CN116205915B - 一种基于掩码的大脑年龄评估方法、系统及电子设备 - Google Patents

一种基于掩码的大脑年龄评估方法、系统及电子设备 Download PDF

Info

Publication number
CN116205915B
CN116205915B CN202310473641.8A CN202310473641A CN116205915B CN 116205915 B CN116205915 B CN 116205915B CN 202310473641 A CN202310473641 A CN 202310473641A CN 116205915 B CN116205915 B CN 116205915B
Authority
CN
China
Prior art keywords
brain age
image
mask
magnetic resonance
brain
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
CN202310473641.8A
Other languages
English (en)
Other versions
CN116205915A (zh
Inventor
刘涛
刘子阳
周宏宇
程健
荆京
刘浩
李子孝
姜勇
孟霞
王拥军
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 CN202310473641.8A priority Critical patent/CN116205915B/zh
Publication of CN116205915A publication Critical patent/CN116205915A/zh
Application granted granted Critical
Publication of CN116205915B publication Critical patent/CN116205915B/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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

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

Abstract

本发明公开一种基于掩码的大脑年龄评估方法、系统及电子设备，涉及图像处理领域，该评估方法包括：对待评估大脑年龄对象的扩散加权成像影像中的缺血梗死灶进行分割，得到分割图像；对分割图像与待评估大脑年龄对象的T1权重结构磁共振影像应用线性配准，得到待评估大脑年龄对象的掩码影像；将所述待评估大脑年龄对象的掩码影像和所述待评估大脑年龄对象的性别输入到大脑年龄评估网络模型，得到大脑年龄评估结果，本发明能够提高缺血性脑卒中患者的大脑年龄的评估精度。

