CN117197637B - 神经影像脑网络效率指标的常模构建方法、应用及装置 - Google Patents
神经影像脑网络效率指标的常模构建方法、应用及装置 Download PDFInfo
- Publication number
- CN117197637B CN117197637B CN202311474139.5A CN202311474139A CN117197637B CN 117197637 B CN117197637 B CN 117197637B CN 202311474139 A CN202311474139 A CN 202311474139A CN 117197637 B CN117197637 B CN 117197637B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- efficiency
- brain
- network
- 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 86
- 238000010276 construction Methods 0.000 title claims abstract description 30
- 230000001537 neural effect Effects 0.000 title claims abstract description 17
- 230000006870 function Effects 0.000 claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 239000002775 capsule Substances 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 210000004885 white matter Anatomy 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 18
- 230000001149 cognitive effect Effects 0.000 claims abstract description 14
- URYAFVKLYSEINW-UHFFFAOYSA-N Chlorfenethol Chemical compound C=1C=C(Cl)C=CC=1C(O)(C)C1=CC=C(Cl)C=C1 URYAFVKLYSEINW-UHFFFAOYSA-N 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000009499 grossing Methods 0.000 claims abstract description 7
- 230000019771 cognition Effects 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 10
- 208000024827 Alzheimer disease Diseases 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000036995 brain health Effects 0.000 claims description 7
- 230000000550 effect on aging Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 230000007306 turnover Effects 0.000 claims description 4
- 101150030061 Eloc gene Proteins 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000013401 experimental design Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims description 2
- 238000009792 diffusion process Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 239000000835 fiber Substances 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims 1
- 238000013139 quantization Methods 0.000 abstract 1
- 230000032683 aging Effects 0.000 description 10
- 238000011160 research Methods 0.000 description 7
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 208000010877 cognitive disease Diseases 0.000 description 2
- 230000001054 cortical effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 210000001652 frontal lobe Anatomy 0.000 description 2
- 210000001320 hippocampus Anatomy 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 208000027061 mild cognitive impairment Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000001769 parahippocampal gyrus Anatomy 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 206010003805 Autism Diseases 0.000 description 1
