CN116168035B - 一种脑熵的确定方法、系统、电子设备及存储介质 - Google Patents

一种脑熵的确定方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN116168035B
CN116168035B CN202310456308.6A CN202310456308A CN116168035B CN 116168035 B CN116168035 B CN 116168035B CN 202310456308 A CN202310456308 A CN 202310456308A CN 116168035 B CN116168035 B CN 116168035B
Authority
CN
China
Prior art keywords
brain
image
target
white matter
high signal
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
CN202310456308.6A
Other languages
English (en)
Other versions
CN116168035A (zh
Inventor
王拥军
郑华光
刘子阳
刘浩
荆京
李子孝
朱万琳
张喆
左丽君
刘涛
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.)
Beihang University
Beijing Tiantan Hospital
Original Assignee
Beihang University
Beijing Tiantan Hospital
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 Beihang University, Beijing Tiantan Hospital filed Critical Beihang University
Priority to CN202310456308.6A priority Critical patent/CN116168035B/zh
Publication of CN116168035A publication Critical patent/CN116168035A/zh
Application granted granted Critical
Publication of CN116168035B publication Critical patent/CN116168035B/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • 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
    • G06V10/77—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
    • 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
    • G06T2207/20081—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种脑熵的确定方法、系统、电子设备及存储介质，涉及语义分割技术领域，所述方法包括：基于目标原始T1影像和目标原始FLAIR影像，确定皮下结构体积、皮层厚度、软膜曲率和多个分割后的结构的统计指标，从而确定脑结构指标数据；将目标原始T1影像和目标原始FLAIR影像进行预处理，将预处理后的影像分别输入至每个脑白质高信号分割模型中，得到脑白质高信号概率图集，从而确定各脑分区的脑白质高信号体积数据；将目标原始T1影像和性别输入至年龄计算模型中，得到目标大脑的预测年龄；基于脑结构指标数据、各脑分区的脑白质高信号体积数据和年龄，计算脑熵。本发明提高了脑熵的确定速度，减少了主观因素的影响。

Description

一种脑熵的确定方法、系统、电子设备及存储介质
技术领域
本发明涉及语义分割技术领域，特别是涉及一种脑熵的确定方法、系统、电子设备及存储介质。
背景技术
人的大脑是神经系统的指挥中心，可以通过复杂的功能来实现思想，记忆，运动和情感，这是生物进化的最高产物。脑熵是指大脑可以访问的神经元的数量水平，用来衡量大脑对复杂信息的处理能力。脑熵越高，说明大脑的信息处理能力越强。
目前，还没有公认的大脑脑熵的确定方法，大脑脑熵的确定需要对大脑进行科学评估。但是，由于大脑在多维度方面的复杂性，因此很难通过一个度量进行全面评估或量化大脑脑熵。现阶段，研究者已经开发了许多结构化或半结构化的问卷，以通过自我评估或家庭成员评估来定性大脑脑熵。然而，这些主观或客观的措施既具有优点和缺点。例如，诸如精神状态检查和蒙特利尔认知评估之类的量表非常简单易用，但仅被用作全球认知障碍的筛查工具，并且受主观影响较大、评估耗时。
发明内容
本发明的目的是提供一种脑熵的确定方法、系统、电子设备及存储介质，提高了脑熵的确定速度，减少了主观的影响。
为实现上述目的，本发明提供了如下方案：
一种脑熵的确定方法，所述方法包括：
获取目标原始T1影像、目标原始FLAIR影像和目标大脑所属人员的性别；所述目标原始T1影像为所述目标大脑的T1结构影像，所述目标原始FLAIR影像为所述目标大脑的FLAIR影像；
对所述目标原始T1影像，依次进行皮下分割、白质分割、表皮建模、表皮平滑、膨胀和皮层分割处理，确定皮下结构体积、皮层厚度、软膜曲率和多个分割后的结构的统计指标，从而确定目标大脑的脑结构指标数据；所述统计指标包括：结构名、顶点数、总表面积、结构体积、平均厚度与标准误差、积分校正平均曲率、积分校正高斯曲率、折叠指数、固有曲率指数以及分形维数结构指标；
将所述目标原始T1影像和所述目标原始FLAIR影像进行预处理，得到预处理后的影像；所述预处理包括：影像配准、数据标准化和尺寸统一化；
将预处理后的影像分别输入至三个脑白质高信号分割模型中，得到脑白质高信号概率图集；每个脑白质高信号分割模型是基于训练影像集分别对各初始网络进行训练得到的；所述初始网络为unet网络、udensedown网络或udensenet网络；所述训练影像集包括多张训练用大脑的原始T1影像和原始FLAIR影像；所述脑白质高信号概率图集包括三张脑白质高信号概率图；
基于所述脑白质高信号概率图集、所述目标原始T1影像和所述目标原始FLAIR影像，进行脑白质高信号分区，得到多个脑分区，从而确定所述目标大脑的各所述脑分区的脑白质高信号体积数据；
