CN117372440B - 阿尔茨海默病风险预警模型训练方法、预警方法及设备 - Google Patents
阿尔茨海默病风险预警模型训练方法、预警方法及设备 Download PDFInfo
- Publication number
- CN117372440B CN117372440B CN202311681795.2A CN202311681795A CN117372440B CN 117372440 B CN117372440 B CN 117372440B CN 202311681795 A CN202311681795 A CN 202311681795A CN 117372440 B CN117372440 B CN 117372440B
- Authority
- CN
- China
- Prior art keywords
- alzheimer
- magnetic resonance
- mode
- disease risk
- risk
- 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
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 261
- 238000012549 training Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 108
- 210000004556 brain Anatomy 0.000 claims abstract description 142
- 238000013058 risk prediction model Methods 0.000 claims abstract description 98
- 238000012417 linear regression Methods 0.000 claims abstract description 33
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 72
- 238000012937 correction Methods 0.000 claims description 28
- 238000002598 diffusion tensor imaging Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000009792 diffusion process Methods 0.000 claims description 15
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 239000000835 fiber Substances 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000002203 pretreatment Methods 0.000 claims 1
- 238000012502 risk assessment Methods 0.000 abstract description 12
- 230000000295 complement effect Effects 0.000 abstract description 9
- 201000010099 disease Diseases 0.000 description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 13
- 230000004927 fusion Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 230000001149 cognitive effect Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003012 network analysis Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 210000004884 grey matter Anatomy 0.000 description 4
- 210000004885 white matter Anatomy 0.000 description 4
- 230000003930 cognitive ability Effects 0.000 description 3
- 230000006996 mental state Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000036995 brain health Effects 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 238000012307 MRI technique Methods 0.000 description 1
- 241000282553 Macaca Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004849 abnormal protein aggregation Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005714 functional activity Effects 0.000 description 1
- 230000000971 hippocampal effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
