CN116487038B - 轻度认知障碍向阿尔茨海默发展的预测系统和存储介质 - Google Patents

轻度认知障碍向阿尔茨海默发展的预测系统和存储介质 Download PDF

Info

Publication number
CN116487038B
CN116487038B CN202310752033.0A CN202310752033A CN116487038B CN 116487038 B CN116487038 B CN 116487038B CN 202310752033 A CN202310752033 A CN 202310752033A CN 116487038 B CN116487038 B CN 116487038B
Authority
CN
China
Prior art keywords
alzheimer
cognitive impairment
mild cognitive
disease
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310752033.0A
Other languages
English (en)
Other versions
CN116487038A (zh
Inventor
刘昱君
周小波
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.)
West China Hospital of Sichuan University
Original Assignee
West China Hospital of Sichuan University
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 West China Hospital of Sichuan University filed Critical West China Hospital of Sichuan University
Priority to CN202310752033.0A priority Critical patent/CN116487038B/zh
Publication of CN116487038A publication Critical patent/CN116487038A/zh
Application granted granted Critical
Publication of CN116487038B publication Critical patent/CN116487038B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H50/20—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明属于医学图像处理技术领域，具体涉及一种轻度认知障碍向阿尔茨海默发展的预测系统和存储介质。本发明系统包括：输入模块，用于输入颅脑的sMRI数据；分割与提取模块，用于对sMRI数据进行脑结构的分割，提取需要的脑区结构；重构模块，用于将脑结构重构为可用于有限元分析的实体脑结构模型；位移计算模块，用于获得每个节点的点云坐标，计算位移；节点反作用力计算模块，用于进行有限元分析输出场变量得到每个节点的反作用力；疾病进展预测模块，用于以所述点云坐标和反作用力作为输入，通过机器学习模型对轻度认知障碍是否向阿尔茨海默发展进行预测。本发明可辅助实现阿尔茨海默患者的早预防、早发现、早治疗，具有很好的应用前景。

