CN112568872B - 基于mri影像和血液生化指标的脑龄融合预测方法 - Google Patents

基于mri影像和血液生化指标的脑龄融合预测方法 Download PDF

Info

Publication number
CN112568872B
CN112568872B CN202011611979.8A CN202011611979A CN112568872B CN 112568872 B CN112568872 B CN 112568872B CN 202011611979 A CN202011611979 A CN 202011611979A CN 112568872 B CN112568872 B CN 112568872B
Authority
CN
China
Prior art keywords
data
brain
fusion
mri image
blood biochemical
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
CN202011611979.8A
Other languages
English (en)
Other versions
CN112568872A (zh
Inventor
黄炳升
吴颖桐
刘琼
吴光耀
沈立明
任冰玉
吴松雄
马锦婷
邱峥轩
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 University
Original Assignee
Shenzhen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN202011611979.8A priority Critical patent/CN112568872B/zh
Publication of CN112568872A publication Critical patent/CN112568872A/zh
Application granted granted Critical
Publication of CN112568872B publication Critical patent/CN112568872B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Neurology (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Neurosurgery (AREA)
  • Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Developmental Disabilities (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于MRI影像和血液生化指标的脑龄融合预测方法，所述方法包括：获取大脑MRI影像特征数据和人体血液生化指标数据；基于多模态双线性融合技术将所述大脑MRI影像特征数据和人体血液生化指标数据进行特征融合，得到脑龄融合特征数据；根据所述脑龄融合特征数据，得到脑龄的预测数据。本发明实施例通过先获取大脑MRI影像特征数据和人体血液生化指标数据，然后基于多模态双线性融合技术将上述两个数据进行特征融合的方式实现对脑龄的预测，由于采集的数据包含了与脑龄变化相关的更加丰富的指标，因此对脑龄的预测更加准确。