将所述目标原始T1影像和所述目标大脑所属人员的性别输入至年龄计算模型中，得到所述目标大脑的预测年龄；所述年龄计算模型是利用年龄训练数据集对两阶段级联精炼网络进行训练得到的；所述年龄训练数据集包括：多张训练用大脑的原始T1影像以及各所述训练用大脑对应的人员的真实年龄和性别；
基于所述目标大脑的脑结构指标数据、各所述脑分区的脑白质高信号体积数据和预测年龄，计算所述目标大脑的脑熵。
可选地，对所述目标原始T1影像，依次进行皮下分割、白质分割、表皮建模、表皮平滑、膨胀和皮层分割处理，确定皮下结构体积、皮层厚度、软膜曲率和多个分割后的结构的统计指标，从而确定目标大脑的脑结构指标数据，具体包括：
对所述目标原始T1影像，进行皮下分割处理，得到带有皮下结构组织标签的影像，并根据所述带有皮下结构组织标签的影像计算所述皮下结构体积；
对所述带有皮下结构组织标签的影像，依次进行白质分割、表皮建模、表皮平滑和膨胀处理，得到大脑表皮模型，从而确定白质和软膜表面，并根据所述白质和所述软膜表面计算所述皮层厚度和所述软膜曲率；
基于所述白质和所述软膜表面，对所述目标大脑的不同位置进行标注分割，得到多个分割后的结构，并计算各个所述分割后的结构的统计指标；
将所述皮下结构体积、所述皮层厚度、所述软膜曲率和每个所述分割后的结构的统计指标确定为脑结构指标数据。
可选地，将所述目标原始T1影像和所述目标原始FLAIR影像进行预处理，得到预处理后的影像，具体包括：
利用所述目标原始FLAIR影像对所述目标原始T1影像进行线性配准，得到配准后的T1影像；
将所述目标原始FLAIR影像和所述配准后的T1影像内体素进行高斯标准化，得到标准化后的FLAIR影像和标准化后的T1影像；
将所述标准化后的FLAIR影像和所述标准化后的T1影像的尺寸裁剪为预设尺寸，得到所述预处理后的影像。
可选地，每个所述脑白质高信号分割模型的训练过程，均具体包括：
获取所述训练影像集；
对所述训练影像集进行预处理，得到预处理后的训练影像集；
对所述预处理后的训练影像集中的各预处理后的训练影像进行脑白质高信号概率标签的标注，得到带有脑白质高信号概率标签的训练影像集；
通过反向传播算法，利用所述带有脑白质高信号概率标签的训练影像集，对所述初始网络进行训练，得到所述脑白质高信号分割模型。
可选地，基于所述脑白质高信号概率图集、所述目标原始T1影像和所述目标原始FLAIR影像，进行脑白质高信号分区，得到多个脑分区，从而确定所述目标大脑的各所述脑分区的脑白质高信号体积数据，具体包括：
将所述脑白质高信号概率图集进行二值化处理，得到脑白质高信号图；
利用所述目标原始T1影像和所述脑白质高信号图，对所述目标原始FLAIR影像进行线性配准，得到配准后的FLAIR影像；
获取自动解剖标识图谱和脑室脑模板的距离映射图；
基于所述自动解剖标识图谱，确定所述目标原始T1影像的90个脑分区和所述配准后的FLAIR影像的90个脑分区；
基于所述脑室脑模板的距离映射图，确定所述目标原始T1影像相对于脑室边缘的距离映射图，并利用预设阈值，将T1脑影像上的距离映射图分为脑室周脑区和深部脑区；
基于所述脑室周脑区和所述深部脑区，确定所述配准后的FLAIR影像上的脑室周分区掩膜和深部脑分区掩膜；
基于所述脑室周分区掩膜、所述深部脑分区掩膜和所述配准后的FLAIR影像的90个脑分区，确定各所述脑区的脑白质高信号体积数据。
可选地，所述年龄计算模型的训练过程，包括：
获取所述年龄训练数据集；
通过反向传播算法和梯度下降算法，利用所述年龄训练数据集对所述两阶段级联精炼网络中的第一阶段网络进行训练，得到训练好的第一阶段网络；
将每张所述训练用大脑的原始T1影像输入至所述训练好的第一阶段网络，得到第一预测年龄集；
将所述第一预测年龄集中的每个第一预测年龄进行离散化，得到离散后的年龄集；
通过反向传播算法和梯度下降算法，利用所述年龄训练数据集和所述离散后的年龄集对所述两阶段级联精炼网络中的第二阶段网络进行训练，得到训练好的第二阶段网络，从而得到所述年龄计算模型。
一种脑熵的确定系统，所述系统包括：
原始影像获取模块，用于获取目标原始T1影像、目标原始FLAIR影像和目标大脑所属人员的性别；所述目标原始T1影像为所述目标大脑的T1结构影像，所述目标原始FLAIR影像为所述目标大脑的FLAIR影像；
脑结构指标数据确定模块，用于对所述目标原始T1影像，依次进行皮下分割、白质分割、表皮建模、表皮平滑、膨胀和皮层分割处理，确定皮下结构体积、皮层厚度、软膜曲率和多个分割后的结构的统计指标，从而确定目标大脑的脑结构指标数据；所述统计指标包括：结构名、顶点数、总表面积、结构体积、平均厚度与标准误差、积分校正平均曲率、积分校正高斯曲率、折叠指数、固有曲率指数以及分形维数结构指标；
预处理模块，用于将所述目标原始T1影像和所述目标原始FLAIR影像进行预处理，得到预处理后的影像；所述预处理包括：影像配准、数据标准化和尺寸统一化；
脑白质高信号概率图集确定模块，用于将预处理后的影像分别输入至三个脑白质高信号分割模型中，得到脑白质高信号概率图集；每个脑白质高信号分割模型是基于训练影像集分别对各初始网络进行训练得到的；所述初始网络为unet网络、udensedown网络或udensenet网络；所述训练影像集包括多张训练用大脑的原始T1影像和原始FLAIR影像；所述脑白质高信号概率图集包括三张脑白质高信号概率图；
脑白质高信号体积数据确定模块，用于基于所述脑白质高信号概率图集、所述目标原始T1影像和所述目标原始FLAIR影像，进行脑白质高信号分区，得到多个脑分区，从而确定所述目标大脑的各所述脑分区的脑白质高信号体积数据；
年龄确定模块，用于将所述目标原始T1影像和所述目标大脑所属人员的性别输入至年龄计算模型中，得到所述目标大脑的预测年龄；所述年龄计算模型是利用年龄训练数据集对两阶段级联精炼网络进行训练得到的；所述年龄训练数据集包括：多张训练用大脑的原始T1影像以及各所述训练用大脑对应的人员的真实年龄和性别；
脑熵确定模块，用于基于所述目标大脑的脑结构指标数据、各所述脑分区的脑白质高信号体积数据和预测年龄，计算所述目标大脑的脑熵。
一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述所述的脑熵的确定方法。
