CN105512493A - 基于脑部病理年龄估计的脑疾病检测系统 - Google Patents

Abstract

本发明提供一种基于脑部病理年龄估计的脑疾病检测系统，包括图像采集设备、实际年龄输入设备、存储器、预处理模块、特征提取模块、特征选择模块、脑部病理年龄估计模块、参数优化模块、分类识别模块以及结果输出模块，存储器设有VCI样本数据库、CTL样本数据库以及待测数据库。其效果是：系统充分运用了脑磁共振图像特征，结合样本的实际年龄信息，通过大量样本进行模型训练，所得脑部病理年龄估计模块能够有效估计被测对象的脑部病理年龄，同时，将脑部病理年龄估计值与实际年龄的偏差作为补充信息，通过融合脑图像信息，有效诊断被测对象是否患有脑疾病，整个系统原理明确，实现方便，对脑疾病的探测更具有科学依据，可靠度高，可行性强。

Description

基于脑部病理年龄估计的脑疾病检测系统

技术领域

本发明涉及生物医学电子中的信息检测技术，具体涉及一种基于脑部病理年龄估计的脑疾病检测系统。

背景技术

人的年龄可有实际年龄(以生命长短来计算)、生理年龄(除大脑之外其他重要器官功能的年龄)和脑年龄等区分，而脑部病理年龄，在某种意义上，是以病理改变命名的脑疾病患者的脑龄，虽病位在脑，但与身体各肝腑功能密切相关，病理机制属本虚标实。

常人在一般情况下，过了25岁，体内各器官和组织的功能都开始逐渐减弱，这是一个随着年龄增长而走向退化的标志。常人过了40岁就容易忘事，虽然这是脑退化的迹象，但伴随而来的是对事物的理解力、判断力、综合分析能力的增强，脑子也更趋成熟、完善，这是它积极的一面。同时由于各种原因脑组织本身发生器质性病变，脑部病理性萎缩在痴呆患者中加速脑萎缩，造成脑组织细胞减少，结构体积缩小，脑实质减少，脑质量减轻，这又是它消极的一面。这就是脑部病理年龄与生理年龄、实际年龄的最大区别。

研究发现，在不同的年龄阶段，人脑的发育过程表现出完全不同的规律，如果以脑部病理年龄来测度大脑发育状况或程度，则它与实际年龄既有密切的联系，又有其独特的特性。揭示脑部病理年龄与实际年龄的内置联系，对了解大脑发育过程和演化规律，认识人脑认知能力、心理和行为学的变化等，具有重要的科学研究价值。

现有技术中，通常采用支持向量机(SVM)或者关联向量机(RVM)，建立脑龄回归模型，对脑龄进行分析。利用平均绝对误差，均方根误差以及相关系数评估训练模型，提高分类准确率和估计脑龄与实际年龄的拟合度。这种评价是通过测试误差来评价模型的泛化能力，对测试数据集依赖大，因为测试数据集有限，很有可能得到的评价结果不可靠。

发明内容

本申请通过提供一种基于脑部病理年龄估计的脑疾病检测系统，一方面用于解决现有的脑部病理年龄检测不合理、不规范的缺陷，另一方面还能提高脑部病理年龄检测准确性，为脑疾病的诊断和治疗提供理论基础和科学依据。

为达到上述目的，本发明采用的技术方案如下：

一种基于脑部病理年龄估计的脑疾病检测系统，其关键在于包括：

图像采集设备：用于采集脑磁共振图像，并将采集到的脑磁共振图像输入到存储器中；

实际年龄输入设备：用于输入实际年龄信息到存储器中；

存储器：设有VCI样本数据库、CTL样本数据库以及待测数据库，所述VCI样本数据库用于存储脑疾病患者的脑磁共振图像和对应实际年龄信息，所述CTL样本数据库用于存储正常人的脑磁共振图像和对应的实际年龄信息，所述待测数据库用于存储未确诊对象的脑磁共振图像和对应的实际年龄信息；

