CN116344058A - 一种基于图信号的阿尔兹海默风险标注方法及装置 - Google Patents

一种基于图信号的阿尔兹海默风险标注方法及装置 Download PDF

Info

Publication number
CN116344058A
CN116344058A CN202310615536.3A CN202310615536A CN116344058A CN 116344058 A CN116344058 A CN 116344058A CN 202310615536 A CN202310615536 A CN 202310615536A CN 116344058 A CN116344058 A CN 116344058A
Authority
CN
China
Prior art keywords
brain
node
risk
nodes
region
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
CN202310615536.3A
Other languages
English (en)
Other versions
CN116344058B (zh
Inventor
申慧
杨德富
乔松
朱闻韬
李文超
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202310615536.3A priority Critical patent/CN116344058B/zh
Publication of CN116344058A publication Critical patent/CN116344058A/zh
Application granted granted Critical
Publication of CN116344058B publication Critical patent/CN116344058B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • 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)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Human Computer Interaction (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Cardiology (AREA)
  • Multimedia (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本说明书公开了一种基于图信号的阿尔兹海默风险标注方法及装置，该方法可以通过患者的脑部影像/信号数据，确定患者各脑区中的神经退化性病理性蛋白浓度以及确定各脑区之间的连通程度；基于各脑区之间的连通程度构建脑节点连接网络图，综合脑节点连接网络图和各脑区中的神经退化性病理性蛋白浓度构建神经退化性病理性蛋白图信号；根据神经退化性病理性蛋白图信号，计算每个脑节点的传播通量，并基于传播通量对每个脑节点进行阿尔兹海默症的传播风险分析，将脑节点分为高风险传播脑节点、高风险被传播脑节点和低风险脑节点三类，以在脑部影像数据中标注出目标脑区，从而能够全面的确定出存在风险的脑区，更加合理地针对阿尔兹海默症进行分析。

