CN110337670B - 一种基于磁共振图像的脑龄测试方法及脑龄测试装置 - Google Patents

一种基于磁共振图像的脑龄测试方法及脑龄测试装置 Download PDF

Info

Publication number
CN110337670B
CN110337670B CN201880000008.4A CN201880000008A CN110337670B CN 110337670 B CN110337670 B CN 110337670B CN 201880000008 A CN201880000008 A CN 201880000008A CN 110337670 B CN110337670 B CN 110337670B
Authority
CN
China
Prior art keywords
brain
magnetic resonance
age
individual
weighted
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.)
Active
Application number
CN201880000008.4A
Other languages
English (en)
Other versions
CN110337670A (zh
Inventor
罗怡珊
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 Brainnow Medical Technology Co ltd
Original Assignee
Shenzhen Brainnow Medical Technology Co ltd
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 Brainnow Medical Technology Co ltd filed Critical Shenzhen Brainnow Medical Technology Co ltd
Publication of CN110337670A publication Critical patent/CN110337670A/zh
Application granted granted Critical
Publication of CN110337670B publication Critical patent/CN110337670B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

一种基于磁共振图像的脑龄测试方法、基于磁共振图像的脑龄测试装置、电子设备及计算机可读存储介质。其中，所述基于磁共振图像的脑龄测试方法，包括：获取待测个体的T1加权大脑磁共振图像(S101)；基于所述T1加权大脑磁共振图像确定所述待测个体的脑结构、脑叶以及脑组织分割图谱(S102)；计算所述脑结构的归一化体积以及所述脑叶的脑萎缩值(S103)；将所述归一化体积以及所述脑萎缩值输入脑龄估计模型，获取所述待测个体的脑龄(S104)。该方法可以估算脑龄，方便人们对大脑健康提前进行干预，提高人们对大脑健康的意识。

