CN116369891A - 轻度认知障碍发展进程预测方法、装置和计算机设备 - Google Patents
轻度认知障碍发展进程预测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN116369891A CN116369891A CN202310229196.0A CN202310229196A CN116369891A CN 116369891 A CN116369891 A CN 116369891A CN 202310229196 A CN202310229196 A CN 202310229196A CN 116369891 A CN116369891 A CN 116369891A
- Authority
- CN
- China
- Prior art keywords
- white matter
- voxels
- hippocampal
- subzone
- 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.)
- Pending
Links
- 208000010877 cognitive disease Diseases 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 109
- 208000027061 mild cognitive impairment Diseases 0.000 title claims abstract description 52
- 238000011161 development Methods 0.000 title claims description 74
- 239000000835 fiber Substances 0.000 claims abstract description 203
- 210000004885 white matter Anatomy 0.000 claims abstract description 179
- 230000000971 hippocampal effect Effects 0.000 claims abstract description 111
- 230000008859 change Effects 0.000 claims abstract description 94
- 210000004556 brain Anatomy 0.000 claims abstract description 80
- 238000002598 diffusion tensor imaging Methods 0.000 claims abstract description 63
- 101000831205 Danio rerio Dynein axonemal assembly factor 11 Proteins 0.000 claims abstract description 62
- 102100024282 Dynein axonemal assembly factor 11 Human genes 0.000 claims abstract description 62
- 241001559542 Hippocampus hippocampus Species 0.000 claims abstract description 62
- 101000831210 Homo sapiens Dynein axonemal assembly factor 11 Proteins 0.000 claims abstract description 62
- 230000011218 segmentation Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims abstract description 23
- 230000018109 developmental process Effects 0.000 claims description 73
- 210000001320 hippocampus Anatomy 0.000 claims description 72
- 230000008569 process Effects 0.000 claims description 61
- 238000009792 diffusion process Methods 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 19
- 208000028698 Cognitive impairment Diseases 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 201000010099 disease Diseases 0.000 abstract description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 15
- 230000004083 survival effect Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 210000004884 grey matter Anatomy 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000002595 magnetic resonance imaging Methods 0.000 description 7
- 230000037361 pathway Effects 0.000 description 7
- 206010012289 Dementia Diseases 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 210000003710 cerebral cortex Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 210000004727 amygdala Anatomy 0.000 description 2
