CN113962930B - 阿尔茨海默病风险评估模型建立方法和电子设备 - Google Patents

阿尔茨海默病风险评估模型建立方法和电子设备 Download PDF

Info

Publication number
CN113962930B
CN113962930B CN202111045947.0A CN202111045947A CN113962930B CN 113962930 B CN113962930 B CN 113962930B CN 202111045947 A CN202111045947 A CN 202111045947A CN 113962930 B CN113962930 B CN 113962930B
Authority
CN
China
Prior art keywords
scale
risk
model
magnetic resonance
score
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
CN202111045947.0A
Other languages
English (en)
Other versions
CN113962930A (zh
Inventor
刘勇
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202111045947.0A priority Critical patent/CN113962930B/zh
Publication of CN113962930A publication Critical patent/CN113962930A/zh
Application granted granted Critical
Publication of CN113962930B publication Critical patent/CN113962930B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/245—Classification techniques relating to the decision surface
    • G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请提供了一种阿尔茨海默病风险评估模型建立方法和电子设备，其中，该方法包括：获取结构磁共振的多尺度的特征，其中，所述多尺度：灰质体积、皮层厚度、形态学网络；根据所述多个尺度中各单尺度的特征，利用网格搜索采用内外层交叉验证的方法进行寻优，训练得到各单尺度的风险评分计算模型，以得到各单尺度指标的评分结果；利用逻辑回归，对所述各单尺度的评分结果进行融合，得到基于多尺度的风险评分融合模型。通过上述方案可以实现对阿尔茨海默病的准确预测，与单特征预测相比，可以达到更为准确的预测准确率。