一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述所述的脑熵的确定方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种脑熵的确定方法、系统、电子设备及存储介质，基于目标大脑的原始T1影像、原始FLAIR影像和目标大脑的性别，利用训练好的各个模型，依次确定目标大脑的脑结构指标数据、脑分区的脑白质高信号体积数据和年龄，并基于脑结构指标数据、各脑分区的脑白质高信号体积数据和年龄，计算目标大脑的脑熵。整个过程不需要人工的参与即可实现，提高了脑熵的确定速度，减少了主观因素的影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，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为本发明实施例1提供的脑熵的确定方法流程示意图；
图2为脑白质高信号分割流程示意图；
图3为基于两阶段级联精炼网络训练年龄计算模型的流程示意图；
图4为大脑年龄计算模块中尺度紧密连接网络结构示意图；
图5为将尺度紧密连接网络应用于第一阶段网络后的结构示意图；
图6为将尺度紧密连接网络应用于第二阶段网络后的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种脑熵的确定方法、系统、电子设备及存储介质，旨在提高脑熵的确定速度，减少主观因素的影响。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明实施例1提供的脑熵的确定方法流程示意图。如图1所示，本实施例中的脑熵的确定方法，包括：
步骤101：获取目标原始T1影像、目标原始FLAIR影像和目标大脑所属人员的性别；目标原始T1影像为目标大脑的T1结构影像，目标原始FLAIR影像为目标大脑的FLAIR影像。
步骤102：基于目标原始T1影像，确定目标大脑的脑结构指标数据。
步骤102，具体包括：
步骤1021：对目标原始T1影像，依次进行皮下分割、白质分割、表皮建模、表皮平滑、膨胀和皮层分割处理，确定皮下结构体积、皮层厚度、软膜曲率和多个分割后的结构的统计指标，从而确定目标大脑的脑结构指标数据；统计指标包括：结构名、顶点数、总表面积、结构体积、平均厚度与标准误差、积分校正平均曲率、积分校正高斯曲率、折叠指数、固有曲率指数以及分形维数结构指标。
步骤103：基于目标原始T1影像和目标原始FLAIR影像，确定目标大脑的各脑分区的脑白质高信号体积数据。
如图2所示，步骤103具体包括：
步骤1031：将目标原始T1影像和目标原始FLAIR影像进行预处理，得到预处理后的影像；预处理包括：影像配准、数据标准化和尺寸统一化。
步骤1032：将预处理后的影像分别输入至三个脑白质高信号分割模型中，得到脑白质高信号概率图集；每个脑白质高信号分割模型是基于训练影像集分别对各初始网络进行训练得到的；初始网络为unet网络、udensedown网络或udensenet网络；训练影像集包括多张训练用大脑的原始T1影像和原始FLAIR影像；脑白质高信号概率图集包括三张脑白质高信号概率图。
具体的，步骤1032具体包括：
将预处理后的影像分别输入至脑白质高信号分割模型集合中的脑白质高信号分割模型中，得到第一脑白质高信号概率图集、第二脑白质高信号概率图集和第三脑白质高信号概率图集。
将第一脑白质高信号概率图集、第二脑白质高信号概率图集和第三脑白质高信号概率图集中对应的脑白质高信号概率图进行逐体素平均，得到三个脑白质高信号分割模型集成后的分割结果（即脑白质高信号概率图集）。
步骤1033：基于脑白质高信号概率图集、目标原始T1影像和目标原始FLAIR影像，进行脑白质高信号分区，得到多个脑分区，从而确定目标大脑的各脑分区的脑白质高信号体积数据。
步骤104：基于目标原始T1影像，确定目标大脑的预测年龄。
步骤104，具体包括：
将目标原始T1影像和目标大脑所属人员的性别输入至年龄计算模型中，得到目标大脑的预测年龄；年龄计算模型是利用年龄训练数据集对两阶段级联精炼网络进行训练得到的；年龄训练数据集包括：多张训练用大脑的原始T1影像以及各训练用大脑对应的人员的真实年龄和性别。
步骤105：基于目标大脑的脑结构指标数据、各脑分区的脑白质高信号体积数据和预测年龄，计算目标大脑的脑熵。
具体的，步骤105，具体包括：
根据预测年龄和真实年龄，计算大脑年龄差。
汇总计算得到的包括630项脑结构指标数据、93项各脑分区的脑白质高信号体积数据和1项大脑年龄差在内的共724项神经影像生物指标，记为{x1,x2,x3,...,xn}，n=724，根据大规模健康人数据库，计算得到上述各项指标在健康人数据库中的均值
Figure SMS_1
和标准差/>
Figure SMS_2
，构建健康人常模分布。
通过统计学中的单样本t检验，根据目标大脑的神经影像生物指标{x1,x2,x3,...,xn}和健康人群指标常模分布均值
Figure SMS_3
和标准差/>
Figure SMS_4
，可计算得到t统计量和p值，分别记为{t1,t2,t3,...,tn}和{p1,p2,p3,...,pn}。其中p值用于描述目标大脑的某项神经影像生物标志物的测量值属于健康人常模分布的概率。
根据神经影像生物指标的概率值{p1,p2,p3,...,pi}，基于信息熵概念，建立脑熵评估值：
Figure SMS_5
。
在0.05水平下，共计算得到724个神经影像生物标志物指标，故健康脑熵阈值定义为：
Figure SMS_6
。
因此，若神经影像生物指标的脑熵评估值高于Hhealth，则该评估样本脑健康状况较差；若神经影像生物指标的脑熵评估值小于等于Hhealth，则该评估样本脑健康状况良好。
作为一种可选的实施方式，步骤1021，具体包括：
对目标原始T1影像，进行皮下分割处理，得到带有皮下结构组织标签的影像，并根据带有皮下结构组织标签的影像计算皮下结构体积。
对带有皮下结构组织标签的影像，依次进行白质分割、表皮建模、表皮平滑和膨胀处理，得到大脑表皮模型，从而确定白质和软膜表面，并根据白质和软膜表面计算皮层厚度和软膜曲率。
基于白质和软膜表面，对目标大脑的不同位置进行标注分割，得到多个分割后的结构，并计算各个分割后的结构的统计指标。
将皮下结构体积、皮层厚度、软膜曲率和每个分割后的结构的统计指标确定为脑结构指标数据。
更具体地，步骤1021包括：
（1.1）头动校正：当目标大脑有多张目标原始T1影像时，通过比较每张目标原始T1影像之间的大脑相对位置，确定图像之间头动情况，并求得一个平均图像作为步骤（1.2）的输入图像；当目标大脑只有一张目标原始T1影像时，则跳过步骤（1.1），直接将唯一的一张目标原始T1影像作为（1.2）的输入图像。
