CN116883396A - 一种基于人工智能的静息态磁共振图像分析方法与系统 - Google Patents
一种基于人工智能的静息态磁共振图像分析方法与系统 Download PDFInfo
- Publication number
- CN116883396A CN116883396A CN202311140917.7A CN202311140917A CN116883396A CN 116883396 A CN116883396 A CN 116883396A CN 202311140917 A CN202311140917 A CN 202311140917A CN 116883396 A CN116883396 A CN 116883396A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- resting state
- resonance image
- state magnetic
- artificial intelligence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000000284 resting effect Effects 0.000 title claims abstract description 110
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 33
- 238000003703 image analysis method Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 210000004556 brain Anatomy 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 17
- 208000006011 Stroke Diseases 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 208000010877 cognitive disease Diseases 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000001684 chronic effect Effects 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 claims description 4
- 238000004393 prognosis Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 239000006260 foam Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 208000028698 Cognitive impairment Diseases 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004886 head movement Effects 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010012289 Dementia Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及图像处理技术领域，尤其涉及一种基于人工智能的静息态磁共振图像分析方法与系统；本发明在采用支持向量回归算法对静息态磁共振图像进行处理和分析时，在支持向量回归算法中加入了残差机制，提高了图像处理和分析的效率；另外，本发明通过对静息态磁共振图像进行详细的预处理，提高了输入到模型中的图像的精度，进而提高了图像处理和分析的准确度。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于人工智能的静息态磁共振图像分析方法与系统。
背景技术
约50%的中风患者会经历持久的、多领域的认知障碍，有时会发展成痴呆。有证据表明卒中患者存在着长期卒中后认知障碍（Post-stroke Cognitive Impairment，PSCI）的可能，有22%的患者PSCI持续长达5年，21%的患者甚至能持续14年，认知障碍降低了个体的独立自理能力，对患者的生活质量和日常生活活动产生重大的负面影响，PSCI的长期存在也往往是导致患者残疾的诱因。尽管PSCI的存在是如此普遍，但目前还缺乏针对它的预测方法。因此，需要对PSCI的风险进行更可靠的估计，对其预测因子进行更深入的发掘，以告知临床医师和护理人员，提早规划临床服务，设计更优的临床试验。静息态功能磁共振成像（Resting-State Functional MagneticResonance Imaging，rs-fMRI）中的血氧水平依赖（Blood Oxygenation Level Dependent，BOLD）序列因其强大的功能而备受关注。