Description

轻度认知障碍向阿尔茨海默发展的预测系统和存储介质
技术领域
本发明属于医学图像处理技术领域，具体涉及一种轻度认知障碍向阿尔茨海默发展的预测系统和存储介质。
背景技术
阿尔茨海默症（Alzheimer's Disease，AD）和轻度认知障碍（Mild CognitiveImpairment，MCI）都是与认知功能下降相关的疾病。轻度认知障碍是一种比正常老化更严重的认知功能下降，但并不影响日常生活能力。阿尔茨海默症是一种起病隐匿的进行性发展的神经退行性疾病，大脑中的神经元死亡和脑细胞间的连接断裂是其主要特征；且随着病情的发展，患者可能完全丧失对自己和周围环境的认知能力。
在轻度认知障碍阶段，患者可以通过一些方法来缓解症状和延缓疾病进展，例如认知训练、药物治疗等。在阿尔茨海默阶段，存在缓解症状的方法，但目前尚没有治愈该疾病的方法。虽然不是所有轻度认知障碍患者都会发展成阿尔茨海默症，但轻度认知障碍通常是阿尔茨海默症的早期表现之一。阿尔茨海默症作为一种进行性疾病，患者的认知和记忆功能的损伤会随着时间的推移而加重。如果能够在早期诊断和治疗该疾病，就有机会延缓病情进展和减轻症状，并帮助提高患者的生活质量。因此，想要延缓疾病进程、减轻患者和家属痛苦并争取更好治疗效果，把握疾病的早期治疗窗口期仍是关键，探索开发辅助诊断系统十分必要。
机器学习技术可用于阿尔茨海默症和轻度认知障碍的预测并辅助临床诊断。现有技术通常使用神经成像、生物标志物、病史和分子生物学等数据来进行机器学习模型的训练和预测。不同类型的数据对于不同的机器学习模型可能有不同的适用性和贡献。就神经成像而言，结构性磁共振成像（sMRI）数据被广泛用于各种预测模型的搭建，它可以提供关于脑结构的信息。sMRI作为输入开发机器学习预测模型时，通常是使用sMRI所提供的结构信息或者形态学测量值，如最常用的体积。Kwaket al.（2021）以海马结构作为感兴趣区域（region of interest, ROI）开发了一种基于DenseNet架构的深度学习模型，用于区分稳定的轻度认知障碍患者和随访时发展为阿尔茨海默的患者，达到了75.85%准确率。Uysala&Ozturk（2020）运用半自动分割软件ITK-SNAP计算海马结构的体积信息，根据年龄、性别、诊断和左右海马体积值创建了一个数据集，使用多种机器学习算法构建认知正常人群和阿尔茨海默患者分类模型，并取得了良好的分类效果。现有研究均忽略了阿尔茨海默症和轻度认知障碍患者脑部病变结构所包含的生物力学信息，这种忽略可能使我们对脑部病变的完整理解不足。生物力学信息包括脑组织的形变、应力、应变和位移等方面的信息，这些信息能够提供对机体更全面的洞察，帮助我们了解病变的机制和对脑部功能的影响。其次，忽略病变结构包含的生物力学信息还可能限制个体化诊疗能力，不利于充分了解病变的特征和患者的个体差异。
有限元已广泛用于生物医学领域的分析，例如对心脏、肺部、骨骼、肌肉等生物组织和器官建立力学模型，用于研究生物力学行为、诊断疾病、设计医疗器械和手术方案等。关于颅脑有限元研究，通常用于模拟脑部在受到撞击后的形变和应力分布，例如在脑外科手术中预测手术切割和移动脑部组织时对周围组织的影响。而目前对于有限元分析结合深度学习进行阿尔茨海默症早期诊断的方法还缺乏相关的研究，如何利用其实现轻度认知障碍向阿尔茨海默症发展的预测准确性尚未见到相关报道。
发明内容
针对现有技术的问题，本发明提供一种轻度认知障碍向阿尔茨海默发展的预测系统和存储介质，目的在于构建一种有限元分析结合深度学习的方法和系统，实现对轻度认知障碍向阿尔茨海默症发展的准确预测。
一种轻度认知障碍向阿尔茨海默发展的预测系统，包括：
输入模块，用于输入颅脑的sMRI数据；
分割与提取模块，用于对sMRI数据进行脑结构的分割，获得不同脑区的标签，提取需要的脑结构的sMRI数据；
重构模块，用于将分割与提取模块提取的sMRI数据重构为可用于有限元分析的实体脑结构模型；
位移计算模块，用于为实体脑结构模型赋予材料属性并划分网格，获得每个节点的点云坐标，根据前后两个时间点的点云坐标计算位移；
节点反作用力计算模块，用于进行有限元分析输出场变量得到每个节点的反作用力；
疾病进展预测模块，用于以所述点云坐标和反作用力作为输入，通过机器学习模型对轻度认知障碍是否向阿尔茨海默发展进行预测。
优选的，所述分割与提取模块中，所述脑结构的分割采用Freesurfer、FSL、SPM、BrainSuite、ANTs或深度学习方法实现。
优选的，所述分割与提取模块中，所述需要的脑结构选自海马区、内嗅皮层或额叶中的至少一种。
优选的，所述重构模块中，将分割与提取模块提取的sMRI数据重构为可用于有限元分析的实体脑结构模型的方法包括如下步骤：
