CN114972340A - 一种大脑老化预警系统及预警方法 - Google Patents

一种大脑老化预警系统及预警方法 Download PDF

Info

Publication number
CN114972340A
CN114972340A CN202210894641.0A CN202210894641A CN114972340A CN 114972340 A CN114972340 A CN 114972340A CN 202210894641 A CN202210894641 A CN 202210894641A CN 114972340 A CN114972340 A CN 114972340A
Authority
CN
China
Prior art keywords
brain
user
data
layer
age
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
Application number
CN202210894641.0A
Other languages
English (en)
Other versions
CN114972340B (zh
Inventor
李娟�
郑驰垠
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.)
Institute of Psychology of CAS
Original Assignee
Institute of Psychology of CAS
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 Institute of Psychology of CAS filed Critical Institute of Psychology of CAS
Priority to CN202210894641.0A priority Critical patent/CN114972340B/zh
Publication of CN114972340A publication Critical patent/CN114972340A/zh
Application granted granted Critical
Publication of CN114972340B publication Critical patent/CN114972340B/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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种大脑老化预警系统及预警方法，该系统及方法中将个体的功能网络连接强度和灰质结构共同纳入大脑年龄计算模型，在此基础上进一步地构建大脑老化预警系统，从而更充分地利用个体大脑中的信息，提高大脑年龄计算的准确性，另外，持续记录每个用户的大脑年龄和PAD，进而对个体的老化状态进行监测，在个体出现PAD的显著增加或PAD超过一定预警值时，对用户进行预警。

