CN112837807A - 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法 - Google Patents
一种t2dm脑衰老认知障碍早期智能高精度辅诊方法 Download PDFInfo
- Publication number
- CN112837807A CN112837807A CN202110166876.3A CN202110166876A CN112837807A CN 112837807 A CN112837807 A CN 112837807A CN 202110166876 A CN202110166876 A CN 202110166876A CN 112837807 A CN112837807 A CN 112837807A
- Authority
- CN
- China
- Prior art keywords
- brain
- image
- brain aging
- t2dm
- cognitive impairment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 105
- 208000010877 cognitive disease Diseases 0.000 title claims abstract description 70
- 230000032683 aging Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 34
- 208000028698 Cognitive impairment Diseases 0.000 title claims abstract description 30
- 238000003745 diagnosis Methods 0.000 title claims abstract description 26
- 208000001072 type 2 diabetes mellitus Diseases 0.000 title claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005481 NMR spectroscopy Methods 0.000 claims description 6
- 230000001149 cognitive effect Effects 0.000 claims description 6
- 230000003557 neuropsychological effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 210000004884 grey matter Anatomy 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000013441 quality evaluation Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 206010020772 Hypertension Diseases 0.000 claims description 3
- 208000026350 Inborn Genetic disease Diseases 0.000 claims description 3
- 241000446313 Lamella Species 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 3
- 206010012601 diabetes mellitus Diseases 0.000 claims description 3
- 230000037213 diet Effects 0.000 claims description 3
- 235000005911 diet Nutrition 0.000 claims description 3
- 230000035622 drinking Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 208000016361 genetic disease Diseases 0.000 claims description 3
- 230000005415 magnetization Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000003625 skull Anatomy 0.000 claims description 3
- 230000007958 sleep Effects 0.000 claims description 3
- 230000000391 smoking effect Effects 0.000 claims description 3
- 210000001519 tissue Anatomy 0.000 claims description 3
