CN112690774B - 一种基于磁共振影像的卒中复发预测方法和系统 - Google Patents
一种基于磁共振影像的卒中复发预测方法和系统 Download PDFInfo
- Publication number
- CN112690774B CN112690774B CN202011055499.8A CN202011055499A CN112690774B CN 112690774 B CN112690774 B CN 112690774B CN 202011055499 A CN202011055499 A CN 202011055499A CN 112690774 B CN112690774 B CN 112690774B
- Authority
- CN
- China
- Prior art keywords
- stroke
- age
- magnetic resonance
- recurrence
- neural network
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—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
- A61B5/0033—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
- A61B5/40—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/08—Elderly
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Neurology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种基于磁共振影像的卒中复发预测方法及系统。所述基于磁共振影像的卒中复发预测方法，包括：获取待测患者的磁共振影像集和真实年龄；将所述待测患者的基线DWI‑B0核磁共振影像输入至大脑年龄预测模型，得到所述待测患者的大脑预测年龄；将所述待测患者的大脑预测年龄和所述待测患者的真实年龄做差得到所述待测患者的大脑年龄差；将所述待测患者的磁共振影像集和所述待测患者的大脑年龄差输入至卒中复发预测模型，得到待测患者的卒中复发预测结果。本发明实现通过影像学信息就可以预测卒中复发的风险，提高了预测的精度和效率。
Description
技术领域
本发明健康管理技术领域，特别是涉及一种基于磁共振影像的卒中复发预测方法和系统。
背景技术
脑卒中(cerebral stroke)又称中风、脑血管意外(cerebral vascularaccident，CVA)，是一种急性脑血管疾病，是我国成年人群致死、致残的首位病因，具有发病率高、致残率高、死亡率高和复发率高的特点。目前，针对脑卒中的治疗手段有限，且疗效不太理想，因此，预防是现阶段最好的治疗措施。
对医生来说，需有效地评估哪些患者在未来时间点受本次发病的影响较大，复发风险高，从而在后续治疗中采取相应措施。目前在临床上广泛使用的对卒中复发测评方式主要为量表评估法，如Essen评分量表。Essen量表是为脑卒中亚组分析开发的卒中风险预测工具，从Essen量表中可以得出风险不同的患者易损程度不同，其最高得分为9分。如果是0～2分，说明脑卒中的复发率比较低；但3分是一个分界值，大于3分者复发几率高，而且评分越高，发生脑卒中和复合心血管事件的危险越高，但是，当前根据Essen量表对卒中患者年龄和既往病史等风险因素进行总结评估的过程并未结合影像信息，使得评估速度慢，而且结果不准确。
所以现在急需一种可以精确快速的预测卒中复发风险的方法和系统。
发明内容
本发明的目的是提供一种基于磁共振影像的卒中复发预测方法和系统，以实现精确快速的预测卒中复发风险。
为实现上述目的，本发明提供了如下方案：
一种基于磁共振影像的卒中复发预测方法，包括：
获取待测患者的磁共振影像集和真实年龄；所述磁共振影像集包括：基线DWI-B0核磁共振影像、基线DWI-B1000磁共振影像和病灶分割图；
将所述待测患者的基线DWI-B0核磁共振影像输入至大脑年龄预测模型，得到所述待测患者的大脑预测年龄；所述大脑年龄预测模型是以健康老年人的基线DWI-B0核磁共振影像为输入，以所述健康老年人的真实年龄为输出，对基于年龄的卷积神经网络模型进行训练得到的；所述基于年龄的卷积神经网络模型是采用Pytorch深度学习框架，基于密集卷积神经网络构建得到的；
将所述待测患者的大脑预测年龄和所述待测患者的真实年龄做差得到所述待测患者的大脑年龄差；
