CN111403032A - 一种儿童脑发育水平评估方法，系统及存储设备 - Google Patents
一种儿童脑发育水平评估方法，系统及存储设备 Download PDFInfo
- Publication number
- CN111403032A CN111403032A CN202010148410.6A CN202010148410A CN111403032A CN 111403032 A CN111403032 A CN 111403032A CN 202010148410 A CN202010148410 A CN 202010148410A CN 111403032 A CN111403032 A CN 111403032A
- Authority
- CN
- China
- Prior art keywords
- brain
- development
- age
- child
- 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.)
- Pending
Links
- 230000004641 brain development Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 38
- 210000004556 brain Anatomy 0.000 claims abstract description 198
- 238000011156 evaluation Methods 0.000 claims abstract description 67
- 210000003710 cerebral cortex Anatomy 0.000 claims abstract description 33
- 238000011161 development Methods 0.000 claims abstract description 33
- 230000018109 developmental process Effects 0.000 claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 206010058314 Dysplasia Diseases 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 26
- 238000003709 image segmentation Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 230000001054 cortical effect Effects 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 241000257303 Hymenoptera Species 0.000 claims description 3
- 230000002490 cerebral effect Effects 0.000 claims description 3
- 210000004884 grey matter Anatomy 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 210000004885 white matter Anatomy 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 2
- 230000001149 cognitive effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 206010012559 Developmental delay Diseases 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种儿童脑发育水平评估方法，系统及存储设备，通过磁共振影像定量、客观评估1‑6岁儿童的脑发育水平，指示每个个体的每个脑区在同龄人中的相对位置，并依据磁共振影像评估个体的脑发育水平，包括预处理儿童脑部结构的磁共振图像，将图像进行图像分割以获得各脑区图像，并完成大脑皮层的重建；计算受检儿童脑龄和实际年龄之间的差距，以完成受检儿童的脑龄评估结果；获取各脑区发展状态的评估结果；将脑龄评估结果和脑区发展状态评估结果输入经过训练的线性判别分析模型，获得个体脑发育程度评估结果和脑发育异常状态识别结果。
Description
技术领域
本发明涉及脑影像医学技术领域，具体涉及一种儿童脑发育水平评估方法，系统及存储设备。
背景技术
1-6岁儿童的脑发育与认知、社会能力的发展密切相关。健康的脑发育使儿童具备较强的认知和社会能力，患脑发育障碍的儿童在各种认知和社会能力方面均受严重损伤。脑的发育异常往往在症状出现之前发生。及时、客观、定量化地评估1-6岁儿童的脑发育状况，为早期识别和干预儿童的脑发育障碍提供重要依据。
发明内容
本发明的目的是提供一种儿童脑发育水平评估方法，系统及存储设备，通过磁共振影像定量、客观评估1-6岁儿童的脑发育水平，指示每个个体的每个脑区在同龄人中的相对位置，并依据磁共振影像评估个体的脑发育水平。
为了达到上述目的，本发明一方面提供一种儿童脑发育水平评估方法，包括：
预处理儿童脑部结构的磁共振图像，将图像进行图像分割以获得各脑区图像，并完成大脑皮层的重建；
