CN117036793B - 一种基于pet影像多尺度特征的脑龄评估方法及装置 - Google Patents
一种基于pet影像多尺度特征的脑龄评估方法及装置 Download PDFInfo
- Publication number
- CN117036793B CN117036793B CN202310946251.8A CN202310946251A CN117036793B CN 117036793 B CN117036793 B CN 117036793B CN 202310946251 A CN202310946251 A CN 202310946251A CN 117036793 B CN117036793 B CN 117036793B
- Authority
- CN
- China
- Prior art keywords
- brain
- age
- scale
- pet
- pet image
- 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 190
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000002600 positron emission tomography Methods 0.000 title description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 230000002503 metabolic effect Effects 0.000 claims abstract description 22
- 230000007102 metabolic function Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 14
- 239000008103 glucose Substances 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 210000001638 cerebellum Anatomy 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000012636 positron electron tomography Methods 0.000 claims 17
- 238000012879 PET imaging Methods 0.000 claims 1
- 238000011524 similarity measure Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 11
- 230000009466 transformation Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 230000004060 metabolic process Effects 0.000 description 4
- 230000000926 neurological effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 101100481876 Danio rerio pbk gene Proteins 0.000 description 2
- 101100481878 Mus musculus Pbk gene Proteins 0.000 description 2
- 230000002902 bimodal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- CVOFKRWYWCSDMA-UHFFFAOYSA-N 2-chloro-n-(2,6-diethylphenyl)-n-(methoxymethyl)acetamide;2,6-dinitro-n,n-dipropyl-4-(trifluoromethyl)aniline Chemical compound CCC1=CC=CC(CC)=C1N(COC)C(=O)CCl.CCCN(CCC)C1=C([N+]([O-])=O)C=C(C(F)(F)F)C=C1[N+]([O-])=O CVOFKRWYWCSDMA-UHFFFAOYSA-N 0.000 description 1
- AOYNUTHNTBLRMT-SLPGGIOYSA-N 2-deoxy-2-fluoro-aldehydo-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](F)C=O AOYNUTHNTBLRMT-SLPGGIOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000036995 brain health Effects 0.000 description 1
