脑部影像的处理方法、装置、设备及存储介质与流程

1.本技术实施例涉及图像处理技术领域，具体涉及一种脑部影像的处理方法、装置、设备及存储介质。


背景技术：

2.病发于脑部的多种病灶(例如脑肿瘤、精神分裂症、多发性硬化症等)通常会威胁到人们的生命安全，且脑部病灶的诊断复杂、难以治疗。所以，准确分割脑部影像中的各个发病部位在临床上具有重要意义。
3.目前，通常会采用深度学习的方法，对患者的脑部磁共振图像(magnetic resonance imaging，简称为mri)进行相应的特征分析，来提取对应的脑区特征，以此确定患者脑部存在特殊临床观察需要的目标部位。
4.然而，由于不同患者的目标部位损伤程度不同，可能会引起患者出现不同程度的功能退化，例如脑卒患者可能出现手脚麻木、口齿不清等功能退化。而目前的脑部影像处理方式无法通过患者表现出的病症，准确分析患者目标部位的功能损伤程度，也就无法为医生提供精准的临床参考信息。


技术实现要素：

5.本技术实施例提供一种脑部影像的处理方法、装置、设备及存储介质，实现脑部目标部位的准确区分和目标部位功能连通异常的准确分析，有助于有效分析目标部位的功能连接损伤程度，从而为医生对目标部位的分析提供精准的临床参考信息。
6.第一方面，本技术实施例提供了一种脑部影像的处理方法，该方法包括：
7.根据脑部影像内的影像组学特征和功能性脑网络，确定每一脑区的目标分类特征；
8.根据每一所述脑区的目标分类特征，确定对应的目标部位；
9.根据各所述脑区面向所述目标部位的分类重要性，确定所述目标部位的功能连通性。
10.第二方面，本技术实施例提供了一种脑部影像的处理装置，该装置包括：
11.特征确定模块，用于根据脑部影像内的影像组学特征和功能性脑网络，确定每一脑区的目标分类特征；
12.目标部位确定模块，用于根据每一所述脑区的目标分类特征，确定对应的目标部位；
13.功能连通分析模块，用于根据各所述脑区面向所述目标部位的分类重要性，确定所述目标部位的功能连通性。
14.第三方面，本技术实施例提供了一种电子设备，该电子设备包括：
15.处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，以执行本技术第一方面中提供的脑部影像的处理方法。
16.第四方面，本技术实施例提供了一种计算机可读存储介质，用于存储计算机程序，所述计算机程序使得计算机执行如本技术第一方面中提供的脑部影像的处理方法。
17.第五方面，本技术实施例提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如本技术第一方面中提供的脑部影像的处理方法。
18.本技术实施例提供一种脑部影像的处理方法、装置、设备及存储介质，首先根据脑部影像内的影像组学特征和功能性脑网络，来综合确定每一脑区的目标分类特征，以确定对应的目标部位，实现脑部影像内目标部位的准确区分。而且，根据各个脑区对于目标部位的分类重要性，确定目标部位的功能连通性，实现目标部位的功能连通异常准确分析，有助于辅助医生有效分析脑部目标部位的功能连接损伤程度，从而为医生对目标部位的分析提供精准的临床参考信息。
附图说明
19.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1为本技术实施例示出的一种脑部影像的处理方法的流程图；
21.图2为本技术实施例示出的功能性脑网络的示意图；
22.图3为本技术实施例示出的每一脑区的目标分类特征的确定过程的方法流程图；
23.图4为本技术实施例示出的脑部影像的处理过程的原理示意图；
24.图5为本技术实施例示出的目标部位的功能连通性的确定过程的方法流程图；
25.图6为本技术实施例示出的一种脑部影像的处理装置的原理框图；
26.图7为本技术实施例示出的电子设备的示意性框图。
具体实施方式
27.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
28.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
29.为了解决通过患者表现出的症状，无法准确分析患者目标部位的功能损伤程度，而无法为医生提供精准的临床参考信息的问题，本技术实施例设计了一种脑部影像的处理方案。根据脑部影像内的影像组学特征和功能性脑网络，来综合确定每一脑区的目标分类
特征，以确定对应的目标部位，从而实现脑部目标部位的准确区分。而且，根据各个脑区对于目标部位的分类重要性，确定目标部位的功能连通性，实现脑部目标部位的功能连通异常准确分析，有助于辅助医生有效分析脑部目标部位的功能连接损伤程度，从而为医生对目标部位的分析提供精准的临床参考信息。