Description

一种基于掩码的大脑年龄评估方法、系统及电子设备
技术领域
本发明涉及图像处理领域，特别是涉及一种基于掩码的大脑年龄评估方法、系统及电子设备。
背景技术
随着全球人口老龄化问题的日益严重，与老化有关的大脑疾病正在给社会造成越来越大的负担。而人类的大脑会随着年龄的增长而在结构上发生一些微妙的变化，这些变化会导致大脑在正常功能上产生退化，并与神经退行性等脑部疾病呈现出显著的相关性。基因、环境、疾病或受伤等原因可能会导致大脑的老化速率有显著的加快，需要有方法来量化这种异常的大脑衰老速度，评估当前大脑所处的衰老阶段。
目前基于结构磁共振影像预测大脑年龄的方法，以卷积神经网络为主，其主要思想是使用大规模健康人的结构磁共振影像，通过卷积神经网络建模，建模完成后，对待评估样本进行大脑年龄的预测。这种方法可用于一般的神经退行性疾病的患者进行大脑年龄评估。然而，针对脑血管疾病患者，尤其是缺血性脑卒中患者，其结构磁共振影像常会受到缺血性卒中病灶的影响，即病灶区域产生水肿或者肿胀，导致使用常规大脑年龄评估方法得到的大脑年龄存在偏差。
发明内容
本发明的目的是提供一种基于掩码的大脑年龄评估方法、系统及电子设备，能够提高缺血性脑卒中患者的大脑年龄的评估精度。
为实现上述目的，本发明提供了如下方案：
一种基于掩码的大脑年龄评估方法，所述评估方法包括：
对待评估大脑年龄对象的扩散加权成像影像中的缺血梗死灶进行分割，得到分割图像；
对所述分割图像与所述待评估大脑年龄对象的T1权重结构磁共振影像应用线性配准，得到待评估大脑年龄对象的掩码影像；
将所述待评估大脑年龄对象的掩码影像和所述待评估大脑年龄对象的性别输入到大脑年龄评估网络模型，得到大脑年龄评估结果；其中，所述大脑年龄评估网络模型是通过以健康人样本的性别和结构磁共振影像为输入，以对应的真实年龄为输出对卷积神经网络进行训练得到的；所述结构磁共振影像包括无掩码T1权重结构磁共振影像和配准的掩码T1权重结构磁共振影像。
可选地，所述对待评估大脑年龄对象的扩散加权成像影像中的缺血梗死灶进行分割，得到分割图像，具体包括：
将待评估大脑年龄对象的扩散加权成像输入nnUNet模型，得到分割图像。
可选地，所述卷积神经网络包括第一卷积块、第二卷积块、第三卷积块、第四卷积块、第五卷积块、全局平均池化层、第一全连接层、第二全连接层和第三全连接层；所述第一卷积块的输入为结构磁共振影像；所述第一卷积块的输出为第一影像特征；所述第二卷积块的输入为结构磁共振影像和所述第一影像特征；所述第二卷积块的输出为第二影像特征；所述第三卷积块的输入为结构磁共振影像、所述第一影像特征和所述第二影像特征；所述第三卷积块的输出为第三影像特征；所述第四卷积块的输入为结构磁共振影像、所述第一影像特征、所述第二影像特征和所述第三影像特征；所述第四卷积块的输出为第四影像特征；所述第五卷积块的输入为结构磁共振影像、所述第一影像特征、所述第二影像特征、所述第三影像特征和所述第四影像特征；所述第五卷积块的输出为第五影像特征；所述全局平均池化层的输入为所述第五影像特征；所述全局平均池化层的输出为第一特征向量；所述第一全连接层的输入为第一特征向量；所述第一全连接层的输出为第二特征向量；所述第二全连接层的输入为性别；所述第二全连接层的输出为第三特征向量；所述第二特征向量和所述第三特征向量拼接后输入第三全连接层；所述第三全连接层的输出为大脑年龄评估结果。
可选地，所述第一卷积块、所述第二卷积块、所述第三卷积块、所述第四卷积块和所述第五卷积块均包括多个非对称卷积单元和一个最大池化层；每个所述非对称卷积单元包括多个卷积层。
可选地，所述大脑年龄评估网络模型的训练过程包括：
将健康人样本的性别和无掩码T1权重结构磁共振影像输入卷积神经网络，得到无掩码大脑年龄；
将健康人样本的性别和配准的掩码T1权重结构磁共振影像输入卷积神经网络，得到掩码大脑年龄；
对所述掩码大脑年龄和所述无掩码大脑年龄，应用一致性损失函数，得到一致性损失均方误差；
计算所述掩码大脑年龄和对应的真实年龄的第一均方误差；
计算所述无掩码大脑年龄和对应的真实年龄的第二均方误差；
根据所述一致性损失均方误差、所述第一均方误差和所述第二均方误差，应用反向传播和梯度下降算法，对所述卷积神经网络进行训练，得到大脑年龄评估网络模型。
可选地，执行所述“将健康人样本的性别和无掩码T1权重结构磁共振影像输入卷积神经网络，得到无掩码大脑年龄”之前，还包括：
获取健康人样本的无掩码T1权重结构磁共振影像和性别；
在所述健康人样本的无掩码T1权重结构磁共振影像中生成矩形掩码，得到健康人样本的配准的掩码T1权重结构磁共振影像。
可选地，所述评估方法还包括：
计算当前大脑年龄评估结果和所述待评估大脑年龄对象的真实年龄的差值，得到当前差值；
计算设定时间段内的多个大脑年龄评估结果和对应的所述待评估大脑年龄对象在所述设定时间段内的真实年龄的差值，得到多个历史差值；