Description

基于MRI影像和血液生化指标的脑龄融合预测方法
技术领域
本发明涉及生物医学技术领域，尤其涉及的是基于MRI影像和血液生化指标的脑龄融合预测方法。
背景技术
阿尔兹海默症（Alzheimer disease，AD）是发生在老年期及老年前期的一种原发性退行性疾病。目前，AD的诊断主要依据患者临床表现并结合磁共振成像（MagneticResonance Imaging，MRI）、计算机断层扫描（Computed Tomography，CT）及AD认知量表等综合评价。由于AD潜伏期较长，患者在表现出痴呆症状且确诊为AD时多已存在明显的神经元损害，导致治疗效果有限。因此，基于神经影像学的AD早期诊断方法具有重大的临床意义。
现有技术大多仅基于MRI影像实现脑龄预测，并未有利用MRI影像和血液生化指标进行脑龄融合预测。虽然MRI影像可以较好地提供脑部萎缩或病变情况，但无法反映患者的全身健康指标，无法对脑龄进行精准的预测。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于MRI影像和血液生化指标的脑龄融合预测方法，旨在解决现有技术中大多仅基于MRI影像实现脑龄预测，并未有利用MRI影像和血液生化指标进行脑龄融合预测。虽然MRI影像可以较好地提供脑部萎缩或病变情况，但无法反映患者的全身健康指标，无法对脑龄进行精准预测的问题。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供一种基于MRI影像和血液生化指标的脑龄融合预测方法，其中，所述方法包括：
获取大脑MRI影像特征数据和人体血液生化指标数据；
基于多模态双线性融合技术将所述大脑MRI影像特征数据和人体血液生化指标数据进行特征融合，得到脑龄融合特征数据；
根据所述脑龄融合特征数据，得到脑龄的预测数据。
在一种实现方式中，其中，所述大脑MRI影像特征数据生成方式为：
采集大脑MRI影像数据；
将所述大脑MRI影像数据输入到深度学习回归网络模型，并将所述深度学习回归网络模型中第一全连接层的数据输出，得到第一全连接层输出数据；
提取所述第一全连接层输出数据的特征值，得到大脑MRI影像特征数据。
在一种实现方式中，其中，所述人体血液生化指标数据生成方式为：
获取人体血液生化指标源数据；
剔除所述人体血液生化指标源数据中的无效数据，得到人体血液生化指标数据；其中，所述无效数据为与脑衰老和脑形态改变无关的人体血液生化指标源数据。
在一种实现方式中，其中，所述基于多模态双线性融合技术将所述大脑MRI影像特征数据和人体血液生化指标数据进行特征融合，得到脑龄融合特征数据包括：
将所述大脑MRI影像特征数据转化成与所述大脑MRI影像特征数据对应的向量数据，得到大脑MRI影像特征向量数据；
将所述人体血液生化指标数据转化成与所述人体血液生化指标数据对应的向量数据，得到人体血液生化指标向量数据；
对所述大脑MRI影像特征向量数据和所述人体血液生化指标向量数据进行求和池化，得到脑龄融合特征数据；其中，所述求和池化指的是将所述大脑MRI影像特征向量数据和所述人体血液生化指标向量数据进行向量卷积和拟合运算。
在一种实现方式中，其中，所述根据所述脑龄融合特征数据，得到脑龄的预测数据包括：
将所述脑龄融合特征数据输入到深度学习回归网络模型的第二全连接层，得到脑龄的预测数据。
在一种实现方式中，其中，所述深度学习回归网络模型的特点是：
所述深度学习回归网络模型设置有5个残差层，5个最大池化层；2个全连接层。
在一种实现方式中，其中，所述残差层的特点是：
所述残差层设置有两个相同的组合层和两条不同的通道；其中，所述组合层设置1个3D卷积层，1个批量归一化层，1个激活函数层；所述两条不同的通道为组合层拟合残差通道和卷积层通道。
在一种实现方式中，其中，所述全连接层的特点是：
所述全连接层设置有包含单隐藏层的多层感知器，其中，所述感知器指的是深度学习回归网络模型中互相连接的神经元或节点。
第二方面，本发明实施例还提供一种基于MRI影像和血液生化指标的脑龄融合预测装置，其中，所述装置包括：
特征数据获取单元，用于获取大脑MRI影像特征数据和人体血液生化指标数据；
脑龄融合特征数据获取单元，用于基于多模态双线性融合技术将所述大脑MRI影像特征数据和人体血液生化指标数据进行特征融合，得到脑龄融合特征数据；
脑龄的预测数据获取单元，用于根据所述脑龄融合特征数据，得到脑龄的预测数据。
第三方面，本发明实施例还提供一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如上述任意一项所述的一种基于MRI影像和血液生化指标的脑龄融合预测方法。
第四方面，本发明实施例还提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上述中任意一项所述的一种基于MRI影像和血液生化指标的脑龄融合预测方法。
本发明的有益效果：本发明实施例首先获取大脑MRI影像特征数据和人体血液生化指标数据；然后基于多模态双线性融合技术将所述大脑MRI影像特征数据和人体血液生化指标数据进行特征融合，得到脑龄融合特征数据；最后根据所述脑龄融合特征数据，得到脑龄的预测数据；可见，本发明实施例中通过先获取大脑MRI影像特征数据和人体血液生化指标数据，然后基于多模态双线性融合技术将上述两个数据进行特征融合的方式实现对脑龄的预测，由于采集的数据包含了与脑龄变化相关的更加丰富的指标，因此对脑龄的预测更加准确。