将所述待测患者的磁共振影像集和所述待测患者的大脑年龄差输入至卒中复发预测模型，得到待测患者的卒中复发预测结果；所述卒中预测模型是以不同卒中复发程度的患者的磁共振影像集和不同卒中复发程度的患者的大脑年龄差为输入，以对应的卒中复发程度为输出，对基于卒中复发程度的分类模型进行训练得到的；所述基于卒中复发程度的分类模型是由卷积神经网络和图卷积神经网络构建得到的。
可选的，所述大脑年龄预测模型的确定方法为：
获取所述健康老年人的基线DWI-B0磁共振影像和真实年龄；
构建所述基于年龄的卷积神经网络模型；所述基于年龄的卷积神经网络模型包括：五个相同的卷积块；各所述卷积块均包括两个相同的卷积单元和一个最大池化层；各所述卷积单元均包括一个卷积层、一个ReLU激活函数和一个3D批标准化层；
以所述健康老年人的基线DWI-B0磁共振影像为输入，以所述健康老年人的真实年龄为输出，采用反向传播算法和梯度下降算法对所述基于年龄的卷积神经网络模型进行训练，得到第一大脑年龄预测模型；
采用交叉验证法对所述第一大脑年龄预测模型进行调整，并将调整后的第一大脑年龄预测模型确定为大脑年龄预测模型。
可选的，所述卒中复发预测模型的确定方法为：
获取不同卒中复发情况的卒中患者的磁共振影像集、不同卒中复发情况的卒中患者的大脑年龄差和对应的卒中复发程度；
构建所述基于卒中复发程度的分类模型；所述基于卒中复发程度的分类模型包括：依次连接的卷积神经网络模块、图卷积神经网络模块和全连接模块；
以所述不同卒中复发情况的卒中患者的磁共振影像集为所述卷积神经网络模块的输入，以所述卷积神经网络模块输出的不同卒中复发情况的卒中患者的磁共振影像集的影像学特征为所述图卷积神经网络模块的输入；以所述不同卒中复发情况的卒中患者的大脑年龄差和所述图卷积神经网络模块输出的不同卒中复发情况的卒中患者的病灶的空间位置信息为所述全连接模块的输入，以对应的卒中复发程度为所述全连接模块的输出，采用反向传播算法和梯度下降算法进行训练，得到第一卒中复发预测模型；
采用交叉验证法对所述第一卒中复发预测模型进行调整，并将调整后的第一卒中复发预测模型确定为卒中复发预测模型。
可选的，在所述获取待测患者的磁共振影像集之后，还包括：
对所述磁共振影像集依次进行图像线性配准、图像切分和图像数据标准化操作。
可选的，所述基于卒中复发程度的分类模型还包括注意力机制模块，所述注意力机制模块的输入端与所述图卷积神经网络模块的输出端连接，所述注意力机制模块的输出端与所述全连接模块的输入端连接；所述注意力机制模块用于将所述病灶的空间位置信息按照通道方向和图节点方向分别进行一维卷积处理得到所述病灶的空间位置信息的权值，再将所述权值和所述病灶的空间位置信息相乘，得到加权后的病灶的空间位置信息。
一种基于磁共振影像的卒中复发预测系统，包括：
数据获取模块，用于获取待测患者的磁共振影像集和真实年龄；所述磁共振影像集包括：基线DWI-B0核磁共振影像、基线DWI-B1000磁共振影像和病灶分割图；
大脑年龄预测模块，用于将所述待测患者的基线DWI-B0核磁共振影像输入至大脑年龄预测模型，得到所述待测患者的大脑预测年龄；所述大脑年龄预测模型是以健康老年人的基线DWI-B0核磁共振影像为输入，以所述健康老年人的真实年龄为输出，对基于年龄的卷积神经网络模型进行训练得到的；所述基于年龄的卷积神经网络模型是采用Pytorch深度学习框架，基于密集卷积神经网络构建得到的；
大脑年龄差计算模块，用于将所述待测患者的大脑预测年龄和所述待测患者的真实年龄做差得到所述待测患者的大脑年龄差；
卒中复发预测模块，用于将所述待测患者的磁共振影像集和所述待测患者的大脑年龄差输入至卒中复发预测模型，得到待测患者的卒中复发预测结果；所述卒中预测模型是以不同卒中复发程度的患者的磁共振影像集和不同卒中复发程度的患者的大脑年龄差为输入，以对应的卒中复发程度为输出，对基于卒中复发程度的分类模型进行训练得到的；所述基于卒中复发程度的分类模型是由卷积神经网络和图卷积神经网络构建得到的。
可选的，所述基于磁共振影像的卒中复发预测系统，还包括：大脑年龄预测模型确定模块，
所述大脑年龄预测模型确定模块包括：
第一数据获取单元，用于获取所述健康老年人的基线DWI-B0磁共振影像和真实年龄；
基于年龄的卷积神经网络模型构建单元，用于构建所述基于年龄的卷积神经网络模型；所述基于年龄的卷积神经网络模型包括：五个相同的卷积块；各所述卷积块均包括两个相同的卷积单元和一个最大池化层；各所述卷积单元均包括一个卷积层、一个ReLU激活函数和一个3D批标准化层；
基于年龄的卷积神经网络模型训练单元，用于以所述健康老年人的基线DWI-B0磁共振影像为输入，以所述健康老年人的真实年龄为输出，采用反向传播算法和梯度下降算法对所述基于年龄的卷积神经网络模型进行训练，得到第一大脑年龄预测模型；