步骤1，将nii格式的sMRI数据转换为stl格式的脑结构模型；
步骤2，将stl格式的脑结构模型重建为igs或stp格式的实体脑结构模型。
优选的，步骤1采用Python、MATLAB、ITK-SNAP或SD slicer软件实现；
步骤2采用Geomagic、SolidWorks、MeshLab、STL2STP或FreeCAD软件实现。
优选的，所述位移计算模块为实体脑结构模型赋予材料属性并划分网格时得到的点云坐标，所述材料属性如下表所示：
表1：材料属性
优选的，所述位移计算模块中：
使用Abaqus进行网格划分，获得每个节点的点云坐标，使用点云配准算法ICP计算先后两个时间点的位移；
或，使用使用Hypermesh或Ansys进行网格划分，获得每个节点的点云坐标，并使用3D slicer或深度学习方法对图像进行配准计算先后两个时间点的位移。
优选的，所述节点反作用力计算模块中，有限元分析采用Abaqus、Ansys或深度学习方法实现。
优选的，所述疾病进展预测模块中，机器学习模型的算法选自Transformer、DNN、ResNet、LSTM、逻辑回归、K近邻、决策树、支持向量机、随机森林和高斯朴素贝叶斯；
所述机器学习模型的输出为：认知正常的人、向阿尔茨海默发展的轻度认知障碍患者、不向阿尔茨海默发展的轻度认知障碍患者、阿尔茨海默症患者。
本发明还提供一种计算机可读存储介质，其上存储有：用于实现上述轻度认知障碍向阿尔茨海默发展的预测系统的计算机程序。
本发明从一种全新的角度，通过对海马结构进行有限元分析（Finite ElementAnalysis，FEA），将abaqus求解输出的场变量，如反作用力（Reaction force，RF）等分析结果，作为机器学习模型的输入构建预测模型。具体来说，本发明使用abaqus对参与者不同时期的海马结构进行有限元分析，以PointNet++算法为骨干网络，将FEA的输出变量作为PointNet++的输入变量构建预测模型。最终，测试集结果表明这种预测模型在认知正常和轻度认知障碍参与者中区分阿尔茨海默症参与者实现了超过80%的准确率。本发明可以识别无法直接观察到的认知正常人群、轻度认知障碍患者和阿尔茨海默患者的脑组织在生物力学层面的细微差异，有希望辅助临床进行鉴别诊断，从而实现早预防、早发现、早治疗。
显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
图1为实施例1的流程示意图；
图2为实施例1中进行sMRI数据处理的实例示意图。
具体实施方式
需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。
实施例1 轻度认知障碍向阿尔茨海默发展的预测系统
本实施例提供的预测系统包括：
输入模块，用于输入颅脑的sMRI数据；
分割与提取模块，用于对sMRI数据进行脑结构的分割，获得不同脑区的标签，提取需要的脑结构的sMRI数据；
重构模块，用于将分割与提取模块提取的sMRI数据重构为可用于有限元分析的实体脑结构模型；
位移计算模块，用于为实体脑结构模型赋予材料属性并划分网格，获得每个节点的点云坐标，根据前后两个时间点的点云坐标计算位移；
节点反作用力计算模块，用于进行有限元分析输出场变量得到每个节点的反作用力；
疾病进展预测模块，用于以所述点云坐标和反作用力作为输入，通过机器学习模型对轻度认知障碍是否向阿尔茨海默发展进行预测。
采用上述系统进行轻度认知障碍向阿尔茨海默发展的预测任务的步骤流程示意图如图1所示，具体包括：
S1：收集颅脑sMRI数据：sMRI数据可以是公开数据集、临床和实验获取的sMRI数据。本实施例使用的数据源自ADNI (The Alzheimer’s Disease NeuroimagingInitiative)公开数据集。通过向ADNI提起数据下载权限申请，即可下载需要的sMRI数据。
S2：sMRI数据的分割与提取：使用Freesurfer对sMRI数据进行分割，通过recon-all -s<tpNid>-i<path_to_tpN_dcm>-all -qcache命令实现对全脑的分割。本实施例包含同一个体不同时间点采集的纵向数据，还需要通过recon-all -base<templateid>-tp<tp1id>-tp<tp2id>... -all以及recon-all -long<tpNid><templateid>-all命令获得更准确的分割结果。
S3：脑结构重建：有限元模型的构建需要采用神经成像技术（如MRI、PET）获取脑部组织的几何形状，因此需要将sMRI数据转换为可用于有限元分析的几何模型，通过以下步骤实现：