Description

阿尔茨海默病风险评估模型建立方法和电子设备
技术领域
本申请属于数据处理技术领域，尤其涉及一种阿尔茨海默病风险评估模型建立方法和电子设备。
背景技术
随着科学技术的不断发展，多种机器学习技术已经在诸多领域得到了广泛应用，例如：计算机视觉、语音识别、自然语言处理、自动驾驶、癌症检测等。越来越多的研究期望利用机器学习方法来进一步提高脑疾病的诊断准确率，实现计算机辅助诊断。然而，如何准确评估老年人个体的阿尔茨海默病风险目前尚未提出有效的解决方案。
发明内容
本申请目的在于提供一种阿尔茨海默病风险评估模型建立方法和电子设备，可以实现对阿尔茨海默病的准确预测。
本申请提供一种阿尔茨海默病风险评估模型建立方法和电子设备是这样实现的：
一种阿尔茨海默病风险评估模型建立方法，包括：
获取结构磁共振的多尺度的特征，其中，所述多尺度：灰质体积、皮层厚度、形态学网络；
根据所述多个尺度中各单尺度的特征，利用网格搜索采用内外层交叉验证的方法进行寻优，训练得到各单尺度的风险评分计算模型，以得到各单尺度指标的评分结果；
利用逻辑回归，对所述各单尺度的评分结果进行融合，得到基于多尺度的风险评分融合模型。
在一个实施方式中，采用内外层交叉验证的方法进行寻优，训练得到各单尺度的风险评分计算模型，以得到各单尺度指标的评分结果，包括：
获取内部验证集和外部测试集；
将内部验证集输入各单尺度的风险评分计算模型进行训练；
当内部验证集准确率最高时，保存本次训练参数并将所述风险评分计算模型应用于外部训练集以构建最优模型，得到优化后的风险评分计算模型；
将外部测试集输入所述优化后的风险评分计算模型，得到各单尺度指标的评分结果。
在一个实施方式中，获取结构磁共振的多尺度的特征，包括：
获取多个原始脑磁共振影像；
将所述多个原始脑磁共振影像格式转换为标准的数据格式，并配准到标准空间；
对标准空间的图像分别分割出大脑的灰质密度图、皮层厚度，并建立形态学网络。
在一个实施方式中，对标准空间的图像分别分割出大脑的灰质密度图、皮层厚度，并建立形态学网络，包括：
每个原始脑磁共振影像提取为246个脑区的灰质体积、210个皮层厚度和246*246的形态学网络。
在一个实施方式中，利用逻辑回归，对所述各单尺度的评分结果进行融合，得到基于多尺度的风险评分融合模型之后，还包括：
按照如下公式计算将测试集输入基于多尺度的风险评分融合模型的分类准确率：
Figure BDA0003251185400000021
其中，accuracy表示准确率，TP表示判断正确的正类数量，TN表示判断正确的负类数量、FP表示判断错误的正类数量、FN表示判断错误的负类数量。
在一个实施方式中，利用逻辑回归，对所述各单尺度的评分结果进行融合，得到基于多尺度的风险评分融合模型，包括：
在对每个尺度的特征，进行风险评估模型的寻优的基础上，得到训练集的最优风险预测得分和测试集的最优风险预测得分；
将训练集的最优风险预测得分作为逻辑回归的训练集的输入，将测试集的最优风险预测得分作为逻辑回归的测试集的输入，得到测试样本的最终风险预测得分。
在一个实施方式中，在得到基于多尺度的风险评分融合模型之后，还包括：
获取脑磁共振影像；
对脑磁共振影像进行预处理，得到多尺度特征的样本数据；
将所述多尺度特征的样本数据输入所述基于多尺度的风险评分融合模型进行训练。
一种阿尔茨海默病风险确定方法，包括：
获取目标个体的脑磁共振影像；
将所述目标个体的脑磁共振影像输入通过上述方法建立的阿尔茨海默病风险评估模型，得到所述目标个体转化为阿尔茨海默病的概率。
一种电子设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现上述方法的步骤。
在上例中，在单个解剖学特征的基础上增加了形态学网络尺度的特征，从而可以全面刻画结构影像的病变，通过建立的基于多尺度的风险评分融合模型，可以实现对阿尔茨海默病的准确预测，与单特征预测相比，可以达到更为准确的预测准确率。
附图说明
为了更清楚地说明本申请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申请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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请提供的阿尔茨海默病风险评估模型建立方法一种实施例的方法流程图；
图2是本申请提供的构建的阿尔茨海默病风险评估模型示意图；
图3是本申请提供的基于多尺度结构磁共振影像的阿尔茨海默病风险评估的系统流程示意图；
图4是本申请提供的对所有高危人群进行风险评估后的结果示意图；
图5是本申请提供的一种阿尔茨海默病风险评估模型建立方法的电子设备的硬件结构框图；
图6是本申请提供的阿尔茨海默病风险评估模型建立装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
影像学生物标记是现代放射学的基石，提取表现更好的生物指标对于疾病的早期诊断、高危人群的风险预测及个体的精准医疗具有重要的作用。近年来，人们针对阿尔茨海默病的生物标记做了大量的工作，除影像学指标之外，β淀粉样蛋白(amyloid-β：Aβ)和神经缠结(Neurofibrillary Tangles：NFT)是阿尔茨海默病最为显著和最为可靠的生物学标记。对于Aβ和NFT而言，可以利用正电子发射型计算机断层显像(Positron EmissionComputed Tomography：PET)或者脑脊液(cerebrospinal fluid：CSF)检查来定量的计算。然而PET成像需要服用具有放射性的标记物，且价格昂贵。脑脊液检查主要是利用腰穿来获取人的脑脊液，从而定量计算Aβ和NFT和量，然而腰穿是一种有创的检查，阿尔茨海默病患者或阿尔茨海默病早期或阿尔茨海默病的高风险人群大都属于老年人，其年龄一般在65岁或70岁以上，有创的检查对于老年人的伤害较大。