Description

一种基于图信号的阿尔兹海默风险标注方法及装置
技术领域
本说明书涉及医学影像技术领域，尤其涉及一种基于图信号的阿尔兹海默风险标注方法及装置。
背景技术
阿尔茨海默症（Alzheimer's disease，AD）是痴呆症的主要类型。AD已成为继心脑血管病之后危害老年人的主要疾病之一，造成严重的医学问题，带来沉重的社会负担。目前，AD的发病机制尚不明确，深入研究AD的发病机制及干预策略迫在眉睫。
随着神经影像学的快速发展和对大脑认知的深入研究，通常将人脑描述为一个由不同具有特定功能的模块组成的分层组织网络。可以将大脑根据功能和解剖结构将其划分成多个脑区，识别导致阿尔兹海默症的关键脑区，对揭示阿尔兹海默症的发病机制、演化模式以及开发潜在的诊断生物标志物或治疗干预靶点是一种重要而有前途的方法。
神经退化性病理性蛋白会产生神经毒素，从而导致脑神经连接的减少，以及脑皮层的萎缩等神经退化性表现。以往的研究通常关注于神经退化性病理性蛋白浓度高的脑区，但是研究发现神经退化性病理性蛋白是按照脑神经通路在不同脑区之间进行传播。然而，脑网络的拓扑结构具有小世界的属性，存在少量的重要的中枢脑区对神经病理性蛋白的有加速传播的作用。因此，不仅神经退化性病理性蛋白浓度高的脑区具有高风险性，而且传播活跃的脑区具有更高的风险性。因此在本申请中针对传播活跃提出了一种评估指标——传播通量。并基于传播通量对每个脑节点进行阿尔兹海默症的传播风险分析，将脑节点分为高风险传播脑节点、高风险被传播脑节点和低风险脑节点三类，在脑部影像数据中标注出目标脑区，从而能够全面的确定出存在风险的脑区，更加合理地针对阿尔兹海默症进行分析。
发明内容
本说明书提供一种基于图信号的阿尔兹海默风险标注方法及装置，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种基于图信号的阿尔兹海默风险标注方法，包括：
获取患者的脑部影像/信号数据；
对所述脑部影像/信号数据进行分析，以得到所述患者各脑区中的神经退化性病理性蛋白浓度以及确定所述各脑区之间的连通程度；
根据所述各脑区之间的连通程度构建脑节点连接网络图，综合脑节点连接网络图和各脑区中的神经退化性病理性蛋白浓度信息构建神经退化性病理性蛋白图信号；
根据神经退化性病理性蛋白图信号，计算每个脑节点的传播通量，并基于传播通量对每个脑节点进行阿尔兹海默症的传播风险分析，将脑节点分为高风险传播脑节点、高风险被传播脑节点和低风险脑节点三类，在脑部影像数据中标注出目标脑区。
可选地，对所述脑部影像/信号数据进行分析，以得到所述患者各脑区中的神经退化性病理性蛋白浓度，具体包括：
根据预设的蛋白标记物以及基于正电子发射型计算机断层显像PET分子成像技术得到的脑部影像/信号数据，以识别出所述患者各脑区中的神经退化性病理性蛋白浓度。
可选地，所述神经退化性病理性蛋白包括β-淀粉样蛋白或Tau蛋白。
可选地，根据所述各脑区之间的连通程度，构建脑节点连接网络图，具体包括：
针对每个脑区，构建该脑区对应的脑节点
Figure SMS_1
；
确定该脑区与其他脑区之间的连通程度，将该脑区与所述其他脑区之间的连通程度作为该脑区对应的脑节点
Figure SMS_2
与所述其他脑区对应的脑节点/>
Figure SMS_3
之间的边权重
Figure SMS_4
，以得到所述脑节点连接网络图。
可选地，确定所述各脑区之间的连通程度，具体包括：
针对每个脑区，基于弥散张量成像DTI技术，确定该脑区与其他脑区之间连接的神经纤维量；根据所述神经纤维量，确定该脑区与其他脑区之间的连通程度。
可选地，确定所述各脑区之间的连通程度，具体包括：
针对每个脑区，基于功能性磁共振成像FMRI技术，确定该脑区与其他脑区之间FMRI信号的相关度；根据所述相关度，确定该脑区与其他脑区之间的连通程度。
可选地，根据神经退化性病理性蛋白图信号，计算每个脑节点的传播通量，并基于传播通量对每个脑节点进行阿尔兹海默症的传播风险分析，将脑节点分为高风险传播脑节点、高风险被传播脑节点和低风险脑节点三类，具体包括：
针对所述神经退化性病理性蛋白图信号中的每个脑节点
Figure SMS_5
，确定该脑节点的邻域脑节点集合/>
Figure SMS_6
，其中，/>
Figure SMS_7
为脑节点/>
Figure SMS_8
与脑节点/>
Figure SMS_9
之间的边权重；
计算每个脑节点
Figure SMS_18
的传播通量
Figure SMS_12
；并基于传播通量对每个脑节点
Figure SMS_20
进行阿尔兹海默症的传播风险分析：若计算得到脑节点/>
Figure SMS_16
的传播通量/>
Figure SMS_24
＞0且/>
Figure SMS_17
数值为传播通量/>
Figure SMS_25
＞0的脑节点中前top-k个,则该脑节点/>
Figure SMS_14
为高风险传播脑节点；若传播通量/>
Figure SMS_21
＜0且/>
Figure SMS_10
数值为传播通量/>
Figure SMS_19
＜0的脑节点中前top-k个,则该脑节点/>
Figure SMS_13
为高风险被传播脑节点；若传播通量/>
Figure SMS_23
＞=0且/>
Figure SMS_15
数值为传播通量/>
Figure SMS_22
＞=0的脑节点中后top-k个，则该脑节点/>
Figure SMS_11
为低风险脑节点。
本说明书提供一种基于图信号的阿尔兹海默风险标注装置，包括：
获取模块，用于获取患者的脑部影像/信号数据；
识别模块，用于对所述脑部影像/信号数据进行分析，以获取所述患者各脑区中的神经退化性病理性蛋白浓度；
图模块，用于根据所述各脑区之间的连通性构建脑节点连接网络图，综合脑节点连接网络图和各脑区中的神经退化性病理性蛋白浓度信息构建神经退化性病理性蛋白图信号；
标注模块，用于根据神经退化性病理性蛋白图信号，计算每个脑节点的传播通量，并基于传播通量对每个脑节点进行阿尔兹海默症的传播风险分析，将脑节点分为高风险传播脑节点、高风险被传播脑节点和低风险脑节点三类，在脑部影像数据中标注出目标脑区。
可选地，所述识别模块具体用于，根据预设的蛋白标记物以及基于正电子发射型计算机断层显像PET分子成像技术得到的脑部影像/信号数据，以识别出所述患者各脑区中的神经退化性病理性蛋白浓度。
可选地，所述神经退化性病理性蛋白包括β-淀粉样蛋白和/或Tau蛋白。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于图信号的阿尔兹海默风险标注方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于图信号的阿尔兹海默风险标注方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
从上述基于图信号的阿尔兹海默风险标注方法中可以看出，可以获取患者的脑部影像/信号数据，并对脑部影像/信号数据进行分析，以得到患者各脑区中的神经退化性病理性蛋白浓度，而后，根据各脑区之间的连通程度构建脑节点连接网络图，综合脑节点连接网络图和各脑区中的神经退化性病理性蛋白浓度信息构建神经退化性病理性蛋白图信号，进而，根据神经退化性病理性蛋白图信号，计算每个脑节点的传播通量，并基于传播通量对每个脑节点进行阿尔兹海默症的传播风险分析，将脑节点分为高风险传播脑节点、高风险被传播脑节点和低风险脑节点三类，在脑部影像数据中标注出目标脑区。