根据所述各脑区图像和大脑皮层评估受检儿童脑龄，并计算受检儿童脑龄和实际年龄之间的差距，以完成受检儿童的脑龄评估结果；
根据所述各脑区图像和大脑皮层，获取各脑区发展状态的评估结果；
将脑龄评估结果和脑区发展状态评估结果输入经过训练的线性判别分析模型，获得个体脑发育程度评估结果和脑发育异常状态识别结果。
进一步的，在图像分割过程中，还包括：
标定多幅脑部磁共振图像的脑区边界，以形成先验概率图像集，所述脑区边界包括灰质边界、白质边界和脑髓液边界；
基于先验概率图像集，并以标定的边界作为特征，训练脑区图像分割模型；
将图像输入基于先验概率的脑区图像分割模型，获取脑区图像的分割结果。
进一步的，在大脑皮层的重建过程中，还包括：
采用ANTs和freesurfer工具对多模态的图像数据进行配准和皮层重建。
进一步的，建立脑龄预测模型以评估受检儿童脑龄，所述模型的建立过程包括：
将已有诊疗数据中各脑区图像和大脑皮层数据作为训练数据集，并提取儿童脑龄特征；
训练回归向量机，完成对儿童脑龄特征的分类。
进一步的，在脑区发展状态的评估过程中，还包括：
根据各脑区图像和大脑皮层提取脑形态结构特征；
将各脑区图像和大脑皮层数据输入脑区生长曲线模型，用以生成个体的脑区生长曲线；
将受试儿童的脑形态结构特征与脑区生长曲线与同龄人进行比较，以获取受试儿童的脑区发展状态的评估结果。
进一步的，所述脑区生长曲线模型的建立过程包括：
采用可加线性平滑模型，将已有诊疗数据中各脑区图像和大脑皮层数据作为训练数据集，训练可加线性平滑模型以完成对脑区生长曲线的拟合。
进一步的，在所述受试儿童的脑区发展状态的评估结果中，包括通过比较各脑区的体积和皮层厚度，得到在同龄人中的评估分值。
进一步的，所述线性判别分析模型分别拟合脑龄评估结果和脑区发展状态评估结果，获得个体脑发育程度评估结果，并识别脑发育异常状态。
进一步的，基于个体脑发育程度评估结果和脑发育异常状态识别结果，将该磁共振图像重新作为训练数据集，进行基于先验概率的脑区图像分割模型、脑区生长曲线模型和脑龄预测模型的训练，以完善上述模型。
另一方面，本发明还提供一种儿童脑发育水平评估系统，包括：
图像处理模块，用以预处理儿童脑部结构的磁共振图像，将图像进行图像分割以获得各脑区图像，并完成大脑皮层的重建；
脑龄评估模块，用以根据所述各脑区图像和大脑皮层评估受检儿童脑龄，并计算受检儿童脑龄和实际年龄之间的差距，以完成受检儿童的脑龄评估结果；
脑区发展状态评估模块，用以根据所述各脑区图像和大脑皮层，获取各脑区发展状态的评估结果；
汇总评估模块，将脑龄评估结果和脑区发展状态评估结果输入经过训练的线性判别分析模型，获得个体脑发育程度评估结果和脑发育异常状态识别结果；
模型自动优化模块，基于个体脑发育程度评估结果和脑发育异常状态识别结果，将该磁共振图像重新作为训练数据集，进行基于先验概率的脑区图像分割模型、脑区生长曲线模型和脑龄预测模型的训练，以完善上述模型。
另一方面，本发明还提供一种存储设备，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行上述一种儿童脑发育水平评估方法中的步骤。
本发明具有以下技术效果：
(1)首次提供了适用于1-6岁儿童的脑形态结构发育状态的直接、客观、定量化的评估工具。
(2)能够为个体提供多个脑区的发育状态的定量评估，为了解儿童的脑的各个功能系统的发育状态提供了直接和客观的指标。
(3)首次提供了基于脑影像数据评估1-6岁儿童“脑龄”的工具。经实际测量(n＝265)，该系统对1-6岁正常发展儿童的“脑龄”预测值与实际值的最大绝对误差值为0.46岁，说明该系统预测的“脑龄”与正常发育儿童的实际年龄接近，其“脑龄”预测具有准确性。
(4)经实验证明(n＝40)，该系统依据脑形态结构数据判别儿童语言言语发展迟缓的准确性为97.5％，说明该系统为识别脑发育异常提供了有效工具。
(5)该系统具有自动学习能力，随着测试数据增加，其预测准确率可以进一步提升。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，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他的附图。
图1是本发明一个实施例的一种儿童脑发育水平评估方法的方法流程图。
图2为本发明一个实施例的一种儿童脑发育水平评估系统的框架图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
如果申请文件中出现“第一/第二”的类似描述则增加以下的说明，在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
下面参照附图描述根据本发明实施例提出的一种儿童脑发育水平评估方法，系统及存储设备，首先将参照附图描述根据本发明实施例提出的一种儿童脑发育水平评估方法。
图1是本发明一个实施例的一种儿童脑发育水平评估方法的方法流程图，如图1所示，本发明提供的一种儿童脑发育水平评估方法，包括以下步骤：
S1，预处理儿童脑部结构的磁共振图像，将图像进行图像分割以获得各脑区图像，并完成大脑皮层的重建。
具体的，用户首先通过图形界面上传磁共振图像，该图形界面可运行于用户的电子设备之上，用以接收用户登录信息和核磁共振图像，发送到后台服务器进行进一步处理。该电子设备可以为手机，平板电脑，个人电脑等计算设备。
在本发明的一个实施例中，本发明采用MATLab的CAT工具箱作为图像预处理工具。后台服务器接收到磁共振图像之后，首先通过CAT工具箱作为神经影像分析算法检查图像信噪比、灰度均匀度等指，完成对磁共振图像的预处理。