首先，基于Python的SimpleITk和vtk模块，将S2阶段Freesurfer程序分割获得的aparc.a2009s+aseg.nii.gz文件提取标签为17（大脑左半球海马区）和53（大脑右半球海马区）的脑结构，并转换为stl格式。
其次，使用Geomagic Studio软件实现从stl格式到igs格式的逆向建模过程，并基于geo.mesh_doctor和geo.auto_surface等功能编写Python脚本从而实现批处理。
S4：获取inp文件并计算位移：将S3阶段转换得到的igs图像导入Abaqus，并将材料属性赋予实体模型，相关材料属性请参考表1。网格属性为C3D4P，使用Abaqus进行网格划分后，获得包含几何信息、材料、节点和单元等前处理信息的inp文件。inp文件中包含每个节点的坐标，使用点云配准算法ICP计算先后两个时间点的点云坐标的位移；
表2：材料属性
μ(t)是随时间变化的剪切松弛模量，计算公式为：
为Prony常数；
τ i 为延迟时间常数；
μ 0为瞬时剪切模量，表示t=0时的剪切松弛模量；
α和D为材料参数，其中，K是体积模量，ν是泊松比；k为水力传导率；
e 0为孔隙率，是润湿液体体积V w 与固体体积V s 和截留液体体积V t 之和的比率，即：
γ w 为流体的比重。
S5：分析得到节点反作用力：在Abaqus中为每个节点添加重力、孔隙压力和S4阶段计算得到的位移作为边界条件；提交分析任务，并导出每个节点的分析结果；
S6：开发疾病进展预测模型：
预测模型的构建是以有限元分析得到的点云坐标数据和反作用力数据作为输入。
ADNI提供参与者间隔随访时的临床痴呆评定量表(Clinical Dementia Rating,CDR)和简易精神状态量表(Mini-Mental State Examination，MMSE)结果。我们在开发预测模型时保留了ADNI对认知正常参与者和阿尔茨海默(AD)患者的诊断，将轻度认知障碍(MCI)患者进一步区分为MCI nonconverters (MCI-NC)和MCI converters (MCI-C)。MCI-NC表示参与者在随访期间稳定的处于轻度认知障碍，而MCI-C表示参与者在前期患有轻度认知障碍，后期发展成了阿尔茨海默症。轻度认知障碍患者是否发展为阿尔茨海默症的界定标准为CDR≥0.5&MMSE≤24或者CDR＞0.5&MMSE≤26。对参与者认知正常、MCI-NC、MCI-C和AD的诊断为预测模型的输出。
因每个输入样本的节点数量不等，在输入模型前，我们采用最远点采样原则将每个样本的节点数量固定为1024个节点。PointNet++作为骨干网络开发预测模型。使用LRScheduler调整学习率，初始学习率设置为0.0001，参数gamma为0.7，step size为20。输入的批次大小batch size为8。使用CrossEntropyLoss作为损失函数，计算模型损失并进行反向传播以完成训练。
随机抽取80%的样本作为训练集用于开发预测模型，并根据余下20%样本得到的准确性（accuracy）、敏感性（sensitivity）、特异性(specificity)和AUC等指标综合评估预测模型的性能。
对于一个实例的分析过程如图2所示。将采集到的sMRI数据使用Freesurfer进行全脑分割并使用Python提取出海马结构；使用Geomagic完成逆向建模过程获得实体模型；将实体模型导入FEA软件abaqus设定材料参数和网格属性并进行网格划分，得到每个节点的点云坐标；通过点云配准算法ICP计算先后两个采集时间点海马结构的位移；添加其与重力、孔隙压力等作为边界条件，提交分析任务并求解；导出FEA结果，将FEA结果进行数据分析，本发明通过对应力、应变和反作用力等FEA结果进行特征选择，选取最具差异化的特征，即反作用力，作为构建模型的输入特征；采用机器学习算法进行建模，本发明同时考虑了多种算法，如KNN、SVM、Random Forest、Transformer和PointNet++等，选择性能最好的PointNet++作为骨干网络训练模型参数并优化超参数；最终，测试集结果显示模型在认知正常或轻度认知障碍参与者中区分阿尔茨海默患者实现了超过80%的准确率。现有研究通常采用将神经影像或生物标志物数据与机器学习相结合的技术，这些研究所报告的准确率范围通常在70%到90%之间。80%准确率是一个常见的临床阈值，通常被认为是一个相对较高的水平，足以支持模型在临床实践中的应用。
通过上述实施例可以看到，本发明针对轻度认知障碍向阿尔茨海默发展的预测任务，构建了一种新的sMRI数据处理流程和系统，能够准确地实现预测任务，有希望辅助实现阿尔茨海默患者的早预防、早发现、早治疗，具有很好的应用前景。

