CN115500794A - 一种识别主观认知下降的方法及电子设备 - Google Patents

一种识别主观认知下降的方法及电子设备 Download PDF

Info

Publication number
CN115500794A
CN115500794A CN202211229829.XA CN202211229829A CN115500794A CN 115500794 A CN115500794 A CN 115500794A CN 202211229829 A CN202211229829 A CN 202211229829A CN 115500794 A CN115500794 A CN 115500794A
Authority
CN
China
Prior art keywords
size
brain
block
data
cognitive decline
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
CN202211229829.XA
Other languages
English (en)
Other versions
CN115500794B (zh
Inventor
倪黄晶
秦姣龙
王俊
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing 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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202211229829.XA priority Critical patent/CN115500794B/zh
Publication of CN115500794A publication Critical patent/CN115500794A/zh
Application granted granted Critical
Publication of CN115500794B publication Critical patent/CN115500794B/zh
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
    • 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
    • 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
    • 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

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

Abstract

本发明公开了一种识别主观认知下降的方法及电子设备，用于对主观认知下降患者的结构磁共振图像进行识别，前期预处理只需要在体数据上进行，原始结构影像经过图像格式转换、图像校正、图像分割和基于指数化李代数的微分解剖配准四个步骤，然后基于所分割出的灰质和白质体数据进行三维分形分析，最终得到当前被试的脑部结构磁共振成像数据是否出现主观认知下降情况，本发明前期预处理所需步骤简单、方便且快速。可以对全脑结构进行整体的三维分形计算，也能针对不同大小的脑区自适应地进行三维分形分析。