- 208000020706 Autistic disease Diseases 0.000 description 1
- 241001112696 Clostridia Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005821 brain abnormality Effects 0.000 description 1
- 210000001159 caudate nucleus Anatomy 0.000 description 1
- 230000011748 cell maturation Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 210000005153 frontal cortex Anatomy 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 210000004326 gyrus cinguli Anatomy 0.000 description 1
- 230000000971 hippocampal effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000005036 nerve 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000001936 parietal effect Effects 0.000 description 1
- 210000001152 parietal lobe Anatomy 0.000 description 1
- 210000002637 putamen Anatomy 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 230000000698 schizophrenic effect Effects 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
- 210000001103 thalamus Anatomy 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
神经影像脑网络效率指标的常模构建方法、应用及装置，基于HCP‑Aging和BABRI数据集认知正常被试的T1和dMRI数据，构建个体大脑白质结构网络，计算全脑和脑区水平拓扑效率指标，用Combat算法对两个数据集进行协调化；采用GAMLSS模型对男性和女性白质网络拓扑效率指标随年龄的变化轨迹分别进行刻画，选用分位数模型，个体化偏差采用d分数量化，选择BCPE分布作为分布模型，pb函数作为平滑函数进行模型构建；进一步，将BABRI数据集中MCI患者数据作为测试集，基于脑区水平白质网络效率指标的常模计算个体偏差d分数作为特征，通过胶囊神经网络和LASSO正则化算法执行MCI与认知正常的个体判别。
Description
技术领域
本发明涉及医学图像处理的技术领域，尤其涉及一种神经影像脑网络效率指标的常模构建方法，以及神经影像脑网络效率指标的常模构建方法的应用、神经影像脑网络效率指标的常模构建装置。
背景技术
人脑连接组学是一种基于图论的大脑连接分析方法，通过将人脑划分为不同的区域定义大脑节点，基于区域间的连接信息可以构建出个体大脑连接网络，并通过图论算法计算全脑网络和脑区水平的全局效率和局部效率指标，可实现对大脑连接模式进行定量分析。基于人脑连接组学，可以对人脑白质结构连接组的拓扑效率指标随年龄的变化进行量化分析。
老化是人类一生中一个重要阶段，也是疾病高发的一个阶段。由于年龄的影响，即使在没有疾病的情况下，人脑在老化过程中也会出现很多结构和功能变化，为了更好的探究大脑老化规律，大量研究者基于人脑结构网络对老化进程中的网络变化进行了研究。研究表明，老化会引起大脑的整合和分离能力变化。随着年龄的增长，大脑结构网络的全局信息整合和功能分化能力会出现一定程度的下降，主要表现为脑网络全局和布局拓扑效率随着年龄的下降，脑网络特征路径长度显著增加。在节点效率方面，额叶、顶叶、颞叶区域的效率变化更为显著，其中，海马作为记忆的关联脑区，其效率指标对于年龄的下降可能更为敏感，在临床诊断中具有特殊价值。随着年龄的增加，大脑网络呈现出更为明显的分离趋势。大脑聚类系数和模块化显著上升，大脑网络局部呈现出更为聚集的状态，可以更容易的划分为一些不重叠的组，但区域内的局部效率会随年龄显著下降。此外，大脑结构网络的效率指标偏侧化情况也会随着年龄的变化而变化。在新生儿中研究者发现了明显了子网络效率左偏倾向，随着儿童的成长发育，这种不对称逐渐变为右大于左的右偏倾向，而这种右偏不对称在老年人群中被逆转，大脑节点效率也呈现明显的左偏倾向。性别差异在正常老化也有较为明显的表现。相较于男性，女性大脑网络表现出更低的聚类系数、连接强度和全局效率。在节点方面，女性在右尾状核和左壳核表现出更高的节点强度，在双侧丘脑上的节点效率与节点强度均高于男性。
相较于正常老化，疾病的发生发展会在一定程度上引起大脑结构网络的异常变化，其中，阿尔茨海默病（Alzheimer’s disease, AD）和轻度认知障碍（Mild CognitiveImpairment）作为常见的老年疾病深受关注。AD作为一种神经退行性疾病，其患者在结构网络中表现出显著的最短路径增长、全局效率降低和模块化水平降低等特征。这意味着AD患者可能存在拓扑结构异常的现象。研究表明，相较于认知正常老年人，AD患者的大脑结构网络拓扑结构呈现出更加随机化的现象。在节点水平上，AD患者多处区域的节点效率显著低于正常人群，尤其在额叶区域，而在海马旁回、海马、梭状回和楔前叶等区域会出现路径长度改变的现象，且在额叶皮层、左顶上回和左楔前叶介数中心度显著降低。MCI作为AD的过渡阶段，大脑结构网络的异常程度要小于AD患者的，但也存在着一些结构异常。研究发现，MCI患者的全局和局部网络效率显著降低，节点效率降低主要发生在默认网络的关键区域，如楔前叶、前扣带回和海马旁回等。与正常人群相比相比，MCI患者左额中回、右直肌、右顶上回和右顶下回的聚类系数显著降低，且左侧旁中央小叶的最短路径长度显著减少。
