CN115063419A - 基于可解释集成3dcnn的神经影像学生物标志物的提取方法 - Google Patents

基于可解释集成3dcnn的神经影像学生物标志物的提取方法 Download PDF

Info

Publication number
CN115063419A
CN115063419A CN202210978102.5A CN202210978102A CN115063419A CN 115063419 A CN115063419 A CN 115063419A CN 202210978102 A CN202210978102 A CN 202210978102A CN 115063419 A CN115063419 A CN 115063419A
Authority
CN
China
Prior art keywords
image
smri
neuroimaging
integrated
3dcnn
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
CN202210978102.5A
Other languages
English (en)
Other versions
CN115063419B (zh
Inventor
潘丹
曾安
杨宝瑶
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202210978102.5A priority Critical patent/CN115063419B/zh
Publication of CN115063419A publication Critical patent/CN115063419A/zh
Application granted granted Critical
Publication of CN115063419B publication Critical patent/CN115063419B/zh
Priority to US18/450,338 priority patent/US20240057932A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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
    • 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
    • A61B5/05—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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7747—Organisation of the process, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Neurology (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Quality & Reliability (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Hospice & Palliative Care (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Psychology (AREA)
  • Neurosurgery (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)

Abstract

本发明针对现有技术的局限性，提出了一种基于可解释集成3DCNN（三维卷积神经网络）的神经影像学生物标志物的提取方法。本发明从集成三维卷积神经网络模型获得的预测结果，衍生出一个新的神经影像学生物标志物P‑score。该方案可以帮助科研人员进行对阿尔茨海默病进展过程中结构性磁共振成像(sMRI)的纵向轨迹变化的研究，分析该纵向轨迹变化与阿尔茨海默病受试者神经退行性变化的联系，提取到的神经影像学生物标志物能够为预测阿尔茨海默病患者的神经退行性变化中脑部区域的介入顺序和即将出现的临床症状提供依据。

