CN116364221B - 一种用于阿尔茨海默症研究的脑影像数据处理方法和系统 - Google Patents
一种用于阿尔茨海默症研究的脑影像数据处理方法和系统 Download PDFInfo
- Publication number
- CN116364221B CN116364221B CN202310153806.3A CN202310153806A CN116364221B CN 116364221 B CN116364221 B CN 116364221B CN 202310153806 A CN202310153806 A CN 202310153806A CN 116364221 B CN116364221 B CN 116364221B
- Authority
- CN
- China
- Prior art keywords
- data
- individual
- brain
- image
- simulation
- 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
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 294
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 50
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000011160 research Methods 0.000 title claims abstract description 19
- 238000004088 simulation Methods 0.000 claims abstract description 203
- 238000012545 processing Methods 0.000 claims abstract description 78
- 230000004927 fusion Effects 0.000 claims abstract description 67
- 238000012360 testing method Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000011835 investigation Methods 0.000 claims abstract description 47
- 238000007499 fusion processing Methods 0.000 claims abstract description 17
- 238000012797 qualification Methods 0.000 claims abstract description 16
- 238000002598 diffusion tensor imaging Methods 0.000 claims description 145
- 239000013598 vector Substances 0.000 claims description 145
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 54
- 238000012216 screening Methods 0.000 claims description 52
- 238000007689 inspection Methods 0.000 claims description 46
- 230000000284 resting effect Effects 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 36
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 36
- 238000006243 chemical reaction Methods 0.000 claims description 35
- 238000001514 detection method Methods 0.000 claims description 28
- 239000010410 layer Substances 0.000 claims description 24
- 239000000835 fiber Substances 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 18
- 238000002513 implantation Methods 0.000 claims description 17
- 208000020016 psychiatric disease Diseases 0.000 claims description 17
- 208000010877 cognitive disease Diseases 0.000 claims description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 16
- 208000028867 ischemia Diseases 0.000 claims description 15
- 239000002344 surface layer Substances 0.000 claims description 15
- 208000019901 Anxiety disease Diseases 0.000 claims description 14
- 238000001727 in vivo Methods 0.000 claims description 14
- 230000036506 anxiety Effects 0.000 claims description 13
- 238000009534 blood test Methods 0.000 claims description 12
- 238000009535 clinical urine test Methods 0.000 claims description 12
- 238000009792 diffusion process Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000013139 quantization Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 12
- 210000004885 white matter Anatomy 0.000 claims description 12
- 201000010099 disease Diseases 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 10
- 230000007423 decrease Effects 0.000 claims description 10
- 208000011580 syndromic disease Diseases 0.000 claims description 10
- 208000006011 Stroke Diseases 0.000 claims description 9
- 238000013524 data verification Methods 0.000 claims description 9
- 239000006185 dispersion Substances 0.000 claims description 9
- 101150037123 APOE gene Proteins 0.000 claims description 8
- 208000007848 Alcoholism Diseases 0.000 claims description 8
- 206010001584 alcohol abuse Diseases 0.000 claims description 8
- 208000025746 alcohol use disease Diseases 0.000 claims description 8
- 206010019196 Head injury Diseases 0.000 claims description 7
- 230000001149 cognitive effect Effects 0.000 claims description 7
- 230000003920 cognitive function Effects 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 7
- 230000000392 somatic effect Effects 0.000 claims description 7
- 210000005036 nerve Anatomy 0.000 claims description 6
- 206010008190 Cerebrovascular accident Diseases 0.000 claims description 5
- 230000002490 cerebral effect Effects 0.000 claims description 5
- 230000019771 cognition Effects 0.000 claims description 5
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003707 image sharpening Methods 0.000 claims description 3
- 238000003706 image smoothing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 208000024335 physical disease Diseases 0.000 description 9
- 208000014644 Brain disease Diseases 0.000 description 8
- 239000007943 implant Substances 0.000 description 6
- 230000000926 neurological effect Effects 0.000 description 6
- 208000012902 Nervous system disease Diseases 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 208000027061 mild cognitive impairment Diseases 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 230000006996 mental state Effects 0.000 description 3
- 208000025966 Neurological disease Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 201000004810 Vascular dementia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006999 cognitive decline Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000012074 hearing test Methods 0.000 description 1
- 210000003709 heart valve Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明实施例涉及一种用于阿尔茨海默症研究的脑影像数据处理方法和系统,所述方法包括:接收采集数据集合;基于个体排查模板进行不合格个体排查;基于基础数据检验模板进行基础数据合格检验;进行样本用途分类;并将与用途类型对应的分类仿真数据库作为对应的目标数据库;进行数据增强处理;进行多模态脑影像特征融合处理;将个体采集数据和对应的增强数据集和融合特征图集组成个体仿真数据记录添加到目标数据库中。通过本发明可以统一数据采集规则、提升数据增速并增加多模态融合处理过程。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种用于阿尔茨海默症研究的脑影像数据处理方法和系统。
