CN110025312A - 基于结构磁共振的带状疱疹性神经痛疗效预测方法及系统 - Google Patents

基于结构磁共振的带状疱疹性神经痛疗效预测方法及系统 Download PDF

Info

Publication number
CN110025312A
CN110025312A CN201910238988.8A CN201910238988A CN110025312A CN 110025312 A CN110025312 A CN 110025312A CN 201910238988 A CN201910238988 A CN 201910238988A CN 110025312 A CN110025312 A CN 110025312A
Authority
CN
China
Prior art keywords
herpes zoster
magnetic resonance
zoster neuralgia
structure magnetic
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910238988.8A
Other languages
English (en)
Other versions
CN110025312B (zh
Inventor
黄炳升
吴松雄
曾萍
黄佳彬
肖礼祖
陈富勇
陶蔚
钱程瑞
孙武平
廖宇良
张家宁
杨泽帆
钟少楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHENZHEN CITY NANSHAN DISTRICT PEOPLE'S HOSPITAL
Shenzhen University
Original Assignee
SHENZHEN CITY NANSHAN DISTRICT PEOPLE'S HOSPITAL
Shenzhen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SHENZHEN CITY NANSHAN DISTRICT PEOPLE'S HOSPITAL, Shenzhen University filed Critical SHENZHEN CITY NANSHAN DISTRICT PEOPLE'S HOSPITAL
Priority to CN201910238988.8A priority Critical patent/CN110025312B/zh
Publication of CN110025312A publication Critical patent/CN110025312A/zh
Application granted granted Critical
Publication of CN110025312B publication Critical patent/CN110025312B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Neurology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于结构磁共振的带状疱疹性神经痛疗效预测方法及系统，方法包括以下步骤：获取带状疱疹性神经痛患者的结构磁共振图像；对获取的结构磁共振图像进行预处理，得到灰质体积，所述预处理包括配准、分割和调制；根据灰质体积采用机器学习的方法进行带状疱疹性神经痛疗效预测。本发明将结构共振成像与机器学习相结合来预测带状疱疹性神经痛的疗效，通过机器学习的方法寻找灰质体积这一神经影像标志，能客观预判患者的药物疗效，让医生能够更合理地为患者制定医疗方案，提升医生的工作效率。本发明可广泛应用于医学图像模式识别领域。