（1.2）映射变换：计算步骤（1.1）输出的图像到蒙特利尔神经学研究所公开的平均脑图谱（MNI305图谱）的映射矩阵，并将图像配准至MNI305图谱图谱空间，之后保存图像并将配准后的图像输入步骤（1.3）。
（1.3）标准化：通过对步骤（1.2）输出的图像的所有体素进行标准化缩放，将其进行数值标准化到一个统一的区间，以消除不同个体间图像的数值差异，之后保存图像并将数值标准化的图像输入步骤（1.4）。
（1.4）去除头骨：将步骤（1.3）输入的图像进行大脑头骨剥除，之后保存图像，并将剥骨后的图像输入步骤（1.5）。
（1.5）皮下分割：将步骤（1.4）输出的剥骨后的图像依次进行GGA线性配准、CA标准化、CA配准、去除颈部、EM配准和皮下结构标注操作，得到带有皮下结构组织标签的图像输入步骤（1.6），并根据带有皮下结构组织标签的图像计算统计皮下结构的体积，将其作为最终的结构指标之一输出至步骤（1.11），其中，统计皮下结构的体积的方法为计算标签标注的皮下组织结构体素数量，按照图像分辨率换算成体积大小。
（1.6）白质分割：将步骤（1.5）输出的带有皮下结构组织标签的图像使用密度对比、邻接分割和平滑约束等方法，将大脑白质与大脑的其他结构区分出来，并将结果图像（大脑图像的结构表面）输入步骤（1.7）。
（1.7）表皮建模：基于步骤（1.6）输出的结果图像，对全脑以小脑和中线分别分出中脑和左右大脑，并通过使用三角包裹技术对大脑图像的结构表面进行建模，得到大脑表皮模型，将这一模型输入步骤（1.8）。
（1.8）表皮平滑：将步骤（1.7）输出的大脑表皮模型的三角顶点进行轻微调整以实现模型的平滑，并将平滑后的大脑表皮模型输入步骤（1.9）。
（1.9）膨胀：基于步骤（1.8）输出的平滑后的大脑表皮模型，通过优化度量失真使其最小化，使结果模型可以保存步骤（1.1）中目标原始T1影像的距离和表皮信息，将优化后的大脑表皮模型输入步骤（1.10）。
（1.10）创建最终表皮：根据步骤（1.9）输出的大脑表皮模型创建最终的白质和软膜表面输入步骤（1.11），并根据最终的白质和软膜表面计算皮层厚度与曲率等脑结构指标（皮层厚度为软膜表面到白质表面之间的距离；曲率计算为软膜表面的弯曲曲率。这两个指标作为最终结构指标输出），并将其作为最终的结构指标之一分别输出至步骤（1.11）。
（1.11）皮层分割与统计：根据标准的神经解剖模板，对步骤（1.10）输出的白质和软膜表面建模的左右半球的每个位置进行标注分割，计算并保存每个分割后结构的统计指标，包括结构名、顶点数、总表面积、结构体积、平均厚度与标准误差、积分校正平均曲率、积分校正高斯曲率、折叠指数、固有曲率指数以及分形维数结构指标，合并之前步骤（1.5）和步骤（1.10）输出的皮下结构体积、皮层厚度和曲率结构指标，共得到脑结构指标630个。
作为一种可选的实施方式，步骤1031，具体包括：
利用目标原始FLAIR影像对目标原始T1影像进行线性配准，得到配准后的T1影像。
具体的，由于脑白质高信号在FLAIR影像具有显著特征，因此，对于同一个目标大脑的目标原始FLAIR影像和目标原始T1影像，以目标原始FLAIR影像为参考，将目标原始T1影像作为源影像执行配准，使用FSL工具包中的FLIRT命令进行线性配准，得到配准后的T1影像。
将目标原始FLAIR影像和配准后的T1影像内体素进行高斯标准化，得到标准化后的FLAIR影像和标准化后的T1影像。
具体的，将目标原始FLAIR影像和配准后的T1影像内体素进行高斯标准化，得到标准化后的FLAIR影像和标准化后的T1影像，具体包括：
a初步提取脑轮廓。由于FLAIR影像和T1影像存在着大量的黑色背景，会极大影响数据标准化效果。因此，根据目标原始FLAIR影像和配准后的T1影像，分别对目标原始FLAIR影像和配准后的T1加权影像设置阈值，根据最大连通域算法得到粗糙的大脑轮廓。
b进一步提取脑轮廓。由于脑脊液的影响，上一步提取的大脑轮廓中可能存在着部分空洞，通过填充影像空洞，得到精准的大脑轮廓。
c数据标准化。对于同一个目标大脑的目标原始FLAIR影像和配准后的T1影像，分别计算大脑轮廓内体素的平均值和标准差，将目标原始FLAIR影像和配准后的T1影像脑部体素进行高斯标准化。之后将大脑外背景设置为脑部体素最小值，得到标准化后的FLAIR影像和标准化后的T1影像。
将标准化后的FLAIR影像和标准化后的T1影像的尺寸裁剪为预设尺寸，得到预处理后的影像。
具体的，将标准化后的影像进行尺寸统一包括影像尺寸裁剪和填补。
作为一种可选的实施方式，每个脑白质高信号分割模型的训练过程，均具体包括：
获取训练影像集。
对训练影像集进行预处理，得到预处理后的训练影像集。
对预处理后的训练影像集中的各预处理后的训练影像进行脑白质高信号概率标签的标注，得到带有脑白质高信号概率标签的训练影像集。
通过反向传播算法，利用带有脑白质高信号概率标签的训练影像集，对初始网络进行训练，得到脑白质高信号分割模型。
作为一种可选的实施方式，步骤1033，具体包括：
将脑白质高信号概率图集进行二值化处理，得到脑白质高信号图。
具体的，将脑白质高信号概率图通过阈值（0.5）进行二值化处理，得到脑白质高信号图，并将脑白质高信号图恢复到目标原始FLAIR影像的尺寸大小。
利用目标原始T1影像和脑白质高信号图，对目标原始FLAIR影像进行线性配准，得到配准后的FLAIR影像。
具体的，由于T1影像通常比FLAIR影像具有更高的分辨率，因此在进行脑分区时以目标原始T1影像为参考，首先将带有脑白质高信号分割结果的FLAIR影像作为源影像进行配准，得到配准后的FLAIR影像。在进行配准时，使用FSL的flirt命令进行线性配准。
获取自动解剖标识图谱和脑室脑模板的距离映射图。
基于自动解剖标识图谱，确定目标原始T1影像的90个脑分区和配准后的FLAIR影像的90个脑分区。
具体的，基于自动解剖标识图谱，确定目标原始T1影像的90个脑分区和配准后的FLAIR影像的90个脑分区，具体包括：
利用FSL的线性配准命令flirt，将自动解剖标识图谱（Anatomical AutomaticLabeling，AAL）配准到目标原始T1影像。由于AAL脑模板共有90个脑分区掩膜，故可将目标原始T1影像划分为90个脑分区。
利用配准后的FLAIR影像，以及目标原始T1影像的90个脑分区，可对应获得配准后FLAIR影像的90个脑分区。
基于脑室脑模板的距离映射图，确定目标原始T1影像相对于脑室边缘的距离映射图，并利用预设阈值，将T1脑影像上的距离映射图分为脑室周脑区和深部脑区。