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中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1本发明实施例提供基于MRI影像和血液生化指标的脑龄融合预测方法流程示意图。
图2本发明实施例提供的基于MRI影像和血液生化指标的脑龄融合预测装置的脑龄融合预测系统结构图。
图3本发明实施例提供的基于MRI影像和血液生化指标的脑龄融合预测装置的原理框图。
图4本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
本发明公开了基于MRI影像和血液生化指标的脑龄融合预测方法、智能终端、存储介质，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。 应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
由于现有技术中大多仅基于MRI影像实现脑龄预测，并未有利用MRI影像和血液生化指标进行脑龄融合预测。虽然MRI影像可以较好地提供脑部萎缩或病变情况，但无法反映患者的全身健康指标，无法对脑龄进行精准预测的问题。
为了解决现有技术的问题，本实施例提供了一种基于MRI影像和血液生化指标的脑龄融合预测方法，先获取大脑MRI影像特征数据和人体血液生化指标数据，其中，MRI（Magnetic Resonance Imaging）指的是磁共振成像，从大脑MRI影像特征数据包括灰质体积、皮层厚度和海马体积等，这些数据用于对病人的诊断，此外，由于多数血液生化指标数据会随年龄变化而变化，故人体血液生化指标数据是预测年龄的重要标志，然后基于多模态双线性融合技术，将大脑MRI影像特征数据和人体血液生化指标数据这两个数据进行特征融合，得到脑龄融合特征数据，该脑龄融合特征数据能够更加全面的反应病人的整体身体状况和年龄状况，最后根据脑龄融合特征数据，得到脑龄的预测数据，可以实现了较精准的脑龄预测。
举例说明
对于一种疾病而言，及早发现及早治疗将有助于病人的提早恢复，现实中很多疾病发现时已经是晚期，对治疗造成了很大的困难，如果能及早发现病情及早治疗，可以提高临床治愈率。由于AD潜伏期较长，患者在表现出痴呆症状且确诊为AD时多已存在明显的神经元损害，导致治疗效果有限，此外，由神经影像学衍生的年龄预测方法已经在不同大脑疾病的背景下开展了研究。通过构建基于健康个体的大脑年龄预测模型，在独立的临床样本中通过脑神经影像对大脑年龄进行预测。如果“大脑预测年龄”，以下称“脑龄”，大于样本的实际年龄，则被认为是该样本的大脑变化异常积累所导致。因此，准确客观的脑龄是反映大脑病理过程的一个重要的生物标记。这种方法正被广泛使用，已有研究证明，患有轻度认知障碍（mild cognitive impairment，MCI）的成年人，在发展为AD时，大脑的预测年龄会增加。结构磁共振成像（Structural Magnetic Resonance Imaging，sMRI）具有较好的可获得性和无创性，由sMRI计算得到的灰质体积、皮层厚度和海马体积等是诊断过程中必不可少的影像指标。同时，患者在向MCI或AD转变时，sMRI可以较好地体现大脑结构的异常变化。sMRI扫描可提供大脑各区域的解剖信息，因此，基于机器学习方法和sMRI建立的脑龄预测模型在研究大脑衰老和识别早期神经退行性病变方面具有良好的前景。多数血液生化指标数据会随年龄变化而变化，是预测年龄的重要标志物。同时，一些血液生化指标和与痴呆相关的生物标志物也与脑衰老和脑形态改变有关。如，血糖已被证明是年龄预测的一种重要标记，而生化指标中的总胆固醇和甘油三酯也已被证明会对特定人群的年龄预测任务产生影响。此外，一些脑部区域的体积变化和血液中的生物标记物，如同型半胱氨酸、淀粉样蛋白(A -淀粉样蛋白)和神经纤维轻链(NFL）浓度之间存在显著的正相关关系。现有技术大多仅基于MRI影像实现脑龄预测，并未有利用MRI影像和血液生化指标进行脑龄融合预测。虽然MRI影像可以较好地提供脑部萎缩或病变情况，但无法反映患者的全身健康指标。因此，本方法应用深度学习技术，结合MRI影像和血液生化指标以构建脑龄融合预测模型，实现了较精准的脑龄预测。在本实施例中，为了更加准确的预测脑龄，先获取大脑MRI影像特征数据和人体血液生化指标数据，因为大脑MRI影像特征数据能很好的反映病人的大脑的灰质体积、皮层厚度和海马体积，而人体血液生化指标数据可以预测出年龄，故上述两个数据能更加全面的反应病人的健康指标，为了分析大脑MRI影像特征数据和人体血液生化指标数据中每个元素之间的复杂关系，改善图像的分类性能，故基于多模态双线性融合技术将所述大脑MRI影像特征数据和人体血液生化指标数据进行特征融合，得到脑龄融合特征数据，最终，根据该脑龄融合特征数据，就能得到脑龄的预测数据，以实现对大脑年龄的精准预测。精准脑龄预测有助于医生识别临床个体大脑衰减程度，有望辅助脑疾病的早期诊断，提高脑疾病“早发现早治疗”的可能性，减轻患者负担和社会负担。
示例性方法
本实施例提供一种基于MRI影像和血液生化指标的脑龄融合预测方法，该方法可以应用于生物医疗智能终端。具体如图1所示，所述方法包括：
