[发明专利]用于处理MRI数据的系统和方法

说明书

本公开提供一种用于使MRI扫描的QC自动化的系统和方法。特别地，发明人使用源自大脑MR图像的特征和相关处理来训练机器学习分类器，以预测这些图像的质量，这是基于专家意见的基本事实。在一个示例中，利用源自预处理日志文件(MRI预处理期间输出的文本文件)的特征的分类器特别准确，并且证明了到新数据集的泛化能力，这使所公开的技术能够扩展到新的数据集和MRI预处理管道。

相关申请的交叉引用

本申请要求于2019年5月1日提交的美国临时专利申请序列号62/841,420和2019年10月18日提交的美国临时专利申请序列号62/923,238的优先权和权益，在此将它们各自的全部内容通过引用合并于此。

技术领域

本发明涉及MTI数据的处理。

背景技术

MRI数据需要对扫描图像进行大量预处理以构建可用的输出数据集。MRI数据处理的质量控制(QC)是分析大规模数据集的重大障碍，并且特别地会影响用于fMRI数据的预处理特征。传统的数据处理需要人工介入(例如，“人在回环(或人机回圈)”)。这种人工介入的数据处理需要专家手动识别正确预处理的输出图像。通常，专家评审员需要大量的时间。

此外，结构和功能MRI扫描的预处理是计算密集型操作，通常每个受试者(即个体)需要几个小时。这可能导致MRI数据采集与其分析之间的等待时间过长，特别是在具有数百个受试者的大型数据集中，尤其是在使用诸如高性能工作站单元等传统计算机基础设施执行计算时。本公开旨在解决这些问题并且解决其他需求。

发明内容

根据本公开的一些实施方案，开发了用于使MRI扫描的QC自动化的系统和方法。特别地，使用源自大脑MR图像的特征对机器学习分类器进行训练，以预测这些图像的质量，这是基于专家意见的基本事实。专业QC(Quality Control)评审员检查原始MRI扫描并对图像进行预处理以判定质量是否足以进行进一步分析是该领域的常见做法。所公开的用于使QC自动化的分类器可以结合多种特征。在一个示例中，利用源自预处理日志文件(MRI预处理期间输出的文本文件)的特征的分类器特别准确，并且展示了泛化到新数据集的能力，这也使得所公开的技术能够扩展到新的数据集和/或MRI预处理管道。

另外，针对常规的MRI数据处理和预处理方法的局限性，本公开提供了用于选择最佳fMRI预处理管道参数的自动搜索方法和用于执行质量控制的自动化方法。所公开的系统和方法的实施已经在两个独立的数据集上得到了验证。对于每个受试者(例如，个体或患者)，所公开的方法自动搜索大量的预处理参数，以预测将使受试者的扫描图像能够通过视觉QC的特定预处理参数。因此，所公开的系统和方法为每个受试者提供参数集推荐的生成；这些特定的参数集大大减少了专家评审员对数据集进行全面质量控制所需的周转时间和精力。因此，所公开的系统和方法产生了一种用于对预处理的fMR图像执行QC的新颖、高效且有效的技术。

根据本公开的一些实施方案，分析MRI数据的方法提供了接收与生物结构的MR图像集相对应的未处理的MRI数据。此外，该方法提供了对所接收的MRI数据进行预处理。预处理包括：(1)对MR图像集中的各MR图像执行结构-功能对齐和颅骨剥离(skull-stripping)过程；和(2)输出与预处理相关的多个参数集。此外，该方法提供了基于多个参数集生成多个函数连通矩阵(在一些示例中为全脑函数连通矩阵)。此外，该方法提供了识别多个函数连通矩阵中的相似矩阵以产生多个矩阵簇。此外，该方法提供了选择多个矩阵簇的主要集群。此外，该方法提供了输出多个参数集中与占优矩阵(dominant matrix)相对应的参数子集。

在一些示例中，识别相似矩阵包括：(1)确定多个函数连通矩阵中的矩阵之间的成对差异的Frobenius范数；(2)当所确定的Frobenius范数小于阈值时，将多个全脑函数连通矩阵中的矩阵分组为子集簇；和(3)将子集簇输出到多个矩阵簇中。

在一些示例中，识别相似矩阵还包括：增大阈值直至多个矩阵簇中最大集群的大小是多个矩阵簇中第二大集群的大小的两倍。