Description

基于结构磁共振的带状疱疹性神经痛疗效预测方法及系统
技术领域
本发明涉及医学图像模式识别领域，尤其是一种基于结构磁共振的带状疱疹性神经痛疗效预测方法及系统。
背景技术
带状疱疹是临床上较常见的急性疱疹样皮肤病，由水痘-带状疱疹病毒所致。这种病毒由呼吸道感染侵入体内，潜伏到脊神经后根神经节或其它发病部位的神经细胞中。这种病毒当机体免疫力下降(例如：创伤、劳累、感冒、免疫系统疾病等)时，潜伏的病毒就会大量繁殖，使神经节发炎和坏死，引起病人疼痛，同时该病毒沿神经通路下传到该神经支配的区域引起节段性疱疹。带状疱疹在临床多呈现数个簇集疱疹群，排列成带状，沿周围神经分布，常见于胸腹、腰背及颜面部，局部皮肤有灼热感，伴有神经痛，故又被称为带状疱疹性神经痛。
目前，临床上用视觉模拟评分(Visual Analog Score,VAS)表对带状疱疹性神经痛患者的疼痛情况进行评估，根据治疗前后的VAS评分下降情况来判别药物治疗是否有效。然而这种方法具有较强主观性，且无法帮助医生预判患者的药物疗效。
发明内容
为解决上述技术问题，本发明的目的在于：提供一种基于结构磁共振的带状疱疹性神经痛疗效预测方法及系统，以客观预判患者的药物疗效。
本发明一方面所采取的技术方案是：
基于结构磁共振的带状疱疹性神经痛疗效预测方法，包括以下步骤：
获取带状疱疹性神经痛患者的结构磁共振图像；
对获取的结构磁共振图像进行预处理，得到灰质体积，所述预处理包括配准、分割和调制；
根据灰质体积采用机器学习的方法进行带状疱疹性神经痛疗效预测。
进一步，所述获取带状疱疹性神经痛患者的结构磁共振图像这一步骤，具体为：
采用三维Turbo FLASH磁化准备快速梯度回波成像序列对带状疱疹性神经痛患者进行全脑扫描，得到带状疱疹性神经痛患者的结构磁共振图像。
进一步，所述对获取的结构磁共振图像进行预处理，得到灰质体积这一步骤，具体包括：
将获取的结构磁共振图像配准至MNI空间；
对配准后的结构磁共振图像通过仿射变换，分割出灰质图像、白质图像和脑脊液图像；
对灰质图像进行调制，得到灰质体积。
进一步，所述对获取的结构磁共振图像进行预处理，得到灰质体积这一步骤，还具体包括：
检查并剔除协方差偏离正常值超过预设阈值的结构磁共振图像；
对检查并剔除完的结构磁共振图像进行平滑处理。
进一步，所述根据灰质体积采用机器学习的方法进行带状疱疹性神经痛疗效预测这一步骤，具体包括：
从输入的样本中循环抽取每个带状疱疹性神经痛患者数据作为测试集，样本中其余带状疱疹性神经痛患者数据作为训练集；
以灰质体积为模型参数，对训练集采用机器学习的方法进行模型训练，得到各个带状疱疹性神经痛疗效预测模型；
采用测试集对各个带状疱疹性神经痛疗效预测模型进行测试，得到各个带状疱疹性神经痛疗效预测模型的测试结果；
根据各个带状疱疹性神经痛疗效预测模型的测试结果得到最终带状疱疹性神经痛疗效预测模型的性能指标；
采用最终带状疱疹性神经痛疗效预测模型对待预测的对象进行带状疱疹性神经痛疗效预测。
进一步，所述机器学习的方法采用随机森林算法、支持向量机算法或逻辑斯蒂回归算法。
本发明另一方面所采取的技术方案是：
基于结构磁共振的带状疱疹性神经痛疗效预测系统，包括：
获取模块，用于获取带状疱疹性神经痛患者的结构磁共振图像；
预处理模块，用于对获取的结构磁共振图像进行预处理，得到灰质体积，所述预处理包括配准、分割和调制；
预测模块，用于根据灰质体积采用机器学习的方法进行带状疱疹性神经痛疗效预测。
进一步，所述预处理模块具体包括：
配准单元，用于将获取的结构磁共振图像配准至MNI空间；
分割单元，用于对配准后的结构磁共振图像通过仿射变换，分割出灰质图像、白质图像和脑脊液图像；
调制单元，用于对灰质图像进行调制，得到灰质体积。
进一步，所述预测模块具体包括：
样本划分单元，用于从输入的样本中循环抽取每个带状疱疹性神经痛患者数据作为测试集，样本中其余带状疱疹性神经痛患者数据作为训练集；
训练单元，用于以灰质体积为模型参数，对训练集采用机器学习的方法进行模型训练，得到各个带状疱疹性神经痛疗效预测模型；
测试单元，用于采用测试集对各个带状疱疹性神经痛疗效预测模型进行测试，得到各个带状疱疹性神经痛疗效预测模型的测试结果；
性能指标计算单元，用于根据各个带状疱疹性神经痛疗效预测模型的测试结果得到最终带状疱疹性神经痛疗效预测模型的性能指标；
预测单元，用于采用最终带状疱疹性神经痛疗效预测模型对待预测的对象进行带状疱疹性神经痛疗效预测。
本发明另一方面所采取的技术方案是：