进一步的，经过预处理的磁共振图像通过标定方式完成标定多幅脑部磁共振图像的脑区边界，以形成先验概率图像集，所述脑区边界包括灰质边界、白质边界和脑髓液边界；基于先验概率图像集，并以标定的边界作为特征，训练脑区图像分割模型。最后，将图像输入基于先验概率的脑区图像分割模型，获取脑区图像的分割结果并进行皮层重建。
具体的，图像分割和皮层重建采用神经影像分析领域中ANTs和freesurfer工具对多模态的图像数据进行配准和皮层重建。
S2，根据所述各脑区图像和大脑皮层评估受检儿童脑龄，并计算受检儿童脑龄和实际年龄之间的差距，以完成受检儿童的脑龄评估结果。
具体的，本发明建立脑龄预测模型以评估受检儿童脑龄，所述模型的建立过程包括：
S21，将已有诊疗数据中各脑区图像和大脑皮层数据作为训练数据集，并提取儿童脑龄特征。
S22，训练回归向量机，完成对儿童脑龄特征的分类。
由此，因该预测完全基于脑的形态结构特征，因而其结果称为“脑龄”。“脑龄”与实际年龄的差距反映个体的脑发育水平。
S3，根据所述各脑区图像和大脑皮层，获取各脑区发展状态的评估结果。
具体的，脑区发张状态评估利用图像分割和皮层重建结果估算每个脑区的形态结构在同龄人中的位置。其具体实现方式是通过对比个体的脑形态结构特征和脑区生长曲线模型，获得每个脑区的体积及皮层厚度在同龄人中的百分位数。
在本发明的一个实施例中，具体实现方法如下：
S31，根据各脑区图像和大脑皮层提取脑形态结构特征。
S32，将各脑区图像和大脑皮层数据输入脑区生长曲线模型，用以生成个体的脑区生长曲线。
具体的，脑区生长曲线模型采用可加线性平滑模型，将已有诊疗数据中各脑区图像和大脑皮层数据作为训练数据集，训练可加线性平滑模型以完成对脑区生长曲线的拟合。
S33，将受试儿童的脑形态结构特征与脑区生长曲线与同龄人进行比较，以获取受试儿童的脑区发展状态的评估结果。
具体的，在所述受试儿童的脑区发展状态的评估结果中，包括通过比较各脑区的体积和皮层厚度，得到在同龄人中的评估分值，即受试儿童每个脑区的体积及皮层厚度在同龄人中的百分位数。
S4，将脑龄评估结果和脑区发展状态评估结果输入经过训练的线性判别分析模型，获得个体脑发育程度评估结果和脑发育异常状态识别结果。
具体的，线性判别分析模型分别拟合脑龄评估结果和脑区发展状态评估结果，获得个体脑发育程度评估结果，并识别脑发育异常状态。
S5，基于个体脑发育程度评估结果和脑发育异常状态识别结果，将该磁共振图像重新作为训练数据集，进行基于先验概率的脑区图像分割模型、脑区生长曲线模型和脑龄预测模型的训练，以更新和完善上述模型。
图2为本发明一个实施例的一种儿童脑发育水平评估系统的框架图，如图2所示，本发明的一种儿童脑发育水平评估系统，包括：
图像处理模块1，用以预处理儿童脑部结构的磁共振图像，将图像进行图像分割以获得各脑区图像，并完成大脑皮层的重建；
脑龄评估模块2，用以根据所述各脑区图像和大脑皮层评估受检儿童脑龄，并计算受检儿童脑龄和实际年龄之间的差距，以完成受检儿童的脑龄评估结果；
脑区发展状态评估模块3，用以根据所述各脑区图像和大脑皮层，获取各脑区发展状态的评估结果；
汇总评估模块4，将脑龄评估结果和脑区发展状态评估结果输入经过训练的线性判别分析模型，获得个体脑发育程度评估结果和脑发育异常状态识别结果；
模型自动优化模块5，基于个体脑发育程度评估结果和脑发育异常状态识别结果，将该磁共振图像重新作为训练数据集，进行基于先验概率的脑区图像分割模型、脑区生长曲线模型和脑龄预测模型的训练，以完善上述模型。
另一方面，本发明还提供一种存储设备，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行上述一种儿童脑发育水平评估方法中的步骤。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)-连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.一种儿童脑发育水平评估方法，其特征在于，包括：
预处理儿童脑部结构的磁共振图像，将图像进行图像分割以获得各脑区图像，并完成大脑皮层的重建；
根据所述各脑区图像和大脑皮层评估受检儿童脑龄，并计算受检儿童脑龄和实际年龄之间的差距，以完成受检儿童的脑龄评估结果；
根据所述各脑区图像和大脑皮层，获取各脑区发展状态的评估结果；
将脑龄评估结果和脑区发展状态评估结果输入经过训练的线性判别分析模型，获得个体脑发育程度评估结果和脑发育异常状态识别结果。
2.如权利要求1所述的一种儿童脑发育水平评估方法，其特征在于，在图像分割过程中，还包括：
标定多幅脑部磁共振图像的脑区边界，以形成先验概率图像集，所述脑区边界包括灰质边界、白质边界和脑髓液边界；
基于先验概率图像集，并以标定的边界作为特征，训练脑区图像分割模型；
将图像输入基于先验概率的脑区图像分割模型，获取脑区图像的分割结果。
3.如权利要求1所述的一种儿童脑发育水平评估方法，其特征在于，在大脑皮层的重建过程中，还包括：
采用ANTs和freesurfer工具对多模态的图像数据进行配准和皮层重建。
4.如权利要求1所述的一种儿童脑发育水平评估方法，其特征在于，建立脑龄预测模型以评估受检儿童脑龄，所述模型的建立过程包括：
将已有诊疗数据中各脑区图像和大脑皮层数据作为训练数据集，并提取儿童脑龄特征；
训练回归向量机，完成对儿童脑龄特征的分类。
5.如权利要求1所述的一种儿童脑发育水平评估方法，其特征在于，在脑区发展状态的评估过程中，还包括：
