用于分析扩散磁共振成像数据的装置的制作方法

1.本发明涉及用于分析扩散磁共振成像数据的装置，以及分析扩散磁共振成像数据的成像系统和方法。


背景技术：

2.扩散mri(dmri)是一种医学成像方法，用于在体内重建和可视化脑中神经元纤维束的解剖网络。该技术对于分析解剖学上的脑连接，研究神经和心理疾病以及发现生物标记物以及早发现诸如阿尔茨海默氏症的疾病非常重要。
3.使用特征图(即在每个体素上由标量特征形成的图像)，标准流程是对空间对齐的健康和患病对象群体进行体素统计分析，以发现脑的特定感兴趣区域中特征值之间的统计学显著差异。然后，基于正在研究的特征，可以形成有关扩散性的物理属性的解释，这些物理属性可以指示疾病。在连接性分析方面，其他常见特征是来自纤维束描记术的手工制作的连接性度量，例如连接不同感兴趣区域的纤维的数量、长度或密度。额外的特征包括沿纤维束占据的体素平均fa。然而，这并没有并入沿着脑的长纤维束的微小空间变化。一旦从这些特征创建连接性矩阵，最先进的技术，就调用图形分析来分析健康和不健康对象群体的连接性的统计特性。
4.然而，这项技术还处于起步阶段，需要进一步的发展来提供有效的疾病分类。


技术实现要素：

5.具有根据扩散磁共振成像数据来确定疾病分类的改进方法将是有利的。本发明的目的利用独立权利要求的主题来解决，其中，在从属权利要求中并入了另外的实施例。应当注意，本发明的以下描述的方面和示例也适用于分析扩散磁共振成像数据的装置、分析扩散磁共振成像数据的成像系统和方法，以及计算机程序单元和计算机可读介质。
6.在第一个方面中，提供了一种用于分析扩散磁共振成像数据的装置，所述装置包括：
7.输入单元；
8.处理单元；以及
9.输出单元。
10.所述输入单元被配置为向所述处理单元提供患者的脑的至少一幅扩散磁共振成像“dmri”图像。所述处理单元被配置为确定所述dmri图像中的每个体素处的神经元取向的估计，所述确定包括使用至少一幅dmri图像。所述处理单元被配置为确定所述至少一幅dmri图像中的多个纤维束，所述确定包括使用所述至少一幅dmri图像中的每个体素处的神经元的估计的取向。所述处理单元被配置为沿着多个纤维束中的至少一个纤维束选择多个体素。所述处理单元被配置为确定神经系统疾病分类，所述确定包括使用与选定的多个体素中的每一体素相关联的至少一个扩散率特征。所述输出单元被配置为输出所述神经系统疾病分类。
11.换句话说，输入的脑影像被处理，根据其，沿着脑中的纤维束选择特定的体素，并且相关联的扩散率特征被处理以确定所述神经系统疾病分类。
12.在示例中，所述处理单元被配置为确定至少一幅dmri图像中的每个体素处的扩散率概况。确定至少一幅dmri图像中的每个体素处的估计的神经元取向可以包括使用所述至少一幅dmri图像中的每个体素处的所述扩散率概况。
13.在示例中，所述处理单元被配置为确定至少一幅dmri图像中的每个体素处的球面概率分布函数。确定至少一幅dmri图像中的每个体素处的估计的神经元取向可以包括使用所述至少一幅dmri图像中的每个体素处的所述球面概率分布函数。
14.在示例中，所述至少一幅dmri图像中的每个体素处的所述球面概率分布函数与所述至少一幅dmri图像中的每个体素在给定方向上的扩散概率有关。
15.在示例中，确定至少一幅dmri图像中的每个体素处的估计的神经元取向可以包括使用所述至少一幅dmri图像中的每个体素处的所述球面概率分布函数中的峰值。
16.换句话说，给定每个体素中的3d概率分布函数，如odf或扩散张量，然后通过跟踪每个体素中每个分布函数的峰值，在整个脑中重建纤维束。
17.在示例中，所述处理单元被配置为确定所述多个纤维束中的至少一个纤维束，所述确定包括确定将脑的第一分割区域连接到脑的第二分割区域的一个或多个纤维束。
18.在示例中，所述处理单元被配置为确定所述多个纤维束中的至少一个纤维束，所述确定包括确定将脑的多个分割区域连接到彼此的两个或更多个纤维束。