背景技术
阿尔茨海默病(Alzheimer's disease,AD)是痴呆的主要类型,是一种渐进性的、不可逆的神经系统疾病,早期识别及早期干预是延缓其病程发展的有效方法。近年来脑成像技术已成为脑科学、神经科学和神经精神病学研究的不可或缺的工具,特别对脑疾病的早期精准识别及预后评价有着极为重要的临床应用价值。基于功能磁共振技术对脑影像数据进行分析能够较为准确地刻画出AD的异常亚型,但前提是需要采集大量的多模态脑影像数据构建对应的样本数据库并基于样本数据库对实现功能磁共振技术分析的脑影像数据分析模型进行训练。
为能快速增大样本数据库的数据量,常规可在自行采集原始样本数据的同时与其他公开的数据中心进行联合,通过对自采数据和联合中心数据的整合达到快速构建海量样本数据库的目的。然而,在实际的操作过程中我们发现一些问题:1)自行采集与其他数据中心之间、不同数据中心之间都存在个性化的数据采集规则差异,并不能将其他数据中心的样本数据直接纳入到样本数据库中;2)每个数据中心的原始样本数量并不大、自行采集的样本增速也较低,很难在短时间内快速获得大量的样本数据;3)各个数据中心提供的样本数据都是单模态原始影像数据,并未对原始影像数据做多模态融合的预处理。这些问题都会影响样本数据库的构建速度和数据质量。
发明内容
本发明的目的,就是针对现有技术的缺陷,提供一种用于阿尔茨海默症研究的脑影像数据处理方法和系统;将用于阿尔茨海默症研究的脑影像数据库也就是样本数据库细分为五个分类仿真数据库(60-80岁正常个体仿真数据库,80-95岁正常个体仿真数据库,早期阿尔茨海默症个体仿真数据库,轻度认知障碍个体仿真数据库,轻度阿尔茨海默症个体仿真数据库);并预先通过设置两个数据筛选模板(个体排查模板和基础数据检验模板)来统一数据采集规则:体排查模板用于排除不满足采集个体要求的采集数据集合、基础数据检验模板用于提取满足基本个体要求的采集数据集合;并通过对采集数据集合的个体信息进行分类识别来确认其对应的分类仿真数据库;并通过对采集数据集合进行数据增强处理来达到快速提升样本数据数量的目的;并提供多模态脑影像特征融合处理功能来达到对单模态样本数据进行多模态融合预处理的目的。通过本发明可以达到统一数据采集规则、提升数据增速和增加多模态融合的目的。
为实现上述目的,本发明实施例第一方面提供了一种用于阿尔茨海默症研究的脑影像数据处理方法,所述方法包括:
接收第一采集数据集合;所述第一采集数据集合包括多个第一个体采集数据;所述第一个体采集数据包括第一个体信息和第一个体脑影像数据集;所述第一个体脑影像数据集包括T1结构像、全脑3D高分辨率结构像、静息状态功能磁共振成像和弥散张量成像组,所述弥散张量成像组包括一个高b值弥散张量成像和四个零b值弥散张量成像;
基于预设的个体排查模板对各个所述第一个体采集数据的所述第一个体信息进行不合格个体排查生成对应的第一排查结果;并将所述第一排查结果为合格的所述第一个体采集数据作为对应的第二个体采集数据;
基于预设的基础数据检验模板对各个所述第二个体采集数据的所述第一个体信息进行基础数据合格检验生成对应的第一检验结果;并将所述第一检验结果为合格的所述第二个体采集数据作为对应的第三个体采集数据;
根据各个所述第三个体采集数据的所述第一个体信息进行样本用途分类处理得到对应的第一用途类型;并将与所述第一用途类型对应的分类仿真数据库作为对应的第一目标数据库;所述第一用途类型包括第一、第二、第三、第四和第五类用途;所述分类仿真数据库包括第一、第二、第三、第四和第五类仿真数据库;第一、第二、第三、第四和第五类用途分别与所述第一、第二、第三、第四和第五类仿真数据库对应;
对各个所述第三个体采集数据的所述第一个体脑影像数据集进行数据增强处理生成对应的第一个体增强数据集;所述第一个体增强数据集包括多个第一脑影像数据组;所述第一脑影像数据组包括第一T1结构像、第一全脑3D高分辨率结构像、第一静息状态功能磁共振成像和第一弥散张量成像组;所述第一弥散张量成像组包括一个第一高b值弥散张量成像和四个第一零b值弥散张量成像;
对各个所述第一脑影像数据组进行多模态脑影像特征融合处理得到对应的第一融合特征图;并由得到的所有所述第一融合特征图组成对应的第一融合特征图集;
将各个所述第三个体采集数据和对应的所述第一个体增强数据集和所述第一融合特征图集组成对应的第一个体仿真数据记录;并将各个所述第一个体仿真数据记录添加到对应的所述第一目标数据库中。
优选的,所述接收第一采集数据集合之前所述方法还包括对所述第一采集数据集合进行采集条件限定,具体为:
限定T1结构像的采集条件为:扫描方式为轴状位扫描,重复时间TR为1924ms,回波时间TE为75ms,层内2D分辨率为256×256,扫描视野FOV为240mm×240mm,扫描层数为20层,扫描层厚为5mm,扫面层间距为1mm;
限定全脑3D高分辨率结构像的采集条件为:扫描方式为轴状位扫描,重复时间TR为2530ms,回波时间TE为4.2ms,反演TI为900ms,3D分辨率为256×256×192,扫描视野FOV为256mm×256mm,扫描层厚为1mm,扫面翻转角度为80度;
限定静息状态功能磁共振成像的采集条件为:扫描方式为轴状位扫描,重复时间TR为2000ms,回波时间TE为40ms,层内2D分辨率为64×64,扫描视野FOV为240mm×240mm,扫面翻转角度为90度,扫面层数为36层,扫面层厚为3mm,扫面层间距为1mm,扫描时间不低于6分钟;
限定弥散张量成像组的采集条件为:扫描方式为轴位扫描,重复时间TR为9000ms,回波时间TE为85ms,扫描视野FOV为256mm×256mm,层内2D分辨率为128×128,扫面层厚为2mm,扫面层间距为零间隔,弥散梯度的方向分量总数大于65,b值参数包括bh和b0、bh=1000s/mm2、b0=0s/mm2;并限定由一次高b值弥散张量成像采集生成的所述高b值弥散张量成像和四次零b值弥散张量成像采集生成的四个所述零b值弥散张量成像组成对应的所述弥散张量成像组,并限定在所述高b值弥散张量成像采集时对应的所述b值参数为bh,并限定在所述零b值弥散张量成像采集时对应的所述b值参数为b0。
优选的,所述第一个体信息包括多个信息数据项;所述信息数据项具体为姓名、年龄、性别、母语、右利手状态、听觉等级、血检结果列表、尿检结果列表、APOE基因检测列表、汉密尔顿焦虑量表、Hachinski缺血指数量表、社会活动功能量表、蒙特利尔认知评估基础量表、简易智力状态检查量表、两系三代精神障碍者统计数量、MRI检查禁忌状态、酒精滥用史状态、抑郁症病史状态、躯体疾病史状态、颅脑外伤史状态、脑卒中病史状态、神经与精神疾病史状态、认知功能下降状态、脑结构异常状态、认知功能障碍综合征等级、阿尔茨海默症等级或体内植入介质列表;
所述第一个体脑影像数据集的所述静息状态功能磁共振成像为一个图像序列记为对应的第一图像序列,所述第一图像序列中每两个相邻的第一图像之间的时间间隔为对应的功能磁共振成像的重复时间TR;
所述第一个体脑影像数据集的所述高b值弥散张量成像和所述零b值弥散张量成像各自都为一个图像序列记为对应的第二、第三图像序列,所述第二图像序列中每两个相邻的第二图像的时间间隔以及所述第三图像序列中每两个相邻的第三图像的时间间隔都为对应的弥散张量成像的重复时间TR;
所述个体排查模板包括多个数据排查条件;各个所述数据排查条件与一个或多个指定的所述信息数据项关联;各个所述数据排查条件用于对关联的一个或多个所述信息数据项进行不合格数据排查;
所述基础数据检验模板包括多个数据检验条件;各个所述数据检验条件与一个或多个指定的所述信息数据项关联;各个所述数据检验条件用于对关联的一个或多个所述信息数据项进行基础数据检验。
优选的,所述基于预设的个体排查模板对各个所述第一个体采集数据的所述第一个体信息进行不合格个体排查生成对应的第一排查结果,具体包括:
基于所述个体排查模板的各个所述数据排查条件对所述第一个体信息中一个或多个关联的所述信息数据项进行不合格数据排查得到对应的第一数据项排查结果;所述第一数据项排查结果包括数据合格和数据不合格;
对得到的所有所述第一数据项排查结果是否都为数据合格进行识别;若是,则设置对应的所述第一排查结果为合格;若否,则设置对应的所述第一排查结果为不合格。
优选的,所述基于预设的基础数据检验模板对各个所述第二个体采集数据的所述第一个体信息进行基础数据合格检验生成对应的第一检验结果,具体包括:
基于所述基础数据检验模板的各个所述数据检验条件对所述第一个体信息中关联的一个或多个所述信息数据项进行基础数据检验得到对应的第一数据项检验结果;所述第一数据项检验结果包括数据达标和数据不达标;
对得到的所有所述第一数据项检验结果是否都为数据达标进行识别;若是,则设置对应的所述第一检验结果为合格;若否,则设置对应的所述第一检验结果为不合格。
优选的,所述根据各个所述第三个体采集数据的所述第一个体信息进行样本用途分类处理得到对应的第一用途类型,具体包括:
对所述第一个体信息进行样本特征向量转换得到对应的第一样本特征向量;所述第一样本特征向量包括多个第一特征向量数据,各个所述第一特征向量数据均为一个实数;所述第一样本特征向量中所述第一特征向量数据的数量固定为已知的第一数量N,N为大于0的整数;
基于向量掩膜公式根据预设的第一、第二、第三、第四和第五掩膜向量对所述第一样本特征向量进行样本特征向量掩膜处理生成对应的第一、第二、第三、第四和第五掩膜特征向量;所述第一、第二、第三、第四和第五掩膜向量均由N个掩膜向量数据组成,各个所述掩膜向量数据的取值为0或1;所述第一、第二、第三、第四和第五掩膜特征向量均由N个掩膜特征向量数据组成;所述向量掩膜公式为:vi,j=sj*mi,j,1≤i≤5,1≤j≤N;sj为所述第一样本特征向量的第j个所述第一特征向量数据;mi,j为所述第一、第二、第三、第四或第五掩膜向量的第j个所述掩膜向量数据,mi,j的取值为0或1;vi,j为所述第一、第二、第三、第四或第五掩膜特征向量的第j个所述掩膜特征向量数据,
基于余弦距离公式对所述第一、第二、第三、第四和第五掩膜特征向量与预设的第一、第二、第三、第四和第五标签向量的余弦距离进行计算得到对应的第一、第二、第三、第四和第五余弦距离;所述第一、第二、第三、第四和第五标签向量均由N个标签向量数据组成;所述第一、第二、第三、第四和第五标签向量各自对应的用途类型为所述第一、第二、第三、第四和第五类用途;所述余弦距离公式为:1≤i≤5;Vi为所述第一、第二、第三、第四和第五掩膜特征向量;Bi为所述第一、第二、第三、第四或第五标签向量;di为所述第一、第二、第三、第四或第五余弦距离;所述第一、第二、第三、第四和第五余弦距离中最多只有一个余弦距离的值为1;
对所述第一、第二、第三、第四和第五余弦距离中是否存在值为1的唯一余弦距离进行识别;若存在,则将值为1的唯一余弦距离作为对应的匹配余弦距离,并将所述匹配余弦距离对应的所述第一、第二、第三、第四或第五类用途作为对应的第一用途类型。
进一步的,所述对所述第一个体信息进行样本特征向量转换得到对应的第一样本特征向量,具体包括:
基于预设的常数项信息量化转换规则,对所述第一个体信息中具体为年龄、性别、母语、右利手状态、听觉等级、两系三代精神障碍者统计数量、MRI检查禁忌状态、酒精滥用史状态、抑郁症病史状态、躯体疾病史状态、颅脑外伤史状态、脑卒中病史状态、神经与精神疾病史状态、认知功能下降状态、脑结构异常状态、认知功能障碍综合征等级或阿尔茨海默症等级的所述信息数据项进行数值量化转换得到对应的所述第一特征向量数据;
基于预设的血检结果列表分项检测结果量化转换规则,对所述第一个体信息中具体为血检结果列表的所述信息数据项的各个分项检测结果进行量化转换得到对应的多个所述第一特征向量数据;
基于预设的尿检结果列表分项检测结果量化转换规则,对所述第一个体信息中具体为尿检结果列表的所述信息数据项的各个分项检测结果进行量化转换得到对应的多个所述第一特征向量数据;
基于预设的基因检测列表分项检测结果量化转换规则,对所述第一个体信息中具体为APOE基因检测列表的所述信息数据项的各个分项检测结果进行量化转换得到对应的多个所述第一特征向量数据;
基于预设的汉密尔顿焦虑量表评分规则,根据所述第一个体信息中具体为汉密尔顿焦虑量表的所述信息数据项进行评分估计并将得到的估计分值作为对应的所述第一特征向量数据;