Description

一种大脑老化预警系统及预警方法
技术领域
本发明涉及大脑老化状况的分析预警相关研究，具体涉及一种大脑老化预警系统及预警方法。
背景技术
大脑是人体负责认知的器官，大量研究表明，大脑的结构会随着老化的进行而发生改变。但是，不同的个体在老化的进程上，无论是大脑生理结构的老化还是认知能力的老化上都有着很大的差异。研究表明，认知的老化和大脑生理结构上的老化密切相关，认知上严重老化的个体，如AD患者，其大脑结构也呈现加速老化的态势，表现为明显更严重的萎缩；相反，在年龄增长的同时，依然保持良好的认知能力的老人，其大脑结构更类似于年轻个体的大脑结构；可以看到，个体大脑生理结构中包含了有关个体实际老化状态的信息，若能从中提取这些信息，即所谓的大脑年龄，则可以帮助我们了解个体的大脑健康和老化状态。
在早期的研究中，研究者一般使用基于MRI影像中的灰质密度信息，估计健康人大脑年龄，但该研究并未在灰质密度信息基础上进行进一步特征提取与特征优化。此后的研究采用机器学习的方法从大脑结构中提取大脑年龄。这一方法首先整理包含实际年龄作为标签的大脑结构数据集作为训练集，再使用这一数据集训练一个机器学习回归模型。得到经过训练的模型后，就可以将新的大脑结构作为输入，得到的输出即为该大脑的大脑年龄。
进一步的研究表明，预测年龄和实际年龄之间的差值(PAD)可以作为评估个体老化状态的重要指标。因此，大脑年龄为我们提供了一种无创性、普适性的预警，使个体能提前了解自身老化进程。
已有的技术多采用CNN构建回归模型，从而根据输入的灰质结构计算该大脑的大脑年龄。但是，这种方法无法充分利用大脑中的信息，获得的结果不够准确；随着老化，除了灰质的结构的改变，大脑的功能连接模式也会出现明显的变化，表现为长程连接的损伤以及小世界网络的被破坏。
此外，过往的技术只侧重于大脑年龄的计算，未将其作为一种评估和监测个体老化状态的指标。但是，如果不能将计算得到大脑年龄应用于个体的评估和预警，那么得到的数据将失去其意义。
基于此，本发明人大脑年龄预测技术及人体健康状况评估技术做了进一步的深入研究，以期待设计出一种能够解决上述问题的大脑老化预警系统。
发明内容
为了克服上述问题，本发明人进行了锐意研究，设计出一种大脑老化预警系统，该系统中将个体的功能网络连接强度和灰质结构共同纳入大脑年龄计算模型，在此基础上进一步地构建大脑老化预警系统，从而更充分地利用个体大脑中的信息，提高大脑年龄计算的准确性，另外，持续记录每个用户的大脑年龄和PAD，进而对个体的老化状态进行监测，在个体出现PAD的显著增加或PAD超过一定预警值时，对用户进行预警，从而完成本发明。
具体来说，本发明的目的在于提供一种大脑老化预警系统，该系统包括：
信息采集模块1，其用于收集用户基础信息，
脑成像数据收集模块2，其用于收集用户脑部磁共振成像得到的数据和磁共振扫描的日期，
预处理模块3，其用于对磁共振成像得到的数据做预处理，
大脑年龄计算模型4，其用于基于预处理后的数据获得用户的大脑年龄，
报警模块5，其用于基于用户的大脑年龄判断是否需要发出预警信息。
其中，所述预处理模块3包括结构像数据处理子模块31和静息态数据处理子模块32，
在所述结构像数据处理子模块31中，使用基于SPM12的CAT12工具包，对结构像数据进行分割，分割得到的结构像经非线性映射，匹配到MNI152模板上，得到113×137×113的三维矩阵；
优选地，在所述静息态数据处理子模块32中，具体执行如下子步骤：
子步骤1，使用dpabi工具包对数据进行时间校准、头动校准、配准与标准化、空间平滑处理；
子步骤2，使用AAL模板，提取属于大脑的90个脑区的体素时间序列，对于每个体素，进行时间维度的平均，从而提取每个脑区的平均序列；
子步骤3，计算各个脑区两两之间的功能连接强度，从而得到90×90的二维矩阵。
其中，在所述子步骤3中，通过下式（一）获得各个脑区两两之间的功能连接强度：
FC = cov(T1，T2) （一）
其中，cov（）表示皮尔逊相关的计算公式，T1和T2分别表示两个脑区的平均时间序列，FC表示这两个脑区的功能连接强度。
