，可以在数秒以内计算出3D MRI数据的配准结果，即形变场；配准结果作为脑图谱更新算法中必需的参数，配准算法的运行效率直接影响到脑图谱的生成效率。当需要给大量数据生成脑图谱时，生成一个稳定的脑图谱需要数日甚至数十日的时间。所以将配准神经网的计算结果直接嵌入到传统脑图谱更新步骤中，可以大大缩减脑谱图生成时间。

本发明的数据预处理步骤都有比较成熟的工具可以使用，比如Matlab中就集成了对图像对进行仿射变换的方法；专用医学图像软件3D slicer也可提供对图像进行仿射对齐和去颅骨的操作；FSL-BET也提供了去头骨，提取脑组织的接口。

本发明中FLASH算法有严格的数学理论支撑，保证了算法的收敛性；FLASH算法选择并不唯一，还可以是其他基于配准生成脑图谱的算法。

本发明的优点是将传统更新图谱的算法中复杂度高的配准用神经网络学到的先验知识替代，大量节省了配准的时间开销，从而节省了图谱生成的时间开销。同时，本技术可以与任何性能稳定的配准神经网络进行结合，选择灵活。最后该方法是背后有基于迭代优化的传统解法的支撑，具有较好的理论保证。

附图说明

图1为本发明图示的流程图；

图2为本发明流程图；

图3配准神经网络QuickSilver的网络结构图；

图4为配准神经网络输出的形变场进行网格化的视觉效果图；

图5为本发明生成的脑图谱与其他方法生成的脑图谱的对比图；

图6为本发明生成的脑图谱与其他方法生成的脑图谱的耗时对比图。

具体实施方式

为了使本发明的目的、技术方案和技术效果更加清楚明白，以下选取QuickSilver为深度配准的具体实现神经网络，医学图像公开数据集OASIS为例，结合说明书附图和实施例，对本发明进行进一步清楚、完整的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参阅图1-2，本发明包括以下具体步骤：

(1)先从公开数据集OASIS获取待生成脑图谱的MRI原始数据，再对这些原始的MRI数据集进行预处理，包括：

a)统一下采样到分辨率为128x128x128的空间，物理距离为1.25mmx1.25mmx1.25mm；

b)对所有的原始MRI扫描影像进行去颅骨操作；

c)对MRI影响进行初步的仿射对齐；

d)所有的数据进行归一化。

(2)利用第(1)步中预处理的MRI影像数据训练一个鲁棒的配准神经网络QuickSilver；

(3)初始化一个待优化脑图谱，即公共模板，一种可行的初始化方式即对所有待生成脑图谱的数据求线性平均作为其初值，待后续更新；

(4)配准神经网络训练完毕以后，固定其网络参数，将其用于子工具嵌入到下游算法，进行公共图谱更新，直至图谱更新到最优，即能量函数稳定时，输出脑图谱。具体子步骤如下：

a)将每个MRI数据和当前待优化的公共图谱成对输入到配准神经网络，网络输出其配准的形变场：

b)利用当前得到的形变场对图谱进行一次更新，更新公式为：

c)计算生成脑图谱的能量函数，计算公式为：

d)循环a)b)c)直到能量函数收敛时，此时脑谱图更新到最优。

参阅图3，为本发明生成脑图谱时选择的配准神经网络QuickSilver的网络结构图。

参阅图4，为本发明生成脑图谱时选择的配准神经网络QuickSilver输出的形变场进行网格化的视觉效果图。

参阅图5，为本发明生成的脑图谱与其他方法生成的脑图谱的对比图；第一、二行为MRI数据样例展示；第三、四行为不同的方法生成的脑图谱，其中，左边三列HAB-VM，HAB-QS，HAB-DF为本发明的方法中嵌入三种不同的深度配准网络(从左往右依次嵌入VoxelMorph、QuickSilver及DeepFlash)生成的脑图谱，右边三列FLASH、VM-Atlas及LagoMorph为当前比较典型的方法生成的图谱；从图中可以看出本发明生成的脑图谱与其他方法生成的脑图谱没有差别。

参阅图6，为本发明生成的脑图谱与其他方法生成的脑图谱的耗时对比图，其中，左边三列HAB-VM、HAB-QS及HAB-DF为本发明的方法中嵌入三种不同的深度配准网络(从左往右依次嵌入VoxelMorph、QuickSilver及DeepFlash)生成脑图谱的耗时，右边三列为当前比较典型的方法FLASH，VM-Atlas及LagoMorph生成图谱的耗时；从图中可以看出本发明生成的脑图谱所用的时间与其他方法生成的脑图谱所用的时间相比最少。