19.在示例中，所述处理单元被配置为基于连接两个连接的分割区域的纤维束的数量来确定所述两个连接的分割区域的至少一个连接权重。
20.因此，只需要连接两个分割区域，在确定神经系统疾病分类时可以考虑它们之间的纤维束，但可以考虑更多连接的区段。
21.在示例中，所述处理单元被配置为基于与沿着连接所述两个连接的分割区域的纤维束的多个体素中的每个体素相关联的至少一个扩散率特征来确定针对两个连接的分割区域的至少一个连接性权重。
22.换句话说，如果满足某个阈值，则可以确定两个区域是连接的，例如，至少一个纤维束在这些区域中开始和结束。然后，可以基于使用诸如连接两个区域的纤维数量的特征或基于扩散率特征的其他特征(例如平均fa)或在执行疾病分类任务时从数据中学习的特征来考虑连接的强度。纤维束的数量和扩散率特征可以自动确定，但可以“手工制作”，其中这些特征由用户手动选择，或者可以使用例如深度网络从该数据中学习。
23.此外，连接权重可用于提供一定程度的显著性，例如在多个分割区域通过纤维束连接的情况下，连接权重可用于确定哪些区域对是重要的。这可以帮助确定神经系统疾病。
24.此外，连接权重可用于将权重映射回纤维束下方的单个体素，并且可视化纤维束热图，其可以额外地除了体素之外在实际纤维束本身上进行可视化。通过将连接权重映射回纤维束的个体体素，使得能够提供有关脑中疾病病理可能表现的信息。
25.在示例中，所述处理单元被配置为实施至少一种经训练的机器学习算法，并且其中，对所述神经系统疾病的确定包括通过至少一种训练的机器学习算法处理与选择的多个体素中的每个体素相关联的至少一个扩散率特征。
26.在示例中，所述至少一种经训练的机器学习算法是至少一个3d卷积神经网络
(cnn)。
27.在示例中，所述处理单元被配置为针对沿着至少一个纤维束的多个像素的活跃体素或非零体素选择要输入到至少一个经训练的机器学习算法的体素。
28.换句话说，可以使用一个或多个稀疏3d卷积神经网络(cnn)，它仅在占据脑区域之间的纤维束路径的一组稀疏活跃或非零体素周围应用(或应用)卷积滤波器。由于整个脑体积中活跃体素的数量非常稀疏，这不仅加快了计算速度，而且与传统的卷积滤波器不同，它还保留了纤维束形状。
29.在示例中，基于参考患者的脑的多幅dmri图像和与每个参考患者的神经系统疾病信息有关的信息来训练经训练的机器学习算法。
30.在第二个方面中，提供了一种成像系统，包括：
31.磁共振图像单元；以及
32.根据第一方面的装置。
33.所述磁共振成像单元被配置为采集患者的脑的至少一幅扩散磁共振成像“dmri”图像，并将该至少一幅dmri图像提供给所述装置。所述装置被配置为基于至少一幅dmri图像来输出针对患者的神经系统疾病分类。
34.在第三个方面中，提供了一种分析扩散磁共振成像数据的方法，所述方法包括：
35.a)为处理单元提供患者的脑的至少一幅扩散磁共振成像“dmri”图像；
36.b)由所述处理单元确定dmri图像中的每个体素处的神经元取向的估计，所述确定包括使用至少一幅dmri图像；
37.c)由所述处理单元确定所述至少一幅dmri图像中的多个纤维束，所述确定包括使用所述至少一幅dmri图像中的每个体素处的估计的神经元取向；
38.d)由所述处理单元沿着所述多个纤维束中的至少一个纤维束选择多个体素；
39.e)由所述处理单元确定神经系统疾病分类，所述确定包括使用与选定的多个体素中的每个体素相关联的至少一个扩散率特征；以及
40.f)由输出单元输出所述神经系统疾病分类。
41.根据另一个方面，提供了一种对如前所述的装置或系统中的一个或多个进行控制计算机程序单元，所述计算机程序单元在由处理单元执行时适于执行如前所述的方法中的一个或多个。
42.根据另一方面，提供了一种存储有如前所述的计算机单元的计算机可读介质。
43.所述计算机程序单元可以例如是软件程序，但是也可以是fpga、pld或任何其他适当的数字装置。
