CN113143246A - 基于多模态磁共振脑影像的帕金森病辅助临床决策系统 - Google Patents
基于多模态磁共振脑影像的帕金森病辅助临床决策系统 Download PDFInfo
- Publication number
- CN113143246A CN113143246A CN202110460660.8A CN202110460660A CN113143246A CN 113143246 A CN113143246 A CN 113143246A CN 202110460660 A CN202110460660 A CN 202110460660A CN 113143246 A CN113143246 A CN 113143246A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- decision
- images
- mri
- 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
- 208000018737 Parkinson disease Diseases 0.000 title claims abstract description 33
- 210000004556 brain Anatomy 0.000 title claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 6
- 208000000659 Autoimmune lymphoproliferative syndrome Diseases 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 210000003462 vein Anatomy 0.000 claims description 15
- 239000000835 fiber Substances 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 10
- 210000003140 lateral ventricle Anatomy 0.000 claims description 7
- 238000007636 ensemble learning method Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 238000004445 quantitative analysis Methods 0.000 abstract 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 19
- 238000002598 diffusion tensor imaging Methods 0.000 description 8
- 238000009792 diffusion process Methods 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 210000004324 lymphatic system Anatomy 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 102000003802 alpha-Synuclein Human genes 0.000 description 2
- 108090000185 alpha-Synuclein Proteins 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 241001573498 Compacta Species 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 238000012307 MRI technique Methods 0.000 description 1
- 206010061296 Motor dysfunction Diseases 0.000 description 1
- 208000037273 Pathologic Processes Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 208000015114 central nervous system disease Diseases 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 229960003638 dopamine Drugs 0.000 description 1
- 210000005064 dopaminergic neuron Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000009054 pathological process Effects 0.000 description 1
- 230000035778 pathophysiological process Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000003523 substantia nigra Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—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
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Neurology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Multimedia (AREA)