- 210000004885 white matter Anatomy 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 26
- 238000013135 deep learning Methods 0.000 description 5
- 206010012289 Dementia Diseases 0.000 description 4
- 239000000090 biomarker Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 206010039966 Senile dementia Diseases 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 230000006931 brain damage Effects 0.000 description 1
- 231100000874 brain damage Toxicity 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000007823 neuropathy Effects 0.000 description 1
- 201000001119 neuropathy Diseases 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 208000024891 symptom Diseases 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Multimedia (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种T2DM脑衰老认知障碍早期智能高精度辅诊方法,针对T2DM脑衰老认知障碍分类统计的迫切需求,通过采集脑衰老认知障碍患者的临床资料和脑部MRI图像数据,对图像进行图像预处理及数据增强操作,利用神经网络方法对图像进行处理,自动检测脑衰老认知障碍患者T2DM脑衰老认知障碍情况并输出检测结果。本发明能够辅助医生对脑衰老认知障碍患者T2DM脑衰老认知障碍情况诊断,大幅度地提高识别效率,有助于减轻检验人员的工作压力和负担,降低人力资源的消耗,可以更好地为医疗资源紧缺的地区服务。
Description
技术领域
本发明涉及深度学习技术领域,更具体地说,涉及一种T2DM脑衰老认知障碍早期智能高精度辅诊方法。
背景技术
随着计算机技术的发展,全脑定量分析已成为神经科学研究的一个趋势,结构MRI发现脑结构的萎缩先于认知功能损伤之前发生,可作为一个重要的生物学标志物用于AD早期的诊断及检测,随着医学与计算机的飞速发展,人工智能(artificial intelligence,AI)已经开始影响医疗行业的各个领域,“人工智能+影像医学”更是现在发展的重点。图像识别是深度学习(deep learning,DL)等人工智能技术进步最快的领域之一,卷积神经网络(convolutional neuralnetworks.CNN)以及深度卷积神经网络(Deep convolutionalneural networks.DNN)等深度学习算法利用数据量以及计算量作为模型驱动力,通过局部连接和权值共享减少了神经网络需要训练的参数个数,最终实现了超越传统方法的图像识别性能。
痴呆症已经成为了一种全球性的问题,它不仅给患者家庭、护理人员以及社会带来了严重的经济、精神负担,也伤害了家人之间的感情。造成痴呆的原因很,最常见的痴呆症种类是老人痴呆症(即阿尔茨海默病)。据了解目前,中国有AD患者500多万,约占总数的1/4,,而且每年平均有30万新发病例;女性发病率高;并且随岁年龄增长发病率越高,75岁以上达8.26%,80岁以上高达11.4%23。
AD是一种神经退行性疾病,隐袭起病、缓慢进展和逐渐加重的痴呆是其特点。
长久以来AD的各种临床试验治疗方法均没有起到很好的疗效,临床试验失败的原因可能是这些神经病变在认知功能障碍出现之前十几年甚至几十年已经开始了,不可逆转的大脑损伤可能已经发生。因此,对脑衰老认知障碍早期智能高精度辅诊已成为当前的一个热点话题。
目前对于AD的治疗,只能够减轻相关的临床症状,并不能影响疾病的进展,所以AD早期的准确诊断对患者的护理和未来治疗的发展具有重要意义。有利于早期诊断的生物学标志物中,最有前景的就是脑脊液生物标识物、磁共振成像(Magnetic ResonanceImagingMRI)和正电子发射断层扫描(Positron Emission Computed Tomography,PET)。MRI成像和PET成像属于结构和功能神经成像,提供了强大的成像模式,以帮助了解与AD相关的解剖和功能神经变化。但是PET的检查费用较昂贵,相比之下MRI是一种较便宜且完全无创的检查手段,最重要的是它可以多个序列的观察疾病的发生、发展,而且MRI在神经系统疾病的诊断上有其独特的优势。