44.有利的是，上述任何方面提供的益处同样适用于所有其他方面，并且反之亦然。
45.参考下文描述的实施例，上述方面和范例将变得显而易见并将得以阐述。
附图说明
46.下面将参考附图来描述示范性实施例：
47.图1示出了用于分析扩散磁共振成像数据的装置的示例的示意性设置；
48.图2示出了成像系统的示例的示意性设置；
49.图3示出了分析扩散磁共振成像数据的方法；
50.图4示出了来自脑图库的感兴趣区域之间纤维束的结构连接性；
51.图5-6示出了用于基于结构连接性的疾病分类的稀疏深度神经网络的示意图。
具体实施方式
52.图1示出了用于分析扩散磁共振成像数据的装置10的示例。所述装置包括：输入单元20、处理单元30、以及输出单元40。所述输入单元被配置为向所述处理单元提供患者的脑的至少一幅扩散磁共振成像“dmri”图像。所述处理单元被配置为确定所述dmri图像中的每个体素处的神经元取向的估计，所述确定包括使用至少一幅dmri图像。所述处理单元被配置为确定所述至少一幅dmri图像中的多个纤维束，所述确定包括使用所述至少一幅dmri图像中的每个体素处的神经元的估计的取向。所述处理单元被配置为沿着多个纤维束中的至少一个纤维束选择多个体素。所述处理单元被配置为确定神经系统疾病分类，所述确定包括使用与选定的多个体素中的每一体素相关联的至少一个扩散率特征。所述输出单元被配置为输出所述神经系统疾病分类。
53.需要注意的是，dmri图像可以通过若干不同的梯度方案采集，然后可以通过若干方式来计算对扩散率概况的估计，包括扩散张量，这里统称为“扩散张量成像”。其他类型的协议包括高角分辨率扩散成像(hardi)，它在每个体素而不是扩散张量处估计取向分布函数(odf)，即球面概率分布函数。
54.然而，本文中描述的装置、系统和方法涵盖然后估计用于束成像的任何和所有扩散率概况的任何和所有成像协议。
55.根据示例，所述处理单元被配置为确定至少一幅dmri图像中的每个体素处的扩散率概况。确定至少一幅dmri图像中的每个体素处的估计的神经元取向可以包括使用所述至少一幅dmri图像中的每个体素处的所述扩散率概况。
56.根据示例，所述处理单元被配置为确定至少一幅dmri图像中的每个体素处的球面概率分布函数。确定至少一幅dmri图像中的每个体素处的估计的神经元取向可以包括使用所述至少一幅dmri图像中的每个体素处的所述球面概率分布函数。
57.根据示例，所述至少一幅dmri图像中的每个体素处的所述球面概率分布函数与所述至少一幅dmri图像中的每个体素在给定方向上的扩散概率有关。
58.根据示例，确定至少一幅dmri图像中的每个体素处的估计的神经元取向可以包括使用所述至少一幅dmri图像中的每个体素处的所述球面概率分布函数中的峰值。
59.根据示例，所述处理单元被配置为确定所述多个纤维束中的至少一个纤维束，所述确定包括确定将脑的第一分割区域连接到脑的第二分割区域的一个或多个纤维束。
60.在示例中，脑的第一分割区域和脑的第二分割区域是从脑图库确定的。
61.换句话说，根据图库给出的脑解剖结构，脑区域可能被分割成100多个区域。给定这些脑区域分割，然后确定哪些区域由在一对区域中开始和结束的纤维束物理地连接。并非所有区域都连接或接合到所有其他区域，并且可以识别连接的区域，并且选择最重要的区域或实际上成对的区域以及连接它们的纤维束以针对疾病分类进行处理。
62.根据示例，所述处理单元被配置为确定所述多个纤维束中的至少一个纤维束，所述确定包括确定将脑的多个分割区域连接到彼此的两个或更多个纤维束。
63.根据示例，所述处理单元被配置为基于连接两个连接的分割区域的纤维束的数量
来确定所述两个连接的分割区域的至少一个连接权重。
64.根据示例，所述处理单元被配置为基于与沿着连接所述两个连接的分割区域的纤维束的多个体素中的每个体素相关联的至少一个扩散率特征来确定针对两个连接的分割区域的至少一个连接性权重。