根据各脑区图像和大脑皮层提取脑形态结构特征；
将各脑区图像和大脑皮层数据输入脑区生长曲线模型，用以生成个体的脑区生长曲线；
将受试儿童的脑形态结构特征与脑区生长曲线与同龄人进行比较，以获取受试儿童的脑区发展状态的评估结果。
6.如权利要求5所述的一种儿童脑发育水平评估方法，其特征在于，所述脑区生长曲线模型的建立过程包括：
采用可加线性平滑模型，将已有诊疗数据中各脑区图像和大脑皮层数据作为训练数据集，训练可加线性平滑模型以完成对脑区生长曲线的拟合。
7.如权利要求5所述的一种儿童脑发育水平评估方法，其特征在于，在所述受试儿童的脑区发展状态的评估结果中，包括通过比较各脑区的体积和皮层厚度，得到在同龄人中的评估分值。
8.如权利要求1所述的一种儿童脑发育水平评估方法，其特征在于，所述线性判别分析模型分别拟合脑龄评估结果和脑区发展状态评估结果，获得个体脑发育程度评估结果，并识别脑发育异常状态。
9.如权利要求1到8所述的任一种儿童脑发育水平评估方法，其特征在于，还包括：
基于个体脑发育程度评估结果和脑发育异常状态识别结果，将该磁共振图像重新作为训练数据集，进行基于先验概率的脑区图像分割模型、脑区生长曲线模型和脑龄预测模型的训练，以完善上述模型。
10.一种儿童脑发育水平评估系统，其特征在于，包括：
图像处理模块，用以预处理儿童脑部结构的磁共振图像，将图像进行图像分割以获得各脑区图像，并完成大脑皮层的重建；
脑龄评估模块，用以根据所述各脑区图像和大脑皮层评估受检儿童脑龄，并计算受检儿童脑龄和实际年龄之间的差距，以完成受检儿童的脑龄评估结果；
脑区发展状态评估模块，用以根据所述各脑区图像和大脑皮层，获取各脑区发展状态的评估结果；
汇总评估模块，将脑龄评估结果和脑区发展状态评估结果输入经过训练的线性判别分析模型，获得个体脑发育程度评估结果和脑发育异常状态识别结果；
模型自动优化模块，基于个体脑发育程度评估结果和脑发育异常状态识别结果，将该磁共振图像重新作为训练数据集，进行基于先验概率的脑区图像分割模型、脑区生长曲线模型和脑龄预测模型的训练，以完善上述模型。
11.一种存储设备，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至9任一项所述的一种儿童脑发育水平评估方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010148410.6A CN111403032A (zh) | 2020-03-05 | 2020-03-05 | 一种儿童脑发育水平评估方法，系统及存储设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010148410.6A CN111403032A (zh) | 2020-03-05 | 2020-03-05 | 一种儿童脑发育水平评估方法，系统及存储设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111403032A true CN111403032A (zh) | 2020-07-10 |
Family
ID=71430535
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010148410.6A Pending CN111403032A (zh) | 2020-03-05 | 2020-03-05 | 一种儿童脑发育水平评估方法，系统及存储设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111403032A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113012816A (zh) * | 2021-04-12 | 2021-06-22 | 东北大学 | 脑分区风险预测方法及装置、电子设备和存储介质 |
| CN113362934A (zh) * | 2021-06-03 | 2021-09-07 | 深圳市妇幼保健院 | 一种基于儿童脑电图模拟病情发作表征的系统 |
| CN117438080A (zh) * | 2023-12-19 | 2024-01-23 | 四川大学华西第二医院 | 一种儿童脑部发育状态的综合判断方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101515368A (zh) * | 2009-04-01 | 2009-08-26 | 西北工业大学 | 三维大脑磁共振图像的大脑皮层表面上脑沟盆地分割方法 |
| US20100191139A1 (en) * | 2009-01-28 | 2010-07-29 | Brainscope, Inc. | Method and Device for Probabilistic Objective Assessment of Brain Function |
| CN105512493A (zh) * | 2015-12-22 | 2016-04-20 | 重庆大学 | 基于脑部病理年龄估计的脑疾病检测系统 |
| CN107430690A (zh) * | 2015-03-31 | 2017-12-01 | 索尼公司 | 根据t1 mri的自动3d分割和皮层表面重建 |
| CN109285152A (zh) * | 2018-09-26 | 2019-01-29 | 上海联影智能医疗科技有限公司 | 一种医学图像处理系统、装置和计算机可读存储介质 |