现有技术中一般通过深度学习模型对静息态磁共振图像进行处理和分析，深度学习模型具有收敛性差的特点，需要大量时间对模型进行训练才能使模型收敛，从而影响图像处理和分析的效率，另外，对磁共振图像进行处理和分析时，一般地仅采取简单的手段对磁共振图像进行预处理，使得最终图像处理和分析的准确性不高。
因此，现有技术中急需一种提高静息态磁共振图像处理和分析效率和准确度的技术方案。
发明内容
本发明要解决的技术问题是针对上述技术方案的不足，提供一种基于人工智能的静息态磁共振图像分析方法与系统，用于提高静息态磁共振图像处理和分析的速度和精度。
为了实现上述目的，根据本发明的一个方面，本发明提出一种基于人工智能的静息态磁共振图像分析方法，其特征在于，包括以下步骤：
步骤1：采集卒中患者发作一周时的脑部静息态磁共振图像数据；
步骤2：对所述静息态磁共振图像进行预处理操作；
步骤3：采用人工智能算法对经过预处理的所述静息态磁共振图像进行处理和分析；
所述人工智能算法为支持向量回归算法；所述对经过预处理的所述静息态磁共振图像进行处理和分析为：利用所述支持向量回归算法和所述静息态磁共振图像数据预测患者慢性期认知障碍预后情况；
所述步骤3具体为：
步骤3.1：通过所述预处理步骤可得到所述静息态磁共振图像的特征，对所述静息态磁共振图像的特征进行选择，得到保留特征，作为所述支持向量回归算法的输入；
对所述静息态磁共振图像的特征进行选择，得到保留特征具体包括：采用无限潜在特征选择算法对所述静息态磁共振图像的特征进行选择，并得到每个特征的重要性评分，然后对所述重要性评分从高到低进行排序，从而选取出重要性评分前10%特征作为保留特征，并作为所述支持向量回归算法的输入；
步骤3.2：采用多个样本的所述保留特征组成多个训练集，用于对所述支持向量回归算法训练；
步骤3.3：对所述支持向量回归算法训练后，根据训练残差对所述支持向量回归算法进行残差学习；
步骤3.4：基于经过残差学习的支持向量回归算法以及所述保留特征对所述静息态磁共振图像进行图像处理和分析。
进一步的，在步骤1中，采用3.0 T标准头线圈采集被试者的脑部静息态磁共振图像；在扫描过程中被试者采取仰卧位，使用海绵泡沫填塞被试者头部与头线圈周围空隙。
进一步的，所述预处理包括：
步骤2.1：对所述静息态磁共振图像从原始DICOM格式的静息态磁共振图像转换成NIFTI格式静息态磁共振图像；
步骤2.2：去除所述NIFTI格式静息态磁共振图像中时间点不稳定的前10个图像；
步骤2.3：对经步骤2.2处理后的图像进行时间层校正，以统一所述NIFTI格式静息态磁共振图像的时间序列；
步骤2.4：对经步骤2.3时间校正后图像进行头动校正；
步骤2.5：对经步骤2.4头动校正后的图像进行空间配准，以将功能像数据配准到标准模板；
步骤2.6：对经步骤2.5空间配准后的图像进行空间平滑处理，所述空间平滑处理通过高斯卷积实现，所述高斯卷积中高斯卷积核的全宽半高值为8mm；
步骤2.7：对经步骤2.6空间平滑处理后的图像，进一步去除其线性漂移和干扰协变量；
步骤2.8：对经步骤2.7处理后的图像进行时间带通滤波处理，以减少低频漂移和高频噪音；
步骤2.9：对经步骤2.8进行时间带通滤波处理后的图像，获取其274个特征。
进一步的，利用基于MATLAB工具箱的软件包DPARBI v4.4对所述静息态磁共振图像数据进行预处理。
进一步的，所述对所述静息态磁共振图像进行时间带通滤波具体为：保留所述静息态磁共振图像的 0.01- 0.08 Hz的信号。
进一步的，所述步骤2.9具体为：应用肯德尔协和系数计算单个体素与27个周围体素之间的相似性，以获得ReHo特征值来衡量所述单个体素与所述周围体素时间序列的相似性；然后将ReHo特征值进行z分布转化；然后基于人类脑网络组图谱获得274个独立脑区，计算所述274个独立脑区的ReHo脑图的均值，再对每个独立脑区的ReHo脑图的均值除以所述卒中患者脑部整体ReHo均值，从而得到所述静息态磁共振图像的274个特征。
进一步的，所述步骤3.3为：使用第个样本的训练集训练得到的模型去预测第/>个样本的预测值，将每一次模型的预测值与真实值的残差/>加入训练模型得出：
式中，为第/>个样本的预测值，/>为第i个样本的真实值；
则总的残差学习模型函数如下：
式中，所述为总的残差，n为样本的个数。