65.根据一个示例，所述处理单元被配置为实施至少一种经训练的机器学习算法。对所述神经系统疾病的确定可以包括通过至少一种训练的机器学习算法处理与选择的多个体素中的每个体素相关联的至少一个扩散率特征。
66.根据示例，所述至少一种经训练的机器学习算法是至少一种3d卷积神经网络(cnn)。
67.根据示例，所述处理单元被配置为针对沿着至少一个纤维束的多个像素的活跃体素或非零体素选择要输入到至少一个经训练的机器学习算法的体素。
68.有关稀疏cnn的更多信息，请参见例如：graham,benjamin,martin engelcke和laurens van der maaten的"3d semantic segmentation with submanifold sparse convolutional networks.”proceedings of the ieee conference on computer vision and pattern recognition.2018,以及graham,benjamin的"spatially-sparse convolutional neural networks."arxiv preprint arxiv:1409.6070(2014)。
69.在示例中，所述至少一个3d卷积神经网络包括至少一个稀疏3d卷积网络。
70.在示例中，当脑有三个或更多个分割区域时，所述处理单元被配置为针对每对分割区域实现稀疏3d卷积网络。因此，针对连接所考虑的每对区域的纤维束实施了稀疏3d卷积网络。换句话说，对用于分类神经系统疾病的脑区域之间的结构连接图的处理包括为这些脑区域之间的每组纤维束连接组合稀疏3dcnn。
71.在示例中，所述处理单元被配置为将稀疏3d cnn应用于每对分割的脑区域，以确定该对分割的脑区域的特征向量，并在最后一个全连接层中连接脑区域的对的特征向量，其输出是神经系统疾病的分类。
72.根据示例，基于参考患者的脑的多幅dmri图像和与每个参考患者的神经系统疾病信息有关的信息来训练经训练的机器学习算法。
73.因此，提供了一种新方法来处理在深度学习框架内的脑图库中识别的脑区域之间的结构连接图用于神经系统疾病分类。稀疏卷积神经网络(cnn)被应用于从3d体素中提取的dmri特征，这些特征沿着纤维束在结构上连接脑感兴趣区域。通过这种方式，提供了一种端到端的深度学习管线，所述管线将dmri扩散率特征(例如分数各向异性(fa))作为每组纤维连接的输入并输出疾病分类。此外，由于每个纤维连接都被视为网络的多个输入，因此可以使用基于梯度的显著性映射来可视化每个纤维连接对最终分类的贡献。
74.可以考虑两种显著程度。首先是考虑每对分割区域的权重，看看哪些是重要的。第二个是使用显著性将权重映射回纤维束下方的单个体素，并可视化纤维束热图，其可以额外地除了体素之外在实际纤维束本身上进行可视化。第一个已经可以在连接矩阵框架内使用。当需要知道疾病病理可能在脑中的哪个位置出现时，可以应用第二种方法。
75.换句话说，提供了用于dmri数据疾病分类的深度学习管道。对此的输入是1)每个体素的扩散率特征，例如来自例如扩散张量估计的fa，2)通过纤维束成像根据例如扩散张量峰重建的纤维束，3)从脑图库分割的脑区域，以及4)基于连接成对的脑区域的物理纤维
束的结构连接性。从这些输入中，提取体素，沿着这些体素连接每对脑区域的纤维束。每对脑区域的这些体素的特征是这个多输入深度神经网络的输入。然后将(非传统)稀疏3d cnn应用于这些3d特征量，并输出每个脑区域对的特征向量，并在最后一个全连接层将结果连接。这个多输入网络的输出是基于训练数据类别的神经系统疾病分类。
76.图2示出了成像系统100的示例。成像系统包括磁共振图像单元110和参考图1描述的装置10。所述磁共振成像单元被配置为采集患者的脑的至少一幅扩散磁共振成像“dmri”图像，并将该至少一幅dmri图像提供给所述装置。所述装置被配置为基于至少一幅dmri图像来输出针对患者的神经系统疾病分类。