| CN109697718A (zh) * | 2018-12-25 | 2019-04-30 | 电子科技大学 | 一种基于图论的自闭症检测方法及装置 |
| CN109859232A (zh) * | 2019-01-11 | 2019-06-07 | 安徽师范大学 | 一种动物脑组织切片显微图像分割方法 |
| CN110840468A (zh) * | 2019-11-18 | 2020-02-28 | 深圳市铱硙医疗科技有限公司 | 自闭症风险评估方法及装置、终端设备、存储介质 |
-
2020
- 2020-03-05 CN CN202010148410.6A patent/CN111403032A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100191139A1 (en) * | 2009-01-28 | 2010-07-29 | Brainscope, Inc. | Method and Device for Probabilistic Objective Assessment of Brain Function |
| CN101515368A (zh) * | 2009-04-01 | 2009-08-26 | 西北工业大学 | 三维大脑磁共振图像的大脑皮层表面上脑沟盆地分割方法 |
| CN107430690A (zh) * | 2015-03-31 | 2017-12-01 | 索尼公司 | 根据t1 mri的自动3d分割和皮层表面重建 |
| CN105512493A (zh) * | 2015-12-22 | 2016-04-20 | 重庆大学 | 基于脑部病理年龄估计的脑疾病检测系统 |
| CN109285152A (zh) * | 2018-09-26 | 2019-01-29 | 上海联影智能医疗科技有限公司 | 一种医学图像处理系统、装置和计算机可读存储介质 |
| CN109697718A (zh) * | 2018-12-25 | 2019-04-30 | 电子科技大学 | 一种基于图论的自闭症检测方法及装置 |
| CN109859232A (zh) * | 2019-01-11 | 2019-06-07 | 安徽师范大学 | 一种动物脑组织切片显微图像分割方法 |
| CN110840468A (zh) * | 2019-11-18 | 2020-02-28 | 深圳市铱硙医疗科技有限公司 | 自闭症风险评估方法及装置、终端设备、存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113012816A (zh) * | 2021-04-12 | 2021-06-22 | 东北大学 | 脑分区风险预测方法及装置、电子设备和存储介质 |
| CN113012816B (zh) * | 2021-04-12 | 2023-09-01 | 东北大学 | 脑分区风险预测方法及装置、电子设备和存储介质 |
| CN113362934A (zh) * | 2021-06-03 | 2021-09-07 | 深圳市妇幼保健院 | 一种基于儿童脑电图模拟病情发作表征的系统 |
| CN113362934B (zh) * | 2021-06-03 | 2022-03-01 | 深圳市妇幼保健院 | 一种基于儿童脑电图模拟病情发作表征的系统 |
| CN117438080A (zh) * | 2023-12-19 | 2024-01-23 | 四川大学华西第二医院 | 一种儿童脑部发育状态的综合判断方法及系统 |
| CN117438080B (zh) * | 2023-12-19 | 2024-03-12 | 四川大学华西第二医院 | 一种儿童脑部发育状态的综合判断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447183B (zh) | 预测模型训练方法、装置、设备以及介质 | |
| Oh et al. | Identifying schizophrenia using structural MRI with a deep learning algorithm | |
| Gill et al. | Using machine learning to predict dementia from neuropsychiatric symptom and neuroimaging data | |
| Dai et al. | Deep learning for automated cerebral aneurysm detection on computed tomography images | |
| Bivard et al. | Artificial intelligence for decision support in acute stroke—current roles and potential | |
| Sweeney et al. | Automatic lesion incidence estimation and detection in multiple sclerosis using multisequence longitudinal MRI | |