- 230000003727 cerebral blood flow Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000005714 functional activity Effects 0.000 description 1
- 239000012216 imaging agent Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- 238000009206 nuclear medicine Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于PET影像多尺度特征的脑龄评估方法,包括以下步骤:获取多个年龄段健康个体的大脑PET影像数据;将大脑PET影像划分成多个脑区并进行图像处理,以获得对应的各脑区代谢特征;构建健康个体的多尺度个体代谢功能邻接矩阵;将所述大脑PET影像和对应的脑龄标签,各脑区代谢特征以及多尺度个体代谢功能邻接矩阵组成数据集;构建基于图神经网络的识别模型;采用数据集对识别模型进行自监督训练,以获得脑龄预测模型;将待预测的大脑PET影像输入至脑龄预测模型中,以获得对应的脑龄预测结果。本发明还提供了一种脑龄评估装置。本发明提供的方法有效地减少了模型预测的偏倚,从而获取更加准确的脑龄预测结果。
Description
技术领域
本发明属于医疗影像处应用处理技术领域,尤其涉及一种基于PET影像多尺度特征的脑龄评估方法及装置。
背景技术
大脑年龄(Brain Age,BA),也称脑龄,是一项评估大脑健康的重要指标,可以作为大脑衰老的潜在生物标志物。在神经科学与临床研究中,基于脑成像进行年龄预测逐渐成为热门研究方向。近年来,PET作为一种新兴的核医学功能成像技术,可以非侵入性地评估大脑血流代谢、功能活动以及神经退行性疾病中的改变,进一步促进了对大脑衰老过程的深入理解。目前的脑龄预测技术主要依赖于结构MRI脑影像,而对于更为灵敏的PET脑影像应用较少。随着PET技术的发展,我们能够获取到个体的大脑代谢网络数据。与此同时,图神经网络(Graph Neural Network,GNN)是一种能够有效处理图结构数据的机器学习模型,为基于图结构的脑龄预测提供了很大的潜力和机遇。
专利文献CN 116051545 A公开了一种双模态影像的脑龄预测方法,包括:S01使用两个3D卷积神经网络作为骨干网络来提取PET和MRI影像的特征;S02将两条骨干网络提取出的MRI与PET影像的特征在通道维度拼接,然后输入到压缩激励模块(Squeeze-and-ExcitationNetworks);S03将激励部分的输出结果和原始的特征图相乘,得到融合通道注意力信息的特征,获得双模态特征的融合特征图。该方法采用多个模态图像进行预测,以多个维度对特征进行提取,但成本过高,需要同时生成多种模态图像。
专利文献CN116077048A公开了一种脑龄预测系统、装置及存储介质,该方法包括从受试者的结构磁共振图像中提取至少两个目标脑区的脑区体积特征,以得到目标脑区体积特征集合;将所述目标脑区体积特征集合输入已训练的宽度学习系统模型以得到受试者的脑龄预测结果。该方法根据磁共振图像中多个脑区体积特征进行特征值生成,但是脑区体积会受到拍摄者拍摄时的生理状态或拍摄姿势,因此其结果存在一定的误差。
发明内容
本发明的目的是提供一种脑龄评估方法及装置,该方法仅需大脑PET影像数据对实际脑龄进行预测,以获得准确的预测结果。
为了实现本发明的第一个目的,提供了一种基于PET影像多尺度特征的脑龄评估方法,包括以下步骤:
获取多个年龄段健康个体的大脑PET影像数据,包括大脑PET影像和对应的脑龄标签。
将大脑PET影像划分成多个脑区并进行图像处理,以获得对应的各脑区代谢特征。
基于各脑区的脑体素强度,以构建健康个体的多尺度个体代谢功能邻接矩阵。
将所述大脑PET影像和对应的脑龄标签,各脑区代谢特征以及多尺度个体代谢功能邻接矩阵组成数据集。
构建基于图神经网络的识别模型,所述识别模型包括特征提取模块,多尺度注意力模块以及预测模块,所述特征提取模块根据输入的大脑PET影像,以生成对应的各脑区代谢特征以及多尺度个体代谢功能邻接矩阵,所述多尺度注意力模块根据各脑区代谢特征和多尺度个体代谢功能邻接矩阵进行多尺度注意操作,以输出融合特征,所述预测模块根据获得的融合特征进行预测,以输出大脑PET影像对应的脑龄预测结果。
采用数据集对所述识别模型进行自监督训练,以获得用于预测脑龄的脑龄预测模型。
将待预测的大脑PET影像输入至脑龄预测模型中,以获得对应的脑龄预测结果。
本发明结合了PET脑影像中的代谢信息和功能连接信息进行训练,通过将PET数据表示为图结构数据,使用GNN模型来学习个体代谢网络的表示,从而实现更精准的脑龄预测。
具体的,所述大脑PET影像在图像处理前需要进行预处理,包括原点校正,空间标准化以及平滑处理。