常模，又被称为标准化模型，是一种通过对人群中某一指标在特定范围内的变化情况进行刻画，以试图得到人群中该指标的标准变化范围的统计方法，基于常模，可以在个体层面上得到其指标与预期模式的偏离程度，从而为个体化诊断提供一定的判断依据。从程序上来讲，常模构建一般包括四个步骤：1、变量与人群的选择，确定用于常模的构建与测量的参考队列与计算变量；2、选定构建算法并基于参考队列的变量数值进行模型估计与构建；3、模型评价，利用已有的评价指标对模型的准确性进行评价；4、模型应用，将模型应用于感兴趣的人群队列中以获取个体化偏差数值。常模多用于心理学指标测量领域，但近年来，在脑科学领域也有了一定的研究。目前的常模研究从研究目的上可以大体可以分为两类，一类是实现某项指标在正常人群中变化范围的刻画，类似于心理学中的应用，这类常模的研究注重于找寻某项指标在指定范围的正常变化模式与变化区间，以获得大脑的正常发展规律。另一类则是侧重于异常值的筛查，该类常模的构建目的在于通过对正常人群的变化模式进行刻画从而实现异常模式的筛查，例如疾病筛查等。目前的该类常模在常见疾病包括精神分裂症患者和自闭症患者等方面已有很多大脑异常指标的刻画研究。
目前的常模构建算法多采用回归拟合算法，如多项式回归、高斯过程回归、分位数回归和线性回归等。其中，高斯过程回归由于其算法的灵活性与在非线性建模上的优越表现被广泛使用。在模型数据方面，绝大多数研究使用一些大脑结构指标，如皮层厚度、海马体积、脑容量等，该类指标一般计算比较稳定且在很多公共数据库均包含这类数据，可以较为容易地获取大量样本数据。
在得到变量的变化常模之后，就可以计算个体化偏差以衡量个体指标的偏差程度。最简单的方法是直接计算目标数据与参考模型中对应位点的数值差值或差值的绝对值，这也是大多数预测模型偏差程度的计算方法。而在脑影像常模中更多是希望提供个体是否在统计的角度上偏离人群分布。一些研究采用Z分数来量化个体的偏离程度，通过计算真实值、预期值之间差值与标准差之间的比值作为个体基于模型的偏差程度指标，并以此对个体真实值的异常程度进行评价。有些研究者则利用百分位数估计值来对个体数值的偏离人群程度进行量化。例如，Lv等人在对精神分裂症患者DTI和结构MRI的分数各向异性（fraction anisotropy, FA）和皮层厚度（cortical thickness, CT）的研究中，使用分位数回归分别对男性和女性FA值和CT随年龄的变化情况进行建模，然后利用Z分数对个体化偏差程度进行评价，超过第95个百分位数的95%置信区间的值会被认为是超正常值（即真实值与对应的95分位数的值之间的Z分数大于1.96），而低于5分位数的5%置信区间的值会被认为是低于正常值即真实值与对应的95百分位数的值之间的Z分数小于-1.96）。通过这种方式，研究者将被试分为了超过正常值，正常值和低于正常值三类。Jia等人则是在建立了分位数回归后，通过计算个体的d分数，作为偏离指标，其中，d=2*（真实值-50分位数）/（95分位数-50分位数）。还有些研究者利用极值统计的方式来评价个体指标的异常程度，这种方法通过找寻超过规定阈值的数值来寻找异常个体。
但是，常模研究大多聚焦于一些基本的脑结构指标如FA值、灰白质体积等，未有人对脑网络效率指标在不同年龄段的正常变化范围进行系统刻画。先前的常模构建多集中于单一数据集中，样本量少的同时常模的稳定性差。
发明内容
为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种神经影像脑网络效率指标的常模构建方法，其分别构建了不同性别人群的脑白质网络效率指标老化常模，刻画了效率指标随年龄的变化情况与正常变化范围，利用Combat多中心校正算法，通过将两个不同中心数据集进行融合，实现了常模在多个中心上的构建，进一步扩大了样本量的同时提高了构建常模的稳定性。
本发明的技术方案是：这种神经影像脑网络效率指标的常模构建方法，其包括以下步骤：
（1）采集国际公开数据库HCP-Aging数据库和中国本土老年人数据库-北京老年脑健康促进计划BABRI数据集的大脑T1和dMRI数据；
（2）对T1和dMRI数据进行预处理，构建全脑白质结构网络，并计算全脑网络和脑区水平拓扑效率指标，效率包括全局效率和局部效率，用Combat算法对两个数据集的数据进行协调；
（3）采用年龄作为自变量，将步骤（2）得到的每个被试协调后的全局效率、局部效率、节点全局效率、节点局部效率作为模型的因变量；将BABRI数据集中的MCI患者数据作为测试集，不参与常模构建，为了避免年龄效应对测试数据的影响，在随机抽取认知正常人群测试集时，对数据的平均年龄和性别进行控制，以确保认知正常人群的测试集的年龄与性别与MCI患者测试集基本匹配；对男性和女性的多模态网络效率指标进行分开建模，以减少性别差异对于模型的影响，基于训练集数据，采用R语言的GAMLSS包对男女的多尺度脑白质结构网络效率随年龄的变化方式进行刻画，模型选用分位数模型的形式，每个模型拟合5分位数、25分位数、50分位数、75分位数和95分位数五条曲线；个体化偏差评分采用d分数进行量化；选择BCPE分布作为分布模型，pb函数作为模型的平滑函数进行模型构建。
本发明采用年龄作为自变量，每个被试协调后的全局效率、局部效率、节点全局效率、节点局部效率作为模型的因变量，将BABRI数据集中的MCI患者数据作为测试集，对男性和女性的多模态网络效率指标进行分开建模，基于训练集数据，采用R语言的GAMLSS包对男女的多尺度脑白质结构网络效率随年龄的变化方式进行刻画，模型选用分位数模型的形式，个体化偏差评分采用d分数进行量化，选择BCPE分布作为分布模型，pb函数作为模型的平滑函数进行模型构建，因此分别构建了不同性别人群的脑白质网络效率指标老化常模，刻画了效率指标随年龄的变化情况与正常变化范围；用Combat算法对两个数据集的数据进行协调，实现了常模在多个中心上的构建，进一步扩大了样本量的同时提高了构建常模的稳定性。