Description

一种基于磁共振图像的脑龄测试方法及脑龄测试装置
技术领域
本申请属于图像处理技术领域，尤其涉及一种基于磁共振图像的脑龄测试方法、基于磁共振图像的脑龄测试装置、电子设备及计算机可读存储介质。
背景技术
人从胎儿到婴幼儿，再到儿童、青少年、中年、老年，大脑和身体同时在发育，常用大脑年龄(简称脑龄)衡量人大脑的发育程度。此外，人还具有生理年龄，用来描述人距离出生日期的时间。通常情况下，生理年龄与大脑年龄并不相等。比如，当人的大脑发生病变时，会导致大脑急剧衰老，出现记忆力衰退以及反应迟钝等现象，使得大脑年龄大于生理年龄；当人经常锻炼身体，长时间保持身心愉悦时，会延缓大脑的衰老，使得大脑年龄小于生理年龄。
大脑年龄的确定，可提高人们对大脑健康的意识，提前对大脑健康进行干预，延缓大脑衰老。
发明内容
有鉴于此，本申请实施例提供了一种基于磁共振图像的脑龄测试方法、基于磁共振图像的脑龄测试装置、电子设备及计算机可读存储介质，可以实现对人体脑龄的测试。
本申请第一方面提供了一种基于磁共振图像的脑龄测试方法，包括：
获取待测个体的T1加权大脑磁共振图像；
基于所述T1加权大脑磁共振图像确定所述待测个体的脑结构、脑叶以及脑组织分割图谱；
计算所述脑结构的归一化体积，并基于所述脑组织分割图谱计算所述脑叶的脑萎缩值；
将所述归一化体积以及所述脑萎缩值输入脑龄估计模型，获取所述待测个体的脑龄，其中，所述脑龄估计模型根据训练样本个体的归一化体积、脑萎缩值以及脑龄训练得到。
本申请第二方面提供了一种基于磁共振图像的脑龄测试装置，包括：
图像获取单元，用于获取待测个体的T1加权大脑磁共振图像；
图像分析单元，用于基于所述T1加权大脑磁共振图像确定所述待测个体的脑结构、脑叶以及脑组织分割图谱；
参数计算单元，用于计算所述脑结构的归一化体积，并基于所述脑组织分割图谱计算所述脑叶的脑萎缩值；
脑龄获取单元，用于将所述归一化体积以及所述脑萎缩值输入脑龄估计模型，获取所述待测个体的脑龄，其中，所述脑龄估计模型根据训练样本个体的归一化体积、脑萎缩值以及脑龄训练得到。
本申请第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述方法的步骤。
由上可见，本申请提供了一种基于磁共振图像的脑龄测试方法，首先获取待测个体的T1加权大脑磁共振图像，其次，对该T1加权大脑磁共振图像进行分析，获得脑结构、脑叶以及脑组织分割图谱，并根据获得的上述脑结构、脑叶以及脑组织分割图谱计算所述待测个体的归一化体积以及脑萎缩值，将所述归一化体积以及所述脑萎缩值输入脑龄估计模型，获取所述待测个体的脑龄，从而实现对待测个体脑龄的测试。本申请首次将脑结构大小和脑萎缩值作为脑龄测试参数，通过本申请方案，用户可以估算自身的脑龄，以便了解自身大脑健康的状态，方便对自身的大脑健康提前进行干预，以延缓大脑衰老，通过本申请所提供的技术方案可以估计脑退化状况，提高人们对大脑健康的意识。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是本申请实施例一提供的基于磁共振图像的脑龄测试方法的实现流程示意图；
图2是本申请实施例二提供的基于磁共振图像的脑龄测试方法的实现流程示意图；
图3是本申请实施例三提供的基于磁共振图像的脑龄测试装置的结构示意图；
图4是本申请实施例四提供的基于磁共振图像的脑龄测试装置的结构示意图；
图5是本申请实施例五提供的电子设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
本申请实施例提供的基于磁共振图像的脑龄测试方法适用于电子设备，示例性地，上述电子设备包括但不限于：台式电脑、平板电脑、云端服务器、手机终端等。
为了说明本申请上述的技术方案，下面通过具体实施例来进行说明。
实施例一
下面对本申请实施例一提供的基于磁共振图像的脑龄测试方法进行描述，请参阅附图1，本申请实施例中的脑龄测试方法包括：
步骤S101，获取待测个体的T1加权大脑磁共振图像；
在本申请实施例中，需要首先获取待测个体的T1加权大脑磁共振图像，以便于后续可以从上述T1加权大脑磁共振图像中获取该待测个体的关于脑发育的相关参数，从而利用该参数估算待测个体的脑龄，其中，所述待测个体的T1加权大脑磁共振图像为三维图像。
步骤S102，基于上述T1加权大脑磁共振图像确定上述待测个体的脑结构、脑叶以及脑组织分割图谱；
在本申请实施例中，上述脑组织分割图谱包括脑灰质分割图谱、脑白质分割图谱以及脑脊液分割图谱，为了保证可以更精确的确定待测个体的脑结构、脑叶以及脑组织分割图谱，优选地，可以将上述T1加权大脑磁共振图像与预设的脑模板库进行配准。其中，上述脑模板库是预先存储的，该脑模板库中包括两个以上不同大脑的T1加权大脑磁共振图像，即包括两个以上不同的模板，优选地，为保证待测个体脑结构、脑叶以及脑组织分割图谱的准确性，该脑模板库中可包括不同大脑健康程度、不同性别、年龄在10岁～90岁的人的T1加权大脑磁共振图像，且图像个数多于5个。