其中，所述大脑年龄计算模型4通过如下步骤获得：
步骤1，收集训练数据，
步骤2，对训练数据做预处理，
步骤3，构建深度神经网络模型，
步骤4，训练所述深度神经网络。
其中，在所述步骤1中，从公开数据库中收集健康成年脑成像数据作为训练数据，所收集得到的训练数据需包含结构像数据、静息态数据、性别和实际年龄。
其中，所述步骤2中的预处理包括使用基于SPM12的CAT12工具包，对结构像数据进行分割，分割得到的结构像经非线性映射，匹配到MNI152模板上，得到113×137×113的三维矩阵；
优选地，所述步骤2中的预处理还包括如下子步骤：
子步骤a，使用dpabi工具包对数据进行时间校准、头动校准、配准与标准化、空间平滑处理；
子步骤b，使用AAL模板，提取属于大脑的90个脑区的体素时间序列，对于每个体素，进行时间维度的平均，从而提取每个脑区的平均序列；
子步骤c，计算各个脑区两两之间的功能连接强度，从而得到90×90的二维对称矩阵，取其下三角部分进行向量化，得到3912维的向量。
其中，在所述步骤3中，所述深度神经网络为采用Pytorch深度学习框架构建的基于年龄的3-D卷积神经网络模型，
所述卷积神经网络模型包括两个阶段，前一个阶段为卷积阶段，后一个阶段为全连接阶段；
所述卷积阶段包含5个卷积模块，其中，每个卷积模块都包含一个卷积层，一个池化层，一个ReLU激活层和一个批归一化层；
所述卷积层的卷积核大小为3×3×3，步长为1；
所述池化层使用最大池化，其卷积核大小为3×3×3，步长为1；
所述全连接阶段有三个，在第一个全连接阶段中，将卷积层的结果输出进行向量化后，与功能网络连接的数据进行拼接，得到第一层的输入，该输入经过一个全连接层和一个ReLU激活层后，得到1280层的隐藏层；
在第二个中，所述1280层的隐藏层与性别标量进行拼接，经过一个全连接层和一个ReLU激活层后，得到256层的隐藏层；
在第三层个，所述256层的隐藏层经过一个全连接层和一个ReLU激活层，得到72层的隐藏层；
优选地，所述72层的隐藏层经过一个全连接层，输出一标量，即所述深度神经网络的最终输出。
其中，所述报警模块5包括趋势预警子模块51和加速老化警报子模块52；
其中，在趋势预警子模块51中，持续记录用户的PAD，并使用一阶线性拟合的方式拟合用户的PAD变化趋势，当拟合获得的拟合直线的斜率显著大于0时，则向用户发出预警；
在加速老化警报子模块52中，持续记录用户的PAD，比较当前的PAD与在先的PAD，在当前PAD值超过在先PAD的平均值两个标准差以上时，则向用户发出警报；
优选地，所述PAD为大脑年龄和实际年龄之间的差值。
其中，所述报警模块5还包括AD风险评估模型，实时将获得的PAD代入到该AD风险评估模型中，进而获得用户当前罹患AD的风险值，当该值高于0.9时，向用户发出AD警报。
本发明还提供一种大脑老化预警方法，
该方法通过上文所述的大脑老化预警系统实现；
优选地，该方法包括如下步骤：
步骤甲，通过信息采集模块1收集用户基础信息，
步骤乙，通过脑成像数据收集模块2收集用户脑部磁共振成像得到的数据和磁共振扫描的日期，
步骤丙，通过预处理模块3对磁共振成像得到的数据做预处理，
步骤丁，通过大脑年龄计算模型4基于预处理后的数据获得用户的大脑年龄，
步骤戊，通过报警模块5基于用户的大脑年龄判断是否需要发出预警信息。
本发明所具有的有益效果包括：
（1）根据本发明提供的大脑老化预警系统基于功能网络连接强度和灰质结构共同纳入年龄预测模型，为此特别提供了全新的卷积神经网络模型，从而提高了大脑年龄计算模型的准确性；
（2）根据本发明提供的大脑老化预警系统中根据获得的PAD同步分析变化趋势和绝对数值，同时还进一步研究AD的风险，从而为用户提供全面预警。
附图说明
图1示出根据本发明一种优选实施方式的大脑老化预警系统的整体逻辑图。
附图标号
1-信息采集模块
2-脑成像数据收集模块
3-预处理模块
31-结构像数据处理子模块
32-静息态数据处理子模块
4-大脑年龄计算模型