30.图1为本技术实施例示出的一种脑部影像的处理方法的流程图。参照图1，该方法可以包括如下步骤：
31.s110，根据脑部影像内的影像组学特征和功能性脑网络，确定每一脑区的目标分类特征。
32.为了对患者脑部存在特殊临床观察需要的目标部位进行全面准确区分，本技术首先可以采用特定的扫描设备对患者脑部进行相应扫描，而得到三维的脑部影像。
33.在一些可实现方式中，本技术中的脑部影像可以包括但不限于磁共振成像(magnetic resonance imaging，简称为mri)技术对各个患者的脑部进行相应扫描后得到的mri图像和采用功能性磁共振成像(functional magnetic resonance imaging，简称为fmri)技术对各个患者的脑部进行相应扫描后得到的fmri数据等。
34.其中，mri图像可以通过扫描脑灰质、白质、脑脊液的形态等来描述患者脑部的内部形态结构，而fmri数据可以通过检测脑部的血液流动来描述不同脑区间的连通状态。
35.考虑到脑部影像内存在不同的脑功能区，也就是本技术中的脑区，不同脑区之间也存在着不同形式的功能连接，从而构成一个复杂庞大的大脑网络。而且，不同脑部疾病存在病变的脑部组织不同，使得不同疾病部位对于每个脑区的具体功能和不同脑区间的功能连接也会造成不同程度的异常影响。
36.所以，为了保证脑部目标部位的准确区分，本技术在获取到脑部影像后，首先查找到用于脑部分区的解剖自动标记(anatomical automatic labeling，简称为aal)模板。其中，该aal模板可以采用aal算法对脑部进行标准分区后得到。然后，按照该aal模板，来确定脑部影像内的各个脑区。示例性的，本技术中的aal模板一共提供有116个脑区，其中90个属于大脑结构，剩余26个属于小脑结构。
37.然后，可以从各个脑区的具体结构和不同脑区之间的功能连接两方面，来综合分析每个脑区对于不同部位病变下的目标分类特征。
38.具体而言，通过对脑部影像所描述的脑部形态结构进行相应的特征分析，可以得到对应的影像组学特征。该影像组学特征能够全面描述各个脑区对应的整体结构特征。
39.而且，通过对脑部影像所描述的不同脑区间的功能连通状态进行特征分析，可以确定出脑部影像内存在的各个脑区以及各个脑区之间存在的功能连接。然后，如图2所示，将每个脑区作为相应的脑区节点，将每两个脑区之间的功能连接作为这两个脑区节点之间的边，从而生成对应的功能性脑网络。
40.然后，针对每一脑区，可以对该脑区对应的影像组学特征所描述的脑区整体结构和功能性脑网络中该脑区与其他脑区间存在的功能连接特征进行综合分析，即可得到该脑区的目标分类特征。按照上述相同的步骤，即可得到每一脑区的目标分类特征。
41.以病发于脑部的多种病灶为例，如果本技术提供的脑部影像的处理方案应用于某一脑部病灶的分析领域，那么每一脑区的目标分类特征可以为每一脑区的病灶分类特征。
42.s120，根据每一脑区的目标分类特征，确定对应的目标部位。
43.在得到每一脑区的目标分类特征后，通过对各个脑区的目标分类特征进行合并，即可得到整个脑部的目标分类特征。而且，由于每个脑区的目标分类特征是由脑区整体结构和脑区间的功能连接共同融合而成，那么整个脑部合并后的目标分类特征可以全面表示出各个脑区的整体结构和各个脑区间的功能连接状态。
44.考虑到从某种程度上来说，脑部目标部位的发病机制通常是由于相关脑区之间的某种形式连接出现了异常。所以，通过对整个脑部合并后的目标分类特征进行相应的特征分析，来综合判断各个脑区的结构异常和功能连接异常情况，从而确定对应的目标部位，实现脑部影像内目标部位的准确区分。
45.在一些可实现方式中，通过对整个脑部合并后的目标分类特征进行相应的特征分析，可以识别出目标部位的具体发病类别，而且可以从脑部影像内准确分割出目标部位对应的病灶区域，以确保脑部病灶的准确分割。
46.以病发于脑部的多种病灶为例，如果本技术提供的脑部影像的处理方案应用于某一脑部病灶的分析领域，那么本技术中的目标部位可以为该脑部病灶。也就是，通过分析每一脑区的目标分类特征，即可确定对应的脑部病灶。
47.s130，根据各脑区面向目标部位的分类重要性，确定目标部位的功能连通性。
48.由于目标部位发生病变时引起的功能退化与目标部位存在的功能连接损伤相关，而不同脑区间的功能连接损伤可以通过目标部位内相关脑区间的功能连通性来表示。所以，为了通过判断目标部位发生病变时引起的功能连接损伤程度，来为医生对于目标部位的分析提供精准的临床参考信息，本技术在确定出目标部位后，还需要进一步分析目标部位内相关脑区间的功能连通性，以直观分析目标部位的功能连接损伤程度。