本发明还保护一种基于人工智能的静息态磁共振图像分析系统，该系统采用上述任一项所述的基于人工智能的静息态磁共振图像分析方法，其特征在于，包括：
图像采集模块，用于采集静息态磁共振图像数据；
预处理模块，用于对所述静息态磁共振图像进行预处理操作；
图像处理和分析模块，用于采用人工智能算法对经过预处理的所述静息态磁共振图像进行处理和分析。
基于上述技术方案，本申请提供的基于人工智能的静息态磁共振图像分析方法与系统，具有如下技术效果：
本发明采用了基于残差的支持向量回归算法对静息态磁共振图像进行处理和分析，使得深层卷积神经网络的梯度爆炸问题得以很大程度上避免，深度学习模型的拟合能力和泛化能力达到了新的高峰；
同时，本发明在对静息态磁共振图像进行处理和分析之前，进行了详细的预处理流程，从而极大的提高了输入到模型的信息的准确度，从而提高了整体静息态磁共振图像处理和分析的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于人工智能的静息态磁共振图像分析方法的流程图；
图2为本申请实施例提供的预处理操作的流程图；
图3为本申请实施例提供的基于人工智能的静息态磁共振图像分析系统的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面首先结合附图对本申请所涉及的概念进行说明。在此需要指出的是，以下对各个概念的说明，仅为了使本申请的内容更加容易理解，并不表示对本申请保护范围的限定。
实施例一：在本实施例的实例中，为了实现上述目的，如图1所示，提供基于人工智能的静息态磁共振图像分析方法，包括以下步骤：
步骤1：采集卒中患者发作一周时的脑部静息态磁共振图像数据；
对于卒中患者发作一周时进行脑部MRI数据扫描，所有被试者在进行检查前均按照要求调整正常作息，并保持饮食清淡；
在采集脑部静息态磁共振图像数据时，采用3.0 T（Discovery MR750, GeneralElectric, Milwaukee, WI, USA ）标准头线圈采集被试者的脑部静息态磁共振图像。
在扫描过程中采取仰卧位，使用海绵泡沫填塞被试头部与头线圈周围空隙以减少头动带来的运动伪影，使用降噪耳塞防止机器背景噪音干扰被试静息状态。被试者均被要求保持放松、安静的状态进行呼吸，同时要求被试闭眼清醒，不进行任何问题的思考。在每次数据采集前均进行常规MRI扫描以排除被试其它脑损伤症状。
静息态脑功能MRI数据的扫描参数设定：重复时间为2000 ms；回波时间为30 ms，翻转角为90°，视野为240×240 mm2，采用矩阵为64×64，层厚为 3.0 mm，层间隔 1.0 mm，层数为32层，共采集180个矢状位切片。3D T1脑结构图像的扫描参数设定：重复时间为 8.2ms；回波时间为 3.2 ms，翻转角为12°，视野为256×256 mm2，采用矩阵为256×256，层厚为1.0 mm，层间隔0 mm，共采集188切片。
步骤2：对所述静息态磁共振图像进行预处理操作；
利用基于MATLAB工具箱的软件包DPARBI v4.4对所述静息态磁共振图像数据进行预处理；
如图2所示，所述预处理包括：
步骤2.1：对所述静息态磁共振图像进行数据格式转换；
通过上述数据格式转换，将原始DICOM格式的所述静息态磁共振图像转换成NIFTI格式的所述静息态磁共振图像；
步骤2.2：去除前10个不稳定的时间点的所述静息态磁共振图像；
由于前10个时间点的图像不稳定，误差较大，因此，本实施例在图像预处理阶段将该不稳定的图像去除，避免其对结果的干扰；
步骤2.3：对所述静息态磁共振图像进行时间层校正；
采集所述静息态磁共振图像的时间序列是隔层扫描，不同的时间序列的所述静息态磁共振图像不是同时采集的，在不同的层间有时间偏移，因此，需要通过时间层校正调整为统一时间点上的时间序列。
步骤2.4：对所述静息态磁共振图像进行头动校正；
通过使用六参数刚体变换将每个头部的体积与头部的平均体积重新对齐以校正头动，同时计算逐帧位移，以描述头部位置的变化并用于后续步骤；
步骤2.5：对所述静息态磁共振图像进行空间配准；
将所述静息态磁共振图像准到蒙特利尔神经研所（Montreal neurologicinstitute, MNI）标准模板中，重新采样后体素大小变为3mm*3mm*3mm；
步骤2.6：对所述静息态磁共振图像进行空间平滑；
本发明中空间平滑处理通过高斯卷积实现，高斯卷积中高斯卷积核的全宽半高值为8mm。
步骤2.7：去除所述静息态磁共振图像的线性漂移和干扰协变量；
步骤2.8：对所述静息态磁共振图像进行时间带通滤波；
所述对所述静息态磁共振图像进行时间带通滤波具体为：保留所述静息态磁共振图像的 0.01- 0.08 Hz的信号，以减少低频漂移和高频噪音；