根据所述历史差值和所述当前差值，计算所述当前差值的变化量；
当所述当前差值的变化量大于等于设定变化量阈值时，生成报警信息。
一种基于掩码的大脑年龄评估系统，应用于上述的基于掩码的大脑年龄评估方法，所述评估系统包括：
分割模块，用于对待评估大脑年龄对象的扩散加权成像影像中的缺血梗死灶进行分割，得到分割图像；
配准模块，用于对所述分割图像与所述待评估大脑年龄对象的T1权重结构磁共振影像应用线性配准，得到待评估大脑年龄对象的掩码影像；
评估模块，用于将所述待评估大脑年龄对象的掩码影像和所述待评估大脑年龄对象的性别输入到大脑年龄评估网络模型，得到大脑年龄评估结果；其中，所述大脑年龄评估网络模型是通过以健康人样本的性别和结构磁共振影像为输入，以对应的真实年龄为输出对卷积神经网络进行训练得到的；所述结构磁共振影像包括无掩码T1权重结构磁共振影像和配准的掩码T1权重结构磁共振影像。
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的基于掩码的大脑年龄评估方法。
可选地，所述存储器为可读存储介质。
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：
本发明提供了一种基于掩码的大脑年龄评估方法，通过由健康人群数据集和健康人群数据集模拟病灶掩码，应用一致性损失使得积神经网络对掩码影像和无掩码影像的输出保持一致，以及通过对结构磁共振影像中的病灶区域进行掩码处理，建立卷积神经网络对掩码后的结构磁共振影像进行分析，从而提高了缺血性脑卒中患者的大脑年龄的评估精度。
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为本发明提供的基于掩码的大脑年龄评估方法流程图；
图2为本发明提供的基于掩码的脑血管病大脑年龄评估网络模型训练示意图；
图3为本发明提供的基于掩码的脑血管病大脑年龄评估网络输出脑血管病大脑年龄示意图；
图4为本发明提供的多尺度密集网络结构示意图；
图5为本发明提供的基于掩码的脑血管病大脑年龄评估网络示意图；
图6为本发明提供的一具体实施例的脑血管病大脑年龄评估方法流程图；
图7为本发明提供的基于掩码的大脑年龄评估系统模块图。
附图标记说明：
分割模块—1，配准模块—2，评估模块—3。
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基于掩码的大脑年龄评估方法、系统及电子设备，能够提高缺血性脑卒中患者的大脑年龄的评估精度，并能够根据预测的缺血性脑卒中患者的大脑年龄和缺血性脑卒中患者的真实年龄的差值生成报警信息，使得缺血性脑卒中患者及时关注自身的健康状况。
本方法借助卷积神经网络的特征提取能力，使用Pytorch深度学习框架，构建卷积神经网络模型MBA Net。该模型能高效地学习大脑神经影像中潜在特征与实际年龄的之间的联系，以此来评估大脑年龄。
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。
实施例一
如图1所示，本发明提供了一种基于掩码的大脑年龄评估方法，所述评估方法包括：
步骤S1：对待评估大脑年龄对象的扩散加权成像影像中的缺血梗死灶进行分割，得到分割图像。
步骤S2：对所述分割图像与所述待评估大脑年龄对象的T1权重结构磁共振影像应用线性配准，得到待评估大脑年龄对象的掩码影像。
步骤S3：将所述待评估大脑年龄对象的掩码影像和所述待评估大脑年龄对象的性别输入到大脑年龄评估网络模型，得到大脑年龄评估结果；其中，所述大脑年龄评估网络模型是通过以健康人样本的性别和结构磁共振影像为输入，以对应的真实年龄为输出对卷积神经网络进行训练得到的；所述结构磁共振影像包括无掩码T1权重结构磁共振影像和配准的掩码T1权重结构磁共振影像。
其中，所述对待评估大脑年龄对象的扩散加权成像影像中的缺血梗死灶进行分割，得到分割图像，具体包括：将待评估大脑年龄对象的扩散加权成像输入nnUNet模型，得到分割图像。
在实际应用中，对于待评估的缺血性卒中患者，使用训练好的nnUNet人工智能模型对待评估的缺血性卒中患者的DWI影像中的缺血梗死灶进行分割。对待评估患者的缺血梗死灶分割结果与对应的T1影像进行线性配准，构建得到待评估数据。应用已经训练好的MBA Net，对待评估患者进行脑血管病大脑年龄预测评估。大脑年龄评估网络模型为已经训练好的MBA Net（Mask-based Brain Age Estimation Net，基于掩码的脑血管病大脑年龄评估网络模型）。
在实际应用中，nnUNet的训练过程如下所述：
第一步：训练数据准备：准备若干例（本发明使用了600例）缺血性卒中患者的DWI影像及人工勾画的缺血梗死灶标注图。通过裁剪和重采样统一分辨率后，存储到相应文件夹下。
第二步：模型训练：采用3D全分辨率模式的nnUNet模型进行5折交叉验证，训练轮次默认为1000轮。