基于预设的Hachinski缺血指数量表评分规则,根据所述第一个体信息中具体为Hachinski缺血指数量表的所述信息数据项进行评分估计并将得到的估计分值作为对应的所述第一特征向量数据;
基于预设的社会活动功能量表评分规则,根据所述第一个体信息中具体为社会活动功能量表的所述信息数据项进行评分估计并将得到的估计分值作为对应的所述第一特征向量数据;
基于预设的蒙特利尔认知评估基础量表评分规则,根据所述第一个体信息中具体为蒙特利尔认知评估基础量表的所述信息数据项进行评分估计并将得到的估计分值作为对应的所述第一特征向量数据;
基于预设的简易智力状态检查量表评分规则,根据所述第一个体信息中具体为简易智力状态检查量表的所述信息数据项进行评分估计并将得到的估计分值作为对应的所述第一特征向量数据;
基于预设的体内植入介质列表分项介质量化转换规则,对所述第一个体信息中具体为体内植入介质列表的所述信息数据项的各个分项介质进行量化转换得到对应的多个所述第一特征向量数据;
对由所述第一个体信息中除姓名之外的所有所述信息数据项转换得到的所有所述第一特征向量数据进行排序得到对应的所述第一样本特征向量。
优选的,所述对各个所述第三个体采集数据的所述第一个体脑影像数据集进行数据增强处理生成对应的第一个体增强数据集,具体包括:
对所述第一个体脑影像数据集的所述静息状态功能磁共振成像的扫描时长进行提取得到对应的第一时长L;并以所述静息状态功能磁共振成像的重复时间TR为间隔时长△L对所述第一时长L进行等间隔顺序切分得到第二数量P个采样时间点tk,1≤k≤P;每个所述时间采样点tk对应一个所述第一图像;
将所述静息状态功能磁共振成像中从预设的起始采样时间点ts到最后一个所述采样时间点tk的所有所述第一图像提取出来组成对应的第一有效图像序列;并将所述第一有效图像序列记为对应的有效功能磁共振成像;所述起始采样时间点ts默认为第11个采样时间点t11;
当所述第一时长L等于预设的最小时长阈值时,由所述第一个体脑影像数据集的所述T1结构像、所述全脑3D高分辨率结构像、所述弥散张量成像组和所述有效功能磁共振成像组成第一个所述第一脑影像数据组;并基于预设的多个数据仿真模型对第一个所述第一脑影像数据组进行多次数据仿真处理得到多个衍生的所述第一脑影像数据组;并由得到的所有所述第一脑影像数据组构成对应的所述第一个体增强数据集;所述多个数据仿真模型包括基于对抗生成网络实现的数据仿真模型、基于灰度变换增强算法实现的数据仿真模型、基于图像平滑/锐化算法实现的数据仿真模型、基于色彩增强算法实现的数据仿真模型和基于频域增强算法实现的数据仿真模型;
当所述第一时长L等于预设的最小时长阈值时,按预设的滑动步长和子序列长度对所述第一有效图像序列进行连续图像子序列滑动截取得到对应的多个第一子图像序列,并将每个所述第一子图像序列作为所述有效功能磁共振成像的一个子功能磁共振成像;并由所述第一个体脑影像数据集的所述T1结构像、所述全脑3D高分辨率结构像以及所述弥散张量成像组和每个所述子功能磁共振成像组成一组对应的脑影像数据子集;并基于所述多个数据仿真模型对各个所述脑影像数据子集进行多次子集数据仿真处理得到对应的多个所述第一脑影像数据组;并由得到的所有所述第一脑影像数据组组成对应的所述第一个体增强数据集;
其中,
在每次对第一个所述第一脑影像数据组进行数据仿真处理时都基于所述多个数据仿真模型中一个指定数据仿真模型对第一个所述第一脑影像数据组的所述T1结构像、所述全脑3D高分辨率结构像、所述有效功能磁共振成像和所述弥散张量成像组分别进行数据仿真处理从而得到对应的所述第一T1结构像、所述第一全脑3D高分辨率结构像、所述第一静息状态功能磁共振成像和所述第一弥散张量成像组构成对应的所述第一脑影像数据组;
在每次对各个所述脑影像数据子集进行子集数据仿真处理时,都基于所述多个数据仿真模型中一个所述指定数据仿真模型对当前所述脑影像数据子集的所述T1结构像、所述全脑3D高分辨率结构像、所述子功能磁共振成像和所述弥散张量成像组分别进行数据仿真处理从而得到对应的所述第一T1结构像、所述第一全脑3D高分辨率结构像、所述第一静息状态功能磁共振成像和所述第一弥散张量成像组构成对应的所述第一脑影像数据组;
在对所述T1结构像进行数据仿真处理时基于所述指定数据仿真模型对所述T1结构像进行仿真生成对应的所述第一T1结构像;
在对所述全脑3D高分辨率结构像进行数据仿真处理时基于所述指定数据仿真模型对所述全脑3D高分辨率结构像进行仿真生成对应的所述第一全脑3D高分辨率结构像;
在对所述有效功能磁共振成像或所述子功能磁共振成像进行数据仿真处理时,基于所述指定数据仿真模型对所述有效功能磁共振成像或所述子功能磁共振成像中的各个所述第一图像分别进行仿真生成对应的第一仿真图像,并由得到的所有所述第一仿真图像组成对应的所述第一静息状态功能磁共振成像;
在对所述弥散张量成像组进行数据仿真处理时,基于所述指定数据仿真模型对所述弥散张量成像组的所述高b值弥散张量成像和各个所述零b值弥散张量成像中的各个所述第二、第三图像分别进行仿真生成对应的第二、第三仿真图像,并由得到的所有所述第二仿真图像组成对应的所述第一高b值弥散张量成像,并由各个所述零b值弥散张量成像对应的所有所述第三仿真图像组成对应的所述第一零b值弥散张量成像,并由得到的一个所述第一高b值弥散张量成像和四个所述第一零b值弥散张量成像组成对应的所述第一弥散张量成像组。
优选的,所述对各个所述第一脑影像数据组进行多模态脑影像特征融合处理得到对应的第一融合特征图,具体包括:
基于预设的AAL模板对所述第一脑影像数据组的所述第一T1结构像在预设的大脑空间坐标系下各个脑区内的结构特征进行提取生成对应的第一结构特征张量;并基于所述AAL模板对所述第一脑影像数据组的所述第一全脑3D高分辨率结构像在所述大脑空间坐标系下各个脑区内的结构特征进行提取生成对应的第二结构特征张量;并根据所述第一、第二结构特征张量对所述大脑空间坐标系下各个脑区内的结构特征进行融合生成对应的第一全脑结构特征张量;所述AAL模板为以所述大脑空间坐标系为坐标系统的大脑解剖学自动标记模板由多个带有坐标标记的脑区构成,所述AAL模板的大脑脑区数量默认为90;所述大脑空间坐标系默认为蒙特利尔神经科学学院MNI空间坐标系;
对所述第一脑影像数据组的所述第一弥散张量成像组的一个所述第一高b值弥散张量成像和四个所述第一零b值弥散张量成像分别进行弥散特征提取生成应的第一高b值特征张量和四个第一零b值特征张量;并对四个所述第一零b值特征张量进行特征融合生成对应的第一零b值融合特征张量;并对所述第一零b值融合特征张量与所述第一高b值特征张量进行特征融合生成对应的第一弥散特征张量;并基于确定性纤维追踪算法根据所述第一弥散特征张量进行脑白质纤维追踪处理生成对应的白质纤维特征张量;并根据所述AAL模板和所述白质纤维特征张量对所述大脑空间坐标系下各个脑区内的白质纤维特征进行提取生成对应的第一全脑纤维特征张量;
对所述第一全脑结构特征张量和所述第一全脑纤维特征张量进行特征融合得到对应的第一全脑网络特征张量;
基于所述AAL模板对所述第一脑影像数据组的所述第一静息状态功能磁共振成像的各个所述第一仿真图像在所述大脑空间坐标系下各个脑区内的功能信号特征进行提取生成对应的第一时间特征张量组成对应的第一时间特征张量序列;并根据所述第一时间特征张量序列对所述大脑空间坐标系下各个脑区内功能信号的时序特征进行提取生成对应的第一全脑功能特征张量;
对所述第一全脑网络特征张量和所述第一全脑功能特征张量进行空间结构特征与时序功能特征的特征融合处理生成对应的多模态融合特征张量;并将所述多模态融合特征张量作为对应的所述第一融合特征图。
本发明实施例第二方面提供了一种用于实现上述第一方面所述的用于阿尔茨海默症研究的脑影像数据处理方法的系统,所述系统包括:采集数据接收模块、第一数据筛选模块、第二数据筛选模块、筛选数据分类模块、数据增强模块、多模态融合模块、数据存储模块、第一类仿真数据库、第二类仿真数据库、第三类仿真数据库、第四类仿真数据库和第五类仿真数据库;
所述采集数据接收模块用于接收第一采集数据集合;所述第一采集数据集合包括多个第一个体采集数据;所述第一个体采集数据包括第一个体信息和第一个体脑影像数据集;所述第一个体脑影像数据集包括T1结构像、全脑3D高分辨率结构像、静息状态功能磁共振成像和弥散张量成像组,所述弥散张量成像组包括一个高b值弥散张量成像和四个零b值弥散张量成像;
所述第一数据筛选模块用于基于预设的个体排查模板对各个所述第一个体采集数据的所述第一个体信息进行不合格个体排查生成对应的第一排查结果;并将所述第一排查结果为合格的所述第一个体采集数据作为对应的第二个体采集数据;
所述第二数据筛选模块用于基于预设的基础数据检验模板对各个所述第二个体采集数据的所述第一个体信息进行基础数据合格检验生成对应的第一检验结果;并将所述第一检验结果为合格的所述第二个体采集数据作为对应的第三个体采集数据;
所述筛选数据分类模块用于根据各个所述第三个体采集数据的所述第一个体信息进行样本用途分类处理得到对应的第一用途类型;并将与所述第一用途类型对应的分类仿真数据库作为对应的第一目标数据库;所述第一用途类型包括第一、第二、第三、第四和第五类用途;第一、第二、第三、第四和第五类用途分别与所述第一、第二、第三、第四和第五类仿真数据库对应;
所述数据增强模块用于对各个所述第三个体采集数据的所述第一个体脑影像数据集进行数据增强处理生成对应的第一个体增强数据集;所述第一个体增强数据集包括多个第一脑影像数据组;所述第一脑影像数据组包括第一T1结构像、第一全脑3D高分辨率结构像、第一静息状态功能磁共振成像和第一弥散张量成像组;所述第一弥散张量成像组包括一个第一高b值弥散张量成像和四个第一零b值弥散张量成像;
所述多模态融合模块用于对各个所述第一脑影像数据组进行多模态脑影像特征融合处理得到对应的第一融合特征图;并由得到的所有所述第一融合特征图组成对应的第一融合特征图集;
所述数据存储模块用于将各个所述第三个体采集数据和对应的所述第一个体增强数据集和所述第一融合特征图集组成对应的第一个体仿真数据记录;并将各个所述第一个体仿真数据记录添加到对应的所述第一目标数据库中。
本发明实施例提供了一种用于阿尔茨海默症研究的脑影像数据处理方法和系统,将用于阿尔茨海默症研究的脑影像数据库也就是样本数据库细分为五个分类仿真数据库(60-80岁正常个体仿真数据库,80-95岁正常个体仿真数据库,早期阿尔茨海默症个体仿真数据库,轻度认知障碍个体仿真数据库,轻度阿尔茨海默症个体仿真数据库);并预先通过设置两个数据筛选模板(个体排查模板和基础数据检验模板)来统一数据采集规则:体排查模板用于排除不满足采集个体要求的采集数据集合、基础数据检验模板用于提取满足基本个体要求的采集数据集合;并通过对采集数据集合的个体信息进行分类识别来确认其对应的分类仿真数据库;并通过对采集数据集合进行数据增强处理来达到快速提升样本数据数量的目的;并提供多模态脑影像特征融合处理功能来达到对单模态样本数据进行多模态融合预处理的目的。通过本发明既统一了数据采集规则、又加快了数据增速、还增加了多模态融合的预处理过程。
附图说明
图1为本发明实施例一提供的一种用于阿尔茨海默症研究的脑影像数据处理方法示意图;
图2为本发明实施例二提供的一种用于阿尔茨海默症研究的脑影像数据处理系统的模块结构图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,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它实施例,都属于本发明保护的范围。
本发明实施例一提供一种用于阿尔茨海默症研究的脑影像数据处理方法,如图1为本发明实施例一提供的一种用于阿尔茨海默症研究的脑影像数据处理方法示意图所示,本方法主要包括如下步骤:
步骤1,接收第一采集数据集合;
其中,第一采集数据集合包括多个第一个体采集数据;第一个体采集数据包括第一个体信息和第一个体脑影像数据集;第一个体脑影像数据集包括T1结构像、全脑3D高分辨率结构像、静息状态功能磁共振成像和弥散张量成像组,弥散张量成像组包括一个高b值弥散张量成像和四个零b值弥散张量成像;
第一个体信息包括多个信息数据项;信息数据项具体为姓名、年龄、性别、母语、右利手状态、听觉等级、血检结果列表、尿检结果列表、APOE基因检测列表、汉密尔顿焦虑量表、Hachinski缺血指数量表、社会活动功能量表、蒙特利尔认知评估基础量表、简易智力状态检查量表、两系三代精神障碍者统计数量、MRI检查禁忌状态、酒精滥用史状态、抑郁症病史状态、躯体疾病史状态、颅脑外伤史状态、脑卒中病史状态、神经与精神疾病史状态、智力评估等级、认知功能评估等级、认知功能下降状态、脑结构异常状态、认知功能障碍综合征等级、阿尔茨海默症等级或体内植入介质列表;
