CN110599442A - 一种融合脑皮质厚度和边缘系统形态特征的抑郁识别系统 - Google Patents
一种融合脑皮质厚度和边缘系统形态特征的抑郁识别系统 Download PDFInfo
- Publication number
- CN110599442A CN110599442A CN201910587047.5A CN201910587047A CN110599442A CN 110599442 A CN110599442 A CN 110599442A CN 201910587047 A CN201910587047 A CN 201910587047A CN 110599442 A CN110599442 A CN 110599442A
- Authority
- CN
- China
- Prior art keywords
- thickness
- characteristic
- morphological
- features
- hippocampus
- 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
Links
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 38
- 210000003710 cerebral cortex Anatomy 0.000 title claims abstract description 21
- 230000001054 cortical effect Effects 0.000 claims abstract description 33
- 210000001320 hippocampus Anatomy 0.000 claims abstract description 28
- 210000004727 amygdala Anatomy 0.000 claims abstract description 26
- 210000004556 brain Anatomy 0.000 claims abstract description 19
- 230000002093 peripheral effect Effects 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 210000003715 limbic system Anatomy 0.000 claims abstract description 8
- 230000000994 depressogenic effect Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 16
- 230000004907 flux Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 210000004885 white matter Anatomy 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000002739 subcortical effect Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000012528 membrane Substances 0.000 claims description 2
- 230000002441 reversible effect Effects 0.000 claims description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 208000020016 psychiatric disease Diseases 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 2
- 230000037444 atrophy Effects 0.000 description 2
- 210000004720 cerebrum Anatomy 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010012374 Depressed mood Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000003001 depressive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 210000004326 gyrus cinguli Anatomy 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 208000027061 mild cognitive impairment Diseases 0.000 description 1