在本申请实施例中，可以事先对脑模板库中的各个T1加权大脑磁共振图像(各个模板)进行脑结构以及脑叶的手动分割，得到脑模板库中各个模板所对应的脑结构以及脑叶，上述脑结构可以包括脑实质、小脑、海马体、杏仁核、脑室、侧脑室、丘脑、尾状核、壳核、苍白球、伏隔核、中脑、桥脑、延脑等和大脑发育和老化相关的重要脑结构，上述脑叶包括左额叶、左顶叶、左枕叶、左颞叶、左扣带回和左岛叶以及右额叶、右顶叶、右枕叶、右颞叶、右扣带回和右岛叶。同时对脑模板库中各个T1加权大脑磁共振图像进行脑组织自动分割，并在电脑自动分割的基础上进行人工手动修正，从而得到脑模板库中各个模板所对应的脑组织概率图谱，上述脑组织概率图谱包括脑白质概率图谱、脑灰质概率图谱以及脑脊液概率图谱。
具体的，基于脑模板库获得待测个体的脑结构、脑叶以及脑组织分割图谱可以为：
S1021，利用非线性配准将上述脑模板库中各个模板映射到待测个体的T1加权大脑磁共振图像上，得到该脑模板库中各个模板与待测个体的T1加权大脑磁共振图像之间的空间映射关系；
S1022，利用该空间映射关系，将该脑模板库中各个模板所对应的各个脑结构分区、脑叶分区以及脑组织概率图谱映射到待测个体的T1加权大脑磁共振图像上，得到各个模板所对应的待测个体的脑结构分区以及脑叶分区，以及待测个体的脑组织概率图谱；
其中，上述非线性配准可以采用基于微分同胚模型的对称性非线性配准算法。上述待测个体的脑组织概率图谱为：与待测个体的T1加权大脑磁共振图像相似度最高的模板的脑组织概率图谱经过空间映射得到。
S1023，利用标签融合算法，融合得到最终的上述待测个体的脑结构分区和脑叶分区；
可以利用标签融合算法，将根据各个模板所得到的待测个体的脑结构分区进行融合得到最终的待测个体的脑结构分区，同理，利用标签融合算法，将根据各个模板所得到的待测个体的脑叶分区进行融合得到最终的待测个体的脑叶分区。其中，标签融合算法是利用期望最大算法将各个模板所对应的分割结果进行组合的算法，通过标签融合算法可以解决单一模板所带来的偏差，使结果更准确。常用的标签融合算法有基于信度的标签融合算法、多数同意规则标签融合算法、带权重的标签融合算法等。
S1024，将上述待测个体的脑组织概率图谱作为先验知识，利用贝叶斯网络的脑组织分割方法，对待测个体的T1加权大脑磁共振图像进行脑组织分割，得到待测个体的脑组织分割图谱。
步骤S103，计算上述脑结构的归一化体积，并基于上述脑组织分割图谱计算上述脑叶的脑萎缩值；
在本申请实施例中，可以估算步骤S102中获得的待测个体的脑结构的体积，并除以大脑总体积来计算待测个体的脑结构的归一化体积。
可以根据步骤S102得到的脑叶分区以及脑组织分割图谱，计算该脑叶中的脑灰质体积、脑白质体积以及脑脊液体积，并根据脑萎缩计算公式计算该脑叶的脑萎缩值，其中，上述脑萎缩计算公式为：
上述计算公式中得到的脑萎缩值可以直接反映出脑叶的萎缩程度，数值越大，表面该脑叶的脑萎缩程度越大。
步骤S104，将上述归一化体积以及上述脑萎缩值输入脑龄估计模型，获取上述待测个体的脑龄；
在本申请实施例中，可以事先建立脑龄估计模型，首先采集训练样本个体的归一化体积以及脑萎缩值，将上述训练样本个体的归一化体积以及脑萎缩值作为自变量，将训练样本个体的脑龄作为因变量，应用线性支持向量机，建立脑龄估计模型。此外，脑龄估计模型的建立不仅限于线性支持向量机，还可以采用隐藏式马尔科夫模型、类神经网络等来建立脑龄估计模型。
下面详细论述如何应用线性支持向量机，建立脑龄估计模型。
假设训练样本个体为N个，训练数据依次为：(X1，y1)、(X2，y2)……(XN，yN)，其中Xi＝(xi,1，xi,2…xi,K)T，i＝1,2…N，Xi包括K个与脑发育相关的参数，在本申请实施例中，可以为多个脑结构的归一化体积以及多个脑叶的脑萎缩值，yi为第i个训练样本个体所对应的脑龄。
假设脑龄估计模型的表达式为：f(X)＝W·X+b，W∈R1×K，b∈R
优化目标为：求取优化目标值最小时W与b的具体数值，可利用梯度下降算法或遗传算法等数据拟合算法，求解出W与b的数值，从而得到脑龄估计模型，此外，优化目标还可以为/>此处对优化目标的公式不作限定。
优选地，为了更精确地估计待测个体的脑龄，还可以在获取待测个体的T1加权大脑磁共振图像之后，对该T1加权大脑磁共振图像进行预处理，上述预处理包括如下一项或两项以上：降噪、去偏场以及像素范围归一化。本申请基于灰度分布偏度的噪声估计方法来估计莱斯噪声方差，然后根据估计的噪声方差，利用非局部均值算法降噪；本申请预先去偏场用以去除不均匀磁场所造成的同种脑组织灰度不一致的现象；本申请利用柱状图匹配的方法，把不同图像的强度范围归一化到一个共同的范围。