预处理模块：从存储器的各个数据库中获取脑磁共振图像并进行组织分割；

特征提取模块：从组织分割后的脑磁共振图像中提取N个图像特征；

特征选择模块：根据参数优化模块输出的图像特征选择参数从N个图像特征中选择M个图像特征送入脑部病理年龄估计模块中，N和M为正整数；

脑部病理年龄估计模块：将特征选择模块所选的M个图像特征和实际年龄信息作为模型输入，利用VCI样本数据库和CTL样本数据库中的数据进行样本训练和样本测试，通过参数优化模块对模型参数和图像特征选择参数进行优化，得到最佳脑部病理年龄估计模型，利用该模型对待测数据库中的数据进行处理，从而输出未确诊对象的脑部病理年龄估计值；

参数优化模块：用于改变脑部病理年龄估计模型的模型参数以及特征选择模块的图像特征选择参数，使得脑部病理年龄估计模型的适应度函数最大化；

分类识别模块：根据脑部病理年龄估计模块输出的脑部病理年龄估计值与对应的实际年龄信息进行分类识别；

结果输出模块：输出分类识别模块的识别结果。

进一步地，所述预处理模块从存储器的各个数据库中获取脑磁共振图像，并按左右脑分别分割为多个组织，包括丘脑、尾状核头、核壳、苍白球、海马体、扁桃腺和伏核区。

再进一步地，所述特征提取模块所提取的图像特征包括每个组织的形态、数量、周长、面积、容积、曲率、厚度。

根据实际情况需要，所述脑部病理年龄估计模块采用SVR模型。

作为优选，所述脑部病理年龄估计模块在模型训练过程中，先利用VCI样本数据库和CTL样本数据库中的数据进行样本训练，设定正常人的年龄偏差p在(p_min,p_max)范围内变化，脑疾病患者的年龄偏差q在(q_min,q_max)范围内变化，p,q的变化步进Δ＝1，选定训练样本和测试样本，将训练样本的图像特征和实际年龄作为输入，将实际年龄与年龄偏差之和作为目标输出，利用参数优化模块中的遗传算法改变脑部病理年龄估计模型的模型参数以及特征选择模块的图像特征选择参数，通过测试样本进行测试，寻找当前(p,q)组合下适应度函数最大值，得到局部最优的模型参数和图像特征选择参数；通过在(p_min,p_max)和(q_min,q_max)范围内按预设步进轮询，寻找所有(p,q)组合中适应度函数最大值，得到全局最优的模型参数和图像特征选择参数，从而得到最佳脑部病理年龄估计模型。

为了保证脑部病理年龄估计模型的输出准确率，所述脑部病理年龄估计模块在模型训练过程中，所采用的适应度函数为其中：

$Sb=\frac{N_1}{N_1+N_2}{(\stackrel{\‾}{y_p}-\stackrel{\‾}{y})}^2+\frac{N_2}{N_1+N_2}{(\stackrel{\‾}{y_q}-\stackrel{\‾}{y})}^2$ 表示类间方差；

$Sw=\frac{P}{N_1}\underset{i=1}{\overset{N_1}{\Σ}}{(y_{pi}-\stackrel{\‾}{y_p})}^2+\frac{P_2}{N_2}\underset{j=1}{\overset{N_2}{\Σ}}{(y_{qj}-\stackrel{\‾}{y_q})}^2$ 表示类内方差；

其中，表示正常人测试样本占总测试样本的比值；表示脑疾病患者测试样本占总测试样本的比值；

即 $Sw=\frac{1}{N_1+N_2}\underset{i=1}{\overset{N_1}{\Σ}}{(y_{pi}-\stackrel{\‾}{y_p})}^2+\frac{1}{N_1+N_2}\underset{j=1}{\overset{N_2}{\Σ}}{(y_{qj}-\stackrel{\‾}{y_q})}^2$