然而利用人工智能和深度学习算法建立神经影像全脑定量计算工具,从而建立脑衰老认知障碍早期智能高精度辅诊模型和系统,为临床能够尽早发现并确诊MCI提供快速智能化的方法是一项非常具有挑战性的工作。
发明内容
本发明要解决的技术问题在于,针对现有技术的缺陷,提供一种T2DM脑衰老认知障碍早期智能高精度辅诊方法。
本发明解决其技术问题所采用的技术方案是:构造一种T2DM脑衰老认知障碍早期智能高精度辅诊方法,包括:
采集脑衰老认知障碍患者的临床资料和脑部MRI图像数据,进行图像预处理后,划分训练集和测试集;
由特征提取部分(Feature Extraction Part,FEP)和特征组合部分(FeatureCombination Part,FCP)以构建3D-CNN卷积神经网络,并将作为训练集的脑衰老认知障碍患者的脑部MRI图像数据输入3D-CNN卷积神经网络中进行训练,调节网络参数与函数,至输出的结果为准确分类结果为止,训练完成后将作为测试集的脑衰老认知障碍患者的脑部MRI图像数据输入训练好的3D-CNN卷积神经网络,验证3D-CNN卷积神经网络的准确性;
将实时拍摄的脑衰老认知障碍患者的脑部MRI图像数据输入训练完成的3D-CNN卷积神经网络,通过网络模型的计算,输出的结果作为对输入的脑衰老认知障碍患者的脑部MRI图像数据是否发生病变的诊断结果。
其中,在采集脑衰老认知障碍患者的临床资料和脑部MRI图像数据的步骤中,包括步骤:
采集脑衰老认知障碍患者的临床资料信息,至少包括:性别、年龄、受教育年限、饮食情况、睡眠情况、吸烟饮酒史、高血压病史、糖尿病病史及相关遗传病家族史;
通过神经心理学量表测试,对采集脑衰老认知障碍患者的轻度认知功能障碍进行评估;
通过核磁共振扫码设备对脑衰老认知障碍患者的脑部MRI图像进行采集。
其中,所述神经心理学量表测试是采用中文版蒙特利尔认知评估量表(MontrealCognitive Assessment,MoCA)对轻度认知功能障碍进行评估,以了解整体认知情况。
其中,在通过核磁共振扫码设备对脑衰老认知障碍患者的脑部MRI图像进行采集的步骤中,
扫描设备采用德国Siemens 3.0T(Magnetom Verio)超导MRI扫描仪及配套的12通道标准头线圈;扫描过程中,扫描范围包含从颅顶至枕骨大孔,共176层图像;运用3D快速磁化强度预备梯度回拨序列(3D-TI MPRAGE)获得高分辨率3D-TIWI薄层矢状位结构图像。
其中,在对数据预处理操作的步骤中,包括:
对数据进行清洗:对被试的高分辨率3D-TIWI薄层矢状位结构图像进行质量进行评分,分值取为1-5分;排除图像质量评分1-3分的被试的高分辨率3D-TIWI薄层矢状位结构图像;
对数据进行增强:对经过图像质量评价的高分辨率3D-TIWI薄层矢状位结构图像进行基于体素的形态分析,通过使用仿射非线性变换的对称模板进行标准化,将每个对象的图像配准到标准MNI152空间中,并重采样到1.5x1.5x1.5mm;将处理完的脑影像划分为三个组织类别,分别代表灰质、白质和脑脊液。
其中,对被试的高分辨率3D-TIWI薄层矢状位结构图像进行质量进行评分的步骤中:
5分代表图像无运动伪影、图像质量佳、灰白质分界清晰;4分代表图像带有少量的运动伪影或者图像质量欠佳,但不影响观察者对灰白质边界的划分;3分代表有较大的运动伪影或图像质量较差,灰白质分界观察受影响;2分代表图像有很大的运动伪影进而导致图像模糊不清,严重影响对大脑解剖学结构的观察;1分代表图像错误、损坏或严重伪影,无法进行图像观察。
其中,在构建3D-CNN卷积神经网络的步骤中,特征提取部分FEP由四个3D跳越块(3D-skipping block)构成,每个3D跳越块包含两个3D卷积层,每个3D卷积层后面连接着组归一化层(GN)和一个修正线性单元(LeakyRelu),其中归一化层GN避开批大小(batchsize)对模型的影响,每个3D跳跃块的后面使用最大池化层进行脑影像特征的压缩;特征提取部分FCP使用三个卷积层对大脑特征进行组合,使用3D卷积层代替全连接层可以有效避免因特征矩阵导致的空间信息的丢失;同时,在特征组合部分的每个卷积层之后添加一个dropout层,dropout比率为0.5,以防止过拟合,当整个网络训练完,对网络最后三层卷积即FCP根据性别进行微调。
本发明提供了一种T2DM脑衰老认知障碍早期智能高精度辅诊方法,针对T2DM脑衰老认知障碍分类统计的迫切需求,通过采集脑衰老认知障碍患者的临床资料和脑部MRI图像数据,对图像进行图像预处理及数据增强操作,利用神经网络方法对图像进行处理,自动检测脑衰老认知障碍患者T2DM脑衰老认知障碍情况并输出检测结果。本发明能够辅助医生对脑衰老认知障碍患者T2DM脑衰老认知障碍情况诊断,大幅度地提高识别效率,有助于减轻检验人员的工作压力和负担,降低人力资源的消耗,可以更好地为医疗资源紧缺的地区服务。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明提供的一种T2DM脑衰老认知障碍早期智能高精度辅诊方法的流程示意图。