第一个体脑影像数据集的静息状态功能磁共振成像为一个图像序列记为对应的第一图像序列,第一图像序列中每两个相邻的第一图像之间的时间间隔为对应的功能磁共振成像的重复时间TR;
第一个体脑影像数据集的高b值弥散张量成像和零b值弥散张量成像各自都为一个图像序列记为对应的第二、第三图像序列,第二图像序列中每两个相邻的第二图像的时间间隔以及第三图像序列中每两个相邻的第三图像的时间间隔都为对应的弥散张量成像的重复时间TR。
这里,第一采集数据集合可以是自行采集的样本数据也可以是从其他数据中心获得的样本数据。每个第一个体采集数据对应一个信息采集者。第一个体信息即为该信息采集者的个人信息,第一个体信息中的姓名即为该信息采集者的姓名,年龄即为该信息采集者的年龄,性别即为该信息采集者的性别(男、女),母语即为该信息采集者的母语类型(常规情况下通过不同的数值来标识不同的语种),右利手状态即为该信息采集者是左撇子还是右撇子的标记(常规情况下通过二值法来标识,例如,取值为0说明不为右撇子即是左撇子,取值为1说明为右撇子),听觉等级即为该信息采集者的听力测试等级,血检结果列表即为该信息采集者的血液检测信息表,尿检结果列表即为该信息采集者的尿液检测信息表,APOE基因检测列表即为该信息采集者的基因检测信息表,汉密尔顿焦虑量表即为对该信息采集者进行焦虑症检测的信息表、对应的评分名称为焦虑量表评分,Hachinski缺血指数量表即为对该信息采集者进行血管性痴呆检测的信息表、对应的评分名称为Hachinski缺血指数量表评分,社会活动功能量表即为一种对该信息采集者进行认知评测的信息表、对应的评分名称为FAQ评分,蒙特利尔认知评估基础量表也是一种对该信息采集者进行认知评测的信息表、对应的评分名称为MoCA-B评分,简易智力状态检查量表即为一种对该信息采集者进行智力水平评测的信息表、对应的评分名称为MMSE评分,两系三代精神障碍者统计数量即为该信息采集者的两系三代内亲属中患精神障碍疾病的人数总量,MRI检查禁忌状态即为该信息采集者是否能做MRI检查的标记(常规情况下通过二值法来标识,例如,取值为0说明禁止MRI检查,取值为1说明不禁止MRI检查),酒精滥用史状态即为该信息采集者是否存在酒精滥用史的标记(常规情况下通过二值法来标识,例如,取值为1说明存在,取值为0说明不存在),抑郁症病史状态即为该信息采集者是否正在或曾经罹患抑郁症的标记(常规情况下通过二值法来标识,例如,取值为1说明正在或曾经罹患抑郁症,取值为0说明未曾患过抑郁症),躯体疾病史状态即为该信息采集者是否正在或曾经罹患一种或多种预先指定类型的躯体疾病的标记(常规情况下通过二值法来标识,例如,取值为1说明正在或曾经罹患一种或多种预先指定类型的躯体疾病,取值为0说明未曾患过任何指定类型的躯体疾病),颅脑外伤史状态即为该信息采集者是否正在或曾经罹患颅脑外伤的标记(常规情况下通过二值法来标识,例如,取值为1说明正在或曾经罹患颅脑外伤,取值为0说明未曾患过任何颅脑外伤),脑卒中病史状态即为该信息采集者是否正在或曾经罹患脑卒中的标记(常规情况下通过二值法来标识,例如,取值为1说明正在或曾经罹患脑卒中,取值为0说明未曾患过脑卒中),神经与精神疾病史状态即为该信息采集者是否正在或曾经罹患一种或多种神经与精神疾病的标记(常规情况下通过二值法来标识,例如,取值为1说明正在或曾经罹患神经与精神疾病,取值为0说明未曾患过神经与精神疾病),认知功能下降状态即为对该信息采集者的认知功能下降趋势进行等级评估的标记(常规情况下取值为0说明无下降趋势,1为下降1SD,2为下降2SD,以此类推),脑结构异常状态即为该信息采集者是否存在脑结构异常的标记(常规情况下通过二值法来标识,例如,取值为1说明存在脑结构异常,取值为0说明不存在脑结构异常),认知功能障碍综合征等级即为该信息采集者是否存在认知功能障碍综合征的标记(常规情况下通过二值法来标识,例如,取值为1说明存在认知功能障碍综合征,取值为0说明不存在认知功能障碍综合征),阿尔茨海默症等级即为对该信息采集者的阿尔茨海默症等级/阶段进行评估的标记(常规情况下取值为0说明无阿尔茨海默症,1为早期AD临床前阶段,2为轻度认知障碍阶段,3为轻度AD阶段等等),体内植入介质列表即对该信息采集者体内是否植入一种或多种植入介质进行统计的信息表、体内植入介质列表中至少应包括起搏器、动脉瘤夹、人工心脏瓣膜、耳植入体、金属碎片等植入介质种类,每种植入介质种类对应一个植入状态(常规情况下通过二值法来标识该种类状态,1为已植入,0为未植入)。第一个体脑影像数据集即为该信息采集者的脑影像数据原始数据,其中包括T1结构像、全脑3D高分辨率结构像、静息状态功能磁共振成像和弥散张量成像组,弥散张量成像组包括一个高b值弥散张量成像和四个零b值弥散张量成像;其中,由公知的功能磁共振成像技术可知,第一个体脑影像数据集的静息状态功能磁共振成像实际为一个图像序列也就是第一图像序列,该第一图像序列中每两个相邻的第一图像之间的时间间隔为对应的功能磁共振成像的重复时间TR;同理,由公知的弥散张量成像技术可知,第一个体脑影像数据集的高b值弥散张量成像和零b值弥散张量成像实际都是各自是一个图像序列也就是第二、第三图像序列,第二图像序列中每两个相邻的第二图像的时间间隔以及第三图像序列中每两个相邻的第三图像的时间间隔都为对应的弥散张量成像的重复时间TR。
需要说明的是,本发明实施例方法在接收第一采集数据集合之前还包括对第一采集数据集合进行采集条件限定,具体为:
限定T1结构像的采集条件为:扫描方式为轴状位扫描,重复时间TR为1924ms,回波时间TE为75ms,层内2D分辨率为256×256,扫描视野FOV为240mm×240mm,扫描层数为20层,扫描层厚为5mm,扫面层间距为1mm;
限定全脑3D高分辨率结构像的采集条件为:扫描方式为轴状位扫描,重复时间TR为2530ms,回波时间TE为4.2ms,反演TI为900ms,3D分辨率为256×256×192,扫描视野FOV为256mm×256mm,扫描层厚为1mm,扫面翻转角度为80度;
限定静息状态功能磁共振成像的采集条件为:扫描方式为轴状位扫描,重复时间TR为2000ms,回波时间TE为40ms,层内2D分辨率为64×64,扫描视野FOV为240mm×240mm,扫面翻转角度为90度,扫面层数为36层,扫面层厚为3mm,扫面层间距为1mm,扫描时间不低于6分钟;
限定弥散张量成像组的采集条件为:扫描方式为轴位扫描,重复时间TR为9000ms,回波时间TE为85ms,扫描视野FOV为256mm×256mm,层内2D分辨率为128×128,扫面层厚为2mm,扫面层间距为零间隔,弥散梯度的方向分量总数大于65,b值参数包括bh和b0、bh=1000s/mm2、b0=0s/mm2;并限定由一次高b值弥散张量成像采集生成的高b值弥散张量成像和四次零b值弥散张量成像采集生成的四个零b值弥散张量成像组成对应的弥散张量成像组,并限定在高b值弥散张量成像采集时对应的b值参数为bh,并限定在零b值弥散张量成像采集时对应的b值参数为b0。
步骤2,基于预设的个体排查模板对各个第一个体采集数据的第一个体信息进行不合格个体排查生成对应的第一排查结果;并将第一排查结果为合格的第一个体采集数据作为对应的第二个体采集数据;
具体包括:步骤21,基于预设的个体排查模板对各个第一个体采集数据的第一个体信息进行不合格个体排查生成对应的第一排查结果;
其中,个体排查模板包括多个数据排查条件;各个数据排查条件与一个或多个指定的信息数据项关联;各个数据排查条件用于对关联的一个或多个信息数据项进行不合格数据排查;
具体包括:步骤211,基于个体排查模板的各个数据排查条件对第一个体信息中关联的一个或多个信息数据项进行不合格数据排查得到对应的第一数据项排查结果;
其中,第一数据项排查结果包括数据合格和数据不合格;
这里,本发明实施例的个体排查模板的配置根据具体实施时设置的数据排除原则进行配置;此处,本发明实施例给出一种默认的配置方式,具体为:
配置个体排查模板由五个数据排查条件组成,分别为第一、第二、第三、第四和第五数据排查条件;
第一数据排查条件与第一个体信息中具体为脑卒中病史状态的信息数据项关联,基于第一数据排查条件进行不合格数据排查具体为:若关联的信息数据项为1则设置对应的第一数据项排查结果为数据不合格,若关联的信息数据项为0则设置对应的第一数据项排查结果为数据合格;
第二数据排查条件与第一个体信息中具体为Hachinski缺血指数量表的信息数据项关联,基于第二数据排查条件进行不合格数据排查具体为:基于关联的信息数据项进行Hachinski缺血指数量表评分估计得到对应的第一评分,若第一评分>5则设置对应的第一数据项排查结果为数据不合格,若第一评分≤5则设置对应的第一数据项排查结果为数据合格;
第三数据排查条件与第一个体信息中具体为抑郁症病史状态和神经与精神疾病史状态的两个信息数据项关联,基于第三数据排查条件进行不合格数据排查具体为:对关联的两个信息数据项进行总和运算得到对应的第一总和,若第一总和>0则设置对应的第一数据项排查结果为数据不合格,若第一总和=0则设置对应的第一数据项排查结果为数据合格;
第四数据排查条件与第一个体信息中具体为躯体疾病史状态和颅脑外伤史状态的两个信息数据项关联,基于第四数据排查条件进行不合格数据排查具体为:对关联的两个信息数据项进行总和运算得到对应的第二总和,若第二总和>0则设置对应的第一数据项排查结果为数据不合格,若第二总和=0则设置对应的第一数据项排查结果为数据合格;
第五数据排查条件与第一个体信息中具体为体内植入介质列表的信息数据项关联,基于第五数据排查条件进行不合格数据排查具体为:若关联的信息数据项的体内植入介质列表的任一个植入介质种类的植入状态为1则设置对应的第一数据项排查结果为数据不合格,若关联的信息数据项的体内植入介质列表的所有植入介质种类的植入状态都为0则设置对应的第一数据项排查结果为数据合格;
步骤212,对得到的所有第一数据项排查结果是否都为数据合格进行识别;若是,则设置对应的第一排查结果为合格;若否,则设置对应的第一排查结果为不合格;
步骤22,将第一排查结果为合格的第一个体采集数据作为对应的第二个体采集数据。
步骤3,基于预设的基础数据检验模板对各个第二个体采集数据的第一个体信息进行基础数据合格检验生成对应的第一检验结果;并将第一检验结果为合格的第二个体采集数据作为对应的第三个体采集数据;
其中,基础数据检验模板包括多个数据检验条件;各个数据检验条件与一个或多个指定的信息数据项关联;各个数据检验条件用于对关联的一个或多个信息数据项进行基础数据检验;
具体包括:步骤31,基于预设的基础数据检验模板对各个第二个体采集数据的第一个体信息进行基础数据合格检验生成对应的第一检验结果;
具体包括:步骤311,基于基础数据检验模板的各个数据检验条件对第一个体信息中关联的信息数据项进行基础数据检验得到对应的第一数据项检验结果;
其中,第一数据项检验结果包括数据达标和数据不达标;
这里,本发明实施例的基础数据检验模板的配置根据具体实施时设置的基础数据检验原则进行配置;此处,本发明实施例给出一种默认的配置方式,具体为:
配置基础数据检验模板由五个数据检验条件组成,分别为第一、第二、第三、第四和第五数据检验条件;
第一数据检验条件与第一个体信息中具体为母语、右利手状态和听觉等级的三个信息数据项关联,基于第一数据检验条件进行基础数据检验具体为:若具体为母语的信息数据项为非汉语的语种数值、或具体为右利手状态的信息数据为0、或具体为听觉等级的信息数据小于设定等级阈值则设置对应的第一数据项检验结果为数据不达标,若具体为母语的信息数据项为汉语对应的语种数值且具体为右利手状态的信息数据为1且具体为听觉等级的信息数据大于或等于设定等级阈值则设置对应的第一数据项检验结果为数据达标;
第二数据检验条件与第一个体信息中具体为汉密尔顿焦虑量表的信息数据项关联,基于第二数据检验条件进行基础数据检验具体为:基于关联的信息数据项的汉密尔顿焦虑量表进行汉密尔顿焦虑量表评分估计得到对应的第二评分,若第二评分≥29则设置对应的第一数据项检验结果为数据不达标,若第二评分<29则设置对应的第一数据项检验结果为数据达标;
第三数据检验条件与第一个体信息中具体为Hachinski缺血指数量表的信息数据项关联,基于第三数据检验条件进行基础数据检验具体为:基于关联的信息数据项的Hachinski缺血指数量表进行Hachinski缺血指数量表评分估计得到对应的第三评分,若第三评分>4则设置对应的第一数据项检验结果为数据不达标,若第三评分≤4则设置对应的第一数据项检验结果为数据达标;