还提供了神经影像脑网络效率指标的常模构建装置，其包括：
数据采集模块，其配置来采集国际公开数据库HCP-Aging数据库和中国本土老年人数据库-北京老年脑健康促进计划BABRI数据集的大脑T1和dMRI数据；
数据预处理及计算模块，其配置来对T1和dMRI数据进行预处理，构建全脑白质结构网络，并计算全脑网络和脑区水平拓扑效率指标，效率包括全局效率和局部效率，用Combat算法对两个数据集的数据进行协调；
常模构建模块，其配置来采用年龄作为自变量，将每个被试协调后的全局效率、局部效率、节点全局效率、节点局部效率作为模型的因变量；将BABRI数据集中的MCI患者数据作为测试集，不参与常模构建，为了避免年龄效应对测试数据的影响，在随机抽取认知正常人群测试集时，对数据的平均年龄和性别进行控制，以确保认知正常人群的测试集的年龄与性别与MCI患者测试集基本匹配；对男性和女性的多模态网络效率指标进行分开建模，以减少性别差异对于模型的影响，基于训练集数据，采用R语言的GAMLSS包对男女的多尺度脑白质结构网络效率随年龄的变化方式进行刻画，模型选用分位数模型的形式，每个模型拟合5分位数、25分位数、50分位数、75分位数和95分位数五条曲线；个体化偏差评分采用d分数进行量化；选择BCPE分布作为分布模型，pb函数作为模型的平滑函数进行模型构建。
附图说明
图1是根据本发明的神经影像脑网络效率指标的常模构建方法的流程图。
具体实施方式
如图1所示，这种神经影像脑网络效率指标的常模构建方法，其包括以下步骤：
（1）采集国际公开数据库HCP-Aging数据库和中国本土老年人数据库-北京老年脑健康促进计划BABRI数据集的大脑T1和dMRI脑影像数据；
（2）对T1和dMRI数据进行预处理，构建全脑白质结构网络，并计算全脑网络和脑区水平拓扑效率指标，效率包括全局效率和局部效率，用Combat算法对两个数据集的数据进行协调；
（3）采用年龄作为自变量，将步骤（2）得到的每个被试协调后的全局效率、局部效率、节点全局效率、节点局部效率作为模型的因变量；将BABRI数据集中的MCI患者数据作为测试集，不参与常模构建，为了避免年龄效应对测试数据的影响，在随机抽取认知正常人群测试集时，对数据的平均年龄和性别进行控制，以确保认知正常人群的测试集的年龄与性别与MCI患者测试集基本匹配；对男性和女性的多模态网络效率指标进行分开建模，以减少性别差异对于模型的影响，基于训练集数据，采用R语言的GAMLSS包对男女的多尺度脑白质结构网络效率随年龄的变化方式进行刻画，模型选用分位数模型的形式，每个模型拟合5分位数、25分位数、50分位数、75分位数和95分位数五条曲线；个体化偏差评分采用d分数进行量化；选择BCPE分布作为分布模型，pb函数作为模型的平滑函数进行模型构建。
本发明采用年龄作为自变量，每个被试协调后的全局效率、局部效率、节点全局效率、节点局部效率作为模型的因变量，将BABRI数据集中的MCI患者数据作为测试集，对男性和女性的多模态网络效率指标进行分开建模，基于训练集数据，采用R语言的GAMLSS包对男女的多尺度脑白质结构网络效率随年龄的变化方式进行刻画，模型选用分位数模型的形式，个体化偏差评分采用d分数进行量化，选择BCPE分布作为分布模型，pb函数作为模型的平滑函数进行模型构建，因此分别构建了不同性别人群的脑白质网络效率指标老化常模，刻画了效率指标随年龄的变化情况与正常变化范围；用Combat算法对两个数据集的数据进行协调，实现了常模在多个中心上的构建，进一步扩大了样本量的同时提高了构建常模的稳定性。
优选地，该方法还包括步骤（4），通过胶囊神经网络和LASSO正则化算法执行MCI和正常人群的分类。
优选地，所述步骤（1）中，BABRI的影像数据使用西门子Trio 3T磁共振扫描仪采集，T1数据的体素大小为1毫米，重复时间TR为1900ms，回波时间TE为3.44ms，反转时间TI为900ms，视野FOV为256×256mm2，共有176个矢状切片，扩散磁共振数据的体素大小为2毫米，30个方向，TR为9500ms，TE为92ms，FOV为256×256mm2，翻转角为90度，共有92个轴向切片；HCP的影像数据在四个数据点进行收集，采集仪器均为西门子Prisma 3T磁共振扫描仪，T1数据的体素大小为0.8毫米，TR为2500ms，四个站点的TE分别为1.81ms、3.6ms、5.39ms和7.18ms，TI为1000ms，FOV为256×256mm2，共有208个矢状切片，DTI数据的体素大小为1.5毫米，185个方向，TR为3230ms，TE为89.2ms，FOV为210×210mm2，翻转角为78度，共有92个轴向切片；在得到预处理之后的影像图像后，首先将被试的b0图像与T1图像进行配准，得到变换矩阵，然后将该矩阵的逆矩阵应用于BNA246模板，得到个体大脑分区模板，将该模板与脑影像图像进行匹配得到相应的246分区，接下来以每个脑区作为网络节点，以脑区间的纤维连接数目FN作为边的权重构建大脑的FN加权网络，最后，根据得到的加权网络，利用GRETNA软件得到每个被试的多模态效率指标值。
优选地，在所述步骤（2）中，将协调公式定义如下：
（1）
其中，表示站点i中扫描样本j的体素v的FA值，/>是体素v上FA的平均值，/>是实验设计矩阵，/>是设计矩阵X的回归系数，/>和/>分别表示样本中存在的加法批次效应和乘法批次效应，/>为误差项。
优选地，所述步骤（3）中，个体化偏差定义如下：
（2）
其中，为某个被试的个体化偏差值，/>为该被试的实际效率值，/>和/>分别为常模中在该被试年龄下对应的50分位值和95分位值，该指标以五十分位数曲线为基准，评价了个体指标在分位数模型中偏离程度，d分数绝对值越大，表示该数据在模型中偏离程度越大，越有可能是异常值。
优选地，所述步骤（3）中，GAMLSS模型的评价指标为GAIC准则，其定义为：
（3）