77.图3示出了在其基本步骤中分析扩散磁共振成像数据的方法200。所述方法包括：
78.在提供步骤210，也称为步骤a)中，向处理单元提供患者脑的至少一幅扩散磁共振成像“dmri”图像；
79.在也称为步骤b)的确定步骤220中，由处理单元确定对dmri图像中的每个体素处的神经元取向的估计，所述确定包括使用所述至少一幅dmri图像；
80.在也称为步骤c)的确定步骤230中，由所述处理单元确定所述至少一幅dmri图像中的多个纤维束，所述确定包括使用所述至少一幅dmri图像中的每个体素处的估计的神经元取向；
81.在选择步骤240中，也称为步骤d)，由处理单元沿着所述多个纤维束中的至少一个纤维束选择多个体素；
82.在也称为步骤e)的确定步骤250中，由处理单元确定神经系统疾病分类，所述确定包括使用与所选择的多个体素中的每个体素相关联的至少一个扩散率特征；并且
83.在也称为步骤f)的输出步骤260中，由输出单元输出经取向注释的x射线图像。
84.在示例中，所述方法包括由处理单元确定在至少一幅dmri图像中的每个体素处的扩散率概况，并且其中，步骤b)包括使用所述至少一幅dmri图像中的每个体素处的扩散率概况。
85.在示例中，所述方法包括由所述处理单元确定在所述至少一幅dmri图像中的每个体素处的球面概率分布函数，并且其中，步骤b)包括使用所述至少一幅dmri图像中的每个体素处的球面概率分布函数。
86.在示例中，所述至少一幅dmri图像中的每个体素处的所述球面概率分布函数与所述至少一幅dmri图像中的每个体素在给定方向上的扩散概率有关。
87.在示例中，步骤b)包括使用所述至少一幅dmri图像中的每个体素处的球面概率分布函数中的峰值。
88.在示例中，步骤c)包括确定多个纤维束中的至少一个纤维束，包括确定将脑的第一分割区域连接到脑的第二分割区域的一个或多个纤维束。
89.在示例中，脑的第一分割区域和脑的第二分割区域是根据脑图库确定的。
90.在示例中，步骤c)包括确定多个纤维束中的至少一个纤维束，包括确定将脑的多个分割区域彼此连接的两个或更多个纤维束。
91.在示例中，所述方法包括基于连接两个连接的分割区域的纤维束的数量来确定两个连接的分割区域的连接权重。
92.在示例中，所述方法包括基于与沿着连接所述两个连接的分割区域的纤维束的多
个体素中的每个体素相关联的至少一个扩散率特征来确定针对两个连接的分割区域的至少一个连接性权重。
93.在示例中，所述方法包括由所述处理单元实施至少一种经训练的机器学习算法，并且其中，步骤e)包括通过至少一种训练的机器学习算法处理与选择的多个体素中的每个体素相关联的至少一个扩散率特征。
94.在示例中，所述至少一种经训练的机器学习算法包括至少一个3d卷积神经网络。
95.在示例中，所述方法包括由处理单元针对沿着至少一个纤维束的多个像素的活跃体素或非零体素选择体素以输入到至少一种经训练的机器学习算法。
96.在示例中，所述至少一个3d卷积神经网络包括至少一个稀疏3d卷积网络。
97.在示例中，当脑有三个或更多分割区域时，所述方法包括由处理单元针对每对分割区域实现稀疏3d卷积网络。
98.在示例中，所述方法包括由处理单元将稀疏3d cnn应用于每对分割的脑区域，以确定该对分割的脑区域的特征向量，并在最后一个全连接层中连接脑区域的对的特征向量，其输出是神经系统疾病的分类。
99.在示例中，基于参考患者的脑的多幅dmri图像和与每个参考患者的神经系统疾病信息有关的信息来训练经训练的机器学习算法。
100.现在更具体地更详细地描述分析扩散磁共振成像数据的装置、成像系统和分析扩散磁共振成像数据的方法，其中，参考图4-6。