基于结构磁共振的带状疱疹性神经痛疗效预测系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如本发明所述的基于结构磁共振的带状疱疹性神经痛疗效预测方法。
本发明的有益效果是：本发明基于结构磁共振的带状疱疹性神经痛疗效预测方法及系统，先获取带状疱疹性神经痛患者的结构磁共振图像，然后通过配准、分割和调制等预处理得到灰质体积，最后采用机器学习的方法进行带状疱疹性神经痛疗效预测，将结构共振成像与机器学习相结合来预测带状疱疹性神经痛的疗效，通过机器学习的方法寻找灰质体积这一神经影像标志，能客观预判患者的药物疗效，让医生能够更合理地为患者制定医疗方案，提升医生的工作效率。
附图说明
图1为本发明实施例提供的基于结构磁共振的带状疱疹性神经痛疗效预测方法流程图；
图2为本发明具体实施例的带状疱疹性神经痛疗效预测方案流程图；
图3为磁共振扫描得到的结构图像；
图4为本发明具体实施例的预处理流程图；
图5为采用支持向量机算法进行带状疱疹性神经痛疗效预测得到的接受者操作特征曲线图；
图6为采用随机森林算法进行带状疱疹性神经痛疗效预测得到的接受者操作特征曲线图；
图7为采用逻辑斯蒂回归算法进行带状疱疹性神经痛疗效预测得到的接受者操作特征曲线图。
具体实施方式
首先对本发明所涉及到的名词和术语进行说明：
sMRI：Structural Magnetic Resonance Imaging，结构磁共振成像；
SVM：Support Vector Machine，支持向量机，机器学习方法的一种；
RF：Random Forests，随机森林，机器学习分类方法的一种；
Logistic Regression：逻辑斯蒂回归，机器学习分类方法的一种；
MSP：Medication-sensitive Patients，大多数患者对药物治疗表现出积极反应，定义为药物敏感患者；
MRP：Medication-resistant Patients，一部分患者，特别是那些高龄和免疫功能低下的患者，药物治疗效果差，更易受药物毒副作用影响，定义为耐药患者。
ROC：Receiver Operating Characteristic Curve，接受者操作特征曲线。
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。
参照图1，本发明实施例提供了一种基于结构磁共振的带状疱疹性神经痛疗效预测方法，包括以下步骤：
获取带状疱疹性神经痛患者的结构磁共振图像；
对获取的结构磁共振图像进行预处理，得到灰质体积，所述预处理包括配准、分割和调制；
根据灰质体积采用机器学习的方法进行带状疱疹性神经痛疗效预测。
具体地，带状疱疹性神经痛患者的结构图像可以通过对带状疱疹性神经痛患者进行静息态磁共振扫描来获取。
灰质体积，是本实施例采用的用于结构像图像分析的参数。灰质是一种网状分散在大脑中的结构，在信息处理方面发挥作用，富含神经细胞的细胞体，灰质肉眼上看呈现出灰色。
机器学习是人工智能的一个分支，通过设计专门的算法令计算机自动完成数据分析以掌握规律(即“学习”)，并利用规律对未知数据做出判断或预测。机器学习方法可通过不断“学习”来分析、掌握规律，也可轻而易举地完成信息的处理，相比于统计分析方法，机器学习在分析大数据量与高变量维度方面有着不可比拟的优势。机器学习的方法包括随机森林算法、支持向量机算法、逻辑斯蒂回归算法等。
本实施例应用了机器学习的方法，根据已有的带状疱疹性神经痛患者的药物疗效数据寻找带状疱疹性神经痛患者药物疗效的规律，得到带状疱疹性神经痛疗效预测模型，下次再有一些新的数据(即对待预测的对象)就可以按照先前学习到的规律，让该预测模型自动预测带状疱疹性神经痛患者的药物疗效。
由上述内容可知，本实施例使用机器学习训练用于预测的带状疱疹性神经痛疗效预测模型，探究和药物疗效相关的灰质体积这一神经影像标志，并通过该神经影像标志客观预测患者的药物疗效，帮助医生为患者制定高效率的治疗方案，提高医生诊疗效率及患者的生活质量，同时减轻患者的精神和经济负担。
进一步作为优选的实施方式，所述获取带状疱疹性神经痛患者的结构磁共振图像这一步骤，具体为：
采用三维Turbo FLASH磁化准备快速梯度回波成像序列对带状疱疹性神经痛患者进行全脑扫描，得到带状疱疹性神经痛患者的结构磁共振图像。
具体地，本实施例可采用静息态磁共振扫描技术，通过三维Turbo FLASH磁化准备快速梯度回波成像序列来采集病例数据。