其中，p表示惩罚值，为数据的对数似然，df为模型的自由度，p值决定了模型拟合度和复杂度之间权衡；AIC是定义在熵值基础上的模型评价指标，计算公式为，其中，k表示参数个数，L为对应的似然函数，BIC是基于贝叶斯思想的评价方法，其定义为/>，其中L为似然函数的值，k和n分别为参数总数和样本总数，在进行模型选择时，同时计算AIC值和BIC值，对二者进行综合权衡；选择仅基于男性和女性的全局效率Eg和局部效率Eloc进行；
在模型选择方面，首先针对每一个分布模型所对应的不同参数模型进行实验，然后选取最佳模型作为该分布模型的代表模型参与比较，得到所有分布模型的代表模型的AIC值和BIC值后，综合选择最佳表现的分布模型作为最终模型的分布模型，最后，基于选定的分布模型测试其在不同平滑函数上的表现，以确定最终的GAMLSS模型为BCPE分布模型，对不同的平滑函数进行测试，选取pb函数作为模型的平滑函数。
优选地，所述步骤（4）中，采用每个被试的节点效率d分数作为神经网络模型的输入，数据矩阵大小为2×246，第一行为被试在246个脑区的节点全局效率d分数，第二行为节点局部效率d分数；胶囊神经网络模块包括三部分，卷积模块、初始胶囊模块和路由胶囊模块，数据首先由卷积层进行特征提取，进行非线性处理后输入到初始胶囊模块，该模块首先对输入数据进行卷积操作，进一步提取特征，然后根据设置的胶囊数与输出通道大小将输出向量进行切割，设置胶囊数为32，输出维度为8，最终输出会被分割为n×32×8的向量，路由胶囊模块实现矩阵权重的更新与结果向量的输出，在该模块的输出中，每一个类别都有一个对应的输出向量，每个类别的向量范数是最终分类的依据，每个路由胶囊通过对初始胶囊的传递的信息进行整合识别以实现最终的目标分类，路由胶囊模块还不断更新路由权重矩阵来调整初始胶囊之间的关系权重，路由权重矩阵的初始值随机设置或者根据特定的初始化策略进行设置，模型从正确的路由胶囊中接受一个16维的向量，学习将其解码为输入数据，以强制胶囊网络学习对重构原始输入数据有用的特征，增强模型的学习效率与学习准确率。
优选地，所述步骤（4）中，采用的胶囊网络模块输入数据大小为2×246，输入batch大小为16，卷积层的卷积核大小为2×2，步长为1，使用RELU函数作为卷积层的激活函数，初始胶囊模块的胶囊数为32，卷积核大小为1×1，步长为2，输出通道数为8，路由胶囊模块的输入向量维度为8，动态路由算法的迭代次数为3，输出胶囊为2，对应认知正常和MCI两个分类；选用Adam作为模型的优化器，学习率设置为0.00001，选择学习率调解器为指数型下降，gamma值设定为0.96，每一轮学习率会乘以0.96，adam优化器的其余参数均选择默认参数。
优选地，所述步骤（4）中，损失定义如下：
（4）
其中reconstruction_loss表示重构损失，重构损失为基于模型输出值重构出的输入数据与实际输入数据之间的均方误差（Mean Square Error，MSE）。该损失是为了尽可能地保留输入数据的特征空间信息，“强制”胶囊神经网络学习可以帮助重建数据的相关数据特征。因此，重构损失可以表示为
，
其中，n表示数据矩阵的元素总数，和/>分别为点(i,j)处的真实值与重构值。为跳跃连接层的权重参数，/>表示权重参数的比例值，/>表示GHM分类损失，该方法不对数据进行任何处理，而是对神经网络的损失函数进行修改，通过控制模型对难易样本的关注程度来减少样本不均衡对分类结果的影响。该算法首先定义了样本梯度模长g，
，
其中，为样本实际类别标签，p为模型预测标签的置信度，g值越小，说明该样本预测结果与实际情况差距越小，对该样本分类越容易。GHM分类算法提出梯度密度(GD)概念，
，
其中，
，
，
其中，为交叉熵损失。
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步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。因此，与本发明的方法相对应的，本发明还同时包括一种神经影像脑网络效率指标的常模构建装置，该装置通常以与方法各步骤相对应的功能模块的形式表示。该装置包括：
数据采集模块，其配置来采集国际公开数据库HCP-Aging数据库和中国本土老年人数据库-北京老年脑健康促进计划BABRI数据集的大脑T1和dMRI数据；
数据预处理及计算模块，其配置来对T1和dMRI数据进行预处理，构建全脑白质结构网络，并计算全脑网络和脑区水平拓扑效率指标，效率包括全局效率和局部效率，用Combat算法对两个数据集的数据进行协调；
常模构建模块，其配置来采用年龄作为自变量，将每个被试协调后的全局效率、局部效率、节点全局效率、节点局部效率作为模型的因变量；将BABRI数据集中的MCI患者数据作为测试集，不参与常模构建，为了避免年龄效应对测试数据的影响，在随机抽取认知正常人群测试集时，对数据的平均年龄和性别进行控制，以确保认知正常人群的测试集的年龄与性别与MCI患者测试集基本匹配；对男性和女性的多模态网络效率指标进行分开建模，以减少性别差异对于模型的影响，基于训练集数据，采用R语言的GAMLSS包对男女的多尺度脑白质结构网络效率随年龄的变化方式进行刻画，模型选用分位数模型的形式，每个模型拟合5分位数、25分位数、50分位数、75分位数和95分位数五条曲线；个体化偏差评分采用d分数进行量化；选择BCPE分布作为分布模型，pb函数作为模型的平滑函数进行模型构建。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。
Claims (7)
1.神经影像脑网络效率指标的常模构建方法，其特征在于：其包括以下步骤：
（1）采集国际公开数据库HCP-Aging数据库和中国本土老年人数据库-北京老年脑健康促进计划BABRI数据集的大脑T1和dMRI数据；
（2）对T1和dMRI数据进行预处理，构建全脑白质结构网络，并计算全脑网络和脑区水平拓扑效率指标，效率包括全局效率和局部效率，用Combat算法对两个数据集的数据进行协调；