- Neurosurgery (AREA)
- Fuzzy Systems (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- High Energy & Nuclear Physics (AREA)
- Developmental Disabilities (AREA)
- Mathematical Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开一种基于多模态磁共振脑影像的帕金森病辅助临床决策系统。本系统包括输入模块、特征提取模块、特征融合模块以及决策模块；输入模块包括磁共振多模态图像输入及样本数据(人口学资料及临床资料)输入；特征提取模块用于对两个模态数据的特征提取，其中包括磁共振图像预处理，并提取感兴趣区域的特征数据；特征融合模块：将提取的影像特征数据进行融合，将计算获得的DTI‑ALPS值构造成一个串联特征矩阵X，将样本数据串联成一个相应矩阵Y；决策模块用于对特征进行学习、数据回归和分类，最后获得结果。针对目前帕金森病的判断，本发明定量分析多模态数据，对于早期判断帕金森病具有重要意义。
Description
技术领域
本发明属于医学影像的计算机分析技术的应用领域，涉及一种基于多模态磁共振脑影像的帕金森病临床决策系统，是一种基于多模态磁共振脑影像结合患者资料的帕金森病临床决策系统。
背景技术
帕金森病(Parkinson’s Disease,PD)是全球第二大常见中枢神经系统退行性疾病，其核心病理过程是α-突触核蛋白(α-synuclein)异常聚集及中脑黑质致密部多巴胺能神经元变性丢失造成运动功能障碍。目前PD的判断主要基于临床医生对于临床症状的经验性判断，而大多数患者在诊断PD时中脑多巴胺神经元就已损失70％以上，因此，准确有效的早期预测系统对于预防PD起病，延缓疾病进展尤为必要。
磁共振成像(Magnetic Resonance Imaging,MRI)具有高分辨率、无创、低成本、可提供多序列影像等优点，广泛应用于PD等中枢神经系统疾病的诊断。但由于该病早期临床症状不典型，常规MRI检查对诊断PD具有一定的局限性，更何况是早期预测疾病的发生。近年来随着功能成像的快速发展，许多MRI的新技术广泛应用于PD的研究中，对PD的预测、诊断、鉴别诊断以及其结构和功能方面的改变提供了更多的影像诊断依据。
近年研究者发现，类淋巴系统(glymphatic system)或称脑胶质-淋巴系统可将脑实质的可溶性代谢废物经血管周围间隙(perivascular space,PVS)构成的功能管道网络清除出颅。既往研究已证实，类淋巴系统下游堵塞会引起小鼠脑实质不同脑区α-synuclein沉积加重，诱发运动障碍症状，证明类淋巴系统参与PD病理生理进程，与PD起病有关，但尚缺乏可应用于临床的无创手段以评估PD患者的类淋巴系统功能，以期早期判断及预测疾病的发生发展。
最新研究发现，通过计算MRI弥散序列上髓静脉周围间隙弥散系数(diffusiontensor image analysis along the perivascular space,DTI-ALPS)可间接评估PVS内液体流动速度，从而反映类淋巴系统功能。鉴于类淋巴系统可能与PD有关，而国内外尚无研究将DTI-ALPS应用于PD疾病的临床决策，本专利提出一种基于DTI-ALPS数据进行帕金森病的临床分析，能够反映PD患者类淋巴系统的潜在功能，从而为医生提供更准确的临床决策建议。
发明内容
本发明的目的在于提供一种基于多模态磁共振脑影像的帕金森病辅助临床决策系统。主要利用输入多模态MRI(DTI及QSM图像)数据以及样本数据，进行特征提取后再进行特征融合，最终利用集成学习的方法进行分类学习，从而为医生提供有效的辅助临床决策参考。
为达此目的，本发明采用以下技术方案：
一种基于多模态磁共振脑影像的帕金森病辅助临床决策系统，包括输入模块、特征提取模块、特征融合模块和决策模块，所述输入模块连接特征提取模块，特征提取模块连接特征融合模块，特征融合模块连接决策模块。
其中，所述输入模块：包含两个模态的输入，第一模态为MRI图像输入，主要通过QSM图像(Quantitative Susceptibility Mapping，磁敏感定量成像技术)确定髓静脉走行显著垂直侧脑室体的层面，通过DTI图像(Diffusion Tensor Imaging，弥散张量成像)获取髓静脉走行垂直侧脑室体层面的投射纤维及关联纤维的FA(Fractional Anisotropy，各向异性分数)值；第二模态为样本数据输入，包括样本人口学资料及临床资料。
所述特征提取模块：包含两个模态的数据提取。第一模态用于对MRI图像进行图像预处理，还用于对预处理后的图像提取ROI区域的特征数据，分别获得ROI区域沿x轴、y轴和z轴方向的FA值与扩散率图。通过计算公式，得出髓静脉周围DTI-ALPS值；第二模态用于提取样本数据。所述特征提取模块中的预处理方式包括格式化、归一化、分割以及平滑。
本发明分别提取了髓静脉垂直侧脑室体层面的投射纤维及关联纤维内直径为5毫米的ROI(region of interest,感兴趣区)目标区域的FA值及弥散率，通过公式计算得到髓静脉周围间隙DTI-ALPS指数。
所述特征融合模块：对特征提取模块提取到的特征进行特征融合，与样本数据(人口学资料及临床资料)的特征进行融合后再进行分类。
所述决策模块：用于将特征选择后的多模态特征数据输入决策模块后，通过多模态学习算法对特征进行学习，同时进行数据的回归和分类，最终获得临床决策建议。
本发明系统的使用方法，通过如下步骤实现：
(1)读入MRI的DTI及QSM两个模态数据并进行预处理；
(2)对MRI图像采用不同的特征提取的方法提取特征；
(3)采用集成学习的方法对两个通道的数据进行集成学习，然后采用不同的特征融合的方法对两个通道的特征进行融合；