第三步：模型选择：选择出最优模型进行保存，用作后续评估。
具体地，判断最优模型的方式是在训练过程中，在每轮训练后，通过评估模型“验证数据集”上的Dice值（评价指标）来确定是否为最优模型。Dice值越高，代表模型性能越好。Dice是医学图像分割中使用频率最高的度量指标，它是一种集合相似度度量指标，通常用于计算两个样本的相似度，值域为[0，1]。在医学图像中经常用于图像分割，分割的最好结果是1，最差时候结果为0。
进一步地，Dice值计算公式如下：
Figure SMS_1
。
其中，pred为预测值的集合，true为真实值的集合，分子为pred和true之间的交集，乘以2是因为分母存在重复计算pred和true之间的共同元素的原因。分母为pred和true的并集。
作为一个具体地实施方式，所述卷积神经网络包括多个卷积块、全局平均池化层和多个全连接层。具体地，所述卷积神经网络包括第一卷积块、第二卷积块、第三卷积块、第四卷积块、第五卷积块、全局平均池化层、第一全连接层、第二全连接层和第三全连接层；所述第一卷积块的输入为结构磁共振影像；所述第一卷积块的输出为第一影像特征；所述第二卷积块的输入为结构磁共振影像和所述第一影像特征；所述第二卷积块的输出为第二影像特征；所述第三卷积块的输入为结构磁共振影像、所述第一影像特征和所述第二影像特征；所述第三卷积块的输出为第三影像特征；所述第四卷积块的输入为结构磁共振影像、所述第一影像特征、所述第二影像特征和所述第三影像特征；所述第四卷积块的输出为第四影像特征；所述第五卷积块的输入为结构磁共振影像、所述第一影像特征、所述第二影像特征、所述第三影像特征和所述第四影像特征；所述第五卷积块的输出为第五影像特征；所述全局平均池化层的输入为所述第五影像特征；所述全局平均池化层的输出为第一特征向量；所述第一全连接层的输入为第一特征向量；所述第一全连接层的输出为第二特征向量；所述第二全连接层的输入为性别；所述第二全连接层的输出为第三特征向量；所述第二特征向量和所述第三特征向量拼接后输入第三全连接层；所述第三全连接层的输出为大脑年龄评估结果。进一步地，每个所述卷积块包括多个非对称卷积单元和一个最大池化层；每个所述非对称卷积单元包括多个卷积层。
在实际应用中，本发明中的大脑年龄评估网络模型中的尺度紧密连接网络ScaleDense使用固定大小的三维大脑T1权重结构磁共振影像数据及性别标签作为输入。这个CNN架构包含五个重复的卷积块(Convolutional Block)，每个卷积块包含两个完全相同的非对称卷积单元(Asymmetric Convolutional Unit)和一个步长为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。
另外，为缓解梯度消失问题，提高特征的利用效率，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长度为128维的特征向量。ScaleDense网络结构的卷积部分示意图如图4所示，ScaleDense网络结构即尺度紧密连接网络，包括第一卷积块、第二卷积块、第三卷积块、第四卷积块和第五卷积块；所述第一卷积块的输入为结构磁共振影像；所述第一卷积块的输出为第一影像特征；所述第二卷积块的输入为结构磁共振影像和所述第一影像特征；所述第二卷积块的输出为第二影像特征；所述第三卷积块的输入为结构磁共振影像、所述第一影像特征和所述第二影像特征；所述第三卷积块的输出为第三影像特征；所述第四卷积块的输入为结构磁共振影像、所述第一影像特征、所述第二影像特征和所述第三影像特征；所述第四卷积块的输出为第四影像特征；所述第五卷积块的输入为结构磁共振影像、所述第一影像特征、所述第二影像特征、所述第三影像特征和所述第四影像特征；所述第五卷积块的输出为第五影像特征。也就是说，尺度紧密连接网络的输出为第五影像特征。对于MBA Net中网络，如图5所示，输入为T1权重结构磁共振影像和性别标签两部分，影像特征经ScaleDense处理后，使用全局平均池化层（Global average pooling），将特征映射矢量化为一个长度为128维的特征向量，该128维的特征向量经过32维的第一全连接层后得到第二特征向量，而性别标签经过16维、8维两层全连接层后，与影像特征向量连接到一起，再经40维和16维的两层全连接层计算后输出预测大脑年龄。其中，第一全连接层为32维全连接层；第二全连接层包括16维全连接层和8维全连接层；第三全连接层包括40维全连接层和16维全连接层。
作为一个具体地实施方式，所述大脑年龄评估网络模型的训练过程包括：
获取健康人样本的无掩码T1权重结构磁共振影像和性别。
在所述健康人样本的无掩码T1权重结构磁共振影像中生成矩形掩码，得到健康人样本的配准的掩码T1权重结构磁共振影像。