收集1936个健康训练样本个体，男女数量比例为1:1，年龄跨度从40岁到90岁，其中训练样本个体的T1加权大脑磁共振图像来自中国16家不同医院的不同机型，包括SIEMENS，GE，PHILIPS核磁共振机器。首先对收集的训练样本个体的T1加权大脑磁共振图像进行预处理；获取每个训练样本个体所对应的38个归一化体积以及12个脑萎缩值；由于健康个体的脑龄与生理年龄近乎相等，因此在训练脑龄估计模型时，将训练样本个体的生理年龄作为训练样本个体的脑龄来建立脑龄估计模型。经训练，所建立的脑龄估计模型与其生理年龄的差异为5.44岁，也即按照本申请实施例一所提供的技术方案，所建立的脑龄估计模型的误差为5.44岁。待测个体为12个健康个体(年龄范围为67.3±9.3岁)和14个患有老年痴呆症的个体(年龄范围为61.3±15.6岁)，待测个体的T1加权大脑磁共振图像来自PHILIPS核磁共振机器，首先对待测个体的T1加权大脑磁共振图像进行预处理，并提取待测个体的38个归一化脑体积以及12个脑萎缩值，根据我们上述获得的脑龄估计模型，来估计待测个体的脑龄。测试结果为：上述12个健康个体的预测脑龄与其生理年龄平均差异为6.4岁，患有老年痴呆症的个体的预测脑龄和其生理年龄差异为19.7岁。从上述测试结果中可以看出老年痴呆症患者的大脑比健康个体的大脑老化程度高。
在本申请实施例中，首次将脑结构大小和脑萎缩值作为脑龄测试参数，通过本申请方案，用户可以估算自身的脑龄，以便了解自身大脑健康的状态，方便对自身的大脑健康提前进行干预，以延缓大脑衰老，通过本申请所提供的技术方案可以估计脑退化状况，提高人们对大脑健康的意识。
实施例二
下面对本申请实施例二提供的另一种基于磁共振图像的脑龄测试方法进行描述，请参阅附图2。本申请实施例中的脑龄测试方法包括：
步骤S201，获取训练样本个体的T1加权大脑磁共振图像；
在本申请实施例中，具体给出了一种脑龄估计模型的建立方法。为了确定一种比较精确的估计获取模型，常常需要大量的与脑发育相关的参数，然而，很多与脑发育相关的参数并非是必要的，即便在脑龄估计模型中增加该参数，也并不能使脑龄估计模型的精确度增加太多，反而会在后续计算待测个体脑龄的过程中占用大量的计算资源。因此，该实施例给出一种脑龄估计模型的建立方法，可以剔除建立脑龄估计模型时不需要的参数，释放一定的计算资源。
为建立脑龄估计模型，首先需要获取训练样本个体的T1加权大脑磁共振图像，以便于后续提取训练样本个体的关于脑发育的相关参数，从而利用该参数建立脑龄估计模型。
为了更精确地提取训练样本个体的关于脑发育的相关参数，可以对各个训练样本个体的T1加权大脑磁共振图像进行预处理，上述预处理包括如下一项或两项以上：降噪、去偏场以及像素范围归一化。
步骤S202，获取各个训练样本个体的脑叶以及脑组织分割图谱，基于上述脑组织分割图谱，计算该脑叶的脑萎缩值；
在本申请实施例中，根据各个训练样本个体的T1加权大脑磁共振图像，获取各个训练样本个体的脑叶以及脑组织概率图谱，并计算该脑叶的脑萎缩值，具体的实施方法可参见实施例一S102以及S103上述，此处不再赘述。
在该实施例中，优选获取各个训练样本个体所对应的12个脑萎缩值，包括左额叶、左顶叶、左枕叶、左颞叶、左扣带回和左岛叶以及右额叶、右顶叶、右枕叶、右颞叶、右扣带回和右岛叶的脑萎缩值。
步骤S203，获取各个训练样本个体的第i个脑结构，计算上述第i个脑结构的归一化体积，基于第i个脑结构的归一化体积，以及训练样本个体的脑叶的脑萎缩值，建立第i个脑龄估计模型，并获取上述第i个脑龄估计模型的误差；
在本申请实施例中，大脑中的脑结构非常多，但是有些脑结构的大小随着大脑发育变化很小，也有些脑结构的大小变化并不影响大脑的老化程度，显然，这些脑结构的归一化体积在脑龄计算中并不需要。因此，在本申请实施例中，我们可以首先选取某一个脑结构，计算所选的脑结构的归一化体积，将该归一化体积以及上述12个脑叶萎缩值作为建立脑龄估计模型的13个因变量，可以应用线性支持向量机建立该脑结构所对应的脑龄估计模型，并将优化目标的最小值作为该脑龄估计模型的误差。
步骤S204，判断是否遍历完每一个训练样本个体的所有脑结构；
在本申请实施例中，步骤S203之后，判断是否遍历完所有的脑结构，若否，则执行步骤S205，若是，执行步骤S206。
步骤S205，使i值增加1；
在该步骤中，若没有遍历完所有的脑结构，则将下一个脑结构的归一化体积以及上述12个脑叶萎缩值作为建立脑龄估计模型的13个因变量，建立下一个脑结构所对应的脑龄估计模型，并获取该脑龄估计模型的误差。
步骤S206，选取误差较小的脑龄估计模型所对应的脑结构的归一化体积，并根据选取后的脑结构的归一化体积以及脑叶萎缩值，建立最终的脑龄估计模型；
在该步骤中，若遍历完所有的脑结构，则选取误差较小的脑龄估计模型所对应的脑结构的归一化体积。可以预先设置阈值，比如为10岁，将上述获得的各个脑结构所对应的脑龄估计模型的误差与10岁相比较，若小于预设的10岁，则选取该脑结构的归一化体积，比如，可能选取出的脑结构归一化体积仅仅只有小脑归一化体积以及海马体归一化体积，将选取后的脑结构的归一化体积即小脑归一化体积以及海马体归一化体积，以及12个脑叶萎缩值作为最终的脑龄估计模型的14个因变量，建立最终的脑龄估计模型。