结构磁共振具有无伤、快捷、普及、花费较小等优势，然而，结构磁共振所直接反应的体积等影像学生物标记具有敏感性弱、特异性差等缺点，无法在阿尔茨海默病早期或高危人群提供强有力的信息。
针对现有的阿尔茨海默病的风险预测方式所存在的问题，在本例中提供了一种阿尔茨海默病风险评估模型建立方法。
图1是本申请提供的阿尔茨海默病风险评估模型建立方法一种实施例的方法流程图。虽然本申请提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本申请实施例描述及附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构连接进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至分布式处理环境)。
具体的，如图1所示，上述的阿尔茨海默病风险评估模型建立方法可以包括如下步骤：
步骤101：获取结构磁共振的多尺度的特征，其中，所述多尺度：灰质体积、皮层厚度、形态学网络；
步骤102：根据所述多个尺度中各单尺度的特征，利用网格搜索采用内外层交叉验证的方法进行寻优，训练得到各单尺度的风险评分计算模型，以得到各单尺度指标的评分结果；
步骤103：利用逻辑回归，对所述各单尺度的评分结果进行融合，得到基于多尺度的风险评分融合模型。
在上例中，在单个解剖学特征的基础上增加了形态学网络尺度的特征，从而可以全面刻画结构影像的病变，通过建立的基于多尺度的风险评分融合模型，可以实现对阿尔茨海默病的准确预测，与单特征预测相比，可以达到更为准确的预测准确率。
例如，可以提取多尺度结构磁共振影像学指标，其中，多尺度结构磁共振影像学指标可以包括：基于解剖学尺度(例如：灰质体积、皮层厚度)与脑网络尺度(例如：形态学网络)；然后，对多尺度影像学特征进行融合，得到影像学生物标记；基于影像学生物标记生成高危人群危险评估模型；通过形成的评估模型，可以对高危人群每年转换为阿尔茨海默病的概率进行评估并验证。
具体的，采用内外层交叉验证的方法进行寻优，训练得到各单尺度的风险评分计算模型，以得到各单尺度指标的评分结果，可以包括：
S1：获取内部验证集和外部测试集；
S2：将内部验证集输入各单尺度的风险评分计算模型进行训练；
S3：当内部验证集准确率最高时，保存本次训练参数并将所述风险评分计算模型应用于外部训练集以构建最优模型，得到优化后的风险评分计算模型；
S4：将外部测试集输入所述优化后的风险评分计算模型，得到各单尺度指标的评分结果。
对于样本数据的获取，或者训练数据的获取，可以是按照如下方式获取结构磁共振的多尺度的特征的：获取多个原始脑磁共振影像；将所述多个原始脑磁共振影像格式转换为标准的数据格式，并配准到标准空间；对标准空间的图像分别分割出大脑的灰质密度图、皮层厚度，并建立形态学网络。即，通过对原始脑磁共振影像的格式转换和处理，得到所需的特征数据。
在对标准空间的图像分别分割出大脑的灰质密度图、皮层厚度，并建立形态学网络的时候，可以是每个原始脑磁共振影像提取为246个脑区的灰质体积、210个皮层厚度和246*246的形态学网络。
为了验证多尺度的风险评分融合模型的准确率，在利用逻辑回归，对所述各单尺度的评分结果进行融合，得到基于多尺度的风险评分融合模型之后，可以按照如下公式计算将测试集输入基于多尺度的风险评分融合模型的分类准确率：
Figure BDA0003251185400000061
其中，accuracy表示准确率，TP表示判断正确的正类数量，TN表示判断正确的负类数量、FP表示判断错误的正类数量、FN表示判断错误的负类数量。
具体的，利用逻辑回归，对所述各单尺度的评分结果进行融合，得到基于多尺度的风险评分融合模型，可以包括：在对每个尺度的特征，进行风险评估模型的寻优的基础上，得到训练集的最优风险预测得分和测试集的最优风险预测得分；将训练集的最优风险预测得分作为逻辑回归的训练集的输入，将测试集的最优风险预测得分作为逻辑回归的测试集的输入，得到测试样本的最终风险预测得分。
在得到基于多尺度的风险评分融合模型之后，可以获取脑磁共振影像；对脑磁共振影像进行预处理，得到多尺度特征的样本数据；将所述多尺度特征的样本数据输入所述基于多尺度的风险评分融合模型进行训练。即，通过样本数据对模型进行训练，以便得到更为准确的评分融合模型。
基于上述建立的阿尔茨海默病风险评估模型，可以按照如下方式进行阿尔茨海默病风险的确定，包括：
步骤1：获取目标个体的脑磁共振影像；
步骤2：将所述目标个体的脑磁共振影像输入通过上述方法建立的阿尔茨海默病风险评估模型，得到所述目标个体转化为阿尔茨海默病的概率。
具体的，还提供了一种基于多尺度结构磁共振影像的分类及预测装置，可以包括，输入单元、输出单元、存储器、处理器以及分类器；所述输入单元被配置为输入待预测样本；所述存储器被配置为：存储采用上述任一实施例所述的方法得到多个样本数据；以及所述分类器模型；所述的处理器被配置为：从所述存储器读取所述多个样本及所述分类模型；至少基于所述多个样本数据训练所述分类器；以及采用训练后的分类器对所述待分类图像进行预测操作；所述输出单元被配置为输出预测结果。