Description

基于可解释集成3DCNN的神经影像学生物标志物的提取方法
技术领域
本发明涉及医学影像数据分析技术领域，具体涉及机器学习在医学影像数据分析技术领域的应用，更具体，涉及一种基于可解释集成3DCNN的神经影像学生物标志物的提取方法。
背景技术
大脑影像图的数据分析对阿尔兹海默症（AD）的研究至关重要。虽然对于大脑影像的获取已有多种技术支持，如正电子发射型计算机断层显像（PET）、核磁共振成像（MRI）等，不过鉴于PET成本高昂，相比与成本较低、无创的MRI而言，PET影像在实际中的应用没有MRI影像那么广泛，因此提高对MRI影像的数据分析技术是非常必要的。
过去的十年里机器学习（ML）已经被用于分析大脑MRI影像。不过，以公开日为2022.04.15的中国发明申请：利用大脑影像的阿尔茨海默病的生物学分类装置及方法为例，大多数现有的ML的应用都是以实现分类任务为主，而不是基于神经影像学分析神经退行性变化的进展模式。
最近一些研究已经开始尝试从结构性磁共振成像(sMRI影像)中提取萎缩的特征或模式来推断大脑的年龄，虽然使用独立训练策略和投票集合规则的ML方法可能可以支持神经成像表型与阿尔茨海默病神经退行性进展之间的关联，但目前还未有对阿尔茨海默病进展过程中sMRI影像的纵向轨迹变化的研究：如神经退行性大脑区域之间的空间和时间关联等。因此，现有技术仍有一定的局限性。
发明内容
针对现有技术的局限，本发明提出一种基于可解释集成3DCNN的神经影像学生物标志物的提取方法，本发明采用的技术方案是：
一种基于可解释集成3DCNN的神经影像学生物标志物的提取方法，包括以下步骤：
S1，获取待处理的sMRI影像，对所述sMRI影像进行预处理；
S2，将预处理后的sMRI影像切分为若干小立方体；
S3，将所述小立方体输入到经过预设的sMRI数据集训练过的集成3DCNN模型中，获得各小立方体关于所述sMRI影像是否属于阿尔兹海默症患者的预测概率；
S4，将所述预测概率转化为所述sMRI影像的神经影像学生物标志物P-score。
相较于现有技术，本发明从集成3DCNN模型获得的预测结果，衍生出一个新的神经影像学生物标志物P-score。该方案可以帮助科研人员进行对阿尔茨海默病进展过程中sMRI影像的纵向轨迹变化的研究，分析该纵向轨迹变化与阿尔茨海默病受试者神经退行性变化的联系，提取到的神经影像学生物标志物能够为预测阿尔茨海默病患者的神经退行性变化中脑部区域的介入顺序和即将出现的临床症状提供依据。
作为一种优选方案，所述预处理的内容包括颅骨提取、MNI空间配准、影像平滑以及影像归一化。
作为一种优选方案，所述集成3DCNN模型包括若干个基础分类器以及一个元分类器；所述基础分类器为3DCNN模型；所述元分类器依序包括一个一维卷积层以及一个全连接层。
进一步的，所述sMRI影像在小立方体水平上的神经影像学生物标志物
Figure 290524DEST_PATH_IMAGE001
通过以下方式获得：
Figure 676506DEST_PATH_IMAGE002
；
其中，i为所述sMRI影像的索引，c为小立方体的索引；p为小立方体（i,c）对应的基础分类器得出的关于所述sMRI影像是否属于阿尔兹海默症患者的预测概率，w为所述元分类器中一维卷积层的与该基础分类器对应的权重。
更进一步的，所述sMRI影像在体素水平上的神经影像学生物标志物
Figure 925084DEST_PATH_IMAGE003
通过以下方式获得：
所述小立方体中的脑组织的体素对体素所在的小立方体的
Figure 287670DEST_PATH_IMAGE004
进行均分，即
Figure 305305DEST_PATH_IMAGE005
，其中M为所述小立方体中脑组织的体素的数量；而小立方体中非脑组织的体素的
Figure 393347DEST_PATH_IMAGE006
值则置为0。
更进一步的，所述sMRI影像在脑区水平上的神经影像学生物标志物
Figure 863642DEST_PATH_IMAGE007
通过以下方式获得：
将该脑区中的所有体素的
Figure 328122DEST_PATH_IMAGE008
相加后除以该脑区中包含的体素的数量。
更进一步的，所述sMRI影像在全脑水平上的神经影像学生物标志物
Figure 200263DEST_PATH_IMAGE009
通过以下方式获得：
通过归一化，将各脑区的
Figure 459206DEST_PATH_IMAGE007
的值域缩放到[0,1]范围内；对归一化后的各脑区的
Figure 416797DEST_PATH_IMAGE007
进行汇总，得到整个大脑的
Figure 419389DEST_PATH_IMAGE010
：
Figure 942774DEST_PATH_IMAGE011
；
其中，i为所述sMRI影像的索引，k为脑区的索引。
本发明还包括以下内容：