进一步作为优选的实施方式，所述对获取的结构磁共振图像进行预处理，得到灰质体积这一步骤，具体包括：
将获取的结构磁共振图像配准至MNI空间；
对配准后的结构磁共振图像通过仿射变换，分割出灰质图像、白质图像和脑脊液图像；
对灰质图像进行调制，得到灰质体积。
具体地，将获取的结构磁共振图像配准至MNI空间是指将结构磁共振图像配准至MNI空间的标准模板图像，以便于后续的分割等处理操作。MNI空间是MontrealNeurological Institute根据一系列正常人脑的磁共振图像而建立的坐标系统。
进一步作为优选的实施方式，所述对获取的结构磁共振图像进行预处理，得到灰质体积这一步骤，还具体包括：
检查并剔除协方差偏离正常值超过预设阈值的结构磁共振图像；
对检查并剔除完的结构磁共振图像进行平滑处理。
具体地，检查并剔除协方差偏离正常值超过预设阈值的结构磁共振图像，是为了避免协方差偏离正常值过大的异常数据对预测结果造成的干扰。
平滑处理，是为了减少噪音的影响。
进一步作为优选的实施方式，所述根据灰质体积采用机器学习的方法进行带状疱疹性神经痛疗效预测这一步骤，具体包括：
从输入的样本中循环抽取每个带状疱疹性神经痛患者数据作为测试集，样本中其余带状疱疹性神经痛患者数据作为训练集；
以灰质体积为模型参数，对训练集采用机器学习的方法进行模型训练，得到各个带状疱疹性神经痛疗效预测模型；
采用测试集对各个带状疱疹性神经痛疗效预测模型进行测试，得到各个带状疱疹性神经痛疗效预测模型的测试结果；
根据各个带状疱疹性神经痛疗效预测模型的测试结果得到最终带状疱疹性神经痛疗效预测模型的性能指标；
采用最终带状疱疹性神经痛疗效预测模型对待预测的对象进行带状疱疹性神经痛疗效预测。
具体地，输入的样本为预先采集的带状疱疹性神经痛患者的实际药物疗效数据。
本实施例使用留一法循环抽取一个带状疱疹性神经痛患者数据作为测试集，样本中其余带状疱疹性神经痛患者数据作为训练集输入机器学习分类器中训练疗效预测模型，然后使用测试集对训练出来的模型进行测试，并循环以上过程，直至将每个带状疱疹性神经痛患者数据都作为测试集一次，最后得出所有测试集测试结果来计算样本中所有患者数据全部用作训练集时训练出的分类器的性能指标。
进一步作为优选的实施方式，所述机器学习的方法采用随机森林算法、支持向量机算法或逻辑斯蒂回归算法。
目前在带状疱疹性神经痛的诊疗方面，暂未有使用sMRI影像结合机器学习的疗效预测方法，因此本具体实施例提出了一种基于结构磁共振和机器学习的急性疱疹性神经痛患者的疗效预测方案，可以填补该方面的技术空缺。本具体实施例的疗效预测方案通过结合sMRI影像和机器学习的方法对采用常规药物治疗的带状疱疹性神经痛患者的疗前影像进行分析，探究和药物疗效相关的灰质体积这一神经影像标志，并通过该神经标志客观预测患者的药物疗效，帮助医生为患者制定高效率的治疗方案，提高医生诊疗效率及患者的生活质量，同时减轻患者的精神和经济负担。如图2所示，本具体实施例的疗效预测方案主要实现步骤如下：
一、数据收集
数据收集可通过静息态磁共振扫描来完成。扫描前已通过大量带状疱疹性神经痛病例计算出合适的扫描参数，静息态磁共振扫描在某知名医院影像科的3.0 TSIEMENSskyra设备完成。具体地，可采用三维Turbo FLASH磁化准备快速梯度回波成像(Magnetization Prepared RApid Gradient Echo,MP-RAGE)序列行矢状位连续320层覆盖全脑扫描，以进行三维重建及空间配准。扫描参数为：TR/TE＝1900ms/2.12ms，反转时间为900ms，翻转角为9°，层厚为0.60mm，FOV为256×256mm2，空间分辨率为0.57×0.57×3.00mm3，数据矩阵大小为256×256。扫描得到的结构磁共振图像如图3所示。
二、数据预处理
如图4所示，可使用MATLAB的SPM工具箱对原始图像进行预处理，具体实现步骤如下：
(1)Estimate and Write：将数据配准到MNI空间，然后通过仿射变换，分割出灰质、白质、脑脊液，并将灰质图像经过调制等步骤计算出灰质体积；
(2)Check Sample：检查并剔除协方差偏离正常值较大的样本；
(3)Smooth：将检查完的数据进行平滑处理。
三、机器学习预测模型的建立、筛选及评估
在本预测方案中，将用药疗效不好的患者定义为MRP组，用药疗效好的患者定义为MSP组，使用留一法保留一位患者数据作为测试集，其余作为训练集输入机器学习分类器中训练疗效预测模型，然后使用测试集对训练出来的模型进行测试，并循环以上过程，直至将每个患者都作为测试集一次，得出各个测试的测试结果来计算这批患者全部用作训练集时训练出的分类器的性能指标；