在上例中，基于多尺度脑影像特征的融合为特征层次的融合，即如何融合多尺度的特征为重点，进而利用所融合的特征进行高危人群的风险评估。基于多尺度脑影像特征的融合为风险得分的融合，即每一尺度的特征单独估计高危人群患病的概率，进一步对所得概率进行融合。对于高危人群危险评估模型，采用上述融合特征之后利用支持向量机分类器对训练数据进行建模，随之对测试数据进行风险的评估，具体的利用支持向量机分类器对单尺度训练数据进行建模，随之对每个尺度的测试数据进行风险的评估，随后利用线性分类器(LDA)对多尺度的风险评分进行融合。对于风险评分的融合可以利用逻辑回归进行融合，从而将对高危人群每年转换为阿尔茨海默病的概率进行估计，基于上述所得生物标记，融合临床信息，基于高危人群是否3年内转换为阿尔茨海默病进行进一步分类研究，从而验证风险估计模型的效果，使用Cox回归对高危人群是否转换和转化时间进行拟合。模型的构建及后续影响生物标记对高危人群风险评估的验证中可以选择十折交叉验证，并采取嵌套的模型；模型的构建及后续影响生物标记对高危人群风险评估的验证中也可以选择独立中心的验证，并采取嵌套的模型。
下面结合一个具体实施例对上述方案进行说明，然而，值得注意的是，该具体实施例仅是为了更好地说明本申请，并不构成对本申请的不当限定。
为了评估老年人患阿尔茨海默病风险，在本例中提出了一种基于多尺度结构磁共振影像的阿尔茨海默病风险评估的计算方法、模型构建及装置，实现了融合多尺度结构磁共振影像信息，对阿尔茨海默病高危人群的患病风险进行预测，为计算机辅助诊断、阿尔茨海默病患者的早期识别和高危人群的风险评估提供了强有力的方法，具体的，可以包括如下步骤：
步骤1：获取结构磁共振的多尺度的特征；
步骤2：对每个尺度的特征，进行风险评估模型的寻优；
步骤3：基于上述所述单尺度风险预测模型，构建多尺度风险评估模型；
步骤4：对上述所提到的多尺度风险评估模型的表现进行评估和测试。
其中，上述的多尺度的特征可以包括：灰质体积、皮层厚度和大脑形态学网络的连接强度。
上述单尺度特征风险评估模型的构建，可以选择支持向量机(Supportvectormachine，简称为SVM)，核函数为径向基函数，设置可调参数为惩罚系数(c)和核函数半径(g)。对于单尺度特征风险评估模型的优化，可以选用两层嵌套交叉验证方法，即在训练集中细分为内部训练集和内部验证集，训练集中寻参方法采用网格搜索，其中，c和g的范围分别是2-5～25。
在进行多尺度特征风险评估模型的融合的时候，可以在对每个尺度的特征，进行风险评估模型的寻优的基础上，得到训练集和测试集的最优风险预测得分，进一步将训练集的预测得分作为逻辑回归的训练集的输入，将测试集的预测得分作为逻辑回归的测试集的输入。最终得到测试样本的最终风险预测得分。
在实现的时候，可以通过梯度下降算法求解逻辑回归模型的损失函数的最小值。
在一些实施例，所述利用支撑向量机构建单尺度特征预测风险模型包含两层分类器。
在本例中，还提供了一种基于结构磁共振影像的分类方法，可以包括：
步骤1：获取多尺度的结构磁共振影像特征，基于训练集训练模型；
步骤2：接收待分类图像数据；
步骤3：采用训练后的分类模型完成对所述待分类图像的分类操作。
以一个具体实施例进行说明，提供了一种基于多尺度结构磁共振影像的阿尔茨海默病风险评估的计算方法，可以包括如下步骤：
步骤1：获取脑磁共振影像；
步骤2：对脑磁共振影像进行预处理；
具体的，可以先通过SPM(Statistical Parametric Mapping)软件将原始的DICOM(Digital Imaging and Communications in Medicine)影像数据格式转换成标准的NIfTI(Neuroimaging Informatics Technology Initiative)数据格式，配准到MNI(MontrealNeurological Institute)标准空间，然后，对标准空间的图像分别分割出大脑的灰质密度图、皮层厚度及建立形态学网络(基于脑网络组图谱，246脑区)。
其中，形态所述大脑形态学网络可以是基于影像组学的大脑共变网络，其具体构建方法可以是：假设M为原始图像，M1…Mn为M的n个脑区，对于Mi(i＝1...n)，计算相应的影像组学特征(Ki)(共计47个特征)，，进行去冗操作，去冗余后得到25个影像组学特征，而后Net(i,j)＝corretion(Ki,Kj)。
步骤3：将三个尺度的特征输入到模型中进行训练；
步骤4：利用训练好的模型，对每一个个体进行评分预测，以估计个体转化为阿尔茨海默病的概率。
如图2所示，多模型嵌套的框架可以包括两部分，第一部分细分为：外部计算模型和内部计算模型。
首先，通过预处理对每个样本可以得到246个脑区的灰质体积和210个皮层厚度，以及246*246的形态学网络(30315条连接)，因此对于所有N个训练样本，便得到了N*246的灰质矩阵，N*210的皮层厚度矩阵以及N*30315的形态学连接矩阵。如果是M个训练样本，那么就可以得到M*246的灰质矩阵，M*210的皮层厚度矩阵以及M*30315的形态学连接矩阵。其中，可以将N个训练样本分为5份，4份做为内部训练集，1份做为验证集，采用网格搜索来寻找最优的参数。同时，计算最优参数下验证集的得分，具体公式可以表示为：Score＝W.X+b，其中X＝[x1,x2,…xn]为测试样本的特征，W＝[w1,w2,…wn]为训练集所得每个特征的权重，b为截距项。
第二部分为：多尺度的得分融合，通过上述计算后，每一个样本可以得到[score1,score2,score3]，其中，score1对应灰质体积所计算的风险评分，score2对应皮层后所计算的风险评分，score3对应形态学网络所计算的风险评分。然后，利用逻辑回归对新的特征集[score1,score2,score3]进行二次分类，最终得到分类准确率和每个个体的风险评分。
如图3所示，为基于发明风险计算方法在阿尔茨海默病方面应用，提出的一种基于多尺度结构磁共振影像的阿尔茨海默病风险评估的系统流程图，该计算方法包括：