从上述内容中可以看出，本说明书提供的基于图信号的阿尔兹海默风险标注方法可以，可以构建出用于表示各脑区之间的连通性的脑节点连接网络图，并结合脑节点连接网络图和各脑区对应的神经退化性病理性蛋白浓度结合得到病理性蛋白图信号，从而确定出脑区的传播通量，若脑区之间的病理性蛋白浓度差异大，并且脑区之间存在连通性，则有可能会造成脑区之间的病理性蛋白传播，因此，可以确定出脑区的传播通量，并基于该传播通量标注出目标脑区展示给医生或研究人员，从而医生或研究人员可以通过目标脑区，分析阿尔兹海默症的发展情况，以及进行阿尔兹海默症的预防或治疗等。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书提供的一种基于图信号的阿尔兹海默风险标注方法的流程示意图；
图2为本说明书提供的一种Tau蛋白图信号的示意图；
图3为本说明书提供的一种
Figure SMS_26
-淀粉样蛋白图信号的示意图；
图4为本说明书提供的一基于图信号的阿尔兹海默风险标注装置示意图；
图5为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种基于图信号的阿尔兹海默风险标注方法的流程示意图，具体包括以下步骤：
S100：获取患者的脑部影像/信号数据。
S102：对所述脑部影像/信号数据进行分析，以得到所述患者各脑区中的神经退化性病理性蛋白浓度以及确定所述各脑区之间的连通程度。
在实际应用中，对阿尔兹海默症患者的治疗，可以采取多种医学影像技术。
在本方法中，首先，设备可以通过医学影像技术，识别出患者各脑区中的神经退化性病理性蛋白浓度。这里提到的神经退化性病理性蛋白可以是指包括β-淀粉样蛋白或Tau蛋白，这里提到的设备可以存在多种、涉及医疗的电子设备、服务器等，不对具体的设备类型进行限定。
具体的，可以获取患者的脑部影像/信号数据，进行分析得到所述患者各脑区中的神经退化性病理性蛋白浓度。
其中，可以根据预设的蛋白标记物以及基于正电子发射型计算机断层显像（Positron Emission Computed Tomography，PET）分子成像技术得到的脑部影像数据/信号数据，识别出患者各脑区中的神经退化性病理性蛋白浓度。
也就是说，可以通过蛋白标记物，将大脑中的神经退化性病理性蛋白进行标记（如注射蛋白标记物），而后，检测通过PET分子成像技术得到的脑部影像数据/信号数据确定各脑区中的神经退化性病理性蛋白浓度。
需要说明的是，可以通过结构磁共振成像（sMRI）的分割模板信息，将大脑分为90个脑区。而后，可以确定出各脑区中的神经退化性病理性蛋白浓度。
需要说明的是，由于神经退化性病理性蛋白可以为β-淀粉样蛋白或者Tau蛋白，则可以分别得到β-淀粉样蛋白在各脑区中的浓度：
Figure SMS_27
，或者得到Tau蛋白在各脑区中的浓度/>
Figure SMS_28
。
还可以确定出各脑区之间的连通程度，以在后续通过各脑区之间的连通程度，构建出脑节点连接网络图。
各脑区之间的连通程度可以根据弥散张量成像技术或者功能性磁共振成像技术来确定。
S104：根据所述各脑区之间的连通程度构建脑节点连接网络图，综合脑节点连接网络图和各脑区中的神经退化性病理性蛋白浓度信息构建神经退化性病理性蛋白图信号。
而后，可以根据各脑区之间的连通程度，构建脑节点连接网络图，脑节点连接网络图中的每个脑节点用于抽象表示一个脑区，脑节点之间的边用于表示各脑区之间的连通程度。上述提到的连通程度可以是指脑区之间的物理连通程度或是指脑区之间功能上表示出的连通程度。可以看出，上述脑节点连接网络图可以表示出各脑区之间的连通关系。
具体构建该脑节点连接网络图，可以针对每个脑区，构建该脑区对应的脑节点；进而将该脑区与该其他脑区之间的连通程度作为该脑区对应的脑节点与该其他脑区对应的脑节点之间的边权重，以构建出该脑区与其他脑区分别对应的脑节点之间的边。以得到脑节点连接网络图。上述提到的脑节点可以理解为脑图谱中的节点。
也就是说，在构建上述脑节点连接网络图时，可以建立脑区与其他脑区对应的脑节点之间连接的边，而当脑区之间连通程度越高时，相应的，脑节点之间边对应的权重可以越高。当然，若是该脑区与其他脑区之间不具备连通性（即，连通程度为0，例如，脑区之间不存在神经纤维），也可以不构建该脑区与其他脑区之间的边。
需要说明的是，构建该脑节点连接网络图，可以基于两种技术来构建，分别可以是：基于弥散张量成像（Diffusion Tensor Imaging，DTI）技术以及基于功能性磁共振成像（Functional Magnetic Resonance Imaging，FMRI）技术。其中，基于DTI技术构建出的脑节点连接网络图可以表示各脑区之间通过神经纤维连接的物理连通性，而基于FMRI技术构建出的脑节点连接网络图可以表示各脑区之间的功能上表示出的连通性。
基于此，可以基于DTI技术，针对每个脑区，确定该脑区与其他脑区之间连接的神经纤维量；根据神经纤维量，确定该脑区与其他脑区之间的连通程度。
还可以基于功能性磁共振成像FMRI技术，针对每个脑区，确定该脑区与所述其他脑区之间FMRI信号的相关度（如皮尔森相关系数）；根据相关度，确定该脑区与其他脑区之间的连通程度。
下面分别针对两种方法举例说明，假定有90个脑区，则可以观察各脑区 (脑节点)
Figure SMS_29
之间是否有神经纤维连接，若脑节点(/>
Figure SMS_30
,/>
Figure SMS_31
)之间有神经纤维连接,则可以将脑节点连接网络图相应的边设置为/>
Figure SMS_32
，即，边权重/>
Figure SMS_33
可以根据神经纤维状态设置，范围可以为[0,1]。
比如若神经纤维状态为“密集连接”，则边权重可以设置为0.8。若神经纤维状态为稀疏连接，则边权重可以设置为0.4；若无连接，则边权重可以设置为0；类似地，若基于fMRI技术构建脑节点连接网络图，则脑节点(
Figure SMS_34
,/>
Figure SMS_35
)的相应的边权重/>
Figure SMS_36
可以为两个脑节点(/>
Figure SMS_37
,/>
Figure SMS_38
)对应脑区的fMRI信号的皮尔森相关系数（Pearson product-momentcorrelation coefficient，PCCs）。若确定出的/>
Figure SMS_39
, 则可以令/>
Figure SMS_40
。
确定出患者各脑区中的神经退化性病理性蛋白浓度后，可以根据各脑区之间的连通性构建脑节点连接网络图，并结合脑节点连接网络图和各脑区中的神经退化性病理性蛋白浓度信息构建神经退化性病理性蛋白图信号。
S106：根据神经退化性病理性蛋白图信号，计算每个脑节点的传播通量，并基于传播通量对每个脑节点进行阿尔兹海默症的传播风险分析，将脑节点分为高风险传播脑节点、高风险被传播脑节点和低风险脑节点三类，在脑部影像数据中标注出目标脑区。
上述提到的神经退化性病理性蛋白图信号可以是指将确定出的各脑区的神经退化性病理性蛋白浓度结合到脑节点连接网络图中，所产生的能够表示出各脑区神经退化性病理性蛋白浓度情况以及各脑区之间连通情况的拓扑图，该神经退化性病理性蛋白图信号与脑节点连接网络图之间的脑节点是一一对应的，神经退化性病理性蛋白信号图中每个脑节点对应一个脑区。
可以理解为，该神经退化性病理性蛋白图信号（Graph Signal）的结构来自上述脑节点连接网络图，但该神经退化性病理性蛋白图信号与脑节点连接网络图的区别在于，神经退化性病理性蛋白图信号的每个脑节点携带有表示该脑节点对应脑区的神经退化性病理性蛋白浓度的信号。