N₁和N₂分别表示正常人测试样本和脑疾病患者测试样本的样本个数，且至少等于10；

y_pi表示测试样本中第i个正常人的脑部病理年龄估计值，y_qj表示测试样本中第j个脑疾病患者的脑部病理年龄估计值；

表示测试样本中N₁个正常人的脑部病理年龄估计值均值，表示测试样本中N₂个脑疾病患者的脑部病理年龄估计值均值。

表示测试样本中N₁个正常人和N₂个脑疾病患者的脑部病理年龄估计值均值。

根据类间方差越大同时类内方差越小，分类能力越强的原则，引入适应度函数λ，即类间方差与类内方差之比，λ值越大越能有效地将正常人的脑部病理年龄和脑疾病患者的脑部病理年龄区别开来，保证了分类效果。

进一步优选，所述分类识别模块提取最佳脑部病理年龄估计模型训练时所采用的(p,q)组合并记为(p_best,q_best)，未确诊对象通过脑部病理年龄估计模块所得脑部病理年龄与实际年龄的偏差为p_e，当|p_e-p_best|＜|p_e-q_best，则分类识别模块将其归为正常人，否则归为脑疾病患者，。

与现有技术相比，本发明具有的技术效果或优点是：充分运用了脑磁共振图像特征，结合样本的实际年龄信息，通过大量样本进行模型训练和测试，所得脑部病理年龄估计模块能够有效估计被测对象的脑部病理年龄，同时，系统通过脑部病理年龄估计值与实际年龄的偏差将其分类识别出被测对象是否患有脑疾病，整个系统原理简单，实现方便，对脑疾病的探测更具有科学依据，可靠度高，可行性强。

附图说明

图1为本发明的系统原理框图；

图2为脑部病理年龄估计模型的训练流程图；

图3为脑部病理年龄估计模型线性可分的效果示意图。

具体实施方式

下面结合附图及具体实施例对本发明的工作原理和显著效果作进一步说明。

如图1所示，一种基于脑部病理年龄估计的脑疾病检测系统，包括：

图像采集设备：用于采集脑磁共振图像，并将采集到的脑磁共振图像输入到存储器中；

实际年龄输入设备：用于输入实际年龄信息到存储器中；

存储器：设有VCI(VascularCognitiveImpairment)样本数据库、CTL(Control)样本数据库以及待测数据库，所述VCI样本数据库用于存储脑疾病患者的脑磁共振图像和对应实际年龄信息，所述CTL样本数据库用于存储正常人的脑磁共振图像和对应的实际年龄信息，所述待测数据库用于存储未确诊对象的脑磁共振图像和对应的实际年龄信息；

预处理模块：从存储器的各个数据库中获取脑磁共振图像并进行组织分割；

特征提取模块：从组织分割后的脑磁共振图像中提取N个图像特征；

特征选择模块：根据参数优化模块输出的图像特征选择参数从N个图像特征中选择M个图像特征送入脑部病理年龄估计模块中，N和M为正整数；

脑部病理年龄估计模块：将特征选择模块所选的M个图像特征和实际年龄信息作为模型输入，利用VCI样本数据库和CTL样本数据库中的数据进行样本训练和样本测试，通过参数优化模块对模型参数和图像特征选择参数进行优化，得到最佳脑部病理年龄估计模型，利用该模型对待测数据库中的数据进行处理，从而输出未确诊对象的脑部病理年龄估计值；

参数优化模块：用于改变脑部病理年龄估计模型的模型参数以及特征选择模块的图像特征选择参数，使得脑部病理年龄估计模型的适应度函数最大化；

分类识别模块：根据脑部病理年龄估计模块输出的脑部病理年龄估计值与对应的实际年龄信息进行分类识别；

结果输出模块：输出分类识别模块的识别结果。

以血管性痴呆检测为例，在存储器中预先采集了62例样例，其中VCI样本数据库中存储有30例确认为血管性痴呆患者的脑磁共振图像和对应实际年龄信息，实际年龄范围为51～78周岁，男女比例为9:21，随机选择了20例作为训练样本，剩余10例作为测试样本；CTL样本数据库中存储有32例正常人的脑磁共振图像和对应实际年龄信息，实际年龄范围为51～75周岁，男女比例为10:22，随机选择了20例作为训练样本，剩余12例作为测试样本。