具体的,所述原点校正指将大脑的前联合(AC)-后联合(PC)校正,统一不同样本数据的图像空间原点,将图像原点位置设定在AC处。
具体的,所述空间标准化包括将图像依次配准到蒙特利尔神经病学研究所(Montreal Neurological Institute,MNI)标准脑模板空间,以统一全部图像的坐标空间,所述配准包括线性配准和非线性配准,所述线性配准包括线性坐标变换和仿射变换,所述非线性配准对局部进行非线性变换。
具体的,所述平滑处理使用高斯滤波器对图像进行图像的降噪,从而进一步提升图像的信噪比。
具体的,所述图像处理采用自动解剖标记模板将大脑分割成多个对称的感兴趣区,并以预设的参考脑区对每个感兴趣区的葡萄糖标准摄取值进行归一化处理,以生成对应的葡萄糖标准摄取值比率作为代谢特征。
具体的,所述代谢特征的表达式如下:
式中,SUVROI表示每个感兴趣区内的葡萄糖标准摄取值,SUVcerebellum表示参考脑区的葡萄糖标准摄取值。
具体的,所述参考脑区包括小脑,脑桥或全脑均值中的一种或多种。
具体的,所述多尺度个体代谢功能邻接矩阵根据各脑区体素强度的概率分布之间相似性,对不同脑区进行连接构建。
具体的,所述多尺度个体代谢功能邻接矩阵基于KL散度算法,JS散度算法以及马氏距离算法,分别计算各脑区体素强度的概率分布之间相似性的度量,并基于各相似度结果进行归一化处理获得。
具体的,所述KL散度算法的表达如下:
所述JS散度算法的表达式如下:
所述马氏距离算法的表达式如下:
式中,pi表示第p个脑区体素强度的概率分布,qi表示第q个脑区体素强度的概率分布。
具体的,在自监督训练时,采用Adam算法作为优化器,初始学习率设为0.001,batch size大小设为16,学习率设为0.01,epoch数设为200。
具体的,在自监督训练时还包括偏倚校正,其表达式如下:
δ=α*a+β
y=b-α*a+β
式中,a代表实际年龄,b表示预测年龄,y表示校正后的预测年龄,δ代表预测年龄与实际年龄之间的差值,α表示函数拟合获得的斜率,β表示函数拟合获得的截距。
为了实现本发明的第二个目的,提供了一种脑龄评估装置,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行计算机程序时执行上述的脑龄预测模型。
所述计算机处理器执行所述计算机程序时实现以下步骤:将待测大脑PET影像输入至脑龄预测模型中,以输出脑龄预测结果。
与现有技术相比,本发明的有益效果:
本发明基于PET影像代谢信息与功能连接信息,显著提高了预测准确度,并以实际年龄作为协变量对回归偏倚进行校正,有效地减少了模型预测的偏倚,从而获取更加准确的脑龄预测结果。
附图说明
图1为本实施例提供的一种基于PET影像多尺度特征的脑龄评估方法的流程图;
图2为本实施例提供的识别模型的图神经网络结构示意图;
图3为本实施例提供的进行回归偏倚校正之前的实际年龄与预测年龄之间的相关图;
图4为本实施例提供的进行回归偏倚校正之后的实际年龄与预测年龄之间的相关图。
具体实施方式
为使本发明目的、技术方案和优点更加清楚,以下结合附图1-4和具体实例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,但不作为对本发明的限定。
如图1所示,为一种基于PET影像多尺度特征的脑龄评估方法,包括以下步骤:
获取多个年龄段健康个体的大脑PET影像数据,包括大脑PET影像和对应的脑龄标签。
更具体地,获取大脑18F-FDG PET影像,构建一个年龄范围为60-90岁,包含500个健康个体的18F-FDG PET脑影像和相应的实际年龄标签的数据集。其中PET指正电子发射断层扫描成像;18F-FDG指的是氟代脱氧葡萄糖,是PET检查最常用的显像剂,可以反映组织或器官的代谢与功能情况。
对获取的18F-FDG PET图像进行预处理,包括:
1、原点校正此步骤主要是进行大脑的前联合(AC)-后联合(PC)校正,统一不同样本数据的图像空间原点,将图像原点位置设定在AC处。
2、空间标准化由于不同受试者大脑形状、大小不同,导致图像在空间上不能很好的重合,此步骤将上一步校正后的图像依次配准到蒙特利尔神经病学研究所(MontrealNeurological Institute,MNI)标准脑模板空间,以统一全部图像的坐标空间。主要配准方法包括线性配准和非线性配准:线性配准包括线性坐标变换和仿射变换,非线性配准对局部进行非线性变换。
3、平滑处理此步骤使用高斯滤波器对图像进行平滑处理,以降低图像的噪声,从而进一步提升图像的信噪比。
将大脑PET影像划分成多个脑区并进行图像处理,以获得对应的各脑区代谢特征。
更具体地,采用自动解剖标记模板(Automated anatomic labeling,AAL)将大脑分割成90个左右对称的感兴趣区(Region of Interest,ROI),并分别计算每个ROI内的葡萄糖标准摄取值(Standard Uptake Value,SUV)。进一步以小脑作为参考脑区,对每个ROI区域内的SUV进行归一化处理,计算葡萄糖标准摄取值比率(Standard Uptake ValueRatio,SUVR)(即每个ROI的葡萄糖标准摄取值除以小脑葡萄糖标准摄取值)。