而后，可以根据神经退化性病理性蛋白图信号，计算每个脑节点的传播通量，并基于传播通量对每个脑节点进行阿尔兹海默症的传播风险分析，可以将脑节点分为高风险传播脑节点、高风险被传播脑节点和低风险脑节点三类，在脑部影像数据中标注出目标脑区，从而能够全面的确定出存在风险的脑区，更加合理地针对阿尔兹海默症进行分析。这里提到的目标脑区可以是指高风险传播脑节点所对应的脑区，也可以是指高风险传播脑节点、高风险被传播脑节点和低风险脑节点分别对应的脑区。
具体计算传播通量的公式可以如下所示：
Figure SMS_41
其中，上述公式中的
Figure SMS_42
表示神经退化性病理性蛋白图信号中脑节点i对应的传播通量，/>
Figure SMS_43
表示脑节点i的邻接脑节点（即，与脑节点i之间存在边的脑节点）集合，因此，上述公式中的/>
Figure SMS_44
为与脑节点i相连接的第j个脑节点，/>
Figure SMS_45
为脑节点i与该第j个脑节点之间的边权重，/>
Figure SMS_46
为脑节点i的神经退化性病理性蛋白浓度，/>
Figure SMS_47
为该第j个脑节点的神经退化性病理性蛋白浓度。
其中，若计算得到脑节点
Figure SMS_48
的传播通量/>
Figure SMS_49
＞0且/>
Figure SMS_50
数值为传播通量/>
Figure SMS_51
＞0的脑节点中前top-k个（即，传播通量为正数且较大）,则该脑节点/>
Figure SMS_52
可以为高风险传播脑节点。
若脑节点
Figure SMS_53
的传播通量/>
Figure SMS_54
＜0且/>
Figure SMS_55
数值为传播通量/>
Figure SMS_56
＜0的脑节点中前top-k个（即，传播通量为负数且绝对值较大）,则该脑节点/>
Figure SMS_57
为高风险被传播脑节点。
若脑节点
Figure SMS_58
的传播通量/>
Figure SMS_59
＞=0且/>
Figure SMS_60
数值为传播通量/>
Figure SMS_61
＞=0的脑节点中后top-k个（即，传播通量为正数则较小），则该脑节点/>
Figure SMS_62
为低风险脑节点。
基于上述β-淀粉样蛋白或者Tau蛋白，可以通过分析得到相应的神经退化性病理性蛋白图图信号：β-淀粉样蛋白的图信号
Figure SMS_63
，图中每个脑节点对应有β-淀粉样蛋白的浓度/>
Figure SMS_64
；或者Tau蛋白的图信号/>
Figure SMS_65
，图中每个脑节点对应有Tau蛋白的浓度
Figure SMS_66
。
可以分别计算出脑节点
Figure SMS_67
的Tau蛋白传播通量/>
Figure SMS_68
或者β-淀粉样蛋白传播通量
Figure SMS_69
，如以下公式所示。
Figure SMS_70
（式1）
Figure SMS_71
（式2）
对脑节点
Figure SMS_72
进行分析，若/>
Figure SMS_73
＞0, 则神经变性容易从该脑节点向其他与其相连接的脑节点扩散。若此脑节点为连接不同功能模块的枢纽点时，神经变性的扩散则会更具有危险性，可能会快速影响其他功能模块。若/>
Figure SMS_74
较大，则该脑节点向外传播神经退化性病理性蛋白的风险较大。
若
Figure SMS_75
＜0, 则说明其他脑节点的神经退化性病理性蛋白容易向脑节点/>
Figure SMS_76
进行传播，则脑节点/>
Figure SMS_77
的神经变性程度容易快速加重，若此脑节点所在脑区担负着重要的功能，则容易出现严重的功能障碍。若/>
Figure SMS_78
较大，则该脑节点被传播神经退化性病理性蛋白的风险较大。
若
Figure SMS_79
=0，则该脑节点的神经退化性病理性蛋白发展传播较稳定。
类似地，对脑节点
Figure SMS_80
基于/>
Figure SMS_81
-淀粉样蛋白的累积情况进行分析，若/>
Figure SMS_82
＞0, 则神经变性容易从该脑节点向其他与其相连接的脑节点扩散。若此脑节点为连接不同功能模块的枢纽点时，神经变性的扩散则会更具有危险性，可能会快速影响其他功能模块。
若
Figure SMS_83
＜0, 则说明其他脑节点的神经退化性病理性蛋白容易向脑节点/>
Figure SMS_84
进行传播，脑节点/>
Figure SMS_85
的神经变性程度容易快速加重，若此脑节点所在脑区担负着重要的功能，则容易出现严重的功能障碍。
若
Figure SMS_86
=0，则该脑节点的神经退化性病理性蛋白发展传播较稳定。
一个脑区对应的传播通量可以由上述两种传播通量结合而成，如下公式所示：
Figure SMS_87
|（式3）
其中，权重
Figure SMS_88
可以人为进行设定，也可以通过机器学习模型学习得到。
下面以一个示例的形式，来说明确定脑区的传播通量的方法。
每个图中均可以包括全部脑区的脑节点，即，可以存在有90个脑节点。在这里只显示90个脑节点中8个脑节点。首先分析Tau蛋白图信号：
Figure SMS_89
，实例可以如图2所示。
图2为本说明书提供的一种Tau蛋白图信号的示意图。
对于图2每个脑节点
Figure SMS_90
及与其有连接关系的邻域
Figure SMS_91
，基于式（1）设计和计算脑节点/>
Figure SMS_92
的Tau蛋白传播通量/>
Figure SMS_93
。这里对脑节点/>
Figure SMS_94
和/>
Figure SMS_95
进行分析。
同时基于公式（1）可以计算
Figure SMS_96
和/>
Figure SMS_97
如下：
Figure SMS_98
其中
Figure SMS_99
, 则脑节点1有神经变性（因Tau蛋白沉积造成的）扩散风险，因脑节点1与脑节点2,4,5有连接，则若脑节点1的神经变性程度高的话，神经变性容易向脑节点2,4,5扩散。
Figure SMS_100
其中
Figure SMS_101
, 则脑节点5有神经变性（因Tau蛋白沉积造成的）被扩散风险，要多注意对脑节点5的功能保护，及时阻断传播。
Figure SMS_102
其中
Figure SMS_103
，因此脑节点8的由Tau蛋白沉积造成的神经变性情况较稳定。
同样的，计算其他脑节点的Tau蛋白传播通量，得到
Figure SMS_104
，
Figure SMS_105
，/>
Figure SMS_106
，/>
Figure SMS_107
，/>
Figure SMS_108
，/>
Figure SMS_109
。脑节点2和脑节点4有神经变性被扩散风险，其他脑节点稳定。
类似地，分析
Figure SMS_110
-淀粉样蛋白（/>
Figure SMS_111
）图信号，有实例如图3所示。
图3为本说明书提供的一种
Figure SMS_112
-淀粉样蛋白图信号的示意图。
对于
Figure SMS_119
-淀粉样蛋白（/>
Figure SMS_115
）图信号中每个脑节点/>
Figure SMS_124
及与其有连接的邻域/>
Figure SMS_118
，基于式（2）设计和计算每个脑节点/>
Figure SMS_128
的/>
Figure SMS_120
-淀粉样蛋白传播通量/>
Figure SMS_130
。可以得到/>
Figure SMS_122
，/>
Figure SMS_131
，/>
Figure SMS_113