Description

一种识别主观认知下降的方法及电子设备
技术领域
本发明属于医学图像分析领域，具体涉及一种识别主观认知下降的方法及电子设备。
背景技术
阿尔茨海默病是最常见的老年痴呆症，主观认知下降是迄今所知的阿尔茨海默病的最早期可干预阶段。主观认知下降患者在数年或十数年后，可能会向轻度认知障碍阶段或阿尔茨海默病阶段转变。及早诊断并及时干预，对于延缓阿尔茨海默病至关重要。由于主观认知下降患者的临床认知量表得分范围仍在正常范围内，因此目前医生对于主观认知下降的诊断依据，还主要依赖于患者主诉记忆力出现明显下降，尚缺乏有效的客观量化指标。结构磁共振成像技术因其无创、无辐射且空间分辨率高的优势，已成为有效探测主观认知下降阶段患者脑结构异常的影像检查手段。
目前对于主观认知下降患者的结构磁共振成像分析仍主要沿用传统的几何度量方法，如脑区的体积、皮层表面积和皮层厚度等。然而这类特征只能概要描述磁共振图像信号强度的简单几何特性，因而在现有的工作中只能获得群组层级上主观认知下降组相对于健康老化对照组的脑结构异常差异。由于研究结果无法推广到个体层级，因此使得这些特征的临床应用受限。此外，要获得准确的脑区体积、皮层表面积和皮层厚度特征，需要特定的高性能计算机进行基于皮层重建的图像预处理步骤，该步骤耗时费力，迟滞了医务人员的工作效率，也延长了患者等待结果的时间。所以，探究客观有效的量化指标，是当前主观认知下降患者诊断中亟需解决的问题。
针对结构磁共振图像纹理内在波动模式的异质特性，采用分形维度特征可以更好地捕捉主观认知下降患者脑结构复杂度的细微变化，进而可对主观认知下降患者进行识别。在三维分形维度计算中，计盒维数法原理简单且计算便捷，已获得广泛应用。如Ruiz deMiras等人提出了UJA-3DFD方法，在结构磁共振图像上计算了人脑的整体结构和立体骨架的分形维度。J. Jimenez等人开发了网页版平台，用于计算脑结构磁共振数据的三维分形维度。Chritopher R. Madan等人提供了计算基于脑皮层的三维分形分析工具箱。值得注意的是，上述平台和工具箱中采用的计盒维数的核心算法中都只考虑了基于2i的盒子尺寸划分策略，且只计算整数盒子个数。使用这种算法的前提是，要分析的区域大小必须满足2i的整数次划分，因此无法普遍适用于形态各异的被试脑结构分析。更重要的是，这种只能基于2i的划分策略既无法直接计算体积较小的脑区（如负责记忆功能的海马、杏仁核等皮下核团区域），也会造成其他非2i划分方案下的关键信息丢失。此外，对于特定尺寸下的覆盖盒子计数只能采用整数值的这一限制，也会极大地影响最终所求分形维度的准确性。综上所述，挖掘三维分形维度特征可以为主观认知下降患者的临床诊断提供重要帮助，而当前所用的基于计盒维数法的三维分形分析策略仍需加以改进，以获得更为准确的分形维度特征。
发明内容
为了解决上述背景技术提到的技术问题，本发明提出了一种识别主观认知下降的方法及电子设备。
为了实现上述技术目的，本发明的技术方案为：
一种识别主观认知下降的方法，包括以下步骤：
S1、输入被试的脑部结构磁共振成像数据，基于体数据进行预处理后得到脑灰质和脑白质的体数据；
S2、根据步骤S1得到的脑灰质和脑白质的体数据，利用脑模板提取灰质脑区体数据和白质脑区体数据；
S3、对单个脑区体数据在整数比例参数r的可选范围内逐步选取不同的盒子尺寸，并统计每个盒子尺寸下对应的盒子个数B r ；
S4、循环选取不同的r值，并得到相应的B r 值，在坐标轴上画出(ln(r),ln(B r ))点对；对上述点对的直线段部分采用最小二乘拟合法计算出该直线段的斜率，此斜率即为该脑区的分形维度D；
S5、对其他的脑区重复上述步骤S3和步骤S4，得到所有脑区上的三维分形维度，并组成三维分形维度向量；
S6、对所有被试的脑部结构磁共振成像数据重复上述步骤S1-S5；将得到的所有三维分形维度向量进行合并得到数据集；
S7、基于机器学习算法并结合特征选择和交叉验证策略，利用步骤S6得到的数据集进行主观认知下降患者的个体识别；识别的结果表示当前被试的脑部结构磁共振成像数据是否出现主观认知下降情况。
优选地，步骤S1具体指： 原始结构磁共振成像数据下载自公开的ADNI数据库， 对于每个被试原始结构磁共振成像数据的预处理，采用DPABI软件中的DPARSF AdvancedEdition模块进行，选取该模块中的VBM New Segment and DARTEL功能进行图像格式转换、图像校正、图像分割和DARTEL配准四个预处理步骤；在生成的结果文件夹中，wc1*.nii和wc2*.nii文件即为分割和配准好的灰质和白质体数据文件。
优选地，步骤S2具体指：基于Brainnetome脑模板，将被试的脑灰质部分划分为246个脑区；基于JHU白质纤维束成像模板，将被试的脑白质部分划分为48个脑区。
优选地，步骤S3具体指：对于一个M×N×K的三维体，首先计算出整数比例参数r的取值范围为2≤r≤min{
Figure DEST_PATH_IMAGE002
}；对于一个给定的r值，假设单位网格块尺寸为m×n×k，其中
Figure DEST_PATH_IMAGE004
，
Figure DEST_PATH_IMAGE006
且
Figure DEST_PATH_IMAGE008