49.考虑到从某种程度上来说，脑部目标部位的发病机制通常是由于相关脑区之间的某种形式连接出现了异常，也就是说目标部位可以通过分析相关脑区是否出现结构异常或者功能连接异常来确定。那么，目标部位的分类主要与各个脑区的目标分类特征存在密切关系。而且，各个脑区的目标分类特征作为目标部位分类的参考因素，对于目标部位的准确分类的因素影响大小不同。
50.本技术中，在确定出目标部位后，可以通过对目标部位分类时对于每个脑区的目标分类特征进行偏导求解，来分析每个脑区的目标分类特征对于目标部位分类时的因素影响大小，即可确定出各个脑区面向目标部位的分类重要性。通过每个脑区面向目标部位的分类重要性，可以分析每个脑区的结构异常情况以及与其他脑区间的功能连接异常情况，以此确定目标部位内相关脑区间的功能连通性。按照目标部位内相关脑区间的功能连通性所表示的功能连接损伤程度，可以为医生对目标部位的治疗提供有效的临床参考信息，提升目标部位的功能连接损伤的评估准确性。
51.本技术实施例提供的技术方案，首先根据脑部影像内的影像组学特征和功能性脑网络，来综合确定每一脑区的目标分类特征，以确定对应的目标部位，实现脑部影像内目标部位的准确区分。而且，根据各个脑区对于目标部位的分类重要性，确定目标部位的功能连通性，实现目标部位的功能连通异常准确分析，有助于辅助医生有效分析脑部目标部位的功能连接损伤程度，从而为医生对目标部位的分析提供精准的临床参考信息。
52.作为本技术中的一种可选实现方案，考虑到脑部影像内的影像组学特征是对脑部形态结构进行特征分析而得到，而脑部影像内的功能性脑网络是对脑部内各个脑区之间的
功能连接进行特征分析而得到。所以，为了保证脑部目标部位的准确区分，本技术可以脑部影像分为第一类脑部影像和第二类脑部影像两种。
53.其中，第一类脑部影像可以为脑部结构性影像，例如mri图像等。而第二类脑部影像可以为脑部功能性影像，例如fmri图像等。
54.接下来本技术对于每一脑区的目标分类特征的具体确定过程进行详细的解释说明。
55.图3为本技术实施例示出的每一脑区的目标分类特征的确定过程的方法流程图，如图3所示，该方法可以包括如下步骤：
56.s310，确定第一类脑部影像切割后的影像块和每一影像块的影像组学特征。
57.考虑到脑部影像内的各个脑区不规则，无法将脑部影像的整个影像组学特征准确分割为每个脑区的影像组学特征，来分析每个脑区的形态结构。所以，为了保证每个脑区的目标分类特征的准确信，本技术首先会按照脑部的脑区标准格式，将第一类脑部影像切割成相应大小的影像块。而且，影像块大小会小于脑区的大小，使得每个脑区能够由多个影像块组成。
58.然后，对于第一类脑部影像内的各个影像块，本技术可以为每个影像块对应设定一个三维的卷积神经网络(3dimensions convolutional neural networks，简称为3d cnn)。通过将每个影像块分别输入到对应的3d cnn网络中，由每个3d cnn网络对相应影像块进行特征分析，从而提取出每个影像块的影像组学特征。其中，每个影像块的影像组学特征可以表示该影像块的形态结构特征，以便后续按照脑区与影像块间的所属关系来确定每个脑区的影像组学特征，来分析每个脑区的形态结构。
59.可以理解的是，本技术中的第一类脑部影像为三维立体影像，可以转化为一个三维张量。那么，第一类脑部影像切割后的各个影像块也可以表示为一个三维张量。然后，将每个影像块表示的三维张量分别输入到对应的3dcnn网络中，即可得到每个影像块的影像组学特征。
60.其中，为了保证每个影像块的影像组学特征的提取准确性，本技术中可以设定多个3d cnn网络之间可以共享权重。
61.s320，根据第二类脑部影像内的脑区分布，生成对应的功能性脑网络。
62.为了分析每个脑区与其他脑区间的功能连接特征，本技术可以对第二类脑部影像进行相应脑区分布分析，来确定出各个脑区间的功能连接关系。然后，将各个脑区作为节点，将每两个脑区间的功能连接特征作为这两个相应脑区节点之间的边，从而生成对应的功能性脑网络。
63.s330，根据每一影像块在功能性脑网络中的所属脑区节点和功能性脑网络的邻接矩阵，确定每一脑区的目标分类特征。
64.在确定出每个影像块的影像组学特征和功能性脑网络后，首先可以分析每个影像块在脑部的具体位置和大小。而且，根据功能性脑网络中对于每个脑区节点所携带的脑区属性信息，来分析每个脑区的具体位置和大小。然后，根据每个影像块在脑部的具体位置和大小与每个脑区的具体位置和大小之间的关系，来判断该影像块归属于哪一脑区内，即可确定出每个影像块在功能性脑网络中的所属脑区节点。