步骤S100、获取大脑MRI影像特征数据和人体血液生化指标数据；
具体地，先获取大脑MRI影像特征数据和人体血液生化指标数据，其中，MRI（Magnetic Resonance Imaging）指的是磁共振成像，从大脑MRI影像特征数据包括灰质体积、皮层厚度和海马体积等，这些数据用于对病人的诊断，此外，由于多数血液生化指标数据会随年龄变化而变化，故人体血液生化指标数据是预测年龄的重要标志，为后续预测大脑脑龄做准备。
为了得到大脑MRI影像特征数据，所述大脑MRI影像特征数据生成方式为：采集大脑MRI影像数据；将所述大脑MRI影像数据输入到深度学习回归网络模型，并将所述深度学习回归网络模型中第一全连接层的数据输出，得到第一全连接层输出数据；提取所述第一全连接层输出数据的特征值，得到大脑MRI影像特征数据。
实际中，由于机器学习是智能图像处理技术的核心，深度学习作为机器学习的一个分支，不同于传统方法，能够有监督地对数据进行特征提取和推理，充分发掘数据间的规律，进而利用这些规律对未知数据进行客观的预测，能够实现较为稳定和有效率的诊断。病人在磁共振谱仪上做了磁共振后，磁共振谱仪就能采集到大脑MRI影像数据，然后将大脑MRI影像数据输入到深度学习回归网络模型，深度学习回归网络模型有两个全连接层，实际中将深度学习回归网络模型中第一全连接层的数据输出，得到第一全连接层输出数据，然后提取第一全连接层输出数据的特征值，得到大脑MRI影像特征数据。大脑MRI影像特征数据是指深度学习模型自动地从数据如文本、放射影像中发掘提取表征数据的特征。
为了得到人体血液生化指标数据，所述人体血液生化指标数据生成方式为：获取人体血液生化指标源数据；剔除所述人体血液生化指标源数据中的无效数据，得到人体血液生化指标数据；其中，所述无效数据为与脑衰老和脑形态改变无关的人体血液生化指标源数据。
具体地，从人体检测报告单中获取人体血液生化指标源数据，由于收集的数据会存在一些无效数据，如有些人体血液生化指标源数据由于机器故障导致的指标值跟正常范围值存在很大的差异，或者有些人体血液生化指标源数据由于旧技术存在缺陷而被淘汰的临床检验项目或方法中的数据，这些数据是与脑衰老和脑形态改变无关的人体血液生化指标源数据，会影响后续对脑龄的预测，故要剔除，最终得到人体血液生化指标数据。
本实施例提供一种基于MRI影像和血液生化指标的脑龄融合预测方法，该方法可以应用于生物医疗智能终端。具体如图1所示，所述方法包括：
步骤S200、基于多模态双线性融合技术将所述大脑MRI影像特征数据和人体血液生化指标数据进行特征融合，得到脑龄融合特征数。
为了提高脑龄预测的准确度，我们需要将所述大脑MRI影像特征数据和人体血液生化指标数据进行特征融合，而特征融合的常用方法如拼接、按位乘和按位加等简单操作不足以建立两个模态间的复杂关系，同时外积计算又存在复杂度过高的问题。为了解决上述问题，故应用多模态双线性融合模块（Multimodal Compact Bilinear，MCB）进行特征融合。将影像特征和血液生化指标作为多模态双线性融合模块的输入，并输出脑龄融合特征数据，为后续预测脑龄做准备。
为了得到脑龄融合特征数据，所述基于多模态双线性融合技术将所述大脑MRI影像特征数据和人体血液生化指标数据进行特征融合，得到脑龄融合特征数据包括如下步骤：
步骤S201、将所述大脑MRI影像特征数据转化成与所述大脑MRI影像特征数据对应的向量数据，得到大脑MRI影像特征向量数据；
步骤S202、将所述人体血液生化指标数据转化成与所述人体血液生化指标数据对应的向量数据，得到人体血液生化指标向量数据；
步骤S203、对所述大脑MRI影像特征向量数据和所述人体血液生化指标向量数据进行求和池化，得到脑龄融合特征数据；其中，所述求和池化指的是将所述大脑MRI影像特征向量数据和所述人体血液生化指标向量数据进行向量卷积和拟合运算。
具体地，先将所述大脑MRI影像特征数据人体血液生化指标数据转化成向量数据，然后对得到的大脑MRI影像特征向量数据和人体血液生化指标向量数据进行求和池化。所述求和池化指的是将所述中间大脑MRI影像特征数据和所述中间人体血液生化指标数据进行向量卷积和拟合运算。在本实施例中，将所述大脑MRI影像特征向量数据和人体血液生化指标向量数据输入到多模态双线性融合模型中，经多模态双线性融合模型降维和向量卷积，再经过开平方根和L2正则化的操作，计算得到脑龄融合特征数据，其中，所述L2正则化是为了防止模型处于过拟合状态，处理回归和分类任务，降低模型的复杂度。
本实施例提供一种基于MRI影像和血液生化指标的脑龄融合预测方法，该方法可以应用于生物医疗智能终端。具体如图1所示，所述方法包括：
步骤S300、根据所述脑龄融合特征数据，得到脑龄的预测数据。
实际中，由于脑龄融合特征数据已经包含了MRI影像特征数据和人体血液生化指标数据，故能对脑龄进行精准的预测，得到脑龄的预测数据，在临床上，通过分析脑部年龄和真实年龄的差异可以实现脑疾病的早期诊断，有望提高脑疾病“早发现早治疗”的可能性，减轻患者负担和社会负担。
所述深度学习回归网络模型的特点是：深度学习回归网络模型可以实现对MRI影像的高维语义特征的提取，大脑MRI影像特征向量数据，所述深度学习回归网络模型设置有5个残差层，5个最大池化层；2个全连接层。所述残差层设置有两个相同的组合层和两条不同的通道；其中，所述组合层设置1个3D卷积层，1个批量归一化层，1个激活函数层；所述两条不同的通道为组合层拟合残差通道和卷积层通道。所述全连接层设置有包含单隐藏层的多层感知器，其中，所述感知器指的是深度学习回归网络模型中互相连接的神经元或节点。