大脑年龄预测模型确定单元，用于采用交叉验证法对所述第一大脑年龄预测模型进行调整，并将调整后的第一大脑年龄预测模型确定为大脑年龄预测模型。
可选的，所述基于磁共振影像的卒中复发预测系统，还包括：卒中复发预测模型确定模块，
所述卒中复发预测模型确定模块包括：
第二数据获取单元，用于获取不同卒中复发情况的卒中患者的磁共振影像集、不同卒中复发情况的卒中患者的大脑年龄差和对应的卒中复发程度；
基于卒中复发程度的分类模型构建单元，用于构建所述基于卒中复发程度的分类模型；所述基于卒中复发程度的分类模型包括：依次连接的卷积神经网络模块、图卷积神经网络模块和全连接模块；
基于卒中复发程度的分类模型训练单元，用于以所述不同卒中复发情况的卒中患者的磁共振影像集为所述卷积神经网络模块的输入，以所述卷积神经网络模块输出的不同卒中复发情况的卒中患者的磁共振影像集的影像学特征为所述图卷积神经网络模块的输入；以所述不同卒中复发情况的卒中患者的大脑年龄差和所述图卷积神经网络模块输出的不同卒中复发情况的卒中患者的病灶的空间位置信息为所述全连接模块的输入，以对应的卒中复发程度为输出，采用反向传播算法和梯度下降算法进行训练，得到第一卒中复发预测模型；
卒中复发预测模型确定单元，用于采用交叉验证法对所述第一卒中复发预测模型进行调整，并将调整后的第一卒中复发预测模型确定为卒中复发预测模型。
可选的，所述基于磁共振影像的卒中复发预测系统，还包括：
图像预处理模块，用于对所述磁共振影像集依次进行图像线性配准、图像切分和图像数据标准化操作。
可选的，所述基于卒中复发程度的分类模型构建单元还包括注意力机制模块，所述注意力机制模块的输入端与所述图卷积神经网络模块的输出端连接，所述注意力机制模块的输出端与所述全连接模块的输入端连接；所述注意力机制模块用于将所述病灶的空间位置信息按照通道方向和图节点方向分别进行一维卷积处理得到所述病灶的空间位置信息的权值，再将所述权值和所述病灶的空间位置信息相乘，得到加权后的病灶的空间位置信息。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明基于入院时采集的磁共振影像及纵向随访评估结果，通过深度学习方法建立影像学特征与未来复发情况关系的高维模型，实现通过影像学信息就可以预测卒中复发的风险，提高了预测的精度和效率。
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为本发明实施例1基于磁共振影像的卒中复发预测方法的流程图；
图2为本发明实施例1中卷积神经网络模块的组成示意图；
图3为本发明实施例1中基于卒中复发程度的分类模型的组成示意图；
图4为本发明实施例1中注意力机制模块的组成示意图；
图5为本发明实施例1图像切分的结果示意图；
图6为本发明实施例2基于磁共振影像的卒中复发预测系统的组成示意图；
图7为实施例3中基于年龄的卷积神经网络模型的组成示意图。
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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，一种基于磁共振影像的卒中复发预测方法，包括：
101：获取待测患者的磁共振影像集和真实年龄。所述磁共振影像集包括：基线DWI-B0核磁共振影像、基线DWI-B1000磁共振影像和病灶分割图。
102：将所述待测患者的基线DWI-B0核磁共振影像输入至大脑年龄预测模型，得到所述待测患者的大脑预测年龄。所述大脑年龄预测模型是以健康老年人的基线DWI-B0核磁共振影像为输入，以所述健康老年人的真实年龄为输出，对基于年龄的卷积神经网络模型进行训练得到的；所述基于年龄的卷积神经网络模型是采用Pytorch深度学习框架，基于密集卷积神经网络构建得到的。
103：将所述待测患者的大脑预测年龄和所述待测患者的真实年龄做差得到所述待测患者的大脑年龄差。
104：将所述待测患者的磁共振影像集和所述待测患者的大脑年龄差输入至卒中复发预测模型，得到待测患者的卒中复发预测结果。所述卒中预测模型是以不同卒中复发程度的患者的磁共振影像集和不同卒中复发程度的患者的大脑年龄差为输入，以对应的卒中复发程度为输出，对基于卒中复发程度的分类模型进行训练得到的；所述基于卒中复发程度的分类模型是由卷积神经网络和图卷积神经网络构建得到的。
其中，所述大脑年龄预测模型的确定方法可以为：
获取所述健康老年人的基线DWI-B0磁共振影像和真实年龄。
构建所述基于年龄的卷积神经网络模型；所述基于年龄的卷积神经网络模型包括：五个相同的卷积块；各所述卷积块均包括两个相同的卷积单元和一个最大池化层(步长2×2×2)；各所述卷积单元均包括一个卷积层(步长3×3×3)、一个ReLU激活函数和一个3D批标准化层。