将健康人样本的性别和无掩码T1权重结构磁共振影像输入卷积神经网络，得到无掩码大脑年龄。
将健康人样本的性别和配准的掩码T1权重结构磁共振影像输入卷积神经网络，得到掩码大脑年龄。
对所述掩码大脑年龄和所述无掩码大脑年龄，应用一致性损失函数，得到一致性损失均方误差。
计算所述掩码大脑年龄和对应的真实年龄的第一均方误差。
计算所述无掩码大脑年龄和对应的真实年龄的第二均方误差。
根据所述一致性损失均方误差、所述第一均方误差和所述第二均方误差，应用反向传播和梯度下降算法，对所述卷积神经网络进行训练，得到大脑年龄评估网络模型。
在实际应用中，构建原始输入图像，本发明使用公开数据集中的T1权重磁共振影像，选取其中的健康人样本。对原始输入图像进行预处理操作并利用预处理后的原始输入图像构建数据集，使用T1权重磁共振影像、性别和其真实年龄作为训练集，通过反向传播及梯度下降算法对MBA Net模型进行训练学习，选取预测精度高，泛化性能强的模型参数进行保存。
具体地，如图2所示，在MBA Net训练过程中，首先基于健康人数据集构建训练数据集。训练数据集由健康人原始影像和随机生成的掩码影像构成。随机生成的掩码影像是根据健康人原始T1影像，在图像中随机生成矩形掩码，矩形掩码的长宽高随机范围均为5-20个体素，矩形掩码个数随机范围为1-8个，得到样本级配对的掩码影像和无掩码影像。训练过程中，同时输入来自于一个样本的掩码影像和无掩码影像，通过基于掩码的脑血管病大脑年龄评估网络模型分析处理后将得到掩码-大脑年龄和无掩码-大脑年龄。这两个预测结果均会与实际年龄计算损失函数，并且本发明创新的引入了一致性损失函数（LossConstraint）来使模型对于掩码影像和无掩码影像的输出尽可能保持一致。
测试过程中，首先需要构建测试数据库。对于每个缺血性卒中患者，首先基于其DWI(diffusion-weighted imaging,扩散加权成像)影像，通过已训练好的nnUNet（no-new-Net）模型，对其缺血梗死病灶进行分割。然后通过FSL（FSL为一种工具包的名称，FMRIB（Functional Magnetic Resonance Imaging of the Brain）Software Library）的线性配准算法，将分割结构配准到该患者T1（T1-weighted，T1加权影像）影像相同的影像空间。再根据配准后的分割结果，生成分割结果的最小外接矩阵，作为其掩码，与其T1影像覆盖后，得到掩码影像。如图3所示，将待评估缺血性卒中患者的掩码影像，经基于掩码的脑血管病大脑年龄评估网络模型分析后，得到脑血管病大脑年龄。
进一步地，在本发明中，一致性损失被定义为同一个样本的掩码-大脑年龄ym与无掩码-大脑年龄yn之间的均方误差，其数学表达式为：
Figure SMS_2
。
其中，N为Batch Size（批尺寸）的大小；在本发明中，Batch Size定义为在深度学习过程中，每次输入模型的数据样本的数量。
同时，分别计算掩码-大脑年龄ym与无掩码大脑年龄yn与真实年龄之间y的均方误差，得到第一损失函数和第二损失函数，其数学表达式分别为：
Figure SMS_3
。
Figure SMS_4
。
其中，LOSS1为第一损失函数，LOSS2为第二损失函数，第一损失函数和第二损失函数是为了优化模型MBA Net，使其对每个样本的预测掩码大脑年龄年龄、无掩码大脑年龄均与真实年龄尽可能的接近，从而不断提高模型准确度；而一致性损失则是对第一损失函数和第二损失函数的一种补充，它的作用是为了让模型计算得到的掩码大脑年龄和无掩码大脑年龄尽可能接近。
作为一个具体地实施方式，所述评估方法还包括：
计算当前大脑年龄评估结果和所述待评估大脑年龄对象的真实年龄的差值，得到当前差值。
计算设定时间段内的多个大脑年龄评估结果和对应的所述待评估大脑年龄对象在所述设定时间段内的真实年龄的差值，得到多个历史差值。
根据所述历史差值和所述当前差值，计算所述当前差值的变化量。
当所述当前差值的变化量大于等于设定变化量阈值时，生成报警信息。根据报警信息，缺血性脑卒中患者应该及时关注自身的健康状况。
作为一个具体地实施方式，如图6所示，本发明提出的基于结构磁共振影像的脑血管病的大脑年龄预测方法通过掩码的方式处理T1权重结构磁共振影像中的缺血性脑卒中病灶，对缺血性脑卒中患者的大脑年龄进行预测，包括下述步骤：
第一步：构建原始输入图像。原始输入影像为T1结构磁共振影像和样本性别标签。
第二步：对原始输入图像进行预处理并利用预处理后的图像构建训练数据集；具体地，所述预处理操作包括图像线性配准和图像数据标准化。其中，图像数据标准化包括：计算经过头骨剥离后的大脑轮廓内体素的平均值和标准差，将大脑轮廓内体素进行高斯标准化。图像配准包括：将输入影像执行线性配准操作；由健康人原始影像和随机生成的掩码影像构成。随机生成的掩码影像是根据健康人原始T1影像，在图像中随机生成矩形掩码，矩形掩码的长宽高随机范围均为5-20个体素，矩形掩码个数随机范围为1-8个，最终得到样本级配对的掩码影像和无掩码影像。