65.对于每个脑区，根据各个影像块与各个脑区节点之间的所属关系，本技术可以对
归属于该脑区节点下的各个影像块的影像组学特征进行合并，即可得到该脑区的影像组学特征，以准确描述该脑区的形态结构。
66.考虑到不同目标部位病发时涉及的脑部组织不同，而对于不同脑区间的功能连接也会造成不同程度的异常影响。所以，为了全面分析每个脑区的病灶分类特征，本技术在确定每个脑区的影像组学特征时，还会分析每两个脑区间的功能连接特征，以此判断对于目标部位的病变影响。
67.在功能性脑网络中每两个脑区节点之间的边可以表示这两个脑区之间的功能连接关系。而功能性脑网络的邻接矩阵可以通过二维数组的方式来存放该功能性脑网络中各个脑区节点之间的关系。例如，功能性脑网络中的脑区节点数量为n，那么该功能性脑网络的邻接矩阵可以为n*n的二维矩阵。
68.因此，通过分析功能性脑网络的邻接矩阵，可以确定出每两个脑区之间的功能连接特征。然后，对于每个脑区，可以对该脑区的影像组学特征和该脑区与相关其他脑区间的各个功能连接特征进行融合分析，即可确定出该脑区的目标分类特征。按照上述相同的方式，可以得到每个脑区的目标分类特征。
69.作为本技术中的一种示例性方案，为了保证脑部影像内目标部位的准确区分，本技术可以设定一个目标部位分类模型。其中，如图4所示，该目标部位分类模型可以包括多个3d cnn网络、图卷积神经网络(graph convolutional network，简称为gcn)和多层感知器(multilayer perceptron，简称为mlp)网络。
70.其中，通过将第一类脑部影像切割后的各个影像块分别输入到对应的3dcnn网络中，可以得到每个影像块的影像组学特征。
71.然后，在分析每个脑区的目标分类特征时，可以根据每一影像块在功能性脑网络中的所属脑区节点，确定功能性脑网络的节点特征矩阵；根据节点特征矩阵和功能性脑网络的邻接矩阵，确定每一脑区的目标分类特征。
72.也就是说，按照各个影像块与功能性脑网络中各个脑区节点间的归属关系，可以将每个影像块的影像组学特征归属到对应的脑区节点上，并对归属于每个脑区的各个影像块的影像组学特征进行合并，即可得到每个脑区节点的影像组学特征。通过合并各个脑区节点的影像组学特征，即可得到功能性脑网络的节点特征矩阵，以便与该功能性脑网络的邻接矩阵所表示的每两个脑区节点间的功能连接特征进行特征融合。
73.将功能性脑网络的节点特征矩阵和邻接矩阵共同输入到训练好的gcn网络中，可以通过gcn网络对该功能性脑网络中各个脑区节点相关的结构性特征和功能连接特征进行综合分析，来确定出每个脑区的目标分类特征。
74.最后，将各个脑区的目标分类特征进行合并，并将合并后的目标分类特征输入到mlp网络中，来对整个脑部的目标分类特征进行分析，即可确定出对应的目标部位。
75.假设第一类脑部影像切割后的第i个影像块为ii，第二类脑部影像对应的功能性脑网络为g
f(
·
)
。那么，本技术中第i个影像块的影像组学特征可以表示为fi＝3dcnns(ii)，以此计算出每个影像块的影像组学特征。
76.对于每个脑区的影像组学特征，可以通过公式来确定。其中，表示第j个脑区的影像组学特征，n为影像块的数量。
77.通过g
f(j)
({fi}
1:n
)判断每个影像块是否归属于第j个脑区。而且，通过flatten()函数将归属于第j个脑区的各个影像块的影像组学特征进行合并压缩，即可得到第j个脑区的影像组学特征。
78.对于每个脑区的目标分类特征，可以通过公式来确定。其中，表示第j个脑区的目标分类特征，r为功能性脑网络中的脑区节点数量，θ
t
为第t个gcn网络中的网络参数，af为功能性脑网络的邻接矩阵。
79.通过gcn网络对每个脑区的影像组学特征和各脑区间的邻接矩阵进行综合特征分析，确定出每个脑区的目标分类特征。
80.对于脑部影像内的目标部位，可以通过公式来确定。通过concat()函数对各个脑区的目标分类特征进行合并。然后，通过mlp网络合并后的目标分类特征进行分析，来确定对应的目标部位。
81.可以理解的是，本技术在训练目标部位分类模型时，可以采用大量的样本测试集来对目标部位分类模型中的3d cnn网络、gcn网络和mlp网络进行联合训练，通过样本验证集对目标部位分类模型中的3d cnn网络、gcn网络和mlp网络的训练结果进行验证。
82.其中，样本测试集和样本验证集中的样本数量可以采取4/1的比例来分配对应的训练样本。
83.本技术实施例提供的技术方案，通过每个影像块的影像组学特征和功能性脑网络的邻接矩阵，分别分析每个脑区的具体结构和不同脑区之间的功能连接情况。然后，从每个脑区的具体结构和不同脑区之间的功能连接两方面，来综合分析每个脑区的目标分类特征，确保脑区特征的全面性，提升脑部目标部位的区分准确性。