步骤2.9：获取所述静息态磁共振图像的274个特征；
应用肯德尔协和系数计算单个体素与27个周围体素之间的相似性，以获得ReHo特征值来衡量所述单个体素与所述周围体素时间序列的相似性；然后将ReHo特征值进行z分布转化；然后基于人类脑网络组图谱获得274个独立脑区(大脑246个脑区和小脑28个脑区)，计算所述274个独立脑区的ReHo脑图的均值，再对每个独立脑区的ReHo脑图的均值除以所述卒中患者脑部整体ReHo均值，从而得到所述静息态磁共振图像的274个特征。
步骤3：采用人工智能算法对经过预处理的所述静息态磁共振图像进行处理和分析；
人工智能算法为支持向量回归算法（Support Vector Regress，SVR），所述支持向量回归算法是试图在高维空间里寻找到一个超平面来最大程度地包含所有的数据，通过最小化泛化误差界，以达到泛化性能；
使用支持向量回归算法对所述静息态磁共振图像进行分析进行处理具体为：
步骤3.1：通过所述预处理步骤可得到所述静息态磁共振图像的特征，对所述静息态磁共振图像的特征进行选择，得到保留特征，作为所述支持向量回归算法的输入；
所述支持向量回归算法的默认超参数设置为采用线性核函数，惩罚值C设定为1，损失函数p的值设为 0.1；
机器学习方法的性能很大程度上依赖于它们所选用的特征。不同的特征可以显示或隐藏数据背后不同的解释因素。通过特征选择（Feature Selection，FS）的方法可以选择出对预测模型最有效的特征，减少模型过拟合的风险，提高预测模型的性能。
本实施例采用无限潜在特征选择（Infinite Latent Feature Selection，Inf-FS）算法对所述静息态磁共振图像的特征进行选择，它是一种基于概率潜在图的特征选择算法，利用了矩阵幂级数的收敛性来评估一个特征相对于所有其他特征的重要性。将特征选择问题映射到一个亲和图，然后考虑一个特征子集作为连接节点集的路径；给定特征的重要性被模型解释为潜在变量和特征的条件概率，即P(z|f)；设置混合权值用于特征图的权值、加权图，并执行排序步骤，提供每个特征的重要性评分，旨在为数据背后的一个重要隐藏变量建模，即特征的相关性；
值得强调地，选择重要性评分前10%的特征作为保留特征。
步骤3.2：采用多个样本的所述保留特征组成多个训练集，用于对所述支持向量回归算法训练；
示例性地，选择35名患者的静息态磁共振图像进行所述步骤2的预处理，然后得到35个样本，然后对所述35个样本的静息态磁共振图像的特征进行选择，得到保留特征，组成35个数据集，其中，将34个数据集作为训练集，将1个数据集作为测试集，对所述支持向量回归算法进行训练；
步骤3.3：对所述支持向量回归算法训练后，根据训练残差对所述支持向量回归算法进行残差学习；
具体地，所述根据训练残差对所述支持向量回归算法进行残差学习具体为：
使用第个样本的训练集训练得到的模型去预测第/>个样本的预测值，将每一次模型的预测值与真实值的残差/>加入训练模型得出：
式中，为第/>个样本的预测值，/>为第/>个样本的真实值；
则总的残差学习模型函数如下：
式中，所述为总的残差，n为样本的个数。
步骤3.4：基于经过残差学习的支持向量回归算法以及所述保留特征对所述静息态磁共振图像进行图像处理和分析。
具体地，对磁共振图像进行分析为：将获取的保留特征输入到经过残差学习的支持向量回归算法，将其输出结果作为预测慢性期认知障碍预后情况的依据。
本发明利用了人工智能中SVR算法与临床量表相结合的方法，对于卒中患者急性期静息态fMRI数据与其慢性期认知功能预后数据进行了回归模型的建立，结果表明基于脑区水平的急性期MRI数据的ReHo特征可作为卒中慢性期认知水平的预测指标。本发明中引入了残差学习的SVR算法相较于原SVR算法其预测精度大大提高。
实施例二：如图3所示，本实施例包括一种基于人工智能的静息态磁共振图像分析系统，该系统采用上述的基于人工智能的静息态磁共振图像分析方法，包括：
图像采集模块，用于采集静息态磁共振图像数据；
预处理模块，用于对所述静息态磁共振图像进行预处理操作；
图像处理和分析模块，用于采用人工智能算法对经过预处理的所述静息态磁共振图像进行处理和分析。
本领域技术人员应明白，本文的实施例可提供为方法、装置（设备）、或计算机程序产品。因此，本文可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
本文是参照根据本文实施例的方法、装置（设备）和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的实施例及/或实施方式，仅是用以说明实现本发明技术的较佳实施例及/或实施方式，并非对本发明技术的实施方式作任何形式上的限制，任何本领域技术人员，在不脱离本发明内容所公开的技术手段的范围，当可作些许的更动或修改为其它等效的实施例，但仍应视为与本发明实质相同的技术或实施例。