（3）采用年龄作为自变量，将步骤（2）得到的每个被试协调后的全局效率、局部效率、节点全局效率、节点局部效率作为模型的因变量；将BABRI数据集中的MCI患者数据作为测试集，不参与常模构建，为了避免年龄效应对测试数据的影响，在随机抽取认知正常人群测试集时，对数据的平均年龄和性别进行控制，以确保认知正常人群的测试集的年龄与性别与MCI患者测试集基本匹配；对男性和女性的多模态网络效率指标进行分开建模，以减少性别差异对于模型的影响，基于训练集数据，采用R语言的GAMLSS包对男女的多尺度脑白质结构网络效率随年龄的变化方式进行刻画，模型选用分位数模型的形式，每个模型拟合5分位数、25分位数、50分位数、75分位数和95分位数五条曲线；个体化偏差评分采用d分数进行量化；选择BCPE分布作为分布模型，pb函数作为模型的平滑函数进行模型构建；
在所述步骤（2）中，将协调公式定义如下：
（1）
其中，表示站点i中扫描样本j的体素v的FA值，/>是体素v上FA的平均值，/>是实验设计矩阵，/>是设计矩阵X的回归系数，/>和/>分别表示样本中存在的加法批次效应和乘法批次效应，/>为误差项；
所述步骤（3）中，个体化偏差定义如下：
（2）
其中，为某个被试的个体化偏差值，/>为该被试的实际效率值，/>和分别为常模中在该被试年龄下对应的50分位值和95分位值，该指标以五十分位数曲线为基准，评价了个体指标在分位数模型中偏离程度，d分数绝对值越大，表示该数据在模型中偏离程度越大，越有可能是异常值；
所述步骤（3）中，GAMLSS模型的评价指标为GAIC准则，其定义为：
（3）
其中，p表示惩罚值，为数据的对数似然，df为模型的自由度，p值决定了模型拟合度和复杂度之间权衡；AIC是定义在熵值基础上的模型评价指标，计算公式为，其中，k表示参数个数，L为对应的似然函数，BIC是基于贝叶斯思想的评价方法，其定义为/>，其中L为似然函数的值，k和n分别为参数总数和样本总数，在进行模型选择时，同时计算AIC值和BIC值，对二者进行综合权衡；选择仅基于男性和女性的全局效率Eg和局部效率Eloc进行；
在模型选择方面，首先针对每一个分布模型所对应的不同参数模型进行实验，然后选取最佳模型作为该分布模型的代表模型参与比较，得到所有分布模型的代表模型的AIC值和BIC值后，综合选择最佳表现的分布模型作为最终模型的分布模型，最后，基于选定的分布模型测试其在不同平滑函数上的表现，以确定最终的GAMLSS模型为BCPE分布模型，对不同的平滑函数进行测试，选取pb函数作为模型的平滑函数。
2.根据权利要求1所述的神经影像脑网络效率指标的常模构建方法，其特征在于：该方法还包括步骤（4），通过胶囊神经网络和LASSO正则化算法执行MCI和正常人群的分类。
3.根据权利要求2所述的神经影像脑网络效率指标的常模构建方法，其特征在于：所述步骤（1）中，BABRI的影像数据使用西门子Trio 3T磁共振扫描仪采集，T1数据的体素大小为1毫米，重复时间TR为1900ms，回波时间TE为3.44ms，反转时间TI为900ms，视野FOV为256×256mm2，共有176个矢状切片，扩散磁共振数据的体素大小为2毫米，30个方向，TR为9500ms，TE为92ms，FOV为256×256mm2，翻转角为90度，共有92个轴向切片；HCP的影像数据在四个数据点进行收集，采集仪器均为西门子Prisma 3T磁共振扫描仪，T1数据的体素大小为0.8毫米，TR为2500ms，四个站点的TE分别为1.81ms、3.6ms、5.39ms和7.18ms，TI为1000ms，FOV为256×256mm2，共有208个矢状切片，DTI数据的体素大小为1.5毫米，185个方向，TR为3230ms，TE为89.2ms，FOV为210×210mm2，翻转角为78度，共有92个轴向切片；在得到预处理之后的影像图像后，首先将被试的b0图像与T1图像进行配准，得到变换矩阵，然后将该矩阵的逆矩阵应用于BNA246模板，得到个体大脑分区模板，将该模板与脑影像图像进行匹配得到相应的246分区，接下来以每个脑区作为网络节点，以脑区间的纤维连接数目FN作为边的权重构建大脑的FN加权网络，最后，根据得到的加权网络，利用GRETNA软件得到每个被试的多模态效率指标值。
4.根据权利要求3所述的神经影像脑网络效率指标的常模构建方法，其特征在于：所述步骤（4）中，采用每个被试的节点效率d分数作为神经网络模型的输入，数据矩阵大小为2×246，第一行为被试在246个脑区的节点全局效率d分数，第二行为节点局部效率d分数；胶囊神经网络模块包括三部分，卷积模块、初始胶囊模块和路由胶囊模块，数据首先由卷积层进行特征提取，进行非线性处理后输入到初始胶囊模块，该模块首先对输入数据进行卷积操作，进一步提取特征，然后根据设置的胶囊数与输出通道大小将输出向量进行切割，设置胶囊数为32，输出维度为8，最终输出会被分割为n×32×8的向量，路由胶囊模块实现矩阵权重的更新与结果向量的输出，在该模块的输出中，每一个类别都有一个对应的输出向量，每个类别的向量范数是最终分类的依据，每个路由胶囊通过对初始胶囊的传递的信息进行整合识别以实现最终的目标分类，路由胶囊模块还不断更新路由权重矩阵来调整初始胶囊之间的关系权重，路由权重矩阵的初始值随机设置或者根据特定的初始化策略进行设置，模型从正确的路由胶囊中接受一个16维的向量，学习将其解码为输入数据，以强制胶囊网络学习对重构原始输入数据有用的特征，增强模型的学习效率与学习准确率。
5.根据权利要求4所述的神经影像脑网络效率指标的常模构建方法，其特征在于：所述步骤（4）中，采用的胶囊网络模块输入数据大小为2×246，输入batch大小为16，卷积层的卷积核大小为2×2，步长为1，使用RELU函数作为卷积层的激活函数，初始胶囊模块的胶囊数为32，卷积核大小为1×1，步长为2，输出通道数为8，路由胶囊模块的输入向量维度为8，动态路由算法的迭代次数为3，输出胶囊为2，对应认知正常和MCI两个分类；选用Adam作为模型的优化器，学习率设置为0.00001，选择学习率调解器为指数型下降，gamma值设定为0.96，每一轮学习率会乘以0.96，adam优化器的其余参数均选择默认参数；所述步骤（4）中，损失定义如下：
（4）
其中reconstruction_loss表示重构损失，重构损失为基于模型输出值重构出的输入数据与实际输入数据之间的均方误差MSE，为跳跃连接层的权重参数，/>表示权重参数的比例值，/>表示GHM分类损失。