S207，获取待测个体的T1加权大脑磁共振图像；
S208，基于上述待测个体的T1加权大脑磁共振图像确定上述待测个体的脑结构、脑叶以及脑组织分割图谱；
S209，计算上述待测个体的脑结构的归一化体积，并基于上述待测个体的脑组织分割图谱计算上述待测个体脑叶的脑萎缩值；
S210，将上述待测个体的归一化体积以及上述待测个体的脑萎缩值输入最终的脑龄估计模型，获取上述待测个体的脑龄；
在本申请实施例中，确定的上述待测个体的脑结构是与上述最终的脑龄估计模型中的脑结构对应的，比如，若最终的脑龄估计模型中只有小脑归一化体积与海马体归一化体积，则步骤S208中，只需要确定上述待测个体的小脑以及海马体，步骤S209中，只需要计算小脑归一化体积与脑结构归一化体积。此外，上述步骤S207-S209与实施例一中的步骤S101-S103实施方式相同，具体可参见实施例一的描述，此处不再赘述。此外，在本申请实施例中，并非每一次脑龄测试都需要执行步骤S201-S206，在最终脑龄估计模型建立之后，后续进行脑龄测试时无需再执行步骤S201-S206。
在本申请实施例中，具体给出了一种脑龄估计模型的建立方法，可以剔除建立脑龄估计模型时不需要的参数，释放一定的计算资源；并且首次将脑结构大小和脑萎缩值作为脑龄测试参数，通过本申请方案，用户可以估算自身的脑龄，以便了解自身大脑健康的状态，方便对自身的大脑健康提前进行干预，以延缓大脑衰老，通过本申请所提供的技术方案可以估计脑退化状况，提高人们对大脑健康的意识。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例三
本申请实施例三提供一种基于磁共振图像的脑龄测试装置，为了便于说明，仅示出与本申请相关的部分，如图3所示，上述脑龄测试装置300包括：
图像获取单元301，用于获取待测个体的T1加权大脑磁共振图像；
图像分析单元302，用于基于上述T1加权大脑磁共振图像确定上述待测个体的脑结构、脑叶以及脑组织分割图谱，所述脑组织分割图谱包括脑灰质分割图谱、脑白质分割图谱以及脑脊液分割图谱；
参数计算单元303，用于计算上述脑结构的归一化体积，并基于上述脑组织分割图谱计算上述脑叶的脑萎缩值；
脑龄获取单元304，用于将上述归一化体积以及上述脑萎缩值输入脑龄估计模型，获取上述待测个体的脑龄，其中，上述脑龄估计模型根据训练样本个体的归一化体积、脑萎缩值以及脑龄训练得到。
优选地，上述图像分析单元302具体用于：
将上述T1加权大脑磁共振图像与预设的脑模板库进行配准，获得上述T1加权大脑磁共振图像所对应的脑结构、脑叶以及脑组织概率图谱；将所述T1加权大脑磁共振图像所对应的脑组织概率图谱作为先验知识，对所述T1加权大脑磁共振图像进行脑组织分割，得到所述T1加权大脑磁共振图像所对应的脑组织分割图谱；
其中，上述脑模板库中包括：两个以上不同大脑的T1加权大脑磁共振图像，以及分别与各个T1加权大脑磁共振图像对应的脑结构、脑叶以及脑组织概率图谱，上述脑组织概率图谱包括脑灰质概率图谱、脑白质概率图谱和脑脊液概率图谱。
优选地，上述参数计算单元303具体用于：
计算上述脑结构的归一化体积，并基于上述待测个体的T1加权大脑磁共振图像的脑组织分割图谱，确定上述待测个体的T1加权大脑磁共振图像的上述脑叶中的脑灰质体积、脑白质体积以及脑脊液体积；
根据脑萎缩计算公式计算上述脑叶的脑萎缩值，其中，上述脑萎缩计算公式为：
优选地，上述脑龄测试装置300还包括：
模型建立单元，用于将训练样本个体的归一化体积以及脑萎缩值作为自变量，以训练样本个体的脑龄作为因变量，应用线性支持向量机，建立脑龄估计模型。
优选地，上述脑龄测试装置300还包括：
待测个体预处理单元，用于在上述T1加权大脑磁共振图像确定上述待测个体的脑结构、脑叶以及脑组织分割图谱之前，对上述待测个体的T1加权大脑磁共振图像进行预处理，上述预处理包括如下一项或两项以上：降噪、去偏场、像素范围归一化。
需要说明的是，上述装置各模块/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例一基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例一部分，此处不再赘述。
实施例四
本申请实施例四提供一种基于磁共振图像的脑龄测试装置，为了便于说明，仅示出与本申请相关的部分，如图4所示，上述脑龄测试装置400包括：
训练样本个体图像获取单元401，用于获取训练样本个体的T1加权大脑磁共振图像；
训练样本个体脑萎缩计算单元402，用于获取各个训练样本个体的脑叶以及脑组织分割图谱，基于上述脑组织分割图谱，计算脑叶的脑萎缩值；