本实施例使用受试者工作特征曲线(receiver operating characteristiccurve，简称ROC曲线)评估分类模型的性能，通过计算所有受试者的平均测试结果画出对应分类模型(即预测模型)的ROC曲线，用ROC曲线下的面积(Area under curve,AUC)，以及由ROC曲线确定的最佳分类阈值下的准确率、敏感度、特异度来对分类模型的性能进行评估，其中准确率、敏感度、特异度的计算方法如下：
准确率Accuracy＝(TP+TN)/(TP+TN+FP+FN) (1)
敏感度Sensitivity＝TP/(TP+FN) (2)
特异度Specificity＝TN/(TN+FP) (3)
其中，TP：True Positive，真阳性，被判定为正样本，事实上也是正样本的样本总数。
TN：True Negative，真阴性，被判定为负样本，事实上也是负样本的样本总数。
FP：False Positive，假阳性，被判定为正样本，但事实上是负样本的样本总数。
FN：False Negative，假阴性，被判定为负样本，但事实上是正样本的样本总数。
从某医院处收集来共38例带状疱疹急性期神经痛患者(简称病例)数据，考虑纳入准则、T-test分析和通过本具体实施例的预处理后，共保留下26例数据，其中MRP组13人，MSP组13人，按本具体实施例的方案计算参数、建模和评测。
具体地，使用留一交叉验证的方法检验本具体实施例所建立模型对于预测带状疱疹急性期神经痛患者的疗效效果。在留一交叉验证中，循环抽取每个病例作为测试集，其余作为训练集训练出分类预测模型，再用测试集检验预测模型，最后综合每次的分类测试结果计算最终分类预测模型(即全部数据作为训练集训练出来的分类器)的性能指标。
使用灰质体积作为训练分类器的特征值，分别训练SVM、RF、Logistic Regression分类器，得到结果如表1、图5、图6和图7所示。由这些图表可知，机器学习分类模型对于带状疱疹急性期神经痛的药物疗后效果均具有较好的预测能力。
表1
与图1的方法相对应，本发明实施例还提供了一种基于结构磁共振的带状疱疹性神经痛疗效预测系统，包括：
获取模块，用于获取带状疱疹性神经痛患者的结构磁共振图像；
预处理模块，用于对获取的结构磁共振图像进行预处理，得到灰质体积，所述预处理包括配准、分割和调制；
预测模块，用于根据灰质体积采用机器学习的方法进行带状疱疹性神经痛疗效预测。
进一步作为优选的实施方式，所述预处理模块具体包括：
配准单元，用于将获取的结构磁共振图像配准至MNI空间；
分割单元，用于对配准后的结构磁共振图像通过仿射变换，分割出灰质图像、白质图像和脑脊液图像；
调制单元，用于对灰质图像进行调制，得到灰质体积。
进一步作为优选的实施方式，所述预测模块具体包括：
样本划分单元，用于从输入的样本中循环抽取每个带状疱疹性神经痛患者数据作为测试集，样本中其余带状疱疹性神经痛患者数据作为训练集；
训练单元，用于以灰质体积为模型参数，对训练集采用机器学习的方法进行模型训练，得到各个带状疱疹性神经痛疗效预测模型；
测试单元，用于采用测试集对各个带状疱疹性神经痛疗效预测模型进行测试，得到各个带状疱疹性神经痛疗效预测模型的测试结果；
性能指标计算单元，用于根据各个带状疱疹性神经痛疗效预测模型的测试结果得到最终带状疱疹性神经痛疗效预测模型的性能指标；
预测单元，用于采用最终带状疱疹性神经痛疗效预测模型对待预测的对象进行带状疱疹性神经痛疗效预测。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种基于结构磁共振的带状疱疹性神经痛疗效预测系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如本发明所述的基于结构磁共振的带状疱疹性神经痛疗效预测方法。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.基于结构磁共振的带状疱疹性神经痛疗效预测方法，其特征在于：包括以下步骤：
获取带状疱疹性神经痛患者的结构磁共振图像；
对获取的结构磁共振图像进行预处理，得到灰质体积，所述预处理包括配准、分割和调制；
根据灰质体积采用机器学习的方法进行带状疱疹性神经痛疗效预测。