84.根据本技术的一个或多个实施例，从某种程度上来说，脑部目标部位的发病机制通常是由于相关脑区之间的某种形式连接出现了异常，也就是说目标部位存在的病变可以通过分析相关脑区是否出现结构异常或者功能连接异常来确定。为了保证目标部位的功能连通性的全面性，本技术可以对确定目标部位的功能连通性的具体步骤进行详细的说明。
85.图5为本技术实施例示出的目标部位的功能连通性的确定过程的方法流程图，如图5所示，该方法可以包括如下步骤：
86.s510，根据每一脑区的目标分类特征面向目标部位的分类影响占比，确定每一脑区的脑区重要性。
87.考虑到本技术通过各个脑区的目标分类特征在目标部位的分类过程中对于目标部位的准确分类的因素影响大小，来分析目标部位内相关脑区的功能连通性。而且，每个脑区的目标分类特征可以由该脑区的具体结构特征和与相关脑区间的功能连接特征两部分综合确定。所以，本技术可以从每个脑区独自对于目标部位分类的影响大小和各个脑区间的功能连接对于目标部位分类的影像大小两方面，共同分析目标部位的功能连通性。
88.本技术在确定出目标部位后，可以采用一种偏导求解的解释算法来计算每个脑区的目标分类特征在目标部位分类过程中的分类重要性，以此判断哪一目标分类特征在目标部位分类过程中起到了重要作用。
89.示例性的，偏导求解的解释算法公式可以如下所示：
[0090][0091]
其中，z表示脑部影像的像素尺寸中的长和宽的乘积，k为脑部影像的特征层通道。oc为通过目标部位分类模型为脑部影像分类后的目标部位，为目标部位分类模型中每一特征层k的第j个脑区内第i个影像块的特征重要性。
[0092]
所以，通过上述公式，可以采用目标部位分类模型中的损失函数来对目标部位分类过程中每个脑区的目标分类特征进行偏导求解，来分析每个脑区的目标分类特征对于目标部位分类时所占的影响比重，从而确定出每个脑区的脑区重要性。
[0093]
作为本技术中的一种可选实现方案，如果每个脑区内包括多个影像块，那么，每个脑区的目标部位分类模型可以由归属于每个脑区的各个影像块的影像组学特征和功能性脑网络中表示每两个脑区间的功能连接关系的邻接矩阵共同融合得到。因此，本技术对于每一脑区的脑区重要性，可以通过下述步骤确定：根据每一脑区内目标影像块的影像组学特征面向目标部位的分类影响占比，确定脑区内每一目标影像块的第一重要性；根据功能性脑网络的节点特征矩阵面向目标部位的分类影响占比，确定功能性脑网络内每一脑区节点的第二重要性；根据每一脑区内各目标影像块的第一重要性和每一脑区节点的第二重要性，确定每一脑区的脑区重要性。
[0094]
也就是说，通过各个影像块与各个脑区间的所属关系，可以确定出归属于每个脑区的目标影像块。通过目标部位分类模型来确定目标部位时，针对每个脑区，可以通过上述公式，采用目标部位分类模型中的损失函数来对目标部位分类过程中该脑区内每个目标影像块的影像组学特征进行偏导求解，来判断每个目标影像块的影像组学特征对于目标部位的分类影响占比，作为该脑区内每个目标影像块的第一重要性。
[0095]
而且，将归属每个脑区的各个目标影像块的影像组学特征进行合并，可以得到的该脑区的影像组学特征。而且，各个脑区的影像组学特征可以组成功能性脑网络的节点特征矩阵所以，通过上述公式，采用目标部位分类模型中的损失函数来对目标部位分类过程中功能性脑网络的节点特征矩阵进行偏导求解，来判断每个脑区的影像组学特征对于目标部位的分类影响占比，从而得到功能性脑网络内每一脑区节点的第二重要性。
[0096]
然后，针对每个脑区，可以采用归属于该脑区的各个目标影像块的第一重要性，对该脑区节点的第二重要性进行加权叠加，即可确定出每个脑区的脑区重要性。
[0097]
s520，根据功能性脑网络的邻接矩阵面向目标部位的分类影响占比，确定各脑区间的连通重要性。
[0098]
本技术可以通过每个脑区与其他脑区间的功能连接情况，来分析目标部位内相关脑区的功能连通性。而每个脑区与其他脑区间的功能连接关系可以通过功能性脑网络的邻接矩阵af来表示。所以，本技术可以通过上述公式，采用目标部位分类模型中的损失函数来对目标部位分类过程中功能性脑网络的邻接矩阵af进行偏导求解，来判断各个脑区间的功能连接对于目标部位的分类影响占比，从而确定出各个脑区间的连通重要性。
[0099]
s530，根据脑区重要性和连通重要性，确定目标部位的功能连通性。
[0100]
通过综合分析每个脑区的脑区重要性和该脑区与其他脑区间的连通重要性，来判
断每个脑区的独立特征以及每两个脑区间的功能连接对于目标部位分类时所起到的重要作用，以此确定目标部位的功能连通性。
[0101]