- A61B5/245—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetoencephalographic [MEG] signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Neurology (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Radiology & Medical Imaging (AREA)
- Neurosurgery (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Fuzzy Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Child & Adolescent Psychology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请提供阿尔茨海默病风险预警模型训练方法、预警方法及设备，方法包括：根据历史被测对象的多模态磁共振影像对应的多个层级的脑网络特征，构建多个用于存储各个历史被测对象各自对应的样本数据与阿尔茨海默病风险等级标签之间的对应关系的数据集，采用不同的数据集分别一对一训练各个单模态风险预测模型；基于各个单模态风险预测模型分别输出的单模态阿尔茨海默病风险等级数据训练线性回归模型，得到用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型。本申请能够充分捕获多模态磁共振成像所反应的特异和互补的信息，能够更加全面地刻画大脑的全局变化，并能够提高阿尔茨海默病风险评估结果的准确性及可靠性。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及阿尔茨海默病风险预警模型训练方法、预警方法及设备。
背景技术
人脑是一个复杂的系统，神经元之间存在连接和相互作用模式，这些连接可以形成复杂的脑网络，用于传递信息、执行各种认知和感知任务，并支持大脑的功能。而阿尔茨海默病被认为是一种失连接病，伴随着疾病进展，患者大脑内会弥散性出现异常蛋白质的聚集，从而造成神经元的损伤和退化，最终导致大脑中多个脑区之间出现关联异常。脑网络的失去连接和功能损伤在疾病早期阶段就已出现，因此应用脑网络的分析方法可以更好地跟踪阿尔茨海默病的风险和进展，及时地向被测用户做出风险评估，来辅助医生进一步做出判断。
当前的阿尔茨海默病风险预警或评估方式可以基于单一的结构磁共振成像构建了多尺度特征，包括灰质体积、皮层厚度和形态相似网络进行阿尔茨海默病风险评估，通过多尺度模型的高效融合，以实现较为准确的预测准确率；还可以基于结构磁共振影像，将灰质影像和海马影像输入到多模型融合风险评估模型中以实现标准化风险评估。
然而，当前的阿尔茨海默病风险预警或评估方式采用的数据源单一，无法全面、层次的表征大脑的健康信息；且很多方式只关注于特定脑区，忽视了整个大脑的复杂互联性，无法表征多个区域的协同作用，难以从人脑全局性变化刻画阿尔茨海默病风险；同时，大部分研究都采取了分类任务，构建阿尔茨海默病的预警模型。这类模型的标签空间跨度较大，模型会产生较为极端的输出结果，对于中等风险的情况具有极大的偏差估计。
发明内容
鉴于此，本申请实施例提供了阿尔茨海默病风险预警模型训练方法、预警方法及设备，以消除或改善现有技术中存在的一个或更多个缺陷。
本申请的一个方面提供了一种阿尔茨海默病风险预警模型训练方法，包括：
根据各个历史被测对象分别对应的多模态磁共振影像中的各类单模态磁共振影像各自对应的多个层级的脑网络特征，构建多个用于存储各个所述历史被测对象各自对应的样本数据与阿尔茨海默病风险等级标签之间的对应关系的数据集，其中，不同的所述数据集中的所述样本数据的类型不同，且相同类型的所述样本数据用于存储同一类型的所述单模态磁共振影像对应的同一层级的所述脑网络特征；
采用各个所述数据集分别一对一训练不同的各个单模态风险预测模型，以使各个所述单模态风险预测模型分别用于基于不同类型的单模态磁共振影像对应的不同层级的脑网络特征输出单模态阿尔茨海默病风险等级数据；
基于各个所述单模态风险预测模型分别输出的所述单模态阿尔茨海默病风险等级数据训练一个线性回归模型，以将该线性回归模型训练为用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型。
在本申请的一些实施例中，在所述根据各个历史被测对象分别对应的多模态磁共振影像中的各类单模态磁共振影像各自对应的多个层级的脑网络特征，构建多个用于存储各个所述历史被测对象各自对应的样本数据与阿尔茨海默病风险等级标签之间的对应关系的数据集之前，还包括：
获取各个历史被测对象各自的多模态磁共振影像以及阿尔茨海默病风险等级；
对各个所述多模态磁共振影像中的各类单模态磁共振影像进行图像预处理，以得到经预处理后的各类单模态磁共振影像；
对经预处理后的各类单模态磁共振影像分别进行脑网络特征提取，以得到经预处理后的各类单模态磁共振影像各自对应的多个层级的脑网络特征。
在本申请的一些实施例中，所述单模态磁共振影像的类型包括：结构磁共振影像、弥散张量成像和功能磁共振影像中的至少两类；
所述脑网络特征的层级包括：网络矩阵和网络拓扑特征；
相对应的，所述结构磁共振影像对应的多个层级的脑网络特征包括：结构相似网络矩阵和结构相似网络拓扑特征；
所述弥散张量成像对应的多个层级的脑网络特征包括：结构连接网络矩阵和结构连接网络拓扑特征；
所述功能磁共振影像对应的多个层级的脑网络特征包括：功能连接网络矩阵和功能连接网络拓扑特征。
在本申请的一些实施例中，若所述单模态磁共振影像的类型包括：所述结构磁共振影像、所述弥散张量成像和所述功能磁共振影像，则相对应的，所述对各个所述多模态磁共振影像中的各类单模态磁共振影像进行图像预处理，以得到经预处理后的各类单模态磁共振影像，包括：
对各个所述多模态磁共振影像中的所述结构磁共振影像进行头部运动校正、组织提取及空间标准化处理中的至少一项，以得到经预处理后的结构磁共振影像；