基于脑室周脑区和深部脑区，确定配准后的FLAIR影像上的脑室周分区掩膜和深部脑分区掩膜。
具体的，首先利用FSL软件的flirt命令，将脑室脑模板的距离映射图配准到目标原始T1影像，获得目标原始T1影像的大脑相对于脑室边缘的距离映射图。随后利用预先设定的距离阈值，将T1脑影像上的距离映射图分为脑室周脑区和深部脑区。利用目标原始T1影像上的这两个脑分区，以及配准后的FLAIR影像，得到FLAIR脑影像上的脑室周分区掩膜和深部脑分区掩膜。
基于脑室周分区掩膜、深部脑分区掩膜和配准后的FLAIR影像的90个脑分区，确定各脑区的脑白质高信号体积数据。
具体的，用FLAR影像上的AAL模板的90个脑分区掩膜、脑室周掩膜、深部脑分区掩膜和完整大脑掩膜，共可得到包括总脑白质高信号体积、脑室周脑白质高信号体积、深部脑白质高信号体积以及90个AAL脑区脑白质高信号体积在内的共计93个脑白质高信号体积特征。利用配准后的FLAIR影像上某一脑区的脑白质高信号的体素个数以及每个体素的物理体积（单位：mm3），统计该脑区的脑白质高信号体积。
作为一种可选的实施方式，年龄计算模型的训练过程，包括：
获取年龄训练数据集。
通过反向传播算法和梯度下降算法，利用年龄训练数据集对两阶段级联精炼网络中的第一阶段网络进行训练，得到训练好的第一阶段网络。
将每张训练用大脑的原始T1影像输入至训练好的第一阶段网络，得到第一预测年龄集。
将第一预测年龄集中的每个第一预测年龄进行离散化，得到离散后的年龄集。
通过反向传播算法和梯度下降算法，利用年龄训练数据集和离散后的年龄集对两阶段级联精炼网络中的第二阶段网络进行训练，得到训练好的第二阶段网络，从而得到年龄计算模型。
具体的，如图3，年龄计算模型的训练过程，具体包括：
（2.1）获取多张训练用大脑的原始T1影像。
（2.2）使用FSL的线性配准命令flirt将每张训练用大脑的原始T1影像配准至MNI152 2mm模板上，并进行预处理，得到预处理后的T1影像。
（2.3）将预处理后的T1影像、性别和其真实年龄确定为年龄训练数据集，通过反向传播及梯度下降算法对两阶段级联精炼网络（Two-stage-refined-net，TSRN）的第一阶段网络（First-stage Net）进行训练学习，选取预测精度高，泛化性能强的模型参数进行保存。
（2.4）将TSRN第一阶段网络预测得到的大脑年龄进行离散化，得到离散化的大脑年龄。
其中，离散化计算函数如下：
Figure SMS_7
。
其中，
Figure SMS_8
为离散化的大脑年龄，/>
Figure SMS_9
为第一阶段网络预测得到的大脑年龄，/>
Figure SMS_10
为离散化步长，本发明将/>
Figure SMS_11
设为5，Round是按照小数位数进行四舍五入运算函数。
（2.5）利用多张训练用大脑的原始T1影像、性别、离散化大脑年龄和真实年龄作为训练集，通过反向传播和梯度下降算法对TSRN网络的第二阶段精炼网络进行训练学习，选取预测精度高，泛化性能强的模型参数进行保存。
（2.6）使用交叉验证的方法对TSRN进行验证，调整模型中的超参数。
（2.7）使用训练好的模型对神经影像生物指标的大脑年龄进行预测评估，得到大脑年龄。进一步的计算得到大脑年龄差（大脑年龄差等于预测大脑年龄减去真实年龄）。
下面对本发明大脑年龄计算模块中的ranking loss（这部分在图3中并未体现，而是直接作用在模型训练过程中）进行描述：
大脑年龄计算模块中在优化训练大脑年龄预测模型时，除了使用真实年龄和大脑年龄之间的均方误差作为损失函数外，还使用了“年龄差损失”和“排序损失”两种损失函数用于优化网络模型，提高预测准确度。年龄差损失函数和排序损失函数应用在模型训练过程中，在训练阶段，训练样本以小批量（mini-batch）的形式送入网络中，计算梯度后，反向传播优化模型。小批量的样本个数成为Batch Size（批尺寸）。
（1）年龄差损失
在本发明中，年龄差损失被定义为在每个小批量中遍历选取两个样本，计算两个样本之间真实年龄差值yi-yj与预测大脑年龄差值
Figure SMS_12
的均方误差，其数学表达式为：
Figure SMS_13
。
其中，NP为配对样本(i,j)的个数，i、j分别为在每个小批量中所选取到的样本序号。
（2）排序损失
在本发明中，排序损失被定义为在每个小批量数据中样本真实年龄和大脑年龄排序的斯皮尔曼相关系数，其数学表达式为：
Figure SMS_14
。
其中，rs表示斯皮尔曼系数，Rank(yi)代表真实年龄yi的排序，
Figure SMS_15
则代表大脑年龄/>
Figure SMS_16
的排序，N为每个小批量样本的个数，同Batch Size。
如图4-图6所示，下面对本发明大脑年龄计算模块中并未在图3中直接体现的尺度紧密连接网络（ScaleDense Net），进行描述：
本发明大脑年龄计算模块中尺度紧密连接网络ScaleDense使用固定大小的三维大脑T1影像及性别标签作为输入。这个CNN架构包含五个重复的卷积块(ConvolutionalBlock)，每个卷积块包含两个完全相同的非对称卷积单元(Asymmetric ConvolutionalUnit， AC Block)、一个步长为2的2×2×2最大池化层。非对称卷积单元包括四个卷积层，其卷积核尺寸分别为3×3×3，3×1×1，1×3×1，1×1×3，经四个卷积层计算得到的特征映射经批标准化层（Batch Normalization layer）后相加。在第一个卷积块中，特征通道的数量被设置为8，并在进入到下一个卷积块之后对其进行加倍，以推断出一个足够丰富的大脑信息表征。
本发明将不同卷积块所学习到的特征映射串联起来，增加了后续层输入的变量，提高了网络的特征利用效率及学习效果。每个卷积块都将综合之前所有卷积块输出特征映射的信息以作输入。由于不同卷积块输出特征映射的尺寸是不同的，所以首先使用最大池化层的方式将特征映射进行下采样，改变其尺寸，然后再将其与其他卷积块输出的特征映射串联成一个单独的张量，作为当前卷积块的输入。并在最后一个卷积块结束后，使用全局平均池化层（Global average pooling），将特征映射矢量化为一个特征向量。最后的年龄预测是使用一个一维卷积层加上ReLU激活函数，它将全局平均池化得到的特征向量映射到一个单独的输出值。
对于TSRN中第一阶段网络，输入为T1影像和性别标签两部分，影像特征经ScaleDense处理后得到一个128维的特征向量，而性别标签经过32、16维两层全连接层后，与影响特征向量连接到一起，再经40、16维全连接层计算后输出预测大脑年龄。