第i个脑龄模型获取单元403，用于获取各个训练样本个体的第i个脑结构，计算上述第i个脑结构的归一化体积，基于第i个脑结构的归一化体积，以及脑叶的脑萎缩值，建立第i个脑龄估计模型，并获取上述第i个脑龄估计模型的误差；
判断单元404，用于判断是否遍历完每一个训练样本个体的所有脑结构；
计算序号增加单元405，用于在没有遍历完所有脑结构的情况下，使i值增加1；
最终模型建立单元406，用于选取误差较小的脑龄估计模型所对应的脑结构的归一化体积，并根据选取后的脑结构的归一化体积以及脑叶萎缩值，建立最终的脑龄估计模型；
待测个体图像获取单元407，用于获取待测个体的T 1加权大脑磁共振图像；
待测个体图像分析单元408，用于基于上述待测个体的T1加权大脑磁共振图像确定上述待测个体的脑结构、脑叶以及脑组织分割图谱；
待测个体参数计算单元409，用于计算上述待测个体的脑结构的归一化体积，并基于上述待测个体的脑组织分割图谱计算上述待测个体脑叶的脑萎缩值；
待测个体脑龄获取单元410，用于将上述待测个体的归一化体积以及上述待测个体的脑萎缩值输入最终的脑龄估计模型，获取上述待测个体的脑龄；
在本申请实施例中，确定的上述待测个体的脑结构是与上述最终的脑龄估计模型中的脑结构对应的，比如，若最终的脑龄估计模型中只有小脑归一化体积与海马体归一化体积，则待测个体图像分析单元408，只需要确定上述待测个体的小脑以及海马体，待测个体参数计算单元409，只需要计算小脑归一化体积与脑结构归一化体积。此外，上述单元407-409与实施例三中的单元301-303实施方式相同，具体可参见实施例三的描述，此处不再赘述。
优选地，上述脑龄测试装置400还包括：
预处理单元，用于在确定上述待测个体的脑结构、脑叶以及脑组织分割图谱之前，对上述待测个体的T1加权大脑磁共振图像进行预处理，以及用于在获取各个训练样本个体的脑结构、脑叶以及脑组织分割图谱之前，对各个训练样本个体的T1加权大脑磁共振图像进行预处理，上述预处理包括如下一项或两项以上：降噪、去偏场、像素范围归一化。
需要说明的是，上述装置各模块/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例二基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例二部分，此处不再赘述。
实施例五
图5是本申请实施例五提供的电子设备的示意图。如图5所示，该实施例的电子设备5包括：处理器50、存储器51以及存储在上述存储器51中并可在上述处理器50上运行的计算机程序52。上述处理器50执行上述计算机程序52时实现上述各个方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，上述处理器50执行上述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块301至304的功能。
上述电子设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。上述电子设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是电子设备5的示例，并不构成对电子设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如上述电子设备5还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述存储器51可以是上述电子设备5的内部存储单元，例如电子设备5的硬盘或内存。上述存储器51也可以是上述电子设备5的外部存储设备，例如上述电子设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，上述存储器51还可以既包括上述电子设备5的内部存储单元也包括外部存储设备。上述存储器51用于存储上述计算机程序以及上述电子设备所需的其它程序和数据。上述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种基于磁共振图像的脑龄测试方法，其特征在于，包括：
获取待测个体的T1加权大脑磁共振图像；
基于所述T1加权大脑磁共振图像确定所述待测个体的脑结构、脑叶以及脑组织分割图谱；
计算所述脑结构的归一化体积，并基于所述脑组织分割图谱计算所述脑叶的脑萎缩值；
将所述归一化体积以及所述脑萎缩值输入脑龄估计模型，获取所述待测个体的脑龄，其中，所述脑龄估计模型根据训练样本个体的归一化体积、脑萎缩值以及脑龄训练得到；其中，事先建立脑龄估计模型，采集训练样本个体的归一化体积以及脑萎缩值，将所述训练样本个体的归一化体积以及脑萎缩值作为自变量，将训练样本个体的脑龄作为因变量，应用线性支持向量机，建立脑龄估计模型；