S1：获取脑磁共振影像；
S2：获取结构磁共振影像多尺度特征；
S3：将获取到的多尺度特征的数据输入到构建的风险预测模型并进行训练；
S4：通过正常人和阿尔茨海默病病人构建最优模型，同时计算高危人群的风险得分；
S5：通过S4所得到的训练得分对MCI病人的每年的转化风险进行预测；
S6：建立MCI转化风险的评估方法。
其中，该评估流程主要的点在于：脑影像获取、多尺度特征提取、训练预测模型、计算高危人群的风险分数、预测高危人群是否转化阿尔茨海默病、建立评估方法。
下面通过阿尔茨海默症和正常对照的脑疾病分类问题和预测高危人群的转化问题，基于磁共振成像数据来说明本发明的实现过程，在该实例中：采用Alzheimer’sdisease Neuroimaging Initiative(ADNI)收集的阿尔茨海默患者和正常对照组的磁共振图像数据。其中，如表1所示，正常对照组共605人，阿尔茨海默患者共283人，轻度认知损害患者766人。
表1
组别 样本数 Age 性别(女/男) MMSE评分
正常人 605 74.91±7.70 279/326 29.08±1.10
阿尔茨海默病 283 73.47±6.16 152/131 23.18±2.14
MCI 766 72.96±7.69 450/316 27.57±1.81
具体的包括如下步骤：
步骤G1：获取被试的原始磁共振成像数据。其中，有正常对照组共605人，阿尔茨海默患者共283人，轻度认知损害患者766人的结构磁共振影像。
步骤G2：对被试的原始磁共振成像数据进行预处理。
首先，使用SPM(Statistical Parametric Mapping)软件将原始DICOM格式的MRI数据转换成标准的NIfTI格式的数据，配准到标准MNI空间并分割灰质图像及皮层数据。图像大小为181×217×181，之后将处理后的图像对应到脑网络组图谱用于计算246个脑区的平均灰质体积及皮层210个脑区的平均皮层厚度。将配准到MNI空间的结构磁共振，对应脑网络图谱，提取每个脑区的影像组学特征，进一步通过计算两两脑区之间影像组学特征的Pearson相关系数，构建全脑的形态学网络特征。
步骤G3：将所得到的三类结构磁共振影像学特征分别利用SVM构建阿尔茨海默病-正常人分类模型，具体而言，将ADNI1&GO作为训练集，ADNI2&3作为测试集。将阿尔茨海默病NI1&GO细分为五份，其中，四份作为训练，一份作为验证，利用网格搜索(c和g范围为2-5，2-4，2-3，2-2，2-1，2-0，21，22，23，24，25)寻找训练集中最优参数，并且每次交叉验证计算验证集的个体得分(即分类器的输出)；利用最优模型和训练集计算测试集的得分。
步骤G4：将训练集的多尺度结构磁共振影像得分输入到逻辑回归模型进行训练，然后计算测试集的最终风险评分，同时计算测试集的分类准确率。
Figure BDA0003251185400000101
其中，TP、TN、FP和FN分别表示真正类、真负类、假正类和假负类。真正类、真负类、假正类和假负类分别表示判断正确的正类数量，判断正确的负类数量、判断错误的正类数量、判断错误的负类数量)。
进一步的，可以通过上述独立中心交叉验证来统计风险评分对阿尔茨海默病分类的准确率，其中包括单尺度和多尺度。结果，如下表2所示。由表2可知，融合三尺度特征所构建的分类模型提高了疾病的分类准确率，可以对全脑的异常模式更加有效的刻画。
表2
ADNI1&GO ADNI2&3
形态学网络 82.12 89.00
灰质体积 84.63 90.02
皮层厚度 84.89 86.97
融合三个指标 90.90(0.95) 94.09(0.95)
步骤G5：利用步骤G4所得的高危人群的风险评分，以及阿尔茨海默病NI对高危人群的纵向跟踪的状态，主要包括是否转化为阿尔茨海默病和转化的时间。利用被试一些特有的临床信息，比如认知能力、ADAS-cog量表，脑脊液检查等及该系统计算所得的被试风险预测得分，构建Cox回归模型，并比较该得分与现有临床生物标记的关系，结果发现综合多个指标对MCI可以进行很好的预测，C指数在0.80左右，且本发明所提出的风险分数所占权重是所有生物标记物中最高的。
如图4所示，为对所有高危人群进行风险评估后，分为低风险的25％(0-25％)，中度风险50％(25％-75％)和高风险25％(75％-100％)。
本申请上述实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在电子设备上为例，图5是本申请提供的一种阿尔茨海默病风险评估模型建立方法的电子设备的硬件结构框图。如图5所示，电子设备10可以包括一个或多个(图中仅示出一个)处理器02(处理器02可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器04、以及用于通信功能的传输模块06。本领域普通技术人员可以理解，图5所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，电子设备10还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。