(4)利用不同类型的分类器对融合特征进行分类，获得辅助临床决策结果，本发明结果不能直接用于疾病的诊断和治疗，但可为医生进行诊断提供辅助参考。
本发明与现有技术比较，具有如下显而易见的实质性特点和显著优点：本发明是一种基于多模态磁共振髓静脉周围间隙弥散系数的帕金森病辅助临床决策系统，采用了本发明的系统，能够将多种模态的所表征的特性相结合，优化损失函数的特征选择方法，也能够实现同时完成回归与分类的任务，最大化的利用了受检者的信息，并为医生的决策提供了有效的辅助作用。
附图说明
图1为本发明所述基于多模态磁共振脑影像的帕金森病辅助临床决策系统结构示意图。
图2为本发明输入MRI两个模态数据并进行预处理，并计算髓静脉周围间隙DTI-ALPS指数的操作示意图。
具体实施方式
下面结合附图和具体实例对本发明进行详细说明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
实施例1
参见图1，一种基于多模态磁共振脑影像的帕金森病辅助临床决策系统，包括输入模块、特征提取模块、特征融合模块和决策模块；所述输入模块连接特征提取模块，特征提取模块连接特征融合模块，特征融合模块连接决策模块。
输入模块：包含两个模态的输入。第一模态为MRI数据输入模块，包括通过QSM图像确定髓静脉走行显著垂直侧脑室体的层面，通过DTI图像分别获取髓静脉走行垂直侧脑室体层面的投射纤维及关联纤维的FA值；第二模态为样本数据输入模块，包括样本人口学资料及临床资料。
特征提取模块：包含两个模态的数据提取。第一模态用于对MRI图像进行图像预处理，还用于对预处理后的图像提取ROI区域的特征数据，分别获得ROI区域沿x轴、y轴和z轴方向的FA值与扩散率图。通过计算公式，得出髓静脉周围DTI-ALPS值；第二模态用于提取样本数据。所述特征提取模块中的预处理方式包括格式化、归一化、分割以及平滑。
特征融合模块：将MRI髓静脉周围间隙DTI-ALPS值构造成一个串联特征矩阵X，将样本数据串联成一个相应矩阵Y。
决策模块：用于将特征选择后的多模态特征数据输入决策模块后，通过多模态学习算法对特征进行学习，同时进行数据的回归和分类，最终获得决策结果，供医生进行决策辅助参考。
实施例2
所述的基于多模态磁共振脑影像的帕金森病辅助临床决策系统的应用，包括如下步骤：
(1)输入两个模态的数据。第一模态为MRI数据输入模块，读入多模态MRI的DTI及QSM两个模态数据并进行预处理；第二模态为样本数据输入模块，包括样本的人口学资料及临床资料；
(2)提取两个模态的数据。第一模态用于对MRI两组图像(QSM及DTI图像)进行预处理，对MRI图像采用不同的特征提取的方法提取特征；第二模态用于提取样本数据。
(3)采用集成学习的方法对两个通道的数据进行集成学习，然后采用不同的特征融合的方法对两个通道的特征进行融合；
(4)利用不同类型的分类器对融合特征进行分类，获得结果，供医生进行决策辅助参考。
具体地，如图2所示，提供一个实施例：
分别计算ROI内沿x轴、y轴和z轴方向的弥散扩散性。
S1：读入MRI两种模态图像，根据不同图像利用不同软件进行图像预处理，包括格式化、归一化、分割以及平滑。其中，QSM图像使用敏感性张量成像套件V3.0软件包(https://people.eecs.berkeley.edu/～chunlei.liu/software.html)获得，并通过STAR-QSM(Streaking Artifact Reduction for QSM)方法计算。DTI图像由FMRIB软件库(FSL，http://www.fmrib.ox.ac.uk/fsl/)处理。预处理程序包括以下步骤。1)使用FSL的"BET"工具进行脑提取；2)使用FSL软件的"eddy_correct"工具进行图像失真和头部运动伪影校正，之后将原始的b-矢量按照仿射变换进行旋转；3)使用FSL软件的"DTIFIT"工具进行扩散张量拟合，计算出选定ROI区域(以颜色编码)的FA值和弥散扩散率，分别计算沿投射纤维及关联纤维ROI区域沿x轴、y轴和z轴方向的扩散性。扩散性沿x轴是血管周围间隙水流方向(Dx)，沿y轴(Dy)及z轴(Dz)分别指示垂直于血管周围间隙水流方向。
S2:计算MRI髓静脉周围间隙DTI-ALPS指数。在样本彩色FA图优势半球的髓静脉垂直侧脑室体层面，分别在投射纤维(蓝色)、关联纤维(绿色)上画直径为5毫米的球形ROI，并分别测量ROI沿x轴(Dxproj,Dxassoc)、y轴(Dyproj,Dyassoc)和z轴(Dzproj，Dzassoc)方向的扩散性。再将两个读数器的所有扩散性和ALPS-指数进行平均，并用于进一步分析。
ALPS指数＝平均值(Dxproj，Dxassoc)/平均值(Dyproj，Dzassoc)。
针对目前帕金森的发现，本发明通过定量分析多模态数据，对于早期发现帕金森病具有重要意义，不仅可以辅助提高决策的准确性，减少操作者的主管判断误差，而且对临床早期干预、减少后期残疾，具有一定的辅助指导意义。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.一种基于多模态医学影像的帕金森病辅助临床决策系统，其特征在于，本系统不直接用于决策和治疗，所述系统包括输入模块、特征提取模块、特征融合模块以及决策模块，所述输入模块连接特征提取模块，特征提取模块连接特征融合模块，特征融合模块连接决策模块；
输入模块：包含两个模态的输入。第一模态为MRI数据输入模块，包括通过QSM图像确定髓静脉走行显著垂直侧脑室体的层面，通过DTI图像获取髓静脉走行垂直侧脑室体层面的投射纤维及关联纤维的FA值；第二模态为样本数据输入模块，包括样本的人口学资料及临床资料。
特征提取模块：包含两个模态的数据提取。第一模态用于对MRI两组图像(QSM及DTI图像)进行预处理，还用于对预处理后的图像提取感兴趣区域的特征数据，分别获得感兴趣区沿x轴、y轴和z轴方向的FA值与扩散率图。通过计算公式得出髓静脉周围间隙的DTI-ALPS值；第二模态用于提取样本数据。