作为本技术中的一种可选实现方案，为了保证目标部位的功能连通性的直观性，本技术可以根据脑区重要性和连通重要性，对功能性脑网络中的脑区节点和节点连线进行对应标注，生成目标部位的可视化功能连通关系图。
[0102]
也就是说，本技术可以按照重要性高低预先设定不同的标注信息，例如不同的标注颜色等。所以，根据每个脑区的脑区重要性，可以按照预先为重要性高低所设定的标注信息，对功能性脑网络中的脑区节点分别标注对应的标签。而且，根据每两个脑区间的连通重要性，也可以按照预先为重要性高低所设定的标注信息，对功能性脑网络中每两个脑区节点间的节点连线分别标注对应的标签。由此，即可生成目标部位的可视化功能连通关系图，该可视化功能连通关系图可以为增添了标注信息后的功能性脑网络，从而采用可视化的方式，确保医生能够直观有效判断患者的目标部位内相关脑区间的功能连接损伤程度，从而为医生对目标部位的分析提供精准直观的临床参考信息。
[0103]
以病发于脑部的多种病灶为例，如果本技术提供的脑部影像的处理方案应用于某一脑部病灶的分析领域，那么目标部位的可视化功能连通关系图可以为该脑部病灶的可视化功能连通关系图，使得医生能够直观有效判断患者的脑部病灶内相关脑区间的功能连接损伤程度，从而为脑部病灶精准制定相应的治疗方案。
[0104]
本技术实施例提供的技术方案，从每个脑区的脑区重要性和各个脑区间的连通重要性两方面来判断各个脑区对于目标部位的分类重要性，确定目标部位的功能连通性，实现目标部位的功能连通异常准确分析，有助于辅助医生有效分析脑部目标部位的功能连接损伤程度，从而为医生对目标部位的分析提供精准的临床参考信息。
[0105]
图6为本技术实施例示出的一种脑部影像的处理装置的原理框图。如图6所示，该装置600可以包括：
[0106]
特征确定模块610，用于根据脑部影像内的影像组学特征和功能性脑网络，确定每一脑区的目标分类特征；
[0107]
目标部位确定模块620，用于根据每一所述脑区的目标分类特征，确定对应的目标部位；
[0108]
功能连通分析模块630，用于根据各所述脑区面向所述目标部位的分类重要性，确定所述目标部位的功能连通性。
[0109]
在一些可实现方式中，特征确定模块610，可以包括：
[0110]
影像块确定单元，用于确定第一类脑部影像切割后的影像块和每一影像块的影像组学特征；
[0111]
功能性脑网络确定单元，用于根据第二类脑部影像内的脑区分布，生成对应的功能性脑网络；
[0112]
分类特征确定单元，用于根据每一所述影像块在所述功能性脑网络中的所属脑区节点和所述功能性脑网络的邻接矩阵，确定每一脑区的目标分类特征；
[0113]
其中，所述第一类脑部影像为脑部结构性影像，所述第二类脑部影像为脑部功能性影像。
[0114]
在一些可实现方式中，分类特征确定单元，可以具体用于：
[0115]
根据每一所述影像块在所述功能性脑网络中的所属脑区节点，确定所述功能性脑网络的节点特征矩阵；
[0116]
根据所述节点特征矩阵和所述功能性脑网络的邻接矩阵，确定每一脑区的目标分类特征。
[0117]
在一些可实现方式中，功能连通分析模块630，可以包括：
[0118]
脑区重要性确定单元，用于根据每一所述脑区的目标分类特征面向所述目标部位的分类影响占比，确定每一所述脑区的脑区重要性；
[0119]
连通重要性确定单元，用于根据所述功能性脑网络的邻接矩阵面向所述目标部位的分类影响占比，确定各所述脑区间的连通重要性；
[0120]
功能连通分析单元，用于根据所述脑区重要性和所述连通重要性，确定所述目标部位的功能连通性。
[0121]
在一些可实现方式中，如果所述脑区包括多个影像块，那么脑区重要性确定单元，可以具体用于：
[0122]
根据每一所述脑区内目标影像块的影像组学特征面向所述目标部位的分类影响占比，确定所述脑区内每一所述目标影像块的第一重要性；
[0123]
根据所述功能性脑网络的节点特征矩阵面向所述目标部位的分类影响占比，确定所述功能性脑网络内每一脑区节点的第二重要性；
[0124]
根据每一所述脑区内各所述目标影像块的第一重要性和每一所述脑区节点的第二重要性，确定每一所述脑区的脑区重要性。
[0125]
在一些可实现方式中，功能连通分析单元，可以具体用于：
[0126]
根据所述脑区重要性和所述连通重要性，对所述功能性脑网络中的脑区节点和节点连线进行对应标注，生成所述目标部位的可视化功能连通关系图。
[0127]
本技术实施例中，首先根据脑部影像内的影像组学特征和功能性脑网络，来综合确定每一脑区的目标分类特征，以确定对应的目标部位，实现脑部影像内目标部位的准确区分。而且，根据各个脑区对于目标部位的分类重要性，确定目标部位的功能连通性，实现目标部位的功能连通异常准确分析，有助于辅助医生有效分析脑部目标部位的功能连接损伤程度，从而为医生对目标部位的分析提供精准的临床参考信息。