Claims (8)
1.一种基于人工智能的静息态磁共振图像分析方法，其特征在于，包括以下步骤：
步骤1：采集卒中患者发作一周时的脑部静息态磁共振图像数据；
步骤2：对所述静息态磁共振图像进行预处理操作；
步骤3：采用人工智能算法对经过预处理的所述静息态磁共振图像进行处理和分析；
所述人工智能算法为支持向量回归算法；所述对经过预处理的所述静息态磁共振图像进行处理和分析为：利用所述支持向量回归算法和所述静息态磁共振图像数据预测患者慢性期认知障碍预后情况；
所述步骤3具体为：
步骤3.1：通过所述预处理步骤可得到所述静息态磁共振图像的特征，对所述静息态磁共振图像的特征进行选择，得到保留特征，作为所述支持向量回归算法的输入；
对所述静息态磁共振图像的特征进行选择，得到保留特征具体包括：采用无限潜在特征选择算法对所述静息态磁共振图像的特征进行选择，并得到每个特征的重要性评分，然后对所述重要性评分从高到低进行排序，从而选取出重要性评分前10%特征作为保留特征，并作为所述支持向量回归算法的输入；
步骤3.2：采用多个样本的所述保留特征组成多个训练集，用于对所述支持向量回归算法训练；
步骤3.3：对所述支持向量回归算法训练后，根据训练残差对所述支持向量回归算法进行残差学习；
步骤3.4：基于经过残差学习的支持向量回归算法以及所述保留特征对所述静息态磁共振图像进行图像处理和分析。
2.根据权利要求1所述的一种基于人工智能的静息态磁共振图像分析方法，其特征在于，在步骤1中，采用3.0 T标准头线圈采集被试者的脑部静息态磁共振图像；在扫描过程中被试者采取仰卧位，使用海绵泡沫填塞被试者头部与头线圈周围空隙。
3.根据权利要求1所述的一种基于人工智能的静息态磁共振图像分析方法，其特征在于，所述预处理包括：
步骤2.1：对所述静息态磁共振图像从原始DICOM格式的静息态磁共振图像转换成NIFTI格式静息态磁共振图像；
步骤2.2：去除所述NIFTI格式静息态磁共振图像中时间点不稳定的前10个图像；
步骤2.3：对经步骤2.2处理后的图像进行时间层校正，以统一所述NIFTI格式静息态磁共振图像的时间序列；
步骤2.4：对经步骤2.3时间校正后图像进行头动校正；
步骤2.5：对经步骤2.4头动校正后的图像进行空间配准，以将功能像数据配准到标准模板；
步骤2.6：对经步骤2.5空间配准后的图像进行空间平滑处理，所述空间平滑处理通过高斯卷积实现，所述高斯卷积中高斯卷积核的全宽半高值为8mm；
步骤2.7：对经步骤2.6空间平滑处理后的图像，进一步去除其线性漂移和干扰协变量；
步骤2.8：对经步骤2.7处理后的图像进行时间带通滤波处理，以减少低频漂移和高频噪音；
步骤2.9：对经步骤2.8进行时间带通滤波处理后的图像，获取其274个特征。
4.根据权利要求3所述的一种基于人工智能的静息态磁共振图像分析方法，其特征在于，利用基于MATLAB工具箱的软件包DPARBI v4.4对所述静息态磁共振图像数据进行预处理。
5.根据权利要求3所述的一种基于人工智能的静息态磁共振图像分析方法，其特征在于，所述对所述静息态磁共振图像进行时间带通滤波具体为：保留所述静息态磁共振图像的 0.01- 0.08 Hz的信号。
6.根据权利要求3所述的一种基于人工智能的静息态磁共振图像分析方法，其特征在于，所述步骤2.9具体为：应用肯德尔协和系数计算单个体素与27个周围体素之间的相似性，以获得ReHo特征值来衡量所述单个体素与所述周围体素时间序列的相似性；然后将ReHo特征值进行z分布转化；然后基于人类脑网络组图谱获得274个独立脑区，计算所述274个独立脑区的ReHo脑图的均值，再对每个独立脑区的ReHo脑图的均值除以所述卒中患者脑部整体ReHo均值，从而得到所述静息态磁共振图像的274个特征。
7.根据权利要求6所述的一种基于人工智能的静息态磁共振图像分析方法，其特征在于，所述步骤3.3为：使用第个样本的训练集训练得到的模型去预测第/>个样本的预测值，将每一次模型的预测值与真实值的残差/>加入训练模型得出：
式中，/>为第/>个样本的预测值，/>为第i个样本的真实值；
则总的残差学习模型函数如下：
式中，所述/>为总的残差，n为样本的个数。
8.一种基于人工智能的静息态磁共振图像分析系统，该系统采用权利要求1-7任一项所述的基于人工智能的静息态磁共振图像分析方法，其特征在于，包括：
图像采集模块，用于采集静息态磁共振图像数据；
预处理模块，用于对所述静息态磁共振图像进行预处理操作；