其中，所述应用线性支持向量机，建立脑龄估计模型，包括：
训练样本个体为个，训练数据依次为：/>、/>……/>，其中，/>，/>包括/>个与脑发育相关的参数，所述与脑发育相关的参数为多个脑结构的归一化体积以及多个脑叶的脑萎缩值，/>为第/>个训练样本个体所对应的脑龄；
脑龄估计模型的表达式为：f()=/>，/>，/>，/>；
优化目标为：，求取优化目标值最小时/>与/>的具体数值，利用梯度下降算法或遗传算法求解出/>与/>的数值，得到脑龄估计模型。
2.如权利要求1所述的脑龄测试方法，其特征在于，所述基于所述T1加权大脑磁共振图像确定所述待测个体的脑结构、脑叶以及脑组织分割图谱，包括：
将所述T1加权大脑磁共振图像与预设的脑模板库进行配准，获得所述T1加权大脑磁共振图像所对应的脑结构、脑叶以及脑组织概率图谱；
将所述T1加权大脑磁共振图像所对应的脑组织概率图谱作为先验知识，对所述T1加权大脑磁共振图像进行脑组织分割，得到所述T1加权大脑磁共振图像所对应的脑组织分割图谱；
其中，所述脑模板库中包括：两个以上不同大脑的T1加权大脑磁共振图像，以及分别与各个T1加权大脑磁共振图像对应的脑结构、脑叶以及脑组织概率图谱。
3.如权利要求1所述的脑龄测试方法，其特征在于，所述基于所述脑组织分割图谱计算所述脑叶的脑萎缩值，包括：
基于所述脑组织分割图谱，确定所述脑叶中的脑灰质体积、脑白质体积以及脑脊液体积；
根据脑萎缩计算公式计算所述脑叶的脑萎缩值，其中，所述脑萎缩计算公式为：
。
4.如权利要求1至3中任一项所述的脑龄测试方法，其特征在于，所述基于所述T1加权大脑磁共振图像确定所述待测个体的脑结构、脑叶以及脑组织分割图谱之前，还包括：
对所述待测个体的T1加权大脑磁共振图像进行预处理，所述预处理包括如下一项或两项以上：降噪、去偏场、像素范围归一化；
所述基于所述T1加权大脑磁共振图像确定所述待测个体的脑结构、脑叶以及脑组织分割图谱为：
基于所述预处理后得到的T1加权大脑磁共振图像确定所述待测个体的脑结构、脑叶以及脑组织分割图谱。
5.一种基于磁共振图像的脑龄测试装置，其特征在于，包括：
图像获取单元，用于获取待测个体的T1加权大脑磁共振图像；
图像分析单元，用于基于所述T1加权大脑磁共振图像确定所述待测个体的脑结构、脑叶以及脑组织分割图谱；
参数计算单元，用于计算所述脑结构的归一化体积，并基于所述脑组织分割图谱计算所述脑叶的脑萎缩值；
脑龄获取单元，用于将所述归一化体积以及所述脑萎缩值输入脑龄估计模型，获取所述待测个体的脑龄，其中，所述脑龄估计模型根据训练样本个体的归一化体积、脑萎缩值以及脑龄训练得到；其中，事先建立脑龄估计模型，采集训练样本个体的归一化体积以及脑萎缩值，将所述训练样本个体的归一化体积以及脑萎缩值作为自变量，将训练样本个体的脑龄作为因变量，应用线性支持向量机，建立脑龄估计模型；
其中，所述应用线性支持向量机，建立脑龄估计模型，包括：
训练样本个体为个，训练数据依次为：/>、/>……/>，其中，/>，/>包括/>个与脑发育相关的参数，所述与脑发育相关的参数为多个脑结构的归一化体积以及多个脑叶的脑萎缩值，/>为第/>个训练样本个体所对应的脑龄；
脑龄估计模型的表达式为：f()=/>，/>，/>，/>；
优化目标为：，求取优化目标值最小时/>与/>的具体数值，利用梯度下降算法或遗传算法求解出/>与/>的数值，得到脑龄估计模型。
6.如权利要求5所述的脑龄测试装置，其特征在于，所述图像分析单元具体用于：
将所述T1加权大脑磁共振图像与预设的脑模板库进行配准，获得所述T1加权大脑磁共振图像所对应的脑结构、脑叶以及脑组织概率图谱；
将所述T1加权大脑磁共振图像所对应的脑组织概率图谱作为先验知识，对所述T1加权大脑磁共振图像进行脑组织分割，得到所述T1加权大脑磁共振图像所对应的脑组织分割图谱；
其中，所述脑模板库中包括：两个以上不同大脑的T1加权大脑磁共振图像，以及分别与各个T1加权大脑磁共振图像对应的脑结构、脑叶以及脑组织概率图谱。
7.如权利要求5所述的脑龄测试装置，其特征在于，所述参数计算单元具体用于：
计算所述脑结构的归一化体积，并基于所述脑组织分割图谱，确定所述脑叶中的脑灰质体积、脑白质体积以及脑脊液体积；
根据脑萎缩计算公式计算所述脑叶的脑萎缩值，其中，所述脑萎缩计算公式为：
。
8.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
CN201880000008.4A 2018-01-15 2018-01-15 一种基于磁共振图像的脑龄测试方法及脑龄测试装置 Active CN110337670B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/072603 WO2019136745A1 (zh) 2018-01-15 2018-01-15 一种基于磁共振图像的脑龄测试方法及脑龄测试装置