以所述健康老年人的基线DWI-B0磁共振影像为输入，以所述健康老年人的真实年龄为输出，采用反向传播算法和梯度下降算法对所述基于年龄的卷积神经网络模型进行训练，选取预测精度高(均值误差最低)、泛化性能强(训练集和测试集误差差异小)的模型参数(卷积核及全连接层的权重)进行保存，得到第一大脑年龄预测模型。
采用交叉验证法对所述第一大脑年龄预测模型的超参数(学习率、通道个数、卷积核大小、L2权重衰减系数)进行调整，并将调整后的第一大脑年龄预测模型确定为大脑年龄预测模型。
其中，所述卒中复发预测模型的确定方法可以为：
获取不同卒中复发情况的卒中患者的磁共振影像集、不同卒中复发情况的卒中患者的大脑年龄差和对应的卒中复发程度。
构建所述基于卒中复发程度的分类模型；如图3所示，所述基于卒中复发程度的分类模型包括：依次连接的卷积神经网络模块、图卷积神经网络模块和全连接模块。
以所述不同卒中复发情况的卒中患者的磁共振影像集为所述卷积神经网络模块的输入，以所述卷积神经网络模块输出的不同卒中复发情况的卒中患者的磁共振影像集的影像学特征为所述图卷积神经网络模块的输入；以所述不同卒中复发情况的卒中患者的大脑年龄差和所述图卷积神经网络模块输出的不同卒中复发情况的卒中患者的病灶的空间位置信息为所述全连接模块的输入，以对应的卒中复发程度为所述全连接模块的输出，采用反向传播算法和梯度下降算法进行训练，选取预测精度高(均值误差最低)、泛化性能强(训练集和测试集误差差异小)的模型参数(卷积核及全连接层的权重)进行保存，得到第一卒中复发预测模型。
采用交叉验证法对所述第一卒中复发预测模型的超参数(学习率、通道个数、卷积核大小、L2权重衰减系数)进行调整，并将调整后的第一卒中复发预测模型确定为卒中复发预测模型。
其中，在所述获取待测患者的磁共振影像集之后，还包括：
对所述磁共振影像集依次进行图像线性配准、图像切分和图像数据标准化操作。
其中，为凸显图卷积网络中所提取关键特征信息，本发明在图卷积神经网络模块后，设计添加注意力机制模块。所述基于卒中复发程度的分类模型还包括注意力机制模块，所述注意力机制模块的输入端与所述图卷积神经网络模块的输出端连接，所述注意力机制模块的输出端与所述全连接模块的输入端连接；如图4所示，所述注意力机制模块用于将所述病灶的空间位置信息按照通道方向和图节点方向分别进行一维卷积处理得到所述病灶的空间位置信息的权值，再将所述权值和所述病灶的空间位置信息相乘，通过对特征的加权处理，起到凸显重要特征，弱化无效信息的作用，得到加权后的病灶的空间位置信息。
其中，因为在图像采集过程中会有不同程度的成像差异，为防止这种差异对模型造成干扰，所以对图像进行图像配准过程，所述图像配准过程为将输入影像执行线性配准操作，可以使用FSL 5.0中FLIRT命令将基线DWI磁共振影像以MNI152-2mm模板为参考，执行线性配准，配准后图像尺寸为91×109×91，分辨率为2mm。
图像切分过程具体为：将输入影像分成6等分图像块：沿X轴二等分，沿Y轴三等分，并将原图降采样到与等分图像块等尺寸的图像块，共得到7个同尺寸的图像块，结果如图5所示。
为了防止影像采集设备的不同，造成影像数据中体素值分布不同对模型造成的干扰，所以对图像数据进行了标准化处理。图像数据标准化具体为：计算大脑轮廓内体素的平均值和标准差，将大脑轮廓内体素进行高斯标准化。
其中，所述将所述待测患者的磁共振影像集和所述待测患者的大脑年龄差输入至卒中复发预测模型，得到待测患者的卒中复发预测结果具体过程为：
将所述待测患者的磁共振影像集和所述待测患者的大脑年龄差输入至训练好的基于卒中复发程度的分类模型模型中，经基于卒中复发程度的分类模型网络计算后，抽取基于卒中复发程度的分类模型中全连接模块中32维全连接层的输出，保存为高维影像学信息，然后将所述高维影像学信息与所述待测患者的磁共振影像集中的DWI-B0影像进行叠加显示，获取对应病灶部位的热力图图像，根据所述热力图像得到对应部位的卒中复发预测结果。
实施例2
如图6所示，一种基于磁共振影像的卒中复发预测系统，包括：
数据获取模块A1，用于获取待测患者的磁共振影像集和真实年龄；所述磁共振影像集包括：基线DWI-B0核磁共振影像、基线DWI-B1000磁共振影像和病灶分割图.
大脑年龄预测模块A2，用于将所述待测患者的基线DWI-B0核磁共振影像输入至大脑年龄预测模型，得到所述待测患者的大脑预测年龄；所述大脑年龄预测模型是以健康老年人的基线DWI-B0核磁共振影像为输入，以所述健康老年人的真实年龄为输出，对基于年龄的卷积神经网络模型进行训练得到的；所述基于年龄的卷积神经网络模型是采用Pytorch深度学习框架，基于密集卷积神经网络构建得到的.