第四数据检验条件与第一个体信息中具体为MRI检查禁忌状态的信息数据项关联,基于第四数据检验条件进行基础数据检验具体为:若关联的信息数据项为0则设置对应的第一数据项排查结果为数据不合格,若关联的信息数据项为1则设置对应的第一数据项排查结果为数据合格;
第五数据检验条件与第一个体信息中具体为血检结果列表、尿检结果列表、APOE基因检测列表的三个信息数据项关联,基于第五数据检验条件进行基础数据检验具体为:若关联的三个信息数据项都为空则设置对应的第一数据项排查结果为数据不合格,若关联的三个信息数据项中至少有一个不为空则设置对应的第一数据项排查结果为数据合格;
步骤312,对得到的所有第一数据项检验结果是否都为数据达标进行识别;若是,则设置对应的第一检验结果为合格;若否,则设置对应的第一检验结果为不合格;
步骤32,将第一检验结果为合格的第二个体采集数据作为对应的第三个体采集数据。
步骤4,根据各个第三个体采集数据的第一个体信息进行样本用途分类处理得到对应的第一用途类型;并将与第一用途类型对应的分类仿真数据库作为对应的第一目标数据库;
其中,第一用途类型包括第一、第二、第三、第四和第五类用途;分类仿真数据库包括第一、第二、第三、第四和第五类仿真数据库;第一、第二、第三、第四和第五类用途分别与第一、第二、第三、第四和第五类仿真数据库对应;第一类仿真数据库具体为60-80岁正常个体仿真数据库,第二类仿真数据库具体为80-95岁正常个体仿真数据库,第三类仿真数据库具体为早期阿尔茨海默症个体仿真数据库,第四类仿真数据库具体为轻度认知障碍个体仿真数据库,第五类仿真数据库具体为轻度阿尔茨海默症个体仿真数据库;
具体包括:步骤41,根据各个第三个体采集数据的第一个体信息进行样本用途分类处理得到对应的第一用途类型;
具体包括:步骤411,对第一个体信息进行样本特征向量转换得到对应的第一样本特征向量;
其中,第一样本特征向量包括多个第一特征向量数据,各个第一特征向量数据均为一个实数;第一样本特征向量中第一特征向量数据的数量固定为已知的第一数量N,N为大于0的整数;
具体包括:步骤4111,基于预设的常数项信息量化转换规则,对第一个体信息中具体为年龄、性别、母语、右利手状态、听觉等级、两系三代精神障碍者统计数量、MRI检查禁忌状态、酒精滥用史状态、抑郁症病史状态、躯体疾病史状态、颅脑外伤史状态、脑卒中病史状态、神经与精神疾病史状态、智力评估等级、认知功能评估等级、认知功能下降状态、脑结构异常状态、认知功能障碍综合征等级或阿尔茨海默症等级的信息数据项进行数值量化转换得到对应的第一特征向量数据;
步骤4112,基于预设的血检结果列表分项检测结果量化转换规则,对第一个体信息中具体为血检结果列表的信息数据项的各个分项检测结果进行量化转换得到对应的多个第一特征向量数据;
步骤4113,基于预设的尿检结果列表分项检测结果量化转换规则,对第一个体信息中具体为尿检结果列表的信息数据项的各个分项检测结果进行量化转换得到对应的多个第一特征向量数据;
步骤4114,基于预设的基因检测列表分项检测结果量化转换规则,对第一个体信息中具体为APOE基因检测列表的信息数据项的各个分项检测结果进行量化转换得到对应的多个第一特征向量数据;
步骤4115,基于预设的汉密尔顿焦虑量表评分规则,根据第一个体信息中具体为汉密尔顿焦虑量表的信息数据项进行评分估计并将得到的估计分值作为对应的第一特征向量数据;
步骤4116,基于预设的Hachinski缺血指数量表评分规则,根据第一个体信息中具体为Hachinski缺血指数量表的信息数据项进行评分估计并将得到的估计分值作为对应的第一特征向量数据;
步骤4117,基于预设的社会活动功能量表评分规则,根据第一个体信息中具体为社会活动功能量表的信息数据项进行评分估计并将得到的估计分值作为对应的第一特征向量数据;
步骤4118,基于预设的蒙特利尔认知评估基础量表评分规则,根据第一个体信息中具体为蒙特利尔认知评估基础量表的信息数据项进行评分估计并将得到的估计分值作为对应的第一特征向量数据;
步骤4119,基于预设的简易智力状态检查量表评分规则,根据第一个体信息中具体为简易智力状态检查量表的信息数据项进行评分估计并将得到的估计分值作为对应的第一特征向量数据;
步骤4120,基于预设的体内植入介质列表分项介质量化转换规则,对第一个体信息中具体为体内植入介质列表的信息数据项的各个分项介质进行量化转换得到对应的多个第一特征向量数据;
步骤4121,对由第一个体信息中除姓名之外的所有信息数据项转换得到的所有第一特征向量数据进行排序得到对应的第一样本特征向量;
步骤412,基于向量掩膜公式根据预设的第一、第二、第三、第四和第五掩膜向量对第一样本特征向量进行样本特征向量掩膜处理生成对应的第一、第二、第三、第四和第五掩膜特征向量;
其中,第一、第二、第三、第四和第五掩膜向量均由N个掩膜向量数据组成,各个掩膜向量数据的取值为0或1;第一、第二、第三、第四和第五掩膜特征向量均由N个掩膜特征向量数据组成;
向量掩膜公式为:vi,j=sj*mi,j,
1≤i≤5,1≤j≤N,
sj为第一样本特征向量的第j个第一特征向量数据,
mi,j为第一、第二、第三、第四或第五掩膜向量的第j个掩膜向量数据,mi,j的取值为0或1,
vi,j为第一、第二、第三、第四或第五掩膜特征向量的第j个掩膜特征向量数据;
这里,本发明实施例对每个筛选后得到个体采集数据即第三个体采集数据适用的分类仿真数据库要进行识别,具体就是根据第三个体采集数据的第一个体信息的部分信息数据项进行识别;第一掩膜向量中取值为1的掩膜向量数据m1,j对应的信息数据项就是判断是否适用第一类仿真数据库的信息数据项;第二掩膜向量中取值为1的掩膜向量数据m2,j对应的信息数据项就是判断是否适用第二类仿真数据库的信息数据项;第三掩膜向量中取值为1的掩膜向量数据m3,j对应的信息数据项就是判断是否适用第三类仿真数据库的信息数据项;第四掩膜向量中取值为1的掩膜向量数据m4,j对应的信息数据项就是判断是否适用第四类仿真数据库的信息数据项;第五掩膜向量中取值为1的掩膜向量数据m4,j对应的信息数据项就是判断是否适用第五类仿真数据库的信息数据项;需要说明的是,第一、第二、第三、第四和第五标签向量中互不相同;
步骤412,基于余弦距离公式对第一、第二、第三、第四和第五掩膜特征向量与预设的第一、第二、第三、第四和第五标签向量的余弦距离进行计算得到对应的第一、第二、第三、第四和第五余弦距离;
其中,第一、第二、第三、第四和第五标签向量均由N个标签向量数据组成;第一、第二、第三、第四和第五标签向量各自对应的用途类型为第一、第二、第三、第四和第五类用途;
余弦距离公式为:
1≤i≤5,
Vi为第一、第二、第三、第四和第五掩膜特征向量,
Bi为第一、第二、第三、第四或第五标签向量,
di为第一、第二、第三、第四或第五余弦距离;
第一、第二、第三、第四和第五余弦距离中最多只有一个余弦距离的值为1;
这里,第一、第二、第三、第四和第五标签向量就是预先设置的判断是否适用第一、第二、第三、第四和第五类仿真数据库的标签向量,若某个掩膜特征向量与对应的标签向量完全一致,则确认当前第三个体采集数据对应的用途类型为该标签向量对应的用途类型、适用的分类仿真数据库应为该用途类型对应的分类仿真数据库;第一、第二、第三、第四和第五标签向量的配置可根据具体实施要求进行设置;需要说明的是,本发明实施例要求第一、第二、第三、第四和第五掩膜特征向量与预设的第一、第二、第三、第四和第五标签向量这五对向量之间顶多只有一对向量完全一致,也就是说第一、第二、第三、第四和第五余弦距离中最多只有一个余弦距离的值为1;
步骤413,对第一、第二、第三、第四和第五余弦距离中是否存在值为1的唯一余弦距离进行识别;若存在,则将值为1的唯一余弦距离作为对应的匹配余弦距离,并将匹配余弦距离对应的第一、第二、第三、第四或第五类用途作为对应的第一用途类型;
步骤42,将与第一用途类型对应的分类仿真数据库作为对应的第一目标数据库。
步骤5,对各个第三个体采集数据的第一个体脑影像数据集进行数据增强处理生成对应的第一个体增强数据集;
其中,第一个体增强数据集包括多个第一脑影像数据组;第一脑影像数据组包括第一T1结构像、第一全脑3D高分辨率结构像、第一静息状态功能磁共振成像和第一弥散张量成像组;第一弥散张量成像组包括一个第一高b值弥散张量成像和四个第一零b值弥散张量成像;
具体包括:步骤51,对第一个体脑影像数据集的静息状态功能磁共振成像的扫描时长进行提取得到对应的第一时长L;并以静息状态功能磁共振成像的重复时间TR为间隔时长△L对第一时长L进行等间隔顺序切分得到第二数量P个采样时间点tk;
其中,1≤k≤P;每个时间采样点tk对应一个第一图像;
步骤52,将静息状态功能磁共振成像中从预设的起始采样时间点ts到最后一个采样时间点tk的所有第一图像提取出来组成对应的第一有效图像序列;并将第一有效图像序列记为对应的有效功能磁共振成像;
其中,起始采样时间点ts默认为第11个采样时间点t11;
步骤52,当第一时长L等于预设的最小时长阈值时,由第一个体脑影像数据集的T1结构像、全脑3D高分辨率结构像、弥散张量成像组和有效功能磁共振成像组成第一个第一脑影像数据组;并基于预设的多个数据仿真模型对第一个第一脑影像数据组进行多次数据仿真处理得到多个衍生的第一脑影像数据组;并由得到的所有第一脑影像数据组构成对应的第一个体增强数据集;
其中,多个数据仿真模型包括基于对抗生成网络实现的数据仿真模型、基于灰度变换增强算法实现的数据仿真模型、基于图像平滑/锐化算法实现的数据仿真模型、基于色彩增强算法实现的数据仿真模型和基于频域增强算法实现的数据仿真模型;
在每次对第一个第一脑影像数据组进行数据仿真处理时都基于多个数据仿真模型中一个指定数据仿真模型对第一个第一脑影像数据组的T1结构像、全脑3D高分辨率结构像、有效功能磁共振成像和弥散张量成像组分别进行数据仿真处理从而得到对应的第一T1结构像、第一全脑3D高分辨率结构像、第一静息状态功能磁共振成像和第一弥散张量成像组构成对应的第一脑影像数据组;
进一步的,
在对T1结构像进行数据仿真处理时基于指定数据仿真模型对T1结构像进行仿真生成对应的第一T1结构像;
在对全脑3D高分辨率结构像进行数据仿真处理时基于指定数据仿真模型对全脑3D高分辨率结构像进行仿真生成对应的第一全脑3D高分辨率结构像;
在对有效功能磁共振成像进行数据仿真处理时,基于指定数据仿真模型对有效功能磁共振成像中的各个第一图像分别进行仿真生成对应的第一仿真图像,并由得到的所有第一仿真图像组成对应的第一静息状态功能磁共振成像;
在对弥散张量成像组进行数据仿真处理时,基于指定数据仿真模型对弥散张量成像组的高b值弥散张量成像和各个零b值弥散张量成像中的各个第二、第三图像分别进行仿真生成对应的第二、第三仿真图像,并由得到的所有第二仿真图像组成对应的第一高b值弥散张量成像,并由各个零b值弥散张量成像对应的所有第三仿真图像组成对应的第一零b值弥散张量成像,并由得到的一个第一高b值弥散张量成像和四个第一零b值弥散张量成像组成对应的第一弥散张量成像组;
步骤53,当第一时长L等于预设的最小时长阈值时,按预设的滑动步长和子序列长度对第一有效图像序列进行连续图像子序列滑动截取得到对应的多个第一子图像序列,并将每个第一子图像序列作为有效功能磁共振成像的一个子功能磁共振成像;并由第一个体脑影像数据集的T1结构像、全脑3D高分辨率结构像以及弥散张量成像组和每个子功能磁共振成像组成一组对应的脑影像数据子集;并基于多个数据仿真模型对各个脑影像数据子集进行多次子集数据仿真处理得到对应的多个第一脑影像数据组;并由得到的所有第一脑影像数据组组成对应的第一个体增强数据集;
其中,在每次对各个脑影像数据子集进行子集数据仿真处理时,都基于多个数据仿真模型中一个指定数据仿真模型对当前脑影像数据子集的T1结构像、全脑3D高分辨率结构像、子功能磁共振成像和弥散张量成像组分别进行数据仿真处理从而得到对应的第一T1结构像、第一全脑3D高分辨率结构像、第一静息状态功能磁共振成像和第一弥散张量成像组构成对应的第一脑影像数据组;
进一步的,
在对T1结构像进行数据仿真处理时基于指定数据仿真模型对T1结构像进行仿真生成对应的第一T1结构像;
在对全脑3D高分辨率结构像进行数据仿真处理时基于指定数据仿真模型对全脑3D高分辨率结构像进行仿真生成对应的第一全脑3D高分辨率结构像;
在对子功能磁共振成像进行数据仿真处理时,基于指定数据仿真模型对子功能磁共振成像中的各个第一图像分别进行仿真生成对应的第一仿真图像,并由得到的所有第一仿真图像组成对应的第一静息状态功能磁共振成像;