第三步：构建基于掩码的脑血管病大脑年龄预测模型；基于掩码的脑血管病大脑年龄预测模型为MBA Net。
第四步：利用健康人的影像数据及其真实年龄，对MBA Net进行训练学习，选取预测精度高、泛化性能强的模型进行保存；具体地，利用健康人的影像数据、性别标签及其真实年龄，在均方差误差的基础上，使用本发明所提出的一致性损失函数，通过反向传播和梯度下降算法对MBA Net网络进行训练学习，选取预测精度高、泛化性能强的模型进行保存。
第五步：针对缺血性卒中患者进行缺血梗死灶分割，预处理得到待评估的掩码影像；具体地，对于待评估的缺血性卒中患者，使用训练好的nnUNet人工智能模型，对其DWI影像中的缺血梗死灶进行分割。得到的分割图像，需经过线性配准，配准到该样本的T1同样的影像空间，并生成最小外接矩阵作为掩码，覆盖其T1影像后得到待评估大脑年龄对象的掩码影像数据。
第六步：使用训练好的MBA Net可计算脑血管病大脑年龄，评估当前缺血性卒中患者的大脑偏离健康大脑衰老轨迹程度；具体地，根据训练完成的MBA Net网络，可计算脑血管病大脑年龄和真实年龄的差值，以此评估当前缺血性卒中患者的大脑偏离健康大脑衰老轨迹的程度。
本发明提供的基于掩码的大脑年龄评估方法具有下述优点：
1、本发明将配对的掩码影像和无掩码影像同时输入卷积神经网络模型，模型将同时分析两种影像，通过一致性损失使得模型对掩码影像和无掩码影像的输出保持一致，进行大脑年龄的输出。
2、本发明除了使用均方误差（MSE）作为损失函数以外，提出一致性损失函数，该损失用于优化大脑年龄评估网络模型，使得在健康人数据集（训练集）中，模型对掩码影像和无掩码影像的输出保持一致。
3、本发明针对缺血性卒中患者，通过对其缺血梗死灶部分生成掩码后，进行脑血管病大脑年龄的评估预测。
4、本发明提出了一种基于掩码的大脑年龄评估方式，通过掩码的方式，借助卷积网络强大的图像分析能力，对缺血性卒中患者的大脑年龄进行评估，得到一种新型的大脑年龄，即“脑血管病大脑年龄”。这种评估方式，可在一定程度上缓解缺血梗死灶对大脑年龄评估的影像，削减评估误差，更合理地评估样本偏离健康大脑衰老轨迹的程度。
5、本发明所提出的一致性损失函数，能在均方误差之外，限制模型对掩码影像和无掩码影像的输出保持一致，进一步提高模型预测精度。
此外，本发明提供的基于掩码的大脑年龄评估方法，基于结构磁共振影像的脑血管病大脑年龄深度学习预测系统，通过对结构磁共振影像中的病灶区域进行掩码的方式处理T1权重结构磁共振影像中的缺血性脑卒中病灶，建立卷积神经网络对掩码后的结构磁共振影像进行分析，从而得到一种新型的大脑年龄评估结果，称之为“脑血管病大脑年龄”。人工智能方法利用大脑结构磁共振影像建立一个大脑老化的预测模型，以此对老年人的年龄进行预测，由模型预测出的年龄称之为“大脑年龄”。大脑年龄可以表明当前大脑所处的老化阶段，甚至预测未来的相关疾病的风险。由健康老年人影像数据所建立的预测模型，实际上描述了一种正常的老年人大脑衰老轨迹，而利用大脑年龄与其真实年龄的差值，可以反映一个人偏离健康大脑老化轨迹的程度，反映了其大脑衰老的提前或延后程度。老年人大脑年龄与真实年龄差距越大，则其精神或身体出现问题的风险越高，也更容易早逝。在临床上，医生可使用这一指标，评估老年人的大脑衰老程度，并采取相应的干预措施。
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种基于掩码的大脑年龄评估系统，如图7所示，所述评估系统包括：
分割模块1，用于对待评估大脑年龄对象的扩散加权成像影像中的缺血梗死灶进行分割，得到分割图像。
配准模块2，用于对所述分割图像与所述待评估大脑年龄对象的T1权重结构磁共振影像应用线性配准，得到待评估大脑年龄对象的掩码影像。
评估模块3，用于将所述待评估大脑年龄对象的掩码影像和所述待评估大脑年龄对象的性别输入到大脑年龄评估网络模型，得到大脑年龄评估结果；其中，所述大脑年龄评估网络模型是通过以健康人样本的性别和结构磁共振影像为输入，以对应的真实年龄为输出对卷积神经网络进行训练得到的；所述结构磁共振影像包括无掩码T1权重结构磁共振影像和配准的掩码T1权重结构磁共振影像。
实施例三
本发明实施例提供一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行计算机程序以使电子设备执行实施例一的基于掩码的大脑年龄评估方法。
可选地，上述电子设备可以是服务器。
另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的基于掩码的大脑年龄评估方法。
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 (8)