而对于TSRN中的第二阶段精炼网络（Second-stage Net），其输入包括三部分，分别为T1影像、性别标签以及离散化后的第一阶段预测大脑年龄。对T1影像和性别标签的处理方式同第一阶段，而不同的是，此时ScaleDense部分的输出和离散化大脑年龄相加后得到精炼预测后的大脑年龄。
实施例2
本实施例中的脑熵的确定系统，包括：
原始影像获取模块，用于获取目标原始T1影像、目标原始FLAIR影像和目标大脑所属人员的性别；目标原始T1影像为目标大脑的T1结构影像，目标原始FLAIR影像为目标大脑的FLAIR影像。
脑结构指标数据确定模块，用于对目标原始T1影像，依次进行皮下分割、白质分割、表皮建模、表皮平滑、膨胀和皮层分割处理，确定皮下结构体积、皮层厚度、软膜曲率和多个分割后的结构的统计指标，从而确定目标大脑的脑结构指标数据；统计指标包括：结构名、顶点数、总表面积、结构体积、平均厚度与标准误差、积分校正平均曲率、积分校正高斯曲率、折叠指数、固有曲率指数以及分形维数结构指标。
预处理模块，用于将目标原始T1影像和目标原始FLAIR影像进行预处理，得到预处理后的影像；预处理包括：影像配准、数据标准化和尺寸统一化。
脑白质高信号概率图集确定模块，用于将预处理后的影像分别输入至三个脑白质高信号分割模型中，得到脑白质高信号概率图集；每个脑白质高信号分割模型是基于训练影像集分别对各初始网络进行训练得到的；初始网络为unet网络、udensedown网络或udensenet网络；训练影像集包括多张训练用大脑的原始T1影像和原始FLAIR影像；脑白质高信号概率图集包括三张脑白质高信号概率图。
脑白质高信号体积数据确定模块，用于基于脑白质高信号概率图集、目标原始T1影像和目标原始FLAIR影像，进行脑白质高信号分区，得到多个脑分区，从而确定目标大脑的各脑分区的脑白质高信号体积数据。
年龄确定模块，用于将目标原始T1影像和目标大脑所属人员的性别输入至年龄计算模型中，得到目标大脑的预测年龄；年龄计算模型是利用年龄训练数据集对两阶段级联精炼网络进行训练得到的；年龄训练数据集包括：多张训练用大脑的原始T1影像以及各训练用大脑对应的人员的真实年龄和性别。
脑熵确定模块，用于基于目标大脑的脑结构指标数据、各脑分区的脑白质高信号体积数据和预测年龄，计算目标大脑的脑熵。
实施例3
一种电子设备，包括：
一个或多个处理器。
存储装置，其上存储有一个或多个程序。
当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如实施例1中的脑熵的确定方法。
实施例4
一种存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如实施例1中的脑熵的确定方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种脑熵的确定方法，其特征在于，所述方法包括：
获取目标原始T1影像、目标原始FLAIR影像和目标大脑所属人员的性别；所述目标原始T1影像为所述目标大脑的T1结构影像，所述目标原始FLAIR影像为所述目标大脑的FLAIR影像；
对所述目标原始T1影像，依次进行皮下分割、白质分割、表皮建模、表皮平滑、膨胀和皮层分割处理，确定皮下结构体积、皮层厚度、软膜曲率和多个分割后的结构的统计指标，从而确定目标大脑的脑结构指标数据；所述统计指标包括：结构名、顶点数、总表面积、结构体积、平均厚度与标准误差、积分校正平均曲率、积分校正高斯曲率、折叠指数、固有曲率指数以及分形维数结构指标；
将所述目标原始T1影像和所述目标原始FLAIR影像进行预处理，得到预处理后的影像；所述预处理包括：影像配准、数据标准化和尺寸统一化；
将预处理后的影像分别输入至三个脑白质高信号分割模型中，得到脑白质高信号概率图集；每个脑白质高信号分割模型是基于训练影像集分别对各初始网络进行训练得到的；所述初始网络为unet网络、udensedown网络或udensenet网络；所述训练影像集包括多张训练用大脑的原始T1影像和原始FLAIR影像；所述脑白质高信号概率图集包括三张脑白质高信号概率图；
基于所述脑白质高信号概率图集、所述目标原始T1影像和所述目标原始FLAIR影像，进行脑白质高信号分区，得到多个脑分区，从而确定所述目标大脑的各所述脑分区的脑白质高信号体积数据；
将所述目标原始T1影像和所述目标大脑所属人员的性别输入至年龄计算模型中，得到所述目标大脑的预测年龄；所述年龄计算模型是利用年龄训练数据集对两阶段级联精炼网络进行训练得到的；所述年龄训练数据集包括：多张训练用大脑的原始T1影像以及各所述训练用大脑对应的人员的真实年龄和性别；
基于所述目标大脑的脑结构指标数据、各所述脑分区的脑白质高信号体积数据和预测年龄，计算所述目标大脑的脑熵，具体包括：
根据预测年龄和真实年龄，计算大脑年龄差；
汇总脑结构指标数据、各脑分区的脑白质高信号体积数据和大脑年龄差，得到多个神经影像生物指标；
根据健康人数据库，计算得到各神经影像生物指标在健康人数据库中的均值和标准差；
通过统计学中的单样本t检验，根据目标大脑的各神经影像生物指标和对应的均值和标准差，得到t统计量和p值；p值用于描述目标大脑的各神经影像生物指标属于健康人常模分布的概率；
根据所有神经影像生物指标的p值，基于信息熵概念，计算所述目标大脑的脑熵。
2.根据权利要求1所述的脑熵的确定方法，其特征在于，对所述目标原始T1影像，依次进行皮下分割、白质分割、表皮建模、表皮平滑、膨胀和皮层分割处理，确定皮下结构体积、皮层厚度、软膜曲率和多个分割后的结构的统计指标，从而确定目标大脑的脑结构指标数据，具体包括：
对所述目标原始T1影像，进行皮下分割处理，得到带有皮下结构组织标签的影像，并根据所述带有皮下结构组织标签的影像计算所述皮下结构体积；
对所述带有皮下结构组织标签的影像，依次进行白质分割、表皮建模、表皮平滑和膨胀处理，得到大脑表皮模型，从而确定白质和软膜表面，并根据所述白质和所述软膜表面计算所述皮层厚度和所述软膜曲率；
基于所述白质和所述软膜表面，对所述目标大脑的不同位置进行标注分割，得到多个分割后的结构，并计算各个所述分割后的结构的统计指标；
将所述皮下结构体积、所述皮层厚度、所述软膜曲率和每个所述分割后的结构的统计指标确定为脑结构指标数据。
3.根据权利要求1所述的脑熵的确定方法，其特征在于，将所述目标原始T1影像和所述目标原始FLAIR影像进行预处理，得到预处理后的影像，具体包括：
利用所述目标原始FLAIR影像对所述目标原始T1影像进行线性配准，得到配准后的T1影像；