，/>
Figure SMS_123
，
Figure SMS_116
，/>
Figure SMS_127
0.12，/>
Figure SMS_117
，/>
Figure SMS_125
。根据结果分析，脑节点1，6，7，8有神经变性（因/>
Figure SMS_114
-淀粉样蛋白（/>
Figure SMS_126
）沉积造成的）扩散风险，脑节点5有神经变性（因/>
Figure SMS_121
-淀粉样蛋白（/>
Figure SMS_129
）蛋白沉积造成的）被扩散风险，要多注意对脑节点5的功能保护，及时阻断传播。
进一步地，基于式（3）的定义，将两种病理性蛋白造成的神经变性扩散危险因素综合起来，计算每个脑节点
Figure SMS_132
的综合的传播通量/>
Figure SMS_133
。其中，/>
Figure SMS_134
为权重因子，可以通过自适应学习得到或者根据经验设置，这里假定/>
Figure SMS_135
。计算所有脑节点的综合的传播通量为：
Figure SMS_136
Figure SMS_137
Figure SMS_138
Figure SMS_139
Figure SMS_140
Figure SMS_141
Figure SMS_142
Figure SMS_143
对所有脑节点
Figure SMS_146
的/>
Figure SMS_148
进行计算并按照降序排序，选择传播通量
Figure SMS_150
大的TOP-K个脑节点作为：阿尔兹海默症高传播风险脑节点，该脑节点对应的脑区为目标脑区，在这里若取K=1，则高风险传播脑节点为/>
Figure SMS_145
，若取K=2，则高风险传播脑节点为/>
Figure SMS_147
和/>
Figure SMS_149
。脑节点/>
Figure SMS_151
的传播风险高于脑节点/>
Figure SMS_144
。
确定出目标脑区后，需要对目标脑区进行分析，比如计算不同程度AD患者的该脑区的特征（局部特征等）进行分析，局部特征可包括：局部效率、全局效率、聚类系数等，可观察该脑区的特征变化，分析其特点，发掘AD的发病机制，并制定相应地预防和阻断措施。
从上述内容可以看出，基于图信号的阿尔兹海默风险标注方法可以，构建出用于表示各脑区之间的连通性的脑节点连接网络图，并根据脑节点连接网络图和各脑区对应的神经退化性病理性蛋白浓度结合得到神经退化性病理性蛋白信号图，从而确定出脑区的传播通量，若脑区之间的病理性蛋白浓度差异大，并且脑区之间存在连通性，则有可能会造成脑区之间的病理性蛋白传播，因此，可以确定出脑区的传播通量，并基于该传播通量标注出目标脑区展示给医生或研究人员，从而医生或研究人员可以通过目标脑区，分析阿尔兹海默症的发展情况，以及进行阿尔兹海默症的预防或治疗等。
图4为本说明书提供的一种基于图信号的阿尔兹海默风险标注装置示意图，包括：
获取模块401，用于获取患者的脑部影像/信号数据；
识别模块402，用于对所述脑部影像/信号数据进行分析，以得到所述患者各脑区中的神经退化性病理性蛋白浓度以及确定所述各脑区之间的连通程度；
图模块403，用于根据所述各脑区之间的连通程度构建脑节点连接网络图，综合脑节点连接网络图和各脑区中的神经退化性病理性蛋白浓度信息构建神经退化性病理性蛋白图信号；
标注模块404，用于根据神经退化性病理性蛋白图信号，计算每个脑节点的传播通量，并基于传播通量对每个脑节点进行阿尔兹海默症的传播风险分析，将脑节点分为高风险传播脑节点、高风险被传播脑节点和低风险脑节点三类，在脑部影像数据中标注出目标脑区。
可选地，所述识别模块402具体用于，根据预设的蛋白标记物以及基于正电子发射型计算机断层显像PET分子成像技术得到的脑部影像/信号数据，以识别出所述患者各脑区中的神经退化性病理性蛋白浓度。
可选地，所述神经退化性病理性蛋白包括β-淀粉样蛋白和/或Tau蛋白。
可选地，所述图模块403具体用于，针对每个脑区，构建该脑区对应的脑节点
Figure SMS_152
；将该脑区与所述其他脑区之间的连通程度作为该脑区对应的脑节点/>
Figure SMS_153
与所述其他脑区对应的脑节点/>
Figure SMS_154
之间的边权重/>
Figure SMS_155
。以得到所述脑节点连接网络图。
可选地，所述识别模块402具体用于，基于弥散张量成像DTI技术，确定该脑区与所述其他脑区之间连接的神经纤维量；根据所述神经纤维量，确定该脑区与所述其他脑区之间的连通程度。
可选地，所述识别模块402具体用于，基于功能性磁共振成像FMRI技术，确定该脑区与所述其他脑区之间FMRI信号的相关度；根据所述相关度，确定该脑区与所述其他脑区之间的连通程度。
可选地，所述标注模块404具体用于，针对所述神经退化性病理性蛋白图信号中的每个脑节点
Figure SMS_165
，确定该脑节点的邻域脑节点集合/>
Figure SMS_161
，其中，
Figure SMS_174
为脑节点/>
Figure SMS_158
与脑节点/>
Figure SMS_172
之间的边权重；计算每个脑节点/>
Figure SMS_160
的传播通量
Figure SMS_170
；并基于传播通量对每个脑节点/>
Figure SMS_164
进行阿尔兹海默症的传播风险分析：若计算得到脑节点/>
Figure SMS_176
的传播通量/>
Figure SMS_156
＞0且/>
Figure SMS_167
数值为传播通量/>
Figure SMS_159
＞0的脑节点中前top-k个,则该脑节点/>
Figure SMS_168
为高风险传播脑节点；若传播通量/>
Figure SMS_166
＜0且/>
Figure SMS_175
数值为传播通量/>
Figure SMS_162
＜0的脑节点中前top-k个,则该脑节点/>
Figure SMS_171
为高风险被传播脑节点；若传播通量/>
Figure SMS_163
＞=0且/>
Figure SMS_173
数值为传播通量/>
Figure SMS_157
＞=0的脑节点中后top-k个，则该脑节点/>
Figure SMS_169
为低风险脑节点。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述基于图信号的阿尔兹海默风险标注方法。
本说明书还提供了图5所示的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述基于图信号的阿尔兹海默风险标注方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书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，本说明书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。
本说明书是参照根据本说明书实施例的方法、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书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，本说明书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。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (12)

