大话脑成像之十三:浅谈标准空间模板和空间变换

不知不觉我们的大话脑成像已经做了十三期了,思影科技也一直在发展多谢各位关注的朋友(简称关友)一直以来的支持,虽然没几个给我赞助个比如几毛钱这种巨款,但能帮我转发一下的也是老铁,都是真爱。那我们今天主要就谈谈磁共振脑影像的重要一步:浅谈标准空间模板和空间变换,希望通过大话系列(建议查历史消息,都看一下,有帮助)可以解答关友们数据处理中的疑惑。

一:标准空间模板

在我们对功能像数据做预处理的时候,其中有一步是把图像normalize到标准空间。为什么要做这一步呢?因为每个被试的脑袋大小、形状都不一样。如果把它们放到一个坐标系中,同一个脑结构的空间位置就会不一样,这样就不利于研究结果的报道和描述。因此我们需要一个共同的参考坐标。这里讲的标准空间就是这样一个参考坐标。下面用“标准模板”来代替标准空间的意思。那么有哪些标准模板呢?

第一个是Talairach标准模板。Talairach模板是最早使用的3D大脑模板。在它出现之前,神经科学家还只能用从细胞构筑角度进行划分的Brodmann区来大致确定大脑的结构位置。Talairach模板是第一个定义了以AC-PC线与中线矢状平面的交界点为空间坐标原点,左右方向为X轴,前后方向为Y轴,上下方向为Z轴的空间坐标系。这样,大脑中每一个点都有一个空间坐标。Talairach模板在神经成像早期有重要作用(因为没有其它模板可以使用)。但是它的缺陷也很明显:1)它不是数字型的3D大脑模板,normalize这一步必须手动配准,耗时且不精确;2)Talairach模板是根据一位60岁女性的脑解剖结构得到,不具有代表性;3)Talairach模板只有左半球的解剖结构,右半球是将左半球的解剖结构镜像反转得到,也就是说它是一个对称的模板;4)Talairach坐标体系中的空间位置和实际大脑解剖结构之间的对应比较粗糙。

为了解决Talairach模板存在的问题。加拿大蒙特利尔神经研究所(Montreal Neurological Institute,MNI)建立了MNI305标准模板。首先他们采集了241个正常被试的MRI图像,把这241个图像配到了Talairach空间,然后平均,得到了这241个被试的平均模板。然后又采集了305个正常被试的MRI图像,把这305个被试图像配到241个被试的平均模板,这配准后的305个被试图像的平均图像就是MNI305标准空间模板。记住,这305个被试的平均年龄是23.4岁,MNI305模板是成年人的标准脑模板。MNI305模板是第一个MNI空间模板。

目前广泛使用的标准模板是ICBM152模板。ICBM指的是脑成像国际联盟(International Consortium for Brain Mapping)。比如SPM、FSL用到的标准模板就是ICBM152模板。它是192个正常被试高分辨率结构图配准到MNI305空间而得到。

MNI305和ICBM152模板都不是很清晰(如图1)。为了得到更加清晰,高分辨率的空间模板, MNI实验室一个成员(名叫Colin Holmes)将自己的大脑一共前后扫描了27次。然后将这27个图像配准到MNI305空间,就得到了Colin27模板。目前我们成像结果基本都是在Colin27模板上进行显示。回想一下Mricron里面的ch2模板,就是Colin27模板。

图1.从左到右分别是MNI305模板、Colin27模板、ICBM152模板

Talairach和MNI都是标准空间,但是这两个标准空间是不一样的。看下图(该图来源于网络)

图2. Talairach模板(左)和MNI模板(右)

图的左边是Talairach标准脑,右边是MNI标准脑。可以看出MNI标准脑比Talairach标准脑明显要大一些。因此,当我们报道脑区的时候,一定要注明脑区是在MNI空间还是Talairach空间。

除了标准空间以外,还有个体空间的概念。一般我们认为我们采集到什么样的图像,该图像就在什么空间。比如采集的功能图像,那么它就属于功能像空间;采集的T1图像,它就属于结构像空间;采集的DTI图像,它就属于DTI空间。我们做统计分析的时候,一定要保证最后得到的图像一定是在同一个空间,比如都在MNI空间或都在DTI空间。

二:空间变换

上面已经提到。我们要在同一空间的图像进行统计分析。如果空间不统一,就需要做空间变换。比如下图,有一个右侧尾状核的mask,但是后面分析是在个体的结构空间或功能空间,就需要把它从标准空间变换到对应的空间上。

图3.ROI的空间变换

下面介绍三种空间变换类型.