实际中，构建的深度学习回归网络的网络架构，网络结构如表1所示，脑龄融合预测系统结构图如图2所示。根据ResNet网络(残差网络)，架构5个残差单元，每个残差单元后接最大池化层，最后使用2个全连接单元。该网络的卷积层可将大小为121×145×121的输入图像输出为128个大小为4×5×4的特征图像。
层 输入尺寸 输出尺寸 通道数
残差单元1 最大池化层1 121×145×121 61×73×61 8
残差单元2 最大池化层2 61×73×61 31×37×31 16
残差单元3 最大池化层3 31×37×31 16×19×16 32
残差单元4 最大池化层4 16×19×16 8×10×8 64
残差单元5 最大池化层5 8×10×8 4×5×4 128
全连接层1 10240 256 -
全连接层2 256 1 -
表1 网络结构信息
残差单元（Residual block）由组合层重复两次组成，组合层包括一个3D卷积层（步长为1×1×1，卷积核大小为3×3×3）、一个BN（Batch Normalization）层、一个ELU激活函数层。该残差单元有两条路径，一条是输入通过组合层拟合残差，另一条是输入直接通过1×1×1卷积层以升维和降采样的捷径，两条路径的输出尺寸大小需保持一致。残差单元的主要作用是对输入进行先降维再升维，以降低计算复杂度。
全连接层（Fully Connected）是一个具有单隐藏层的多层感知器。输入为128×4×5×4的向量，隐藏层（FC1）有256个单元，使用ELU激活函数层以映射非线性关系。输出层（FC2）后没有使用激活函数，这意味着它对隐藏层特征进行线性回归。
我们将大脑对象对应的MRI影像数据作为网络输入，输出256维的影像特征和预测脑龄。采用平均绝对误差（Mean Absolute Error，MAE）作为网络的损失函数，计算个体真实年龄与预测脑龄的误差评估网络性能；采用Adam优化器，Adam优化器是一种对随机目标函数执行一阶梯度优化的算法，学习率为0.0001，衰减为10-6,，β1为0.9，β2为0.999，batch大小为4。采用He的初始化策略初始化权重，网络的每个训练节点权重衰减采用L2正则化，He的初始化策略为何凯明（He kaiming）在论文《Delving Deep into Rectifiers:Surpassing Human-Level Performance on ImageNet Classification》中提出了针对ReLU激活网络的初始化方法，λ=5×10-5。同时，我们采用模型“提前停止”策略，例如，如果验证集的损失误差在100个epoch中都没有下降，我们就停止训练，并选择在验证集中得到最低误差所对应的模型权重作为最终模型。
示例性设备
如图3中所示，本发明实施例提供基于MRI影像和血液生化指标的脑龄融合预测装置，该装置包括特征数据获取单元401，脑龄融合特征数据获取单元402，脑龄的预测数据获取单元403，其中：
特征数据获取单元401，用于获取大脑MRI影像特征数据和人体血液生化指标数据；
脑龄融合特征数据获取单元402，用于基于多模态双线性融合技术将所述大脑MRI影像特征数据和人体血液生化指标数据进行特征融合，得到脑龄融合特征数据；
脑龄的预测数据获取单元403，用于根据所述脑龄融合特征数据，得到脑龄的预测数据。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图4所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于MRI影像和血液生化指标的脑龄融合预测方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在智能终端内部设置，用于检测内部设备的运行温度。
本领域技术人员可以理解，图4中的原理图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：
获取大脑MRI影像特征数据和人体血液生化指标数据；
基于多模态双线性融合技术将所述大脑MRI影像特征数据和人体血液生化指标数据进行特征融合，得到脑龄融合特征数据；
根据所述脑龄融合特征数据，得到脑龄的预测数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
综上所述，本发明公开了基于MRI影像和血液生化指标的脑龄融合预测方法、智能终端、存储介质，所述方法包括：获取大脑MRI影像特征数据和人体血液生化指标数据；基于多模态双线性融合技术将所述大脑MRI影像特征数据和人体血液生化指标数据进行特征融合，得到脑龄融合特征数据；根据所述脑龄融合特征数据，得到脑龄的预测数据。本发明实施例通过先获取大脑MRI影像特征数据和人体血液生化指标数据，然后基于多模态双线性融合技术将上述两个数据进行特征融合的方式实现对脑龄的预测，由于采集的数据包含了更加全面与脑龄变化相关的指标，因此对脑龄的预测更加准确。
应当理解的是，本发明公开了一种基于MRI影像和血液生化指标的脑龄融合预测，应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (4)