对各个所述多模态磁共振影像中的所述弥散张量成像进行头部运动校正、切片时间矫正、空间标准化、空间平滑以及头部运动影像去除处理中的至少一项，以得到经预处理后的弥散张量成像；
以及，对各个所述多模态磁共振影像中的所述功能磁共振影像进行降噪、运动矫正、磁场矫正、伪影矫正、扩散张量估计和纤维束追踪处理中的至少一项，以得到经预处理后的功能磁共振影像。
在本申请的一些实施例中，所述对经预处理后的各类单模态磁共振影像分别进行脑网络特征提取，以得到经预处理后的各类单模态磁共振影像各自对应的多个层级的脑网络特征，包括：
分别获取所述经预处理后的结构磁共振影像对应的结构相似网络矩阵、所述经预处理后的弥散张量成像对应的结构连接网络矩阵以及所述经预处理后的功能磁共振影像对应的功能连接网络矩阵；
分别获取所述结构相似网络矩阵对应的结构相似网络拓扑特征、所述结构连接网络矩阵对应的结构连接网络拓扑特征以及所述功能连接网络矩阵对应的功能连接网络拓扑特征。
在本申请的一些实施例中，各个所述数据集包括：
第一数据集，该第一数据集中的样本数据用于存储各个所述历史被测对象各自的所述结构磁共振影像对应的所述结构相似网络矩阵；
第二数据集，该第二数据集中的样本数据用于存储各个所述历史被测对象各自的所述结构磁共振影像对应的所述结构相似网络拓扑特征；
第三数据集，该第三数据集中的样本数据用于存储各个所述历史被测对象各自的所述弥散张量成像对应的所述结构连接网络矩阵；
第四数据集，该第四数据集中的样本数据用于存储各个所述历史被测对象各自的所述弥散张量成像对应的所述结构连接网络拓扑特征；
第五数据集，该第五数据集中的样本数据用于存储各个所述历史被测对象各自的所述功能磁共振影像对应的所述功能连接网络矩阵；
以及，第六数据集，该第六数据集中的样本数据用于存储各个所述历史被测对象各自的所述功能磁共振影像对应的所述功能连接网络拓扑特征；
相对应的，所述采用各个所述数据集分别一对一训练不同的各个单模态风险预测模型，以使各个所述单模态风险预测模型分别用于基于不同类型的单模态磁共振影像对应的不同层级的脑网络特征输出单模态阿尔茨海默病风险等级数据，包括：
采用十折交叉验证的方式，分别采用所述第一数据集训练第一风险预测模型，采用所述第二数据集训练第二风险预测模型，采用所述第三数据集训练第三风险预测模型，采用所述第四数据集训练第四风险预测模型，采用所述第五数据集训练第五风险预测模型，以及采用所述第六数据集训练第六风险预测模型，以使所述第一风险预测模型用于根据输入的所述结构磁共振影像对应的所述结构相似网络矩阵，输出第一单模态阿尔茨海默病风险等级数据，所述第二风险预测模型用于根据输入的所述结构磁共振影像对应的所述结构相似网络拓扑特征，输出第二单模态阿尔茨海默病风险等级数据，所述第三风险预测模型用于根据输入的所述弥散张量成像对应的所述结构连接网络矩阵，输出第三单模态阿尔茨海默病风险等级数据，所述第四风险预测模型用于根据输入的所述弥散张量成像对应的所述结构连接网络拓扑特征，输出第四单模态阿尔茨海默病风险等级数据，所述第五风险预测模型用于根据输入的所述功能磁共振影像对应的所述功能连接网络矩阵，输出第五单模态阿尔茨海默病风险等级数据，以及所述第六风险预测模型用于根据输入的所述功能磁共振影像对应的所述功能连接网络拓扑特征，输出第六单模态阿尔茨海默病风险等级数据。
在本申请的一些实施例中，所述基于各个所述单模态风险预测模型分别输出的所述单模态阿尔茨海默病风险等级数据训练一个线性回归模型，以将该线性回归模型训练为用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型，包括：
基于各个所述历史被测对象各自对应的所述第一单模态阿尔茨海默病风险等级数据、所述第二单模态阿尔茨海默病风险等级数据、所述第三单模态阿尔茨海默病风险等级数据、所述第四单模态阿尔茨海默病风险等级数据、所述第五单模态阿尔茨海默病风险等级数据以及所述第六单模态阿尔茨海默病风险等级数据，训练一个线性回归模型，以使该线性回归模型为各个所述单模态风险预测模型分别分配权重，并将该线性回归模型训练为用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型。
本申请的另一个方面提供了一种阿尔茨海默病风险预警方法，包括：
接收目标被测对象的多模态磁共振影像中的各类单模态磁共振影像；
提取所述目标被测对象对应的各类所述单模态磁共振影像各自对应的多个层级的脑网络特征；
将所述目标被测对象对应的各类所述单模态磁共振影像各自对应的多个层级的脑网络特征分别一对一输入预先经由所述阿尔茨海默病风险预警模型训练方法训练得到的各个所述单模态风险预测模型中，以使各个所述单模态风险预测模型分别输出所述目标被测对象对应的各个单模态阿尔茨海默病风险等级数据；
将所述目标被测对象对应的各个单模态阿尔茨海默病风险等级数据输入预先经由所述阿尔茨海默病风险预警模型训练方法训练得到的所述阿尔茨海默病风险预警模型中，以根据该阿尔茨海默病风险预警模型输出的所述目标被测对象的阿尔茨海默病风险预警结果数据。
本申请的第三个方面提供了一种阿尔茨海默病风险预警模型训练装置，包括：
数据集构建模块，用于根据各个历史被测对象分别对应的多模态磁共振影像中的各类单模态磁共振影像各自对应的多个层级的脑网络特征，构建多个用于存储各个所述历史被测对象各自对应的样本数据与阿尔茨海默病风险等级标签之间的对应关系的数据集，其中，不同的所述数据集中的所述样本数据的类型不同，且相同类型的所述样本数据用于存储同一类型的所述单模态磁共振影像对应的同一层级的所述脑网络特征；
单模态模型训练模块，用于采用各个所述数据集分别一对一训练不同的各个单模态风险预测模型，以使各个所述单模态风险预测模型分别用于基于不同类型的单模态磁共振影像对应的不同层级的脑网络特征输出单模态阿尔茨海默病风险等级数据；
融合模型训练模块，用于基于各个所述单模态风险预测模型分别输出的所述单模态阿尔茨海默病风险等级数据训练一个线性回归模型，以将该线性回归模型训练为用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型。