血管性痴呆通常是因为脑血管病变(包括脑出血和脑梗死)引起的脑组织缺血、缺氧，进而导致脑功能衰退。通过观察样本脑解剖结构的磁共振图像(MRI)可以发现，易发生痴呆病变的好发部位有：丘脑、尾状核头、核壳、苍白球、海马体、扁桃腺和伏核区，多位于大脑前、中动脉深穿支的供血区。痴呆除了与病变部位重要的有关性，与病变的形态、数量、周长、面积、容积、曲率、厚度等也有重要关系。

因此该系统中的预处理模块从存储器的各个数据库中获取脑磁共振图像，并按左右脑分别分割为多个组织，包括丘脑、尾状核头、核壳、苍白球、海马体、扁桃腺和伏核区，通过特征提取模块提取每个组织的形态、数量、周长、面积、容积、曲率、厚度等参数，通过删选，最终组成一个14维的待选特征向量。

如图2所示，本例中采用SVR模型作为回归模型进行脑部病理年龄估计，核函数采用高斯向量基(RBF)核函数，在模型训练过程中，先分别利用VCI样本数据库和CTL样本数据库中的20例训练样本数据进行样本训练，设定正常人的年龄偏差p在(p_min,p_max)范围内变化，脑疾病患者的年龄偏差q在(q_min,q_max)范围内变化，p,q的变化步进Δ＝1，将训练样本的图像特征和实际年龄作为输入，将实际年龄与年龄偏差之和作为目标输出，利用参数优化模块中的遗传算法改变脑龄脑部病理年龄估计模型的模型参数以及特征选择模块的图像特征选择参数，通过测试样本进行测试，寻找当前(p,q)组合下适应度函数最大值，得到局部最优的模型参数和图像特征选择参数；通过在(p_min,p_max)和(q_min,q_max)范围内按预设步进轮询，寻找所有(p,q)组合中适应度函数最大值，得到全局最优的模型参数和图像特征选择参数，从而得到最佳脑部病理年龄估计模型，本例中(p_min,p_max)和(q_min,q_max)均设为(-10,10)，需要指出的是，所有特征参数在输入SVR模型之前，是经过数据归一化处理的。

在每一个(p,q)组合下，采用基于特征选择的链式遗传算法进行最优特征子集的筛选，具体的将种群大小设为50代，迭代次数30次，交叉概率设为0.8，变异概率设为0.05，随机生成1行14列的二进制数据矩阵作为初代种群进行遗传算法中的特征选择和交叉、变异等操作，0表示不选择该特征参数，1表示选择该特征参数，将经过遗传操作产生的第二代种群与初代种群合并，作为新的种群(种群大小100代)进行特征选择、交叉和变异，选出最优的前50代，依次进行循环迭代，直到迭代次数达到30，存储每次循环所对应的适应度值，然后从中选择最大适应度值作为本组(p,q)局部最优的模型参数和图像特征选择参数。

在脑部病理年龄估计模块模型训练过程中，所采用的适应度函数为 $\mathrm{\λ}=\frac{Sb}{Sw},$ 其中：

$Sb=\frac{N_1}{N_1+N_2}{(\stackrel{\‾}{y_p}-\stackrel{\‾}{y})}^2+\frac{N_2}{N_1+N_2}{(\stackrel{\‾}{y_q}-\stackrel{\‾}{y})}^2$ 表示类间方差；

$Sw=\frac{P_1}{N_1}\underset{i=1}{\overset{N_1}{\Σ}}{(y_{pi}-\stackrel{\‾}{y_p})}^2+\frac{P_2}{N_2}\underset{j=1}{\overset{N_2}{\Σ}}{(y_{qj}-\stackrel{\‾}{y_q})}^2$ 表示类内方差；

其中，表示正常人测试样本占总测试样本的比值；表示脑疾病患者测试样本占总测试样本的比值；

即 $Sw=\frac{1}{N_1+N_2}\underset{i=1}{\overset{N_1}{\Σ}}{(y_{pi}-\stackrel{\‾}{y_p})}^2+\frac{1}{N_1+N_2}\underset{j=1}{\overset{N_2}{\Σ}}{(y_{qj}-\stackrel{\‾}{y_q})}^2$