- 238000002324 minimally invasive surgery Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提出的一种脑融合皮质厚度和边缘系统形态特征的抑郁识别系统，融合大脑的皮质厚度特征与边缘系统的海马体、杏仁核的形态特征进行特异特征选择，并采用深度神经网络(DNN)进行特征融合和分类，显著提高了利用MRI图像对抑郁症识别的准确率。包括(a)MRI图像获取模块，用于获取被试者大脑MRI数据；(b)特征选择模块，用于根据获取的MRI数据，获取大脑皮质厚度特征及边缘系统的海马体、杏仁核的形态特征，进而选择识别抑郁的特异特征；(c)分类识别模块，采用深度神经网络(DNN)将大脑皮质厚度特征与边缘系统形态特征进行融合，并进行分类，识别抑郁患者和正常被试。
Description
技术领域
本发明涉及脑神经科学，医学影像，机器学习技术领域，特别是涉及一种融合脑皮质厚度和边缘系统形态特征的抑郁识别系统。
背景技术
抑郁症(MDD)是世界第四大疾病，患者会出现心境低落，思维迟缓以及认知功能损害等临床表现。作为一种数量呈现逐年上升，影响力逐渐扩大的精神疾病，抑郁症已逐渐引起人们的重视。与其他精神疾病(如阿尔兹海默症、轻度认知障碍等)的共同点是，抑郁症患者的脑部结构会发生包括萎缩在内的一系列变化。尽管近年来对脑神经影像学的研究有很多，但相比其他精神疾病，对抑郁症的研究还未得到很好地结果，根据脑影像对抑郁症的识别准确率却一直较低，
目前医学成像模式有多种，包括X射线成像(X—CT)，核磁共振成像(MRI)，核医学成像(NMI)和超声波成像(UI)这四类，MRI是最常用也是最重要的颅脑病变检查手段。与CT相比，MRI没有骨性伪影，具有更好的软组织分辨能力。并且可以根据需要，灵活选择轴、冠、矢及斜位扫描，充分显示病变。目前针对抑郁症大脑结构MRI图像的研究多是某些具体大脑结构与正常对照组的显著差异性。而关于抑郁症的MRI图像分类研究多是单独使用FreeSurfer计算的皮质厚度为特征，或皮质下的海马体、额叶、颞叶、扣带回等的体积来进行研究，在进行图像的分类时准确率一直较低。因此如何提高对MRI图像中抑郁症患者与正常人的分类准确率成为了本研究领域的一大重点。
发明内容
本发明提出一种融合脑皮质厚度和边缘系统形态特征的抑郁识别系统，融合大脑的皮质厚度与边缘系统的海马体、杏仁核的形态特征进行特异特征选择，并采用深度神经网络(DNN)进行特征融合和分类，提高利用MRI图像对抑郁症识别的准确率。
本发明的技术方案是：
1.一种融合脑皮质厚度和边缘系统形态特征的抑郁识别系统，其特征在于，包括(a)MRI图像获取模块，用于获取被试者大脑MRI数据；(b)特征选择模块，用于根据获取的MRI数据，获取大脑皮质厚度特征及边缘系统的海马体、杏仁核的形态特征，进而选择识别抑郁的特异特征；(c)分类识别模块，采用深度神经网络(DNN)将大脑皮质厚度特征与边缘系统形态特征进行融合，并进行分类，识别抑郁患者和正常被试。
2.所述特征选择模块包括大脑皮质厚度计算单元，采用四面体的热通量计算大脑皮质厚度；包括：使用FreeSurfer工具对样本的MRI图像进行分割，取大脑白质及软膜的生成文件用于皮质厚度的测量；合并软膜及白质表面为一个皮质表面，消除在合并过程中产生的自相交；由tetgen生成四面体网格；将从软膜上一个点(x)到白质表面一个点(y)按照热流轨迹移动的所有边缘总和定义为皮质厚度，以顶点对(x，y)的形式表示；同时在四面体网格上求解基于四面体的Laplace-Beltrami特征问题，计算得到特征向量对(λn；φn)，结合顶点对与特征向量对，根据下面的公式计算基于四面体的热通量特征(tHFS)矩阵
其中，t0是初始常数，通常为0或1；δt是由步长决定的加权最大特征值，
3.所述特征选择模块包括边缘系统形态测量单元，采用多变量张量测量海马体、杏仁核的形态，包括：首先对样本的MRI图像数据使用FSL工具提取皮层下的结构，用阈值处理得到二值图像；使用行进立方体算法生成三角形表面网格，对该网格采用“渐进网络”以及网格细化来消除在生成网格过程中产生的钝角和平滑噪声，即平滑网格；用仿射变换将所有平滑后的网格标准化为标准空间，使用反向一致的表面流体配准，用保角映射将表面配准的问题转换为图像配准；最后根据多元张量的思想采用“Log-Euclidean度量”来分析形状的变化，得到关于海马体和杏仁核的形态特征。
4.所述分类识别模块包括稀疏编码降维单元，分别对获得的2500个皮层厚度特征、60000个海马体形态特征以及60000个杏仁核形态特征使用随机坐标编码进行降维；各寻找一组“超完备”基向量来更高效地表示样本数据，使用随机坐标编码SCC来构造字典D，使用初始字典D和图像patch{X1,X2,…,Xn}，经过七层循环，最终得到学习字典D以及系数Z{Z1,Z2,…,Zn}。
5.所述分类识别模块包括主成分分析降维单元，将通过SCC降维后的特征再使用主成分分析法PCA继续进行降维，最终得到25个皮质厚度特征，21个海马体特征以及20个杏仁核特征，将这些特征作为深度神经网络的输入。