特征融合模块：将MRI髓静脉周围间隙DTI-ALPS值构造成一个串联特征矩阵X，将样本数据串联成一个相应矩阵Y；
决策模块：用于将特征选择后的多模态特征数据输入决策模块后，通过多模态学习算法对特征进行学习，同时进行数据的回归和分类，最终获得决策结果，供医生进行决策辅助参考。
2.根据权利要求1所述的基于多模态磁共振脑影像的帕金森病辅助临床决策系统，其特征在于：所述特征提取模块中的预处理方式包括格式化、归一化、分割以及平滑。
3.权利要求1所述系统的使用方法，其特征在于，通过如下步骤实现：
(1)输入两个模态的数据。第一模态为MRI数据输入模块，读入多模态MRI的DTI及QSM两个模态数据并进行预处理；第二模态为样本数据输入模块，包括样本的人口学资料及临床资料；
(2)提取两个模态的数据。第一模态用于对MRI两组图像(QSM及DTI图像)进行预处理，对MRI图像采用不同的特征提取的方法提取特征；第二模态用于提取样本数据；
(3)采用集成学习的方法对两个通道的数据进行集成学习，然后采用不同的特征融合的方法对两个通道的特征进行融合；
(4)利用不同类型的分类器对融合特征进行分类，获得结果，供医生进行决策辅助参考。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110460660.8A CN113143246A (zh) | 2021-04-27 | 2021-04-27 | 基于多模态磁共振脑影像的帕金森病辅助临床决策系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110460660.8A CN113143246A (zh) | 2021-04-27 | 2021-04-27 | 基于多模态磁共振脑影像的帕金森病辅助临床决策系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113143246A true CN113143246A (zh) | 2021-07-23 |
Family
ID=76871967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110460660.8A Pending CN113143246A (zh) | 2021-04-27 | 2021-04-27 | 基于多模态磁共振脑影像的帕金森病辅助临床决策系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113143246A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116612885A (zh) * | 2023-04-26 | 2023-08-18 | 浙江大学 | 一种基于多模态的慢性阻塞性肺病急性加重的预测装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961215A (zh) * | 2018-06-05 | 2018-12-07 | 上海大学 | 基于多模态医学影像的帕金森病辅助诊断系统和方法 |
| CN110544252A (zh) * | 2019-09-05 | 2019-12-06 | 重庆邮电大学 | 基于多模态磁共振脑影像的帕金森病辅助诊断系统 |
| US20200297211A1 (en) * | 2019-03-21 | 2020-09-24 | Synaptec Network, Inc | Diffusion tensor mr to monitor glymphatic system |
-
2021
- 2021-04-27 CN CN202110460660.8A patent/CN113143246A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961215A (zh) * | 2018-06-05 | 2018-12-07 | 上海大学 | 基于多模态医学影像的帕金森病辅助诊断系统和方法 |
| US20200297211A1 (en) * | 2019-03-21 | 2020-09-24 | Synaptec Network, Inc | Diffusion tensor mr to monitor glymphatic system |
| CN110544252A (zh) * | 2019-09-05 | 2019-12-06 | 重庆邮电大学 | 基于多模态磁共振脑影像的帕金森病辅助诊断系统 |
Non-Patent Citations (1)
| Title |
|---|
| HSIU-LING CHEN ET AL: "Associations among Cognitive Functions, Plasma DNA and Diffusion Tensor Image along the Perivascular Space (DTI-ALPS) in Patients with Parkinson’s Disease", 《HINDAWI OXIDATIVE MEDICINE AND CELLULAR LONGEVITY VOLUME 2021》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116612885A (zh) * | 2023-04-26 | 2023-08-18 | 浙江大学 | 一种基于多模态的慢性阻塞性肺病急性加重的预测装置 |