2.根据权利要求1所述的基于结构磁共振的带状疱疹性神经痛疗效预测方法，其特征在于：所述获取带状疱疹性神经痛患者的结构磁共振图像这一步骤，具体为：
采用三维Turbo FLASH磁化准备快速梯度回波成像序列对带状疱疹性神经痛患者进行全脑扫描，得到带状疱疹性神经痛患者的结构磁共振图像。
3.根据权利要求1所述的基于结构磁共振的带状疱疹性神经痛疗效预测方法，其特征在于：所述对获取的结构磁共振图像进行预处理，得到灰质体积这一步骤，具体包括：
将获取的结构磁共振图像配准至MNI空间；
对配准后的结构磁共振图像通过仿射变换，分割出灰质图像、白质图像和脑脊液图像；
对灰质图像进行调制，得到灰质体积。
4.根据权利要求3所述的基于结构磁共振的带状疱疹性神经痛疗效预测方法，其特征在于：所述对获取的结构磁共振图像进行预处理，得到灰质体积这一步骤，还具体包括：
检查并剔除协方差偏离正常值超过预设阈值的结构磁共振图像；
对检查并剔除完的结构磁共振图像进行平滑处理。
5.根据权利要求1所述的基于结构磁共振的带状疱疹性神经痛疗效预测方法，其特征在于：所述根据灰质体积采用机器学习的方法进行带状疱疹性神经痛疗效预测这一步骤，具体包括：
从输入的样本中循环抽取每个带状疱疹性神经痛患者数据作为测试集，样本中其余带状疱疹性神经痛患者数据作为训练集；
以灰质体积为模型参数，对训练集采用机器学习的方法进行模型训练，得到各个带状疱疹性神经痛疗效预测模型；
采用测试集对各个带状疱疹性神经痛疗效预测模型进行测试，得到各个带状疱疹性神经痛疗效预测模型的测试结果；
根据各个带状疱疹性神经痛疗效预测模型的测试结果得到最终带状疱疹性神经痛疗效预测模型的性能指标；
采用最终带状疱疹性神经痛疗效预测模型对待预测的对象进行带状疱疹性神经痛疗效预测。
6.根据权利要求1所述的基于结构磁共振的带状疱疹性神经痛疗效预测方法，其特征在于：所述机器学习的方法采用随机森林算法、支持向量机算法或逻辑斯蒂回归算法。
7.基于结构磁共振的带状疱疹性神经痛疗效预测系统，其特征在于：包括：
获取模块，用于获取带状疱疹性神经痛患者的结构磁共振图像；
预处理模块，用于对获取的结构磁共振图像进行预处理，得到灰质体积，所述预处理包括配准、分割和调制；
预测模块，用于根据灰质体积采用机器学习的方法进行带状疱疹性神经痛疗效预测。
8.根据权利要求7所述的基于结构磁共振的带状疱疹性神经痛疗效预测系统，其特征在于：所述预处理模块具体包括：
配准单元，用于将获取的结构磁共振图像配准至MNI空间；
分割单元，用于对配准后的结构磁共振图像通过仿射变换，分割出灰质图像、白质图像和脑脊液图像；
调制单元，用于对灰质图像进行调制，得到灰质体积。
9.根据权利要求7所述的基于结构磁共振的带状疱疹性神经痛疗效预测系统，其特征在于：所述预测模块具体包括：
样本划分单元，用于从输入的样本中循环抽取每个带状疱疹性神经痛患者数据作为测试集，样本中其余带状疱疹性神经痛患者数据作为训练集；
训练单元，用于以灰质体积为模型参数，对训练集采用机器学习的方法进行模型训练，得到各个带状疱疹性神经痛疗效预测模型；
测试单元，用于采用测试集对各个带状疱疹性神经痛疗效预测模型进行测试，得到各个带状疱疹性神经痛疗效预测模型的测试结果；
性能指标计算单元，用于根据各个带状疱疹性神经痛疗效预测模型的测试结果得到最终带状疱疹性神经痛疗效预测模型的性能指标；
预测单元，用于采用最终带状疱疹性神经痛疗效预测模型对待预测的对象进行带状疱疹性神经痛疗效预测。
10.基于结构磁共振的带状疱疹性神经痛疗效预测系统，其特征在于：包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-6任一项所述的基于结构磁共振的带状疱疹性神经痛疗效预测方法。
CN201910238988.8A 2019-03-27 2019-03-27 基于结构磁共振的带状疱疹性神经痛疗效预测方法及系统 Active CN110025312B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910238988.8A CN110025312B (zh) 2019-03-27 2019-03-27 基于结构磁共振的带状疱疹性神经痛疗效预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910238988.8A CN110025312B (zh) 2019-03-27 2019-03-27 基于结构磁共振的带状疱疹性神经痛疗效预测方法及系统