本申请的第四个方面提供了一种阿尔茨海默病风险预警装置，包括：
数据接收模块，用于接收目标被测对象的多模态磁共振影像中的各类单模态磁共振影像；
特征提取模块，用于提取所述目标被测对象对应的各类所述单模态磁共振影像各自对应的多个层级的脑网络特征；
风险等级预测模块，用于将所述目标被测对象对应的各类所述单模态磁共振影像各自对应的多个层级的脑网络特征分别一对一输入预先经由所述阿尔茨海默病风险预警模型训练方法训练得到的各个所述单模态风险预测模型中，以使各个所述单模态风险预测模型分别输出所述目标被测对象对应的各个单模态阿尔茨海默病风险等级数据；
风险预警结果预测模块，用于将所述目标被测对象对应的各个单模态阿尔茨海默病风险等级数据输入预先经由所述阿尔茨海默病风险预警模型训练方法训练得到的所述阿尔茨海默病风险预警模型中，以根据该阿尔茨海默病风险预警模型输出的所述目标被测对象的阿尔茨海默病风险预警结果数据。
本申请的第五个方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的阿尔茨海默病风险预警模型训练方法或者实现所述阿尔茨海默病风险预警方法。
本申请的第六个方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的阿尔茨海默病风险预警模型训练方法或者实现所述阿尔茨海默病风险预警方法。
本申请提供的阿尔茨海默病风险预警模型训练方法，根据各个历史被测对象分别对应的多模态磁共振影像中的各类单模态磁共振影像各自对应的多个层级的脑网络特征，构建多个用于存储各个所述历史被测对象各自对应的样本数据与阿尔茨海默病风险等级标签之间的对应关系的数据集，其中，不同的所述数据集中的所述样本数据的类型不同，且相同类型的所述样本数据用于存储同一类型的所述单模态磁共振影像对应的同一层级的所述脑网络特征；采用各个所述数据集分别一对一训练不同的各个单模态风险预测模型，以使各个所述单模态风险预测模型分别用于基于不同类型的单模态磁共振影像对应的不同层级的脑网络特征输出单模态阿尔茨海默病风险等级数据；基于各个所述单模态风险预测模型分别输出的所述单模态阿尔茨海默病风险等级数据训练一个线性回归模型，以将该线性回归模型训练为用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型，通过采取多模态融合的方式，能够充分捕获多模态磁共振成像所反应的特异和互补的信息；并以涵盖全脑协同变化的脑网络分析方法为基础，构建多层级的脑网络特征，能够更加全面地刻画大脑的全局变化；同时，通过采用线性回归模型来将风险等级进行融合转化，能够有效避免出现极端的阿尔茨海默病风险预警结果，进而能够提高阿尔茨海默病风险评估结果的准确性及可靠性，进而能够辅助医生进一步做出阿尔茨海默病的风险判断。
本申请的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本申请的实践而获知。本申请的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是，能够用本申请实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本申请能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，并不构成对本申请的限定。附图中的部件不是成比例绘制的，而只是为了示出本申请的原理。为了便于示出和描述本申请的一些部分，附图中对应部分可能被放大，即，相对于依据本申请实际制造的示例性装置中的其它部件可能变得更大。在附图中：
图1为本申请一实施例中的阿尔茨海默病风险预警模型训练方法的第一种流程示意图。
图2为本申请一实施例中的阿尔茨海默病风险预警模型训练方法的第二种流程示意图。
图3为本申请一实施例中的阿尔茨海默病风险预警模型训练方法的第二种流程示意图。
图4为本申请一应用实例中的阿尔茨海默病风险预警模型训练方法的具体流程示意图。
图5为本申请一应用实例中多模态脑网络风险预警模型的构建过程举例示意图。
图6为本申请一实施例中的阿尔茨海默病风险预警方法的流程示意图。
图7为本申请一实施例中的阿尔茨海默病风险预警模型训练装置的结构示意图。
图8为本申请一实施例中的阿尔茨海默病风险预警装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本申请做进一步详细说明。在此，本申请的示意性实施方式及其说明用于解释本申请，但并不作为对本申请的限定。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本申请，在附图中仅仅示出了与根据本申请的方案密切相关的结构和/或处理步骤，而省略了与本申请关系不大的其他细节。
应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。
在下文中，将参考附图描述本申请的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。
阿尔茨海默病是一种常见且危害及其严重的神经退行性疾病，患者主要的表现为认知功能的恶化。该疾病无法彻底治愈，而如果能在疾病的早期阶段进行干预和治疗，能够极大程度的延缓疾病的进程，减少医疗和社会资源消耗。
磁共振成像技术是当前应用于研究脑疾病的有效工具，其中结构磁共振成像提供了纤细的大脑解剖信息，允许观察大脑的结构变化；而功能磁共振成像揭示了大脑不同区域的功能性活动。近年来新兴的多模态技术通过融合结构磁共振成像和功能磁共振成像，可以更加全面的捕获大脑的结构和功能变化，并充分利用两种之间的特异以及互补信息，有助于实现疾病的精准诊断与识别。
当前的阿尔茨海默病风险预计方案主要存在以下缺点：
1. 数据源单一：阿尔茨海默病的发病风险受许多因素影像，包括大脑结构、功能、代谢、遗传等。而与本发明相关的一些解决方案通常仅侧重于单一模态的信息，无法全面、层次的表征大脑的健康信息。并且在疾病早期阶段不同模态的数据所反映的信息是不同的，如果仅依靠某种数据难以刻画阿尔茨海默病复杂的病理机制；