101.扩散mri通过采集一组扩散加权图像来估计脑体积中的每个体素处神经元束的取向，从而测量脑中水扩散的方向性量。这些取向估计通过球形概率分布函数建模，例如在扩散张量成像(dti)中称为扩散张量的3d高斯分布或在高角度分辨率扩散成像中的非参数化取向分布函数(odf)。然后通过跟踪每个体素中这些球形pdf的峰值来重建纤维束。。
102.dti特征图可以从扩散张量的特征值中提取：分数各向异性(fa)、平均扩散率、轴向扩散率、径向扩散率。此处描述的dmri分析涉及对这些特征的分析，这些特征是根据预定义的扩散模型分析计算的，例如根据扩散张量的特征值计算的分数各向异性(fa)和平均扩散率(md)。
103.图4示出了来自脑图库的感兴趣区域之间的纤维束的结构连接性。在对此处描述的神经系统疾病进行分类时，在连接性分析方面，使用了来自纤维束成像的连接性指标，例如连接不同感兴趣区域的纤维的数量、长度或密度。其他功能包括沿纤维束占据的体素平均fa或其他扩散率测量。
104.图5-6示出了此处开发和使用的用于基于结构连接的疾病分类的稀疏深度神经网络的示意图。
105.主要元素涉及用于dmri数据疾病分类的深度学习管道。本发明的输入是1)每个体素的扩散率特征，例如来自扩散张量估计的fa，2)通过纤维束成像来根据扩散张量峰重建的纤维束，3)来自脑图库的分段脑区域，以及4)基于连接成对脑区域的物理纤维束的结构连接性(见图6)。根据这些输入，提取体素，沿所述体素纤维束连接每对脑区域。每对脑区域的这些体素的特征是这个多输入深度神经网络的输入。cnn被应用于这些3d特征量，并针对每个脑区域对输出一个特征向量，所述结果输出连接到最后一个全连接层。
106.然而，不是使用传统的3d cnn，由于dmri体积的大尺寸和针对每对脑区域的体积
输入数量，传统3d cnn的计算要求很高，并且会沿着细纤维束路径人为地扩散稀疏特征信号。这里使用了稀疏的3dcnn，它仅在占据脑区域之间的纤维束路径的稀疏活跃或非零体素集周围应用卷积滤波器。由于整个脑体积中活跃体素的数量非常稀疏，这不仅加快了计算速度，而且与传统的卷积滤波器不同，它还保留了纤维束形状。这个多输入网络的输出是基于训练数据类别的神经系统疾病分类。
107.此外，可以调用深度神经网络的显著性方法，它可以识别网络中负责的权重或新对象的分类。由于网络在每个脑连接的输入之间进行划分，因此显著性方法可用于跟踪哪些脑连接对分类很重要，并使用沿输入体素和纤维束的热图进行可视化。
108.因此，新神经系统疾病分类的工作流程可以概括为：
109.1.获得患者脑的扩散mri
110.2.确定每个体素的扩散率特征——如根据扩散张量估计确定的分数各向异性(fa)、平均扩散率、轴向扩散率、径向扩散率等特征
111.3.根据扩散张量峰重建纤维束
112.4.从脑图库中分割脑区域
113.5.然后在4处使用3处的纤维束连接经分割的脑区域
114.6.在5处使用纤维束沿纤维束选择体素
115.7.然后在6处将在2处选择的体素的扩散率特征输入到稀疏3d cnn
116.8.输出神经系统疾病的分类
117.9.执行显著性映射
118.稀疏cnn网络及其训练
119.将连接感兴趣区域对的每组纤维束的扩散特征(如fa)和活跃体素指标用作输入。针对每对区域都使用稀疏3d cnn，并且针对所述对象向量或标量被输出并连接起来形成大向量。例如，cnn架构可以是常见cnn架构(如resnet、vgg、densenet)的稀疏版本。然后一系列全连接层、非线性层(如relu)被输出到疾病预测(例如二元、多类、回归)，所述预测与通常的损失函数(如交叉熵)中的真实情况进行比较和并且通常的梯度下降反向传播算法被用于更新全连接层和每个稀疏3d cnn中的所有权重。因此，与疾病预测或分类有关的任何上述机器学习任务(例如二元分类、多类分类或回归)都可用于输出连续数字，例如在严重性预测或认知评分的情况下。
120.以下两个选项可用于关联稀疏cnn。每个都可以被独立地训练(这将涉及n倍的权重)，或者可以训练一个稀疏cnn，其权重在所有roi对之间共享(后者涉及要训练的较小网络)。