- 210000000133 brain stem Anatomy 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 238000002597 diffusion-weighted imaging Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 210000001652 frontal lobe Anatomy 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000004126 nerve fiber Anatomy 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 210000005111 ventral hippocampus Anatomy 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 210000001159 caudate nucleus Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 210000005110 dorsal hippocampus Anatomy 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 210000003140 lateral ventricle Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000006417 multiple sclerosis Diseases 0.000 description 1
- 210000003666 myelinated nerve fiber Anatomy 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 210000001769 parahippocampal gyrus Anatomy 0.000 description 1
- 230000001936 parietal effect Effects 0.000 description 1
- 210000001152 parietal lobe Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000011165 process development Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 230000007425 progressive decline Effects 0.000 description 1
- 210000002637 putamen Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 230000002739 subcortical effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
- 210000001103 thalamus Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- High Energy & Nuclear Physics (AREA)
- Data Mining & Analysis (AREA)
- Neurology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及一种轻度认知障碍发展进程预测方法、装置、计算机设备、存储介质和计算机程序产品。该方法包括：获取轻度认知障碍患者多次随访的第一弥散张量成像图；对各第一弥散张量成像图进行处理，提取海马所有体素和大脑其它体素之间的白质纤维；根据海马所有体素和大脑其它体素之间的白质纤维，对海马进行区域分割，构建海马亚区；根据海马亚区的白质纤维的目标特征的梯度变化，构建各海马亚区的白质纤维的第一梯度变化特征；根据患者的基础信息、临床信息和海马亚区的白质纤维的第一梯度变化特征，预测被测对象的认知障碍发展进程。该方法可以把疾病分类准确性、特异性提高，能够预测预测被测对象的认知障碍发展进程。
Description
技术领域
本申请涉及图像处理、人工智能和医疗技术领域，特别是涉及一种认知障碍发展进程预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
阿尔茨海默病(Alzheimer disease，AD)是一种以记忆和其他认知功能进行性下降为特征的神经系统退行性疾病，具有不可逆性，占所有痴呆患者的60％～80％。轻度认知障碍(mild cognitive impairment，MCI)是介于正常老化过程和AD之间的过渡阶段。
近年来，随着神经影像学的快速发展，可使用结构磁共振成像(magneticresonance imaging，MRI)和功能MRI对轻度认知障碍进行鉴别诊断。经达研究发现，脑部海马体的变化与轻度认知障碍具有密切关系。以往的研究把海马作为一个整体分析，或者是提取亚区，把各个亚区分别作为整体分析。但大脑不是由离散的部分构成的，其功能以逐步过渡的梯度方式组织。这种梯度变化的一个体现在：前海马体主要与额叶、前颞叶功能相连，后海马体与后顶叶-枕叶区域功能相连。大脑的功能是其结构基础支持的，因此我们有充分理由海马相关的纤维连接也具有前-后梯度变化的特点。
与大脑其他主要的白质通路相比，海马与大脑其他区域的白质纤维连接更窄、更弯曲，因此限制了研究这些通路的微观结构和连通性的能力，因此对它们的了解相对较少。目前把海马作整体分析，默认所有区域白质纤维连接一致这一前提假设，与海马结构梯度变化的实际情况不符，从而导致检测结果不准确。
发明内容
基于此，有必要针对上述技术问题，提供一种能够检测准确度的轻度认知障碍发展进程预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
一种轻度认知障碍发展进程预测方法，所述方法包括：
获取轻度认知障碍患者多次随访的第一弥散张量成像图；
对各所述第一弥散张量成像图进行处理，提取海马所有体素和大脑其它体素之间的白质纤维；
根据所述海马所有体素和大脑其它体素之间的白质纤维，对海马进行区域分割，构建海马亚区；
根据所述海马亚区的白质纤维的目标特征的梯度变化，构建各所述海马亚区的白质纤维的第一梯度变化特征；
根据所述患者的基础信息、临床信息和所述海马亚区的白质纤维的第一梯度变化特征，预测所述被测对象的认知障碍发展进程。
在其中一个实施例中，对各所述第一弥散张量成像图序列进行处理，提取海马所有体素和大脑其它体素之间的白质纤维束白质纤维，包括：
对所述第一弥散张量成像图进行预处理；
对预处理后的所述第一弥散张量成像图进行分析，得到扩散特征值和扩散方向；
根据所述扩散特征值和扩散方向，从海马体内每个体素到大脑其它体素进行纤维追踪，提取海马所有体素和大脑其它体素之间的白质纤维。