2. 局部性限制：大脑的不同脑区之间存在着独特的相互作用模式，而很多方法只关注于特定脑区，忽视了整个大脑的复杂互联性，无法表征多个区域的协同作用，难以从人脑全局性变化刻画疾病的风险。
3. 预测结果极端：大部分研究都采取了分类任务，构建阿尔茨海默病的预警模型。这类模型的标签空间跨度较大，模型会产生较为极端的输出结果，对于中等风险的情况具有极大的偏差估计。
基于此，为了解决上述问题，本申请实施例分别提供一种阿尔茨海默病风险预警模型训练方法、用于执行该阿尔茨海默病风险预警模型训练方法的阿尔茨海默病风险预警模型训练装置、阿尔茨海默病风险预警方法、用于执行该阿尔茨海默病风险预警方法的阿尔茨海默病风险预警装置、实体设备和计算机可读存储介质，融合多模态影像中不同层级的脑网络信息，以风险评级作为模型训练的标签，对阿尔茨海默病的患病风险进行评估，实现了基于多模态脑网络的阿尔茨海默病风险预警方法。
具体通过下述实施例进行详细说明。
基于此，本申请实施例提供一种可由阿尔茨海默病风险预警模型训练装置实现的阿尔茨海默病风险预警模型训练方法，参见图1，所述阿尔茨海默病风险预警模型训练方法具体包含有如下内容：
步骤100：根据各个历史被测对象分别对应的多模态磁共振影像中的各类单模态磁共振影像各自对应的多个层级的脑网络特征，构建多个用于存储各个所述历史被测对象各自对应的样本数据与阿尔茨海默病风险等级标签之间的对应关系的数据集，其中，不同的所述数据集中的所述样本数据的类型不同，且相同类型的所述样本数据用于存储同一类型的所述单模态磁共振影像对应的同一层级的所述脑网络特征。
可以理解的是，被测对象是指人，也不排除可以指代其他生物，例如老鼠、猕猴等。其中，本申请的实施例中，历史被测对象是指在模型训练阶段采用的已采集自身多模态磁共振影像中的各类单模态磁共振影像的被测用户，目标被测对象是指模型应用阶段待进行阿尔茨海默病风险预警和评估的被测用户。
在本申请的一个或多个实施例中，阿尔茨海默病风险等级标签对应的被测对象的阿尔茨海默病风险等级，可以预先采用被测对象的简易精神状态量表（MMSE）和蒙特利尔认知评估量表（MoCA）等的测量得分获得。
步骤200：采用各个所述数据集分别一对一训练不同的各个单模态风险预测模型，以使各个所述单模态风险预测模型分别用于基于不同类型的单模态磁共振影像对应的不同层级的脑网络特征输出单模态阿尔茨海默病风险等级数据。
在本申请的一个或多个实施例中，各个所述单模态风险预测模型是指不同的单一模型的风险预测模型，可以采用支持向量机、随机森林、多层感知机等实现。
步骤300：基于各个所述单模态风险预测模型分别输出的所述单模态阿尔茨海默病风险等级数据训练一个线性回归模型，以将该线性回归模型训练为用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型。
在本申请的一个或多个实施例中，所述阿尔茨海默病风险预警结果数据也可以理解为阿尔茨海默病风险评估结果数据，具体可以指范围为0至1之间的一个风险分数。以及，本申请的一个或多个实施例中的“风险”均指“患病风险”。
需要说明的是，本申请提及的单模态阿尔茨海默病风险等级数据以及阿尔茨海默病风险评估结果数据等，均无法直接导线阿尔茨海默病的诊断，而是仅能够用于辅助医生进行阿尔茨海默病的患病风险的评估或判断。
从上述描述可知，本申请实施例提供的阿尔茨海默病风险预警模型训练方法，通过采取多模态融合的方式，能够充分捕获多模态磁共振成像所反应的特异和互补的信息；并以涵盖全脑协同变化的脑网络分析方法为基础，构建多层级的脑网络特征，能够更加全面地刻画大脑的全局变化；同时，通过采用线性回归模型来将风险等级进行融合转化，能够有效避免出现极端的阿尔茨海默病风险预警结果，进而能够提高阿尔茨海默病风险评估结果的准确性及可靠性。
为了提高各类单模态磁共振影像各自对应的多个层级的脑网络特征的应用有效性及可靠性，以进一步提高阿尔茨海默病风险预警的准确性及有效性，在本申请实施例提供的一种阿尔茨海默病风险预警模型训练方法中，参见图2，所述阿尔茨海默病风险预警模型训练方法中的步骤100之前还具体包含有如下内容：
步骤010：获取各个历史被测对象各自的多模态磁共振影像以及阿尔茨海默病风险等级。
具体来说，阿尔茨海默病风险等级评定则可以通过简易精神状态量表（MMSE）和蒙特利尔认知评估量表（MoCA）来确定，阿尔茨海默病风险等级Score表示为：
其中，和/>为被测对象的MMSE和MoCA得分，/>为MMSE量表的最大得分，和/>为MoCA量表的最大得分，通常都取30。由此实现将阿尔茨海默病患者划分为从-30到+30的多个阿尔茨海默病风险等级，分数越高代表认知能力越正常，反之说明认知水平越低，越易患有阿尔茨海默病。
可以理解的是，在回归时结合MMSE和MoCA两种量表进行风险评级，并且最终的预测结果要转化为风险分数。而使用MMSE和MoCA中的一个，或者其他相似的量表组合、量表得分之间的加权组合、不同版本的MSME和MoCA，而风险分数转化公式类似等，也都属于本申请实施例的可行方案。
步骤020：对各个所述多模态磁共振影像中的各类单模态磁共振影像进行图像预处理，以得到经预处理后的各类单模态磁共振影像。
步骤030：对经预处理后的各类单模态磁共振影像分别进行脑网络特征提取，以得到经预处理后的各类单模态磁共振影像各自对应的多个层级的脑网络特征。
为了进一步提高阿尔茨海默病风险预警的准确性及有效性，在本申请实施例提供的一种阿尔茨海默病风险预警模型训练方法中，所述阿尔茨海默病风险预警模型训练方法中的所述单模态磁共振影像的类型至少包含有：结构磁共振影像、弥散张量成像和功能磁共振影像中的至少两类；优选为包含有全部的这三者影像。
所述脑网络特征的层级可以少包含有：网络矩阵和网络拓扑特征；
相对应的，所述结构磁共振影像对应的多个层级的脑网络特征包括：结构相似网络矩阵和结构相似网络拓扑特征；
所述弥散张量成像对应的多个层级的脑网络特征包括：结构连接网络矩阵和结构连接网络拓扑特征；
