多中心脑结构磁共振成像数据校正方法的研究

Magnetic resonance imaging (MRI) has been widely used in the clinical diagnosis and basic research of brain diseases. With the development of brain imaging research, more and more researches adopt multi center experimental design to improve the reliability of the results. In recent years, with the development of large data learning technology, based on data sharing, the combination of brain imaging technology and large data learning technology has become a new trend of brain imaging data analysis. Although the multi center research and data sharing allows researchers to comprehensive utilization of multiple imaging data center to expand the number of samples, but the difference among the imaging equipment used by different center will bring serious problems for subsequent data processing. Therefore, how to eliminate the impact of the performance of the device on the analysis results is an urgent problem to be solved in the research of multi center MRI imaging and data sharing. Structure MRI imaging of brain is the most widely used MRI imaging modality in clinical and basic research. This project will be based on the MRI principle, develop the correction methods the factors, which may affect the analysis results of multi-center MRI data center, and use the brain imaging data to verify the validity of the established method.

磁共振成像技术（MRI）已经被广泛应用于脑疾病的临床诊断和基础研究。随着脑成像研究的不断深入，越来越多的研究采用多中心的实验设计，以增加样本量提高研究结果的可靠性。近年来，随着大数据学习技术的日渐成熟，以数据共享为基础，将脑成像技术与大数据学习技术相结合已经成为脑成像数据分析的一个新的潮流。虽然多中心研究和数据共享使得研究人员可以综合利用多个成像中心的数据来扩大样本数量，但是，由于不同中心所使用的成像设备不同，这必将给后续的数据处理带来严重问题。因此，如何消除设备性能对分析结果的影响是目前多中心MRI成像研究和数据共享中亟待解决的问题。脑结构MRI成像是目前临床和基础研究中应用最多的MRI成像模态，本项目将根据MRI结构成像原理，针对可能影响多中心数据融合分析的因素开发相应的MRI脑结构成像数据校正方法，并利用人脑成像数据验证本课题所建立方法的有效性。

磁共振成像(MRI)已广泛应用于脑研究。为了提高统计分析结果的可靠性，越来越多的研究开始通过合并不同中心(数据集)的脑图像来丰富样本量。然而，不同中心图像的扫描设备和采集协议很难保持一致，这种扫描设备和采集协议之间的差异可能会导致多中心数据的异质性，从而导致虚假的结果，应予以消除。因此，如何消除扫描设备和采集协议对分析结果的影响是目前多中心MRI成像研究和数据共享中亟待解决的问题。 .本研究以核磁结构成像为研究对象，提出了两种多中心脑图像的校正方法。主要内容为：（1）提出了基于生成对抗网络(GAN)和风格迁移(ST)框架的方法HarmonyGAN (HGAN)。在HGAN中，将每幅MRI图像中的生物信息视为抽象的语义内容，将不同扫描仪的图像模式视为特定的数据风格特征。HGAN分别估计每幅图像中的语义内容和风格特征，在保留生物学信息的同时，使用ST来统一不同中心的数据风格，从而实现多中心数据的校正。与以前的校正方法相比，HGAN不需要采用同一组被试在不同中心扫描的脑图像进行训练，并且对新中心的数据也具有较好的校正能力。（2）提出了基于公共正交基提取的方法HCOBE。该方法采用公共正交基提取(COBE)方法来提取不同中心内和中心之间的公共特征空间，然后消除与扫描设备和采集协议相关的公共特征空间。 .本项目提出的两种多中心数据校正方法都可以在消除设备和采集协议影响的同时保留多中心数据中的生物信息，能够有效的用于合并不同中心的脑影像数据，提高研究的统计分析能力和结果的可靠性。.