6.所述分类识别模块包括特征融合单元，采用深度神经网络(DNN)将大脑皮质厚度与边缘系统形态特征进行融合，并进行分类，所述深度神经网络包括输入层、隐藏层和输出层，第一层为输入层，将主成分分析降维单元输出的特征作为输入，包括66个神经元，隐藏层共三层，三个隐藏层分别有10、20、10个神经元节点，输出层为2个神经元；隐藏层实现了对特征的非线性计算，进行了特征的融合。
本发明的技术效果：
本发明提出的一种脑融合皮质厚度和边缘系统形态特征的抑郁识别系统，融合大脑的皮质厚度特征与边缘系统的海马体、杏仁核的形态特征进行特异特征选择，并采用深度神经网络(DNN)进行特征融合和分类，显著提高了利用MRI图像对抑郁症识别的准确率。
本发明舍弃了以往的FreeSurfer直接计算的皮质厚度，采用一种基于四面体热通量的方法计算皮质厚度特征，同时融合皮质下的海马体、杏仁核的形态特征，相比于其他的抑郁症分类方法，本发明考虑的特征更多，不仅包括皮质上，还包括了皮质下的特征，且采用了两种计算特征的方法，将这两种方法首次应用于抑郁症的脑影像分析，基于四面体热通量来计算大脑皮质厚度，基于多变量张量来测量海马体以及杏仁核的形态特征，使得测量结果更加准确，患者相比正常对照组的差异更加显著，相比其它方法对抑郁症的识别结果，准确率有显著的提升，可达到90％以上。同时，本方法的通用性更强，不仅仅局限于抑郁症的识别，还可适用于其他的精神疾病，各类精神疾病与大脑的结构变化息息相关，且存在一定的通性，例如阿尔兹海默病与抑郁症患者的海马体都发生了显著地变化。可根据本发明针对不同的精神疾病的识别进行适当的改进。
附图说明
图1是本发明系统的工作流程图。
图2是基于四面体热通量计算皮质厚度的流程图。
图3是基于多变量张量测量皮质下形态的流程图。
图4是深度神经网络模型结构图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细说明。
一种脑融合皮质厚度和边缘系统形态特征的抑郁识别系统，包括(a)MRI图像获取模块，用于获取被试者大脑MRI数据；(b)特征选择模块，用于根据获取的MRI数据，获取大脑皮质厚度特征及边缘系统的海马体、杏仁核的形态特征，进而选择识别抑郁的特异特征；(c)分类识别模块，采用深度神经网络(DNN)将大脑皮质厚度特征与边缘系统形态特征进行融合，并进行分类，识别抑郁患者和正常被试。
如图1所示，是本发明系统的工作流程图。
首先获取MRI图像，本系统需要使用的数据是抑郁症患者和正常对照组的大脑MRI图像，要求受试者大脑MRI图像采集时所有采集参数都相同；公认的哈密尔顿抑郁量表(HAMD)以17分作为划分抑郁症的标准，按照此标准对所得的样本进行初步筛选，避免因评分过低影响结果；然后根据获取的MRI数据，计算大脑皮质厚度特征，并根据获取的MRI数据，测量边缘系统的海马体、杏仁核的形态，选择出选择识别抑郁的特异特征；最后使用深度神经网络将大脑皮质厚度与边缘系统形态特征进行融合，并进行分类，识别抑郁患者和正常被试。
其中，特征选择模块包括大脑皮质厚度计算单元和边缘系统形态测量单元，采用四面体的热通量计算大脑皮质厚度，采用多变量张量测量海马体、杏仁核的形态。
如图2所示，是采用基于四面体热通量计算皮质厚度的流程图。使用FreeSurfer工具对样本的MRI图像进行分割，取大脑白质以及软膜的生成文件用于皮质厚度的测量。首先消除一些图像中的几何错误，通过genus-0保留的下采样120000个面，同时过滤和简化数据，再进行第二轮的错误检测，以确保网格没有错误。合并软膜以及白质表面为一个皮质表面，而对于在合并过程中产生的自相交，为避免因重复平滑导致的数据完整性损失，在对交叉标记后，使用重复在交叉区域微创手术来消除。在对因为解决自相交而修改的点进行标记，并且确认未引入错误后，最终由tetgen生成四面体网格。将基于四面体的热通量问题以热方程的形式解决，热通量由顶点m与沿方向s的相邻顶点之间的加权温度差定义：在四面体网格上，离散热通量由加权牛顿冷却定律定义：-k(Ts-Tm)，这里k是导热系数，负号表示温度梯度的反方向，因此，热通量计算转换为热方程问题。使用Galerkin的方法将连续热方程问题转换为Dirichlet边界条件下的离散弱形式问题，其中离散谐波能量矩阵S定义为：
其中N(vi)是定点vi的相邻顶点集合；N(vi,vk)是边(vi,vk)的相邻四面体集合；L(i ,j)是四面体Tl的相对边到边(vi,vj)的长度；是四面体Tl的边(vi,vj)的二面角。
根据顶点的热流轨迹来重新定义皮质厚度，从脑软膜表面上的一个体素沿着温度下降的方向寻找到白质表面体素的路径称为热流轨迹，寻找温度变化最大的相邻体素，再将其作为起点，不断循环该步骤直至目标体素落至白质表面，将从软膜上一个点(x)到白质表面一个点(y)按照热轨迹移动的边缘总和定义为皮质厚度，以顶点对(x，y)的形式表示。同时在四面体网格上求解基于四面体的Laplace-Beltrami特征问题，该问题在诺依曼边界条件下定义，表示了跨边界的热通量，来计算特征向量对(λn；φn)，结合顶点对与特征对根据下面的公式计算基于四面体的热通量特征(tHFS)矩阵，tHFS是根据下面的公式结合已求出的皮质厚度和特征向量，对皮质厚度特征进行更有效表达的一个结果，