| Segal et al. | Regional, circuit and network heterogeneity of brain abnormalities in psychiatric disorders | |
| Valcarcel et al. | MIMoSA: an automated method for intermodal segmentation analysis of multiple sclerosis brain lesions | |
| Ortiz-Ramón et al. | Identification of the presence of ischaemic stroke lesions by means of texture analysis on brain magnetic resonance images | |
| CN111403032A (zh) | 一种儿童脑发育水平评估方法，系统及存储设备 | |
| Chen et al. | A multichannel deep neural network model analyzing multiscale functional brain connectome data for attention deficit hyperactivity disorder detection | |
| Coupé et al. | LesionBrain: an online tool for white matter lesion segmentation | |
| Woo et al. | Linear associations between clinically assessed upper motor neuron disease and diffusion tensor imaging metrics in amyotrophic lateral sclerosis | |
| CN111862020B (zh) | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 | |
| Moraru et al. | Gaussian mixture model for texture characterization with application to brain DTI images | |
| US11471096B2 (en) | Automatic computerized joint segmentation and inflammation quantification in MRI | |
| CN113962930B (zh) | 阿尔茨海默病风险评估模型建立方法和电子设备 | |
| Ballerini et al. | Application of the ordered logit model to optimising Frangi filter parameters for segmentation of perivascular spaces | |
| Davis et al. | Cooperative contributions of structural and functional connectivity to successful memory in aging | |
| Han et al. | A novel convolutional variation of broad learning system for Alzheimer’s disease diagnosis by using MRI images | |
| Hong et al. | Optimal method for fetal brain age prediction using multiplanar slices from structural magnetic resonance imaging | |
| Damangir et al. | Reproducible segmentation of white matter hyperintensities using a new statistical definition | |
| Wein et al. | Forecasting brain activity based on models of spatiotemporal brain dynamics: A comparison of graph neural network architectures | |
| Casseb et al. | ResectVol: A tool to automatically segment and characterize lacunas in brain images | |
| Ong et al. | Detection of subtle white matter lesions in MRI through texture feature extraction and boundary delineation using an embedded clustering strategy |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200710 |
|
| WD01 | Invention patent application deemed withdrawn after publication |