大脑年龄差计算模块A3，用于将所述待测患者的大脑预测年龄和所述待测患者的真实年龄做差得到所述待测患者的大脑年龄。
卒中复发预测模块A4，用于将所述待测患者的磁共振影像集和所述待测患者的大脑年龄差输入至卒中复发预测模型，得到待测患者的卒中复发预测结果；所述卒中预测模型是以不同卒中复发程度的患者的磁共振影像集和不同卒中复发程度的患者的大脑年龄差为输入，以对应的卒中复发程度为输出，对基于卒中复发程度的分类模型进行训练得到的；所述基于卒中复发程度的分类模型是由卷积神经网络和图卷积神经网络构建得到的。
作为一种可选的实施方式，所述基于磁共振影像的卒中复发预测系统，还包括：大脑年龄预测模型确定模块，所述大脑年龄预测模型确定模块包括：
第一数据获取单元，用于获取所述健康老年人的基线DWI-B0磁共振影像和真实年龄；基于年龄的卷积神经网络模型构建单元，用于构建所述基于年龄的卷积神经网络模型；所述基于年龄的卷积神经网络模型包括：五个相同的卷积块；各所述卷积块均包括两个相同的卷积单元和一个最大池化层；各所述卷积单元均包括一个卷积层、一个ReLU激活函数和一个3D批标准化层；基于年龄的卷积神经网络模型训练单元，用于以所述健康老年人的基线DWI-B0磁共振影像为输入，以所述健康老年人的真实年龄为输出，采用反向传播算法和梯度下降算法对所述基于年龄的卷积神经网络模型进行训练，得到第一大脑年龄预测模型；大脑年龄预测模型确定单元，用于采用交叉验证法对所述第一大脑年龄预测模型进行调整，并将调整后的第一大脑年龄预测模型确定为大脑年龄预测模型。
作为一种可选的实施方式，所述基于磁共振影像的卒中复发预测系统，还包括：卒中复发预测模型确定模块，所述卒中复发预测模型确定模块包括：第二数据获取单元，用于获取不同卒中复发情况的卒中患者的磁共振影像集、不同卒中复发情况的卒中患者的大脑年龄差和对应的卒中复发程度；基于卒中复发程度的分类模型构建单元，用于构建所述基于卒中复发程度的分类模型；所述基于卒中复发程度的分类模型包括：依次连接的卷积神经网络模块、图卷积神经网络模块和全连接模块；基于卒中复发程度的分类模型训练单元，用于以所述不同卒中复发情况的卒中患者的磁共振影像集为所述卷积神经网络模块的输入，以所述卷积神经网络模块输出的不同卒中复发情况的卒中患者的磁共振影像集的影像学特征为所述图卷积神经网络模块的输入；以所述不同卒中复发情况的卒中患者的大脑年龄差和所述图卷积神经网络模块输出的不同卒中复发情况的卒中患者的病灶的空间位置信息为所述全连接模块的输入，以对应的卒中复发程度为输出，采用反向传播算法和梯度下降算法进行训练，得到第一卒中复发预测模型；卒中复发预测模型确定单元，用于采用交叉验证法对所述第一卒中复发预测模型进行调整，并将调整后的第一卒中复发预测模型确定为卒中复发预测模型。
作为一种可选的实施方式，所述基于磁共振影像的卒中复发预测系统，还包括：
图像预处理模块，用于对所述磁共振影像集依次进行图像线性配准、图像切分和图像数据标准化操作。
作为一种可选的实施方式，所述基于卒中复发程度的分类模型构建单元还包括注意力机制模块，所述注意力机制模块的输入端与所述图卷积神经网络模块的输出端连接，所述注意力机制模块的输出端与所述全连接模块的输入端连接；所述注意力机制模块用于将所述病灶的空间位置信息按照通道方向和图节点方向分别进行一维卷积处理得到所述病灶的空间位置信息的权值，再将所述权值和所述病灶的空间位置信息相乘，得到加权后的病灶的空间位置信息。
实施例3
本实施例与上述实施例的不同在于：
其中，如图7所示，所述基于年龄的卷积神经网络模型中的第一个卷积块特征通道的数量可以被设置为8，并在进入到下一个卷积块之后对其进行加倍，以推断出一个足够丰富的大脑信息表征。
另外，为缓解梯度消失问题，提高特征的利用效率，本实施例将不同卷积块所学习到的特征映射串联起来，增加了后续层输入的变量，提高了网络的特征利用效率及学习效果。每个卷积块都将综合之前所有卷积块输出特征映射的信息以作输入，由于不同卷积块输出特征映射的尺寸是不同的，所以我们首先使用最大池化的方式将特征映射进行下采样，改变其尺寸，然后再将其与其他卷积块输出的特征映射串联成一个单独的张量，作为当前卷积块的输入，并在最后一个卷积块结束后，使用全局平均池化层，将特征映射矢量化为一个特征向量。最后的年龄预测是使用一个一维卷积层加上ReLU激活函数，它将全局平均池化得到的特征向量映射到一个单独的输出值。
其中，所述卷积神经网络模块为卷积神经网络结构，旨在通过卷积层的计算来提取出输入图像中隐含的影像学特征，所述卷积神经网络模块包含2个重复的Root卷积块和4个重复的ResBLK卷积块，其中Root卷积块为一个通道数为64的3×3×3卷积核，而ResBLK卷积块是由3个卷积单元组成的卷积块，每个卷积单元包括1个卷积层，1个batchnormalization层和一个ReLU激活层组成，如表1所示，并且第一卷积单元的输入和第三卷积单元的输出相连，形成短路连接形式，以提高特征利用效率并缓解梯度消失现象。具体网络结构和不同模块通道数如图2所示。
表1卷积神经网络模块结构组成表
本实施例的图卷积网络模块将7个图像块卷积后的特征映射进行降采样及全局平局池化，得到7个图节点，然后通过1维卷积，分成两步进行卷积(沿节点方向，沿通道方向)，卷积核尺寸为3，步长设为1。
本实施例中的卷积神经网络模块和图卷积神经网络模块部分能高效的从输入影像中提取特征信息，所述全连接模块用于将这些影像学信息和大脑年龄差进行融合，由卷积神经网络模块中提取到的信息，经过Bilinear处理，将特征降维到16维；将大脑年龄特征经全连接层升维至16维，将二者级联结合后，经32维全连接层后，再由2维全连接层输出得到模型二分类输出，得到卒中复发是高复发风险还是低复发风险。