存储器04可用于存储应用软件的软件程序以及模块，如本申请实施例中的阿尔茨海默病风险评估模型建立方法对应的程序指令/模块，处理器02通过运行存储在存储器04内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的阿尔茨海默病风险评估模型建立方法。存储器04可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器04可进一步包括相对于处理器02远程设置的存储器，这些远程存储器可以通过网络连接至电子设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块06用于经由一个网络接收或者发送数据。上述的网络具体实例可包括电子设备10的通信供应商提供的无线网络。在一个实例中，传输模块06包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块06可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
在软件层面，上述装置可以如图6所示，可以包括：
获取模块601，用于获取结构磁共振的多尺度的特征，其中，所述多尺度：灰质体积、皮层厚度、形态学网络；
训练模块602，用于根据所述多个尺度中各单尺度的特征，利用网格搜索采用内外层交叉验证的方法进行寻优，训练得到各单尺度的风险评分计算模型，以得到各单尺度指标的评分结果；
融合模块603，用于利用逻辑回归，对所述各单尺度的评分结果进行融合，得到基于多尺度的风险评分融合模型。
在一个实施方式中，训练模块602具体可以用于获取内部验证集和外部测试集；将内部验证集输入各单尺度的风险评分计算模型进行训练；当内部验证集准确率最高时，保存本次训练参数并将所述风险评分计算模型应用于外部训练集以构建最优模型，得到优化后的风险评分计算模型；将外部测试集输入所述优化后的风险评分计算模型，得到各单尺度指标的评分结果。
在一个实施方式中，上述获取模块601具体可以用于获取多个原始脑磁共振影像；将所述多个原始脑磁共振影像格式转换为标准的数据格式，并配准到标准空间；对标准空间的图像分别分割出大脑的灰质密度图、皮层厚度，并建立形态学网络。
在一个实施方式中，对标准空间的图像分别分割出大脑的灰质密度图、皮层厚度，并建立形态学网络，可以包括：每个原始脑磁共振影像提取为246个脑区的灰质体积、210个皮层厚度和246*246的形态学网络。
在一个实施方式中，上述阿尔茨海默病风险评估模型建立装置在利用逻辑回归，对所述各单尺度的评分结果进行融合，得到基于多尺度的风险评分融合模型之后，可以按照如下公式计算将测试集输入基于多尺度的风险评分融合模型的分类准确率：
Figure BDA0003251185400000131
其中，accuracy表示准确率，TP表示判断正确的正类数量，TN表示判断正确的负类数量、FP表示判断错误的正类数量、FN表示判断错误的负类数量。
在一个实施方式中，上述融合模块603具体可以在对每个尺度的特征，进行风险评估模型的寻优的基础上，得到训练集的最优风险预测得分和测试集的最优风险预测得分；将训练集的最优风险预测得分作为逻辑回归的训练集的输入，将测试集的最优风险预测得分作为逻辑回归的测试集的输入，得到测试样本的最终风险预测得分。
在一个实施方式中，上述阿尔茨海默病风险评估模型建立装置在得到基于多尺度的风险评分融合模型之后，还可以获取脑磁共振影像；对脑磁共振影像进行预处理，得到多尺度特征的样本数据；将所述多尺度特征的样本数据输入所述基于多尺度的风险评分融合模型进行训练。
本例中还提供了一种阿尔茨海默病风险确定装置，可以获取目标个体的脑磁共振影像；将所述目标个体的脑磁共振影像输入通过上述方法建立的阿尔茨海默病风险评估模型，得到所述目标个体转化为阿尔茨海默病的概率。
本申请的实施例还提供能够实现上述实施例中的阿尔茨海默病风险评估模型建立方法中全部步骤的一种电子设备的具体实施方式，所述电子设备具体包括如下内容：处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的阿尔茨海默病风险评估模型建立方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤1：获取结构磁共振的多尺度的特征，其中，所述多尺度：灰质体积、皮层厚度、形态学网络；
步骤2：根据所述多个尺度中各单尺度的特征，利用网格搜索采用内外层交叉验证的方法进行寻优，训练得到各单尺度的风险评分计算模型，以得到各单尺度指标的评分结果；
步骤3：利用逻辑回归，对所述各单尺度的评分结果进行融合，得到基于多尺度的风险评分融合模型。
从上述描述可知，本申请实施例在单个解剖学特征的基础上增加了形态学网络尺度的特征，从而可以全面刻画结构影像的病变，通过建立的基于多尺度的风险评分融合模型，可以实现对阿尔茨海默病的准确预测，与单特征预测相比，可以达到更为准确的预测准确率。
本申请的实施例还提供能够实现上述实施例中的阿尔茨海默病风险评估模型建立方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的阿尔茨海默病风险评估模型建立方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤1：获取结构磁共振的多尺度的特征，其中，所述多尺度：灰质体积、皮层厚度、形态学网络；
步骤2：根据所述多个尺度中各单尺度的特征，利用网格搜索采用内外层交叉验证的方法进行寻优，训练得到各单尺度的风险评分计算模型，以得到各单尺度指标的评分结果；
步骤3：利用逻辑回归，对所述各单尺度的评分结果进行融合，得到基于多尺度的风险评分融合模型。
从上述描述可知，本申请实施例在单个解剖学特征的基础上增加了形态学网络尺度的特征，从而可以全面刻画结构影像的病变，通过建立的基于多尺度的风险评分融合模型，可以实现对阿尔茨海默病的准确预测，与单特征预测相比，可以达到更为准确的预测准确率。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。