图2是本发明提供的一种T2DM脑衰老认知障碍早期智能高精度辅诊方法中图像数据预处理的示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
如图1所示,本发明提供了一种T2DM脑衰老认知障碍早期智能高精度辅诊方法,包括:
采集脑衰老认知障碍患者的临床资料和脑部MRI图像数据,进行图像预处理后,划分训练集和测试集;
由特征提取部分(Feature Extraction Part,FEP)和特征组合部分(FeatureCombination Part,FCP)以构建3D-CNN卷积神经网络,并将作为训练集的脑衰老认知障碍患者的脑部MRI图像数据输入3D-CNN卷积神经网络中进行训练,调节网络参数与函数,至输出的结果为准确分类结果为止,训练完成后将作为测试集的脑衰老认知障碍患者的脑部MRI图像数据输入训练好的3D-CNN卷积神经网络,验证3D-CNN卷积神经网络的准确性;
将实时拍摄的脑衰老认知障碍患者的脑部MRI图像数据输入训练完成的3D-CNN卷积神经网络,通过网络模型的计算,输出的结果作为对输入的脑衰老认知障碍患者的脑部MRI图像数据是否发生病变的诊断结果。
其中,在采集脑衰老认知障碍患者的临床资料和脑部MRI图像数据的步骤中,包括步骤:
采集脑衰老认知障碍患者的临床资料信息,至少包括:性别、年龄、受教育年限、饮食情况、睡眠情况、吸烟饮酒史、高血压病史、糖尿病病史及相关遗传病家族史;
通过神经心理学量表测试,对采集脑衰老认知障碍患者的轻度认知功能障碍进行评估;所述神经心理学量表测试是采用中文版蒙特利尔认知评估量表(MontrealCognitive Assessment,MoCA)对轻度认知功能障碍进行评估,以了解整体认知情况。
通过核磁共振扫码设备对脑衰老认知障碍患者的脑部MRI图像进行采集。
其中,在通过核磁共振扫码设备对脑衰老认知障碍患者的脑部MRI图像进行采集的步骤中,
扫描设备采用德国Siemens 3.0T(Magnetom Verio)超导MRI扫描仪及配套的12通道标准头线圈;扫描过程中,扫描范围包含从颅顶至枕骨大孔,共176层图像;运用3D快速磁化强度预备梯度回拨序列(3D-TI MPRAGE)获得高分辨率3D-TIWI薄层矢状位结构图像。
其中,在对数据预处理操作的步骤中,包括:
对数据进行清洗:对被试的高分辨率3D-TIWI薄层矢状位结构图像进行质量进行评分,分值取为1-5分;排除图像质量评分1-3分的被试的高分辨率3D-TIWI薄层矢状位结构图像;
对数据进行增强:对经过图像质量评价的高分辨率3D-TIWI薄层矢状位结构图像进行基于体素的形态分析,通过使用仿射非线性变换的对称模板进行标准化,将每个对象的图像配准到标准MNI152空间中,并重采样到1.5x1.5x1.5mm;将处理完的脑影像划分为三个组织类别,分别代表灰质、白质和脑脊液,如图2所示。
其中,对被试的高分辨率3D-TIWI薄层矢状位结构图像进行质量进行评分的步骤中:
5分代表图像无运动伪影、图像质量佳、灰白质分界清晰;4分代表图像带有少量的运动伪影或者图像质量欠佳,但不影响观察者对灰白质边界的划分;3分代表有较大的运动伪影或图像质量较差,灰白质分界观察受影响;2分代表图像有很大的运动伪影进而导致图像模糊不清,严重影响对大脑解剖学结构的观察;1分代表图像错误、损坏或严重伪影,无法进行图像观察。
其中,在构建3D-CNN卷积神经网络的步骤中,特征提取部分FEP由四个3D跳越块(3D-skipping block)构成,该结构参考了ResNet架构,目的是使得梯度可以更加顺利的流过整个网络,让后面的层可以得到更充分的训练,同时降低过拟合的风险,并且可以捕获更加深层次的特征。
每个3D跳越块包含两个3D卷积层,每个3D卷积层后面连接着组归一化层(GN)和一个修正线性单元(LeakyRelu),其中归一化层GN避开批大小(batch size)对模型的影响,每个3D跳跃块的后面使用最大池化层进行脑影像特征的压缩;特征提取部分FCP使用三个卷积层对大脑特征进行组合,使用3D卷积层代替全连接层可以有效避免因特征矩阵导致的空间信息的丢失;同时,在特征组合部分的每个卷积层之后添加一个dropout层,dropout比率为0.5,以防止过拟合,当整个网络训练完,对网络最后三层卷积即FCP根据性别进行微调。
本发明提供的一种T2DM脑衰老认知障碍早期智能高精度辅诊方法,其优点在于:
(1)本发明对认知功能障碍有较高区分度的灰质体素值进行研究,分别获取了每个样本的MRI灰质体素值,分类结果显示本发明的方法与现阶段同领域研究结果相比取得了较高的分类性能;
(2)本发明通过对对经过图像质量评价的高分辨率T1加权MRI图像进行基于体素的形态分析,通过使用仿射非线性变换的对称模板进行标准化,将每个对象的图像配准到标准MNI152空间中,获得的脑区灰质体素值准确率高,为后期获得高分类准确率提供了基础;
(3)本发明应用数据清洗和增强操作,很好的去除了不相关和冗余的信息,从而有效的提高分类性能和运算速度;