式中,SUVROI表示每个感兴趣区内的葡萄糖标准摄取值,SUVcerebellum表示参考脑区的葡萄糖标准摄取值。
此步骤只给出了基于AAL脑图谱的实例,任意先验脑图谱或其他脑区定义方式均适用。
其他参考脑区均适用,例如脑桥、全脑均值等。
基于各脑区的脑体素强度,以构建健康个体的多尺度个体代谢功能邻接矩阵。
更具体地,基于提取的脑区代谢特征结果,估计每个脑区体素强度特征的概率密度分布。进一步基于脑区体素强度的概率密度分布,构建不同脑区间的连接。此步骤中使用KL散度(Kullback-Leibler divergence)、JS散度(Jensen-Shannon divergence)、马氏距离(Kolmogorov-Smirnov distance)等多种相似性计算方法,反映大脑在不同尺度下的脑区之间的相似性强弱。
KL散度的定义如下:
JS散度的定义如下:
马氏距离的定义如下:
其中,p和q分别代表两个脑区的特征强度概率密度分布。三个相似性计算完毕后,进一步将归一化到[0,1]区间,用于反映脑区之间分布相似性的强弱,即代谢功能连接强度的大小。
基于计算得到的不同脑区之间的连接,构建多尺度个体代谢功能邻接矩阵,此步骤得到三个90×90的邻接矩阵。
此步骤只给出了基于AAL脑图谱的实例,任意先验脑图谱或其他脑区定义方式均适用。
其他衡量相似度的方法也适用,例如欧式距离、余弦相似性等。
构建基于图神经网络的识别模型,该识别模型包括特征提取模块,多尺度注意力模块以及预测模块,该特征提取模块根据输入的大脑PET影像,以生成对应的各脑区代谢特征以及多尺度个体代谢功能邻接矩阵,该多尺度注意力模块根据各脑区代谢特征和多尺度个体代谢功能邻接矩阵进行多尺度注意操作,以输出融合特征,该预测模块根据获得的融合特征进行预测,以输出大脑PET影像对应的脑龄预测结果。
更具体地,如图2所示为基于图神经网络(Graph Neural Network,GNN)构建脑龄预测模型。模型使用脑区代谢特征和代谢功能连接网络作为输入,通过学习PET数据的复杂空间关系和代谢特征,不仅考虑了衰老过程中大脑的代谢功能改变,而且纳入了脑区之间功能连接信息,从多尺度捕捉了大脑衰老过程中功能与信息整合加工能力的改变。
本发明提出使用多尺度功能连接的图卷积网络模型,多种构图方法学习不同尺度的功能连接信息,使用层级池化保留大脑的社区属性,注意力融合的方法实现跨尺度的特征融合,自监督学习提升模型的鲁棒性和泛化性,最终实现更准确的脑龄估计。
具体步骤如下:
1)多尺度图卷积计算。多个功能连接分配多个并行的GCN模块,在每一个分支中,通过图卷积层的节点特征聚合和变换,从而提取功能连接的拓扑信息。图卷积的计算如式(1)所示。其中,表示添加自环后的功能连接矩阵,/>表示度矩阵,Hl-1表示第l-1的隐藏层特征,Wl表示参数矩阵,relu表示线性整流激活函数。H0即为输入的节点特征SUVR值。
式(1)即为一层的图卷积计算,本发明将图卷积层堆叠三次,从而提取更深层次的拓扑关系和抽象特征。为了避免梯度消失或爆炸,本发明在最后一层图卷积中添加了残差结构,如式(2)所示。
ZL=concat[H1,H2,…,HL] (2)
其中,L表示最后一层图卷积,HL表示最后一层图卷积的隐藏特征,concat[.]表示拼接,ZL表示图卷积计算提取到的特征。
2)层级池化计算。由于大脑网络具有社区属性,本发明采用topK的方式保留节点的社区特征。首先根据GCN提取到的节点特征在一个高维空间中做投影,并根据投影分数按照一定的比例保留一部分节点,保留下来的节点融合了社区属性。计算公式如式(3)-(8)所示。
idx=topk(S,k) (4)
Al+1=Al(idx,idx) (7)
其中,式(3)中节点隐特征Hl在表示的空间中投影,并获取前k个节点的索引如式(4),再通过sigmoid函数得到节点的分数,如式(5)。相应地,节点隐特征和功能连接矩阵也根据保留的前k个节点做相应调整,如式(6)-(7)。最后将节点分数分配到节点特征上,如式(8)所示。
3)多尺度注意力计算。由于多个尺度构建的功能网络从不同层面度量了大脑的连接关系,因此多个分支的GCN具有关联关系。为学习多个尺度的关联,本发明提出基于注意力机制的跨尺度融合方法。计算过程如式(9)-(11)所示。
Q=HlWQ,K=HlWK,V=HlWV (9)
MultiHead(Q,K,V)=concat[head1,…,headn]WO (11)
在式(9)中,将节点隐特征Hl分别投影到query子空间、key子空间、value子空间。根据三个子空间的向量,计算自注意力分数并作为权重与value向量相乘,如式(10)。为提取跨尺度的关联关系,本发明将一个分支的功能连接的query向量和key向量形成自注意力分数,与另一个分支的value向量相乘。最后将多个注意力头拼接,如式(11)所示,得到最后的多尺度图卷积嵌入表示。
