脑结构磁共振成像(sMRI)数据分析服务

文摘   科学   2024-10-17 14:57   浙江  

为了帮助各位脑影像科研同仁更好的进行脑影数据的处理和分析,脑海科技推出脑影像数据分析服务,感兴趣的朋友可以添加微信19906719439咨询详情。我们提供磁共振等数据处理服务,包括但不限于静息态功能磁共振分析、脑结构磁共振成像数据分析更全面和最新的高级分析服务详情请咨询微信。总之,您在文献中看到的磁共振有关的新方法,均可联系我们咨询相关服务,我们提供定制化算法和解决方案。



1

结构像质量控制


数据质量控制内容:

扫描参数检查:包括体素大小、层厚等参数;

图像伪迹检查包括伪影、变形等;

图像质量检查:包括图像是否缺损、图像原点位置等。

:我们可以提供所有被试数据的扫描参数报告,可以查看被试扫描参数是否合适和一致,从而为数据预处理和数据分析提供被试筛选参考。对于数据预处理前以及预处理过程中发现的数据质量问题,我们将提供合适的参考意见并提供完整的数据质量检查报告

结构像常见的伪影例子(Sujit et al., 2018)


2

数据预处理

数据预处理步骤包括:

空间归一化(Spatial normalization),这是分割和比较的前提;

偏置场校正(Bias field correction),降低相同组织的亮度值差异,有利于组织分割;

分割(Segmentation),将图像分割为灰质、白质和脑脊液;

调制(Modulation),把空间归一化过程中产生的变形场作用到分割结果上,使得其亮度值代表体素浓度的过程; 

平滑(Smoothing),去噪,弥补分割缺陷,便于统计分析。

预处理流程示意图


3

脑结构指标分析



3.1基于体素的形态学测量分析(VBM)


基于体素的形态学测量分析(Voxel-based morphometry, VBM)是一种在体素水平对全脑形态学进行分析的技术,它是一种数据驱动的方法,能定量评估脑灰质总体积、白质总体积、颅内总体积、灰质总体积/颅内总体积比值、白质总体积/颅内总体积比值等的改变,从而精确的测量脑组织形态学变化。

VBM分析示意图(Kurth et al., 2015)

3.2 基于表面的形态学测量分析(SBM)


基于表面的形态学测量分析(Surface-based morphometry,SBM)通过数据格式转换、除去颅骨等非脑灰白质结构、脑灰白质分割、校正、高斯平滑、重建等系列步骤,再对结构像进行分割,并重建皮层,然后计算出灰质厚度、表面积、体积及曲率等脑组织的形态学参数,并以此来量化病理生理状态下的脑灰质结构的改变。

SBM分析示意图(Martínez & Colom, 2021)

4

结构协变网络(SCN)


结构协变网络(Structural covariance network,SCN)基于特定的脑图谱(如AAL Atlas),在同一组被试内计算脑区之间结构指标值(如灰质体积、皮层厚度等)的协同变化关系,生成协变网络的矩阵,并可计算图论常见指标(全局指标:包括小世界属性、全局效率、特征路径长度、集聚系数、局部效率等;局部指标:包括节点度、介数、节点效率、节点局部效率等。

结构协变网络分析(H. Wang et al., 2016)


5

基于sMRI指标的机器学习分析







可以通过提取常见的结构指标,构建机器学习模型,实现对不同群组的分类以及对量表得分的预测。

常见的结构指标包括:灰质体积、皮层厚度等(不限于此类指标);

常见的机器学习模型包括:支持向量机(SVM)、支持向量回归(SVR)、线性判别分析(LDA)、Logistic回归、随机森林(Random Forest)等。

VBM+SVR分析示意图(He et al., 2021)

6

统计分析及校正





对于上述分析,我们可以根据数据详情和具体的研究需求提供单样本T检验、双样本T检验、配对样本T检验、单因素方差分析以及双因素方差分析等,并提供对应的多重比较校正(FWE、FDR、GRF、TFCE等),脑结构网分析可以提供置换检验、参数检验,NBS校正等统计分析。


7

基于指标的相关分析




基于特定的脑图谱(如AAL Atlas)或者基于表面分割脑图谱(如DK Atlas)提取指标值,在ROI水平进行参数检验;选取适当的感兴趣脑区(可根据上述统计分析的结果提取)指标值,与临床行为量表进行相关性分析


8

结果可视化




针对数据分析结果,我们可以提供数据分析流程图,统计结果脑区三线表,结果脑区轴位图3D渲染视图BrainNet基于皮层的可视化脑图,统计结果矩阵图、柱状图,散点图等。结果可视化分析服务包括但不仅限于以上可视化结果图的类型,您可以提供您的需求及类似的参考文献,我们提供定制化可视化图片服务