Claims (9)

1.一种阿尔茨海默病风险评估模型建立方法，其特征在于，包括：
获取结构磁共振的多尺度的特征，其中，所述多尺度包括：灰质体积、皮层厚度和形态学网络，所述形态学网络是基于影像组学分区、去冗得到的大脑共变网络；
根据所述多尺度中各单尺度的特征，利用网格搜索采用内外层交叉验证的方法进行寻优，训练得到各单尺度的风险评分计算模型，以得到各单尺度指标的评分结果；
利用逻辑回归，对所述各单尺度的评分结果进行融合，得到基于多尺度的风险评分融合模型；
所述采用内外层交叉验证的方法进行寻优，训练得到各单尺度的风险评分计算模型，以得到各单尺度指标的评分结果，包括：
获取内部验证集和外部测试集；
将内部验证集输入各单尺度的风险评分计算模型进行训练；
当内部验证集准确率最高时，保存本次训练参数并将所述风险评分计算模型应用于外部训练集以构建最优模型，得到优化后的风险评分计算模型；
将外部测试集输入所述优化后的风险评分计算模型，得到各单尺度指标的评分结果。
2.根据权利要求1所述的方法，其特征在于，获取结构磁共振的多尺度的特征，包括：
获取多个原始脑磁共振影像；
将所述多个原始脑磁共振影像格式转换为标准的数据格式，并配准到标准空间；
对标准空间的图像分别分割出大脑的灰质密度图、皮层厚度，并建立形态学网络。
3.根据权利要求2所述的方法，其特征在于，对标准空间的图像分别分割出大脑的灰质密度图、皮层厚度，并建立形态学网络，包括：
每个原始脑磁共振影像提取为246个脑区的灰质体积、210个皮层厚度和246*246的形态学网络。
4.根据权利要求1所述的方法，其特征在于，利用逻辑回归，对所述各单尺度的评分结果进行融合，得到基于多尺度的风险评分融合模型之后，还包括：
按照如下公式计算将测试集输入基于多尺度的风险评分融合模型的分类准确率：
Figure FDA0003684062640000021
其中，accuracy表示准确率，TP表示判断正确的正类数量，TN表示判断正确的负类数量、FP表示判断错误的正类数量、FN表示判断错误的负类数量。
5.根据权利要求1所述的方法，其特征在于，利用逻辑回归，对所述各单尺度的评分结果进行融合，得到基于多尺度的风险评分融合模型，包括：
在对每个尺度的特征，进行风险评估模型的寻优的基础上，得到训练集的最优风险预测得分和测试集的最优风险预测得分；
将训练集的最优风险预测得分作为逻辑回归的训练集的输入，将测试集的最优风险预测得分作为逻辑回归的测试集的输入，得到测试样本的最终风险预测得分。
6.根据权利要求1所述的方法，其特征在于，在得到基于多尺度的风险评分融合模型之后，还包括：
获取脑磁共振影像；
对脑磁共振影像进行预处理，得到多尺度特征的样本数据；
将所述多尺度特征的样本数据输入所述基于多尺度的风险评分融合模型进行训练。
7.一种阿尔茨海默病风险确定方法，其特征在于，包括：
获取目标个体的脑磁共振影像；
将所述目标个体的脑磁共振影像输入通过权利要求1至6中任一项所述方法建立的阿尔茨海默病风险评估模型，得到所述目标个体转化为阿尔茨海默病的概率。
8.一种电子设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现权利要求1至6中任一项所述方法的步骤。
CN202111045947.0A 2021-09-07 2021-09-07 阿尔茨海默病风险评估模型建立方法和电子设备 Active CN113962930B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111045947.0A CN113962930B (zh) 2021-09-07 2021-09-07 阿尔茨海默病风险评估模型建立方法和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111045947.0A CN113962930B (zh) 2021-09-07 2021-09-07 阿尔茨海默病风险评估模型建立方法和电子设备