对比自监督学习的脑龄估计。由于注意力融合得到的多尺度图卷积特征维度较高,本发明采用卷积做维度变换,实现降维,并通过全连接层输出预测的脑龄。本发明采用1×1大小的核做卷积计算,实现降维,如式(12)所示。全连接层输出预测的脑龄如式(13)所示。
由于医学影像往往只有少量的样本,导致模型的鲁棒性和泛化性较弱。因此本发明设置了基于脑网络增强的对比自监督学习任务。不同方法构建出来的脑网络分别输入到GCN的每个分支模型中,对于同一被试的各个分支模型,使其提取到的特征分布接近。对于不同被试的各个分支模型,使其提取到的特征分布远离。通过预训练的方式,获取到各个分支的预训练模型,从而提取个体中丰富的语义信息,实现更准确的脑龄估计结果。
采用数据集对所述识别模型进行自监督训练,以获得用于预测脑龄的脑龄预测模型。
更具体地,本发明使用PyTorch神经网络框架构建模型。构建一个年龄范围为50-90岁,包含500个健康个体的PET脑影像的数据集,将数据集按照8:2的比例划分训练集和测试集,使用训练集对模型进行训练,测试集进行模型测试,其中训练集包含400个样本(平均年龄=76.50±6.72岁)。将数据集随机划分成五折,并采用五折交叉验证的方法训练和测试模型。
在模型训练过程中,使用平均绝对误差作为损失函数。在训练集中再按照8:2划分出验证集,并在验证集上做超参数调优。超参数包括学习率,批大小,L2正则化系数,其中学习率的调优范围是集合{0.0001,0.0005,0.001,0.005,0.01},批大小的调优范围是集合{10,20,30,40,50},L2正则化系数的调优范围是集合{0,0.0001,0.001,0.01}。其他超参数如优化器设为Adam,回合数设为100。在验证集中取出平均绝对误差最小的模型,在测试集上取泛化结果。度量指标包括实际年龄与预测年龄之间的均方根误差(root mean squarederror,RMSE)、平均绝对误差(mean absolute error,MAE)、决定系数(coefficient ofdetermination,R2)。五折交叉验证下得到的五个测试集的泛化结果,最后的定量指标取均值±标准差。
脑龄预测过程中常出现年龄依赖性的偏倚,即预测结果在年轻样本中高估,在年老样本中高估。使用统计学上的偏倚校正方法可以较好的减少年龄依赖性的偏倚,采用以下公式对脑龄偏倚与实际年龄之间进行拟合和对预测年龄进行校正:
δ=α*a+β
y=b-α*a+β
其中,a代表实际年龄,b表示预测年龄,y表示校正后的预测年龄,δ代表预测年龄与实际年龄之间的差值,系数α和β分别代表根据一次函数拟合所得到的斜率和截距,被用于进一步校正预测年龄。
如图3和图4所示,实验结果表明在测试集中,偏倚校正前,最优的预测模型MAE=2.57,RMSE=3.88,R2=0.64;偏倚校正后预测模型MAE=1.62,RMSE=2.06,R2=0.90,偏倚校正显著提升了模型的精度。
本实施例还提供了一种脑龄评估装置,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行计算机程序时执行上述的脑龄预测模型。
所述计算机处理器执行所述计算机程序时实现以下步骤:将待测大脑PET影像输入至脑龄预测模型中,以输出脑龄预测结果。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.一种基于PET影像多尺度特征的脑龄评估方法,其特征在于,包括以下步骤:
获取多个年龄段健康个体的大脑PET影像数据,包括大脑PET影像和对应的脑龄标签;
将大脑PET影像划分成多个脑区并进行图像处理,以获得对应的各脑区代谢特征;
基于各脑区的脑体素强度,以构建健康个体的多尺度个体代谢功能邻接矩阵,所述多尺度个体代谢功能邻接矩阵基于KL散度算法,JS散度算法以及马氏距离算法,分别计算各脑区体素强度的概率分布之间相似性的度量,并基于各相似度结果进行归一化处理获得;
将所述大脑PET影像和对应的脑龄标签,各脑区代谢特征以及多尺度个体代谢功能邻接矩阵组成数据集;
构建基于图神经网络的识别模型,所述识别模型包括特征提取模块,多尺度注意力模块以及预测模块,所述特征提取模块根据输入的大脑PET影像,以生成对应的各脑区代谢特征以及多尺度个体代谢功能邻接矩阵,所述多尺度注意力模块根据各脑区代谢特征和多尺度个体代谢功能邻接矩阵进行多尺度注意力操作,以输出融合特征,所述多尺度注意力操作的过程如下:
Q=HlWQ,K=HlWK,V=HlWV
MultiHead(Q,K,V)=concat[head1,…,headn]WO
其中,Hl表示节点隐特征,WQ表示节点隐特征投影到query子空间时的权重,WK表示节点隐特征投影到key子空间时的权重,WV表示节点隐特征投影到value子空间时的权重,T表示矩阵转置,dk表示Key向量的维度,headn表示多头注意力机制中的某一个头;
所述预测模块根据获得的融合特征进行预测,以输出大脑PET影像对应的脑龄预测结果;