图像处理和分析模块，用于采用人工智能算法对经过预处理的所述静息态磁共振图像进行处理和分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311140917.7A CN116883396B (zh) | 2023-09-06 | 2023-09-06 | 一种基于人工智能的静息态磁共振图像分析方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311140917.7A CN116883396B (zh) | 2023-09-06 | 2023-09-06 | 一种基于人工智能的静息态磁共振图像分析方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116883396A true CN116883396A (zh) | 2023-10-13 |
| CN116883396B CN116883396B (zh) | 2023-11-28 |
Family
ID=88264742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311140917.7A Active CN116883396B (zh) | 2023-09-06 | 2023-09-06 | 一种基于人工智能的静息态磁共振图像分析方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116883396B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107248162A (zh) * | 2017-05-18 | 2017-10-13 | 杭州全景医学影像诊断有限公司 | 急性脑缺血图像分割模型的获得方法及急性脑缺血图像分割的方法 |
| CN111415070A (zh) * | 2020-03-03 | 2020-07-14 | 浙江运达风电股份有限公司 | 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法 |
| CN113571148A (zh) * | 2021-06-07 | 2021-10-29 | 四川大学华西医院 | 一键式精神影像个体化脑功能报告生成系统、设备及存储介质 |
| CN115187555A (zh) * | 2022-07-18 | 2022-10-14 | 无锡市精神卫生中心 | 一种静息态功能磁共振个体化靶点定位方法 |
| CN115359045A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 基于多模态磁共振成像的图卷积神经网络疾病预测系统 |
| CN115457334A (zh) * | 2022-10-17 | 2022-12-09 | 珠海市隆远医疗科技有限公司 | 静息态功能磁共振影像数据分类方法、系统及相关产品 |
| CN115881238A (zh) * | 2022-10-09 | 2023-03-31 | 成都信息工程大学 | 模型训练方法、变压器故障诊断方法及相关装置 |
| CN116562121A (zh) * | 2023-03-23 | 2023-08-08 | 国网河南省电力公司许昌供电公司 | 基于XGBoost和FocalLoss结合的电缆老化状态评估方法 |
-
2023
- 2023-09-06 CN CN202311140917.7A patent/CN116883396B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107248162A (zh) * | 2017-05-18 | 2017-10-13 | 杭州全景医学影像诊断有限公司 | 急性脑缺血图像分割模型的获得方法及急性脑缺血图像分割的方法 |
| CN111415070A (zh) * | 2020-03-03 | 2020-07-14 | 浙江运达风电股份有限公司 | 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法 |
| CN113571148A (zh) * | 2021-06-07 | 2021-10-29 | 四川大学华西医院 | 一键式精神影像个体化脑功能报告生成系统、设备及存储介质 |
| CN115187555A (zh) * | 2022-07-18 | 2022-10-14 | 无锡市精神卫生中心 | 一种静息态功能磁共振个体化靶点定位方法 |
| CN115881238A (zh) * | 2022-10-09 | 2023-03-31 | 成都信息工程大学 | 模型训练方法、变压器故障诊断方法及相关装置 |