在其中一个实施例中，根据所述海马所有体素和大脑其它体素之间的白质纤维，对海马进行区域分割，构建海马亚区，包括：
根据所述海马所有体素和大脑其它体素之间的白质纤维，构建海马所有体素和大脑其它体素之间的白质纤维连接矩阵；
根据所述白质纤维连接矩阵，交换海马体所有体素-海马所有体素间互相关矩阵的行和列，并使用分割算法获得海马亚区。
在其中一个实施例中，根据海马亚区白质纤维的目标特征的梯度变化，构建各所述海马亚区的白质纤维的第一梯度变化特征，包括：
将所述海马亚区的白质纤维分割为多段，提取各所述海马亚区的白质纤维每段的目标特征的平均特征，得到海马亚区的白质纤维的第一梯度变化特征。
在其中一个实施例中，根据所述患者的基础信息、临床信息和所述海马亚区的白质纤维的第一梯度变化特征，预测所述被测对象的认知障碍发展进程，包括：
将所述患者的基础信息、临床信息和所述海马亚区的白质纤维的第一梯度变化特征，输入至预先训练好的认知障碍发展进程预测模型，预测所述被测对象的认知障碍发展进程。
在其中一个实施例中，所述认知障碍发展进程预测模型的训练方式，包括：
获取第一训练集；所述第一训练集包括了多个患者的多次随访的第二弥散张量成像图，对应患者的基础信息、临床信息、及对所述第二弥散张量成像图标注的实际认知障碍发展进程；
对各所述第二弥散张量成像图序列进行处理，提取海马所有体素和大脑其它体素之间的白质纤维；
根据白质纤维对海马进行区域分割，构建海马亚区；
根据海马亚区白质纤维的目标特征的梯度变化，构建各所述海马亚区的白质纤维的第二梯度变化特征；
将所述被测对象的基础信息、临床信息和所述海马亚区的白质纤维的第二梯度变化特征输入至待训练的认知障碍发展进程预测模型，预测所述被测对象的认知障碍发展进程；
根据预测的认知障碍发展进程和标注的实际认知障碍发展进程的差异对所述认知障碍发展进程预测模型进行调整，满足训练结束条件时，得到训练好的认知障碍发展进程预测模型。
在其中一个实施例中，所述海马亚区白质纤维的目标特征，是基于分类模型训练所确定的与轻度认知障碍相关的海马亚区白质纤维的特征。
一种轻度认知障碍发展进程预测装置，所述装置包括：
获取模块，用于获取轻度认知障碍患者多次随访的第一弥散张量成像图；
白质纤维提取模块，用于对各所述第一弥散张量成像图进行处理，提取海马所有体素和大脑其它体素之间的白质纤维；
海马亚区分割模块，用于根据所述海马所有体素和大脑其它体素之间的白质纤维，对海马进行区域分割，构建海马亚区；
梯度变化模块，用于根据海马亚区白质纤维的目标特征的梯度变化，构建各所述海马亚区的白质纤维的第一梯度变化特征；
预测模块，用于根据所述患者的基础信息、临床信息和所述海马亚区的白质纤维的第一梯度变化特征，预测所述被测对象的认知障碍发展进程。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取轻度认知障碍患者多次随访的第一弥散张量成像图；
对各所述第一弥散张量成像图进行处理，提取海马所有体素和大脑其它体素之间的白质纤维；
根据所述海马所有体素和大脑其它体素之间的白质纤维，对海马进行区域分割，构建海马亚区；
根据所述海马亚区的白质纤维的目标特征的梯度变化，构建各所述海马亚区的白质纤维的第一梯度变化特征；
根据所述患者的基础信息、临床信息和所述海马亚区的白质纤维的第一梯度变化特征，预测所述被测对象的认知障碍发展进程。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现以下步骤：
获取轻度认知障碍患者多次随访的第一弥散张量成像图；
对各所述第一弥散张量成像图进行处理，提取海马所有体素和大脑其它体素之间的白质纤维；
根据所述海马所有体素和大脑其它体素之间的白质纤维，对海马进行区域分割，构建海马亚区；
根据所述海马亚区的白质纤维的目标特征的梯度变化，构建各所述海马亚区的白质纤维的第一梯度变化特征；
根据所述患者的基础信息、临床信息和所述海马亚区的白质纤维的第一梯度变化特征，预测所述被测对象的认知障碍发展进程。
一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取轻度认知障碍患者多次随访的第一弥散张量成像图；
对各所述第一弥散张量成像图进行处理，提取海马所有体素和大脑其它体素之间的白质纤维；
根据所述海马所有体素和大脑其它体素之间的白质纤维，对海马进行区域分割，构建海马亚区；
根据所述海马亚区的白质纤维的目标特征的梯度变化，构建各所述海马亚区的白质纤维的第一梯度变化特征；
根据所述患者的基础信息、临床信息和所述海马亚区的白质纤维的第一梯度变化特征，预测所述被测对象的认知障碍发展进程。
上述认知障碍发展进程预测方法、装置、计算机设备、存储介质和计算机程序产品，通过对被测对象多次随访的弥散张量成像图，计算海马亚区的白质纤维的第一梯度变化特征，根据基础信息、临床信息和海马亚区的白质纤维的第一梯度变化特征进行预测，由于利用了更丰富的海马亚区的白质纤维的第一梯度变化特征的变化的信息，因此可以把疾病分类准确性、特异性提高，能够预测预测被测对象的认知障碍发展进程，从而帮助医生和患者提前进行干预，减缓病程发展。
附图说明
图1为一个实施例中轻度认知障碍发展进程预测方法的应用环境图；
图2为一个实施例中轻度认知障碍发展进程预测方法的流程示意图；
图3为一个实施例中的海马结构的示意图；
图4为一个实施例中预测的轻度认知障碍患者的认知障碍发展进程的说明示意图；
图5为一个实施例中轻度认知障碍发展进程预测装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的轻度认知障碍发展进程预测方法，可以应用于如图1所示的应用环境中。其中，检测终端102通过与处理终端104进行通信。检测终端可以设置有数据存储系统，如检测终端采集的检测影像。检测终端102将检测影像发送至处理终端104处理。检测终端可以为MRI(磁共振成像)设备。检测终端采集被测对象的脑部影像数据，如脑部MRI图像，发送至处理终端104，处理终端获取轻度认知障碍患者多次随访的第一弥散张量成像图；对各所述第一弥散张量成像图进行处理，提取海马所有体素和大脑其它体素之间的白质纤维；根据所述海马所有体素和大脑其它体素之间的白质纤维，对海马进行区域分割，构建海马亚区；根据海马亚区白质纤维的目标特征的梯度变化，构建各所述海马亚区的白质纤维的第一梯度变化特征；根据所述患者的基础信息、临床信息和所述海马亚区的白质纤维的第一梯度变化特征，预测所述被测对象的认知障碍发展进程。
在一个实施例中，如图2所示，提供了一种轻度认知障碍发展进程预测方法，以该方法应用于图1中的处理终端为例进行说明，包括以下步骤：
步骤202，获取轻度认知障碍患者多次随访的第一弥散张量成像图。