(4)本发明提出的预测模型上的3D跳层连接(3D skipping)可以全面训练更深的网络,进而学习到更复杂的深层次大脑特征,丰富了特征的组合从而获得更好的性能。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (7)
1.一种T2DM脑衰老认知障碍早期智能高精度辅诊方法,其特征在于,包括:
采集脑衰老认知障碍患者的临床资料和脑部MRI图像数据,进行图像预处理后,划分训练集和测试集;
由特征提取部分(Feature Extraction Part,FEP)和特征组合部分(FeatureCombination Part,FCP)以构建3D-CNN卷积神经网络,并将作为训练集的脑衰老认知障碍患者的脑部MRI图像数据输入3D-CNN卷积神经网络中进行训练,调节网络参数与函数,至输出的结果为准确分类结果为止,训练完成后将作为测试集的脑衰老认知障碍患者的脑部MRI图像数据输入训练好的3D-CNN卷积神经网络,验证3D-CNN卷积神经网络的准确性;
将实时拍摄的脑衰老认知障碍患者的脑部MRI图像数据输入训练完成的3D-CNN卷积神经网络,通过网络模型的计算,输出的结果作为对输入的脑衰老认知障碍患者的脑部MRI图像数据是否发生病变的诊断结果。
2.根据权利要求1所述的T2DM脑衰老认知障碍早期智能高精度辅诊方法,其特征在于,在采集脑衰老认知障碍患者的临床资料和脑部MRI图像数据的步骤中,包括步骤:
采集脑衰老认知障碍患者的临床资料信息,至少包括:性别、年龄、受教育年限、饮食情况、睡眠情况、吸烟饮酒史、高血压病史、糖尿病病史及相关遗传病家族史;
通过神经心理学量表测试,对采集脑衰老认知障碍患者的轻度认知功能障碍进行评估;
通过核磁共振扫码设备对脑衰老认知障碍患者的脑部MRI图像进行采集。
3.根据权利要求2所述的T2DM脑衰老认知障碍早期智能高精度辅诊方法,其特征在于,所述神经心理学量表测试是采用中文版蒙特利尔认知评估量表(Montreal CognitiveAssessment,MoCA)对轻度认知功能障碍进行评估,以了解整体认知情况。
4.根据权利要求2所述的T2DM脑衰老认知障碍早期智能高精度辅诊方法,其特征在于,在通过核磁共振扫码设备对脑衰老认知障碍患者的脑部MRI图像进行采集的步骤中,
扫描设备采用德国Siemens 3.0T(Magnetom Verio)超导MRI扫描仪及配套的12通道标准头线圈;扫描过程中,扫描范围包含从颅顶至枕骨大孔,共176层图像;运用3D快速磁化强度预备梯度回拨序列(3D-TI MPRAGE)获得高分辨率3D-TIWI薄层矢状位结构图像。
5.根据权利要求4所述的T2DM脑衰老认知障碍早期智能高精度辅诊方法,其特征在于,在对数据预处理操作的步骤中,包括:
对数据进行清洗:对被试的高分辨率3D-TIWI薄层矢状位结构图像进行质量进行评分,分值取为1-5分;排除图像质量评分1-3分的被试的高分辨率3D-TIWI薄层矢状位结构图像;
对数据进行增强:对经过图像质量评价的高分辨率3D-TIWI薄层矢状位结构图像进行基于体素的形态分析,通过使用仿射非线性变换的对称模板进行标准化,将每个对象的图像配准到标准MNI152空间中,并重采样到1.5x1.5x1.5mm;将处理完的脑影像划分为三个组织类别,分别代表灰质、白质和脑脊液。
6.根据权利要求5所述的T2DM脑衰老认知障碍早期智能高精度辅诊方法,其特征在于,对被试的高分辨率3D-TIWI薄层矢状位结构图像进行质量进行评分的步骤中:
5分代表图像无运动伪影、图像质量佳、灰白质分界清晰;4分代表图像带有少量的运动伪影或者图像质量欠佳,但不影响观察者对灰白质边界的划分;3分代表有较大的运动伪影或图像质量较差,灰白质分界观察受影响;2分代表图像有很大的运动伪影进而导致图像模糊不清,严重影响对大脑解剖学结构的观察;1分代表图像错误、损坏或严重伪影,无法进行图像观察。
7.根据权利要求1所述的T2DM脑衰老认知障碍早期智能高精度辅诊方法,其特征在于,在构建3D-CNN卷积神经网络的步骤中,特征提取部分FEP由四个3D跳越块(3D-skippingblock)构成,每个3D跳越块包含两个3D卷积层,每个3D卷积层后面连接着组归一化层(GN)和一个修正线性单元(LeakyRelu),其中归一化层GN避开批大小(batch size)对模型的影响,每个3D跳跃块的后面使用最大池化层进行脑影像特征的压缩;特征提取部分FCP使用三个卷积层对大脑特征进行组合,使用3D卷积层代替全连接层可以有效避免因特征矩阵导致的空间信息的丢失;同时,在特征组合部分的每个卷积层之后添加一个dropout层,dropout比率为0.5,以防止过拟合,当整个网络训练完,对网络最后三层卷积即FCP根据性别进行微调。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110166876.3A CN112837807B (zh) | 2021-02-05 | 2021-02-05 | 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110166876.3A CN112837807B (zh) | 2021-02-05 | 2021-02-05 | 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112837807A true CN112837807A (zh) | 2021-05-25 |