1.一种基于图信号的阿尔兹海默风险标注方法，其特征在于，包括：
获取患者的脑部影像/信号数据；
对所述脑部影像/信号数据进行分析，以得到所述患者各脑区中的神经退化性病理性蛋白浓度以及确定所述各脑区之间的连通程度；
根据所述各脑区之间的连通程度构建脑节点连接网络图，综合脑节点连接网络图和各脑区中的神经退化性病理性蛋白浓度信息构建神经退化性病理性蛋白图信号；
根据神经退化性病理性蛋白图信号，计算每个脑节点的传播通量，并基于传播通量对每个脑节点进行阿尔兹海默症的传播风险分析，将脑节点分为高风险传播脑节点、高风险被传播脑节点和低风险脑节点三类，在脑部影像数据中标注出目标脑区。
2.如权利要求1所述的方法，其特征在于，对所述脑部影像/信号数据进行分析，以得到所述患者各脑区中的神经退化性病理性蛋白浓度，具体包括：
根据预设的蛋白标记物以及基于正电子发射型计算机断层显像PET分子成像技术得到的脑部影像/信号数据，以识别出所述患者各脑区中的神经退化性病理性蛋白浓度。
3.如权利要求1所述的方法，其特征在于，所述神经退化性病理性蛋白包括β-淀粉样蛋白或Tau蛋白。
4.如权利要求1所述的方法，其特征在于，根据所述各脑区之间的连通程度构建脑节点连接网络图，具体包括：
针对每个脑区，构建该脑区对应的脑节点
Figure QLYQS_1
；
将该脑区与其他脑区之间的连通程度作为该脑区对应的脑节点
Figure QLYQS_2
与所述其他脑区对应的脑节点 />
Figure QLYQS_3
之间的边权重 />
Figure QLYQS_4
，以得到所述脑节点连接网络图。
5.如权利要求1所述的方法，其特征在于，确定所述各脑区之间的连通程度，具体包括：
针对每个脑区，基于弥散张量成像DTI技术，确定该脑区与其他脑区之间连接的神经纤维量；
根据所述神经纤维量，确定该脑区与其他脑区之间的连通程度。
6.如权利要求1所述的方法，其特征在于，确定所述各脑区之间的连通程度，具体包括：
针对每个脑区，基于功能性磁共振成像FMRI技术，确定该脑区与其他脑区之间FMRI信号的相关度；
根据所述相关度，确定该脑区与其他脑区之间的连通程度。
7.如权利要求4所述的方法，其特征在于，根据神经退化性病理性蛋白图信号，计算每个脑节点的传播通量，并基于传播通量对每个脑节点进行阿尔兹海默症的传播风险分析，将脑节点分为高风险传播脑节点、高风险被传播脑节点和低风险脑节点三类，具体包括：
针对所述神经退化性病理性蛋白图信号中的每个脑节点
Figure QLYQS_5
，确定该脑节点的邻域脑节点集合 />
Figure QLYQS_6
，其中， />
Figure QLYQS_7
为脑节点 />
Figure QLYQS_8
与脑节点 />
Figure QLYQS_9
之间的边权重；
计算每个脑节点
Figure QLYQS_17
的传播通量 />
Figure QLYQS_12
；并基于传播通量对每个脑节点 />
Figure QLYQS_23
进行阿尔兹海默症的传播风险分析：若计算得到脑节点
Figure QLYQS_13
的传播通量 />
Figure QLYQS_24
＞0且 />
Figure QLYQS_18
数值为传播通量 />
Figure QLYQS_25
＞0的脑节点中前top-k个,则该脑节点 />
Figure QLYQS_14
为高风险传播脑节点；若传播通量 />
Figure QLYQS_19
＜0且 />
Figure QLYQS_10
数值为传播通量 />
Figure QLYQS_20
＜0的脑节点中前top-k个,则该脑节点 />
Figure QLYQS_11
为高风险被传播脑节点；若传播通量 />
Figure QLYQS_21
＞=0且
Figure QLYQS_15
数值为传播通量 />
Figure QLYQS_22
＞=0的脑节点中后top-k个，则该脑节点 />
Figure QLYQS_16
为低风险脑节点。
8.一种基于图信号的阿尔兹海默风险标注装置，其特征在于，包括：
获取模块，用于获取患者的脑部影像/信号数据；
识别模块，用于对所述脑部影像/信号数据进行分析，以获取所述患者各脑区中的神经退化性病理性蛋白浓度以及确定所述各脑区之间的连通程度；
图模块，用于根据所述各脑区之间的连通程度构建脑节点连接网络图，综合脑节点连接网络图和各脑区中的神经退化性病理性蛋白浓度信息构建神经退化性病理性蛋白图信号；
标注模块，用于根据神经退化性病理性蛋白图信号，计算每个脑节点的传播通量，并基于传播通量对每个脑节点进行阿尔兹海默症的传播风险分析，将脑节点分为高风险传播脑节点、高风险被传播脑节点和低风险脑节点三类，在脑部影像数据中标注出目标脑区。
9.如权利要求8所述的装置，其特征在于，所述识别模块具体用于，根据基于正电子发射型计算机断层显像PET分子成像技术得到的脑部影像数据以及预设的蛋白标记物，以识别出所述患者各脑区中的神经退化性病理性蛋白浓度。
10.如权利要求8所述的装置，其特征在于，所述神经退化性病理性蛋白包括β-淀粉样蛋白和/或Tau蛋白。
11.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
12.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
CN202310615536.3A 2023-05-29 2023-05-29 一种基于图信号的阿尔兹海默风险标注方法及装置 Active CN116344058B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310615536.3A CN116344058B (zh) 2023-05-29 2023-05-29 一种基于图信号的阿尔兹海默风险标注方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310615536.3A CN116344058B (zh) 2023-05-29 2023-05-29 一种基于图信号的阿尔兹海默风险标注方法及装置