[0128]
应理解的是，装置实施例与方法实施例可以相互对应，类似的描述可以参照方法实施例。为避免重复，此处不再赘述。具体地，图6所示的装置600可以执行本技术中任意的方法实施例，并且装置600中的各个模块的前述和其它操作和/或功能分别为了实现本技术实施例中的各个方法中的相应流程，为了简洁，在此不再赘述。
[0129]
上文中结合附图从功能模块的角度描述了本技术实施例的装置600。应理解，该功能模块可以通过硬件形式实现，也可以通过软件形式的指令实现，还可以通过硬件和软件模块组合实现。具体地，本技术实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成，结合本技术实施例公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。可选地，软件模块可以位于随机存储器，闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法实施例中的步骤。
[0130]
图7为本技术实施例示出的电子设备的示意性框图。
[0131]
如图7所示，该电子设备700可包括：
[0132]
存储器710和处理器720，该存储器710用于存储计算机程序，并将该程序代码传输给该处理器720。换言之，该处理器720可以从存储器710中调用并运行计算机程序，以实现本技术实施例中的方法。
[0133]
例如，该处理器720可用于根据该计算机程序中的指令执行上述方法实施例。
[0134]
在本技术的一些实施例中，该处理器720可以包括但不限于：
[0135]
通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。
[0136]
在本技术的一些实施例中，该存储器710包括但不限于：
[0137]
易失性存储器和/或非易失性存储器。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synch link dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，dr ram)。
[0138]
在本技术的一些实施例中，该计算机程序可以被分割成一个或多个模块，该一个或者多个模块被存储在该存储器710中，并由该处理器720执行，以完成本技术提供的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述该计算机程序在该电子设备中的执行过程。
[0139]
如图7所示，该电子设备还可包括：
[0140]
收发器730，该收发器730可连接至该处理器720或存储器710。
[0141]
其中，处理器720可以控制该收发器730与其他设备进行通信，具体地，可以向其他设备发送信息或数据，或接收其他设备发送的信息或数据。收发器730可以包括发射机和接收机。收发器730还可以进一步包括天线，天线的数量可以为一个或多个。
[0142]
应当理解，该电子设备中的各个组件通过总线系统相连，其中，总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。
[0143]
本技术还提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被计算机执行时使得该计算机能够执行上述方法实施例的方法。或者说，本技术实施例还提供一种包含指令的计算机程序产品，该指令被计算机执行时使得计算机执行上述方法实施例的方法。
[0144]
当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部
或部分地产生按照本技术实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，dvd))、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
[0145]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0146]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，该模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0147]