在对弥散张量成像组进行数据仿真处理时,基于指定数据仿真模型对弥散张量成像组的高b值弥散张量成像和各个零b值弥散张量成像中的各个第二、第三图像分别进行仿真生成对应的第二、第三仿真图像,并由得到的所有第二仿真图像组成对应的第一高b值弥散张量成像,并由各个零b值弥散张量成像对应的所有第三仿真图像组成对应的第一零b值弥散张量成像,并由得到的一个第一高b值弥散张量成像和四个第一零b值弥散张量成像组成对应的第一弥散张量成像组。
步骤6,对各个第一脑影像数据组进行多模态脑影像特征融合处理得到对应的第一融合特征图;并由得到的所有第一融合特征图组成对应的第一融合特征图集;
具体包括:步骤61,对各个第一脑影像数据组进行多模态脑影像特征融合处理得到对应的第一融合特征图;
具体包括:步骤611,基于预设的AAL模板对第一脑影像数据组的第一T1结构像在预设的大脑空间坐标系下各个脑区内的结构特征进行提取生成对应的第一结构特征张量;并基于AAL模板对第一脑影像数据组的第一全脑3D高分辨率结构像在大脑空间坐标系下各个脑区内的结构特征进行提取生成对应的第二结构特征张量;并根据第一、第二结构特征张量对大脑空间坐标系下各个脑区内的结构特征进行融合生成对应的第一全脑结构特征张量;
其中,AAL(Anatomical Automatic Labeling)模板为以大脑空间坐标系为坐标系统的大脑解剖学自动标记模板由多个带有坐标标记的脑区构成,AAL模板的大脑脑区数量默认为90;大脑空间坐标系默认为蒙特利尔神经科学学院(Montreal NeurologicalInstitute,MNI)空间坐标系;
步骤612,对第一脑影像数据组的第一弥散张量成像组的一个第一高b值弥散张量成像和四个第一零b值弥散张量成像分别进行弥散特征提取生成应的第一高b值特征张量和四个第一零b值特征张量;并对四个第一零b值特征张量进行特征融合生成对应的第一零b值融合特征张量;并对第一零b值融合特征张量与第一高b值特征张量进行特征融合生成对应的第一弥散特征张量;并基于确定性纤维追踪算法根据第一弥散特征张量进行脑白质纤维追踪处理生成对应的白质纤维特征张量;并根据AAL模板和白质纤维特征张量对大脑空间坐标系下各个脑区内的白质纤维特征进行提取生成对应的第一全脑纤维特征张量;
步骤613,对第一全脑结构特征张量和第一全脑纤维特征张量进行特征融合得到对应的第一全脑网络特征张量;
步骤614,基于AAL模板对第一脑影像数据组的第一静息状态功能磁共振成像的各个第一仿真图像在大脑空间坐标系下各个脑区内的功能信号特征进行提取生成对应的第一时间特征张量组成对应的第一时间特征张量序列;并根据第一时间特征张量序列对大脑空间坐标系下各个脑区内功能信号的时序特征进行提取生成对应的第一全脑功能特征张量;
步骤615,对第一全脑网络特征张量和第一全脑功能特征张量进行空间结构特征与时序功能特征的特征融合处理生成对应的多模态融合特征张量;并将多模态融合特征张量作为对应的第一融合特征图;
步骤62,由得到的所有第一融合特征图组成对应的第一融合特征图集。
步骤7,将各个第三个体采集数据和对应的第一个体增强数据集和第一融合特征图集组成对应的第一个体仿真数据记录;并将各个第一个体仿真数据记录添加到对应的第一目标数据库中。
图2为本发明实施例二提供的一种用于阿尔茨海默症研究的脑影像数据处理系统的模块结构图,该系统为实现前述方法实施例一的系统、终端设备或者服务器,也可以为能够使得前述系统、终端设备或者服务器实现前述方法实施例一的装置,例如该装置可以是前述终端设备或者服务器的装置或芯片系统。如图2所示,该系统包括:采集数据接收模块201、第一数据筛选模块202、第二数据筛选模块203、筛选数据分类模块204、数据增强模块205、多模态融合模块206、数据存储模块207、第一类仿真数据库208、第二类仿真数据库209、第三类仿真数据库210、第四类仿真数据库211和第五类仿真数据库212。
采集数据接收模块201用于接收第一采集数据集合;第一采集数据集合包括多个第一个体采集数据;第一个体采集数据包括第一个体信息和第一个体脑影像数据集;第一个体脑影像数据集包括T1结构像、全脑3D高分辨率结构像、静息状态功能磁共振成像和弥散张量成像组,弥散张量成像组包括一个高b值弥散张量成像和四个零b值弥散张量成像。
第一数据筛选模块202用于基于预设的个体排查模板对各个第一个体采集数据的第一个体信息进行不合格个体排查生成对应的第一排查结果;并将第一排查结果为合格的第一个体采集数据作为对应的第二个体采集数据。
第二数据筛选模块203用于基于预设的基础数据检验模板对各个第二个体采集数据的第一个体信息进行基础数据合格检验生成对应的第一检验结果;并将第一检验结果为合格的第二个体采集数据作为对应的第三个体采集数据。
筛选数据分类模块204用于根据各个第三个体采集数据的第一个体信息进行样本用途分类处理得到对应的第一用途类型;并将与第一用途类型对应的分类仿真数据库作为对应的第一目标数据库;第一用途类型包括第一、第二、第三、第四和第五类用途;第一、第二、第三、第四和第五类用途分别与第一类仿真数据库208、第二类仿真数据库209、第三类仿真数据库210、第四类仿真数据库211和第五类仿真数据库212对应。
数据增强模块205用于对各个第三个体采集数据的第一个体脑影像数据集进行数据增强处理生成对应的第一个体增强数据集;第一个体增强数据集包括多个第一脑影像数据组;第一脑影像数据组包括第一T1结构像、第一全脑3D高分辨率结构像、第一静息状态功能磁共振成像和第一弥散张量成像组;第一弥散张量成像组包括一个第一高b值弥散张量成像和四个第一零b值弥散张量成像。
多模态融合模块206用于对各个第一脑影像数据组进行多模态脑影像特征融合处理得到对应的第一融合特征图;并由得到的所有第一融合特征图组成对应的第一融合特征图集。
数据存储模块207用于将各个第三个体采集数据和对应的第一个体增强数据集和第一融合特征图集组成对应的第一个体仿真数据记录;并将各个第一个体仿真数据记录添加到对应的第一目标数据库中。
本发明实施例二提供的一种用于阿尔茨海默症研究的脑影像数据处理系统,可以执行上述方法实施例一中的方法步骤,其实现原理和技术效果类似,在此不再赘述。
需要说明的是,应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,采集数据接收模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述系统的某一个处理元件调用并执行以上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所描述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,前述方法的各方法步骤或前述系统的各模块处理步骤可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上系统这些模块可以是被配置成实施前述方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,ASIC),或,一个或多个数字信号处理器(Digital Signal Processor,DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,FPGA)等。再如,当以上系统某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(System-on-a-chip,SOC)的形式实现。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照前述方法实施例所描述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线路((Digital Subscriber Line,DSL))或无线(例如红外、无线、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本发明实施例提供了一种用于阿尔茨海默症研究的脑影像数据处理方法和系统,将用于阿尔茨海默症研究的脑影像数据库也就是样本数据库细分为五个分类仿真数据库(60-80岁正常个体仿真数据库,80-95岁正常个体仿真数据库,早期阿尔茨海默症个体仿真数据库,轻度认知障碍个体仿真数据库,轻度阿尔茨海默症个体仿真数据库);并预先通过设置两个数据筛选模板(个体排查模板和基础数据检验模板)来统一数据采集规则:体排查模板用于排除不满足采集个体要求的采集数据集合、基础数据检验模板用于提取满足基本个体要求的采集数据集合;并通过对采集数据集合的个体信息进行分类识别来确认其对应的分类仿真数据库;并通过对采集数据集合进行数据增强处理来达到快速提升样本数据数量的目的;并提供多模态脑影像特征融合处理功能来达到对单模态样本数据进行多模态融合预处理的目的。通过本发明既统一了数据采集规则、又加快了数据增速、还增加了多模态融合的预处理过程。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于阿尔茨海默症研究的脑影像数据处理方法,其特征在于,所述方法包括:
接收第一采集数据集合;所述第一采集数据集合包括多个第一个体采集数据;所述第一个体采集数据包括第一个体信息和第一个体脑影像数据集;所述第一个体脑影像数据集包括T1结构像、全脑3D高分辨率结构像、静息状态功能磁共振成像和弥散张量成像组,所述弥散张量成像组包括一个高b值弥散张量成像和四个零b值弥散张量成像;
基于预设的个体排查模板对各个所述第一个体采集数据的所述第一个体信息进行不合格个体排查生成对应的第一排查结果;并将所述第一排查结果为合格的所述第一个体采集数据作为对应的第二个体采集数据;
基于预设的基础数据检验模板对各个所述第二个体采集数据的所述第一个体信息进行基础数据合格检验生成对应的第一检验结果;并将所述第一检验结果为合格的所述第二个体采集数据作为对应的第三个体采集数据;
根据各个所述第三个体采集数据的所述第一个体信息进行样本用途分类处理得到对应的第一用途类型;并将与所述第一用途类型对应的分类仿真数据库作为对应的第一目标数据库;所述第一用途类型包括第一、第二、第三、第四和第五类用途;所述分类仿真数据库包括第一、第二、第三、第四和第五类仿真数据库;第一、第二、第三、第四和第五类用途分别与所述第一、第二、第三、第四和第五类仿真数据库对应;
对各个所述第三个体采集数据的所述第一个体脑影像数据集进行数据增强处理生成对应的第一个体增强数据集;所述第一个体增强数据集包括多个第一脑影像数据组;所述第一脑影像数据组包括第一T1结构像、第一全脑3D高分辨率结构像、第一静息状态功能磁共振成像和第一弥散张量成像组;所述第一弥散张量成像组包括一个第一高b值弥散张量成像和四个第一零b值弥散张量成像;
对各个所述第一脑影像数据组进行多模态脑影像特征融合处理得到对应的第一融合特征图;并由得到的所有所述第一融合特征图组成对应的第一融合特征图集;
将各个所述第三个体采集数据和对应的所述第一个体增强数据集和所述第一融合特征图集组成对应的第一个体仿真数据记录;并将各个所述第一个体仿真数据记录添加到对应的所述第一目标数据库中。
2.根据权利要求1所述的用于阿尔茨海默症研究的脑影像数据处理方法,其特征在于,所述接收第一采集数据集合之前所述方法还包括对所述第一采集数据集合进行采集条件限定,具体为:
限定T1结构像的采集条件为:扫描方式为轴状位扫描,重复时间TR为1924ms,回波时间TE为75ms,层内2D分辨率为256×256,扫描视野FOV为240mm×240mm,扫描层数为20层,扫描层厚为5mm,扫面层间距为1mm;
限定全脑3D高分辨率结构像的采集条件为:扫描方式为轴状位扫描,重复时间TR为2530ms,回波时间TE为4.2ms,反演TI为900ms,3D分辨率为256×256×192,扫描视野FOV为256mm×256mm,扫描层厚为1mm,扫面翻转角度为80度;
限定静息状态功能磁共振成像的采集条件为:扫描方式为轴状位扫描,重复时间TR为2000ms,回波时间TE为40ms,层内2D分辨率为64×64,扫描视野FOV为240mm×240mm,扫面翻转角度为90度,扫面层数为36层,扫面层厚为3mm,扫面层间距为1mm,扫描时间不低于6分钟;