将所述目标原始FLAIR影像和所述配准后的T1影像内体素进行高斯标准化，得到标准化后的FLAIR影像和标准化后的T1影像；
将所述标准化后的FLAIR影像和所述标准化后的T1影像的尺寸裁剪为预设尺寸，得到所述预处理后的影像。
4.根据权利要求1所述的脑熵的确定方法，其特征在于，每个所述脑白质高信号分割模型的训练过程，均具体包括：
获取所述训练影像集；
对所述训练影像集进行预处理，得到预处理后的训练影像集；
对所述预处理后的训练影像集中的各预处理后的训练影像进行脑白质高信号概率标签的标注，得到带有脑白质高信号概率标签的训练影像集；
通过反向传播算法，利用所述带有脑白质高信号概率标签的训练影像集，对所述初始网络进行训练，得到所述脑白质高信号分割模型。
5.根据权利要求1所述的脑熵的确定方法，其特征在于，基于所述脑白质高信号概率图集、所述目标原始T1影像和所述目标原始FLAIR影像，进行脑白质高信号分区，得到多个脑分区，从而确定所述目标大脑的各所述脑分区的脑白质高信号体积数据，具体包括：
将所述脑白质高信号概率图集进行二值化处理，得到脑白质高信号图；
利用所述目标原始T1影像和所述脑白质高信号图，对所述目标原始FLAIR影像进行线性配准，得到配准后的FLAIR影像；
获取自动解剖标识图谱和脑室脑模板的距离映射图；
基于所述自动解剖标识图谱，确定所述目标原始T1影像的90个脑分区和所述配准后的FLAIR影像的90个脑分区；
基于所述脑室脑模板的距离映射图，确定所述目标原始T1影像相对于脑室边缘的距离映射图，并利用预设阈值，将T1脑影像上的距离映射图分为脑室周脑区和深部脑区；
基于所述脑室周脑区和所述深部脑区，确定所述配准后的FLAIR影像上的脑室周分区掩膜和深部脑分区掩膜；
基于所述脑室周分区掩膜、所述深部脑分区掩膜和所述配准后的FLAIR影像的90个脑分区，确定各所述脑区的脑白质高信号体积数据。
6.根据权利要求1所述的脑熵的确定方法，其特征在于，所述年龄计算模型的训练过程，包括：
获取所述年龄训练数据集；
通过反向传播算法和梯度下降算法，利用所述年龄训练数据集对所述两阶段级联精炼网络中的第一阶段网络进行训练，得到训练好的第一阶段网络；
将每张所述训练用大脑的原始T1影像输入至所述训练好的第一阶段网络，得到第一预测年龄集；
将所述第一预测年龄集中的每个第一预测年龄进行离散化，得到离散后的年龄集；
通过反向传播算法和梯度下降算法，利用所述年龄训练数据集和所述离散后的年龄集对所述两阶段级联精炼网络中的第二阶段网络进行训练，得到训练好的第二阶段网络，从而得到所述年龄计算模型。
7.一种脑熵的确定系统，其特征在于，所述系统包括：
原始影像获取模块，用于获取目标原始T1影像、目标原始FLAIR影像和目标大脑所属人员的性别；所述目标原始T1影像为所述目标大脑的T1结构影像，所述目标原始FLAIR影像为所述目标大脑的FLAIR影像；
脑结构指标数据确定模块，用于对所述目标原始T1影像，依次进行皮下分割、白质分割、表皮建模、表皮平滑、膨胀和皮层分割处理，确定皮下结构体积、皮层厚度、软膜曲率和多个分割后的结构的统计指标，从而确定目标大脑的脑结构指标数据；所述统计指标包括：结构名、顶点数、总表面积、结构体积、平均厚度与标准误差、积分校正平均曲率、积分校正高斯曲率、折叠指数、固有曲率指数以及分形维数结构指标；
预处理模块，用于将所述目标原始T1影像和所述目标原始FLAIR影像进行预处理，得到预处理后的影像；所述预处理包括：影像配准、数据标准化和尺寸统一化；
脑白质高信号概率图集确定模块，用于将预处理后的影像分别输入至三个脑白质高信号分割模型中，得到脑白质高信号概率图集；每个脑白质高信号分割模型是基于训练影像集分别对各初始网络进行训练得到的；所述初始网络为unet网络、udensedown网络或udensenet网络；所述训练影像集包括多张训练用大脑的原始T1影像和原始FLAIR影像；所述脑白质高信号概率图集包括三张脑白质高信号概率图；
脑白质高信号体积数据确定模块，用于基于所述脑白质高信号概率图集、所述目标原始T1影像和所述目标原始FLAIR影像，进行脑白质高信号分区，得到多个脑分区，从而确定所述目标大脑的各所述脑分区的脑白质高信号体积数据；
年龄确定模块，用于将所述目标原始T1影像和所述目标大脑所属人员的性别输入至年龄计算模型中，得到所述目标大脑的预测年龄；所述年龄计算模型是利用年龄训练数据集对两阶段级联精炼网络进行训练得到的；所述年龄训练数据集包括：多张训练用大脑的原始T1影像以及各所述训练用大脑对应的人员的真实年龄和性别；
脑熵确定模块，用于基于所述目标大脑的脑结构指标数据、各所述脑分区的脑白质高信号体积数据和预测年龄，计算所述目标大脑的脑熵，具体包括：
根据预测年龄和真实年龄，计算大脑年龄差；
汇总脑结构指标数据、各脑分区的脑白质高信号体积数据和大脑年龄差，得到多个神经影像生物指标；
根据健康人数据库，计算得到各神经影像生物指标在健康人数据库中的均值和标准差；
通过统计学中的单样本t检验，根据目标大脑的各神经影像生物指标和对应的均值和标准差，得到t统计量和p值；p值用于描述目标大脑的各神经影像生物指标属于健康人常模分布的概率；
根据所有神经影像生物指标的p值，基于信息熵概念，计算所述目标大脑的脑熵。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至6中任意一项所述的脑熵的确定方法。
9.一种存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的脑熵的确定方法。
CN202310456308.6A 2023-04-26 2023-04-26 一种脑熵的确定方法、系统、电子设备及存储介质 Active CN116168035B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310456308.6A CN116168035B (zh) 2023-04-26 2023-04-26 一种脑熵的确定方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310456308.6A CN116168035B (zh) 2023-04-26 2023-04-26 一种脑熵的确定方法、系统、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116168035A CN116168035A (zh) 2023-05-26