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。例如，在本技术各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
[0148]
以上，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以该权利要求的保护范围为准。

技术特征：
1.一种脑部影像的处理方法，其特征在于，包括：根据脑部影像内的影像组学特征和功能性脑网络，确定每一脑区的目标分类特征；根据每一所述脑区的目标分类特征，确定对应的目标部位；根据各所述脑区面向所述目标部位的分类重要性，确定所述目标部位的功能连通性。2.根据权利要求1所述的方法，其特征在于，所述根据脑部影像内的影像组学特征和功能性脑网络，确定每一脑区的目标分类特征，包括：确定第一类脑部影像切割后的影像块和每一影像块的影像组学特征；根据第二类脑部影像内的脑区分布，生成对应的功能性脑网络；根据每一所述影像块在所述功能性脑网络中的所属脑区节点和所述功能性脑网络的邻接矩阵，确定每一脑区的目标分类特征；其中，所述第一类脑部影像为脑部结构性影像，所述第二类脑部影像为脑部功能性影像。3.根据权利要求2所述的方法，其特征在于，所述根据每一所述影像块在所述功能性脑网络中的所属脑区节点和所述功能性脑网络的邻接矩阵，确定每一脑区的目标分类特征，包括：根据每一所述影像块在所述功能性脑网络中的所属脑区节点，确定所述功能性脑网络的节点特征矩阵；根据所述节点特征矩阵和所述功能性脑网络的邻接矩阵，确定每一脑区的目标分类特征。4.根据权利要求1所述的方法，其特征在于，所述根据各所述脑区面向所述目标部位的分类重要性，确定所述目标部位的功能连通性，包括：根据每一所述脑区的目标分类特征面向所述目标部位的分类影响占比，确定每一所述脑区的脑区重要性；根据所述功能性脑网络的邻接矩阵面向所述目标部位的分类影响占比，确定各所述脑区间的连通重要性；根据所述脑区重要性和所述连通重要性，确定所述目标部位的功能连通性。5.根据权利要求4所述的方法，其特征在于，如果所述脑区包括多个影像块，那么所述根据每一所述脑区的病灶分类特征面向所述目标部位的分类影响占比，确定每一所述脑区的脑区重要性，包括：根据每一所述脑区内目标影像块的影像组学特征面向所述目标部位的分类影响占比，确定所述脑区内每一所述目标影像块的第一重要性；根据所述功能性脑网络的节点特征矩阵面向所述目标部位的分类影响占比，确定所述功能性脑网络内每一脑区节点的第二重要性；根据每一所述脑区内各所述目标影像块的第一重要性和每一所述脑区节点的第二重要性，确定每一所述脑区的脑区重要性。6.根据权利要求4所述的方法，其特征在于，所述根据所述脑区重要性和所述连通重要性，确定所述脑部病灶的功能连通性，包括：根据所述脑区重要性和所述连通重要性，对所述功能性脑网络中的脑区节点和节点连线进行对应标注，生成所述目标部位的可视化功能连通关系图。
7.一种脑部影像的处理装置，其特征在于，包括：特征确定模块，用于根据脑部影像内的影像组学特征和功能性脑网络，确定每一脑区的目标分类特征；目标部位确定模块，用于根据每一所述脑区的目标分类特征，确定对应的目标部位；功能连通分析模块，用于根据各所述脑区面向所述目标部位的分类重要性，确定所述目标部位的功能连通性。8.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，以执行权利要求1-6中任一项所述的脑部影像的处理方法。9.一种计算机可读存储介质，其特征在于，用于存储计算机程序，所述计算机程序使得计算机执行如权利要求1-6中任一项所述的脑部影像的处理方法。10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如权利要求1-6中任一项所述的脑部影像的处理方法。

技术总结
本申请实施例提供了一种脑部影像的处理方法、装置、设备及存储介质。该方法包括：根据脑部影像内的影像组学特征和功能性脑网络，确定每一脑区的目标分类特征；根据每一所述脑区的目标分类特征，确定对应的目标部位；根据各所述脑区面向所述目标部位的分类重要性，确定所述目标部位的功能连通性。本申请实施例可以实现脑部目标部位的功能连通异常准确分析，有助于辅助医生有效分析脑部目标部位的功能连接损伤程度，从而为医生对目标部位的分析提供精准的临床参考信息。精准的临床参考信息。精准的临床参考信息。


技术研发人员：金圣海 田广库 于桂仙
受保护的技术使用者：东软集团股份有限公司
技术研发日：2023.05.16
技术公布日：2023/8/16