Claims (9)

1.一种轻度认知障碍向阿尔茨海默发展的预测系统，其特征在于，包括：
输入模块，用于输入颅脑的sMRI数据；
分割与提取模块，用于对sMRI数据进行脑结构的分割，获得不同脑区的标签，提取需要的脑结构的sMRI数据；
重构模块，用于将分割与提取模块提取的sMRI数据重构为可用于有限元分析的实体脑结构模型；
位移计算模块，用于为实体脑结构模型赋予材料属性并划分网格，获得每个节点的点云坐标，根据前后两个时间点的点云坐标计算位移；
节点反作用力计算模块，用于进行有限元分析输出场变量得到每个节点的反作用力；
疾病进展预测模块，用于以所述点云坐标和反作用力作为输入，通过机器学习模型对轻度认知障碍是否向阿尔茨海默发展进行预测。
2.按照权利要求1所述的轻度认知障碍向阿尔茨海默发展的预测系统，其特征在于：所述分割与提取模块中，所述脑结构的分割采用Freesurfer、FSL、SPM、BrainSuite、ANTs或深度学习方法实现。
3.按照权利要求1所述的轻度认知障碍向阿尔茨海默发展的预测系统，其特征在于：所述分割与提取模块中，所述需要的脑结构选自海马区、内嗅皮层或额叶中的至少一种。
4.按照权利要求1所述的轻度认知障碍向阿尔茨海默发展的预测系统，其特征在于：所述重构模块中，将分割与提取模块提取的sMRI数据重构为可用于有限元分析的实体脑结构模型的方法包括如下步骤：
步骤1，将nii格式的sMRI数据转换为stl格式的脑结构模型；
步骤2，将stl格式的脑结构模型重建为igs或stp格式的实体脑结构模型。
5.按照权利要求4所述的轻度认知障碍向阿尔茨海默发展的预测系统，其特征在于：步骤1采用Python、MATLAB、ITK-SNAP或SD slicer软件实现；
步骤2采用Geomagic、SolidWorks、MeshLab、STL2STP或FreeCAD软件实现。
6.按照权利要求1所述的轻度认知障碍向阿尔茨海默发展的预测系统，其特征在于，所述位移计算模块中：
使用Abaqus进行网格划分，获得每个节点的点云坐标，使用点云配准算法ICP计算先后两个时间点的位移；
或，使用使用Hypermesh或Ansys进行网格划分，获得每个节点的点云坐标，并使用3Dslicer或深度学习方法对图像进行配准计算先后两个时间点的位移。
7.按照权利要求1所述的轻度认知障碍向阿尔茨海默发展的预测系统，其特征在于：所述节点反作用力计算模块中，有限元分析采用Abaqus、Ansys或深度学习方法实现。
8.按照权利要求1所述的轻度认知障碍向阿尔茨海默发展的预测系统，其特征在于：所述疾病进展预测模块中，机器学习模型的算法选自Transformer、DNN、ResNet、LSTM、逻辑回归、K近邻、决策树、支持向量机、随机森林和高斯朴素贝叶斯；
所述机器学习模型的输出为：认知正常的人、向阿尔茨海默发展的轻度认知障碍患者、不向阿尔茨海默发展的轻度认知障碍患者、阿尔茨海默症患者。
9.一种计算机可读存储介质，其特征在于，其上存储有：用于实现权利要求1-8任一项所述的轻度认知障碍向阿尔茨海默发展的预测系统的计算机程序。
CN202310752033.0A 2023-06-25 2023-06-25 轻度认知障碍向阿尔茨海默发展的预测系统和存储介质 Active CN116487038B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310752033.0A CN116487038B (zh) 2023-06-25 2023-06-25 轻度认知障碍向阿尔茨海默发展的预测系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310752033.0A CN116487038B (zh) 2023-06-25 2023-06-25 轻度认知障碍向阿尔茨海默发展的预测系统和存储介质

Publications (2)

Publication Number Publication Date
CN116487038A CN116487038A (zh) 2023-07-25
CN116487038B true CN116487038B (zh) 2023-08-18

Family

ID=87219955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310752033.0A Active CN116487038B (zh) 2023-06-25 2023-06-25 轻度认知障碍向阿尔茨海默发展的预测系统和存储介质

Country Status (1)