CN112837807B CN112837807B (zh) | 2024-01-23 |
Family
ID=75932576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110166876.3A Active CN112837807B (zh) | 2021-02-05 | 2021-02-05 | 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112837807B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117476208A (zh) * | 2023-11-06 | 2024-01-30 | 无锡市惠山区人民医院 | 一种基于时间序列的医学影像的认知功能障碍智能辅助识别系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145727A (zh) * | 2017-04-26 | 2017-09-08 | 中国人民解放军总医院 | 一种利用卷积神经网络的医学图像处理装置与方法 |
CN107563434A (zh) * | 2017-08-30 | 2018-01-09 | 山东大学 | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 |
CN108428225A (zh) * | 2018-01-30 | 2018-08-21 | 李家菊 | 基于多尺度多特征的影像科用脑部图像融合识别方法 |
CN109215028A (zh) * | 2018-11-06 | 2019-01-15 | 福州大学 | 一种基于卷积神经网络的多目标优化图像质量评估方法 |
CA3141427A1 (en) * | 2019-07-16 | 2021-01-21 | Mark CICERO | Approximating bone mineral density and fracture risk using single energy x-rays |
-
2021
- 2021-02-05 CN CN202110166876.3A patent/CN112837807B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145727A (zh) * | 2017-04-26 | 2017-09-08 | 中国人民解放军总医院 | 一种利用卷积神经网络的医学图像处理装置与方法 |
CN107563434A (zh) * | 2017-08-30 | 2018-01-09 | 山东大学 | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 |
CN108428225A (zh) * | 2018-01-30 | 2018-08-21 | 李家菊 | 基于多尺度多特征的影像科用脑部图像融合识别方法 |
CN109215028A (zh) * | 2018-11-06 | 2019-01-15 | 福州大学 | 一种基于卷积神经网络的多目标优化图像质量评估方法 |
CA3141427A1 (en) * | 2019-07-16 | 2021-01-21 | Mark CICERO | Approximating bone mineral density and fracture risk using single energy x-rays |
Non-Patent Citations (2)
Title |
---|
TEJ BAHADUR CHANDRA ET AL.: "Automatic detection of tuberculosis related abnormalities in Chest X-ray images using hierarchical feature extraction scheme", 《ELSEVIER SCIENCE》 * |
闻红斌;周宏斌;: "轻度认知障碍患者的脑血流变化", 中国临床康复, no. 37 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117476208A (zh) * | 2023-11-06 | 2024-01-30 | 无锡市惠山区人民医院 | 一种基于时间序列的医学影像的认知功能障碍智能辅助识别系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112837807B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Multi-modal deep learning model for auxiliary diagnosis of Alzheimer’s disease | |