本发明具有如下特点：
1、本发明使用深度学习方法，构建一个基于磁共振影像数据的卒中复发风险的评估系统，可以借助深度神经网络对磁共振影像数据分析，从而获得与卒中复发相关的影像学特征。
2、本发明从影像中提取出“大脑年龄差”作为关键影像学。
3、本发明使用基于卒中复发程度的分类模型网络结构，其包含的图卷积神经网络，能高效的提取到磁共振影像中病灶所包含的空间位置信息特征。
4、本发明借助计算机强大的计算能力，能够基于影像信息，快速准确地对卒中复发所涉及的影像学特征进行提取，免去繁琐的评估时间。
5、本发明还使用大脑年龄差作为重要的复发评估特征，同时也能作为评估当前影像输入所处大脑老化特征。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于磁共振影像的卒中复发预测方法，其特征在于，包括：
获取待测患者的磁共振影像集和真实年龄；所述磁共振影像集包括：基线DWI-B0核磁共振影像、基线DWI-B1000磁共振影像和病灶分割图；
将所述待测患者的基线DWI-B0核磁共振影像输入至大脑年龄预测模型，得到所述待测患者的大脑预测年龄；所述大脑年龄预测模型是以健康老年人的基线DWI-B0核磁共振影像为输入，以所述健康老年人的真实年龄为输出，对基于年龄的卷积神经网络模型进行训练得到的；所述基于年龄的卷积神经网络模型是采用Pytorch深度学习框架，基于密集卷积神经网络构建得到的；
将所述待测患者的大脑预测年龄和所述待测患者的真实年龄做差得到所述待测患者的大脑年龄差；
将所述待测患者的磁共振影像集和所述待测患者的大脑年龄差输入至卒中复发预测模型，得到待测患者的卒中复发预测结果；所述卒中预测模型是以不同卒中复发程度的患者的磁共振影像集和不同卒中复发程度的患者的大脑年龄差为输入，以对应的卒中复发程度为输出，对基于卒中复发程度的分类模型进行训练得到的；所述基于卒中复发程度的分类模型是由卷积神经网络和图卷积神经网络构建得到的；
所述卒中复发预测模型的确定方法为：
获取不同卒中复发情况的卒中患者的磁共振影像集、不同卒中复发情况的卒中患者的大脑年龄差和对应的卒中复发程度；
构建所述基于卒中复发程度的分类模型；所述基于卒中复发程度的分类模型包括：依次连接的卷积神经网络模块、图卷积神经网络模块和全连接模块；
以所述不同卒中复发情况的卒中患者的磁共振影像集为所述卷积神经网络模块的输入，以所述卷积神经网络模块输出的不同卒中复发情况的卒中患者的磁共振影像集的影像学特征为所述图卷积神经网络模块的输入；以所述不同卒中复发情况的卒中患者的大脑年龄差和所述图卷积神经网络模块输出的不同卒中复发情况的卒中患者的病灶的空间位置信息为所述全连接模块的输入，以对应的卒中复发程度为所述全连接模块的输出，采用反向传播算法和梯度下降算法进行训练，得到第一卒中复发预测模型；
采用交叉验证法对所述第一卒中复发预测模型进行调整，并将调整后的第一卒中复发预测模型确定为卒中复发预测模型。
2.根据权利要求1所述的一种基于磁共振影像的卒中复发预测方法，其特征在于，所述大脑年龄预测模型的确定方法为：
获取所述健康老年人的基线DWI-B0磁共振影像和真实年龄；
构建所述基于年龄的卷积神经网络模型；所述基于年龄的卷积神经网络模型包括：五个相同的卷积块；各所述卷积块均包括两个相同的卷积单元和一个最大池化层；各所述卷积单元均包括一个卷积层、一个ReLU激活函数和一个3D批标准化层；
以所述健康老年人的基线DWI-B0磁共振影像为输入，以所述健康老年人的真实年龄为输出，采用反向传播算法和梯度下降算法对所述基于年龄的卷积神经网络模型进行训练，得到第一大脑年龄预测模型；
采用交叉验证法对所述第一大脑年龄预测模型进行调整，并将调整后的第一大脑年龄预测模型确定为大脑年龄预测模型。
3.根据权利要求1所述的一种基于磁共振影像的卒中复发预测方法，其特征在于，在所述获取待测患者的磁共振影像集之后，还包括：
对所述磁共振影像集依次进行图像线性配准、图像切分和图像数据标准化操作。
4.根据权利要求1所述的一种基于磁共振影像的卒中复发预测方法，其特征在于，所述基于卒中复发程度的分类模型还包括注意力机制模块，所述注意力机制模块的输入端与所述图卷积神经网络模块的输出端连接，所述注意力机制模块的输出端与所述全连接模块的输入端连接；所述注意力机制模块用于将所述病灶的空间位置信息按照通道方向和图节点方向分别进行一维卷积处理得到所述病灶的空间位置信息的权值，再将所述权值和所述病灶的空间位置信息相乘，得到加权后的病灶的空间位置信息。
5.一种基于磁共振影像的卒中复发预测系统，其特征在于，包括：
数据获取模块，用于获取待测患者的磁共振影像集和真实年龄；所述磁共振影像集包括：基线DWI-B0核磁共振影像、基线DWI-B1000磁共振影像和病灶分割图；
大脑年龄预测模块，用于将所述待测患者的基线DWI-B0核磁共振影像输入至大脑年龄预测模型，得到所述待测患者的大脑预测年龄；所述大脑年龄预测模型是以健康老年人的基线DWI-B0核磁共振影像为输入，以所述健康老年人的真实年龄为输出，对基于年龄的卷积神经网络模型进行训练得到的；所述基于年龄的卷积神经网络模型是采用Pytorch深度学习框架，基于密集卷积神经网络构建得到的；
大脑年龄差计算模块，用于将所述待测患者的大脑预测年龄和所述待测患者的真实年龄做差得到所述待测患者的大脑年龄差；