Country Link
CN (1) CN116487038B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699716A (zh) * 2013-12-01 2014-04-02 北京航空航天大学 一种个性化三维医学图像驱动的器官虚拟显示方法
CN105389853A (zh) * 2015-11-02 2016-03-09 北京航空航天大学 一种基于多gpu的人脑变形仿真方法
JP2017000623A (ja) * 2015-06-15 2017-01-05 国立大学法人京都大学 外力推定装置及び方法、並びにコンピュータプログラム
CN110458949A (zh) * 2019-08-14 2019-11-15 首都医科大学附属北京天坛医院 三维模型的二维切平面的重建方法、移动终端及电子设备
CN114303169A (zh) * 2019-05-28 2022-04-08 康奈尔大学技术许可中心 物理性质定量测量的系统和方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105072993B (zh) * 2013-01-31 2020-04-14 加利福尼亚大学董事会 正常和疾病状态脑动力学的建模系统和方法
FR3010218B1 (fr) * 2013-09-03 2016-12-30 Univ Joseph Fourier - Grenoble 1 Procede de traitement d'image base sur la technique des elements finis pour la resolution directe de problemes inverses en mecanique des structures.
EP3296899A1 (en) * 2016-09-19 2018-03-21 Biomodex S.A.S. Method and apparatus for generating a 3d model of an object

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699716A (zh) * 2013-12-01 2014-04-02 北京航空航天大学 一种个性化三维医学图像驱动的器官虚拟显示方法
JP2017000623A (ja) * 2015-06-15 2017-01-05 国立大学法人京都大学 外力推定装置及び方法、並びにコンピュータプログラム
CN105389853A (zh) * 2015-11-02 2016-03-09 北京航空航天大学 一种基于多gpu的人脑变形仿真方法
CN114303169A (zh) * 2019-05-28 2022-04-08 康奈尔大学技术许可中心 物理性质定量测量的系统和方法
CN110458949A (zh) * 2019-08-14 2019-11-15 首都医科大学附属北京天坛医院 三维模型的二维切平面的重建方法、移动终端及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Amnaya Pradhan;Jerin Gige;M.Eliazer.Detection of Alzheimer's Disease(AD) in MRI Images using Deep Learning).INTERNATIONAL JOURNAL OF ENGINEERING RESEARCH & TECHNOLOGY.2021,第10卷(第3期),580-585. *

Also Published As

Publication number Publication date
CN116487038A (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
Mehmood et al. A transfer learning approach for early diagnosis of Alzheimer’s disease on MRI images
Ueda et al. Technical and clinical overview of deep learning in radiology
Miranda et al. A survey of medical image classification techniques
WO2023077603A1 (zh) 一种异常脑连接预测系统、方法、装置及可读存储介质
JP2022507861A (ja) 脳機能地図のサル－ヒト種間移行に基づいて精神疾患の個別的予測を行う方法およびシステム
CN110246577B (zh) 一种基于人工智能辅助妊娠期糖尿病遗传风险预测的方法
CN110991254B (zh) 超声图像视频分类预测方法及系统
CN112784856A (zh) 胸部x射线图像的通道注意力特征提取方法和识别方法
CN116051545B (zh) 一种双模态影像的脑龄预测方法
Yamanakkanavar et al. MF2-Net: A multipath feature fusion network for medical image segmentation
Nichita et al. Image Clustering Algorithms to Identify Complicated Cerebral Diseases. Description and Comparison
CN112638262A (zh) 相似度确定装置、方法及程序
CN114926396B (zh) 一种精神障碍类磁共振图像初步筛查模型构建方法
CN108597615A (zh) 一种轻度认知障碍患者痴呆转化的筛选参考方法
Mouches et al. Unifying brain age prediction and age-conditioned template generation with a deterministic autoencoder
Lo et al. Fetal organ anomaly classification network for identifying organ anomalies in fetal MRI
CN116487038B (zh) 轻度认知障碍向阿尔茨海默发展的预测系统和存储介质
CN116205930A (zh) 一种基于多层ct影像的颅内出血区域自动分割方法
Wang et al. Detection of mild cognitive impairment based on attention mechanism and parallel dilated convolution
CN113205472A (zh) 基于循环生成对抗网络CycleGAN模型的跨模态MR影像互生成方法
Tamrakar et al. Brain Tumor Detection Based on Watershed Segmentation and Classification Using Deep Learning
Nugroho et al. Quad Convolutional Layers (QCL) CNN Approach for Classification of Brain Stroke in Diffusion Weighted (DW)-Magnetic Resonance Images (MRI).
Kamardi et al. Classification of Alzheimer’s Disease using Random Oversampling and Albumentations on Convolutional Neural Network
CN115251889B (zh) 一种功能磁共振影像动态连接网络特征描述方法
CN117830209B (zh) 一种基于18f-fdg pet/ct的帕金森病预测方法及装置

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