| CN115457334A (zh) * | 2022-10-17 | 2022-12-09 | 珠海市隆远医疗科技有限公司 | 静息态功能磁共振影像数据分类方法、系统及相关产品 |
| CN115359045A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 基于多模态磁共振成像的图卷积神经网络疾病预测系统 |
| CN116562121A (zh) * | 2023-03-23 | 2023-08-08 | 国网河南省电力公司许昌供电公司 | 基于XGBoost和FocalLoss结合的电缆老化状态评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 高尚;刘夫成;于化龙;: "不同准则下的线性支持向量机回归模型", 东南大学学报(自然科学版), no. 1 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116883396B (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110060313B (zh) | 一种图像伪影校正方法和系统 | |
| CN110506278B (zh) | 隐空间中的目标检测 | |
| CN106530236B (zh) | 一种医学图像处理方法及系统 | |
| CN109255354B (zh) | 面向医用ct的计算机图像处理方法和装置 | |
| CN110910465B (zh) | 一种运动伪影校正方法和系统 | |
| CN116071401B (zh) | 基于深度学习的虚拟ct图像的生成方法及装置 | |
| CN111815735A (zh) | 一种人体组织自适应的ct重建方法及重建系统 | |
| Fantini et al. | Automatic MR image quality evaluation using a Deep CNN: A reference-free method to rate motion artifacts in neuroimaging | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| CN114972266A (zh) | 基于自注意机制和稳定学习的淋巴瘤超声图像语义分割方法 | |
| CN114882996A (zh) | 基于多任务学习的肝细胞癌ck19及mvi预测方法 | |
| CN116883396B (zh) | 一种基于人工智能的静息态磁共振图像分析方法与系统 | |
| CN117095813A (zh) | 一种肌少症自动诊断模型构建方法、系统、设备及介质 | |
| CN116758120A (zh) | 一种基于深度学习的3t mra到7t mra的预测方法 | |
| CN115409857A (zh) | 一种基于深度学习的三维脑积水ct图像分割方法 | |
| CN115063351A (zh) | 一种基于深度学习的胎儿mri脑组织分割方法及装置 | |
| CN114494952A (zh) | 一种基于感知损失的乳腺mri影像时间序列生成方法 | |
| Lindeijer et al. | Leveraging multi-view data without annotations for prostate MRI segmentation: A contrastive approach | |
| CN113812923A (zh) | 网络模型训练方法和皮肤病变确定装置 | |
| CN116029963A (zh) | 血管反应性的评价方法、装置、电子设备及存储介质 | |
| CN113052930A (zh) | 一种胸部dr双能量数字减影图像生成方法 | |
| CN113538451B (zh) | 一种深静脉血栓的磁共振图像分割方法及装置，电子设备及存储介质 | |
| CN112766333B (zh) | 医学影像处理模型训练方法、医学影像处理方法及装置 | |
| US20230358837A1 (en) | Methods and systems for motion detection in magnetic resonance imaging | |
| CN117078703B (zh) | 一种基于mri引导的ct图像分割方法及系统 |
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 |