1.一种基于掩码的大脑年龄评估方法，其特征在于，所述评估方法包括：
对待评估大脑年龄对象的扩散加权成像影像中的缺血梗死灶进行分割，得到分割图像；
对所述分割图像与所述待评估大脑年龄对象的T1权重结构磁共振影像应用线性配准，得到待评估大脑年龄对象的掩码影像；
将所述待评估大脑年龄对象的掩码影像和所述待评估大脑年龄对象的性别输入到大脑年龄评估网络模型，得到大脑年龄评估结果；其中，所述大脑年龄评估网络模型是通过以健康人样本的性别和结构磁共振影像为输入，以对应的真实年龄为输出对卷积神经网络进行训练得到的；所述结构磁共振影像包括无掩码T1权重结构磁共振影像和配准的掩码T1权重结构磁共振影像；
所述大脑年龄评估网络模型的训练过程包括：
获取所述健康人样本的无掩码T1权重结构磁共振影像和性别；
在所述健康人样本的无掩码T1权重结构磁共振影像中生成矩形掩码，得到健康人样本的配准的掩码T1权重结构磁共振影像；
将所述健康人样本的性别和无掩码T1权重结构磁共振影像输入卷积神经网络，得到无掩码大脑年龄；
将健康人样本的性别和配准的掩码T1权重结构磁共振影像输入卷积神经网络，得到掩码大脑年龄；
对所述掩码大脑年龄和所述无掩码大脑年龄，应用一致性损失函数，得到一致性损失均方误差；
计算所述掩码大脑年龄和对应的真实年龄的第一均方误差；
计算所述无掩码大脑年龄和对应的真实年龄的第二均方误差；
根据所述一致性损失均方误差、所述第一均方误差和所述第二均方误差，应用反向传播和梯度下降算法，对所述卷积神经网络进行训练，得到大脑年龄评估网络模型。
2.根据权利要求1所述的基于掩码的大脑年龄评估方法，其特征在于，所述对待评估大脑年龄对象的扩散加权成像影像中的缺血梗死灶进行分割，得到分割图像，具体包括：
将待评估大脑年龄对象的扩散加权成像输入nnUNet模型，得到分割图像。
3.根据权利要求1所述的基于掩码的大脑年龄评估方法，其特征在于，所述卷积神经网络包括第一卷积块、第二卷积块、第三卷积块、第四卷积块、第五卷积块、全局平均池化层、第一全连接层、第二全连接层和第三全连接层；所述第一卷积块的输入为结构磁共振影像；所述第一卷积块的输出为第一影像特征；所述第二卷积块的输入为结构磁共振影像和所述第一影像特征；所述第二卷积块的输出为第二影像特征；所述第三卷积块的输入为结构磁共振影像、所述第一影像特征和所述第二影像特征；所述第三卷积块的输出为第三影像特征；所述第四卷积块的输入为结构磁共振影像、所述第一影像特征、所述第二影像特征和所述第三影像特征；所述第四卷积块的输出为第四影像特征；所述第五卷积块的输入为结构磁共振影像、所述第一影像特征、所述第二影像特征、所述第三影像特征和所述第四影像特征；所述第五卷积块的输出为第五影像特征；所述全局平均池化层的输入为所述第五影像特征；所述全局平均池化层的输出为第一特征向量；所述第一全连接层的输入为第一特征向量；所述第一全连接层的输出为第二特征向量；所述第二全连接层的输入为性别；所述第二全连接层的输出为第三特征向量；所述第二特征向量和所述第三特征向量拼接后输入第三全连接层；所述第三全连接层的输出为大脑年龄评估结果。
4.根据权利要求3所述的基于掩码的大脑年龄评估方法，其特征在于，所述第一卷积块、所述第二卷积块、所述第三卷积块、所述第四卷积块和所述第五卷积块均包括多个非对称卷积单元和一个最大池化层；每个所述非对称卷积单元包括多个卷积层。
5.根据权利要求1所述的基于掩码的大脑年龄评估方法，其特征在于，所述评估方法还包括：
计算当前大脑年龄评估结果和所述待评估大脑年龄对象的真实年龄的差值，得到当前差值；
计算设定时间段内的多个大脑年龄评估结果和对应的所述待评估大脑年龄对象在所述设定时间段内的真实年龄的差值，得到多个历史差值；
根据所述历史差值和所述当前差值，计算所述当前差值的变化量；
当所述当前差值的变化量大于等于设定变化量阈值时，生成报警信息。
6.一种基于掩码的大脑年龄评估系统，其特征在于，所述评估系统包括：
分割模块，用于对待评估大脑年龄对象的扩散加权成像影像中的缺血梗死灶进行分割，得到分割图像；
配准模块，用于对所述分割图像与所述待评估大脑年龄对象的T1权重结构磁共振影像应用线性配准，得到待评估大脑年龄对象的掩码影像；
评估模块，用于将所述待评估大脑年龄对象的掩码影像和所述待评估大脑年龄对象的性别输入到大脑年龄评估网络模型，得到大脑年龄评估结果；其中，所述大脑年龄评估网络模型是通过以健康人样本的性别和结构磁共振影像为输入，以对应的真实年龄为输出对卷积神经网络进行训练得到的；所述结构磁共振影像包括无掩码T1权重结构磁共振影像和配准的掩码T1权重结构磁共振影像；
所述大脑年龄评估网络模型的训练过程包括：
获取所述健康人样本的无掩码T1权重结构磁共振影像和性别；
在所述健康人样本的无掩码T1权重结构磁共振影像中生成矩形掩码，得到健康人样本的配准的掩码T1权重结构磁共振影像；
将所述健康人样本的性别和无掩码T1权重结构磁共振影像输入卷积神经网络，得到无掩码大脑年龄；
将健康人样本的性别和配准的掩码T1权重结构磁共振影像输入卷积神经网络，得到掩码大脑年龄；
对所述掩码大脑年龄和所述无掩码大脑年龄，应用一致性损失函数，得到一致性损失均方误差；
计算所述掩码大脑年龄和对应的真实年龄的第一均方误差；
计算所述无掩码大脑年龄和对应的真实年龄的第二均方误差；
根据所述一致性损失均方误差、所述第一均方误差和所述第二均方误差，应用反向传播和梯度下降算法，对所述卷积神经网络进行训练，得到大脑年龄评估网络模型。
7.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至5中任一项所述的基于掩码的大脑年龄评估方法。
8.根据权利要求7所述的一种电子设备，其特征在于，所述存储器为可读存储介质。
CN202310473641.8A 2023-04-28 2023-04-28 一种基于掩码的大脑年龄评估方法、系统及电子设备 Active CN116205915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310473641.8A CN116205915B (zh) 2023-04-28 2023-04-28 一种基于掩码的大脑年龄评估方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310473641.8A CN116205915B (zh) 2023-04-28 2023-04-28 一种基于掩码的大脑年龄评估方法、系统及电子设备