所述功能磁共振影像对应的多个层级的脑网络特征包括：功能连接网络矩阵和功能连接网络拓扑特征。
基于此，为了提高对各个所述多模态磁共振影像中的各类单模态磁共振影像进行图像预处理的有效性及可靠性，以进一步提高阿尔茨海默病风险预警的准确性及有效性，在本申请实施例提供的一种阿尔茨海默病风险预警模型训练方法中，参见图3，所述阿尔茨海默病风险预警模型训练方法中的步骤020具体包含有如下内容：
步骤021：对各个所述多模态磁共振影像中的所述结构磁共振影像进行头部运动校正、组织提取及空间标准化处理中的至少一项，以得到经预处理后的结构磁共振影像。
具体来说，结构磁共振图像的预处理步骤可以包含有：
（1）头部运动校正，纠正由于被试运动引起的图像伪影；
（2）组织提取，将结构磁共振图像分割成灰质、白质和脑脊液，去除大脑无关的部分，如颅骨等；
（3）空间标准化，将图像标准化到MNI标准空间，以便在不同被试之间进行比较。
步骤022：对各个所述多模态磁共振影像中的所述弥散张量成像进行头部运动校正、切片时间矫正、空间标准化、空间平滑以及头部运动影像去除处理中的至少一项，以得到经预处理后的弥散张量成像。
具体来说，弥散张量成像的预处理过程可以包含有：
（1）头部运动校正，纠正由于被试运动引起的图像伪影；
（2）切片时间矫正，纠正功能磁共振图像不同切片之间的时间差异；
（3）空间标准化，将图像标准化到标准空间；
（4）空间平滑，对图像进行空间平滑以增加信噪比；
（5）去除头部运动影像，以提高功能连接的准确性。
以及，步骤023：对各个所述多模态磁共振影像中的所述功能磁共振影像进行降噪、运动矫正、磁场矫正、伪影矫正、扩散张量估计和纤维束追踪处理中的至少一项，以得到经预处理后的功能磁共振影像。
具体来说，功能磁共振图像的可以包含有：
（1）降噪、运动矫正、磁场矫正、伪影矫正等步骤确保图像高质量；
（2）扩散张量估计，用以衡量水分子在组织中的扩散方向；
（3）纤维束追踪，通过连接相邻体素的扩散方向还原白质纤维束。
为了提高对经预处理后的各类单模态磁共振影像分别进行脑网络特征提取的有效性及可靠性，以进一步提高阿尔茨海默病风险预警的准确性及有效性，在本申请实施例提供的一种阿尔茨海默病风险预警模型训练方法中，参见图3，所述阿尔茨海默病风险预警模型训练方法中的步骤030具体包含有如下内容：
步骤031：分别获取所述经预处理后的结构磁共振影像对应的结构相似网络矩阵、所述经预处理后的弥散张量成像对应的结构连接网络矩阵以及所述经预处理后的功能磁共振影像对应的功能连接网络矩阵；
步骤032：分别获取所述结构相似网络矩阵对应的结构相似网络拓扑特征、所述结构连接网络矩阵对应的结构连接网络拓扑特征以及所述功能连接网络矩阵对应的功能连接网络拓扑特征。
具体来说，结构相似矩阵需要依据脑图谱（Brainnetome）将大脑划分为246个区域后，逐个区域计算灰质密度、皮层厚度和体积，并在各个区域间两两计算皮尔森相似度得到246*246的结构相似矩阵；功能连接矩阵的构造大致相同，依据脑图谱（Brainnetome）划分为246个脑区，从每个脑区中提取时间序列，并计算各个脑区之间的皮尔森相关性构建功能连接矩阵。结构连接矩阵在将大脑划分为多个脑区后，计算结构连接矩阵。可以理解的是，本实施例使用脑图谱（Brainnetome）将大脑划分为246个脑区。而基于其他的脑图谱或者从246个脑区中取部分区域构造的脑网络特征，同样在本申请的适用范围内。
而后在结构相似矩阵和功能连接矩阵的基础上，计算度、聚类系数、结束中心性、接近度中心性、向量中心性、度分布、连通分量、平均路径长度、网络直径、节点的度相关性、节点的集聚性、同配性、特征路径长度、网络中心、小世界属性这十五个网络拓扑特征，计算结构相似网络拓扑特征、功能连接网络拓扑特征和结构连接网络拓扑特征。可以理解的是，本实施例使用15个网络拓扑属性，而使用这十五个网络拓扑属性的子集，或者相近的计算拓扑属性方法，也为本申请的可行方式。
为了提高采用各个所述数据集分别一对一训练不同的各个单模态风险预测模型的有效性及可靠性，以进一步提高阿尔茨海默病风险预警的准确性及有效性，在本申请实施例提供的一种阿尔茨海默病风险预警模型训练方法中，各个所述数据集具体可以包含有执行如下六个：
（1）第一数据集，该第一数据集中的样本数据用于存储各个所述历史被测对象各自的所述结构磁共振影像对应的所述结构相似网络矩阵；
（2）第二数据集，该第二数据集中的样本数据用于存储各个所述历史被测对象各自的所述结构磁共振影像对应的所述结构相似网络拓扑特征；
（3）第三数据集，该第三数据集中的样本数据用于存储各个所述历史被测对象各自的所述弥散张量成像对应的所述结构连接网络矩阵；
（4）第四数据集，该第四数据集中的样本数据用于存储各个所述历史被测对象各自的所述弥散张量成像对应的所述结构连接网络拓扑特征；
（5）第五数据集，该第五数据集中的样本数据用于存储各个所述历史被测对象各自的所述功能磁共振影像对应的所述功能连接网络矩阵；
（6）第六数据集，该第六数据集中的样本数据用于存储各个所述历史被测对象各自的所述功能磁共振影像对应的所述功能连接网络拓扑特征。
相对应的，参见图3，所述阿尔茨海默病风险预警模型训练方法中的步骤200具体包含有如下内容：
步骤210：采用十折交叉验证的方式，分别采用所述第一数据集训练第一风险预测模型，采用所述第二数据集训练第二风险预测模型，采用所述第三数据集训练第三风险预测模型，采用所述第四数据集训练第四风险预测模型，采用所述第五数据集训练第五风险预测模型，以及采用所述第六数据集训练第六风险预测模型，以使所述第一风险预测模型用于根据输入的所述结构磁共振影像对应的所述结构相似网络矩阵，输出第一单模态阿尔茨海默病风险等级数据，所述第二风险预测模型用于根据输入的所述结构磁共振影像对应的所述结构相似网络拓扑特征，输出第二单模态阿尔茨海默病风险等级数据，所述第三风险预测模型用于根据输入的所述弥散张量成像对应的所述结构连接网络矩阵，输出第三单模态阿尔茨海默病风险等级数据，所述第四风险预测模型用于根据输入的所述弥散张量成像对应的所述结构连接网络拓扑特征，输出第四单模态阿尔茨海默病风险等级数据，所述第五风险预测模型用于根据输入的所述功能磁共振影像对应的所述功能连接网络矩阵，输出第五单模态阿尔茨海默病风险等级数据，以及所述第六风险预测模型用于根据输入的所述功能磁共振影像对应的所述功能连接网络拓扑特征，输出第六单模态阿尔茨海默病风险等级数据。