其中t0是初始常数，通常为0或1。而δt是由步长决定的加权最大特征值，
对于皮质下的海马体、杏仁核形态的测量则使用一种基于多变量张量的方法。如图3所示，为基于多变量张量的皮质下形态测量流程图。首先对原始MRI图像数据使用FSL工具提取皮层下的结构，用阈值处理得到二值图像。使用行进立方体算法生成三角形表面网格，对该网格采用“渐进网络”以及网格细化来消除在生成网格过程中产生的钝角和平滑噪声。用仿射变换将所有平滑网格标准化为标准空间，用FIRST(FSL的一个模块)计算9个参数矩阵(包含平移、旋转、缩放各三个参数)，在此时对样本进行第二次筛选，剔除掉因为原始图像分辨率或对比度导致不能分割的，以及拓扑结构错误的图像，导致这些问题的原因多是在图像采集时产生。之后使用反向一致的表面流体配准，用保角映射将表面配准的问题转换为图像配准，减少工作难度。最后根据多元张量的思想考虑“Log-Euclidean度量”来分析形状的变化，计算海马体、杏仁核的形态特征，而不是基于变形张量的特征值，Log-Eucliden度量对张量的计算更容易进行，使用本方法不会引入任何偏差。最终对左右两个大脑半球得到15000个表面顶点，每个顶点分别得到七个关于海马体和杏仁核的形态特征，选择有显著性差异的两个特征，包括径向距离(radial distance，RD)和基于表面张量的形态特征(tensor-based morphometry，TBM)，其中RD表明的是从皮质下结构的中轴到表面体素的距离，反映皮质下结构体积变化的程度；TBM是计算得出的雅各比矩阵，反映皮质下结构表面的萎缩程度。
经过以上的计算和测量，可获得大量的皮层特征以及海马体和杏仁核的特征，对抑郁症患者与正常对照组之间差异性较为显著的特征进行选择，最终获得2500个皮层特征、60000个海马体特征以及60000个杏仁核特征。
分类识别模块包括稀疏编码降维单元、主成分分析降维单元和特征融合单元，对特征选择模块选择的这些特征采用先降维再融合的方法，并进行二分类，识别抑郁患者和正常被试。
首先分别对皮层、海马体、杏仁核特征使用稀疏编码进行降维，各寻找一组“超完备”基向量来更高效地表示样本数据，为避免因特征量过大对最终的分类结果产生消极的影响，使用随机坐标编码(SCC)来构造字典D，使用初始字典D和图像patch{X1,X2,…,Xn}经过七层循环，最终得到学习字典D以及系数Z{Z1,Z2,…,Zn}。使用的是球形稀疏编码方法，球面座标和皮质表面坐标可互相投射，即保留了patch块和皮质结构之间的对应关系。将通过SCC降维后的特征再使用主成分分析法PCA继续进行降维，使用PCA选取使得原始数据精度达到70％的维度，最终得到25个皮质厚度特征，21个海马体特征以及20个杏仁核特征。
将这些特征作为深度神经网络的输入进行特征融合和分类。如图4所示，为本发明实施例的神经网络模型结构图。包括输入层、隐藏层和输出层，第一层为输入层，将所有特征作为输入层，因此输入层共66个神经元。隐藏层共三层，三个隐藏层分别有10、20、10个神经元节点，本发明为二分类问题，因此输出层为2个神经元。根据前向传播算法，第i层的第j个神经元输出为其中为第i-1层第k个神经元到第i层第j个神经元的线性系数，为第i层第j个神经元的偏倚，σ(z)为对应的激活函数，z为根据线性系数和偏倚得到的线性关系。计算得到的为第i层第j个神经元的输出，将其作为下一层的输入，激活函数可以增加模型的非线性。第一层隐藏层用Sigmoid激活函数，第二、三层隐藏层用ReLU激活函数，输出层为Sigmoid激活函数。Sigmoid激活函数的表达式为：ReLU激活函数的表达式为：σ(z)＝max(0,z)。除此之外，使用损失函数来衡量输出和实际真实输出的损失，进而寻找更合适的线性系数和偏倚。本发明中使用小批量梯度下降法实现，使用均方差来计算损失：对每一层通过迭代求解合适的W、b，其中Wi是该层线性系数w构成的矩阵，bi是由该层的偏倚构成的向量。首先计算输出层的梯度其余依次向前面的每一层计算梯度，则第i层梯度为：更新该层Wi和bi：以及循环迭代直至W和b的变化值都小于停止迭代阈值，确定最终的关系系数矩阵和偏倚向量b。搭建的深度神经网络模型实现了对特征的融合以及分类。隐藏层实现了对特征的非线性计算，进行了特征的融合，最终根据输出的标签和实际的类别进行对比，确定模型的准确率。
应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。一切不脱离本发明创造的精神和范围的技术方案及其改进，其均涵盖在本发明创造的保护范围当中。
Claims (6)
1.一种融合脑皮质厚度和边缘系统形态特征的抑郁识别系统，其特征在于，包括(a)MRI图像获取模块，用于获取被试者大脑MRI数据；(b)特征选择模块，用于根据获取的MRI数据，获取大脑皮质厚度特征及边缘系统的海马体、杏仁核的形态特征，进而选择识别抑郁的特异特征；(c)分类识别模块，采用深度神经网络(DNN)将大脑皮质厚度特征与边缘系统形态特征进行融合，并进行分类，识别抑郁患者和正常被试。
2.根据权利要求1所述的系统，其特征在于，所述特征选择模块包括大脑皮质厚度计算单元，采用四面体的热通量计算大脑皮质厚度；包括：使用FreeSurfer工具对样本的MRI图像进行分割，取大脑白质及软膜的生成文件用于皮质厚度的测量；合并软膜及白质表面为一个皮质表面，消除在合并过程中产生的自相交；由tetgen生成四面体网格；将从软膜上一个点(x)到白质表面一个点(y)按照热流轨迹移动的所有边缘总和定义为皮质厚度，以顶点对(x，y)的形式表示；同时在四面体网格上求解基于四面体的Laplace-Beltrami特征问题，计算得到特征向量对(λn；φn)，结合顶点对与特征向量对，根据下面的公式计算基于四面体的热通量特征(tHFS)矩阵
其中，t0是初始常数，通常为0或1；δt是由步长决定的加权最大特征值，
3.根据权利要求1所述的系统，其特征在于，所述特征选择模块包括边缘系统形态测量单元，采用多变量张量测量海马体、杏仁核的形态，包括：首先对样本的MRI图像数据使用FSL工具提取皮层下的结构，用阈值处理得到二值图像；使用行进立方体算法生成三角形表面网格，对该网格采用“渐进网络”以及网格细化来消除在生成网格过程中产生的钝角和平滑噪声，即平滑网格；用仿射变换将所有平滑后的网格标准化为标准空间，使用反向一致的表面流体配准，用保角映射将表面配准的问题转换为图像配准；最后根据多元张量的思想采用“Log-Euclidean度量”来分析形状的变化，得到关于海马体和杏仁核的形态特征。
4.根据权利要求1所述的系统，其特征在于，所述分类识别模块包括稀疏编码降维单元，分别对获得的2500个皮层厚度特征、60000个海马体形态特征以及60000个杏仁核形态特征使用随机坐标编码进行降维；各寻找一组“超完备”基向量来更高效地表示样本数据，使用随机坐标编码SCC来构造字典D，使用初始字典D和图像patch{X1,X2,…,Xn}，经过七层循环，最终得到学习字典D以及系数Z{Z1,Z2,…,Zn}。
5.根据权利要求1所述的系统，其特征在于，所述分类识别模块包括主成分分析降维单元，将通过SCC降维后的特征再使用主成分分析法PCA继续进行降维，最终得到25个皮质厚度特征，21个海马体特征以及20个杏仁核特征，将这些特征作为深度神经网络的输入。
6.根据权利要求1所述的系统，其特征在于，所述分类识别模块包括特征融合单元，采用深度神经网络(DNN)将大脑皮质厚度与边缘系统形态特征进行融合，并进行分类，所述深度神经网络包括输入层、隐藏层和输出层，第一层为输入层，将主成分分析降维单元输出的特征作为输入，包括66个神经元，隐藏层共三层，三个隐藏层分别有10、20、10个神经元节点，输出层为2个神经元；隐藏层实现了对特征的非线性计算，进行了特征的融合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910587047.5A CN110599442B (zh) | 2019-07-01 | 2019-07-01 | 一种融合脑皮质厚度和边缘系统形态特征的抑郁识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910587047.5A CN110599442B (zh) | 2019-07-01 | 2019-07-01 | 一种融合脑皮质厚度和边缘系统形态特征的抑郁识别系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110599442A true CN110599442A (zh) | 2019-12-20 |
| CN110599442B CN110599442B (zh) | 2022-08-12 |
Family
ID=68852667
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910587047.5A Active CN110599442B (zh) | 2019-07-01 | 2019-07-01 | 一种融合脑皮质厚度和边缘系统形态特征的抑郁识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110599442B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111127441A (zh) * | 2019-12-25 | 2020-05-08 | 兰州大学 | 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统 |
| CN113572753A (zh) * | 2021-07-16 | 2021-10-29 | 北京淇瑀信息科技有限公司 | 基于牛顿冷却定律的用户设备认证方法和装置 |
| TWI744798B (zh) * | 2020-02-13 | 2021-11-01 | 國立陽明交通大學 | 基於腦影像的神經精神疾病評估方法及系統 |
| CN115937129A (zh) * | 2022-12-01 | 2023-04-07 | 北京邮电大学 | 基于多模态磁共振影像的左右半脑关系的处理方法及装置 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060094001A1 (en) * | 2002-11-29 | 2006-05-04 | Torre Vicent E | Method and device for image processing and learning with neuronal cultures |
| US20070050151A1 (en) * | 2005-08-10 | 2007-03-01 | Shinji Satoh | Psychotic manifestation and mental state evaluation apparatus and evaluation method |
| CN101866485A (zh) * | 2010-06-10 | 2010-10-20 | 西北工业大学 | 三维大脑磁共振图像大脑皮层表面最大主方向场弥散方法 |
| CN102293656A (zh) * | 2011-05-25 | 2011-12-28 | 四川大学华西医院 | 基于磁共振成像的情绪稳定性评价系统及其评价方法 |
| CN103493098A (zh) * | 2011-04-28 | 2014-01-01 | 皇家飞利浦有限公司 | 医学图像处理系统和方法 |
| US20140279746A1 (en) * | 2008-02-20 | 2014-09-18 | Digital Medical Experts Inc. | Expert system for determining patient treatment response |
| CN104102839A (zh) * | 2013-11-16 | 2014-10-15 | 西安电子科技大学 | 一种基于多尺度网格曲面形状特征的阿尔茨海默病脑皮层自动分类方法 |
| CN105147248A (zh) * | 2015-07-30 | 2015-12-16 | 华南理工大学 | 基于生理信息的抑郁症评估系统及其评估方法 |
| CN105559802A (zh) * | 2015-07-29 | 2016-05-11 | 北京工业大学 | 一种基于注意和情感信息融合的抑郁症诊断系统及方法 |
| CN105701499A (zh) * | 2015-12-31 | 2016-06-22 | 中国科学院深圳先进技术研究院 | 一种用于脑部mri图像分类的图像处理方法 |
| CN108346150A (zh) * | 2018-03-06 | 2018-07-31 | 鲁东大学 | 一种基于图谱分析的脑皮层厚度估计方法 |
| CN108898135A (zh) * | 2018-06-30 | 2018-11-27 | 天津大学 | 一种大脑边缘系统图谱构建方法 |
| CN108985377A (zh) * | 2018-07-18 | 2018-12-11 | 太原理工大学 | 一种基于深层网络的多特征融合的图像高级语义识别方法 |
-
2019
- 2019-07-01 CN CN201910587047.5A patent/CN110599442B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060094001A1 (en) * | 2002-11-29 | 2006-05-04 | Torre Vicent E | Method and device for image processing and learning with neuronal cultures |
| US20070050151A1 (en) * | 2005-08-10 | 2007-03-01 | Shinji Satoh | Psychotic manifestation and mental state evaluation apparatus and evaluation method |
| US20140279746A1 (en) * | 2008-02-20 | 2014-09-18 | Digital Medical Experts Inc. | Expert system for determining patient treatment response |
| CN101866485A (zh) * | 2010-06-10 | 2010-10-20 | 西北工业大学 | 三维大脑磁共振图像大脑皮层表面最大主方向场弥散方法 |
| CN103493098A (zh) * | 2011-04-28 | 2014-01-01 | 皇家飞利浦有限公司 | 医学图像处理系统和方法 |
| CN102293656A (zh) * | 2011-05-25 | 2011-12-28 | 四川大学华西医院 | 基于磁共振成像的情绪稳定性评价系统及其评价方法 |
| CN104102839A (zh) * | 2013-11-16 | 2014-10-15 | 西安电子科技大学 | 一种基于多尺度网格曲面形状特征的阿尔茨海默病脑皮层自动分类方法 |
| CN105559802A (zh) * | 2015-07-29 | 2016-05-11 | 北京工业大学 | 一种基于注意和情感信息融合的抑郁症诊断系统及方法 |
| CN105147248A (zh) * | 2015-07-30 | 2015-12-16 | 华南理工大学 | 基于生理信息的抑郁症评估系统及其评估方法 |
| CN105701499A (zh) * | 2015-12-31 | 2016-06-22 | 中国科学院深圳先进技术研究院 | 一种用于脑部mri图像分类的图像处理方法 |
| CN108346150A (zh) * | 2018-03-06 | 2018-07-31 | 鲁东大学 | 一种基于图谱分析的脑皮层厚度估计方法 |
| CN108898135A (zh) * | 2018-06-30 | 2018-11-27 | 天津大学 | 一种大脑边缘系统图谱构建方法 |
| CN108985377A (zh) * | 2018-07-18 | 2018-12-11 | 太原理工大学 | 一种基于深层网络的多特征融合的图像高级语义识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 任继亮，魏新华: "fMRI分析非临床抑郁大学杏仁核及及海马静息态功能连接的改变", 《中国医学影像技术》 * |
| 潘园园，端义扬，徐乐平: "抑郁症脑影响学研究进展", 《精神医学杂志》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111127441A (zh) * | 2019-12-25 | 2020-05-08 | 兰州大学 | 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统 |
| CN111127441B (zh) * | 2019-12-25 | 2022-08-12 | 兰州大学 | 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统 |
| TWI744798B (zh) * | 2020-02-13 | 2021-11-01 | 國立陽明交通大學 | 基於腦影像的神經精神疾病評估方法及系統 |
| CN113572753A (zh) * | 2021-07-16 | 2021-10-29 | 北京淇瑀信息科技有限公司 | 基于牛顿冷却定律的用户设备认证方法和装置 |
| CN113572753B (zh) * | 2021-07-16 | 2023-03-14 | 北京淇瑀信息科技有限公司 | 基于牛顿冷却定律的用户设备认证方法和装置 |
| CN115937129A (zh) * | 2022-12-01 | 2023-04-07 | 北京邮电大学 | 基于多模态磁共振影像的左右半脑关系的处理方法及装置 |
| CN115937129B (zh) * | 2022-12-01 | 2024-04-02 | 北京邮电大学 | 基于多模态磁共振影像的左右半脑关系的处理方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110599442B (zh) | 2022-08-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110599442B (zh) | 一种融合脑皮质厚度和边缘系统形态特征的抑郁识别系统 | |
| Choi et al. | Convolutional neural network-based MR image analysis for Alzheimer’s disease classification | |
| Pachauri et al. | Topology-based kernels with application to inference problems in Alzheimer's disease | |
| Wright et al. | Construction of a fetal spatio-temporal cortical surface atlas from in utero MRI: Application of spectral surface matching | |
| Cover et al. | Computational methods for corpus callosum segmentation on MRI: A systematic literature review | |
| Ding et al. | Classification of Alzheimer's disease based on the combination of morphometric feature and texture feature | |
| CN108960322B (zh) | 一种基于心脏ct图像的冠状动脉钙化斑块自动检测方法 | |
| US20110160546A1 (en) | System and method for volumetric analysis of medical images | |
| Ye et al. | Regional manifold learning for disease classification | |
| Rebsamen et al. | Brain morphometry estimation: From hours to seconds using deep learning | |
| Ferrarini et al. | GAMEs: growing and adaptive meshes for fully automatic shape modeling and analysis | |
| Wang et al. | A novel cortical thickness estimation method based on volumetric Laplace–Beltrami operator and heat kernel | |
| Zhang et al. | Empowering cortical thickness measures in clinical diagnosis of Alzheimer's disease with spherical sparse coding | |
| Alsiddiky et al. | Vertebral tumor detection and segmentation using analytical transform assisted statistical characteristic decomposition model | |
| Wang et al. | Towards a holistic cortical thickness descriptor: heat kernel-based grey matter morphology signatures | |
| CN113077502B (zh) | 基于标志球内部多层球面生成点的牙颌空间配准方法 | |
| Malode | New approach of statistical analysis for lung disease diagnosis using microscopy images | |
| WO1999064983A1 (en) | Method and apparatus for automatic shape characterization | |
| Chan et al. | QC-SPHRAM: Quasi-conformal Spherical Harmonics Based Geometric Distortions on Hippocampal Surfaces for Early Detection of the Alzheimer's Disease | |
| ElNakieb et al. | Towards personalized autism diagnosis: Promising results | |
| Wang et al. | Multi-scale heat kernel based volumetric morphology signature | |
| Dore et al. | Surface-Base approach using a multi-scale EM-ICP registration for statistical population analysis | |
| Wu et al. | Surface-based analysis of the developing cerebral cortex | |
| Davatzikos et al. | Applications of wavelets in morphometric analysis of medical images | |
| Liu et al. | A model of volumetric shape for the analysis of longitudinal alzheimer’s disease data |
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 |