卒中复发预测模块，用于将所述待测患者的磁共振影像集和所述待测患者的大脑年龄差输入至卒中复发预测模型，得到待测患者的卒中复发预测结果；所述卒中预测模型是以不同卒中复发程度的患者的磁共振影像集和不同卒中复发程度的患者的大脑年龄差为输入，以对应的卒中复发程度为输出，对基于卒中复发程度的分类模型进行训练得到的；所述基于卒中复发程度的分类模型是由卷积神经网络和图卷积神经网络构建得到的；
卒中复发预测模型确定模块，所述卒中复发预测模型确定模块包括：
第二数据获取单元，用于获取不同卒中复发情况的卒中患者的磁共振影像集、不同卒中复发情况的卒中患者的大脑年龄差和对应的卒中复发程度；
基于卒中复发程度的分类模型构建单元，用于构建所述基于卒中复发程度的分类模型；所述基于卒中复发程度的分类模型包括：依次连接的卷积神经网络模块、图卷积神经网络模块和全连接模块；
基于卒中复发程度的分类模型训练单元，用于以所述不同卒中复发情况的卒中患者的磁共振影像集为所述卷积神经网络模块的输入，以所述卷积神经网络模块输出的不同卒中复发情况的卒中患者的磁共振影像集的影像学特征为所述图卷积神经网络模块的输入；以所述不同卒中复发情况的卒中患者的大脑年龄差和所述图卷积神经网络模块输出的不同卒中复发情况的卒中患者的病灶的空间位置信息为所述全连接模块的输入，以对应的卒中复发程度为输出，采用反向传播算法和梯度下降算法进行训练，得到第一卒中复发预测模型；
卒中复发预测模型确定单元，用于采用交叉验证法对所述第一卒中复发预测模型进行调整，并将调整后的第一卒中复发预测模型确定为卒中复发预测模型。
6.根据权利要求5所述的一种基于磁共振影像的卒中复发预测系统，其特征在于，还包括：大脑年龄预测模型确定模块，
所述大脑年龄预测模型确定模块包括：
第一数据获取单元，用于获取所述健康老年人的基线DWI-B0磁共振影像和真实年龄；
基于年龄的卷积神经网络模型构建单元，用于构建所述基于年龄的卷积神经网络模型；所述基于年龄的卷积神经网络模型包括：五个相同的卷积块；各所述卷积块均包括两个相同的卷积单元和一个最大池化层；各所述卷积单元均包括一个卷积层、一个ReLU激活函数和一个3D批标准化层；
基于年龄的卷积神经网络模型训练单元，用于以所述健康老年人的基线DWI-B0磁共振影像为输入，以所述健康老年人的真实年龄为输出，采用反向传播算法和梯度下降算法对所述基于年龄的卷积神经网络模型进行训练，得到第一大脑年龄预测模型；
大脑年龄预测模型确定单元，用于采用交叉验证法对所述第一大脑年龄预测模型进行调整，并将调整后的第一大脑年龄预测模型确定为大脑年龄预测模型。
7.根据权利要求5所述的一种基于磁共振影像的卒中复发预测系统，其特征在于，还包括：
图像预处理模块，用于对所述磁共振影像集依次进行图像线性配准、图像切分和图像数据标准化操作。
8.根据权利要求5所述的一种基于磁共振影像的卒中复发预测系统，其特征在于，所述基于卒中复发程度的分类模型构建单元还包括注意力机制模块，所述注意力机制模块的输入端与所述图卷积神经网络模块的输出端连接，所述注意力机制模块的输出端与所述全连接模块的输入端连接；所述注意力机制模块用于将所述病灶的空间位置信息按照通道方向和图节点方向分别进行一维卷积处理得到所述病灶的空间位置信息的权值，再将所述权值和所述病灶的空间位置信息相乘，得到加权后的病灶的空间位置信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011055499.8A CN112690774B (zh) | 2020-09-29 | 2020-09-29 | 一种基于磁共振影像的卒中复发预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011055499.8A CN112690774B (zh) | 2020-09-29 | 2020-09-29 | 一种基于磁共振影像的卒中复发预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112690774A CN112690774A (zh) | 2021-04-23 |
| CN112690774B true CN112690774B (zh) | 2022-07-19 |
Family
ID=75505704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011055499.8A Active CN112690774B (zh) | 2020-09-29 | 2020-09-29 | 一种基于磁共振影像的卒中复发预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112690774B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112611994B (zh) * | 2020-12-21 | 2021-11-09 | 中国科学院上海微系统与信息技术研究所 | 一种极低场核磁共振成像系统及其基线校准方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107273704A (zh) * | 2017-07-12 | 2017-10-20 | 北京航空航天大学 | 一种脑卒中复发预测模型的建立方法及装置 |
| WO2018223275A1 (zh) * | 2017-06-06 | 2018-12-13 | 深圳先进技术研究院 | 基于深度卷积网的一维部分傅里叶并行磁共振成像方法 |
| 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 |