6.根据权利要求5所述的神经影像脑网络效率指标的常模构建方法，应用在从个体水平评估老年脑健康状态、阿尔茨海默病早期风险预警。
7.神经影像脑网络效率指标的常模构建装置，其特征在于：其包括：
（1）数据采集模块，其配置来采集国际公开数据库HCP-Aging数据库和中国本土老年人数据库-北京老年脑健康促进计划BABRI数据集的大脑T1和dMRI数据；
（2）数据预处理及计算模块，其配置来对T1和dMRI数据进行预处理，构建全脑白质结构网络，并计算全脑网络和脑区水平拓扑效率指标，效率包括全局效率和局部效率，用Combat算法对两个数据集的数据进行协调；
（3）常模构建模块，其配置来采用年龄作为自变量，将每个被试协调后的全局效率、局部效率、节点全局效率、节点局部效率作为模型的因变量；将BABRI数据集中的MCI患者数据作为测试集，不参与常模构建，为了避免年龄效应对测试数据的影响，在随机抽取认知正常人群测试集时，对数据的平均年龄和性别进行控制，以确保认知正常人群的测试集的年龄与性别与MCI患者测试集基本匹配；对男性和女性的多模态网络效率指标进行分开建模，以减少性别差异对于模型的影响，基于训练集数据，采用R语言的GAMLSS包对男女的多尺度脑白质结构网络效率随年龄的变化方式进行刻画，模型选用分位数模型的形式，每个模型拟合5分位数、25分位数、50分位数、75分位数和95分位数五条曲线；个体化偏差评分采用d分数进行量化；选择BCPE分布作为分布模型，pb函数作为模型的平滑函数进行模型构建；
在所述步骤（2）中，将协调公式定义如下：
（1）
其中，表示站点i中扫描样本j的体素v的FA值，/>是体素v上FA的平均值，/>是实验设计矩阵，/>是设计矩阵X的回归系数，/>和/>分别表示样本中存在的加法批次效应和乘法批次效应，/>为误差项；
所述步骤（3）中，个体化偏差定义如下：
（2）
其中，为某个被试的个体化偏差值，/>为该被试的实际效率值，/>和分别为常模中在该被试年龄下对应的50分位值和95分位值，该指标以五十分位数曲线为基准，评价了个体指标在分位数模型中偏离程度，d分数绝对值越大，表示该数据在模型中偏离程度越大，越有可能是异常值；
所述步骤（3）中，GAMLSS模型的评价指标为GAIC准则，其定义为：
（3）
其中，p表示惩罚值，为数据的对数似然，df为模型的自由度，p值决定了模型拟合度和复杂度之间权衡；AIC是定义在熵值基础上的模型评价指标，计算公式为，其中，k表示参数个数，L为对应的似然函数，BIC是基于贝叶斯思想的评价方法，其定义为/>，其中L为似然函数的值，k和n分别为参数总数和样本总数，在进行模型选择时，同时计算AIC值和BIC值，对二者进行综合权衡；选择仅基于男性和女性的全局效率Eg和局部效率Eloc进行；
在模型选择方面，首先针对每一个分布模型所对应的不同参数模型进行实验，然后选取最佳模型作为该分布模型的代表模型参与比较，得到所有分布模型的代表模型的AIC值和BIC值后，综合选择最佳表现的分布模型作为最终模型的分布模型，最后，基于选定的分布模型测试其在不同平滑函数上的表现，以确定最终的GAMLSS模型为BCPE分布模型，对不同的平滑函数进行测试，选取pb函数作为模型的平滑函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311474139.5A CN117197637B (zh) | 2023-11-08 | 2023-11-08 | 神经影像脑网络效率指标的常模构建方法、应用及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311474139.5A CN117197637B (zh) | 2023-11-08 | 2023-11-08 | 神经影像脑网络效率指标的常模构建方法、应用及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117197637A CN117197637A (zh) | 2023-12-08 |
| CN117197637B true CN117197637B (zh) | 2024-02-02 |
Family
ID=88989112
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311474139.5A Active CN117197637B (zh) | 2023-11-08 | 2023-11-08 | 神经影像脑网络效率指标的常模构建方法、应用及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117197637B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2827769A1 (en) * | 2012-03-19 | 2015-01-28 | University of Florida Research Foundation, Inc. | Methods and systems for brain function analysis |
| CN109920550A (zh) * | 2018-12-25 | 2019-06-21 | 天津大学 | 一种基于dMRI研究青少年肌阵挛性癫痫的方法 |
| CN110491501A (zh) * | 2019-08-14 | 2019-11-22 | 电子科技大学 | 一种青少年孤独症大脑功能网络模型分析方法 |
| CN111063423A (zh) * | 2019-12-16 | 2020-04-24 | 哈尔滨工程大学 | 阿尔茨海默病和轻度认知障碍脑网络特异性结构提取方法 |
| CN113571195A (zh) * | 2021-07-20 | 2021-10-29 | 南京脑科医院 | 基于小脑功能连接特征的阿尔茨海默病早期的预测模型 |
| CN114188013A (zh) * | 2021-09-01 | 2022-03-15 | 北京智精灵科技有限公司 | 一种阿尔兹海默症的认知及脑影像数据整合评估方法 |
-
2023