具体来说，多个单模态风险预测模型，根据输入特征的不同分为基于结构相似矩阵的风险预测模型、基于结构相似网络拓扑属性的风险预测模型、基于结构连接矩阵的风险预测模型、基于结构连接网络拓扑属性的风险预测模型、基于功能连接网络的风险预测模型和基于功能连接网络拓扑属性的风险预测模型。
各个单一模型的风险预测模型都以支持向量机为基础，但是采取独立的训练步骤，采用十折交叉验证的方式进行模型的评估和选择。
具体做法为先把训练集分为相等的十份，每次取一份作为内部验证集，其余部分作为内部训练集训练模型，采取网格搜索的方式调整模型的超参数；迭代十次后取在验证集上性能最好的超参数，作为整个单模态预警模型的超参数，并重新使用所有训练数据训练模型。
最终会得到六个不同的单一模态风险预测模型，每个模型的输出即为对应被试的患病风险。
为了提高对经预处理后的各类单模态磁共振影像分别进行脑网络特征提取的有效性及可靠性，以进一步提高阿尔茨海默病风险预警的准确性及有效性，在本申请实施例提供的一种阿尔茨海默病风险预警模型训练方法中，参见图3，所述阿尔茨海默病风险预警模型训练方法中的步骤300具体包含有如下内容：
步骤310：基于各个所述历史被测对象各自对应的所述第一单模态阿尔茨海默病风险等级数据、所述第二单模态阿尔茨海默病风险等级数据、所述第三单模态阿尔茨海默病风险等级数据、所述第四单模态阿尔茨海默病风险等级数据、所述第五单模态阿尔茨海默病风险等级数据以及所述第六单模态阿尔茨海默病风险等级数据，训练一个线性回归模型，以使该线性回归模型为各个所述单模态风险预测模型分别分配权重，并将该线性回归模型训练为用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型。
具体来说，可以使用一个线性回归模型，用于融合各个单模态风险预测模型。具体而言，该线性回归模型的输入为六个单模态风险预测模型的预测结果，根据验证集的真实标签，融合模型会分配给单一模型不同的权重/>，整合不同模态脑网络的信息，提高模型的分类性能和可靠性。模型最终的输出需要转化成范围为0至1的一个风险分数，计算如下：
为了进一步说明上述阿尔茨海默病风险预警模型训练方法，本申请还提供一种阿尔茨海默病风险预警模型训练方法的具体应用实例，参见图4，融合多模态磁共振成像之间的特异和互补信息，以及从反映全脑协同变化的脑网络分析方法为基础，所述阿尔茨海默病风险预警模型训练方法的具体应用实例包含有如下内容：
S1：获取多模态磁共振影像和风险等级，包括结构磁共振成像、弥散张量成像以及功能磁共振成像；
对于S1，获取的多模态磁共振影像包括结构磁共振成像、弥散张量成像以及功能磁共振成像，文件格式为nii；阿尔茨海默病风险等级评定则权衡简易精神状态量表（MMSE）和蒙特利尔认知评估量表（MoCA），由此实现将阿尔茨海默病患者划分为从-30到+30的多个层级，分数越高代表认知能力越正常，反之说明认知水平越低，越易患有阿尔茨海默病。
S2：多模态磁共振影像预处理；
对于S2进行图像预处理，分为结构磁共振影像预处理、功能磁共振影像预处理和弥散张量成像预处理三部分。
结构磁共振图像的预处理步骤包括：头部运动校正，纠正由于被试运动引起的图像伪影；组织提取，将结构磁共振图像分割成灰质、白质和脑脊液，去除大脑无关的部分，如颅骨等；空间标准化，将图像标准化到MNI标准空间，以便在不同被试之间进行比较。
功能磁共振图像的预处理过程包括：头部运动校正，纠正由于被试运动引起的图像伪影；切片时间矫正，纠正功能磁共振图像不同切片之间的时间差异；间标准化，将图像标准化到标准空间；空间平滑，对图像进行空间平滑以增加信噪比；除头部运动影像，以提高功能连接的准确性。
弥散张量成像的预处理步骤包括：降噪、运动矫正、磁场矫正、伪影矫正等步骤确保图像高质量；之后是扩散张量估计，用以衡量水分子在组织中的扩散方向；纤维束追踪，通过连接相邻体素的扩散方向还原白质纤维束。
S3：双层级脑网络属性获取；
参见图5，对于S3获取到的脑网络属性可分为六类，分别是结构相似矩阵，结构相似网络拓扑属性，功能连接矩阵、功能连接网络拓扑特征、结构连接矩阵、结构连接网络拓扑属性。
结构相似矩阵需要依据脑图谱（Brainnetome）将大脑划分为246个区域后，逐个区域计算灰质密度、皮层厚度和体积，并在各个区域间两两计算皮尔森相似度得到246*246的结构相似矩阵；功能连接矩阵的构造大致相同，依据脑图谱（Brainnetome）划分为246个脑区，从每个脑区中提取时间序列，并计算各个脑区之间的皮尔森相关性构建功能连接矩阵；结构连接矩阵在将大脑划分为多个脑区后，计算结构连接矩阵；在结构相似矩阵和功能连接矩阵的基础上，计算度、聚类系数、结束中心性、接近度中心性、向量中心性、度分布、连通分量、平均路径长度、网络直径、节点的度相关性、节点的集聚性、同配性、特征路径长度、网络中心、小世界属性这十五个网络拓扑特征，计算结构相似网络拓扑特征、功能连接网络拓扑特征和结构连接网络拓扑特征。
S4：获取多个单模态风险预测模型；
对于S4获取多个单模态风险预测模型，根据输入特征的不同分为基于结构相似矩阵的风险预测模型、基于结构相似网络拓扑属性的风险预测模型、基于结构连接矩阵的风险预测模型、基于结构连接网络拓扑属性的风险预测模型、基于功能连接网络的风险预测模型和基于功能连接网络拓扑属性的风险预测模型。
各个单一模型的风险预测模型都以支持向量机为基础，但是采取独立的训练步骤，采用十折交叉验证的方式进行模型的评估和选择。具体做法为先把训练集分为相等的十份，每次取一份作为内部验证集，其余部分作为内部训练集训练模型，采取网格搜索的方式调整模型的超参数；迭代十次后取在验证集上性能最好的超参数，作为整个单模态预警模型的超参数，并重新使用所有训练数据训练模型。最终会得到六个不同的单一模态风险预测模型，每个模型的输出即为对应被试的患病风险。