弥散张量成像图(diffusion tensor imaging，DTI)，是一种描述大脑结构的新方法，是弥散加权成像(diffusion weighted imaging,DW I)的发展和深化，能有效观察和追踪脑白质纤维。举例来说，如果说核磁共振成像是追踪水分子中的氢原子，那么弥散张量成像便是依据水分子移动方向制图。弥散张量成像图可以揭示脑瘤如何影响神经细胞连接，引导医疗人员进行大脑手术。它还可以揭示同中风、多发性硬化症、精神分裂症、阅读障碍有关的细微反常变化。
其中，将被诊断为轻度认知发展障碍的患者作为被测对象。利用被测对象的多次随访的弥散张量成像图进行预测。多次随访的弥散张量成像图，即每次随访的弥散张量成像图，通过挖掘多次随访弥散张量成像图的变化，对轻度认知障碍的发展进程进行预测。
弥散张量成像图具有高分辨率，除了具有更高空间分辨率(亚毫米级，可以达到760μm各向异性，甚至300μm)，还具有多个扩散强度(“多壳”)和多个扩散方向(例如94例391方向的弥散张量数据)。
步骤204，对各所述第一弥散张量成像图进行处理，提取海马所有体素和大脑其它体素之间的白质纤维。
大脑的白质由有髓神经纤维束组成，称为束或纤维通路。这些纤维在半球或脑干形成一个复杂的三维结构。DTI弥散张量成像，是一种描述大脑结构的新方法，是核磁共振成像(MRI)的特殊形式。可以以三维形式显示神经纤维束的走向！能无创性显示活体白质及白质束走行，实现对人体神经纤维束的精细成像。
具体地，大脑海马区(hippocampus)是帮助人类处理长期学习与记忆声光、味觉等事件的大脑区域。在医学上，“海马区”是大脑皮质的一个内褶区，在“侧脑室”底部绕“脉络膜裂”形成一弓形隆起，它由两个扇形部分所组成，有时将两者合称海马结构。一个实施例中的海马结构如图3所示的脑部图像中的301区域。
其中，可先对第一弥散张量成像图进行预处理，预处理包括配准处理和涡流校正处理。在预处理后，对预处理的第一弥散张量成像图进行分析，提取扩散特征值和扩散方向。根据扩散特征值和扩散方向，对全脑纤维进行追踪。具体地，从海马内每个体素到大脑灰质/白质界面的所有顶点进行概率束成像，以评估海马每个脑体素的连通性，使用的模型考虑了每个体素可能具有多个纤维方向。
步骤206，根据所述海马所有体素和大脑其它体素之间的白质纤维，对海马进行区域分割，构建海马亚区。
通过将脑区体素按照其最高连接概率的皮质区域进行分类，可以将海马划分为不同的连接定义区域，假设这些区域对应于海马不同分区，并且这些分区具有梯度变化的特点。如此，可以得到海马所有体素和大脑其它体素之间的白质纤维连接矩阵，根据白质纤维连接矩阵，对海马进行分割，构建海马亚区。
步骤208，根据海马亚区的白质纤维的目标特征的梯度变化，构建各所述海马亚区的白质纤维的第一梯度变化特征。
具体地，海马亚区具有梯度变化的特点。目标特征是基于分类模型训练所确定的与轻度认知障碍相关的海马亚区白质纤维的特征。根据这些特征的梯度变化，构建各所述海马亚区的白质纤维的第一梯度变化特征。
步骤210，根据所述患者的基础信息、临床信息和所述海马亚区的白质纤维的第一梯度变化特征，预测所述被测对象的认知障碍发展进程。
其中，基础信息包括年龄、性别和教育程度等。
其中，临床信息包括临床检验信息，包括但不限于MRS指标、ADAS-Cog13、FAQ、MMSE等。
本实施例中，通过利用轻度认知障碍患者多次随访中海马亚区的白质纤维的第一梯度变化特征，挖掘轻度认知障碍患者的大脑白质微变化进程，进而，预计被测对象的认知障碍发展进程。如在第一次随访，海马亚区A投射负责工作记忆，海马亚区B负责情景记忆，但是在第二次随访，海马亚区A至海马亚区B的白质纤维出现了中断，疾病影响到了记忆功能，则可以预计该患者在第一次随访和第二随访这段时间病程发生了变化，利用多次随访的变化，预测被测对象的认知障碍发展进程。
其中，认知障碍发展进程包括未来一段时间内各时间点发展为不同程度认知障碍的概率。应当注意的是，这种认知障碍发展进程并不是诊断，而是一种概率预测，能够帮助患者了解疾病发展进程，帮助医生做出医疗干预的辅助手段。
其中，认知障碍包括三种不同程度认知障碍，分别为轻度认知障碍、中度认知障碍和重度认知障碍。一个实施例预测的轻度认知障碍患者的认知障碍发展进程如图4所示，分别展示了该被测对象发展在未来各时间点发展为轻度认知障碍的概率，在未来各时间点发展为中度认知障碍的概率，以及在未来各时间点发展为重度认知障碍的概率。
上述的认知障碍发展进程预测方法，通过对被测对象多次随访的弥散张量成像图，计算海马亚区的白质纤维的第一梯度变化特征，根据基础信息、临床信息和海马亚区的白质纤维的第一梯度变化特征进行预测，由于利用了更丰富的海马亚区的白质纤维的第一梯度变化特征的变化的信息，因此可以把疾病分类准确性、特异性提高，能够预测预测被测对象的认知障碍发展进程，从而帮助医生和患者提前进行干预，减缓病程发展。
在另一个实施例中，对各所述第一弥散张量成像图序列进行处理，提取海马所有体素和大脑其它体素之间的白质纤维，包括：对所述第一弥散张量成像图进行预处理；对预处理后的所述第一弥散张量成像图进行分析，得到扩散特征值和扩散方向；根据所述扩散特征值和扩散方向，从海马体内每个体素到大脑其它体素进行全脑纤维追踪，提取海马所有体素和大脑其它体素之间的白质纤维。
在梯度线圈中，由于磁化率引起的畸变和涡流，扩散加权图像容易发生畸变。EDDY提供了一种纠正涡流畸变和主体运动的方法。它还可以使用一个场图(由TOPUP估计)来考虑和纠正磁敏感引起的失真。它还允许检测异常值、运动导致信号丢失损坏的数据点。最后，它允许基于层的异常值检测和替换，以及层到卷的配准。
一个可选的预处理步骤是运行mri_degibbs，它从数据中删除Gibbs环状伪影。这些伪影看起来就像池塘里的涟漪，在b值为0的图像中最为明显。用mrview检查预处理前后的数据，以确定预处理步骤是否使数据更好，更差，或没有影响。如果在数据中没有看到任何Gibbs伪影，省略此步骤。
其中，对预处理后的第一弥散张量成像图进行分析，可以采用弥散张量模型。具体地，对已经预处理和涡流校正的数据，在每个体素上都拟合一个弥散张量模型。
对于扩散加权图像，可以将大脑中每个体素的扩散特征模拟为特征向量和特征值的组合：特征向量表示扩散的方向，特征值表示扩散的大小。然后，可以使用许多不同的方程来计算该体素中扩散的不同属性。这种扩散张量成像最常用的方程叫做分数各向异性，简称FA。分数各向异性是每个体素中特征值的加权和。较高的FA值表明沿一个方向的扩散更大，较低的FA值表明要么扩散很少，要么扩散是不受约束的。
除了FA，还有一些其他度量：平均扩散系数(MD):特征值的平均值，计算方法是将特征值相加并除以3。对识别脑病理如水肿很有用；轴向扩散系数(AD):最大特征值的值；径向扩散系数(RD):两个最小特征值的平均值。常用于分析取向相同的大纤维束，如胼胝体。