采用数据集对所述识别模型进行自监督训练,以获得用于预测脑龄的脑龄预测模型;
将待预测的大脑PET影像输入至脑龄预测模型中,以获得对应的脑龄预测结果。
2.根据权利要求1所述的基于PET影像多尺度特征的脑龄评估方法,其特征在于,所述大脑PET影像在图像处理前需要进行预处理,包括原点校正,空间标准化以及平滑处理。
3.根据权利要求1所述的基于PET影像多尺度特征的脑龄评估方法,其特征在于,所述图像处理采用自动解剖标记模板将大脑分割成多个对称的感兴趣区,并以预设的参考脑区对每个感兴趣区的葡萄糖标准摄取值进行归一化处理,以生成对应的葡萄糖标准摄取值比率作为代谢特征。
4.根据权利要求3所述的基于PET影像多尺度特征的脑龄评估方法,其特征在于,所述代谢特征的表达式如下:
式中,SUVROI表示每个感兴趣区内的葡萄糖标准摄取值,SUVcerebellum表示参考脑区的葡萄糖标准摄取值。
5.根据权利要求3或4所述的基于PET影像多尺度特征的脑龄评估方法,其特征在于,所述参考脑区包括小脑,脑桥或全脑均值中的一种或多种。
6.根据权利要求1所述的基于PET影像多尺度特征的脑龄评估方法,其特征在于,在自监督训练时,采用Adam算法作为优化器,初始学习率设为0.001,batch size大小设为16,学习率设为0.01,epoch数设为200。
7.根据权利要求1所述的基于PET影像多尺度特征的脑龄评估方法,其特征在于,在自监督训练时还包括偏倚校正,其表达式如下:
δ=α*a+β
y=b-α*a+β
式中,a代表实际年龄,b表示预测年龄,y表示校正后的预测年龄,δ代表预测年龄与实际年龄之间的差值,α表示函数拟合获得的斜率,β表示函数拟合获得的截距。
8.一种脑龄评估装置,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行计算机程序时执行如权利要求1所述的基于PET影像多尺度特征的脑龄评估方法;
所述计算机处理器执行所述计算机程序时实现以下步骤:将待测大脑PET影像输入至脑龄预测模型中,以输出脑龄预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310946251.8A CN117036793B (zh) | 2023-07-31 | 2023-07-31 | 一种基于pet影像多尺度特征的脑龄评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310946251.8A CN117036793B (zh) | 2023-07-31 | 2023-07-31 | 一种基于pet影像多尺度特征的脑龄评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117036793A CN117036793A (zh) | 2023-11-10 |
CN117036793B true CN117036793B (zh) | 2024-04-19 |
Family
ID=88629054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310946251.8A Active CN117036793B (zh) | 2023-07-31 | 2023-07-31 | 一种基于pet影像多尺度特征的脑龄评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036793B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495833B (zh) * | 2023-11-16 | 2024-05-28 | 广州思沛医药科技股份有限公司 | 一种基于大数据的脑卒中预测方法、系统及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019136745A1 (zh) * | 2018-01-15 | 2019-07-18 | 深圳博脑医疗科技有限公司 | 一种基于磁共振图像的脑龄测试方法及脑龄测试装置 |
CN110473171A (zh) * | 2019-07-18 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 脑龄检测方法、计算机设备和存储介质 |
AU2020102977A4 (en) * | 2020-10-23 | 2020-12-24 | Bhima, Ravi Teja DR | A Deep learning technique to recognise brain activity by fMRI and DTI image fusion |
CN113892936A (zh) * | 2021-09-24 | 2022-01-07 | 天津大学 | 一种基于全卷积神经网络的可解释脑龄预测方法 |