CN116168035B true CN116168035B (zh) 2023-06-30

Family

ID=86414973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310456308.6A Active CN116168035B (zh) 2023-04-26 2023-04-26 一种脑熵的确定方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116168035B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117788897A (zh) * 2023-12-20 2024-03-29 首都医科大学附属北京友谊医院 大脑年龄预测方法、装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112998650A (zh) * 2015-01-06 2021-06-22 大卫·伯顿 移动式可穿戴的监控系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220160287A1 (en) * 2016-03-04 2022-05-26 Brainsview Inc. System, process, and devices for real-time brain monitoring
CN110960233B (zh) * 2019-11-21 2022-12-06 北京华脑技术发展有限公司 一种基于脑电波的抑郁状态检测方法及系统
EP4157089A4 (en) * 2020-05-24 2023-11-01 Optios, Inc. MEASURING AND AMPLIFICATION OF PHYSIOLOGICAL/NEUROPHYSIOLOGICAL STATES TO PREDICT SUPERIOR PERFORMANCE
CN115040140A (zh) * 2022-06-29 2022-09-13 燕山大学 一种基于深度学习的实时麻醉深度监测系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112998650A (zh) * 2015-01-06 2021-06-22 大卫·伯顿 移动式可穿戴的监控系统

Also Published As

Publication number Publication date
CN116168035A (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
Nawaz et al. A deep feature-based real-time system for Alzheimer disease stage detection
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
CN110969626B (zh) 基于3d神经网络的人脑核磁共振影像的海马体提取方法
Bron et al. Standardized evaluation of algorithms for computer-aided diagnosis of dementia based on structural MRI: the CADDementia challenge
CN107578416B (zh) 一种由粗到精级联深度网络的心脏左心室全自动分割方法
Sridhar et al. Brain tumor classification using discrete cosine transform and probabilistic neural network
CN111062948B (zh) 一种基于胎儿四腔心切面图像的多组织分割方法
CN107766874B (zh) 一种超声容积生物学参数的测量方法及测量系统
CN116168035B (zh) 一种脑熵的确定方法、系统、电子设备及存储介质
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
Sun et al. Dual-functional neural network for bilateral hippocampi segmentation and diagnosis of Alzheimer’s disease
CN115440346B (zh) 基于半监督学习的痤疮分级方法、系统、设备及存储介质
Algorri et al. Classification of anatomical structures in MR brain images using fuzzy parameters
Rebsamen et al. Brain morphometry estimation: From hours to seconds using deep learning
CN111863247A (zh) 基于结构磁共振影像的大脑年龄级联精炼预测方法及系统
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
Kamiya et al. Automated recognition of erector spinae muscles and their skeletal attachment region via deep learning in torso CT images
CN115311193A (zh) 一种基于双重注意力机制的异常脑图像分割方法及系统
CN116205915B (zh) 一种基于掩码的大脑年龄评估方法、系统及电子设备
CN117036288A (zh) 一种面向全切片病理图像的肿瘤亚型诊断方法
CN117036793A (zh) 一种基于pet影像多尺度特征的脑龄评估方法及装置
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
CN111932575A (zh) 基于模糊c均值和概率标签融合的图像分割方法及系统
CN110555853B (zh) 基于解剖学先验的分割算法评估的方法和装置
CN112690774B (zh) 一种基于磁共振影像的卒中复发预测方法和系统

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