一种基于可解释集成3DCNN的神经影像学生物标志物的提取系统，包括依序连接的影像获取与预处理模块、影像切分模块、预测概率获取模块以及预测概率转化模块：
所述影像获取与预处理模块用于获取待处理的sMRI影像，对所述sMRI影像进行预处理；
所述影像切分模块用于将预处理后的sMRI影像切分为若干小立方体；
所述预测概率获取模块用于将所述小立方体输入到经过预设的sMRI数据集训练过的集成3DCNN模型中，获得各小立方体关于所述sMRI影像是否属于阿尔兹海默症患者的预测概率；
所述预测概率转化模块用于将所述预测概率转化为所述sMRI影像的神经影像学生物标志物P-score。
一种存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现前述的基于可解释集成3DCNN的神经影像学生物标志物的提取方法的步骤。
一种计算机设备，包括存储介质、处理器以及储存在所述存储介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时前述的基于可解释集成3DCNN的神经影像学生物标志物的提取方法的步骤。
附图说明
图1为本发明实施例1提供的基于可解释集成3DCNN的神经影像学生物标志物的提取方法的步骤示意图；
图2为本发明集成3DCNN模型的原理框图；
图3为本发明所采用的P-score在不同层次上的关系示意图；
图4为本发明阿尔茨海默病受试者大脑的sMRI影像中ML模型提取的神经成像生物标志物P-score示例；
图5本发明实施例2提供的基于可解释集成3DCNN的神经影像学生物标志物的提取系统示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，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它实施例，都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A 和/或B，可以表示：单独存在A，同时存在A 和B，单独存在B 这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。以下结合附图和实施例对本发明做进一步的阐述。
为了解决现有技术的局限性，本实施例提供了一种技术方案，下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
请参考图1，一种基于可解释集成3DCNN的神经影像学生物标志物的提取方法，包括以下步骤：
S1，获取待处理的sMRI影像，对所述sMRI影像进行预处理；
S2，将预处理后的sMRI影像切分为若干小立方体；
S3，将所述小立方体输入到经过预设的sMRI数据集训练过的集成3DCNN模型中，获得各小立方体关于所述sMRI影像是否属于阿尔兹海默症患者的预测概率；
S4，将所述预测概率转化为所述sMRI影像的神经影像学生物标志物P-score。
相较于现有技术，本发明从集成3DCNN模型获得的预测结果，衍生出一个新的神经影像学生物标志物P-score。该方案可以帮助科研人员进行对阿尔茨海默病进展过程中sMRI影像的纵向轨迹变化的研究，分析该纵向轨迹变化与阿尔茨海默病受试者神经退行性变化的联系，提取到的神经影像学生物标志物能够为预测阿尔茨海默病患者的神经退行性变化中脑部区域的介入顺序和即将出现的临床症状提供依据。
具体的，3DCNN指三维卷积神经网络。本发明旨在为研究人员实现通过机器学习模型探索与阿尔茨海默病相关的sMRI影像中不太明显的细节，分析阿尔茨海默病进展过程中的sMRI影像的纵向轨迹变化，即分析阿尔茨海默病进展中多个时间点的sMRI影像的变化。
所述神经影像学生物标志物P-score可以视为一种反映神经退行性变化程度的量化指标。
作为一种优选实施例，所述预处理的内容包括颅骨提取、MNI空间配准、影像平滑以及影像归一化。
具体的，可以通过在工具Computational Anatomy Toolbox (CAT12,dbm.neuro.unijena.de/cat/)中使用默认设置进行颅骨提取、MNI空间配准和影像平滑，然后将每个影像归一化为大小121×145×121的张量。该张量的空间分辨率为每体素1.5×1.5×1.5 mm3，体素的值域为从0到1。每个sMRI影像切分成不重叠的25×25×25的小立方体，由此每个sMRI影像将得到150个小立方体。
作为一种优选实施例，请参阅图2，所述集成3DCNN模型包括若干个基础分类器以及一个元分类器；所述基础分类器为3DCNN模型；所述元分类器依序包括一个一维卷积层以及一个全连接层。
具体的，在对所述集成3DCNN模型进行训练时，同样需要对sMRI数据集中的影像进行前述的预处理与切分操作。
相应的，所述基础分类器的数量与每个sMRI影像将得到切分出的小立方体的数量一致，为150个，150个小立方体分别作为150个基础分类器的输入。如图2中的（c）区域所示，每个基础分类器都是3DCNN模型，由7层组成，使大小为25×25×25的输入变换到长度为64的代表着小立方体特征的一维向量，再变换到代表每个小立方体的阿尔茨海默病患者（AD类）和健康者（HC类）的概率二维向量。这些基础分类器分别由sMRI数据集中的训练集数据中对应的150小立方体独立训练。
在训练过程中，基础分类器和元分类器训练是分开训练的。在训练完基础分类器后，可以选择在sMRI数据集的验证集数据表现最好的N个基础分类器（例如35个），将它们的输出特征拼接后输入到元分类器中，即特征拼接后的尺寸为N×64，其中N为选中的基础分类器个数。元分类器包含一个一维卷积层和一个全连接层，一维卷积层的卷积核大小为所拼接的基础分类器特征个数N，由于一维卷积的计算方式，使得一维卷积的每个权重分别和每个基础分类器相对应。在疾病标签的指导下，元分类器利用拼接基础分类器输出特征的数据在数据集上学习。元分类器的输出作为集成3DCNN的最终输出，输出的是一个二维向量，向量中的两个值分别对应当前输入的sMRI影像属于阿尔茨海默病患者（AD类）和健康者（HC类）的概率，即模型给出对阿尔茨海默病患者（AD类）和健康者（HC类）的预测得分。
所述神经影像学生物标志物P-score是一个多层次的测量方法，可以在四个水平中（即体素、区域、小立方体和全脑水平）评价神经退行性变化；P-score的值越高，代表神经退行性变化的程度就越高。图3显示了四个层次的P-score值之间的关系。
进一步的，所述sMRI影像在小立方体水平上的神经影像学生物标志物
Figure 575880DEST_PATH_IMAGE012
通过以下方式获得：
Figure 83085DEST_PATH_IMAGE002
；
其中，i为所述sMRI影像的索引，c为小立方体的索引；p为小立方体（i,c）对应的基础分类器得出的关于所述sMRI影像是否属于阿尔兹海默症患者的预测概率，w为所述元分类器中一维卷积层的与该基础分类器对应的权重。
可见，将所述小立方体输入到经过预设的sMRI数据集训练过的集成3DCNN模型中后其实是可以直接得到所述sMRI影像在小立方体水平上的神经影像学生物标志物
Figure 561471DEST_PATH_IMAGE012
的。
更进一步的，所述sMRI影像在体素水平上的神经影像学生物标志物
Figure 470521DEST_PATH_IMAGE013
通过以下方式获得：
所述小立方体中的脑组织的体素对体素所在的小立方体的
Figure 8950DEST_PATH_IMAGE014
进行均分，即
Figure 3451DEST_PATH_IMAGE015
，其中M为所述小立方体中脑组织的体素的数量；而小立方体中非脑组织的体素的
Figure 82265DEST_PATH_IMAGE016
值则置为0。
更进一步的，所述sMRI影像在脑区水平上的神经影像学生物标志物
Figure 547619DEST_PATH_IMAGE007
通过以下方式获得：
将该脑区中的所有体素的
Figure 319266DEST_PATH_IMAGE017
相加后除以该脑区中包含的体素的数量。
具体的，根据Brainnetome Atlas中的划分，人类的大脑被划分成246个区域，这些区域反映整个大脑的解剖和功能联系。每个脑区也可以用对应的
Figure 473167DEST_PATH_IMAGE007
来评价，每个脑区的
Figure 621252DEST_PATH_IMAGE007
根据该脑区包含的体素的
Figure 176998DEST_PATH_IMAGE018
得出。要计算某个脑区的
Figure 385125DEST_PATH_IMAGE007
，首先将该脑区所有体素的
Figure 26322DEST_PATH_IMAGE018
相加，然后我们进一步将总和除以脑区的大小，即脑区包含的体素数量，以消除不同脑区区域大小差异对
Figure 712518DEST_PATH_IMAGE007
的影响。
更进一步的，所述sMRI影像在全脑水平上的神经影像学生物标志物
Figure 388350DEST_PATH_IMAGE009
通过以下方式获得：
通过归一化，将各脑区的
Figure 501800DEST_PATH_IMAGE007
的值域缩放到[0,1]范围内；对归一化后的各脑区的
Figure 692610DEST_PATH_IMAGE007
进行汇总，得到整个大脑的
Figure 120180DEST_PATH_IMAGE019
：
Figure 447256DEST_PATH_IMAGE011
；
其中，i为所述sMRI影像的索引，k为脑区的索引。
具体的，可以采用Min-Max归一化将各脑区的
Figure 934869DEST_PATH_IMAGE007
的值域缩放到[0,1]范围内。请参阅图4给出的例子，越深的地方P-score值越高，大脑的P-score的值越高，表示神经退行性变化程度越高，由此可以直观说明该阿尔茨海默病受试者大脑sMRI影像中每个脑区的P-score，可知神经退行性变化的程度因脑区而异。
接下来，本实施例将利用从ADNI数据库获得的多个时间点的sMRI影像序列，来对本实施例的方案作进一步的延申说明。
请参阅表1：
表1 研究中不同阶段的受试者其sMRI影像的统计信息
Figure 347396DEST_PATH_IMAGE020
注：条件1：纵向图像序列包含在不少于两个时间点获得的sMRI图像
条件2：集成3DCNN正确地对受试者纵向序列中的所有图像进行分类。
条件3：至少有一个大脑区域被神经成像生物标记物标记为退化。
准则1：纵向影像序列包含不少于两个时间点的sMRI影像。
准则2：集成3DCNN正确对一个受试者的纵向影像序列中的所有影像进行分类。
准则3：受试者的纵向影像序列中至少有一个脑区通过神经影像学生物标志物P-score标记为神经退行性变化。
表1所示的测试数据集中的253个HC受试者，在研究中的模式分析阶段没有使用纵向影像序列。
根据表1的统计数据，集成3DCNN模型正确识别了ADNI数据库中818个阿尔茨海默病症状的sMRI影像中的720个。如果一个脑区的P-score值低于
Figure 640974DEST_PATH_IMAGE021
，则该脑区较大概率和阿尔茨海默病进展相关的神经退行性变化无关，其中
Figure 25819DEST_PATH_IMAGE022
的值由集成3DCNN正确识别的阿尔茨海默病患sMRI影响中所有脑区的P-score的均值和标准差（std）决定的，此处取
Figure 481071DEST_PATH_IMAGE023
因此，可以认为
Figure 82692DEST_PATH_IMAGE024
的脑区为神经退行性脑区。
分析结果表明，内侧杏仁核（L.mAmyg）、伏隔核（L.NAC）和外侧杏仁核（L.lAmyg）是阿尔茨海默病患进展中最常见的影响区域。具体而言，在638张阿尔茨海默病患的sMRI影像中分别有82.60%、80.72%、73.20%的评分认为该三个脑区存在神经退行性。
表2中列出在638张标记为阿尔茨海默病的sMRI影像中对应脑区的频率作为阿尔茨海默病患者的阿尔茨海默病进展过程中这些脑区发生神经退行性变化的概率。结果显示这些常见的神经退行性变化脑区大多位于壳核和伏隔核的基底部分，与Braak报告[Braak,H. & Braak, E. Neuropathological stageing of alzheimer-related changes. Actaneuropathologica 82, 239–259 (1991)]的淀粉样蛋白沉积相一致，此外P-score较高的脑区，如杏仁核、颗粒状岛叶皮层和海马等大致匹配Braak报告中确定的等皮层、基底大细胞复体和经内嗅区。
表2 638张阿尔茨海默病患者的sMRI影像中神经退行性脑区的频率
Figure 914382DEST_PATH_IMAGE025
实施例2
一种基于可解释集成3DCNN的神经影像学生物标志物的提取系统，请参阅图5，包括依序连接的影像获取与预处理模块1、影像切分模块2、预测概率获取模块3以及预测概率转化模块4：
所述影像获取与预处理模块1用于获取待处理的sMRI影像，对所述sMRI影像进行预处理；
所述影像切分模块2用于将预处理后的sMRI影像切分为若干小立方体；
所述预测概率获取模块3用于将所述小立方体输入到经过预设的sMRI数据集训练过的集成3DCNN模型中，获得各小立方体关于所述sMRI影像是否属于阿尔兹海默症患者的预测概率；
所述预测概率转化模块4用于将所述预测概率转化为所述sMRI影像的神经影像学生物标志物P-score。
实施例3
一种存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现实施例1中的基于可解释集成3DCNN的神经影像学生物标志物的提取方法的步骤。
实施例4
一种计算机设备，包括存储介质、处理器以及储存在所述介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现实施例1中的基于可解释集成3DCNN的神经影像学生物标志物的提取方法的步骤。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于可解释集成3DCNN的神经影像学生物标志物的提取方法，其特征在于，包括以下步骤：
S1，获取待处理的sMRI影像，对所述sMRI影像进行预处理；
S2，将预处理后的sMRI影像切分为若干小立方体；
S3，将所述小立方体输入到经过预设的sMRI数据集训练过的集成3DCNN模型中，获得各小立方体关于所述sMRI影像是否属于阿尔兹海默症患者的预测概率；
S4，将所述预测概率转化为所述sMRI影像的神经影像学生物标志物P-score。
2.根据权利要求1所述的基于可解释集成3DCNN的神经影像学生物标志物的提取方法，其特征在于，所述预处理的内容包括颅骨提取、MNI空间配准、影像平滑以及影像归一化。
3.根据权利要求1所述的基于可解释集成3DCNN的神经影像学生物标志物的提取方法，其特征在于，所述集成3DCNN模型包括若干个基础分类器以及一个元分类器；所述基础分类器为3DCNN模型；所述元分类器依序包括一个一维卷积层以及一个全连接层。
4.根据权利要求3所述的基于可解释集成3DCNN的神经影像学生物标志物的提取方法，其特征在于，所述sMRI影像在小立方体水平上的神经影像学生物标志物
Figure 838425DEST_PATH_IMAGE001
通过以下方式获得：
Figure 402262DEST_PATH_IMAGE002
；
其中，i为所述sMRI影像的索引，c为小立方体的索引；p为小立方体（i,c）对应的基础分类器得出的关于所述sMRI影像是否属于阿尔兹海默症患者的预测概率，w为所述元分类器中一维卷积层的与该基础分类器对应的权重。
5.根据权利要求4所述的基于可解释集成3DCNN的神经影像学生物标志物的提取方法，其特征在于，所述sMRI影像在体素水平上的神经影像学生物标志物
Figure 54960DEST_PATH_IMAGE003
通过以下方式获得：
所述小立方体中的脑组织的体素对体素所在的小立方体的
Figure 126559DEST_PATH_IMAGE001
进行均分，即
Figure 282734DEST_PATH_IMAGE004
，其中M为所述小立方体中脑组织的体素的数量；而小立方体中非脑组织的体素的
Figure 283051DEST_PATH_IMAGE005
值则置为0。
6.根据权利要求5所述的基于可解释集成3DCNN的神经影像学生物标志物的提取方法，其特征在于，所述sMRI影像在脑区水平上的神经影像学生物标志物
Figure 157466DEST_PATH_IMAGE006
通过以下方式获得：
将该脑区中的所有体素的
Figure 534221DEST_PATH_IMAGE003
相加后除以该脑区中包含的体素的数量。
7.根据权利要求6所述的基于可解释集成3DCNN的神经影像学生物标志物的提取方法，其特征在于，所述sMRI影像在全脑水平上的神经影像学生物标志物
Figure 544902DEST_PATH_IMAGE007
通过以下方式获得：
通过归一化，将各脑区的
Figure 778437DEST_PATH_IMAGE006
的值域缩放到[0,1]范围内；对归一化后的各脑区的
Figure 77832DEST_PATH_IMAGE006
进行汇总，得到整个大脑的
Figure 55015DEST_PATH_IMAGE008
：
Figure 123465DEST_PATH_IMAGE009
；
其中，i为所述sMRI影像的索引，k为脑区的索引。
8.一种基于可解释集成3DCNN的神经影像学生物标志物的提取系统，其特征在于，包括依序连接的影像获取与预处理模块（1）、影像切分模块（2）、预测概率获取模块（3）以及预测概率转化模块（4）：
所述影像获取与预处理模块（1）用于获取待处理的sMRI影像，对所述sMRI影像进行预处理；
所述影像切分模块（2）用于将预处理后的sMRI影像切分为若干小立方体；
所述预测概率获取模块（3）用于将所述小立方体输入到经过预设的sMRI数据集训练过的集成3DCNN模型中，获得各小立方体关于所述sMRI影像是否属于阿尔兹海默症患者的预测概率；
所述预测概率转化模块（4）用于将所述预测概率转化为所述sMRI影像的神经影像学生物标志物P-score。
9.一种存储介质，其上储存有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于可解释集成3DCNN的神经影像学生物标志物的提取方法的步骤。
10.一种计算机设备，其特征在于：包括存储介质、处理器以及储存在所述存储介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于可解释集成3DCNN的神经影像学生物标志物的提取方法的步骤。
CN202210978102.5A 2022-08-16 2022-08-16 基于可解释集成3dcnn的神经影像学生物标志物的提取方法 Active CN115063419B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210978102.5A CN115063419B (zh) 2022-08-16 2022-08-16 基于可解释集成3dcnn的神经影像学生物标志物的提取方法
US18/450,338 US20240057932A1 (en) 2022-08-16 2023-08-15 Method for extracting neuroimaging biomarker based on interpretable ensemble 3dcnn

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210978102.5A CN115063419B (zh) 2022-08-16 2022-08-16 基于可解释集成3dcnn的神经影像学生物标志物的提取方法

Publications (2)

Publication Number Publication Date
CN115063419A true CN115063419A (zh) 2022-09-16
CN115063419B CN115063419B (zh) 2022-11-22

Family

ID=83208405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210978102.5A Active CN115063419B (zh) 2022-08-16 2022-08-16 基于可解释集成3dcnn的神经影像学生物标志物的提取方法

Country Status (2)

Country Link
US (1) US20240057932A1 (zh)
CN (1) CN115063419B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165667A (zh) * 2018-07-06 2019-01-08 中国科学院自动化研究所 基于自注意力机制的脑疾病分类系统
CN110232679A (zh) * 2019-05-24 2019-09-13 潘丹 一种阿尔茨海默症遗传生物标志物确定方法及系统
CN111180074A (zh) * 2020-02-10 2020-05-19 东华大学 分阶段估计ad进展时间线的判别式事件模型设计方法
CN111738363A (zh) * 2020-07-24 2020-10-02 温州大学 基于改进的3d cnn网络的阿尔茨海默病分类方法
CN112233805A (zh) * 2020-10-14 2021-01-15 河北工业大学 基于多图谱神经影像学数据进行生物标志物的挖掘方法
US20210186409A1 (en) * 2019-12-19 2021-06-24 National Cheng Kung University Biomarker for early detection of alzheimer disease
CN113951830A (zh) * 2021-11-15 2022-01-21 北京工业大学 一种基于3d注意力卷积与自监督学习的脑疾病分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165667A (zh) * 2018-07-06 2019-01-08 中国科学院自动化研究所 基于自注意力机制的脑疾病分类系统
CN110232679A (zh) * 2019-05-24 2019-09-13 潘丹 一种阿尔茨海默症遗传生物标志物确定方法及系统
US20210186409A1 (en) * 2019-12-19 2021-06-24 National Cheng Kung University Biomarker for early detection of alzheimer disease
CN111180074A (zh) * 2020-02-10 2020-05-19 东华大学 分阶段估计ad进展时间线的判别式事件模型设计方法
CN111738363A (zh) * 2020-07-24 2020-10-02 温州大学 基于改进的3d cnn网络的阿尔茨海默病分类方法
CN112233805A (zh) * 2020-10-14 2021-01-15 河北工业大学 基于多图谱神经影像学数据进行生物标志物的挖掘方法
CN113951830A (zh) * 2021-11-15 2022-01-21 北京工业大学 一种基于3d注意力卷积与自监督学习的脑疾病分类方法

Also Published As

Publication number Publication date
US20240057932A1 (en) 2024-02-22
CN115063419B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN109447183B (zh) 预测模型训练方法、装置、设备以及介质
Cao et al. Multi-task neural networks for joint hippocampus segmentation and clinical score regression
US7428323B2 (en) Method and system for automatic diagnosis of possible brain disease
Gull et al. Artificial intelligence in brain tumor detection through MRI scans: advancements and challenges
Esmaeilzadeh et al. End-to-end Parkinson disease diagnosis using brain MR-images by 3D-CNN
US20220051801A1 (en) Classifying neurological disease status using deep learning
Yue et al. Auto-detection of Alzheimer's disease using deep convolutional neural networks
US11151722B2 (en) System and method for estimating synthetic quantitative health values from medical images
CN115393269A (zh) 一种基于多模态影像数据的可扩展多层级图神经网络模型
Abdelmaguid et al. Left ventricle segmentation and volume estimation on cardiac mri using deep learning
Han et al. A novel convolutional variation of broad learning system for Alzheimer’s disease diagnosis by using MRI images
US11989883B2 (en) Functional connectivity matrix processing system and device based on feature selection using filtering method
Andrew et al. Spine magnetic resonance image segmentation using deep learning techniques
Gonbadi et al. Glioma brain tumors diagnosis and classification in mr images based on convolutional neural networks
Kalaiselvi et al. Rapid brain tissue segmentation process by modified FCM algorithm with CUDA enabled GPU machine
CN114373095B (zh) 基于影像信息的阿尔茨海默病分类系统及方法
CN116862889A (zh) 一种基于核磁共振图像的脑血管硬化检测方法
Özbay et al. Brain tumor detection with mRMR-based multimodal fusion of deep learning from MR images using Grad-CAM
Pallawi et al. Study of Alzheimer’s disease brain impairment and methods for its early diagnosis: a comprehensive survey
Sasikala A CAD system design using iteratively reweighted fuzzy c-means and deep tree training for Alzheimer's disease diagnosis
CN112561935A (zh) 一种阿尔兹海默症的识别方法、装置和设备
CN115063419B (zh) 基于可解释集成3dcnn的神经影像学生物标志物的提取方法
Ostertag et al. 3D-SiameseNet to analyze brain MRI
CN111951228B (zh) 一种融合梯度激活映射和深度学习模型的癫痫灶定位系统
WO2022245214A1 (en) Method of performing radiomics analysis on image data

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