1.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行基于MRI影像和血液生化指标的脑龄融合预测方法，所述方法包括：
获取大脑MRI影像特征数据和人体血液生化指标数据；其中，所述大脑MRI影像特征数据生成方式为：
采集大脑MRI影像数据；
将所述大脑MRI影像数据输入到深度学习回归网络模型，并将所述深度学习回归网络模型中第一全连接层的数据输出，得到第一全连接层输出数据；
提取所述第一全连接层输出数据的特征值，得到大脑MRI影像特征数据；
基于多模态双线性融合技术将所述大脑MRI影像特征数据和人体血液生化指标数据进行特征融合，得到脑龄融合特征数据；
所述基于多模态双线性融合技术将所述大脑MRI影像特征数据和人体血液生化指标数据进行特征融合，得到脑龄融合特征数据包括：
将所述大脑MRI影像特征数据转化成与所述大脑MRI影像特征数据对应的向量数据，得到大脑MRI影像特征向量数据；
将所述人体血液生化指标数据转化成与所述人体血液生化指标数据对应的向量数据，得到人体血液生化指标向量数据；
对所述大脑MRI影像特征向量数据和所述人体血液生化指标向量数据进行求和池化，得到脑龄融合特征数据；其中，所述求和池化指的是将所述大脑MRI影像特征向量数据和所述人体血液生化指标向量数据进行向量卷积和拟合运算；
所述多模态双线性融合技术通过多模态双线性融合模型对所述大脑MRI影像特征数据和人体血液生化指标数据进行特征降维和向量卷积；
根据所述脑龄融合特征数据，得到脑龄的预测数据；所述根据所述脑龄融合特征数据，得到脑龄的预测数据包括：
将所述脑龄融合特征数据输入到深度学习回归网络模型的第二全连接层，得到脑龄的预测数据；
所述深度学习回归网络模型的特点是：
所述深度学习回归网络模型设置有5个残差层，5个最大池化层；2个全连接层；
所述残差层的特点是：
所述残差层设置有两个相同的组合层和两条不同的通道；其中，所述组合层设置1个3D卷积层，1个批量归一化层，1个激活函数层；所述两条不同的通道为组合层拟合残差通道和卷积层通道。
2.根据权利要求1所述的非临时性计算机可读存储介质，其特征在于，所述人体血液生化指标数据生成方式为：
获取人体血液生化指标源数据；
剔除所述人体血液生化指标源数据中的无效数据，得到人体血液生化指标数据；其中，所述无效数据为与脑衰老和脑形态改变无关的人体血液生化指标源数据。
3.根据权利要求1所述的非临时性计算机可读存储介质，其特征在于，所述全连接层的特点是：
所述全连接层设置有包含单隐藏层的多层感知器，其中，所述感知器指的是深度学习回归网络模型中互相连接的神经元或节点。
4.一种智能终端，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行基于MRI影像和血液生化指标的脑龄融合预测方法，其特征在于，所述方法包括：
获取大脑MRI影像特征数据和人体血液生化指标数据；其中，所述大脑MRI影像特征数据生成方式为：
采集大脑MRI影像数据；
将所述大脑MRI影像数据输入到深度学习回归网络模型，并将所述深度学习回归网络模型中第一全连接层的数据输出，得到第一全连接层输出数据；
提取所述第一全连接层输出数据的特征值，得到大脑MRI影像特征数据；
基于多模态双线性融合技术将所述大脑MRI影像特征数据和人体血液生化指标数据进行特征融合，得到脑龄融合特征数据；
所述基于多模态双线性融合技术将所述大脑MRI影像特征数据和人体血液生化指标数据进行特征融合，得到脑龄融合特征数据包括：
将所述大脑MRI影像特征数据转化成与所述大脑MRI影像特征数据对应的向量数据，得到大脑MRI影像特征向量数据；
将所述人体血液生化指标数据转化成与所述人体血液生化指标数据对应的向量数据，得到人体血液生化指标向量数据；
对所述大脑MRI影像特征向量数据和所述人体血液生化指标向量数据进行求和池化，得到脑龄融合特征数据；其中，所述求和池化指的是将所述大脑MRI影像特征向量数据和所述人体血液生化指标向量数据进行向量卷积和拟合运算；
所述多模态双线性融合技术通过多模态双线性融合模型对所述大脑MRI影像特征数据和人体血液生化指标数据进行特征降维和向量卷积；
根据所述脑龄融合特征数据，得到脑龄的预测数据；所述根据所述脑龄融合特征数据，得到脑龄的预测数据包括：
将所述脑龄融合特征数据输入到深度学习回归网络模型的第二全连接层，得到脑龄的预测数据；
所述深度学习回归网络模型的特点是：
所述深度学习回归网络模型设置有5个残差层，5个最大池化层；2个全连接层；
所述残差层的特点是：
所述残差层设置有两个相同的组合层和两条不同的通道；其中，所述组合层设置1个3D卷积层，1个批量归一化层，1个激活函数层；所述两条不同的通道为组合层拟合残差通道和卷积层通道。
CN202011611979.8A 2020-12-30 2020-12-30 基于mri影像和血液生化指标的脑龄融合预测方法 Active CN112568872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011611979.8A CN112568872B (zh) 2020-12-30 2020-12-30 基于mri影像和血液生化指标的脑龄融合预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011611979.8A CN112568872B (zh) 2020-12-30 2020-12-30 基于mri影像和血液生化指标的脑龄融合预测方法