Publications (2)

Publication Number Publication Date
CN110025312A true CN110025312A (zh) 2019-07-19
CN110025312B CN110025312B (zh) 2023-05-23

Family

ID=67236756

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910238988.8A Active CN110025312B (zh) 2019-03-27 2019-03-27 基于结构磁共振的带状疱疹性神经痛疗效预测方法及系统

Country Status (1)

Country Link
CN (1) CN110025312B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109480842A (zh) * 2018-11-30 2019-03-19 西安电子科技大学 用于诊断功能性消化不良的方法、系统、装置及存储介质
CN111834017A (zh) * 2020-07-09 2020-10-27 上海市精神卫生中心（上海市心理咨询培训中心） 一种精神药物治疗效果预测方法，系统和装置
CN113966999A (zh) * 2021-10-28 2022-01-25 中山大学 一种索拉非尼耐药性预测方法、装置及可存储介质
CN116013522A (zh) * 2022-12-31 2023-04-25 中日友好医院(中日友好临床医学研究所) 一种用于带状疱疹后遗神经痛的预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160054409A1 (en) * 2013-04-09 2016-02-25 Tor WAGER Fmri-based neurologic signature of physical pain
US20180055407A1 (en) * 2016-08-25 2018-03-01 The Regents Of The University Of Colorado, A Body Corporate Neurophysiological signatures for fibromyalgia
WO2021132813A1 (ko) * 2019-12-23 2021-07-01 경희대학교 산학협력단 딥러닝 모델을 이용한 통증 평가 방법 및 분석 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160054409A1 (en) * 2013-04-09 2016-02-25 Tor WAGER Fmri-based neurologic signature of physical pain
US20180055407A1 (en) * 2016-08-25 2018-03-01 The Regents Of The University Of Colorado, A Body Corporate Neurophysiological signatures for fibromyalgia
WO2021132813A1 (ko) * 2019-12-23 2021-07-01 경희대학교 산학협력단 딥러닝 모델을 이용한 통증 평가 방법 및 분석 장치