Publications (2)

Publication Number Publication Date
CN116344058A true CN116344058A (zh) 2023-06-27
CN116344058B CN116344058B (zh) 2023-08-18

Family

ID=86891548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310615536.3A Active CN116344058B (zh) 2023-05-29 2023-05-29 一种基于图信号的阿尔兹海默风险标注方法及装置

Country Status (1)

Country Link
CN (1) CN116344058B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU3518897A (en) * 1990-02-26 1997-12-04 Albert Einstein College Of Medicine Of Yeshiva University Diagnostic assay for Alzheimer's disease
CN101600973A (zh) * 2007-01-30 2009-12-09 通用电气健康护理有限公司 用于辅助诊断神经退行性疾病的工具
CN103917156A (zh) * 2011-09-13 2014-07-09 大脑Q技术有限公司 用于增强大脑活动的方法和装置
CN104094131A (zh) * 2011-09-13 2014-10-08 精锐医药有限公司 基于磁共振的用于评估老年痴呆症的方法及相关病理
CN104346530A (zh) * 2014-10-29 2015-02-11 中国科学院深圳先进技术研究院 大脑异常参数的提取方法和系统
WO2019014429A1 (en) * 2017-07-12 2019-01-17 Dana-Farber Cancer Institute, Inc. COMPOUNDS FOR THE DEGRADATION OF TAU PROTEIN
CN111466876A (zh) * 2020-03-24 2020-07-31 山东大学 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统
CN111631715A (zh) * 2020-07-08 2020-09-08 上海海事大学 一种阿尔茨海默症早期认知功能下降预测方法
KR20200123618A (ko) * 2019-04-22 2020-10-30 영남대학교 산학협력단 Mri 영상을 이용한 노인 정신질환의 조기 변화 감별 장치 및 방법
CN113130004A (zh) * 2021-04-27 2021-07-16 上海海事大学 一种识别阿尔茨海默症相关生物标志物的相关性分析方法
CN113571195A (zh) * 2021-07-20 2021-10-29 南京脑科医院 基于小脑功能连接特征的阿尔茨海默病早期的预测模型
CN114119517A (zh) * 2021-11-15 2022-03-01 杭州电子科技大学 一种联合病理与拓扑信息的神经病理hub节点识别方法
CN114596253A (zh) * 2021-12-02 2022-06-07 杭州电子科技大学 一种基于脑成像基因组特征的阿尔兹海默症识别方法
CN114641490A (zh) * 2019-08-06 2022-06-17 新旭生技股份有限公司 结合至病理性tau种类的抗体及其用途
CN114694832A (zh) * 2022-04-19 2022-07-01 湖南师范大学 一种确定阿尔茨海默症的风险要素的电子设备
CN115067887A (zh) * 2022-06-20 2022-09-20 常州工学院 一种基于结构脑连接组方法的阿尔兹海默症预测平台
KR20220145440A (ko) * 2021-04-21 2022-10-31 금오공과대학교 산학협력단 머신러닝 기반의 치매 예측 방법
CN115279356A (zh) * 2020-01-06 2022-11-01 安尤罗泰克Ip私人有限公司 认知障碍预防和治疗
CN115691794A (zh) * 2022-12-29 2023-02-03 北京智精灵科技有限公司 一种神经诊断的辅助分析方法及系统