Liu et al. | Towards clinical diagnosis: Automated stroke lesion segmentation on multi-spectral MR image using convolutional neural network | |
CN109035263B (zh) | 基于卷积神经网络的脑肿瘤图像自动分割方法 | |
Li et al. | Alzheimer's disease classification based on combination of multi-model convolutional networks | |
Yue et al. | Auto-detection of Alzheimer's disease using deep convolutional neural networks | |
CN110689536B (zh) | 基于多模态磁共振影像的大脑灰质及白质追踪方法及装置 | |
CN112348785B (zh) | 一种癫痫病灶定位方法及系统 | |
Klein et al. | Early diagnosis of dementia based on intersubject whole-brain dissimilarities | |
CN113222915B (zh) | 基于多模态磁共振影像组学的pd诊断模型的建立方法 | |
WO2024083058A1 (zh) | 一种大脑纤维束异常区域精准定位系统 | |
Cui et al. | Alzheimer's disease diagnosis using enhanced inception network based on brain magnetic resonance image | |
CN112927187A (zh) | —种自动识别定位局灶性皮质发育不良癫痫病灶的方法 | |
Han et al. | A novel convolutional variation of broad learning system for Alzheimer’s disease diagnosis by using MRI images | |
Sharma et al. | Conv-ervfl: Convolutional neural network based ensemble RVFL classifier for Alzheimer's disease diagnosis | |
CN115170540A (zh) | 一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法 | |
Yang et al. | Diagnosis of Parkinson’s disease based on 3D ResNet: The frontal lobe is crucial | |
CN112837807B (zh) | 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法 | |
Kruggel et al. | Analysis of longitudinal diffusion-weighted images in healthy and pathological aging: An ADNI study | |
CN116051545B (zh) | 一种双模态影像的脑龄预测方法 | |
CN110930349A (zh) | 一种利用卷积神经网络的医学图像处理装置与方法 | |
US20230022257A1 (en) | Determination of white-matter neurodegenerative disease biomarkers | |
Xu et al. | A Multi-scale Attention-based Convolutional Network for Identification of Alzheimer's Disease based on Hippocampal Subfields | |
CN114847922A (zh) | 一种基于纤维束自动识别的脑年龄预测方法 | |
Pallawi et al. | Study of Alzheimer’s disease brain impairment and methods for its early diagnosis: a comprehensive survey | |
Wasserthal et al. | Direct white matter bundle segmentation using stacked u-nets |
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 |