；根据M、N和K是否能被r整除选择不同的体素块覆盖三维体；随后求得特定整数比例参数r情况下对应的盒子总数
Figure DEST_PATH_IMAGE010
；其中V(i，j，k)表示覆盖的体素块大小。
优选地，步骤S3中根据M、N和K是否能被r整除选择不同的体素块覆盖包括如下结果：
（i）当M=mr, N=nr且K=kr时：三维体用r×r×r个m×n×k大小的体素块覆盖；
（ii）当M=mr, N=nr且K＞kr时：三维体用r×r×（r+1）个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块和r×r×1个m×n×（K-kr）大小的体素块；
（iii）当M=mr, N＞nr且K=kr时：三维体用r×（r+1）×r个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块和r×1×r个m×（N-nr）×k大小的体素块；
（iv）当M＞mr, N=nr且K=kr时：三维体用（r+1）×r×r个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块和1×r× r个（M-mr）×n×k大小的体素块；
（v）当M=mr, N＞nr且K＞kr时：三维体用r×（r+1）×（r+1）个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块，r×r×1个m×n×（K-kr）大小的体素块，r×1×r个m×（N-nr）×k大小的体素块和r×1×1个m×（N-nr）×（K-kr）大小的体素块；
（vi）当M＞mr, N=nr且K＞kr时：三维体用（r+1）×r×（r+1）个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块，r×r×1个m×n×（K-kr）大小的体素块，1×r× r个（M-mr）×n×k大小的体素块和1× r×1个（M-mr）×n×（K-kr）大小的体素块；
（vii）当M＞mr, N=nr且K＞kr时：三维体用（r+1）×（r+1）×r个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块，r×1×r个m×（N-nr）×k大小的体素块，1×r× r个（M-mr）×n×k大小的体素块和1×1×r个（M-mr）×（N-nr）×k大小的体素块；
（viii）当M＞mr, N＞nr且K＞kr时：三维体用（r+1）×（r+1）×（r+1）×个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块，r×r×1个m×n×（K-kr）大小的体素块，r×1×r个m×（N-nr）×k大小的体素块，1×r× r个（M-mr）×n×k大小的体素块，r×1×1个m×（N-nr）×（K-kr）大小的体素块，1× r×1个（M-mr）×n×（K-kr）大小的体素块，1×1×r个（M-mr）×（N-nr）×k大小的体素块和1×1×1个（M-mr）×（N-nr）×（K-kr）大小的体素块。
优选地，步骤S5中仅对灰质脑区重复步骤S3和步骤S4，得到灰质脑区上的三维分形维度，并组成三维分形维度向量；灰质脑区体数据进行三维分形维度向量大小为1*G，G为灰质脑区的数量。
优选地，步骤S5中仅对白质脑区重复步骤S3和步骤S4，得到白质脑区上的三维分形维度，并组成三维分形维度向量；白质脑区体数据进行三维分形维度后组成的向量大小为1*W，W为白质脑区的数量。
优选地，步骤S5中对灰质脑区和白质脑区重复步骤S3和步骤S4，得到灰质脑区和白质脑区上的三维分形维度，并组成三维分形维度向量；灰质脑区和白质脑区体数据进行三维分形维度后组成的向量大小为1*（G+W），G为灰质脑区的数量，W为白质脑区的数量。
优选地，步骤S7具体指：采用线性判别分析算法，并结合留一法和基于双样本T检验的特征选择策略，在所用数据集上进行主观认知下降的个体识别；包括以下步骤：
（1）每轮只取出一个被试作为测试集，剩下的被试数据作为训练集；
（2）在训练集上进行特征选择，首先计算出主观认知下降患者组和健康老化对照组在所有脑区上分别进行双样本T检验，并采用默认值α=0.05来表示统计显著性水平；其次基于计算好的脑区上的统计显著性P值，采用Bonferroni多重比较校正策略进行事后检验，以获得所有脑区上具有统计显著差异的脑区，即所有P＜α new 的脑区，由此完成特征选择的步骤，并得到经过特征选择后的脑区集合R sig ；
（3）将R sig 应用于训练集，得到经特征选择后的训练集，并由此构建本轮留一法的线性判别分析模型；
（4）将R sig 应用于测试集，得到本轮留一法经特征选择后的测试集，并将步骤（3）中所构建的线性判别分析模型应用于该测试集，得到一次留一法的个体识别结果；
（5）轮流选取新的单个被试作为测试集，剩下的被试数据作为训练集，并在每轮中重复上述步骤（2）~（4）；
（6）将每轮的分类结果平均化之后，以平均值来表示最终的个体识别结果。
一种电子设备，包括：存储器和处理器，所述存储器存储由所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述的识别主观认知下降的方法。