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU3518897A (en) * 1990-02-26 1997-12-04 Albert Einstein College Of Medicine Of Yeshiva University Diagnostic assay for Alzheimer's disease
CN101600973A (zh) * 2007-01-30 2009-12-09 通用电气健康护理有限公司 用于辅助诊断神经退行性疾病的工具
CN103917156A (zh) * 2011-09-13 2014-07-09 大脑Q技术有限公司 用于增强大脑活动的方法和装置
CN104094131A (zh) * 2011-09-13 2014-10-08 精锐医药有限公司 基于磁共振的用于评估老年痴呆症的方法及相关病理
CN104346530A (zh) * 2014-10-29 2015-02-11 中国科学院深圳先进技术研究院 大脑异常参数的提取方法和系统
WO2019014429A1 (en) * 2017-07-12 2019-01-17 Dana-Farber Cancer Institute, Inc. COMPOUNDS FOR THE DEGRADATION OF TAU PROTEIN
KR20200123618A (ko) * 2019-04-22 2020-10-30 영남대학교 산학협력단 Mri 영상을 이용한 노인 정신질환의 조기 변화 감별 장치 및 방법
CN114641490A (zh) * 2019-08-06 2022-06-17 新旭生技股份有限公司 结合至病理性tau种类的抗体及其用途
CN115279356A (zh) * 2020-01-06 2022-11-01 安尤罗泰克Ip私人有限公司 认知障碍预防和治疗
CN111466876A (zh) * 2020-03-24 2020-07-31 山东大学 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统
CN111631715A (zh) * 2020-07-08 2020-09-08 上海海事大学 一种阿尔茨海默症早期认知功能下降预测方法
KR20220145440A (ko) * 2021-04-21 2022-10-31 금오공과대학교 산학협력단 머신러닝 기반의 치매 예측 방법
CN113130004A (zh) * 2021-04-27 2021-07-16 上海海事大学 一种识别阿尔茨海默症相关生物标志物的相关性分析方法
CN113571195A (zh) * 2021-07-20 2021-10-29 南京脑科医院 基于小脑功能连接特征的阿尔茨海默病早期的预测模型
CN114119517A (zh) * 2021-11-15 2022-03-01 杭州电子科技大学 一种联合病理与拓扑信息的神经病理hub节点识别方法
CN114596253A (zh) * 2021-12-02 2022-06-07 杭州电子科技大学 一种基于脑成像基因组特征的阿尔兹海默症识别方法
CN114694832A (zh) * 2022-04-19 2022-07-01 湖南师范大学 一种确定阿尔茨海默症的风险要素的电子设备
CN115067887A (zh) * 2022-06-20 2022-09-20 常州工学院 一种基于结构脑连接组方法的阿尔兹海默症预测平台
CN115691794A (zh) * 2022-12-29 2023-02-03 北京智精灵科技有限公司 一种神经诊断的辅助分析方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JUAN ZHOU: "Predicting regional neurodegeneration from the healthy brain functional connectome", 《NIH PUBLIC ACCESS》 *
岑桂英;郭圣文;池敏越;匡翠立;牛传筱;赖春任;: "轻度认知障碍的早期检测与转化预测研究进展", 生命科学, no. 02 *
牛焱;王彬;相洁;李聪改;周梦妮;李婷;: "阿尔兹海默症fMRI信号复杂度分析", 太原理工大学学报, no. 05 *

Also Published As

Publication number Publication date
CN116344058B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
Abdurahman et al. Malaria parasite detection in thick blood smear microscopic images using modified YOLOV3 and YOLOV4 models
KR20210082234A (ko) 이미지 처리 방법 및 장치, 전자 기기 및 기억 매체
Ye et al. Fully-automated segmentation of nasopharyngeal carcinoma on dual-sequence MRI using convolutional neural networks
CN111081378A (zh) 一种动脉瘤破裂风险评估方法及系统
CN116230108A (zh) 一种基于tdm和ai技术的智能用药决策方法及系统
CN111105425A (zh) 一种基于颅脑影像数据的对称轴/对称面提取方法及系统
CN116344058B (zh) 一种基于图信号的阿尔兹海默风险标注方法及装置
CN116030247B (zh) 一种医学图像样本生成方法、装置、存储介质及电子设备
CN116524295A (zh) 一种图像处理方法、装置、设备及可读存储介质
CN116258679A (zh) 一种信息推荐方法、装置、存储介质及电子设备
Ahamed et al. A cascaded deep network for automated tumor detection and segmentation in clinical PET imaging of diffuse large B-cell lymphoma
Cecchetti Why introduce machine learning to rural health care?
CN117036830B (zh) 一种肿瘤分类模型训练方法、装置、存储介质及电子设备
CN117357132B (zh) 一种基于多层脑网络节点参与系数的任务执行方法及装置
Vos et al. Improving automated intracranial artery labeling using atlas-based features in graph convolutional nets
CN109685843B (zh) 一种基于头颅ct影像的核心梗死体积的测量方法及系统
CN116229218B (zh) 一种模型训练、图像配准方法及装置
CN116152246B (zh) 一种图像识别方法、装置、设备及存储介质
CN117876610B (zh) 针对三维构建模型的模型训练方法、装置、存储介质
CN117133019A (zh) 一种数据处理的方法、装置、存储介质及电子设备
CN116188469A (zh) 一种病灶检测方法、装置、可读存储介质及电子设备
CN117726760B (zh) 一种用于视频的三维人体重建模型的训练方法及装置
WO2024065536A1 (en) Methods and apparatus for image segmentation on small datasets
CN117788953A (zh) 一种感兴趣区域的识别方法、装置、存储介质及电子设备
Han et al. Research on Classification of Alzheimer’s Disease Based on Multi-scale Features and Sequence 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