为了确定每个体素的扩散方向，以被试的数据为基础建立基函数：通过从具有代表性的灰质、白质和脑脊液体素中提取扩散信号，建立一个模型来估计在不同的方向和不同的b值时的信号，调整基函数直至符合观察到的数据。
使用生成的基本函数来创建纤维方向密度(FOD)。这是三个正交方向中每一个方向的扩散量的估计。这些张量类似于传统弥散张量研究中使用的张量，但FOD允许在单个体素内估计多个交叉纤维，并可以将扩散信号分解到多个方向。最后，为了进行跨被试者的比较，需要配准被试的FODs到标准空间。
正确地估计每种组织类型的FODs，为纤维追踪奠定了基础。接下来的关键是确定灰质和白质之间的边界，将使用它作为纤维追踪的起点。
要创建灰质和白质之间的边界，用边界来限制种子放置的位置，可以采用基于T1图像用freesurfer分割的灰白质边界，但需要通过配准把该边界从T1结构空间转换到弥散空间。确保T1结构边界与扩散加权图像的边界对齐；两种扫描位置即使微小差异也会影响纤维追踪的结果。
沿着灰质和白质的边界在随机位置放置种子。纤维将从种子出发，追踪一条路径，直到它终止于另一个区域。在这种方法中，沿着灰质和白质边界的种子区域会产生多条纤维，纤维的方向最可能沿占主导位置的FOD。默认方法是使用iFOD2的算法，该算法是一种概率追踪方法。
在另一个实施例中，根据所述海马所有体素和大脑其它体素之间的白质纤维，对海马进行区域分割，构建海马亚区，包括：根据所述海马所有体素和大脑其它体素之间的白质纤维，构建海马所有体素和大脑其它体素之间的白质纤维连接矩阵；根据所述白质纤维连接矩阵，交换海马体所有体素-海马所有体素间互相关矩阵的行和列，并使用分割算法获得海马亚区。
通过将脑区体素按照其最高连接概率的皮质区域进行分类，可以将海马划分为不同的连接定义区域，假设这些区域对应于海马不同分区，并且这些分区具有梯度变化的特点。
对于每个被试，从海马内每个体素到大脑灰质/白质界面的所有顶点进行概率束成像，以评估海马每个脑体素的连通性，使用的模型考虑了每个体素可能具有多个纤维方向。如此，可以得到海马所有体素和大脑其它体素之间的白质纤维连接矩阵。对于这些提取得到的海马亚区相关纤维束，均通过配准转换到标准空间，作为后续分析的纤维束模版。
行或互相关矩阵被交换使用k-means分割自动集群定义不同的集群。将相互关联矩阵聚类的目的是将与大脑其他部分共享相同连接的区域聚在一起。
交换海马所有体素-海马所有体素间互相关矩阵的行和列，并使用k-means分割算法自动获取海马不同的分区。
为了增加获得连续(非分散)分区的机会，加入了距离约束，使得各海马分区被限制为由空间上连续的顶点组成。
海马所有体素-海马所有体素间互相关矩阵每个海马体素之间的空间关系，应用了扩散图嵌入，这是一种非线性降维技术，用于识别不同区域连通性变化的空间轴。与基于分块或边界映射技术相比，扩散映射嵌入没有定义离散网络，而是提取描绘快速过渡的连续梯度。扩散图的嵌入导致了主要的梯度，解释了空间分布的主要变异性。扩散映射嵌入使用非线性变换，由BrainSpace工具箱提供。
在另一个实施例中，根据海马亚区白质纤维的目标特征的梯度变化，构建各所述海马亚区的白质纤维的第一梯度变化特征，包括：将所述海马亚区的白质纤维分割为多段，提取各所述海马亚区的白质纤维每段的目标特征的平均特征，得到海马亚区的白质纤维的第一梯度变化特征。
与大脑其他主要的白质通路相比，海马与大脑其他区域的白质纤维连接更窄、更弯曲，因此限制了研究这些通路的微观结构和连通性的能力，因此对它们的了解相对较少。要提取海马尤其是其亚区相关的纤维，对弥散张量图像的分辨率提出了更高的要求。因此，本方案拟基于高分辨率弥散张量图像提取海马亚区相关纤维。这些数据除了具有更高空间分辨率，具有多个扩散强度(“多壳”)和多个扩散方向(因此有更大的“角度分辨率”)。除弥散图像采集的改进外，纤维密度成像(TDI)和“超分辨率”分析，所有这些方法可以提供比基于特征值的标准图谱更好的解剖细节描述，从而更清晰地描绘白质纤维。
对于这些提取得到的海马亚区相关纤维束，均通过配准转换到标准空间，作为后续分析的纤维束模版。
超分辨率TDI技术不仅可以在大脑亚结构的直接可视化中发挥作用，还可以作为纤维跟踪研究的补充工具进行重要应用(例如，由于精细的解剖细节和高空间分辨率，帮助放置种子/目标区域)、主体间空间正常化、大脑连接变化的评估(由全脑纤维跟踪结果定义)和基于体素的分析。
其中，海马有六个主要的相关纤维束：1)下纵束相关纤维，由短和长结合纤维组成，起源于中下颞回和海马旁回，海马，杏仁核和颞极，终止于纹外区域；2)脊髓边缘通路：该通路连接脑干、海马体和皮质下核：丘脑、壳核和尾状核；3)扣带束相关纤维：来自海马体的纤维穿过扣带束，主要到达内侧额叶、顶叶；4)前连合相关束：前连合被揭示为前海马体和杏仁核之间的狭窄而密集的通路；5)tapetum相关纤维束；6)穹窿相关束；
结合超分辨率TDI技术，可以更精确地定义提取海马纤维束需要的相关感兴趣区域(ROI)。全脑纤维追踪后，利用mrtrix3中的tckedit完成海马各纤维束的提取。
对于MCI相关数据库中的MCI或正常被试，均可以获取前述的标准空间中的海马亚区相关纤维束的FA、AD、MD和RD平均值，作为被试的目标特征之一。
提取时，将所述海马亚区的白质纤维分割为多段，提取各所述海马亚区的白质纤维每段的目标特征(FA、AD、MD和RD)的平均值，得到海马亚区的白质纤维的第一梯度变化特征。
在一个实施例中，根据所述患者的基础信息、临床信息和所述海马亚区的白质纤维的第一梯度变化特征，预测所述被测对象的认知障碍发展进程，包括：将所述患者的基础信息、临床信息和所述海马亚区的白质纤维的第一梯度变化特征，输入至预先训练好的认知障碍发展进程预测模型，预测所述被测对象的认知障碍发展进程。
具体地，认知障碍发展进程预测模型可采用LASSO正则化Cox回归模型分析模式进行训练得到，该模型用于研究预测变量与生存时间的关系。具体做法先训练模型再使用最佳参数构建模型，最后评估预测精确度C-index值判断预测的优劣。
LASSO正则化Cox回归模型由glmnet工具箱提供。
Cox比例风险回归模型(Cox proportional hazard model)常用来研究预测变量与生存时间之间的关系。Cox比例风险回归模型可以分析多个因素对生存时间的影响，而且允许有截尾数据存在，是生存分析中最重要的多因素分析方法。
生存分析的主要目的是研究协变量(自变量)与观察结果即生存函数之间的关系，当受到协变量的影响时，传统的方法是考虑回归分析，即各协变量对的影响。由于生存数据中包含有截尾数据，用一般的回归分析难以解决上述问题。生存分析中一个很重要的内容是探索影响生存时间或生存率的危险因素，这些危险因素可通过影响各时刻的死亡风险(即风险率)而影响生存率，不同特征的人群在不同时刻的风险率函数不同，通常将风险率函数表达为基准风险率函数与相应协变量函数的乘积。