采用上述技术方案带来的有益效果：
本发明前期预处理只需要在体数据上进行，原始结构影像经过图像格式转换、图像校正、图像分割和基于指数化李代数的微分解剖配准(diffeomorphic anatomicalregistration through exponentiated lie algebra, DARTEL)四个步骤，然后基于所分割出的灰质和白质体数据进行三维分形分析，前期预处理所需步骤简单、方便且快速。
本发明可以对全脑结构进行整体的三维分形计算，也能针对不同大小的脑区自适应地进行三维分形分析。
本发明采用三维分形计算中的盒子尺寸划分策略：突破对拟分析三维体必须为（2i）3的整数倍的尺寸限制，实现对尺寸各异脑区的灵活处理；并可在规定范围内，采用任意盒子尺寸进行划分，以覆盖更全面的划分方案，实现对体积较小脑区的分形分析，解决传统分形无法计算小体积三维体的困境。
本发明采用三维分形计算中的盒子个数统计策略：允许所统计的盒子个数为实数，极大地增强分形维度计算的准确性。
本发明能够生成各脑区的三维分形维度后组成特征向量，可用于主观认知下降患者个体层级的准确识别。
本发明与现有技术相比，本发明能够快速、准确且自适应获得不同形态脑区的三维分形维度特征，并通过组成分形特征向量进行主观认知下降患者的个体识别。
附图说明
图1为脑区三维分形计算的前期预处理流程示意图；
图2为脑区三维分形计算流程图；
图3为实施例中的三维分形维度计算示意图；
图4为实施例中基于线性判别分析算法的主观认知下降患者识别过程及分类性能示意图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。下面将结合附图，对本发明的技术方案进行具体说明。
本发明提出了一种基于任意尺寸三维分形的主观认知下降患者结构磁共振图像识别方法、电子设备及存储介质。具体步骤如下：
（1）输入被试的结构磁共振成像数据，经过图像格式转换、图像校正、图像分割和DARTEL配准四个预处理步骤，得到分割和配准好的灰质和白质体数据。
（2）基于脑灰质或白质模板，提取灰质/白质上各脑区的体数据，用于三维分形分析。
（3）针对一个脑区，在整数比例参数的可选范围内逐步选取不同的盒子尺寸，并统计每个盒子尺寸下对应的盒子个数。具体说来，对于一个M×N×K的三维体，首先计算出整数比例参数r的取值范围为2≤r≤min{
Figure DEST_PATH_IMAGE011
}；对于一个给定的r值，假设单位网格块尺寸为m×n×k，其中
Figure DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE013
且
Figure DEST_PATH_IMAGE014
；根据M、N和K是否能被r整除，共可衍生出如下八种情况：
（i）当M=mr, N=nr且K=kr时：三维体用r×r×r个m×n×k大小的体素块覆盖；
（ii）当M=mr, N=nr且K＞kr时：三维体用r×r×（r+1）个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块和r×r×1个m×n×（K-kr）大小的体素块；
（iii）当M=mr, N＞nr且K=kr时：三维体用r×（r+1）×r个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块和r×1×r个m×（N-nr）×k大小的体素块；
（iv）当M＞mr, N=nr且K=kr时：三维体用（r+1）×r×r个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块和1×r× r个（M-mr）×n×k大小的体素块；
（v）当M=mr, N＞nr且K＞kr时：三维体用r×（r+1）×（r+1）个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块，r×r×1个m×n×（K-kr）大小的体素块，r×1×r个m×（N-nr）×k大小的体素块和r×1×1个m×（N-nr）×（K-kr）大小的体素块；
（vi）当M＞mr, N=nr且K＞kr时：三维体用（r+1）×r×（r+1）个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块，r×r×1个m×n×（K-kr）大小的体素块，1×r× r个（M-mr）×n×k大小的体素块和1× r×1个（M-mr）×n×（K-kr）大小的体素块；
（vii）当M＞mr, N=nr且K＞kr时：三维体用（r+1）×（r+1）×r个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块，r×1×r个m×（N-nr）×k大小的体素块，1×r× r个（M-mr）×n×k大小的体素块和1×1×r个（M-mr）×（N-nr）×k大小的体素块；
（viii）当M＞mr, N＞nr且K＞kr时：三维体用（r+1）×（r+1）×（r+1）×个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块，r×r×1个m×n×（K-kr）大小的体素块，r×1×r个m×（N-nr）×k大小的体素块，1×r× r个（M-mr）×n×k大小的体素块，r×1×1个m×（N-nr）×（K-kr）大小的体素块，1× r×1个（M-mr）×n×（K-kr）大小的体素块，1×1×r个（M-mr）×（N-nr）×k大小的体素块和1×1×1个（M-mr）×（N-nr）×（K-kr）大小的体素块。
随后求得特定整数比例参数r情况下对应的盒子总数
Figure 784542DEST_PATH_IMAGE010
；其中V(i，j，k)表示覆盖的体素块大小。对于大部分体素块，满足V(i，j，k)= m×n×k；而对于边缘体素块，满足V(i，j，k)＜ m×n×k，其值为实际的体素个数，可以对照上述八种情况得到。
（4）循环选取不同的r值，并得到相应的B r 值，在坐标轴上画出(ln(r),ln(B r ))点对；对上述点对的直线段部分采用最小二乘拟合法计算出该直线段的斜率，此斜率即为该脑区的分形维度D
（5）循环所有脑区，并重复上述步骤（3）和步骤（4），得到所有脑区上的三维分形维度，并组成三维分形维度向量。
（6）基于机器学习算法并结合特征选择和交叉验证策略，进行主观认知下降患者的个体识别。
实施例
本实施例为基于任意尺寸三维分形的主观认知下降患者结构磁共振图像识别方法，在实际应用中，包括以下步骤：
（1）获得被试的原始结构磁共振成像数据并进行图像预处理。
例如，本实施例的原始结构磁共振成像数据下载自公开的ADNI数据库（https://adni.loni.usc.edu/data-samples/access-data/）（数据截止到2021年2月16日），共包括主观认知下降患者89人和年龄、性别、受教育年限等人口学资料相匹配的健康老化对照91人。每个被试均有专家诊断标签。
对于每个被试原始结构磁共振成像数据的预处理，采用行业内广泛使用的DPABI软件中的DPARSF Advanced Edition模块进行，选取该模块中的VBM(New Segment andDARTEL)功能，软件会自动勾选并运行图像格式转换、图像校正、图像分割和DARTEL配准四个预处理步骤。在生成的结果文件夹中，wc1*.nii和wc2*.nii文件即为分割和配准好的灰质和白质体数据文件。以下处理以灰质为例（wc1*.nii），白质处理与之类似。
（2）基于当前较为精细的Brainnetome脑模板，将被试的灰质部分划分为246个脑区，然后逐个脑区进行三维分形分析。
（3）以一个脑区体数据为例，其他脑区的分形计算过程与之一致。假设该脑区大小为10×24×20，其中1467个体素位置存在该脑区的结构组织。此时有M=10，N=24以及K=20，则可得r的取值范围为2≤r≤8。首先，我们先考虑r=2的情况，此时有m=5，n=12以及k=10，符合八种情况中的第(i)种情况，即该脑区可用8个5×12×10大小的体素块覆盖，此时所有体素块中均含有脑结构组织，因此对应的盒子总数B r=2=8。
（4）随后通过循环r的值，来计算不同r对应的盒子总数B r 值。对于r=3的情况，此时有m=3，n=8以及k=6，符合八种情况中的第(vi)种情况，即该脑区可用48个体素块进行覆盖，其中包括27个3×8×6大小的体素块，9个3×8×2大小的体素块，9个1×8×6大小的体素块和3个1×8×2大小的体素块。去除其中不含脑结构组织的体素块后，可得B r=3=27。依此，可以得到B r=4=55，B r=5=93，B r=6=159，B r=7=289和B r=8=314。随后通过绘制出(ln(r),ln(B r ))点对，计算得到该脑区的三维分形维度D=2.696。
（5）循环所有脑区，重复上述步骤（3）和步骤（4），得到该被试所有脑区上的三维分形维度向量，向量大小为1×246。
（6）基于机器学习算法并结合特征选择和交叉验证策略，进行主观认知下降患者的个体识别。
在本实施例中，采用线性判别分析算法，并结合留一法和基于双样本T检验的特征选择策略，在所用数据集（共180人，包括主观认知下降患者89人和健康老化对照被试91人）上进行主观认知下降的个体识别。留一法结合特征选择策略的实现过程如图4所示，文字描述如下：①每轮只取出一个被试作为测试集（向量大小为1×246），剩下的被试数据作为训练集（矩阵大小为179×246）；②在训练集上进行特征选择，具体实施步骤如下，首先计算出主观认知下降患者组和健康老化对照组在所有246个脑区上分别进行双样本T检验，并采用默认值α=0.05来表示统计显著性水平；其次基于计算好的246个脑区上的统计显著性P值（向量大小为1×246），采用Bonferroni多重比较校正策略（即设置统计显著性水平为α new =0.05/246）来进行事后检验，以获得所有脑区上真正具有统计显著差异的脑区（即所有P＜α new 的脑区），由此完成特征选择的步骤，并得到经过特征选择后的脑区集合R sig ；③将R sig 应用于训练集，得到经特征选择后的训练集（矩阵大小为179×R sig ），并由此构建本轮留一法的线性判别分析模型；④将R sig 应用于测试集，得到本轮留一法经特征选择后的测试集（向量大小为1×R sig ），并将步骤③中所构建的线性判别分析模型应用于该测试集，得到一次留一法的个体识别结果；⑤轮流选取新的单个被试作为测试集，剩下的被试数据作为训练集。对于180个被试的数据集，该过程一共要循环180轮，使得每个被试均被取出作为过测试集，并在每轮中重复上述步骤②~④。⑥最后，将每轮的分类结果平均化之后，以平均值来表示最终的个体识别结果。
对于个体识别结果的衡量标准，本实施例中采用准确率、敏感性、特异性、阳性预测值和阴性预测值五项指标。准确率表示分类算法对于主观认知下降患者和健康老化对照被试总体正确诊断的比例；敏感性表示对于实际患有主观认知下降的患者诊断正确的比例；特异性表示对于真实健康老化被试诊断正确的比例；阳性预测值表示对于检测为主观认知下降的患者，判断其患病的概率值；阴性预测值表示对于检测结果为健康老化的被试，判断其健康的概率值。上述五项指标的值越接近于100%则表明分类效果越好。在本实施例中，所有五项指标的精度均在96%以上，表明在主观认知下降患者的个体识别中所用三维分形维度特征的有效性和线性判别分析模型的有效性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
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。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种识别主观认知下降的方法，其特征在于，包括以下步骤：
S1、输入被试的脑部结构磁共振成像数据，基于体数据进行预处理后得到脑灰质和脑白质的体数据；
S2、根据步骤S1得到的脑灰质和脑白质的体数据，利用脑模板提取灰质脑区体数据和白质脑区体数据；
S3、对单个脑区体数据在整数比例参数r的可选范围内逐步选取不同的盒子尺寸，并统计每个盒子尺寸下对应的盒子个数N r ；
S4、循环选取不同的r值，并得到相应的N r 值，在坐标轴上画出(ln(r),ln(N r ))点对；对上述点对的直线段部分采用最小二乘拟合法计算出该直线段的斜率，此斜率即为该脑区的分形维度D；
S5、对其他的脑区重复上述步骤S3和步骤S4，得到所有脑区上的三维分形维度，并组成三维分形维度向量；
S6、对所有被试的脑部结构磁共振成像数据重复上述步骤S1-S5；将得到的所有三维分形维度向量进行合并得到数据集；
S7、基于机器学习算法并结合特征选择和交叉验证策略，利用步骤S6得到的数据集进行主观认知下降患者的个体识别；识别的结果表示当前被试的脑部结构磁共振成像数据是否出现主观认知下降情况。
2.根据权利要求1所述一种识别主观认知下降的方法，其特征在于，步骤S1具体指： 原始结构磁共振成像数据下载自公开的ADNI数据库， 对于每个被试原始结构磁共振成像数据的预处理，采用DPABI软件中的DPARSF Advanced Edition模块进行，选取该模块中的VBMNew Segment and DARTEL功能进行图像格式转换、图像校正、图像分割和DARTEL配准四个预处理步骤；在生成的结果文件夹中，wc1*.nii和wc2*.nii文件即为分割和配准好的灰质和白质体数据文件。
3.根据权利要求1所述一种识别主观认知下降的方法，其特征在于，步骤S2具体指：基于Brainnetome脑模板，将被试的脑灰质部分划分为246个脑区；基于JHU白质纤维束成像图谱模板，将被试的脑白质部分划分为48个脑区。
4.根据权利要求1所述一种识别主观认知下降的方法，其特征在于，步骤S3具体指：对 于一个M×N×K的三维体，首先计算出整数比例参数r的取值范围为2≤r≤min{
Figure DEST_PATH_IMAGE001
}；对于一个给定的r值，假设单位网格块尺寸为m×n×k，其中
Figure 253308DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE003
且
Figure 232765DEST_PATH_IMAGE004
；根据M、N和K是否能被r整除选择不同的体素块覆盖三维体；随后求得 特定整数比例参数r情况下对应的盒子总数
Figure DEST_PATH_IMAGE005
；其中V(i，j，k)表示覆盖的体 素块大小。
5.根据权利要求4所述一种识别主观认知下降的方法，其特征在于，步骤S3中根据M、N和K是否能被r整除选择不同的体素块覆盖包括如下结果：
（i）当M=mr, N=nr且K=kr时：三维体用r×r×r个m×n×k大小的体素块覆盖；
（ii）当M=mr, N=nr且K＞kr时：三维体用r×r×（r+1）个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块和r×r×1个m×n×（K-kr）大小的体素块；
（iii）当M=mr, N＞nr且K=kr时：三维体用r×（r+1）×r个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块和r×1×r个m×（N-nr）×k大小的体素块；
（iv）当M＞mr, N=nr且K=kr时：三维体用（r+1）×r×r个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块和1×r× r个（M-mr）×n×k大小的体素块；
（v）当M=mr, N＞nr且K＞kr时：三维体用r×（r+1）×（r+1）个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块，r×r×1个m×n×（K-kr）大小的体素块，r×1×r个m×（N-nr）×k大小的体素块和r×1×1个m×（N-nr）×（K-kr）大小的体素块；
（vi）当M＞mr, N=nr且K＞kr时：三维体用（r+1）×r×（r+1）个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块，r×r×1个m×n×（K-kr）大小的体素块，1×r× r个（M-mr）×n×k大小的体素块和1× r×1个（M-mr）×n×（K-kr）大小的体素块；
（vii）当M＞mr, N=nr且K＞kr时：三维体用（r+1）×（r+1）×r个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块，r×1×r个m×（N-nr）×k大小的体素块，1×r× r个（M-mr）×n×k大小的体素块和1×1×r个（M-mr）×（N-nr）×k大小的体素块；
（viii）当M＞mr, N＞nr且K＞kr时：三维体用（r+1）×（r+1）×（r+1）×个体素块覆盖，其中包括r×r×r个m×n×k大小的体素块，r×r×1个m×n×（K-kr）大小的体素块，r×1×r个m×（N-nr）×k大小的体素块，1×r× r个（M-mr）×n×k大小的体素块，r×1×1个m×（N-nr）×（K-kr）大小的体素块，1× r×1个（M-mr）×n×（K-kr）大小的体素块，1×1×r个（M-mr）×（N-nr）×k大小的体素块和1×1×1个（M-mr）×（N-nr）×（K-kr）大小的体素块。
6.根据权利要求1所述一种识别主观认知下降的方法，其特征在于，步骤S5中仅对灰质脑区重复步骤S3和步骤S4，得到灰质脑区上的三维分形维度，并组成三维分形维度向量；灰质脑区体数据进行三维分形维度向量大小为1*N，N为灰质脑区的数量。
7.根据权利要求1所述一种识别主观认知下降的方法，其特征在于，步骤S5中仅对白质脑区重复步骤S3和步骤S4，得到白质脑区上的三维分形维度，并组成三维分形维度向量；白质脑区体数据进行三维分形维度后组成的向量大小为1*M，M为白质脑区的数量。
8.根据权利要求1所述一种识别主观认知下降的方法，其特征在于，步骤S5中对灰质脑区和白质脑区重复步骤S3和步骤S4，得到灰质脑区和白质脑区上的三维分形维度，并组成三维分形维度向量；灰质脑区和白质脑区体数据进行三维分形维度后组成的向量大小为1*（N+M），N为灰质脑区的数量，M为白质脑区的数量。
9.根据权利要求1所述一种识别主观认知下降的方法，其特征在于，步骤S7具体指：采用线性判别分析算法，并结合留一法和基于双样本T检验的特征选择策略，在所用数据集上进行主观认知下降的个体识别；包括以下步骤：
（1）每轮只取出一个被试作为测试集，剩下的被试数据作为训练集；
（2）在训练集上进行特征选择，首先计算出主观认知下降患者组和健康老化对照组在所有脑区上分别进行双样本T检验，并采用默认值α=0.05来表示统计显著性水平；其次基于计算好的脑区上的统计显著性P值，采用Bonferroni多重比较校正策略进行事后检验，以获得所有脑区上具有统计显著差异的脑区，即所有P＜α new 的脑区，由此完成特征选择的步骤，并得到经过特征选择后的脑区集合R sig ；
（3）将R sig 应用于训练集，得到经特征选择后的训练集，并由此构建本轮留一法的线性判别分析模型；
（4）将R sig 应用于测试集，得到本轮留一法经特征选择后的测试集，并将步骤（3）中所构建的线性判别分析模型应用于该测试集，得到一次留一法的个体识别结果；
（5）轮流选取新的单个被试作为测试集，剩下的被试数据作为训练集，并在每轮中重复上述步骤（2）~（4）；
（6）将每轮的分类结果平均化之后，以平均值来表示最终的个体识别结果。
10.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器存储由所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1-9任一项所述的识别主观认知下降的方法。
CN202211229829.XA 2022-10-08 2022-10-08 一种识别主观认知下降的方法及电子设备 Active CN115500794B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211229829.XA CN115500794B (zh) 2022-10-08 2022-10-08 一种识别主观认知下降的方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211229829.XA CN115500794B (zh) 2022-10-08 2022-10-08 一种识别主观认知下降的方法及电子设备

Publications (2)

Publication Number Publication Date
CN115500794A true CN115500794A (zh) 2022-12-23
CN115500794B CN115500794B (zh) 2023-04-28

Family

ID=84508955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211229829.XA Active CN115500794B (zh) 2022-10-08 2022-10-08 一种识别主观认知下降的方法及电子设备

Country Status (1)

Country Link
CN (1) CN115500794B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004194924A (ja) * 2002-12-18 2004-07-15 Japan Science & Technology Agency 脳機能計測方法及び装置
JP2008225460A (ja) * 2007-02-15 2008-09-25 Nagaoka Univ Of Technology 学習効果判定装置及び該装置用プログラム並びに該装置の使用方法
JP2009056231A (ja) * 2007-09-03 2009-03-19 Nagaoka Univ Of Technology 認知状態判定装置
US20110319784A1 (en) * 2009-02-12 2011-12-29 Nagaoka University Of Technology Emotional state determining apparatus
CN106096636A (zh) * 2016-05-31 2016-11-09 安徽工业大学 一种基于神经影像的进展型轻度认知功能障碍识别方法
CN106419911A (zh) * 2016-10-19 2017-02-22 重庆大学 一种基于脑电波分析的情绪检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004194924A (ja) * 2002-12-18 2004-07-15 Japan Science & Technology Agency 脳機能計測方法及び装置
JP2008225460A (ja) * 2007-02-15 2008-09-25 Nagaoka Univ Of Technology 学習効果判定装置及び該装置用プログラム並びに該装置の使用方法
JP2009056231A (ja) * 2007-09-03 2009-03-19 Nagaoka Univ Of Technology 認知状態判定装置
US20110319784A1 (en) * 2009-02-12 2011-12-29 Nagaoka University Of Technology Emotional state determining apparatus
CN106096636A (zh) * 2016-05-31 2016-11-09 安徽工业大学 一种基于神经影像的进展型轻度认知功能障碍识别方法
CN106419911A (zh) * 2016-10-19 2017-02-22 重庆大学 一种基于脑电波分析的情绪检测方法

Also Published As

Publication number Publication date
CN115500794B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
Böhle et al. Layer-wise relevance propagation for explaining deep neural network decisions in MRI-based Alzheimer's disease classification
Bron et al. Standardized evaluation of algorithms for computer-aided diagnosis of dementia based on structural MRI: the CADDementia challenge
Leandrou et al. Quantitative MRI brain studies in mild cognitive impairment and Alzheimer's disease: a methodological review
Marinescu et al. TADPOLE challenge: prediction of longitudinal evolution in Alzheimer's disease
Pachauri et al. Topology-based kernels with application to inference problems in Alzheimer's disease
CN111462916B (zh) 一种放疗计划危及器官剂量体积直方图的预测方法和装置
Han et al. A novel convolutional variation of broad learning system for Alzheimer’s disease diagnosis by using MRI images
Basheera et al. Deep learning based Alzheimer's disease early diagnosis using T2w segmented gray matter MRI
Rebsamen et al. Brain morphometry estimation: From hours to seconds using deep learning
Chen et al. Early identification of Alzheimer’s disease using an ensemble of 3D convolutional neural networks and magnetic resonance imaging
CN115359013A (zh) 基于弥散张量成像及卷积神经网络的脑龄预测方法及系统
Perez-Gonzalez et al. Mild cognitive impairment classification using combined structural and diffusion imaging biomarkers
Yerukalareddy et al. Brain tumor classification based on mr images using GAN as a pre-trained model
Bueno et al. Automated cervical spinal cord segmentation in real-world MRI of multiple sclerosis patients by optimized hybrid residual attention-aware convolutional neural networks
Qu et al. A graph convolutional network based on univariate neurodegeneration biomarker for alzheimer’s disease diagnosis
CN115500794A (zh) 一种识别主观认知下降的方法及电子设备
CN117078703B (zh) 一种基于mri引导的ct图像分割方法及系统
Senanayake Diagnosis of Cognitive Impairment using Multiple Data Modalities.
Fan et al. Graph Reasoning Module for Alzheimer’s Disease Diagnosis: A Plug-and-Play Method
KR20200025853A (ko) 구조적 자기공명영상을 이용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치
Kermi et al. A deep learning-based 3D CNN for automated Covid-19 lung lesions segmentation from 3D chest CT scans
Oppedal White Matter Lesions and Pattern Recognition in MRI of Neurodegenerative Dementia
Wang et al. 4d segmentation of longitudinal brain mr images with consistent cortical thickness measurement
De Francesco et al. Differential diagnosis of neurodegenerative dementias with the explainable MRI based machine learning algorithm MUQUBIA
Chattopadhyay et al. Can Structural MRIs be used to Detect Amyloid Positivity using Deep Learning?

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