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MICHAEL E.ROBINSON,ET AL: "Gray Matter Volumes of Pain Related Brain Areas are Decreased in Fibromyalgia Syndrome", 《THE JOURNAL OF PAIN》 *
TOR D.WAGER,ET AL: "An fMRI-Based Neurologic Signature of Physical Pain", 《NEW ENGLAND JOURNAL OF MEDICINE》 *
曾萍 等: "基于功能磁共振和机器学习的疼痛神经标志研究进展", 《中国疼痛医学杂志》 *
王进平 等: "带状疱疹后神经痛病人的脑默认网络功能连接研究", 《中国疼痛医学杂志》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109480842A (zh) * 2018-11-30 2019-03-19 西安电子科技大学 用于诊断功能性消化不良的方法、系统、装置及存储介质
CN109480842B (zh) * 2018-11-30 2020-12-08 西安电子科技大学 用于诊断功能性消化不良的系统及设备
CN111834017A (zh) * 2020-07-09 2020-10-27 上海市精神卫生中心（上海市心理咨询培训中心） 一种精神药物治疗效果预测方法，系统和装置
CN113966999A (zh) * 2021-10-28 2022-01-25 中山大学 一种索拉非尼耐药性预测方法、装置及可存储介质
CN116013522A (zh) * 2022-12-31 2023-04-25 中日友好医院(中日友好临床医学研究所) 一种用于带状疱疹后遗神经痛的预测方法及系统

Also Published As

Publication number Publication date
CN110025312B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
Saxena et al. A glaucoma detection using convolutional neural network
CN110025312A (zh) 基于结构磁共振的带状疱疹性神经痛疗效预测方法及系统
Chen et al. Glaucoma detection based on deep convolutional neural network
Kauppi Eye fundus image analysis for automatic detection of diabetic retinopathy
CN108447052A (zh) 一种基于神经网络的对称性脑肿瘤分割方法
CN107007257A (zh) 面部不自然度的自动评级方法和装置
CN110148108A (zh) 基于功能磁共振的带状疱疹性神经痛疗效预测方法及系统
Aslam et al. Neurological Disorder Detection Using OCT Scan Image of Eye
Manikandan et al. Glaucoma Disease Detection Using Hybrid Deep Learning Model
Önal et al. Convolutional neural network-based diabetes diagnostic system via iridology technique
Zeng et al. Automated detection of diabetic retinopathy using a binocular siamese-like convolutional network
Li et al. ECA-CBAM: Classification of Diabetic Retinopathy: Classification of diabetic retinopathy by cross-combined attention mechanism
CN111402231A (zh) 一种用于肺部ct影像质量的自动评估系统及方法
Mou et al. DeepGrading: deep learning grading of corneal nerve tortuosity
CN109003659A (zh) 胃幽门螺旋杆菌感染病理诊断支持系统和方法
Zeng et al. Classification of gait patterns in patients with unilateral anterior cruciate ligament deficiency based on phase space reconstruction, Euclidean distance and neural networks
Afaq et al. MAMMO-Net: An Approach for Classification of Breast Cancer using CNN with Gabor Filter in Mammographic Images
Kukreti et al. Detection and Classification of Brain Tumour Using EfficientNet and Transfer Learning Techniques
Sengar et al. An efficient artificial intelligence-based approach for diagnosis of media haze disease
Bukhari et al. Lung disease detection using deep learning
CN103679198A (zh) 一种基于k近邻的视网膜内节/外节缺失自动检测方法
Noguera et al. Multiclass classification of ocular toxoplasmosis from fundus images with residual neural networks
Vatekar et al. Skin Cancer Prediction using Deep Learning
Boudjella et al. Machine Learning on the Diagnosis of Brain Tumors
Manju et al. Determination of Early Onset Glaucoma Using OCT Image

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant