CN110652307B - 基于功能核磁影像的精神分裂症患者纹状体功能检测系统 - Google Patents
基于功能核磁影像的精神分裂症患者纹状体功能检测系统 Download PDFInfo
- Publication number
- CN110652307B CN110652307B CN201910856960.0A CN201910856960A CN110652307B CN 110652307 B CN110652307 B CN 110652307B CN 201910856960 A CN201910856960 A CN 201910856960A CN 110652307 B CN110652307 B CN 110652307B
- Authority
- CN
- China
- Prior art keywords
- striatum
- signal
- module
- nuclear magnetic
- function
- 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
Links
- 210000001577 neostriatum Anatomy 0.000 title claims abstract description 206
- 201000000980 schizophrenia Diseases 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims description 9
- 230000006870 function Effects 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000000698 schizophrenic effect Effects 0.000 claims abstract description 32
- 230000036541 health Effects 0.000 claims abstract description 27
- 238000013145 classification model Methods 0.000 claims abstract description 21
- 230000003925 brain function Effects 0.000 claims abstract description 19
- 238000003384 imaging method Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 50
- 210000004556 brain Anatomy 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 15
- 238000009499 grossing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000004886 head movement Effects 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 239000003814 drug Substances 0.000 abstract description 15
- 229940079593 drug Drugs 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 239000000164 antipsychotic agent Substances 0.000 abstract description 3
- 238000004393 prognosis Methods 0.000 abstract description 3
- 229940005529 antipsychotics Drugs 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000002610 neuroimaging Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000003042 antagnostic effect Effects 0.000 description 6
- 102000004980 Dopamine D2 Receptors Human genes 0.000 description 4
- 108090001111 Dopamine D2 Receptors Proteins 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 4
- 238000005481 NMR spectroscopy Methods 0.000 description 3
- 239000000090 biomarker Substances 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 102000049773 5-HT2A Serotonin Receptor Human genes 0.000 description 2
- 108010072564 5-HT2A Serotonin Receptor Proteins 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229960004170 clozapine Drugs 0.000 description 1
- QZUDBNBUXVUHMW-UHFFFAOYSA-N clozapine Chemical compound C1CN(C)CCN1C1=NC2=CC(Cl)=CC=C2NC2=CC=CC=C12 QZUDBNBUXVUHMW-UHFFFAOYSA-N 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000011337 individualized treatment Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000005311 nuclear magnetism Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000002400 serotonin 2A antagonist Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Social Psychology (AREA)
- Educational Technology (AREA)
- Psychology (AREA)
- High Energy & Nuclear Physics (AREA)
- Hospice & Palliative Care (AREA)
- Radiology & Medical Imaging (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明属于精神医学、神经影像及人工智能领域，具体涉及了一种基于功能核磁影像的精神分裂症患者纹状体功能检测方法，旨在解决现有技术无法定量化评估精神分裂症患者健康程度，从而无法指导个体化用药的问题。本发明方法包括：提取预处理后输入数据的纹状体局部信号、全脑功能连接信号、内部功能连接信号并拼接；通过纹状体分类模型分别计算信号属于正常人、精神分裂患者的置信概率；若属于正常人的置信概率高，则被测对象为正常人；否则，为精神分裂症患者，并输出其纹状体健康等级。本发明通过对精神分裂症患者的纹状体特征进行定量化评估，实现了对精神分裂症患者个体层面用药指导，进一步提升精神分裂症患者对抗精神病药物的预后效果。
Description
技术领域
本发明属于精神医学、神经影像及人工智能领域，具体涉及了一种基于功能核磁影像的精神分裂症患者纹状体功能检测系统。
背景技术
在精神医学领域，精准医疗需要个体化的、可泛化的和有临床潜在价值的生物学标记物，然而还没有一种生物标记物可在精神医学临床中大规模应用[1][2]。精神分裂症，作为一种非常严重的精神疾病[3]，给国家和社会带来了沉重负担。尽管精神分裂症患者在临床症状、认知水平和临床预后等方面存在很大的异质性，但是目前尚未存在可靠的生物标记物帮助分组患者[4]，以提供个体化治疗方案。纹状体是精神分裂症核心的病理脑区之一，大量研究表明精神分裂症患者中的纹状体功能存在病理性损伤；同时，几乎所有的精神分裂症患者都需要接受抗精神病药物治疗，而这些抗精神病药物的作用都包括针对纹状体多巴胺D2受体的拮抗机制。因此，定量化的评估精神分裂症患者的纹状体健康程度，对个体化用药指导有重要意义。
近些年来，由于较高的空间分辨率和时间分辨率，功能核磁共振(functionalMagnetic Resonance Imaging,fMRI)已经成为脑科学领域中的重要非入侵式活体脑功能检测技术[5]，并在精神医学科研领域中广泛使用。因此，功能核磁共振可以作为定量检测精神分裂症纹状体功能的重要手段。
总的来说，现有技术无法定量化的评估精神分裂症患者健康程度，从而无法指导个体化用药。
以下文献是与本发明相关的技术背景资料：
[1]Abi-Dargham,A.&Horga,G.The search for imaging biomarkers inpsychiatric disorders.Nat.Med.22,1248–1255(2016).
[2]Woo,C.W.,Chang,L.J.,Lindquist,M.A.&Wager,T.D.Building betterbiomarkers:brain models in translational neuroimaging.Nat Neurosci 20,365–377(2017).
[3]Shin,J.K.,Malone,D.T.,Crosby,I.T.&Capuano,B.Schizophrenia:ASystematic Review of the Disease State,Current Therapeutics and theirMolecular Mechanisms of Action.1380–1404(2011).
[4]Kapur,S.,Phillips,A.G.&Insel,T.R.Why has it taken so long forbiological psychiatry to develop clinical tests and what to do about it？MolPsychiatry 17,1174–1179(2012).
[5]Satterthwaite,T.D.,Xia,C.H.&Bassett,D.S.Personalized Neuroscience:Common and Individual-Specific Features in Functional Brain Networks.Neuron98,243–245(2018).
发明内容
为了解决现有技术中的上述问题，即现有技术无法定量化的评估精神分裂症患者健康程度，从而无法指导个体化用药的问题，本发明提供了一种基于功能核磁影像的精神分裂症患者纹状体功能检测方法，该方法包括：
步骤S10，获取被测对象带有纹状体的功能核磁影像数据作为待检测数据；
步骤S20，对所述待检测数据进行时间矫正、脑影像数据配准到标准空间、头动信号回归、滤波操作，获得待检测预处理数据；
步骤S30，提取所述待检测预处理数据的纹状体局部信号，并计算所述纹状体局部信号到全脑功能连接的第一特征信号以及计算所述纹状体内部功能连接的第二特征信号；
步骤S40，将所述纹状体局部信号、第一特征信号、第二特征信号拼接，获得纹状体功能特征信号；
步骤S50，基于所述纹状体功能特征信号，通过预先训练好的纹状体分类模型分别计算被测对象纹状体属于精神分裂患者、正常人的置信概率；
步骤S60，若纹状体属于正常人的置信概率高，则被测对象为正常人；否则，按照所述置信概率与精神分裂患者纹状体健康等级的映射关系输出对应的被测对象纹状体健康等级。
在一些优选的实施例中，其特征在于，所述纹状体分类模型基于有监督学习分类器构建，其训练方法为：
步骤B10，分别获取设定数量的精神分裂患者带有纹状体的功能核磁影像数据、正常人带有纹状体的功能核磁影像数据作为训练样本集；标记所述训练样本集中对应精神分裂患者的训练样本标签为-1，对应正常人的训练样本标签为1；
步骤B20，采用上述的基于功能核磁影像的精神分裂症患者纹状体功能检测方法步骤S20-步骤S40对应的方法分别提取所述训练样本集中每一个训练样本对应的纹状体功能特征信号；
步骤B30，依次选取所述训练样本集中一个训练样本对应的纹状体功能特征信号，通过纹状体分类模型分别计算所述训练样本属于精神分裂患者、正常人的置信概率；
步骤B40，以所述置信概率高的类别作为所述训练样本类别，并计算所述类别与对应的样本训练标签的损失值；
步骤B50，若所述损失值不低于设定阈值，则更新所述纹状体分类模型的参数，并跳转步骤B30；否则，跳转步骤B60；
步骤B60，完成模型训练，获得训练好的纹状体分类模型。
在一些优选的实施例中，步骤S30中“计算所述纹状体局部信号到全脑功能连接的第一特征信号”，其方法为：
步骤S311，基于所述纹状体局部信号，在空间上计算每个时间点的纹状体内部平均信号；
步骤S312，将所述纹状体内部平均信号与除纹状体之外全脑所有其他体素信号进行相似度计算，获得第一特征信号。
在一些优选的实施例中，步骤S30中“计算所述纹状体内部功能连接的第二特征信号”，其方法为：
步骤S321，基于所述纹状体局部信号，提取其体素信号级别时间序列，并将所述体素信号级别时间序列两两进行相似度计算，获得纹状体内部功能连接矩阵；
步骤S322，提取所述纹状体内部功能连接矩阵中上三角区域特征，获得第二特征信号。
在一些优选的实施例中，所述体素信号，其计算之前还设置有空间平滑的步骤，其方法为：
在空间上，采用预先设定的平滑核对时间序列进行平滑操作。
在一些优选的实施例中，步骤S60中“按照所述置信概率与精神分裂患者纹状体健康等级的映射关系输出对应的被测对象纹状体健康等级”之后还设置有药物使用推荐的步骤，其方法为：
判断所述被测对象的纹状体健康等级是否高于设定阈值，若是，则推荐使用多巴胺D2受体拮抗机制的抗精神分裂症药物；否则，推荐使用五羟色胺2A受体拮抗机制的抗精神分裂症药物。
本发明的另一方面，提出了一种基于功能核磁影像的精神分裂症患者纹状体功能检测系统，该系统包括输入模块、预处理模块、特征提取模块、特征拼接模块、纹状体分类模块、输出模块；
所输入模块，配置为获取被测对象带有纹状体的功能核磁影像数据作为待检测数据；
所述预处理模块，配置为对所述待检测数据进行时间矫正、脑影像数据配准到标准空间、头动信号回归、滤波操作，获得待检测预处理数据；
所述特征提取模块，配置为提取所述待检测预处理数据的纹状体局部信号，并计算所述纹状体局部信号到全脑功能连接的第一特征信号以及计算所述纹状体内部功能连接的第二特征信号；
所述特征拼接模块，配置为将所述纹状体局部信号、第一特征信号、第二特征信号拼接，获得纹状体功能特征信号；
所述纹状体功能检测模块，配置为基于所述纹状体功能特征信号，通过预先训练好的纹状体分类模型分别计算被测对象纹状体属于精神分裂患者、正常人的置信概率；
所述输出模块，配置为若纹状体属于正常人的置信概率高，则输出被测对象为正常人；否则，按照所述置信概率与精神分裂患者纹状体健康等级的映射关系输出对应被测对象的纹状体健康等级。
在一些优选的实施例中，所述特征提取模块包括纹状体局部信号提取模块、纹状体到全脑功能连接模块、纹状体内部功能连接模块；
所述纹状体局部信号提取模块，配置为提取所述待检测预处理数据的纹状体局部信号；
所述纹状体到全脑功能连接模块，配置为在空间上计算每个时间点的纹状体内部平均信号，并将所述纹状体内部平均信号与除纹状体之外全脑所有其他体素进行相似度计算，获得第一特征信号；
所述纹状体内部功能连接模块，配置为提取纹状体体素级别时间序列，并将所述体素级别时间序列两两进行相似度计算，获得纹状体内部功能连接矩阵，提取所述纹状体内部功能连接矩阵中上三角区域特征，获得第二特征信号。
本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于功能核磁影像的精神分裂症患者纹状体功能检测方法。
本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；所述处理器，适于执行各条程序；所述存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于功能核磁影像的精神分裂症患者纹状体功能检测方法。
本发明的有益效果：
(1)本发明基于功能核磁影像的精神分裂症患者纹状体功能检测方法，基于核磁共振仪器得到精神分裂症患者和正常人对照的功能影像数据，采用数学建模提取纹状体有关的复杂的功能特征，再通过人工智能领域的有监督学习技术，对精神分裂症患者的纹状体特征进行定量化评估，从而可对精神分裂症实现个体层面用药指导，进一步提升精神分裂症患者对抗精神病药物的预后效果。
(2)本发明方法通过对功能核磁数据的复杂特征提取和人工智能技术，打破了精神医学影像研究的传统组间对比的限制，可提供更加精准的个体化层次的生物指标信息，这为生物标记物应用于实际精神医学临床提供了可能。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明基于功能核磁影像的精神分裂症患者纹状体功能检测方法的模型训练与应用流程示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的一种基于功能核磁影像的精神分裂症患者纹状体功能检测方法，该方法包括：
步骤S10，获取被测对象带有纹状体的功能核磁影像数据作为待检测数据；
步骤S20，对所述待检测数据进行时间矫正、脑影像数据配准到标准空间、头动信号回归、滤波操作，获得待检测预处理数据；
步骤S30，提取所述待检测预处理数据的纹状体局部信号，并计算所述纹状体局部信号到全脑功能连接的第一特征信号以及计算所述纹状体内部功能连接的第二特征信号；
步骤S40，将所述纹状体局部信号、第一特征信号、第二特征信号拼接，获得纹状体功能特征信号；
步骤S50，基于所述纹状体功能特征信号，通过预先训练好的纹状体分类模型分别计算被测对象纹状体属于精神分裂患者、正常人的置信概率；
步骤S60，若纹状体属于正常人的置信概率高，则被测对象为正常人；否则，按照所述置信概率与精神分裂患者纹状体健康等级的映射关系输出对应的被测对象纹状体健康等级。
为了更清晰地对本发明基于功能核磁影像的精神分裂症患者纹状体功能检测方法进行说明，下面结合图1对本发明方法实施例中各步骤展开详述。
本发明一种实施例的基于功能核磁影像的精神分裂症患者纹状体功能检测方法，包括步骤S10-步骤S60，各步骤详细描述如下：
步骤S10，获取被测对象带有纹状体的功能核磁影像数据作为待检测数据。
为了检测结果的准确性，获取的被测对象带有纹状体的功能核磁影像数据需要持续一段时间，本发明一个实施例中，设定持续时间为4min。
步骤S20，对所述待检测数据进行时间矫正、脑影像数据配准到标准空间、头动信号回归、滤波操作，获得待检测预处理数据。
由于核磁信号容易受到干扰，另外也受到情绪、心态的影响，这些干扰或影响反映在核磁信号中就是各种噪声或伪迹，通过预处理去除相关的干扰及伪迹，可提高后续的信号处理的效率及准确率。
步骤S30，提取所述待检测预处理数据的纹状体局部信号，并计算所述纹状体局部信号到全脑功能连接的第一特征信号以及计算所述纹状体内部功能连接的第二特征信号。
纹状体局部信号可使用对静息态功能核磁影像数据常用的方法。例如，本发明一个实施例中，在时域，可以计算纹状体区域每一个体素的时间序列信号的方差(SD,Standard Deviation)，如式(1)所示：
其中，N为是新建序列的长度，Xi代表第个i个时间点纹状体某体素的时序信号，η是纹状体某体素在N个时间点内的平均信号强度。
除了通过式(1)计算，还可以通过局部一致性指标(Regional Homogeneity)或全脑信号权重值(Global Signal Beta)等方式计算，本发明在此不再一一详述。
在频域，可使用低频振幅(Amplitude of Low Frequency Fluctuations)、比例低频振幅(fractional Amplitude of Low Frequency Fluctuations)或能量谱密度的方法计算，其中，采用比例低频振幅的方法，则在预处理阶段无需提前滤波，因为其计算的是感兴趣频段(一般是0.01Hz-0.1Hz)占所有频段振幅的比值，本发明在此不再一一详述。
需要注意的是，如果需要使用体素级别的局部信号，则需要先将其在空间上对时间序列进行预设平滑核的平滑操作，本发明一个实施例中，选取的平滑核为6×6×6mm3。
“计算所述纹状体局部信号到全脑功能连接的第一特征信号”，其方法为：
步骤S311，基于所述纹状体局部信号，在空间上计算每个时间点的纹状体内部平均信号；
步骤S312，将所述纹状体内部平均信号与除纹状体之外全脑所有其他体素信号进行相似度计算，获得第一特征信号。
同上述，如果需要使用体素级别的局部信号，则需要先将其在空间上对时间序列进行预设平滑核的平滑操作，本发明一个实施例中，选取的平滑核为6×6×6mm3。
本发明一个实施例中，采用皮尔逊相关法(Pearson’sr)计算相似度，如式(2)所示：
其中，X为纹状体区域时间信号，Y为全脑某个其他体素(纹状体感兴趣外)时间信号；ηx为纹状体区域平均信号，ηy为除纹状体以及该体素之外的全脑体素的平均信号。
皮尔逊相关系数越大，代表纹状体到该体素的相似性越强，功能连接越大。除了皮尔逊相关系数，还可使用其他方式衡量相似度，例如偏相关(partial correlation)等，本发明在此不再详述。最终，得到全脑(排除纹状体区域)到纹状体的功能连接信号。
“计算所述纹状体内部功能连接的第二特征信号”，其方法为：
步骤S321，基于所述纹状体局部信号，提取其体素信号级别时间序列，并将所述体素信号级别时间序列两两进行相似度计算，获得纹状体内部功能连接矩阵；
同上述，如果需要使用体素级别的局部信号，则需要先将在空间上对时间序列进行预设平滑核的平滑操作，本发明一个实施例中，选取的平滑核为6×6×6mm3。
步骤S322，提取所述纹状体内部功能连接矩阵中上三角区域特征，获得第二特征信号。
步骤S40，将所述纹状体局部信号、第一特征信号、第二特征信号拼接，获得纹状体功能特征信号。
步骤S50，基于所述纹状体功能特征信号，通过预先训练好的纹状体分类模型分别计算被测对象纹状体属于精神分裂患者、正常人的置信概率。
纹状体分类模型基于有监督学习分类器构建，其训练方法为：
步骤B10，分别获取设定数量的精神分裂患者带有纹状体的功能核磁影像数据、正常人带有纹状体的功能核磁影像数据作为训练样本集；标记所述训练样本集中对应精神分裂患者的训练样本标签为-1，对应正常人的训练样本标签为1。
精神分裂症和健康对照需要按照相同的方式完成设定时间以上的静息态功能核磁的扫描。为了模型更好地在不同的核磁共振机器上静息态功能影像数据泛化，可采集多中心大样本的疾病对照数据，并保持多中心的入组标准、扫描参数等与步骤S10保持一致。本发明一个实施例中，设定时间为4min。
有监督学习的分类器可使用支持向量机(Support Vector Machine)、深度神经网络(Deep Neural Networks)、逻辑回归分类器(Logistic Regression Classifier)或多个分类器集成学习。需要注意的是，因为最终需要分类器的输出不仅是最终标签，而且包括输出对分类标签的一种置信概率，所以最好不使用决策树等分类模型(无法提供类似指标的模型)。为了更好地融合纹状体的复杂功能特征，在训练前，可以对每一个维度单独进行标准化，例如可以使用Z值化(转化为均值为0，方差为1的数列)进行标准化处理。
步骤B20，采用上述的基于功能核磁影像的精神分裂症患者纹状体功能检测方法步骤S20-步骤S40对应的方法分别提取所述训练样本集中每一个训练样本对应的纹状体功能特征信号。
步骤B30，依次选取所述训练样本集中一个训练样本对应的纹状体功能特征信号，通过纹状体分类模型分别计算所述训练样本属于精神分裂患者、正常人的置信概率。
步骤B40，以所述置信概率高的类别作为所述训练样本类别，并计算所述类别与对应的样本训练标签的损失值。
步骤B50，若所述损失值不低于设定阈值，则更新所述纹状体分类模型的参数，并跳转步骤B30；否则，跳转步骤B60。
模型训练时，通常涉及到超参数的调整，可使用交叉验证的方式找到最优的参数。以核径向基函数核(Radial basis function kernel)的支持向量机为例，超参数为惩罚系数C和核参数gamma。此时可以将训练样本随机等分成多份(例如有1000个训练样本，分成五份每份200人，每份之间互相不重合；如果样本来自五个不同中心，则最好按中心来划分)；然后，使用网格搜索的方式，随机生成多个惩罚系数和核参数(例如10个惩罚系数和10个核参数，则有100种不同的组合)；再然后，通过遍历的方式使用所有参数组合训练支持向量机，在训练样本中使用交叉验证(如上，则使用五折交叉验证)，需要保证每次训练样本和测试样本均不重合；最后，在所有参数的组合里选择最优的超参数，使得训练得到的交叉验证准确率最高，获得具有最优超参数的训练好的模型，用于计算新的样本个体化层次的所属类别的置信概率。
步骤B60，完成模型训练，获得训练好的纹状体分类模型。
步骤S60，若纹状体属于正常人的置信概率高，则被测对象为正常人；否则，按照所述置信概率与精神分裂患者纹状体健康等级的映射关系输出对应的被测对象纹状体健康等级。
“按照所述置信概率与精神分裂患者纹状体健康等级的映射关系输出对应的被测对象纹状体健康等级”之后还设置有药物使用推荐的步骤，其方法为：
判断所述被测对象的纹状体健康等级是否高于设定阈值，若是，则推荐使用多巴胺D2受体拮抗机制的抗精神分裂症药物；否则，推荐使用五羟色胺2A受体拮抗机制的抗精神分裂症药物。
如果新的样本被模型大概率分为正常人，即代表该样本的纹状体功能指标十分接近正常人，并不具有精神分裂症特有的纹状体病理性标记，此时纹状体健康分数偏高，纹状体健康等级高，代表该样本有功能更正常的纹状体；反之，如果新的样本被大概率的分到精神分裂症群组中，则代表该样本有精神分裂症病理性损伤的纹状体功能。由于模型可为每一个测试样本输出一个连续性的概率指标，所以我们可以为每一个临床精神分裂症患者提供一个个体化的纹状体健康程度指标。当患者有更高的纹状体健康等级时，可优先为该患者提供纹状体靶点的药物，即多巴胺D2受体拮抗机制为主的抗精神分裂症药物；反之，则可以倾向考虑五羟色胺2A受体拮抗机制等主导的抗精神分裂症药物，甚至氯氮平。
本发明第二实施例的基于功能核磁影像的精神分裂症患者纹状体功能检测系统，该系统包括输入模块、预处理模块、特征提取模块、特征拼接模块、纹状体分类模块、输出模块；
所输入模块，配置为获取被测对象带有纹状体的功能核磁影像数据作为待检测数据；
所述预处理模块，配置为对所述待检测数据进行时间矫正、脑影像数据配准到标准空间、头动信号回归、滤波操作，获得待检测预处理数据；
所述特征提取模块，配置为提取所述待检测预处理数据的纹状体局部信号，并计算所述纹状体局部信号到全脑功能连接的第一特征信号以及计算所述纹状体内部功能连接的第二特征信号；
所述特征拼接模块，配置为将所述纹状体局部信号、第一特征信号、第二特征信号拼接，获得纹状体功能特征信号；
所述纹状体功能检测模块，配置为基于所述纹状体功能特征信号，通过预先训练好的纹状体分类模型分别计算被测对象纹状体属于精神分裂患者、正常人的置信概率；
所述输出模块，配置为若纹状体属于正常人的置信概率高，则输出被测对象为正常人；否则，按照所述置信概率与精神分裂患者纹状体健康等级的映射关系输出对应被测对象的纹状体健康等级；
其中，所述特征提取模块包括纹状体局部信号提取模块、纹状体到全脑功能连接模块、纹状体内部功能连接模块；
所述纹状体局部信号提取模块，配置为提取所述待检测预处理数据的纹状体局部信号；
所述纹状体到全脑功能连接模块，配置为在空间上计算每个时间点的纹状体内部平均信号，并将所述纹状体内部平均信号与除纹状体之外全脑所有其他体素进行相似度计算，获得第一特征信号；
所述纹状体内部功能连接模块，配置为提取纹状体体素级别时间序列，并将所述体素级别时间序列两两进行相似度计算，获得纹状体内部功能连接矩阵，提取所述纹状体内部功能连接矩阵中上三角区域特征，获得第二特征信号。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于功能核磁影像的精神分裂症患者纹状体功能检测系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于功能核磁影像的精神分裂症患者纹状体功能检测方法。
本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于功能核磁影像的精神分裂症患者纹状体功能检测方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子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。本领域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发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (7)
1.一种基于功能核磁影像的精神分裂症患者纹状体功能检测系统，其特征在于，该系统包括输入模块、预处理模块、特征提取模块、特征拼接模块、纹状体分类模块、输出模块；
所输入模块，配置为获取被测对象带有纹状体的功能核磁影像数据作为待检测数据；
所述预处理模块，配置为对所述待检测数据进行时间矫正、脑影像数据配准到标准空间、头动信号回归、滤波操作，获得待检测预处理数据；
所述特征提取模块，配置为提取所述待检测预处理数据的纹状体局部信号，并计算所述纹状体局部信号到全脑功能连接的第一特征信号以及计算所述纹状体内部功能连接的第二特征信号；
所述特征拼接模块，配置为将所述纹状体局部信号、第一特征信号、第二特征信号拼接，获得纹状体功能特征信号；
所述纹状体功能检测模块，配置为基于所述纹状体功能特征信号，通过预先训练好的纹状体分类模型分别计算被测对象纹状体属于精神分裂患者、正常人的置信概率；所述纹状体分类模型为有监督的分类器，包括支持向量机、深度神经网络、逻辑回归分类器中的一个或多个，模型训练前针对其训练样本的每一个维度单独进行标准化操作；
所述输出模块，配置为若纹状体属于正常人的置信概率高，则输出被测对象为正常人；否则，按照所述置信概率与精神分裂患者纹状体健康等级的映射关系输出对应被测对象的纹状体健康等级。
2.根据权利要求1所述的基于功能核磁影像的精神分裂症患者纹状体功能检测系统，其特征在于，所述纹状体局部信号到全脑功能连接的第一特征信号，其计算方法为：
步骤S311，基于所述纹状体局部信号，在空间上计算每个时间点的纹状体内部平均信号；
步骤S312，将所述纹状体内部平均信号与除纹状体之外全脑所有其他体素信号进行相似度计算，获得第一特征信号。
3.根据权利要求1所述的基于功能核磁影像的精神分裂症患者纹状体功能检测系统，其特征在于，所述纹状体内部功能连接的第二特征信号，其计算方法为：
步骤S321，基于所述纹状体局部信号，提取其体素信号级别时间序列，并将所述体素信号级别时间序列两两进行相似度计算，获得纹状体内部功能连接矩阵；
步骤S322，提取所述纹状体内部功能连接矩阵中上三角区域特征，获得第二特征信号。
4.根据权利要求2或3所述的基于功能核磁影像的精神分裂症患者纹状体功能检测系统，其特征在于，所述体素信号在计算之前通过空间平滑模块进行空间平滑；
所述空间平滑模块，配置为在空间上，采用预先设定的平滑核对时间序列进行平滑操作。
5.根据权利要求2或3所述的基于功能核磁影像的精神分裂症患者纹状体功能检测系统，其特征在于，所述纹状体局部信号为在时域计算的纹状体区域每一个体素的时间序列信号的方差：
其中，N为是新建序列的长度，Xi代表第个i个时间点纹状体某体素的时序信号，η是纹状体某体素在N个时间点内的平均信号强度。
6.根据权利要求5所述的基于功能核磁影像的精神分裂症患者纹状体功能检测系统，其特征在于，所述相似度通过皮尔逊相关法计算：
其中，X为纹状体区域时间信号，Y为全脑某个其他体素(纹状体感兴趣外)时间信号；ηx为纹状体区域平均信号，ηy为除纹状体以及该体素之外的全脑体素的平均信号。
7.根据权利要求1所述的基于功能核磁影像的精神分裂症患者纹状体功能检测系统，其特征在于，所述纹状体分类模型基于有监督学习分类器构建，其训练方法为：
步骤B10，分别获取设定数量的精神分裂患者带有纹状体的功能核磁影像数据、正常人带有纹状体的功能核磁影像数据作为训练样本集；标记所述训练样本集中对应精神分裂患者的训练样本标签为-1，对应正常人的训练样本标签为1；
步骤B20，采用权利要求1所述的预处理模块、特征提取模块和特征拼接模块分别依次提取所述训练样本集中每一个训练样本对应的纹状体功能特征信号；
步骤B30，依次选取所述训练样本集中一个训练样本对应的纹状体功能特征信号，通过纹状体分类模型分别计算所述训练样本属于精神分裂患者、正常人的置信概率；
步骤B40，以所述置信概率高的类别作为所述训练样本类别，并计算所述类别与对应的样本训练标签的损失值；
步骤B50，若所述损失值不低于设定阈值，则更新所述纹状体分类模型的参数，并跳转步骤B30；否则，跳转步骤B60；
步骤B60，完成模型训练，获得训练好的纹状体分类模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910856960.0A CN110652307B (zh) | 2019-09-11 | 2019-09-11 | 基于功能核磁影像的精神分裂症患者纹状体功能检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910856960.0A CN110652307B (zh) | 2019-09-11 | 2019-09-11 | 基于功能核磁影像的精神分裂症患者纹状体功能检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110652307A CN110652307A (zh) | 2020-01-07 |
| CN110652307B true CN110652307B (zh) | 2021-01-12 |
Family
ID=69036994
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910856960.0A Active CN110652307B (zh) | 2019-09-11 | 2019-09-11 | 基于功能核磁影像的精神分裂症患者纹状体功能检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110652307B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1626031A (zh) * | 2003-12-12 | 2005-06-15 | 中国科学院自动化研究所 | 一种基于图论的脑区间功能连接的检测方法 |
| JP2008125881A (ja) * | 2006-11-22 | 2008-06-05 | Toshiba Corp | 医用画像診断装置、医用画像処理装置、及び医用画像処理プログラム |
| CN106204562A (zh) * | 2016-07-04 | 2016-12-07 | 西安交通大学 | 一种基于fMRI与DTI融合的穹隆白质分割的方法 |
| CN106204581A (zh) * | 2016-07-08 | 2016-12-07 | 西安交通大学 | 基于pca与k均值聚类的动态脑功能连接模式分解方法 |
| CN109102492A (zh) * | 2018-07-02 | 2018-12-28 | 重庆邮电大学 | 一种基于协同聚类的功能磁共振影像脑连接图谱构建方法 |
| CN109316188A (zh) * | 2018-09-30 | 2019-02-12 | 上海海事大学 | 一种偏头痛脑功能连接模式的提取方法 |
| US10238329B2 (en) * | 2010-12-17 | 2019-03-26 | The Trustees Of Columbia University In The City Of New York | Apparatus, method and computer-accessible medium for diagnosing and subtyping psychiatric diseases |
| KR20190086282A (ko) * | 2018-01-12 | 2019-07-22 | 서울대학교병원 | 뇌 기능 연결성 분석을 이용한 어지럼증 진단 방법 및 이를 적용하는 시스템 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2461558A (en) * | 2008-07-03 | 2010-01-06 | Medicsight Plc | Image Segmentation |
| CN102266223B (zh) * | 2010-06-01 | 2013-01-30 | 四川大学华西医院 | 基于磁共振静息态功能成像的疼痛评定系统 |
| CN102293656B (zh) * | 2011-05-25 | 2013-10-02 | 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 |
| US9474481B2 (en) * | 2013-10-22 | 2016-10-25 | Mindstrong, LLC | Method and system for assessment of cognitive function based on electronic device usage |
| KR101611367B1 (ko) * | 2013-11-18 | 2016-04-12 | 재단법인 아산사회복지재단 | 뇌질환 진단 서비스 장치 및 방법 |
| WO2016089737A1 (en) * | 2014-12-01 | 2016-06-09 | The Feinstein Institute For Medical Research | Use of striatal connectivity patterns for evaluating antipsychotic agents |
| US10201280B2 (en) * | 2015-09-10 | 2019-02-12 | Toshiba Medical Systems Corporation | Magnetic resonance imaging apparatus and image processing apparatus |
| WO2017218288A1 (en) * | 2016-06-15 | 2017-12-21 | Yale University | Methods and systems for treating a subject using nirs feedback |
| US10034645B1 (en) * | 2017-04-13 | 2018-07-31 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for detecting complex networks in MRI image data |
| CN107993714B (zh) * | 2017-10-24 | 2020-11-13 | 中国科学院自动化研究所 | 人脑意识状态预测装置 |
| CN107977926B (zh) * | 2017-12-01 | 2021-05-18 | 新乡医学院 | 一种改进神经网络的pet/mri异机脑部影像信息融合方法 |
| CN110197729A (zh) * | 2019-05-20 | 2019-09-03 | 华南理工大学 | 基于深度学习的静息态fMRI数据分类方法和装置 |
-
2019
- 2019-09-11 CN CN201910856960.0A patent/CN110652307B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1626031A (zh) * | 2003-12-12 | 2005-06-15 | 中国科学院自动化研究所 | 一种基于图论的脑区间功能连接的检测方法 |
| JP2008125881A (ja) * | 2006-11-22 | 2008-06-05 | Toshiba Corp | 医用画像診断装置、医用画像処理装置、及び医用画像処理プログラム |
| US10238329B2 (en) * | 2010-12-17 | 2019-03-26 | The Trustees Of Columbia University In The City Of New York | Apparatus, method and computer-accessible medium for diagnosing and subtyping psychiatric diseases |
| CN106204562A (zh) * | 2016-07-04 | 2016-12-07 | 西安交通大学 | 一种基于fMRI与DTI融合的穹隆白质分割的方法 |
| CN106204581A (zh) * | 2016-07-08 | 2016-12-07 | 西安交通大学 | 基于pca与k均值聚类的动态脑功能连接模式分解方法 |
| KR20190086282A (ko) * | 2018-01-12 | 2019-07-22 | 서울대학교병원 | 뇌 기능 연결성 분석을 이용한 어지럼증 진단 방법 및 이를 적용하는 시스템 |
| CN109102492A (zh) * | 2018-07-02 | 2018-12-28 | 重庆邮电大学 | 一种基于协同聚类的功能磁共振影像脑连接图谱构建方法 |
| CN109316188A (zh) * | 2018-09-30 | 2019-02-12 | 上海海事大学 | 一种偏头痛脑功能连接模式的提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| Changes in extra-striatal functional connectivity in patients with schizophrenia in a psychotic episode;Peters, Henning,等;《BRITISH JOURNAL OF PSYCHIATRY》;20170228;第210卷(第1期);第75-82页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110652307A (zh) | 2020-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109770903B (zh) | 功能磁共振影像的分类预测系统 | |
| Hao et al. | Fusing multiple deep models for in vivo human brain hyperspectral image classification to identify glioblastoma tumor | |
| Demirci et al. | A review of challenges in the use of fMRI for disease classification/characterization and a projection pursuit application from a multi-site fMRI schizophrenia study | |
| Mack et al. | Decisions about the past are guided by reinstatement of specific memories in the hippocampus and perirhinal cortex | |
| Royer et al. | Myeloarchitecture gradients in the human insula: Histological underpinnings and association to intrinsic functional connectivity | |
| Baldassi et al. | Shape similarity, better than semantic membership, accounts for the structure of visual object representations in a population of monkey inferotemporal neurons | |
| US20220139543A1 (en) | Method and system for seizure detection | |
| Itani et al. | A multi-level classification framework for multi-site medical data: application to the ADHD-200 collection | |
| CN105512493B (zh) | 基于脑部病理年龄估计的脑疾病检测系统 | |
| Zhang et al. | Data-driven approaches to neuroimaging analysis to enhance psychiatric diagnosis and therapy | |
| CN115337000B (zh) | 基于脑结构影像评估疾病引起大脑衰老的机器学习方法 | |
| Khayretdinova et al. | Predicting age from resting-state scalp EEG signals with deep convolutional neural networks on TD-brain dataset | |
| Alahmadi et al. | Classifying cognitive profiles using machine learning with privileged information in mild cognitive impairment | |
| Mendes et al. | Estimating Gender and age from brain structural mri of children and adolescents: A 3D convolutional neural network multitask learning model | |
| CN116740426A (zh) | 一种功能磁共振影像的分类预测系统 | |
| CN114129169B (zh) | 一种生物电信号数据识别方法、系统、介质和设备 | |
| Fabietti et al. | SANTIA: a Matlab-based open-source toolbox for artifact detection and removal from extracellular neuronal signals | |
| Gu et al. | BCN-GCN: A novel brain connectivity network classification method via graph convolution neural network for Alzheimer’s disease | |
| Manjur et al. | Detecting Autism Spectrum Disorder and Attention Deficit Hyperactivity Disorder Using Multimodal Time-Frequency Analysis with Machine Learning Using the Electroretinogram from Two Flash Strengths | |
| CN110652307B (zh) | 基于功能核磁影像的精神分裂症患者纹状体功能检测系统 | |
| Feng et al. | Determining four confounding factors in individual cognitive traits prediction with functional connectivity: an exploratory study | |
| CN110135357A (zh) | 一种基于远程遥感的幸福感实时检测方法 | |
| Xu et al. | Unsupervised profiling of microglial arbor morphologies and distribution using a nonparametric Bayesian approach | |
| Shaaban et al. | From EEG signal to classification in Alzheimer disease: A mini review | |
| López-García et al. | Representational similarity analysis: A preliminary step to fMRI-EEG data fusion in MVPAlab |
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 |