因此，Cox回归模型与一般的回归分析不同，协变量对生存时间的影响是通过风险函数和基准风险函数的比值反映的。其中的风险函数和基准风险函数是未知的。在完成参数估计的情况下，可对基准风险函数和风险函数做出估计，并可计算每一个时刻的生存率。
Cox回归模型的基本形式：
其中，β1，β2，…，βm为自变量的偏回归系数。
模型中偏回归系数βj的意义是当其他协变量固定不变时，协变量xj(j＝1，2，...，m)变化一个单位，其对数风险比的改变量。可见，回归系数βj又可解释为固定其他自变量时，自变量xj每改变一个单位，得到的相对危险的对数值。这个解释在生存时间的危险因素分析中更常用。
具体地，所述认知障碍发展进程预测模型的训练方式，包括：
获取第一训练集；所述第一训练集包括了多个患者的多次随访的第二弥散张量成像图，对应患者的基础信息、临床信息、及对所述第二弥散张量成像图标注的实际认知障碍发展进程；对各所述第二弥散张量成像图序列进行处理，提取海马所有体素和大脑其它体素之间的白质纤维；根据白质纤维对海马进行区域分割，构建海马亚区；根据海马亚区白质纤维的目标特征的梯度变化，构建各所述海马亚区的白质纤维的第二梯度变化特征；将所述被测对象的基础信息、临床信息和所述海马亚区的白质纤维的第二梯度变化特征输入至待训练的认知障碍发展进程预测模型，预测所述被测对象的认知障碍发展进程；根据预测的认知障碍发展进程和标注的实际认知障碍发展进程的差异对所述认知障碍发展进程预测模型进行调整，满足训练结束条件时，得到训练好的认知障碍发展进程预测模型。
其中，第一训练集可以采用ADNI等公开的MCI数据库，包含基线及多次追踪数据；包含T1w、BOLD等影像数据，以及被试的认知、血液及脑脊液的生化指标数据。第二弥散张量成像图标注了实际认知障碍发展进程。其中，对第二弥散张量成像图进行处理，提取海马所有体素和大脑其它体素之间的白质纤维的步骤；根据白质纤维对海马进行区域分割，构建海马亚区的步骤；根据海马亚区白质纤维的目标特征的梯度变化，构建各所述海马亚区的白质纤维的第二梯度变化特征的步骤，与预测过程相关步骤的处理相同，此处不再赘述。
把被试分为训练集和测试集。认知障碍发展进程预测模型采用Cox回归建立。认知障碍发展进程预测模型是基于训练集进行训练的，其预后性能是基于测试集进行评估。基于训练数据，采用10倍交叉验证优化LASSO模型的正则化参数。时间到事件预后模型估计个人进展到AD痴呆的总体风险评分。风险分数高的人比风险分数低的人更早发展为AD痴呆。根据风险评分，可以估计每年发展为AD痴呆的概率值，给定基线危险(发展为AD痴呆)功能，这根据训练集进行估计。结合年龄、性别、教育程度、MRS指标、ADAS-Cog13、FAQ、MMSE等临床变量，训练认知障碍发展进程预测模型。
训练过程中，根据预测的认知障碍发展进程和实际标注的认知障碍发展进程的差异不断进行调整，训练得到认知障碍发展进程预测模型。训练时，利用了更丰富的功能连接梯度变化的信息，因此可以把疾病分类准确性、特异性提高，从而预测模型能够对轻度认知障碍发展轨迹进行预测，并给出具体数据和图表进行展示。
在另一个实施例中，海马亚区白质纤维的目标特征，是基于分类模型训练所确定的与轻度认知障碍相关的海马亚区白质纤维束的特征。
其中，在分类模型训练阶段，采用稀疏特征选择(sparse feature selection)，选取部分特征进入SVM分类器模型。SVM分类器的主要目的是对被试进行分类。其中，被试与特征的关系是：每个被试具有多个特征。特征选择第一部分就是为了避免进入SVM的特征数目过多，影响分类正确率。
SVM在分类的同时，也会对输入的特征赋予权重，比如对正确分类贡献大的特征赋予大的权重，反之则赋予小的权重，进而根据每个特征的权重，剔除权重较小的特征，从而得到与轻度认知障碍相关的海马亚区白质纤维束的特征。目标特征包括但不限于海马亚区的白质纤维的(FA、AD、MD和RD。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的轻度认知障碍发展进程预测方法的轻度认知障碍发展进程预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个轻度认知障碍发展进程预测装置实施例中的具体限定可以参见上文中对于轻度认知障碍发展进程预测方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种轻度认知障碍发展进程预测装置，包括：
获取模块502，用于获取轻度认知障碍患者多次随访的第一弥散张量成像图。
白质纤维提取模块504，用于对各所述第一弥散张量成像图进行处理，提取海马所有体素和大脑其它体素之间的白质纤维。
海马亚区分割模块506，用于根据所述海马所有体素和大脑其它体素之间的白质纤维，对海马进行区域分割，构建海马亚区。
梯度变化模块508，用于根据海马亚区白质纤维的目标特征的梯度变化，构建各所述海马亚区的白质纤维的第一梯度变化特征。
预测模块510，用于根据所述患者的基础信息、临床信息和所述海马亚区的白质纤维的第一梯度变化特征，预测所述被测对象的认知障碍发展进程。
上述认知障碍发展进程预测装置，通过对被测对象多次随访的弥散张量成像图，计算海马亚区的白质纤维的第一梯度变化特征，根据基础信息、临床信息和海马亚区的白质纤维的第一梯度变化特征进行预测，由于利用了更丰富的海马亚区的白质纤维的第一梯度变化特征的变化的信息，因此可以把疾病分类准确性、特异性提高，能够预测预测被测对象的认知障碍发展进程，从而帮助医生和患者提前进行干预，减缓病程发展。
在另一个实施例中，白质纤维提取模块，用于对所述第一弥散张量成像图进行预处理；对预处理后的所述第一弥散张量成像图进行分析，得到扩散特征值和扩散方向；根据所述扩散特征值和扩散方向，从海马体内每个体素到大脑其它体素进行纤维追踪，提取海马所有体素和大脑其它体素之间的白质纤维。
在另一个实施例中，海马亚区分割模块，用于根据所述海马所有体素和大脑其它体素之间的白质纤维，构建海马所有体素和大脑其它体素之间的白质纤维连接矩阵；根据所述白质纤维连接矩阵，交换海马体所有体素-海马所有体素间互相关矩阵的行和列，并使用分割算法获得海马亚区。
在另一个实施例中，梯度变化模块，用于将所述海马亚区的白质纤维分割为多段，提取各所述海马亚区的白质纤维每段的目标特征的平均特征，得到海马亚区的白质纤维的第一梯度变化特征。
在另一个实施例中，预测模块，用于将所述患者的基础信息、临床信息和所述海马亚区的白质纤维的第一梯度变化特征，输入至预先训练好的认知障碍发展进程预测模型，预测所述被测对象的认知障碍发展进程。