| CN116612885B (zh) * | 2023-04-26 | 2024-03-22 | 浙江大学 | 一种基于多模态的慢性阻塞性肺病急性加重的预测装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| You et al. | Application of generative adversarial networks (GAN) for ophthalmology image domains: a survey | |
| CN109965895B (zh) | 一种基于脑影像融合特征的构建癫痫灶定位分类器的方法 | |
| Ma et al. | ROSE: a retinal OCT-angiography vessel segmentation dataset and new model | |
| CN113571195B (zh) | 基于小脑功能连接特征的阿尔茨海默病早期的预测模型 | |
| WO2024083057A1 (zh) | 基于多模态磁共振成像的图卷积神经网络疾病预测系统 | |
| Chen et al. | Structural brain abnormalities in patients with primary open-angle glaucoma: a study with 3T MR imaging | |
| JP5468905B2 (ja) | 神経変性疾患の診断を支援するためのツール | |
| CN109691985A (zh) | 一种基于dti技术及svm的颞叶癫痫辅助诊断方法 | |
| CN110689536A (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 | |
| Mostafa et al. | Parkinson’s disease detection using ensemble architecture from mr images | |
| KR20170033771A (ko) | 생체의 화상 검사를 위한 roi의 설정 기술 | |
| CN113143246A (zh) | 基于多模态磁共振脑影像的帕金森病辅助临床决策系统 | |
| Yang et al. | Diagnosis of Parkinson’s disease based on 3D ResNet: The frontal lobe is crucial | |
| 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 | |
| Razzak et al. | A Cascaded Mutliresolution Ensemble Deep Learning Framework for Large Scale Alzheimer's Disease Detection using Brain MRIs | |
| Ya et al. | Machine learning models for diagnosis of parkinson’s disease using multiple structural magnetic resonance imaging features | |
| Rajinikanth et al. | Magnetic resonance imaging: recording, reconstruction and assessment | |
| Chandra et al. | CCsNeT: Automated Corpus Callosum segmentation using fully convolutional network based on U-Net | |
| Huang et al. | Automatic brain structure segmentation for 18F-fluorodeoxyglucose positron emission tomography/magnetic resonance images via deep learning | |
| Wang et al. | Deep learning-based automated segmentation of eight brain anatomical regions using head CT images in PET/CT | |
| Caligiuri et al. | Semi-automated assessment of the principal diffusion direction in the corpus callosum: differentiation of idiopathic normal pressure hydrocephalus from neurodegenerative diseases | |
| Jiang et al. | Hippocampus-based static functional connectivity mapping within white matter in mild cognitive impairment | |
| WO2021221008A1 (ja) | システム、制御方法及びプログラム | |
| Zhang et al. | An end-to-end multimodal 3D CNN framework with multi-level features for the prediction of mild cognitive impairment | |
| Farhan et al. | A comparative study of neuroimaging and pattern recognition techniques for estimation of Alzheimer’s |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210723 |