Publications (2)

Publication Number Publication Date
CN113962930A CN113962930A (zh) 2022-01-21
CN113962930B true CN113962930B (zh) 2022-09-09

Family

ID=79461197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111045947.0A Active CN113962930B (zh) 2021-09-07 2021-09-07 阿尔茨海默病风险评估模型建立方法和电子设备

Country Status (1)

Country Link
CN (1) CN113962930B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114758774B (zh) * 2022-02-23 2023-01-03 北京科技大学 基于丘脑皮层神经计算模型的阿尔茨海默病演化趋势分析系统
CN114724709B (zh) * 2022-06-07 2022-10-14 深圳市铱硙医疗科技有限公司 基于vr眼动追踪的痴呆风险筛查系统、设备及介质
CN117372440B (zh) * 2023-12-08 2024-03-19 北京邮电大学 阿尔茨海默病风险预警模型训练方法、预警方法及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793711A (zh) * 2014-01-17 2014-05-14 首都医科大学 一种基于脑部核磁共振图像的多维度纹理提取方法
CN111402198A (zh) * 2020-02-11 2020-07-10 山东师范大学 基于解剖地标和残差网络的阿尔兹海默症分类方法及系统
CN112949728A (zh) * 2021-03-11 2021-06-11 宁波大学 基于切片图像筛选和特征聚合的mri图像分类方法
CN112950614A (zh) * 2021-03-22 2021-06-11 山西三友和智慧信息技术股份有限公司 一种基于多尺度空洞卷积的乳腺癌检测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793908A (zh) * 2014-01-17 2014-05-14 首都医科大学 一种基于脑核磁共振图像多维度纹理建立预测模型的方法
EP2950102A1 (en) * 2014-05-30 2015-12-02 Biocross, S.L. Method for the diagnosis of alzheimer s disease and mild cognitive impairment
CN104007479B (zh) * 2014-06-13 2016-08-31 东南大学 一种基于多尺度剖分的电离层层析和电离层延迟改正方法
CN109117864B (zh) * 2018-07-13 2020-02-28 华南理工大学 基于异构特征融合的冠心病风险预测方法、模型及系统
CN111242233B (zh) * 2020-01-18 2021-03-16 温州大学 一种基于融合网络的阿尔兹海默病分类方法
CN112185523B (zh) * 2020-09-30 2023-09-08 南京大学 基于多尺度卷积神经网络的糖尿病视网膜病变分类方法
CN112767374A (zh) * 2021-01-27 2021-05-07 天津理工大学 基于mri的阿尔茨海默症病灶区域语义分割算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793711A (zh) * 2014-01-17 2014-05-14 首都医科大学 一种基于脑部核磁共振图像的多维度纹理提取方法
CN111402198A (zh) * 2020-02-11 2020-07-10 山东师范大学 基于解剖地标和残差网络的阿尔兹海默症分类方法及系统
CN112949728A (zh) * 2021-03-11 2021-06-11 宁波大学 基于切片图像筛选和特征聚合的mri图像分类方法
CN112950614A (zh) * 2021-03-22 2021-06-11 山西三友和智慧信息技术股份有限公司 一种基于多尺度空洞卷积的乳腺癌检测方法

Also Published As

Publication number Publication date
CN113962930A (zh) 2022-01-21

Similar Documents

Publication Publication Date Title
CN109447183B (zh) 预测模型训练方法、装置、设备以及介质
Gautam et al. Prevalence and diagnosis of neurological disorders using different deep learning techniques: a meta-analysis
CN113962930B (zh) 阿尔茨海默病风险评估模型建立方法和电子设备
Ortiz et al. Parkinson's disease detection using isosurfaces-based features and convolutional neural networks
CN111488914B (zh) 一种基于多任务学习的阿尔茨海默症分类及预测系统
Yue et al. Hierarchical feature extraction for early Alzheimer’s disease diagnosis
CN105726026A (zh) 基于脑网络与脑结构信息的轻度认知障碍疾病分类方法
Menegotto et al. Computer-aided diagnosis of hepatocellular carcinoma fusing imaging and structured health data
Han et al. A novel convolutional variation of broad learning system for Alzheimer’s disease diagnosis by using MRI images
Hussain et al. Deep learning-based diagnosis of disc degenerative diseases using MRI: a comprehensive review
Gao Gray level co-occurrence matrix and extreme learning machine for Alzheimer's disease diagnosis
Imtiaz et al. A review of arthritis diagnosis techniques in artificial intelligence era: Current trends and research challenges
Shankar et al. A novel discriminant feature selection–based mutual information extraction from MR brain images for Alzheimer's stages detection and prediction
Verma et al. Breast Cancer Survival Rate Prediction In Mammograms Using Machine Learning
Chen et al. Diagnostic accuracy study of automated stratification of Alzheimer’s disease and mild cognitive impairment via deep learning based on MRI
Saputra et al. Implementation of Machine Learning and Deep Learning Models Based on Structural MRI for Identification Autism Spectrum Disorder
CN116597214A (zh) 基于多模态超图注意网络的阿尔茨海默症分类方法及系统
Barin et al. Hybrid Convolutional neural network-based diagnosis system for intracranial hemorrhage
Shah et al. Classifying and localizing abnormalities in brain MRI using channel attention based semi-Bayesian ensemble voting mechanism and convolutional auto-encoder
CN116452593A (zh) 血管性认知障碍的ai评估模型的构建方法、装置及系统
Tursynova et al. Deep learning-enabled brain stroke classification on computed tomography images
Liu et al. Transparency-guided ensemble convolutional neural network for the stratification between pseudoprogression and true progression of glioblastoma multiform in MRI
Wang et al. Diagnosis of cognitive and motor disorders levels in stroke patients through explainable machine learning based on MRI
CN112561935A (zh) 一种阿尔兹海默症的识别方法、装置和设备
Peng et al. Multi-view weighted feature fusion using cnn for pneumonia detection on chest x-rays

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