CN115760835A (zh) * | 2022-12-02 | 2023-03-07 | 天津工业大学 | 一种图卷积网络的医学图像分类的方法 |
CN115982654A (zh) * | 2023-03-21 | 2023-04-18 | 北京芯盾时代科技有限公司 | 一种基于自监督图神经网络的节点分类方法及装置 |
CN116051545A (zh) * | 2023-03-07 | 2023-05-02 | 复旦大学 | 一种双模态影像的脑龄预测方法 |
CN116468668A (zh) * | 2023-03-15 | 2023-07-21 | 兰州大学 | 一种偏侧化发育引导的新生儿脑成熟度评估方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3836157B1 (en) * | 2019-12-12 | 2024-06-12 | Siemens Healthineers AG | Method for obtaining disease-related clinical information |
-
2023
- 2023-07-31 CN CN202310946251.8A patent/CN117036793B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019136745A1 (zh) * | 2018-01-15 | 2019-07-18 | 深圳博脑医疗科技有限公司 | 一种基于磁共振图像的脑龄测试方法及脑龄测试装置 |
CN110337670A (zh) * | 2018-01-15 | 2019-10-15 | 深圳博脑医疗科技有限公司 | 一种基于磁共振图像的脑龄测试方法及脑龄测试装置 |
CN110473171A (zh) * | 2019-07-18 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 脑龄检测方法、计算机设备和存储介质 |
AU2020102977A4 (en) * | 2020-10-23 | 2020-12-24 | Bhima, Ravi Teja DR | A Deep learning technique to recognise brain activity by fMRI and DTI image fusion |
CN113892936A (zh) * | 2021-09-24 | 2022-01-07 | 天津大学 | 一种基于全卷积神经网络的可解释脑龄预测方法 |
CN115760835A (zh) * | 2022-12-02 | 2023-03-07 | 天津工业大学 | 一种图卷积网络的医学图像分类的方法 |
CN116051545A (zh) * | 2023-03-07 | 2023-05-02 | 复旦大学 | 一种双模态影像的脑龄预测方法 |
CN116468668A (zh) * | 2023-03-15 | 2023-07-21 | 兰州大学 | 一种偏侧化发育引导的新生儿脑成熟度评估方法及系统 |
CN115982654A (zh) * | 2023-03-21 | 2023-04-18 | 北京芯盾时代科技有限公司 | 一种基于自监督图神经网络的节点分类方法及装置 |
Non-Patent Citations (5)
Title |
---|
Brain age prediction using the graph neural network based on resting-state functional MRI in Alzheimer’s disease;Jingjing Gao 等;《Frontiers in Neuroscience》;1-10 * |
Identifiation of Mild cognitive impairment based on quadruple GCN model constructed with multiple features from higher-order brain connectivity;Yuan Li 等;《Expert Systems With Applications》;1-10 * |
OTFPF: Optimal Transp ort-Based Feature Pyramid Fusion Network for Br ain Age Estimation with 3D Overlapp ed ConvNeXt;Yu Fu 等;《arXiv》;1-11 * |
基于多模态磁共振图像的脑龄预测研究;李绮焯;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》(第7期);E060-27 * |
基于深度学习的儿童及青少年脑龄预测方法研究;曲太平;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》(第8期);E055-47 * |