| CN111134677A (zh) * | 2020-02-14 | 2020-05-12 | 北京航空航天大学 | 一种基于磁共振影像的卒中致残预测方法及系统 |
-
2020
- 2020-09-29 CN CN202011055499.8A patent/CN112690774B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018223275A1 (zh) * | 2017-06-06 | 2018-12-13 | 深圳先进技术研究院 | 基于深度卷积网的一维部分傅里叶并行磁共振成像方法 |
| CN107273704A (zh) * | 2017-07-12 | 2017-10-20 | 北京航空航天大学 | 一种脑卒中复发预测模型的建立方法及装置 |
| 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 |
| CN111134677A (zh) * | 2020-02-14 | 2020-05-12 | 北京航空航天大学 | 一种基于磁共振影像的卒中致残预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112690774A (zh) | 2021-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Alzheimer's disease classification based on combination of multi-model convolutional networks | |
| CN113616184B (zh) | 基于多模态磁共振图像的脑网络建模与个体预测方法 | |
| CN110503630B (zh) | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 | |
| WO2023077603A1 (zh) | 一种异常脑连接预测系统、方法、装置及可读存储介质 | |
| WO2016192612A1 (zh) | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 | |
| CN111738363B (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
| CN113177943B (zh) | 一种脑卒中ct影像分割方法 | |
| CN108416364A (zh) | 分包融合集成学习数据分类方法 | |
| CN114298234B (zh) | 脑部医学影像分类方法、装置、计算机设备和存储介质 | |
| Rajput et al. | An accurate and noninvasive skin cancer screening based on imaging technique | |
| CN111461233A (zh) | 一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法及装置 | |
| CN111863247B (zh) | 基于结构磁共振影像的大脑年龄级联精炼预测方法及系统 | |
| CN111932522B (zh) | 一种基于脑成像大数据深度学习的阿尔兹海默症分类器 | |
| Sarwinda et al. | 3d-hog features–based classification using mri images to early diagnosis of alzheimer’s disease | |
| CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
| Zhu et al. | Deep multi-modal discriminative and interpretability network for alzheimer’s disease diagnosis | |
| Han et al. | A novel convolutional variation of broad learning system for Alzheimer’s disease diagnosis by using MRI images | |
| CN115830718A (zh) | 基于步态识别预测康复训练效果的数据处理系统 | |
| CN113962930A (zh) | 阿尔茨海默病风险评估模型建立方法和电子设备 | |
| CN112690774B (zh) | 一种基于磁共振影像的卒中复发预测方法和系统 | |
| CN116205915B (zh) | 一种基于掩码的大脑年龄评估方法、系统及电子设备 | |
| CN116452593B (zh) | 血管性认知障碍的ai评估模型的构建方法、装置及系统 | |
| CN111932523B (zh) | 一种基于脑成像大数据深度学习的性别分类器 | |
| Shi et al. | Recognizing the take-off action pattern of basketball players based on fuzzy neural network system | |
| Amin et al. | Automated psoriasis detection using deep learning |
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 |