5-报警模块
51-趋势预警子模块
52-加速老化警报子模块。
具体实施方式
下面通过附图和实施例对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
根据本发明提供的一种大脑老化预警系统的该系统包括：信息采集模块1、脑成像数据收集模块2、预处理模块3、大脑年龄计算模型4和报警模块5；
所述信息采集模块1用于收集用户基础信息，所述基本信息包括用户的出生日期和性别；
所述脑成像数据收集模块2用于收集用户脑部磁共振成像得到的数据和磁共振扫描的日期，通过不同的磁共振扫描的日期来构建获得PAD的变化趋势，为判断是否发出预警信息提供数据基础；
所述预处理模块3用于对磁共振成像得到的数据做预处理，使其能够被后续的处理模型识别和应用；
所述大脑年龄计算模型4用于基于预处理后的数据获得用户的大脑年龄；
所述报警模块5用于基于用户的大脑年龄判断是否需要发出预警信息；所述预警信息可以是文字或声音的提醒，其中包含具体的数值信息和应对建议。
在一个优选的实施方式中，所述预处理模块3包括结构像数据处理子模块31和静息态数据处理子模块32，
在所述结构像数据处理子模块31中，使用基于SPM12的CAT12工具包，对结构像数据进行分割，优选地使用默认参数进行分割，分割得到的结构像经非线性映射，匹配到MNI152模板上，得到113×137×113的三维矩阵；
优选地，在所述静息态数据处理子模块32中，具体执行如下子步骤：
子步骤1，使用dpabi工具包对数据进行时间校准、头动校准、配准与标准化、空间平滑处理；
子步骤2，使用AAL模板，提取属于大脑的90个脑区的体素时间序列，对于每个体素，进行时间维度的平均，从而提取每个脑区的平均序列；
子步骤3，计算各个脑区两两之间的功能连接强度，从而得到90×90的二维矩阵，得到的矩阵以.mat格式存储。
优选地，在所述预处理模块3中，还对用户的性别信息进行编码，将男性编码为1，女性编码为2。
在一个优选的实施方式中，在所述子步骤3中，通过下式（一）获得各个脑区两两之间的功能连接强度：
FC = cov(T1，T2) （一）
其中，cov（）表示皮尔逊相关的计算公式，T1和T2分别表示两个脑区的平均时间序列，FC表示这两个脑区的功能连接强度。
在一个优选的实施方式中，所述大脑年龄计算模型4通过如下步骤获得：
步骤1，收集训练数据，
步骤2，对训练数据做预处理，
步骤3，构建深度神经网络模型，
步骤4，训练所述深度神经网络。
优选地，在所述步骤1中，从公开数据库，如Connectome中收集健康成年脑成像数据作为训练数据，所收集得到的训练数据需包含结构像数据(sMRI)、静息态数据(rs-fMRI)、性别和实际年龄。其中实际年龄作为数据标签，所述收集到的训练数据的数量应至少为2000个。
优选地，所述步骤2中的预处理包括使用基于SPM12的CAT12工具包，对结构像数据进行分割，优选地使用默认参数进行分割，分割得到的结构像经非线性映射，匹配到MNI152模板上，得到113×137×113的三维矩阵；
优选地，所述步骤2中的预处理还包括如下子步骤：
子步骤a，使用dpabi工具包对数据进行时间校准、头动校准、配准与标准化、空间平滑处理；
子步骤b，使用AAL模板，提取属于大脑的90个脑区的体素时间序列，对于每个体素，进行时间维度的平均，从而提取每个脑区的平均序列；
子步骤c，计算各个脑区两两之间的功能连接强度，从而得到90×90的二维对称矩阵，取其下三角部分进行向量化，得到3912维的向量。
优选地，在所述步骤3中，所述深度神经网络为采用Pytorch深度学习框架构建的基于年龄的3-D卷积神经网络模型，
所述卷积神经网络模型包括两个阶段，前一个阶段为卷积阶段，后一个阶段为全连接阶段；
所述卷积阶段包含5个卷积模块，其中，每个卷积模块都包含一个卷积层，一个池化层，一个ReLU激活层和一个批归一化层；
所述卷积层的卷积核大小为3×3×3，步长为1；
所述池化层使用最大池化，其卷积核大小为3×3×3，步长为1；所述5个卷积模块依次线性相连。
所述全连接阶段有三个，在第一个全连接阶段中，将卷积层的结果输出进行向量化后，与功能网络连接的数据进行拼接，得到第一层的输入，该输入经过一个全连接层和一个ReLU激活层后，得到1280层的隐藏层；
在第二个中，所述1280层的隐藏层与性别标量进行拼接，经过一个全连接层和一个ReLU激活层后，得到256层的隐藏层；
在第三个中，所述256层的隐藏层经过一个全连接层和一个ReLU激活层，得到72层的隐藏层；
优选地，所述72层的隐藏层经过一个全连接层，输出一标量，即所述深度神经网络的最终输出。
在一个优选的实施方式中，在所述步骤4中，使用反向传播和梯度下降算法进行模型训练，所使用的损失函数为MAE函数，其计算公式如下式（二）所示：
Mae = 1/n* sum(|y’-y|) （二）
Sum（）为求和函数，y’为预测年龄，y为实际年龄，n为测试集大小。
训练使用minibatch进行，batchsize设为8；训练所使用的训练器为ADAM训练器，学习率为0.01。优选地，采用交叉验证法对所述初始大脑年龄预测模型进行训练。
优选地，在训练所述深度神经网络的过程中，训练完成/停止的判断条件是完成200个epoch的训练。
在一个优选的实施方式中，所述报警模块5包括趋势预警子模块51和加速老化警报子模块52；
其中，在趋势预警子模块51中，持续记录用户的PAD，并使用一阶线性拟合的方式拟合用户的PAD变化趋势，当拟合获得的拟合直线的斜率显著大于0时，则向用户发出预警，警示其大脑有加速老化的趋势。优选地，当时间与PAD间的相关系数为正值且显著性小于0.05时斜率显著大于0。
在加速老化警报子模块52中，持续记录用户的PAD，比较当前的PAD与在先的PAD，在当前PAD值超过在先PAD的平均值两个标准差以上时，则向用户发出警报，通知用户其大脑在加速老化。
优选地，本申请中所述的PAD为大脑年龄和实际年龄之间的差值。
优选地，所述报警模块5还包括AD风险评估模型，实时将获得的PAD代入到该AD风险评估模型中，进而获得用户当前罹患AD的风险值，当该值高于0.9时，向用户发出AD警报。本申请中所述的AD是指Alzheimer disease，阿尔兹海默症。
进一步优选地，所述AD风险评估模型的获得过程包括如下步骤：
步骤a，下载ADNI数据集中的数据，包括健康对照的数据和AD患者的数据，所有数据使用前述的步骤2中的方法进行预处理；所述收集到的训练数据的数量应至少为2000个。
步骤b，使用所述大脑年龄计算模型计算每个大脑的大脑年龄和PAD值，基于计算结果和真实年龄，建立logistics回归模型，对各个大脑依据来自健康对照和AD患者进行分类，从而拟合logistic回归模型中的参数，获得AD风险评估模型。
本发明还提一种大脑老化预警方法，该方法通过上文所述的大脑老化预警系统实现；
优选地，该方法包括如下步骤：
步骤甲，通过信息采集模块1收集用户基础信息，
步骤乙，通过脑成像数据收集模块2收集用户脑部磁共振成像得到的数据和磁共振扫描的日期，
步骤丙，通过预处理模块3对磁共振成像得到的数据做预处理，
步骤丁，通过大脑年龄计算模型4基于预处理后的数据获得用户的大脑年龄，
步骤戊，通过报警模块5基于用户的大脑年龄判断是否需要发出预警信息。
实施例1
通过下述步骤获得大脑年龄计算模型；
步骤一，从Connectome数据库中收集健康成年脑成像数据作为训练数据，所收集得到的训练数据需包含结构像数据、静息态数据、性别和实际年龄。
步骤二，使用基于SPM12的CAT12工具包，对训练数据中结构像数据进行分割，分割得到的结构像经非线性映射，匹配到MNI152模板上，得到113×137×113的三维矩阵；
所述步骤2还包括如下子步骤：
子步骤a，使用dpabi工具包对数据进行时间校准、头动校准、配准与标准化、空间平滑处理；
子步骤b，使用AAL模板，提取属于大脑的90个脑区的体素时间序列，对于每个体素，进行时间维度的平均，从而提取每个脑区的平均序列；
子步骤c，计算各个脑区两两之间的功能连接强度，从而得到90×90的二维对称矩阵，取其下三角部分进行向量化，得到3912维的向量；各个脑区两两之间的功能连接强度通过下式（一）获得：
FC = cov(T1，T2) （一）
其中，cov（）表示皮尔逊相关的计算公式，T1和T2分别表示两个脑区的平均时间序列，FC表示这两个脑区的功能连接强度。
步骤三，采用Pytorch深度学习框架构建的基于年龄的3-D卷积神经网络模型，即构建深度神经网络模型；
所述卷积神经网络模型包括两个阶段，前一个阶段为卷积阶段，后一个阶段为全连接阶段；
所述卷积阶段包含5个卷积模块，其中，每个卷积模块都包含一个卷积层，一个池化层，一个ReLU激活层和一个批归一化层；
所述卷积层的卷积核大小为3×3×3，步长为1；
所述池化层使用最大池化，其卷积核大小为3×3×3，步长为1；
所述全连接阶段有三个，在第一个全连接阶段中，将卷积层的结果输出进行向量化后，与功能网络连接的数据进行拼接，得到第一层的输入，该输入经过一个全连接层和一个ReLU激活层后，得到1280层的隐藏层；
在第二个中，所述1280层的隐藏层与性别标量进行拼接，经过一个全连接层和一个ReLU激活层后，得到256层的隐藏层；
在第三个中，所述256层的隐藏层经过一个全连接层和一个ReLU激活层，得到72层的隐藏层；
优选地，所述72层的隐藏层经过一个全连接层，输出一标量，即所述深度神经网络的最终输出。
步骤四，使用反向传播和梯度下降算法进行模型训练，所使用的损失函数为MAE函数，其计算公式如下式（二）所示：
Figure 361630DEST_PATH_IMAGE001
（二）
Figure 544349DEST_PATH_IMAGE002
为预测年龄，y为实际年龄，n为测试集大小。
训练使用minibatch进行，batchsize设为8；训练所使用的训练器为ADAM训练器，学习率为0.01。
训练完成/停止的判断条件是完成200个epoch的训练；
从而获得大脑年龄计算模型。
基于大脑年龄计算模型对风险人群中的94位老年用户进行监测判断：
所述风险人群筛选的纳入标准为：
（1）满足年龄大于60周岁，将在北京地区连续居住一年半以上；（2）满足AD8量表值在1以上，即风险因子在1以上；（3）满足APOEe4携带者或者简易智力状态量表MMSE小于27或者配对联想学习测验PALT小于等于6.5；
所述风险人群筛选的排除标准为：简易智力状态量表MMSE小于18，或者流调用抑郁自评量表CESD大于28。
基于自愿原则，从风险人群中筛选出94位无严重脑外伤史，日常生活能力正常的老年用户，其中61周岁至80周岁的男44位、女50位；
通过信息采集模块获得用户的出生日期和性别信息，通过脑成像数据收集模块收集用户脑部磁共振成像得到的数据和磁共振扫描的日期，对用户脑部磁共振成像数据做预处理，并将处理后的数据输入到大脑年龄计算模型中，获得用户的大脑年龄，进而获得用户的PAD；每个月为所有的用户进行一次上述操作，获得对应的PAD，并持续记录用户的PAD。
比较当前的PAD与在先的PAD，当前PAD值超过在先PAD的平均值两个标准差以上时，向用户发出警报，通知用户其大脑在加速老化。
上述监测操作持续两年，每位老人都在随机6个时间节点进行监测，从而每位老人都获得六组PAD数据。
在两年的监测中，每隔三个月为94位用户都做一次脑部健康体检，由三级乙等及以上医院的神经科主治及以上医师做一对一问诊，以判断该用户是否罹患MCI或AD；
在两年的监测期内，共计42位老人在监测期内被诊断为罹患MCI或AD；在被诊断为罹患MCI或AD的老人中，37位老人曾出现至少一次监测报警。而在保持健康的剩余52位老人中，只有4位老人曾出现监测报警。据此，可以计算得到本申请提供的监测系统的敏感性为0.88，特异性为0.92，由此可知本申请提供的大脑老化预警系统具有极高的准确性和可靠性。
以上结合了优选的实施方式对本发明进行了说明，不过这些实施方式仅是范例性的，仅起到说明性的作用。在此基础上，可以对本发明进行多种替换和改进，这些均落入本发明的保护范围内。

Claims (10)

1.一种大脑老化预警系统，其特征在于，该系统包括：
信息采集模块（1），其用于收集用户基础信息，
脑成像数据收集模块（2），其用于收集用户脑部磁共振成像得到的数据和磁共振扫描的日期，
预处理模块（3），其用于对磁共振成像得到的数据做预处理，
大脑年龄计算模型（4），其用于基于预处理后的数据获得用户的大脑年龄，
报警模块（5），其用于基于用户的大脑年龄判断是否需要发出预警信息。
2.根据权利要求1所述的大脑老化预警系统，其特征在于，
所述预处理模块（3）包括结构像数据处理子模块（31）和静息态数据处理子模块（32），
在所述结构像数据处理子模块（31）中，使用基于SPM12的CAT12工具包，对结构像数据进行分割，分割得到的结构像经非线性映射，匹配到MNI152模板上，得到113×137×113的三维矩阵；
在所述静息态数据处理子模块（32）中，具体执行如下子步骤：
子步骤1，使用dpabi工具包对数据进行时间校准、头动校准、配准与标准化、空间平滑处理；
子步骤2，使用AAL模板，提取属于大脑的90个脑区的体素时间序列，对于每个体素，进行时间维度的平均，从而提取每个脑区的平均序列；
子步骤3，计算各个脑区两两之间的功能连接强度，从而得到90×90的二维矩阵。
3.根据权利要求2所述的大脑老化预警系统，其特征在于，
在所述子步骤3中，通过下式（一）获得各个脑区两两之间的功能连接强度：
Figure DEST_PATH_IMAGE001
（一）
其中，
Figure DEST_PATH_IMAGE002
表示皮尔逊相关的计算公式，T1和T2分别表示两个脑区的平均时间序列，FC表示这两个脑区的功能连接强度。
4.根据权利要求1所述的大脑老化预警系统，其特征在于，
所述大脑年龄计算模型（4）通过如下步骤获得：
步骤1，收集训练数据，
步骤2，对训练数据做预处理，
步骤3，构建深度神经网络模型，
步骤4，训练所述深度神经网络。
5.根据权利要求4所述的大脑老化预警系统，其特征在于，
在所述步骤1中，从公开数据库中收集健康成年脑成像数据作为训练数据，所收集得到的训练数据需包含结构像数据、静息态数据、性别和实际年龄。
6.根据权利要求4所述的大脑老化预警系统，其特征在于，
所述步骤2中的预处理包括使用基于SPM12的CAT12工具包，对结构像数据进行分割，分割得到的结构像经非线性映射，匹配到MNI152模板上，得到113×137×113的三维矩阵；
所述步骤2中的预处理还包括如下子步骤：
子步骤a，使用dpabi工具包对数据进行时间校准、头动校准、配准与标准化、空间平滑处理；
子步骤b，使用AAL模板，提取属于大脑的90个脑区的体素时间序列，对于每个体素，进行时间维度的平均，从而提取每个脑区的平均序列；
子步骤c，计算各个脑区两两之间的功能连接强度，从而得到90×90的二维对称矩阵，取其下三角部分进行向量化，得到3912维的向量。
7.根据权利要求4所述的大脑老化预警系统，其特征在于，
在所述步骤3中，所述深度神经网络为采用Pytorch深度学习框架构建的基于年龄的3-D卷积神经网络模型，
所述卷积神经网络模型包括两个阶段，前一个阶段为卷积阶段，后一个阶段为全连接阶段；
所述卷积阶段包含5个卷积模块，其中，每个卷积模块都包含一个卷积层，一个池化层，一个ReLU激活层和一个批归一化层；
所述卷积层的卷积核大小为3×3×3，步长为1；
所述池化层使用最大池化，其卷积核大小为3×3×3，步长为1；
所述全连接阶段有三个，在第一个全连接阶段中，将卷积层的结果输出进行向量化后，与功能网络连接的数据进行拼接，得到第一层的输入，该输入经过一个全连接层和一个ReLU激活层后，得到1280层的隐藏层；
在第二个中，所述1280层的隐藏层与性别标量进行拼接，经过一个全连接层和一个ReLU激活层后，得到256层的隐藏层；
在第三个中，所述256层的隐藏层经过一个全连接层和一个ReLU激活层，得到72层的隐藏层；
所述72层的隐藏层经过一个全连接层，输出一标量，即所述深度神经网络的最终输出。
8.根据权利要求1所述的大脑老化预警系统，其特征在于，
所述报警模块（5）包括趋势预警子模块（51）和加速老化警报子模块（52）；
其中，在趋势预警子模块（51）中，持续记录用户的PAD，并使用一阶线性拟合的方式拟合用户的PAD变化趋势，当拟合获得的拟合直线的斜率显著大于0时，则向用户发出预警；
在加速老化警报子模块（52）中，持续记录用户的PAD，比较当前的PAD与在先的PAD，在当前PAD值超过在先PAD的平均值两个标准差以上时，则向用户发出警报；
所述PAD为大脑年龄和实际年龄之间的差值。
9.根据权利要求8所述的大脑老化预警系统，其特征在于，
所述报警模块（5）还包括AD风险评估模型，实时将获得的PAD代入到该AD风险评估模型中，进而获得用户当前罹患AD的风险值，当该值高于0.9时，向用户发出AD警报。
10.一种大脑老化预警方法，其特征在于，
该方法通过权利要求1-9之一所述的大脑老化预警系统实现；
该方法包括如下步骤：
步骤甲，通过信息采集模块（1）收集用户基础信息，
步骤乙，通过脑成像数据收集模块（2）收集用户脑部磁共振成像得到的数据和磁共振扫描的日期，
步骤丙，通过预处理模块（3）对磁共振成像得到的数据做预处理，
步骤丁，通过大脑年龄计算模型（4）基于预处理后的数据获得用户的大脑年龄，
步骤戊，通过报警模块（5）基于用户的大脑年龄判断是否需要发出预警信息。
CN202210894641.0A 2022-07-28 2022-07-28 一种大脑老化预警系统及预警方法 Active CN114972340B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210894641.0A CN114972340B (zh) 2022-07-28 2022-07-28 一种大脑老化预警系统及预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210894641.0A CN114972340B (zh) 2022-07-28 2022-07-28 一种大脑老化预警系统及预警方法

Publications (2)

Publication Number Publication Date
CN114972340A true CN114972340A (zh) 2022-08-30
CN114972340B CN114972340B (zh) 2022-11-18

Family

ID=82968740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210894641.0A Active CN114972340B (zh) 2022-07-28 2022-07-28 一种大脑老化预警系统及预警方法

Country Status (1)

Country Link
CN (1) CN114972340B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI803438B (zh) * 2022-10-11 2023-05-21 智波源科技股份有限公司 基於腦部多認知區灰質體積的認知年齡預測系統及其方法
CN116807447A (zh) * 2023-08-31 2023-09-29 北京智精灵科技有限公司 动态脑网络的脑龄预测建模方法、认知提升方法及系统
CN117393167A (zh) * 2023-12-11 2024-01-12 中国人民解放军军事科学院军事医学研究院 一种基于人工智能模型的大脑健康评估方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120185274A1 (en) * 2011-01-14 2012-07-19 Guzihou Hu System and Method for Predicting Inner Age
CN109035250A (zh) * 2018-09-11 2018-12-18 中国科学技术大学 建立年龄预测模型的方法及装置、年龄预测方法及装置
CN109859189A (zh) * 2019-01-31 2019-06-07 长安大学 一种基于深度学习的年龄估计方法
CN109993210A (zh) * 2019-03-05 2019-07-09 北京工业大学 一种基于神经影像的大脑年龄估计方法
CN112561848A (zh) * 2019-09-09 2021-03-26 阳明大学 区域性脑年龄预测的方法、非暂时性电脑可读介质及设备
CN113616184A (zh) * 2021-06-30 2021-11-09 北京师范大学 基于多模态磁共振图像的脑网络建模与个体预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120185274A1 (en) * 2011-01-14 2012-07-19 Guzihou Hu System and Method for Predicting Inner Age
CN109035250A (zh) * 2018-09-11 2018-12-18 中国科学技术大学 建立年龄预测模型的方法及装置、年龄预测方法及装置
CN109859189A (zh) * 2019-01-31 2019-06-07 长安大学 一种基于深度学习的年龄估计方法
CN109993210A (zh) * 2019-03-05 2019-07-09 北京工业大学 一种基于神经影像的大脑年龄估计方法
CN112561848A (zh) * 2019-09-09 2021-03-26 阳明大学 区域性脑年龄预测的方法、非暂时性电脑可读介质及设备
CN113616184A (zh) * 2021-06-30 2021-11-09 北京师范大学 基于多模态磁共振图像的脑网络建模与个体预测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI803438B (zh) * 2022-10-11 2023-05-21 智波源科技股份有限公司 基於腦部多認知區灰質體積的認知年齡預測系統及其方法
CN116807447A (zh) * 2023-08-31 2023-09-29 北京智精灵科技有限公司 动态脑网络的脑龄预测建模方法、认知提升方法及系统
CN116807447B (zh) * 2023-08-31 2023-12-22 北京智精灵科技有限公司 动态脑网络的脑龄预测建模方法、认知提升方法及系统
CN117393167A (zh) * 2023-12-11 2024-01-12 中国人民解放军军事科学院军事医学研究院 一种基于人工智能模型的大脑健康评估方法
CN117393167B (zh) * 2023-12-11 2024-03-12 中国人民解放军军事科学院军事医学研究院 一种基于人工智能模型的大脑健康评估方法

Also Published As

Publication number Publication date
CN114972340B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN114972340B (zh) 一种大脑老化预警系统及预警方法
Mumtaz et al. A machine learning framework involving EEG-based functional connectivity to diagnose major depressive disorder (MDD)
Tagaris et al. Machine learning for neurodegenerative disorder diagnosis—survey of practices and launch of benchmark dataset
Ahmed et al. Single volume image generator and deep learning-based ASD classification
CN111488914A (zh) 一种基于多任务学习的阿尔茨海默症分类及预测系统
CN113057585B (zh) 一种认知障碍检测模型及其训练方法
CN109009102B (zh) 一种基于脑电图深度学习的辅助诊断方法及系统
CN111568446A (zh) 结合人口学注意力机制的便携式脑电抑郁检测系统
CN114999629A (zh) 一种基于多特征融合的ad早期预测方法、系统、装置
Reddy et al. Discovering optimal algorithm to predict diabetic retinopathy using novel assessment methods
Zuo et al. A prior guided adversarial representation learning and hypergraph perceptual network for predicting abnormal connections of Alzheimer's disease
Zuo et al. Deep Learning-based Eye-Tracking Analysis for Diagnosis of Alzheimer's Disease Using 3D Comprehensive Visual Stimuli
Sengupta et al. An Empirical Analysis on Detection and Recognition of Intra-Cranial Hemorrhage (ICH) using 3D Computed Tomography (CT) images
CN111681767B (zh) 一种电子病历数据处理方法及系统
CN111329467A (zh) 一种基于人工智能的心脏疾病辅助检测方法
CN116452592B (zh) 脑血管病ai认知功能评测模型的构建方法、装置及系统
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
CN117542474A (zh) 基于大数据的远程护理监测系统及方法
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
Pallawi et al. Study of Alzheimer’s disease brain impairment and methods for its early diagnosis: a comprehensive survey
Sudharsan et al. An Recognition of Alzheimer Disease using Brain MRI Images with DPNMM through Adaptive Model
Zhu Early diagnosis of Parkinson's Disease by analyzing magnetic resonance imaging brain scans and patient characteristic
CN114512236A (zh) 一种阿尔兹海默症智能辅助诊断系统
Sajeeb et al. Parkinson’s disease detection using FMRI images leveraging transfer learning on convolutional neural network
Baydargil et al. A parallel deep convolutional neural network for Alzheimer's disease classification on PET/CT brain images

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