(1)刚体变换(rigid body transformation)

如果图像A只需要经过空间的平移和旋转就可以变换到图像B。这样的变换称为刚体变换。在核磁图像中,空间可沿着x、y、z轴平移或旋转。因此刚性变换只需要6个自由度。如下图:

图4.图像旋转(左)和平移(右)

刚性变换应用例子是被试内图像间的配准。比如头动矫正。

(2)仿射变换(affine transformation)

图像A若要配准到图像B,除了需要空间平移和旋转以外,还需要图像的拉伸(Scaling)如放大、缩小,和图像的倾斜(Skews/Shears),这样的变换称为仿射变换。

图5.图像的拉伸(左)和倾斜(右)

图像的拉伸和倾斜也有6个自由度。因此,仿射变换的自由度是12个。仿射变换应用例子是DTI图像的涡流矫正。

(3)非线性变换

刚体变换和仿射变换都属于线性变换。如果图像A变换到图像B需要的自由度在12以上,比如还需要图像局部的形变,这样的变换称为非线性变换。非线性变换常用于被试间高分辨率图像间的配准。

线性变换可以由变换矩阵T表示。如刚性变换矩阵(6个自由度):

仿射变换矩阵(12个自由度):

在SPM,FSL等软件中,线性变换矩阵一般保存在*.mat文件中。

非线性变换参数用形变场(deformationfield)表示。以二维空间为例:

图6 非线性变换参数

上图左边是图像A非线性变换到图像B的形变场。里面的箭头表示该像素点需要向某个方向移动多少毫米。它可以进一步分解为x轴方向成分和y轴方向成分(上图右边)。以上图橘黄色的像素点为例,该点在x和y成分图像上的值表示该点需要向x轴移动-0.4毫米,向y轴移动5.6毫米。对于3维空间的MRI图像,非线性变换的形变场是x,y,z三个方向的成分图像,存放的格式是nifti格式(3张nifti图像)。

原文发布于微信公众号 - 思影科技(transfer_3274775643)

原文发表时间:2018-04-13

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏新智元

【TensorFlow 谷歌神经机器翻译】从零开始打造属于你的翻译系统

【新智元导读】谷歌今天公布了一个用 TensorFlow 构建神经机器翻译(NMT)系统的教程,全面解释 seq2seq 模型,并演示如何从零开始构建 NMT ...

4524
来自专栏小小挖掘机

深度强化学习-DDPG算法原理和实现

在之前的几篇文章中,我们介绍了基于价值Value的强化学习算法Deep Q Network。有关DQN算法以及各种改进算法的原理和实现,可以参考之前的文章: 实...

5807
来自专栏小鹏的专栏

机器学习进阶系列

本文为博主原创文章,未经博主允许不得转载。有问题可以加微信:lp9628(注明CSDN)。

2477
来自专栏大数据

具有mxnetR的前馈神经网络

mxnetR是一个深度学习软件包,可与所有深度学习类型一起使用,包括前馈神经网络(FNN)。FNN具有隐藏层的简单处理单元。

2921
来自专栏大数据文摘

安利一则深度学习新手神器:不用部署深度学习环境了!也不用上传数据集了!

1114
来自专栏人工智能LeadAI

TF使用例子-LSTM实现序列标注

本文主要改写了一下"Sequence Tagging with Tensorflow"(https://link.jianshu.com?t=https://g...

6418
来自专栏AI研习社

阿里将 TVM 融入 TensorFlow,在 GPU 上实现全面提速

AI 研习社按,日前,阿里机器翻译团队和 PAI 团队发表博文,阐述将 TVM 引入 TensorFlow,可以带来至少 13 倍的 batch 矩阵相乘(ma...

1082
来自专栏计算机视觉战队

人脸检测与识别的趋势和分析(增强版)

---- 因为最近人脸检测与识别火热的进行着,本平台想进一步详细介绍关于人脸领域的相关知识与分析,让更多人的有进一步深入的熟知! ---- 最近因为种种原因,这...

3338
来自专栏机器之心

谷歌开放GNMT教程:如何使用TensorFlow构建自己的神经机器翻译系统

选自谷歌 机器之心编译 参与:机器之心编辑部 近日,谷歌官方在 Github 开放了一份神经机器翻译教程,该教程从基本概念实现开始,首先搭建了一个简单的NMT模...

3606
来自专栏大数据文摘

手把手 | 初学者如何用Chainer为漫画上色 深度学习帮你逆袭漫画家(附代码)

1563

扫码关注云+社区