限定弥散张量成像组的采集条件为:扫描方式为轴位扫描,重复时间TR为9000ms,回波时间TE为85ms,扫描视野FOV为256mm×256mm,层内2D分辨率为128×128,扫面层厚为2mm,扫面层间距为零间隔,弥散梯度的方向分量总数大于65,b值参数包括bh和b0、bh=1000s/mm2、b0=0s/mm2;并限定由一次高b值弥散张量成像采集生成的所述高b值弥散张量成像和四次零b值弥散张量成像采集生成的四个所述零b值弥散张量成像组成对应的所述弥散张量成像组,并限定在所述高b值弥散张量成像采集时对应的所述b值参数为bh,并限定在所述零b值弥散张量成像采集时对应的所述b值参数为b0。
3.根据权利要求1所述的用于阿尔茨海默症研究的脑影像数据处理方法,其特征在于,
所述第一个体信息包括多个信息数据项;所述信息数据项具体为姓名、年龄、性别、母语、右利手状态、听觉等级、血检结果列表、尿检结果列表、APOE基因检测列表、汉密尔顿焦虑量表、Hachinski缺血指数量表、社会活动功能量表、蒙特利尔认知评估基础量表、简易智力状态检查量表、两系三代精神障碍者统计数量、MRI检查禁忌状态、酒精滥用史状态、抑郁症病史状态、躯体疾病史状态、颅脑外伤史状态、脑卒中病史状态、神经与精神疾病史状态、认知功能下降状态、脑结构异常状态、认知功能障碍综合征等级、阿尔茨海默症等级或体内植入介质列表;
所述第一个体脑影像数据集的所述静息状态功能磁共振成像为一个图像序列记为对应的第一图像序列,所述第一图像序列中每两个相邻的第一图像之间的时间间隔为对应的功能磁共振成像的重复时间TR;
所述第一个体脑影像数据集的所述高b值弥散张量成像和所述零b值弥散张量成像各自都为一个图像序列记为对应的第二、第三图像序列,所述第二图像序列中每两个相邻的第二图像的时间间隔以及所述第三图像序列中每两个相邻的第三图像的时间间隔都为对应的弥散张量成像的重复时间TR;
所述个体排查模板包括多个数据排查条件;各个所述数据排查条件与一个或多个指定的所述信息数据项关联;各个所述数据排查条件用于对关联的一个或多个所述信息数据项进行不合格数据排查;
所述基础数据检验模板包括多个数据检验条件;各个所述数据检验条件与一个或多个指定的所述信息数据项关联;各个所述数据检验条件用于对关联的一个或多个所述信息数据项进行基础数据检验。
4.根据权利要求3所述的用于阿尔茨海默症研究的脑影像数据处理方法,其特征在于,所述基于预设的个体排查模板对各个所述第一个体采集数据的所述第一个体信息进行不合格个体排查生成对应的第一排查结果,具体包括:
基于所述个体排查模板的各个所述数据排查条件对所述第一个体信息中一个或多个关联的所述信息数据项进行不合格数据排查得到对应的第一数据项排查结果;所述第一数据项排查结果包括数据合格和数据不合格;
对得到的所有所述第一数据项排查结果是否都为数据合格进行识别;若是,则设置对应的所述第一排查结果为合格;若否,则设置对应的所述第一排查结果为不合格。
5.根据权利要求3所述的用于阿尔茨海默症研究的脑影像数据处理方法,其特征在于,所述基于预设的基础数据检验模板对各个所述第二个体采集数据的所述第一个体信息进行基础数据合格检验生成对应的第一检验结果,具体包括:
基于所述基础数据检验模板的各个所述数据检验条件对所述第一个体信息中关联的一个或多个所述信息数据项进行基础数据检验得到对应的第一数据项检验结果;所述第一数据项检验结果包括数据达标和数据不达标;
对得到的所有所述第一数据项检验结果是否都为数据达标进行识别;若是,则设置对应的所述第一检验结果为合格;若否,则设置对应的所述第一检验结果为不合格。
6.根据权利要求3所述的用于阿尔茨海默症研究的脑影像数据处理方法,其特征在于,所述根据各个所述第三个体采集数据的所述第一个体信息进行样本用途分类处理得到对应的第一用途类型,具体包括:
对所述第一个体信息进行样本特征向量转换得到对应的第一样本特征向量;所述第一样本特征向量包括多个第一特征向量数据,各个所述第一特征向量数据均为一个实数;所述第一样本特征向量中所述第一特征向量数据的数量固定为已知的第一数量N,N为大于0的整数;
基于向量掩膜公式根据预设的第一、第二、第三、第四和第五掩膜向量对所述第一样本特征向量进行样本特征向量掩膜处理生成对应的第一、第二、第三、第四和第五掩膜特征向量;所述第一、第二、第三、第四和第五掩膜向量均由N个掩膜向量数据组成,各个所述掩膜向量数据的取值为0或1;所述第一、第二、第三、第四和第五掩膜特征向量均由N个掩膜特征向量数据组成;所述向量掩膜公式为:vi,j=sj*mi,j,1≤i≤5,1≤j≤N;sj为所述第一样本特征向量的第j个所述第一特征向量数据;mi,j为所述第一、第二、第三、第四或第五掩膜向量的第j个所述掩膜向量数据,mi,j的取值为0或1;vi,j为所述第一、第二、第三、第四或第五掩膜特征向量的第j个所述掩膜特征向量数据,
基于余弦距离公式对所述第一、第二、第三、第四和第五掩膜特征向量与预设的第一、第二、第三、第四和第五标签向量的余弦距离进行计算得到对应的第一、第二、第三、第四和第五余弦距离;所述第一、第二、第三、第四和第五标签向量均由N个标签向量数据组成;所述第一、第二、第三、第四和第五标签向量各自对应的用途类型为所述第一、第二、第三、第四和第五类用途;所述余弦距离公式为:Vi为所述第一、第二、第三、第四和第五掩膜特征向量;Bi为所述第一、第二、第三、第四或第五标签向量;di为所述第一、第二、第三、第四或第五余弦距离;所述第一、第二、第三、第四和第五余弦距离中最多只有一个余弦距离的值为1;
对所述第一、第二、第三、第四和第五余弦距离中是否存在值为1的唯一余弦距离进行识别;若存在,则将值为1的唯一余弦距离作为对应的匹配余弦距离,并将所述匹配余弦距离对应的所述第一、第二、第三、第四或第五类用途作为对应的第一用途类型。
7.根据权利要求6所述的用于阿尔茨海默症研究的脑影像数据处理方法,其特征在于,所述对所述第一个体信息进行样本特征向量转换得到对应的第一样本特征向量,具体包括:
基于预设的常数项信息量化转换规则,对所述第一个体信息中具体为年龄、性别、母语、右利手状态、听觉等级、两系三代精神障碍者统计数量、MRI检查禁忌状态、酒精滥用史状态、抑郁症病史状态、躯体疾病史状态、颅脑外伤史状态、脑卒中病史状态、神经与精神疾病史状态、认知功能下降状态、脑结构异常状态、认知功能障碍综合征等级或阿尔茨海默症等级的所述信息数据项进行数值量化转换得到对应的所述第一特征向量数据;
基于预设的血检结果列表分项检测结果量化转换规则,对所述第一个体信息中具体为血检结果列表的所述信息数据项的各个分项检测结果进行量化转换得到对应的多个所述第一特征向量数据;
基于预设的尿检结果列表分项检测结果量化转换规则,对所述第一个体信息中具体为尿检结果列表的所述信息数据项的各个分项检测结果进行量化转换得到对应的多个所述第一特征向量数据;
基于预设的基因检测列表分项检测结果量化转换规则,对所述第一个体信息中具体为APOE基因检测列表的所述信息数据项的各个分项检测结果进行量化转换得到对应的多个所述第一特征向量数据;
基于预设的汉密尔顿焦虑量表评分规则,根据所述第一个体信息中具体为汉密尔顿焦虑量表的所述信息数据项进行评分估计并将得到的估计分值作为对应的所述第一特征向量数据;
基于预设的Hachinski缺血指数量表评分规则,根据所述第一个体信息中具体为Hachinski缺血指数量表的所述信息数据项进行评分估计并将得到的估计分值作为对应的所述第一特征向量数据;
基于预设的社会活动功能量表评分规则,根据所述第一个体信息中具体为社会活动功能量表的所述信息数据项进行评分估计并将得到的估计分值作为对应的所述第一特征向量数据;
基于预设的蒙特利尔认知评估基础量表评分规则,根据所述第一个体信息中具体为蒙特利尔认知评估基础量表的所述信息数据项进行评分估计并将得到的估计分值作为对应的所述第一特征向量数据;
基于预设的简易智力状态检查量表评分规则,根据所述第一个体信息中具体为简易智力状态检查量表的所述信息数据项进行评分估计并将得到的估计分值作为对应的所述第一特征向量数据;
基于预设的体内植入介质列表分项介质量化转换规则,对所述第一个体信息中具体为体内植入介质列表的所述信息数据项的各个分项介质进行量化转换得到对应的多个所述第一特征向量数据;
对由所述第一个体信息中除姓名之外的所有所述信息数据项转换得到的所有所述第一特征向量数据进行排序得到对应的所述第一样本特征向量。
8.根据权利要求3所述的用于阿尔茨海默症研究的脑影像数据处理方法,其特征在于,所述对各个所述第三个体采集数据的所述第一个体脑影像数据集进行数据增强处理生成对应的第一个体增强数据集,具体包括:
对所述第一个体脑影像数据集的所述静息状态功能磁共振成像的扫描时长进行提取得到对应的第一时长L;并以所述静息状态功能磁共振成像的重复时间TR为间隔时长△L对所述第一时长L进行等间隔顺序切分得到第二数量P个采样时间点tk,1≤k≤P;每个所述时间采样点tk对应一个所述第一图像;
将所述静息状态功能磁共振成像中从预设的起始采样时间点ts到最后一个所述采样时间点tk的所有所述第一图像提取出来组成对应的第一有效图像序列;并将所述第一有效图像序列记为对应的有效功能磁共振成像;所述起始采样时间点ts默认为第11个采样时间点t11;
当所述第一时长L等于预设的最小时长阈值时,由所述第一个体脑影像数据集的所述T1结构像、所述全脑3D高分辨率结构像、所述弥散张量成像组和所述有效功能磁共振成像组成第一个所述第一脑影像数据组;并基于预设的多个数据仿真模型对第一个所述第一脑影像数据组进行多次数据仿真处理得到多个衍生的所述第一脑影像数据组;并由得到的所有所述第一脑影像数据组构成对应的所述第一个体增强数据集;所述多个数据仿真模型包括基于对抗生成网络实现的数据仿真模型、基于灰度变换增强算法实现的数据仿真模型、基于图像平滑/锐化算法实现的数据仿真模型、基于色彩增强算法实现的数据仿真模型和基于频域增强算法实现的数据仿真模型;
当所述第一时长L等于预设的最小时长阈值时,按预设的滑动步长和子序列长度对所述第一有效图像序列进行连续图像子序列滑动截取得到对应的多个第一子图像序列,并将每个所述第一子图像序列作为所述有效功能磁共振成像的一个子功能磁共振成像;并由所述第一个体脑影像数据集的所述T1结构像、所述全脑3D高分辨率结构像以及所述弥散张量成像组和每个所述子功能磁共振成像组成一组对应的脑影像数据子集;并基于所述多个数据仿真模型对各个所述脑影像数据子集进行多次子集数据仿真处理得到对应的多个所述第一脑影像数据组;并由得到的所有所述第一脑影像数据组组成对应的所述第一个体增强数据集;
其中,
在每次对第一个所述第一脑影像数据组进行数据仿真处理时都基于所述多个数据仿真模型中一个指定数据仿真模型对第一个所述第一脑影像数据组的所述T1结构像、所述全脑3D高分辨率结构像、所述有效功能磁共振成像和所述弥散张量成像组分别进行数据仿真处理从而得到对应的所述第一T1结构像、所述第一全脑3D高分辨率结构像、所述第一静息状态功能磁共振成像和所述第一弥散张量成像组构成对应的所述第一脑影像数据组;
在每次对各个所述脑影像数据子集进行子集数据仿真处理时,都基于所述多个数据仿真模型中一个所述指定数据仿真模型对当前所述脑影像数据子集的所述T1结构像、所述全脑3D高分辨率结构像、所述子功能磁共振成像和所述弥散张量成像组分别进行数据仿真处理从而得到对应的所述第一T1结构像、所述第一全脑3D高分辨率结构像、所述第一静息状态功能磁共振成像和所述第一弥散张量成像组构成对应的所述第一脑影像数据组;
在对所述T1结构像进行数据仿真处理时基于所述指定数据仿真模型对所述T1结构像进行仿真生成对应的所述第一T1结构像;
在对所述全脑3D高分辨率结构像进行数据仿真处理时基于所述指定数据仿真模型对所述全脑3D高分辨率结构像进行仿真生成对应的所述第一全脑3D高分辨率结构像;
在对所述有效功能磁共振成像或所述子功能磁共振成像进行数据仿真处理时,基于所述指定数据仿真模型对所述有效功能磁共振成像或所述子功能磁共振成像中的各个所述第一图像分别进行仿真生成对应的第一仿真图像,并由得到的所有所述第一仿真图像组成对应的所述第一静息状态功能磁共振成像;
在对所述弥散张量成像组进行数据仿真处理时,基于所述指定数据仿真模型对所述弥散张量成像组的所述高b值弥散张量成像和各个所述零b值弥散张量成像中的各个所述第二、第三图像分别进行仿真生成对应的第二、第三仿真图像,并由得到的所有所述第二仿真图像组成对应的所述第一高b值弥散张量成像,并由各个所述零b值弥散张量成像对应的所有所述第三仿真图像组成对应的所述第一零b值弥散张量成像,并由得到的一个所述第一高b值弥散张量成像和四个所述第一零b值弥散张量成像组成对应的所述第一弥散张量成像组。
9.根据权利要求8所述的用于阿尔茨海默症研究的脑影像数据处理方法,其特征在于,所述对各个所述第一脑影像数据组进行多模态脑影像特征融合处理得到对应的第一融合特征图,具体包括:
基于预设的AAL模板对所述第一脑影像数据组的所述第一T1结构像在预设的大脑空间坐标系下各个脑区内的结构特征进行提取生成对应的第一结构特征张量;并基于所述AAL模板对所述第一脑影像数据组的所述第一全脑3D高分辨率结构像在所述大脑空间坐标系下各个脑区内的结构特征进行提取生成对应的第二结构特征张量;并根据所述第一、第二结构特征张量对所述大脑空间坐标系下各个脑区内的结构特征进行融合生成对应的第一全脑结构特征张量;所述AAL模板为以所述大脑空间坐标系为坐标系统的大脑解剖学自动标记模板由多个带有坐标标记的脑区构成,所述AAL模板的大脑脑区数量默认为90;所述大脑空间坐标系默认为蒙特利尔神经科学学院MNI空间坐标系;
对所述第一脑影像数据组的所述第一弥散张量成像组的一个所述第一高b值弥散张量成像和四个所述第一零b值弥散张量成像分别进行弥散特征提取生成应的第一高b值特征张量和四个第一零b值特征张量;并对四个所述第一零b值特征张量进行特征融合生成对应的第一零b值融合特征张量;并对所述第一零b值融合特征张量与所述第一高b值特征张量进行特征融合生成对应的第一弥散特征张量;并基于确定性纤维追踪算法根据所述第一弥散特征张量进行脑白质纤维追踪处理生成对应的白质纤维特征张量;并根据所述AAL模板和所述白质纤维特征张量对所述大脑空间坐标系下各个脑区内的白质纤维特征进行提取生成对应的第一全脑纤维特征张量;
对所述第一全脑结构特征张量和所述第一全脑纤维特征张量进行特征融合得到对应的第一全脑网络特征张量;
基于所述AAL模板对所述第一脑影像数据组的所述第一静息状态功能磁共振成像的各个所述第一仿真图像在所述大脑空间坐标系下各个脑区内的功能信号特征进行提取生成对应的第一时间特征张量组成对应的第一时间特征张量序列;并根据所述第一时间特征张量序列对所述大脑空间坐标系下各个脑区内功能信号的时序特征进行提取生成对应的第一全脑功能特征张量;
对所述第一全脑网络特征张量和所述第一全脑功能特征张量进行空间结构特征与时序功能特征的特征融合处理生成对应的多模态融合特征张量;并将所述多模态融合特征张量作为对应的所述第一融合特征图。
10.一种用于实现权利要求1-9任一项所述的用于阿尔茨海默症研究的脑影像数据处理方法的系统,其特征在于,所述系统包括:采集数据接收模块、第一数据筛选模块、第二数据筛选模块、筛选数据分类模块、数据增强模块、多模态融合模块、数据存储模块、第一类仿真数据库、第二类仿真数据库、第三类仿真数据库、第四类仿真数据库和第五类仿真数据库;
所述采集数据接收模块用于接收第一采集数据集合;所述第一采集数据集合包括多个第一个体采集数据;所述第一个体采集数据包括第一个体信息和第一个体脑影像数据集;所述第一个体脑影像数据集包括T1结构像、全脑3D高分辨率结构像、静息状态功能磁共振成像和弥散张量成像组,所述弥散张量成像组包括一个高b值弥散张量成像和四个零b值弥散张量成像;
所述第一数据筛选模块用于基于预设的个体排查模板对各个所述第一个体采集数据的所述第一个体信息进行不合格个体排查生成对应的第一排查结果;并将所述第一排查结果为合格的所述第一个体采集数据作为对应的第二个体采集数据;
所述第二数据筛选模块用于基于预设的基础数据检验模板对各个所述第二个体采集数据的所述第一个体信息进行基础数据合格检验生成对应的第一检验结果;并将所述第一检验结果为合格的所述第二个体采集数据作为对应的第三个体采集数据;
所述筛选数据分类模块用于根据各个所述第三个体采集数据的所述第一个体信息进行样本用途分类处理得到对应的第一用途类型;并将与所述第一用途类型对应的分类仿真数据库作为对应的第一目标数据库;所述第一用途类型包括第一、第二、第三、第四和第五类用途;第一、第二、第三、第四和第五类用途分别与所述第一、第二、第三、第四和第五类仿真数据库对应;
所述数据增强模块用于对各个所述第三个体采集数据的所述第一个体脑影像数据集进行数据增强处理生成对应的第一个体增强数据集;所述第一个体增强数据集包括多个第一脑影像数据组;所述第一脑影像数据组包括第一T1结构像、第一全脑3D高分辨率结构像、第一静息状态功能磁共振成像和第一弥散张量成像组;所述第一弥散张量成像组包括一个第一高b值弥散张量成像和四个第一零b值弥散张量成像;
所述多模态融合模块用于对各个所述第一脑影像数据组进行多模态脑影像特征融合处理得到对应的第一融合特征图;并由得到的所有所述第一融合特征图组成对应的第一融合特征图集;
所述数据存储模块用于将各个所述第三个体采集数据和对应的所述第一个体增强数据集和所述第一融合特征图集组成对应的第一个体仿真数据记录;并将各个所述第一个体仿真数据记录添加到对应的所述第一目标数据库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310153806.3A CN116364221B (zh) | 2023-02-17 | 2023-02-17 | 一种用于阿尔茨海默症研究的脑影像数据处理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310153806.3A CN116364221B (zh) | 2023-02-17 | 2023-02-17 | 一种用于阿尔茨海默症研究的脑影像数据处理方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116364221A CN116364221A (zh) | 2023-06-30 |
CN116364221B true CN116364221B (zh) | 2024-02-09 |
Family
ID=86938886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310153806.3A Active CN116364221B (zh) | 2023-02-17 | 2023-02-17 | 一种用于阿尔茨海默症研究的脑影像数据处理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116364221B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112353381A (zh) * | 2020-11-24 | 2021-02-12 | 杭州冉曼智能科技有限公司 | 基于多模态大脑影像的阿尔茨海默症综合诊断系统 |
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 |
-
2023
- 2023-02-17 CN CN202310153806.3A patent/CN116364221B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112353381A (zh) * | 2020-11-24 | 2021-02-12 | 杭州冉曼智能科技有限公司 | 基于多模态大脑影像的阿尔茨海默症综合诊断系统 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN116364221A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447183B (zh) | 预测模型训练方法、装置、设备以及介质 | |
CN109035263B (zh) | 基于卷积神经网络的脑肿瘤图像自动分割方法 | |
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 | |
Roumazeilles et al. | Longitudinal connections and the organization of the temporal cortex in macaques, great apes, and humans | |
CN107016395B (zh) | 稀疏表示的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别系统 | |
CN104414636B (zh) | 基于磁共振图像的脑微出血计算机辅助检测系统 | |
Hosseini et al. | Comparative performance evaluation of automated segmentation methods of hippocampus from magnetic resonance images of temporal lobe epilepsy patients | |
CN110840468A (zh) | 自闭症风险评估方法及装置、终端设备、存储介质 | |
CN113962930B (zh) | 阿尔茨海默病风险评估模型建立方法和电子设备 | |
Salami et al. | Designing a clinical decision support system for Alzheimer’s diagnosis on OASIS-3 data set | |
Han et al. | A novel convolutional variation of broad learning system for Alzheimer’s disease diagnosis by using MRI images | |
CN103345633A (zh) | 一种用于阿尔兹海默病早期发现的结构性核磁共振影像处理方法 | |
Pitchai et al. | Region convolutional neural network for brain tumor segmentation | |
Sveinsson et al. | Synthesizing quantitative T2 maps in right lateral knee femoral condyles from multicontrast anatomic data with a conditional generative adversarial network | |
Liu et al. | An ensemble hybrid feature selection method for neuropsychiatric disorder classification | |
Pereira et al. | An extended-2D CNN for multiclass Alzheimer's Disease diagnosis through structural MRI | |
CN116705300A (zh) | 基于体征数据分析的医疗决策辅助方法、系统及存储介质 | |
Chen et al. | Individualized prediction of schizophrenia based on the whole‐brain pattern of altered white matter tract integrity | |
Yang et al. | Diagnosis of Parkinson’s disease based on 3D ResNet: The frontal lobe is crucial | |
CN116452592B (zh) | 脑血管病ai认知功能评测模型的构建方法、装置及系统 | |
Mahim et al. | Unlocking the potential of XAI for improved alzheimer’s disease detection and classification using a ViT-GRU model | |
CN116959714A (zh) | 一种自闭症谱系障碍分类方法、电子设备及存储介质 | |
CN116364221B (zh) | 一种用于阿尔茨海默症研究的脑影像数据处理方法和系统 | |
Lee et al. | Registration and quantification network (RQnet) for IVIM‐DKI analysis in MRI | |
Supriyanti et al. | Coronal slice segmentation using a watershed method for early identification of people with Alzheimer's |
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 |