在另一个实施例中，还包括训练模块，用于获取第一训练集；所述第一训练集包括了多个患者的多次随访的第二弥散张量成像图，对应患者的基础信息、临床信息、及对所述第二弥散张量成像图标注的实际认知障碍发展进程；对各所述第二弥散张量成像图序列进行处理，提取海马所有体素和大脑其它体素之间的白质纤维；根据白质纤维对海马进行区域分割，构建海马亚区；根据海马亚区白质纤维的目标特征的梯度变化，构建各所述海马亚区的白质纤维的第二梯度变化特征；将所述被测对象的基础信息、临床信息和所述海马亚区的白质纤维的第二梯度变化特征输入至待训练的认知障碍发展进程预测模型，预测所述被测对象的认知障碍发展进程；根据预测的认知障碍发展进程和标注的实际认知障碍发展进程的差异对所述认知障碍发展进程预测模型进行调整，满足训练结束条件时，得到训练好的认知障碍发展进程预测模型。
在另一个实施例中，海马亚区白质纤维的目标特征，是基于分类模型训练所确定的与轻度认知障碍相关的海马亚区白质纤维的特征。
上述轻度认知障碍发展进程预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储分类模型。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种轻度认知障碍发展进程预测方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各实施例的轻度认知障碍发展进程预测方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各实施例的轻度认知障碍发展进程预测方法的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各实施例的轻度认知障碍发展进程预测方法的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种轻度认知障碍发展进程预测方法，其特征在于，所述方法包括：
获取轻度认知障碍患者多次随访的第一弥散张量成像图；
对各所述第一弥散张量成像图进行处理，提取海马所有体素和大脑其它体素之间的白质纤维；
根据所述海马所有体素和大脑其它体素之间的白质纤维，对海马进行区域分割，构建海马亚区；
根据所述海马亚区的白质纤维的目标特征的梯度变化，构建各所述海马亚区的白质纤维的第一梯度变化特征；
根据所述患者的基础信息、临床信息和所述海马亚区的白质纤维的第一梯度变化特征，预测所述被测对象的认知障碍发展进程。
2.根据权利要求1所述的方法，其特征在于，对各所述第一弥散张量成像图序列进行处理，提取海马所有体素和大脑其它体素之间的白质纤维束白质纤维，包括：
对所述第一弥散张量成像图进行预处理；
对预处理后的所述第一弥散张量成像图进行分析，得到扩散特征值和扩散方向；
根据所述扩散特征值和扩散方向，从海马体内每个体素到大脑其它体素进行纤维追踪，提取海马所有体素和大脑其它体素之间的白质纤维。
3.根据权利要求1所述的方法，其特征在于，根据所述海马所有体素和大脑其它体素之间的白质纤维，对海马进行区域分割，构建海马亚区，包括：
根据所述海马所有体素和大脑其它体素之间的白质纤维，构建海马所有体素和大脑其它体素之间的白质纤维连接矩阵；
根据所述白质纤维连接矩阵，交换海马体所有体素-海马所有体素间互相关矩阵的行和列，并使用分割算法获得海马亚区。
4.根据权利要求1所述的方法，其特征在于，根据海马亚区白质纤维的目标特征的梯度变化，构建各所述海马亚区的白质纤维的第一梯度变化特征，包括：
将所述海马亚区的白质纤维分割为多段，提取各所述海马亚区的白质纤维每段的目标特征的平均特征，得到海马亚区的白质纤维的第一梯度变化特征。
5.根据权利要求1所述的方法，其特征在于，根据所述患者的基础信息、临床信息和所述海马亚区的白质纤维的第一梯度变化特征，预测所述被测对象的认知障碍发展进程，包括：
将所述患者的基础信息、临床信息和所述海马亚区的白质纤维的第一梯度变化特征，输入至预先训练好的认知障碍发展进程预测模型，预测所述被测对象的认知障碍发展进程。
6.权利要求要求5所述的方法，其特征在于，所述认知障碍发展进程预测模型的训练方式，包括：
获取第一训练集；所述第一训练集包括了多个患者的多次随访的第二弥散张量成像图，对应患者的基础信息、临床信息、及对所述第二弥散张量成像图标注的实际认知障碍发展进程；
对各所述第二弥散张量成像图序列进行处理，提取海马所有体素和大脑其它体素之间的白质纤维；
根据白质纤维对海马进行区域分割，构建海马亚区；
根据海马亚区白质纤维的目标特征的梯度变化，构建各所述海马亚区的白质纤维的第二梯度变化特征；
将所述被测对象的基础信息、临床信息和所述海马亚区的白质纤维的第二梯度变化特征输入至待训练的认知障碍发展进程预测模型，预测所述被测对象的认知障碍发展进程；
根据预测的认知障碍发展进程和标注的实际认知障碍发展进程的差异对所述认知障碍发展进程预测模型进行调整，满足训练结束条件时，得到训练好的认知障碍发展进程预测模型。
7.根据权利要求1或6所述的方法，其特征在于，所述海马亚区白质纤维的目标特征，是基于分类模型训练所确定的与轻度认知障碍相关的海马亚区白质纤维的特征。
8.一种轻度认知障碍发展进程预测装置，其特征在于，所述装置包括：
获取模块，用于获取轻度认知障碍患者多次随访的第一弥散张量成像图；
白质纤维提取模块，用于对各所述第一弥散张量成像图进行处理，提取海马所有体素和大脑其它体素之间的白质纤维；
海马亚区分割模块，用于根据所述海马所有体素和大脑其它体素之间的白质纤维，对海马进行区域分割，构建海马亚区；
梯度变化模块，用于根据海马亚区白质纤维的目标特征的梯度变化，构建各所述海马亚区的白质纤维的第一梯度变化特征；
预测模块，用于根据所述患者的基础信息、临床信息和所述海马亚区的白质纤维的第一梯度变化特征，预测所述被测对象的认知障碍发展进程。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310229196.0A CN116369891A (zh) | 2023-03-07 | 2023-03-07 | 轻度认知障碍发展进程预测方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310229196.0A CN116369891A (zh) | 2023-03-07 | 2023-03-07 | 轻度认知障碍发展进程预测方法、装置和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116369891A true CN116369891A (zh) | 2023-07-04 |
Family