Publications (2)

Publication Number Publication Date
CN116205915A CN116205915A (zh) 2023-06-02
CN116205915B true CN116205915B (zh) 2023-07-14

Family

ID=86509723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310473641.8A Active CN116205915B (zh) 2023-04-28 2023-04-28 一种基于掩码的大脑年龄评估方法、系统及电子设备

Country Status (1)

Country Link
CN (1) CN116205915B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437321B (zh) * 2023-12-20 2024-03-12 清华大学 磁共振自旋标记成像动脉穿行伪影自动评估方法与装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102144720B1 (ko) * 2020-03-31 2020-08-14 주식회사 휴런 기계 학습을 통해 분류된 나이그로좀 1 영역과 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단을 위한 정보제공 방법
CN112967780A (zh) * 2021-01-27 2021-06-15 安徽华米健康科技有限公司 基于pai的体能年龄预测方法、装置、设备和存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298813B (zh) * 2021-05-07 2022-11-25 中山大学 一种基于t1加权磁共振图像的脑结构分割系统
US20230072400A1 (en) * 2021-09-07 2023-03-09 Arizona Board Of Regents On Behalf Of Arizona State University SYSTEMS, METHODS, AND APPARATUSES FOR GENERATING PRE-TRAINED MODELS FOR nnU-Net THROUGH THE USE OF IMPROVED TRANSFER LEARNING TECHNIQUES
CN114187227B (zh) * 2021-09-13 2023-01-24 北京银河方圆科技有限公司 脑肿瘤累及区域的功能区确定方法及装置
CN114119519A (zh) * 2021-11-16 2022-03-01 高峰 一种侧支循环评估方法
CN115393269A (zh) * 2022-07-13 2022-11-25 中国科学院大学 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
CN115910379B (zh) * 2023-02-03 2023-06-02 慧影医疗科技(北京)股份有限公司 一种肾结石术后疗效评估方法、系统、设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102144720B1 (ko) * 2020-03-31 2020-08-14 주식회사 휴런 기계 학습을 통해 분류된 나이그로좀 1 영역과 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단을 위한 정보제공 방법
CN112967780A (zh) * 2021-01-27 2021-06-15 安徽华米健康科技有限公司 基于pai的体能年龄预测方法、装置、设备和存储介质

Also Published As

Publication number Publication date
CN116205915A (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
US10706333B2 (en) Medical image analysis method, medical image analysis system and storage medium
CN109659033B (zh) 一种基于循环神经网络的慢性疾病病情变化事件预测装置
CN110859624A (zh) 一种基于结构磁共振影像的大脑年龄深度学习预测系统
CN111738363B (zh) 基于改进的3d cnn网络的阿尔茨海默病分类方法
CN110838108A (zh) 基于医疗图像的预测模型构建方法、预测方法及装置
CN112037179B (zh) 一种脑疾病诊断模型的生成方法、系统及设备
CN111863247B (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
CN110930378B (zh) 基于低数据需求的肺气肿影像处理方法及系统
CN116205915B (zh) 一种基于掩码的大脑年龄评估方法、系统及电子设备
CN114298234B (zh) 脑部医学影像分类方法、装置、计算机设备和存储介质
US20220121902A1 (en) Method and apparatus for quality prediction
CN114742802B (zh) 基于3Dtransformer混合卷积神经网络的胰腺CT图像分割方法
CN110866909A (zh) 图像生成网络的训练方法、图像预测方法和计算机设备
CN114881968A (zh) 基于深度卷积神经网络的octa图像血管分割方法、设备及介质
CN113706442A (zh) 基于人工智能的医疗图像处理方法、装置及电子设备
CN115272295A (zh) 基于时域-空域联合状态的动态脑功能网络分析方法及系统
CN116579975A (zh) 一种卷积神经网络的脑龄预测方法及系统
CN115018863A (zh) 基于深度学习的图像分割方法及装置
CN114943721A (zh) 一种建立基于改进U-Net网络的颈部超声图像分割方法
CN111134677A (zh) 一种基于磁共振影像的卒中致残预测方法及系统
CN116168035B (zh) 一种脑熵的确定方法、系统、电子设备及存储介质
CN113456031A (zh) 一种脑状态预测模型的训练装置、预测装置及电子设备
CN112750110A (zh) 基于神经网络对肺部病灶区进行评估的评估系统和相关产品
CN117036793A (zh) 一种基于pet影像多尺度特征的脑龄评估方法及装置
CN116309640A (zh) 一种基于多层级多注意力MLMA-UNet网络的图像自动分割方法

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