Publications (2)

Publication Number Publication Date
CN110337670A CN110337670A (zh) 2019-10-15
CN110337670B true CN110337670B (zh) 2023-09-29

Family

ID=67219253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880000008.4A Active CN110337670B (zh) 2018-01-15 2018-01-15 一种基于磁共振图像的脑龄测试方法及脑龄测试装置

Country Status (2)

Country Link
CN (1) CN110337670B (zh)
WO (1) WO2019136745A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI726574B (zh) 2020-01-10 2021-05-01 宏碁股份有限公司 模型訓練方法與電子裝置
CN113221927B (zh) * 2020-01-21 2024-01-23 宏碁股份有限公司 模型训练方法与电子装置
CN111134677B (zh) * 2020-02-14 2021-05-04 北京航空航天大学 一种基于磁共振影像的卒中致残预测方法及系统
CN111415361B (zh) * 2020-03-31 2021-01-19 浙江大学 基于深度学习的胎儿大脑脑龄估计和异常检测方法及装置
KR20230168507A (ko) * 2022-06-07 2023-12-14 가천대학교 산학협력단 자기공명영상의 뇌 분할 시스템 및 방법
CN115299878A (zh) * 2022-07-27 2022-11-08 哈尔滨工业大学（深圳） 一种具有疾病特异性的人脑衰老评估方法及系统
CN117036793B (zh) * 2023-07-31 2024-04-19 复旦大学 一种基于pet影像多尺度特征的脑龄评估方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046709A (zh) * 2015-07-14 2015-11-11 华南理工大学 一种基于核磁共振影像的脑龄分析方法
CN107103612A (zh) * 2017-03-28 2017-08-29 深圳博脑医疗科技有限公司 自动化分区域脑萎缩程度的定量计算方法
CN107507212A (zh) * 2017-08-18 2017-12-22 中国科学院深圳先进技术研究院 数字脑可视化方法、装置、计算设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8112144B2 (en) * 2006-03-30 2012-02-07 National University Corporation Shizuoka University Apparatus for determining brain atrophy, method of determining brain atrophy and program for determining brain atrophy
US9235887B2 (en) * 2008-02-19 2016-01-12 Elucid Bioimaging, Inc. Classification of biological tissue by multi-mode data registration, segmentation and characterization
CN105212936A (zh) * 2015-09-09 2016-01-06 首都医科大学宣武医院 一种脑模板的生成方法
CN105816192A (zh) * 2016-03-03 2016-08-03 王雪原 个体化人脑多模态医学影像的三维配准及提取脑组织方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046709A (zh) * 2015-07-14 2015-11-11 华南理工大学 一种基于核磁共振影像的脑龄分析方法
CN107103612A (zh) * 2017-03-28 2017-08-29 深圳博脑医疗科技有限公司 自动化分区域脑萎缩程度的定量计算方法
CN107507212A (zh) * 2017-08-18 2017-12-22 中国科学院深圳先进技术研究院 数字脑可视化方法、装置、计算设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘永坚等.《现代电子战支援侦察系统分析与设计》.国防工业出版社,2016,第267-272页. *

Also Published As

Publication number Publication date
WO2019136745A1 (zh) 2019-07-18
CN110337670A (zh) 2019-10-15

Similar Documents

Publication Publication Date Title
CN110337670B (zh) 一种基于磁共振图像的脑龄测试方法及脑龄测试装置
Manjón et al. volBrain: an online MRI brain volumetry system
Schirner et al. An automated pipeline for constructing personalized virtual brains from multimodal neuroimaging data
Tsagkrasoulis et al. Heritability maps of human face morphology through large-scale automated three-dimensional phenotyping
Fornito et al. Graph analysis of the human connectome: promise, progress, and pitfalls
Gunter et al. Methodological considerations for measuring rates of brain atrophy
CN110840468B (zh) 自闭症风险评估方法及装置、终端设备、存储介质
CN110363760B (zh) 用于识别医学图像的计算机系统
Del Re et al. A new MRI masking technique based on multi‐atlas brain segmentation in controls and schizophrenia: A rapid and viable alternative to manual masking
WO2018176985A1 (zh) 自动化区分脑萎缩程度的定量计算方法
WO2021120961A1 (zh) 大脑成瘾结构图谱评估方法及装置
CN112348785B (zh) 一种癫痫病灶定位方法及系统
CN112927799B (zh) 融合多示例学习和多任务深度影像组学的生存期分析系统
Reid et al. A seed-based cross-modal comparison of brain connectivity measures
JP2023504662A (ja) 脳機能地図を描画するための方法およびシステム
Li et al. Multiscale adaptive generalized estimating equations for longitudinal neuroimaging data
Somasundaram et al. Brain segmentation in magnetic resonance human head scans using multi-seeded region growing
CN108765447B (zh) 一种图像分割方法、图像分割装置及电子设备
CN111968130B (zh) 脑部造影图像处理方法、装置、介质及电子设备
Hahn et al. A new computational approach to estimate whole-brain effective connectivity from functional and structural MRI, applied to language development
Bilgel et al. Temporal trajectory and progression score estimation from voxelwise longitudinal imaging measures: Application to amyloid imaging
KR20140001294A (ko) 맵 기반 분할 방법과 모폴로지 연산을 조합하여 그래프 컷 알고리즘에 적용시켜 해마를 추출하는 방법 및 시스템
James et al. Impact of sampling rate on statistical significance for single subject fMRI connectivity analysis
Gigandet et al. A connectome-based comparison of diffusion MRI schemes
Mouches et al. Unifying brain age prediction and age-conditioned template generation with a deterministic autoencoder

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