121.显著性映射
122.这实际上是对上述疾病分类工作流程的补充。关于其实现方式，可以使用诸如梯度类激活映射(gradcam)的显著性方法。这使用反向传播分析网络的权重(训练后，在测试时)，以找到可能与给出类别预测的重要性相关的大权重。首先，可以根据作为每个稀疏cnn输出的每个纤维束学习的权重，看出哪些纤维束对于类预测是重要的。此外，使用稀疏cnn，这可用于可视化沿步骤6(如上所述)选择的体素的权重热图，不仅可以查看哪些纤维束很重要，还可以查看沿纤维束的哪些体素很重要。
123.总结
124.通过在端到端模型中连接神经网络部件来实现神经系统疾病分类。确定连接n个区域对的纤维束的体素位置。这些中的每个都被输入到稀疏的3d cnn，所述稀疏的3d述cnn输出具有减小的输入大小的特征向量。然后将这些特征向量连接起来形成一个单一的特征向量，然后将其输入到一组完全连接的层中，并且最后输出用于二元或多类分类或回归的类预测。
125.然后，在执行分类后，可以将显著性映射应用于新的测试对象，以便将网络的重要权重可视化为沿着连接每个感兴趣区域的体素区域的热图。
126.在另一示范性实施例中，提供了一种计算机程序或计算机程序单元，其特征在于，其被配置为在合适的装置或系统上执行根据前述实施例中的一个的方法的方法步骤。
127.计算机程序单元因此可以被存储在计算单元上，其也可以是实施例的一部分。该计算单元可以被配置为执行上述方法的步骤或引起上述方法的步骤的执行。此外，其可以被配置为操作上述装置和/或系统的部件。计算单元可以被配置为自动操作和/或执行用户的命令。计算机程序可被加载到数据处理器的工作存储器中。数据处理器因此可以被配备为执行根据前述实施例中的一项的方法。
128.本发明的该示范性实施例覆盖正好从开始就使用本发明的计算机程序以及借助于更新而将现有程序转变为使用本发明的程序的计算机程序两者。
129.另外，计算机程序单元可以能够提供所有必要的步骤来完成如以上所描述的方法的示范性实施例的流程。
130.根据本发明的另一个示例性实施例，提出了一种计算机可读介质，例如cd-rom、usb记忆棒等，其中，所述计算机可读介质具有存储在其上的计算机程序单元，所述计算机程序单元由前一部分所描述。
131.计算机程序可以存储和/或分布在适合的介质上，例如与其他硬件一起被提供或作为其他硬件的部分被提供的光学存储介质或固态介质，但是计算机程序也可以以其他形式分布，例如经由因特网或其他的有线或无线的电信系统分布。
132.然而，计算机程序也可以通过如万维网的网络来提供并且可以被从这样的网络下载到数据处理器的工作存储器中。根据本发明的另外的示范性实施例，提供了一种用于使得计算机程序单元可供下载的介质，所述计算机程序单元被布置为执行本发明的先前描述的实施例中的一个。
133.必须指出，本发明的实施例参考不同主题进行描述。尤其地，一些实施例是参考方法型权利要求来描述的，而其他实施例是参考设备型权利要求来描述的。然而，本领域技术人员以上和以下描述可以得出，除非另行指出，除了属于同一类型的主题的特任的任何组合之外，涉及不同主题的特征之间的任何组合也被认为由本技术公开。然而，所有特征能够被组合，提供超过所述特征的简单加和的协同效应。
134.尽管已经在附图和前面的描述中详细图示和描述了本发明，但是这样的图示和描述应当被认为是说明性或示范性的，而非限制性的。本发明不限于所公开的实施例。本领域技术人员通过研究附图、公开内容以及从属权利要求，在实践请求保护的本发明时能够理解并且实现对所公开的实施例的其他变型。
135.在权利要求书中，词语“包括”不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现在权利要求中记载的若干项目的功能。尽管在
互相不同的从属权利要求中列举了特定措施，但是这并不指示不能有利地使用这些措施的组合。权利要求书中的任何附图标记不应被解释为对范围的限制。