Publications (2)

Publication Number Publication Date
CN112568872A CN112568872A (zh) 2021-03-30
CN112568872B true CN112568872B (zh) 2021-11-02

Family

ID=75145072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011611979.8A Active CN112568872B (zh) 2020-12-30 2020-12-30 基于mri影像和血液生化指标的脑龄融合预测方法

Country Status (1)

Country Link
CN (1) CN112568872B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113616184B (zh) * 2021-06-30 2023-10-24 北京师范大学 基于多模态磁共振图像的脑网络建模与个体预测方法
CN114159042A (zh) * 2021-10-29 2022-03-11 中国科学院深圳先进技术研究院 脑龄预测方法、装置、电子设备及存储介质
CN115736946B (zh) * 2022-10-08 2024-09-10 浙江柔灵科技有限公司 一种基于脑电信号的脑龄计算方法
CN116051545B (zh) * 2023-03-07 2024-02-06 复旦大学 一种双模态影像的脑龄预测方法

Citations (10)

* 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
CN106156484A (zh) * 2016-06-08 2016-11-23 中国科学院自动化研究所 基于磁共振影像的脑疾病个体化预测方法和系统
CN109350032A (zh) * 2018-10-16 2019-02-19 武汉中旗生物医疗电子有限公司 一种分类方法、系统、电子设备及存储介质
CN109770932A (zh) * 2019-02-21 2019-05-21 河北工业大学 多模态脑部神经影像特征的处理方法
CN109993210A (zh) * 2019-03-05 2019-07-09 北京工业大学 一种基于神经影像的大脑年龄估计方法
CN110232679A (zh) * 2019-05-24 2019-09-13 潘丹 一种阿尔茨海默症遗传生物标志物确定方法及系统
CN110473171A (zh) * 2019-07-18 2019-11-19 上海联影智能医疗科技有限公司 脑龄检测方法、计算机设备和存储介质
CN110859624A (zh) * 2019-12-11 2020-03-06 北京航空航天大学 一种基于结构磁共振影像的大脑年龄深度学习预测系统
CN110969614A (zh) * 2019-12-11 2020-04-07 中国科学院自动化研究所 基于三维卷积神经网络的脑龄预测方法及系统
CN111175480A (zh) * 2020-01-13 2020-05-19 北京奇云诺德信息科技有限公司 一种血液生化指标计算性别和年龄的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI387445B (zh) * 2009-09-17 2013-03-01 Univ Nat Taiwan 得到一影像生物指標的方法、病況預測方法、病況預測裝置及電腦程式產品
US20130190606A1 (en) * 2012-01-25 2013-07-25 Huntington Medical Research Institutes Combined quantitative mri and quantitative mrs for diagnosis of alzheimers disease and hippocampal sclerosis

Patent Citations (10)