N₁和N₂分别表示正常人测试样本和脑疾病患者测试样本的样本个数，且至少等于10；

y_pi表示测试样本中第i个正常人的脑部病理年龄估计值，y_qj表示测试样本中第j个脑疾病患者的脑部病理年龄估计值；

表示测试样本中N₁个正常人的脑部病理年龄估计值均值，表示测试样本中N₂个脑疾病患者的脑部病理年龄估计值均值。

表示测试样本中N₁正常人和N₂脑疾病患者的脑部病理年龄估计值均值。

所述分类识别模块提取最佳脑部病理年龄估计模型训练时所采用的(p,q)组合并记为(p_best,q_best)，未确诊对象通过脑部病理年龄估计模块所得脑部病理年龄与实际年龄的偏差为p_e，当|p_e-p_best|＜|p_e-q_best，则分类识别模块将其归为正常人，否则归为脑疾病患者，经过多次运行，脑部病理年龄估计模块得到最佳的年龄偏差组合(p_best,q_best)的平均值为(-6.6，2.1)。

如图3所示，分类识别模块也可以通过将测试样本的实际年龄和脑部病理年龄估计值描绘在一张二维图表上，横坐标为实际年龄，纵坐标为脑部病理年龄估计值，通过图3可以发现，正常人的测试样本数据几乎处于一条直线上，脑疾病患者的测试样本数据处于另一条直线上，一方面体现出脑部病理年龄估计模型的线性可分性，另一方面还可以直接利用该二维图表进行未确诊对象的分类，针对未确诊对象而言，将其实际年龄和脑部病理年龄估计值描绘在上述图表中，通过观察其图标更贴合于哪一条直线即可判定其属于哪一种类型。

表1是不同实验条件下的数据结果，运行10次程序得到的分类准确率、灵敏度、特异度的均值和方差。从表中可以看出，直接利用图像特征进行分类识别时，分类准确率在50％左右，而采用病理年龄估计来进行分类识别时，分类准确率达到了80％以上，要高出30％左右，这对于早期筛查认知损害的病人意义重大。

表1不同实验对比结果

应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。

Claims (7)

1.一种基于脑部病理年龄估计的脑疾病检测系统，其特征在于包括：

图像采集设备：用于采集脑磁共振图像，并将采集到的脑磁共振图像输入到存储器中；

实际年龄输入设备：用于输入实际年龄信息到存储器中；

存储器：设有VCI样本数据库、CTL样本数据库以及待测数据库，所述VCI样本数据库用于存储脑疾病患者的脑磁共振图像和对应实际年龄信息，所述CTL样本数据库用于存储正常人的脑磁共振图像和对应的实际年龄信息，所述待测数据库用于存储未确诊对象的脑磁共振图像和对应的实际年龄信息；

预处理模块：从存储器的各个数据库中获取脑磁共振图像并进行组织分割；

特征提取模块：从组织分割后的脑磁共振图像中提取N个图像特征；

特征选择模块：根据参数优化模块输出的图像特征选择参数从N个图像特征中选择M个图像特征送入脑部病理年龄估计模块中，N和M为正整数；

脑部病理年龄估计模块：将特征选择模块所选的M个图像特征和实际年龄信息作为模型输入，利用VCI样本数据库和CTL样本数据库中的数据进行样本训练和样本测试，通过参数优化模块对模型参数和图像特征选择参数进行优化，得到最佳脑部病理年龄估计模型，利用该模型对待测数据库中的数据进行处理，从而输出未确诊对象的脑部病理年龄估计值；

参数优化模块：用于改变脑部病理年龄估计模型的模型参数以及特征选择模块的图像特征选择参数，使得脑部病理年龄估计模型的适应度函数最大化；

分类识别模块：根据脑部病理年龄估计模块输出的脑部病理年龄估计值与对应的实际年龄信息进行分类识别；

结果输出模块：输出分类识别模块的识别结果。

2.根据权利要求1所述的基于脑部病理年龄估计的脑疾病检测系统，其特征在于，所述预处理模块从存储器的各个数据库中获取脑磁共振图像，并按左右脑分别分割为多个组织，包括丘脑、尾状核头、核壳、苍白球、海马体、扁桃腺和伏核区。