- 2023-11-08 CN CN202311474139.5A patent/CN117197637B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2827769A1 (en) * | 2012-03-19 | 2015-01-28 | University of Florida Research Foundation, Inc. | Methods and systems for brain function analysis |
| CN109920550A (zh) * | 2018-12-25 | 2019-06-21 | 天津大学 | 一种基于dMRI研究青少年肌阵挛性癫痫的方法 |
| CN110491501A (zh) * | 2019-08-14 | 2019-11-22 | 电子科技大学 | 一种青少年孤独症大脑功能网络模型分析方法 |
| CN111063423A (zh) * | 2019-12-16 | 2020-04-24 | 哈尔滨工程大学 | 阿尔茨海默病和轻度认知障碍脑网络特异性结构提取方法 |
| CN113571195A (zh) * | 2021-07-20 | 2021-10-29 | 南京脑科医院 | 基于小脑功能连接特征的阿尔茨海默病早期的预测模型 |
| CN114188013A (zh) * | 2021-09-01 | 2022-03-15 | 北京智精灵科技有限公司 | 一种阿尔兹海默症的认知及脑影像数据整合评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117197637A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Castellazzi et al. | A machine learning approach for the differential diagnosis of Alzheimer and vascular dementia fed by MRI selected features | |
| CN113571195B (zh) | 基于小脑功能连接特征的阿尔茨海默病早期的预测模型 | |
| CN113616184B (zh) | 基于多模态磁共振图像的脑网络建模与个体预测方法 | |
| Ahmed et al. | Single volume image generator and deep learning-based ASD classification | |
| JP7276915B2 (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 | |
| WO2024083057A1 (zh) | 基于多模态磁共振成像的图卷积神经网络疾病预测系统 | |
| WO2023178916A1 (zh) | 一种基于磁共振和孪生图神经网络的脑图谱个体化方法及系统 | |
| CN114972340B (zh) | 一种大脑老化预警系统及预警方法 | |
| Salami et al. | Designing a clinical decision support system for Alzheimer’s diagnosis on OASIS-3 data set | |
| Li et al. | The trait and state negative affect can be separately predicted by stable and variable resting-state functional connectivity | |
| Herath et al. | Autism spectrum disorder diagnosis support model using Inception V3 | |
| CN113255734A (zh) | 一种基于自监督学习和迁移学习的抑郁症分类方法 | |
| CN116051545B (zh) | 一种双模态影像的脑龄预测方法 | |
| CN117338234A (zh) | 一种屈光度与视力联合检测方法 | |
| CN117197637B (zh) | 神经影像脑网络效率指标的常模构建方法、应用及装置 | |
| CN111652843A (zh) | 一种基于核磁共振结构影像加权的决策支持方法及系统 | |
| Kasim et al. | Gaussian mixture model-expectation maximization algorithm for brain images | |
| Zhu | Early diagnosis of Parkinson's Disease by analyzing magnetic resonance imaging brain scans and patient characteristic | |
| CN113197578B (zh) | 一种基于多中心模型的精神分裂症分类方法及系统 | |
| CN114926396A (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
| CN114512236A (zh) | 一种阿尔兹海默症智能辅助诊断系统 | |
| CN114246588A (zh) | 一种抑郁症研究方法 | |
| CN113469274A (zh) | 一种阅读能力的测评方法、装置以及设备 | |
| Huang | Functional and Effective Connectivity Based Classification and Prediction of Alzheimer’s Disease | |
| Mitra et al. | Diagnosing Alzheimer’s Disease Using Deep Learning Techniques |
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 |