9

定制化分析




我们可以根据您的研究或者需求,或者根据您提供的参考文献内容,结合您的数据详情,为您进行数据分析方案评估、设计定制,为您提供定制化的数据分析方法和解决方案。


联系我们

脑海科技提供磁共振等数据处理服务,包括但不限于静息态功能磁共振分析、脑结构磁共振成像数据分析,如果对以上数据服务感兴趣的朋友可以添加微信19906719439咨询详情想了解更全面和最新的高级分析服务的朋友也可以微信咨询。总之,您在文献中看到的磁共振有关的新方法,均可联系我们咨询相关服务,我们提供定制化算法和解决方案。


团队介绍

贾熙泽,杭州脑海科技首席执行官,常熟市第二人民医院磁共振脑成像研究中心副主任、特聘研究员,大连市友谊医院特聘教授,潍坊医学院附属医院特聘专家,佳木斯大学信息电子技术学院硕士生导师,兼任杭州师范大学附属医院认知与脑疾病研究中心副研究员。现任中国心理学会积极心理学专委会委员、浙江省数理医学学会放射学专委会委员和浙江省康复医学会神经调控专委会委员。具有计算机、心理学及神经科学交叉背景,擅长静息态磁共振方法学、基于脑影像的Meta分析,并师从任俊教授从事脑影像技术在积极心理学中的应用。目前主持国家自然科学青年基金项目,浙江省智能教育技术与应用重点实验室开放研究基金重点项目,入选杭州市青年科技人才培育工程项目,作为主要参与人参与8项国自然科学基金项目、1项科技部国家重大慢性非传染性疾病重点研发计划课题。师从臧玉峰教授,开发了RESTplus。目前合作发表SCI论文40余篇,以主要作者在Science Bulletin、The Journal of Headache and Pain及Journal of Affective Disorders等杂志发表文章20余篇(第一作者或通讯作者),文章被SCI杂志引用586 余次,i10-index=17。


杭州脑海科技有限公司于2021年组建了杭州脑海科技有限公司认知神经科学实验室主要从事最新脑影像算法的复现、研发及在脑疾病中的应用。目前团队成员50余人,具有高度交叉背景,涵盖:计算机、统计学、心理学、临床医学以及英语等专业,每位成员受过系统化的科研培训,具有扎实的科研背景并专攻1-2个研究方向。2021年至今,团队成员以主要作者在Science Bulletin、 Human brain mapping、The Journal of Affective Disorders、The Journal of Headache and Pain等期刊发表SCI文章30余篇,其中的核心成员具有比较扎实的大脑功能信号相关的科研基础,担任多个杂志的编辑或审稿人,包括:IEEE Journal of Biomedical and Health Informatics、Human Brain Mapping、Cerebral Cortex、CNS Neuroscience & Therapeutics、Journal of Affective Disorders、Neuroimage: Clinical、Neuroimage: Report、Journal of Magnetic Resonance Imaging、European Child & Adolescent Psychiatry、Social Cognitive and Affective Neuroscience、Journal of Sleep Research、World Journal of Diabetes.、International Journal of Geriatric Psychiatry、Frontiers in Aging Neuroscience、Brain research、Neural Plasticity、Frontiers in Neuroscience、Scientific report、BMC Medical Imaging等20余个杂志。


参考文献

(上下滑动查看)

He, C., Cortes, J.M., Kang, X., Cao, J., Chen, Heng, Guo, X., Wang, R., Kong, L., Huang, X., Xiao, J., Shan, X., Feng, R., Chen, Huafu, Duan, X., 2021. Individual-based morphological brain network organization and its association with autistic symptoms in young children with autism spectrum disorder. Hum Brain Mapp 42, 3282–3294. https://doi.org/10.1002/hbm.25434


Kurth, F., Luders, E., Gaser, C., 2015. Voxel-Based Morphometry. Elsevier, pp. 345–349. https://doi.org/10.1016/B978-0-12-397025-1.00304-3


Martínez, K., Colom, R., 2021. Imaging the Intelligence of Humans, in: Barbey, A.K., Karama, S., Haier, R.J. (Eds.), The Cambridge Handbook of Intelligence and Cognitive Neuroscience. Cambridge University Press, pp. 44–69. https://doi.org/10.1017/9781108635462.005


Sujit, S., Gabr, R., Coronado, I., Robinson, M., Datta, S., Narayana, P., 2018. Automated Image Quality Evaluation of Structural Brain Magnetic Resonance Images using Deep Convolutional Neural Networks (EasyChair Preprints), EasyChair Preprints. EasyChair. https://doi.org/10.29007/j68t


Wang, H., Jin, X., Zhang, Y., Wang, J., 2016. Single-subject morphological brain networks: connectivity mapping, topological characterization and test-retest reliability. BRAIN AND BEHAVIOR 6. https://doi.org/10.1002/brb3.448


脑海科技学习中心
从事脑科学培训,脑科学数据分析
 最新文章