* 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
CN106156484A (zh) * 2016-06-08 2016-11-23 中国科学院自动化研究所 基于磁共振影像的脑疾病个体化预测方法和系统
CN109350032A (zh) * 2018-10-16 2019-02-19 武汉中旗生物医疗电子有限公司 一种分类方法、系统、电子设备及存储介质
CN109770932A (zh) * 2019-02-21 2019-05-21 河北工业大学 多模态脑部神经影像特征的处理方法
CN109993210A (zh) * 2019-03-05 2019-07-09 北京工业大学 一种基于神经影像的大脑年龄估计方法
CN110232679A (zh) * 2019-05-24 2019-09-13 潘丹 一种阿尔茨海默症遗传生物标志物确定方法及系统
CN110473171A (zh) * 2019-07-18 2019-11-19 上海联影智能医疗科技有限公司 脑龄检测方法、计算机设备和存储介质
CN110859624A (zh) * 2019-12-11 2020-03-06 北京航空航天大学 一种基于结构磁共振影像的大脑年龄深度学习预测系统
CN110969614A (zh) * 2019-12-11 2020-04-07 中国科学院自动化研究所 基于三维卷积神经网络的脑龄预测方法及系统
CN111175480A (zh) * 2020-01-13 2020-05-19 北京奇云诺德信息科技有限公司 一种血液生化指标计算性别和年龄的方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Combining MR imaging, positron-emission tomography, and CSF biomarkers in the diagnosis and prognosis of Alzheimer disease;Eric Westman等;《NeuroImage》;20121231(第62期);全文 *
Generlized fused group lasso regularized multtask feature learning for predicting cognitive outcomes in alzheimers disease;Peng gao等;《Computer Methods and Programs in biomedicine》;20181231(第162期);全文 *
Identification of Alzheimer"s disease and mild cognitive impairment using multimodal sparse hierarchical extreme learning machine;JONGIN KIM等;《HUMAN BRAIN MAPPING》;20181231;1第2.2节，第3节，第3.1-3.3节，图1-3，摘要 *
基于深度学习的阿尔兹海默症多模态辅助诊断研究;林雪峰等;《工业控制计算机》;20200325(第03期);全文 *
林雪峰等.基于深度学习的阿尔兹海默症多模态辅助诊断研究.《工业控制计算机》.2020,(第03期), *
阿尔兹海默病的智能诊断方法;尹义龙等;《山东大学学报(医学版)》(第08期);全文 *
阿尔茨海默病早期诊断生物学指标研究进展;滕玉环等;《中华脑血管病杂志》;20101231;第4卷(第6期);参见457-462页 *

Also Published As

Publication number Publication date
CN112568872A (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
CN112568872B (zh) 基于mri影像和血液生化指标的脑龄融合预测方法
Acharya et al. Automated detection of Alzheimer’s disease using brain MRI images–a study with various feature extraction techniques
Wu et al. A deep learning, image based approach for automated diagnosis for inflammatory skin diseases
Littlejohns et al. The UK Biobank imaging enhancement of 100,000 participants: rationale, data collection, management and future directions
Shakarami et al. A CAD system for diagnosing Alzheimer’s disease using 2D slices and an improved AlexNet-SVM method
Helaly et al. Deep learning approach for early detection of Alzheimer’s disease
Williams et al. An artificial intelligence-based deep learning algorithm for the diagnosis of diabetic neuropathy using corneal confocal microscopy: a development and validation study
Krause et al. Grader variability and the importance of reference standards for evaluating machine learning models for diabetic retinopathy
JP7357927B2 (ja) 診断支援システムおよび方法
JP7170145B2 (ja) 情報処理装置、プログラム、学習済みモデル、診断支援装置、学習装置及び予測モデルの生成方法
Meier et al. The utility of lesion classification in predicting language and treatment outcomes in chronic stroke-induced aphasia
Qureshi et al. Evaluation of functional decline in Alzheimer’s dementia using 3D deep learning and group ICA for rs-fMRI measurements
Al-Adhaileh Diagnosis and classification of Alzheimer's disease by using a convolution neural network algorithm
Li et al. Sparse multivariate autoregressive modeling for mild cognitive impairment classification
Hu et al. Conv-Swinformer: Integration of CNN and shift window attention for Alzheimer’s disease classification
CN116051545B (zh) 一种双模态影像的脑龄预测方法
CN114999629A (zh) 一种基于多特征融合的ad早期预测方法、系统、装置
Gao Gray level co-occurrence matrix and extreme learning machine for Alzheimer's disease diagnosis
Burgos et al. Deep learning for brain disorders: from data processing to disease treatment
CN112348785A (zh) 一种癫痫病灶定位方法及系统
CN114628034A (zh) 阿尔兹海默症评估方法、系统、设备及存储介质
Wang et al. SEEG-Net: An explainable and deep learning-based cross-subject pathological activity detection method for drug-resistant epilepsy
KR20240027714A (ko) 예측 연령 차이를 이용한 동반 임상 치매 등급과 그 미래의 결과를 평가하는 방법 및 그 프로그램
Hui et al. Deep Reinforcement Learning-Based Retinal Imaging in Alzheimer’s Disease: Potential and Perspectives
Jeong et al. Neonatal encephalopathy prediction of poor outcome with diffusion-weighted imaging connectome and fixel-based analysis

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