ID=86968459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310229196.0A Pending CN116369891A (zh) | 2023-03-07 | 2023-03-07 | 轻度认知障碍发展进程预测方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116369891A (zh) |
-
2023
- 2023-03-07 CN CN202310229196.0A patent/CN116369891A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tian et al. | High-resolution connectomic fingerprints: Mapping neural identity and behavior | |
| Jbabdi et al. | Measuring macroscopic brain connections in vivo | |
| Pestilli et al. | Evaluation and statistical inference for human connectomes | |
| CN108366752B (zh) | 脑活动分析装置及方法、存储介质以及生物标记物装置 | |
| O'Donnell et al. | Fiber clustering versus the parcellation-based connectome | |
| CN110352034A (zh) | 用于识别脑病症的方法和系统 | |
| US9940712B2 (en) | Quantitating disease progression from the MRI images of multiple sclerosis patients | |
| Yang et al. | The thalamic functional gradient and its relationship to structural basis and cognitive relevance | |
| Sareen et al. | Exploring MEG brain fingerprints: Evaluation, pitfalls, and interpretations | |
| Schilling et al. | Anatomical accuracy of standard-practice tractography algorithms in the motor system-a histological validation in the squirrel monkey brain | |
| Rocha et al. | Recovery of neural dynamics criticality in personalized whole-brain models of stroke | |
| Suk et al. | Supervised discriminative group sparse representation for mild cognitive impairment diagnosis | |
| Johnson et al. | Huntington's disease: brain imaging in Huntington's disease | |
| Rajasekaran et al. | Advanced brain tumour segmentation from mri images | |
| Kuceyeski et al. | The generation and validation of white matter connectivity importance maps | |
| US20170238879A1 (en) | Method of Analyzing the Brain Activity of a Subject | |
| WO2020060997A1 (en) | Signal isolation magnetic resonance image (simri) and methods thereof | |
| Chen et al. | Premature white matter aging in patients with right mesial temporal lobe epilepsy: A machine learning approach based on diffusion MRI data | |
| Caan | DTI analysis methods: fibre tracking and connectivity | |
| Karimi et al. | A machine learning-based method for estimating the number and orientations of major fascicles in diffusion-weighted magnetic resonance imaging | |
| Jarret et al. | A methodological scoping review of the integration of fMRI to guide dMRI tractography. What has been done and what can be improved: A 20-year perspective | |
| US20230022257A1 (en) | Determination of white-matter neurodegenerative disease biomarkers | |
| Karahan et al. | Individual variability in the human connectome maintains selective cross-modal consistency and shares microstructural signatures | |
| JP7489645B2 (ja) | コンピュータプログラム、情報処理装置、情報処理方法、学習済みモデル生成方法及び相関画像出力装置 | |
| CN116369891A (zh) | 轻度认知障碍发展进程预测方法、装置和计算机设备 |
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 |