3.根据权利要求2所述的基于脑部病理年龄估计的脑疾病检测系统，其特征在于，所述特征提取模块所提取的图像特征包括每个组织的形态、数量、周长、面积、容积、曲率、厚度。

4.根据权利要求1-3任一所述的基于脑部病理年龄估计的脑疾病检测系统，其特征在于，所述脑部病理年龄估计模块采用SVR模型。

5.根据权利要求4所述的基于脑部病理年龄估计的脑疾病检测系统，其特征在于，所述脑部病理年龄估计模块在模型训练过程中，先利用VCI样本数据库和CTL样本数据库中的数据进行样本训练，设定正常人的年龄偏差p在(p_min,p_max)范围内变化，脑疾病患者的年龄偏差q在(q_min,q_max)范围内变化，p,q的变化步径Δ＝1，选定训练样本和测试样本，将训练样本的图像特征和实际年龄作为输入，将实际年龄与年龄偏差之和作为目标输出，利用参数优化模块中的遗传算法改变脑部病理年龄估计模型的模型参数以及特征选择模块的图像特征选择参数，通过测试样本进行测试，寻找当前(p,q)组合下适应度函数最大值，得到局部最优的模型参数和图像特征选择参数；通过在(p_min,p_max)和(q_min,q_max)范围内按预设步进轮询，寻找所有(p,q)组合中适应度函数最大值，得到全局最优的模型参数和图像特征选择参数，从而得到最佳脑部病理年龄估计模型。

6.根据权利要求4所述的基于脑部病理年龄估计的脑疾病检测系统，其特征在于，所述脑部病理年龄估计模块在模型训练过程中，所采用的适应度函数为 $\mathrm{\λ}=\frac{\mathrm{Sb}}{\mathrm{Sw}},$ 其中：

$Sb=\frac{N_1}{N_1+N_2}{(\stackrel{\‾}{y_p}-\stackrel{\‾}{y})}^2+\frac{N_2}{N_1+N_2}{(\stackrel{\‾}{y_q}-\stackrel{\‾}{y})}^2$ 表示类间方差；

$Sw=\frac{P_1}{N_1}\underset{i=1}{\overset{N_1}{\Σ}}{(y_{pi}-\stackrel{\‾}{y_p})}^2+\frac{P_2}{N_2}\underset{j=1}{\overset{N_2}{\Σ}}{(y_{qj}-\stackrel{\‾}{y_q})}^2$ 表示类内方差；

其中，表示正常人测试样本占总测试样本的比值；表示脑疾病患者测试样本占总测试样本的比值；

即 $\mathrm{Sw}=\frac{1}{N_1+N_2}\underset{i=1}{\overset{N_1}{\mathrm{\Σ}}}{(y_{\mathrm{pi}}-\stackrel{\‾}{y_p})}^2+\frac{1}{N_1+N_2}\underset{j=1}{\overset{N_2}{\mathrm{\Σ}}}{(y_{\mathrm{qj}}-\stackrel{\‾}{y_q})}^2$

N₁和N₂分别表示正常人测试样本和脑疾病患者测试样本的样本个数，且至少等于10；

y_pi表示测试样本中第i个正常人的脑部病理年龄估计值，y_qj表示测试样本中第j个脑疾病患者的脑部病理年龄估计值；

表示测试样本中N₁个正常人的脑部病理年龄估计值均值，表示测试样本中N₂个脑疾病患者的脑部病理年龄估计值均值。

表示测试样本中N₁个正常人和N₂个脑疾病患者的脑部病理年龄估计值均值。

7.根据权利要求4所述的基于脑部病理年龄估计的脑疾病检测系统，其特征在于，所述分类识别模块提取最佳脑部病理年龄估计模型训练时所采用的(p,q)组合并记为(p_best,q_best)，未确诊对象通过脑部病理年龄估计模块所得脑部病理年龄与实际年龄的偏差为p_e，当|p_e-p_best|＜|p_e-q_best，则分类识别模块将其归为正常人，否则归为脑疾病患者。