Also Published As
Publication number | Publication date |
---|---|
CN117036793A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584254B (zh) | 一种基于深层全卷积神经网络的心脏左心室分割方法 | |
Avendi et al. | A combined deep-learning and deformable-model approach to fully automatic segmentation of the left ventricle in cardiac MRI | |
Wang et al. | Integration of sparse multi-modality representation and anatomical constraint for isointense infant brain MR image segmentation | |
Eppenhof et al. | Error estimation of deformable image registration of pulmonary CT scans using convolutional neural networks | |
Wolz et al. | LEAP: learning embeddings for atlas propagation | |
US9251596B2 (en) | Method and apparatus for processing medical images | |
CN109993230B (zh) | 一种面向脑功能磁共振图像分类的tsk模糊系统建模方法 | |
Hu et al. | Automatic segmentation of left ventricle from cardiac MRI via deep learning and region constrained dynamic programming | |
CN109948741A (zh) | 一种迁移学习方法及装置 | |
Zhang et al. | Automatic assessment of full left ventricular coverage in cardiac cine magnetic resonance imaging with fisher-discriminative 3-D CNN | |
CN111090764B (zh) | 基于多任务学习和图卷积神经网络的影像分类方法及装置 | |
CN115393269A (zh) | 一种基于多模态影像数据的可扩展多层级图神经网络模型 | |
WO2022127500A1 (zh) | 基于多个神经网络的mri图像分割方法、装置及设备 | |
CN117036793B (zh) | 一种基于pet影像多尺度特征的脑龄评估方法及装置 | |
CN115496720A (zh) | 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备 | |
CN113781488A (zh) | 舌象图像的分割方法、装置及介质 | |
CN115359074A (zh) | 基于超体素聚类及原型优化的图像分割、训练方法及装置 | |
CN115272295A (zh) | 基于时域-空域联合状态的动态脑功能网络分析方法及系统 | |
Guo et al. | Robust anatomical correspondence detection by hierarchical sparse graph matching | |
CN115496953A (zh) | 基于时空图卷积的脑网络分类方法 | |
Sharma et al. | A novel solution of using deep learning for left ventricle detection: enhanced feature extraction | |
CN112863650A (zh) | 一种基于卷积与长短期记忆神经网络的心肌病识别系统 | |
CN116051545B (zh) | 一种双模态影像的脑龄预测方法 | |
Yang | Uncertainty quantification, image synthesis and deformation prediction for image registration | |
Bleton et al. | Myocardial infarct localization using neighbourhood approximation forests |
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 |