S5：获取单模态风险预测模型；
对于S5获取多模态风险预测模型，使用一个线性回归模型，用于融合单一模态的风险预测模型。具体而言，该线性模型的输入为S4中六个单一模态风险预测模型的预测结果，根据验证集的真实标签，融合模型会分配给单一模型不同的权重，整合不同模态脑网络的信息，提高模型的分类性能和可靠性。模型最终的输出需要转化成范围为0至1的一个风险分数。
也就是说，本申请应用实例提供的阿尔茨海默病风险预警模型训练方法，基于结构磁共振成像、功能磁共振成像以及弥散磁共振成像，能够从更多维度捕获大脑相关的结构变化，提出的以回归任务作为基准，能够更加精准地刻画疾病进程，更加准确地表示阿尔茨海默病的风险得分，使用三个模态、两个层级的脑网络特征，能够更加立体地刻画大脑属性。
本申请应用实例采取多模态融合的方式，充分捕获多模态磁共振成像所反应的特异和互补的疾病信息；并以涵盖全脑协同变化的脑网络分析方法为基础，构建了双层级的脑网络特征，更加全面地刻画大脑的全局变化；提出了一种认知等级与风险得分转化方法，更加精准的反应被试的风险等级。
基于上述阿尔茨海默病风险预警模型训练方法的实施例，本申请还提供一种阿尔茨海默病风险预警方法的实施例，参见图6，所述阿尔茨海默病风险预警方法具体包含有如下内容：
步骤400：接收目标被测对象的多模态磁共振影像中的各类单模态磁共振影像。
步骤500：提取所述目标被测对象对应的各类所述单模态磁共振影像各自对应的多个层级的脑网络特征。
步骤600：将所述目标被测对象对应的各类所述单模态磁共振影像各自对应的多个层级的脑网络特征分别一对一输入预先经由所述阿尔茨海默病风险预警模型训练方法训练得到的各个所述单模态风险预测模型中，以使各个所述单模态风险预测模型分别输出所述目标被测对象对应的各个单模态阿尔茨海默病风险等级数据。
步骤700：将所述目标被测对象对应的各个单模态阿尔茨海默病风险等级数据输入预先经由所述阿尔茨海默病风险预警模型训练方法训练得到的所述阿尔茨海默病风险预警模型中，以根据该阿尔茨海默病风险预警模型输出的所述目标被测对象的阿尔茨海默病风险预警结果数据。
本申请实施例提供的阿尔茨海默病风险预警方法，通过采取多模态融合的方式，能够充分捕获多模态磁共振成像所反应的特异和互补的信息；并以涵盖全脑协同变化的脑网络分析方法为基础，构建多层级的脑网络特征，能够更加全面地刻画大脑的全局变化；同时，通过采用线性回归模型来将风险等级进行融合转化，能够有效避免出现极端的阿尔茨海默病风险预警结果，进而能够提高阿尔茨海默病风险评估结果的准确性及可靠性。
具体来说，本申请实施例提供的阿尔茨海默病风险预警模型训练方法以及阿尔茨海默病风险预警方法具备如下有益效果：
1. 双层级脑网络特征构造：传统方法仅使用单一的脑网络特征，而本申请同时使用了根据影像特点构造的第一层级脑网络之后，又基于脑网络构造第二层级的拓扑属性特征，结合两层级的脑网络特征进行分析；
2. 广泛的网络拓扑属性：共计从脑网络中构造出十五个网络拓扑特征。
3. 多模态影像融合：采取结构磁共振成像、功能磁共振成像、弥散磁共振成像三个模态，更加全面的刻画阿尔茨海默病的风险；采取线性回归模型对多个单一模态的模型进行加权融合。
4. 疾病风险预测：传统方法基本为分类任务，而本申请结合两个临床中使用频繁的评估量表，对患者的认知能力进行评级，最终通过所提出的风险转化公式，使得模型最终的预测结果为患有疾病的风险分数。
从软件层面来说，本申请还提供一种用于执行所述阿尔茨海默病风险预警模型训练方法中全部或部分内的阿尔茨海默病风险预警模型训练装置，参见图7，所述阿尔茨海默病风险预警模型训练装置具体包含有如下内容：
数据集构建模块10，用于根据各个历史被测对象分别对应的多模态磁共振影像中的各类单模态磁共振影像各自对应的多个层级的脑网络特征，构建多个用于存储各个所述历史被测对象各自对应的样本数据与阿尔茨海默病风险等级标签之间的对应关系的数据集，其中，不同的所述数据集中的所述样本数据的类型不同，且相同类型的所述样本数据用于存储同一类型的所述单模态磁共振影像对应的同一层级的所述脑网络特征；
单模态模型训练模块20，用于采用各个所述数据集分别一对一训练不同的各个单模态风险预测模型，以使各个所述单模态风险预测模型分别用于基于不同类型的单模态磁共振影像对应的不同层级的脑网络特征输出单模态阿尔茨海默病风险等级数据；
融合模型训练模块30，用于基于各个所述单模态风险预测模型分别输出的所述单模态阿尔茨海默病风险等级数据训练一个线性回归模型，以将该线性回归模型训练为用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型。
本申请提供的阿尔茨海默病风险预警模型训练装置的实施例具体可以用于执行上述实施例中的阿尔茨海默病风险预警模型训练方法的实施例的处理流程，其功能在此不再赘述，可以参照上述阿尔茨海默病风险预警模型训练方法实施例的详细描述。
所述阿尔茨海默病风险预警模型训练装置进行阿尔茨海默病风险预警模型训练的部分可以在服务器中实现，也可以在客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器，用于阿尔茨海默病风险预警模型训练的具体处理。
上述的客户端设备可以具有通信模块（即通信单元），可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
上述服务器与所述客户端设备端之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol，远程过程调用协议)、REST协议(Representational State Transfer，表述性状态转移协议)等。
从上述描述可知，本申请实施例提供的阿尔茨海默病风险预警模型训练装置，能够充分捕获多模态磁共振成像所反应的特异和互补的信息，能够更加全面地刻画大脑的全局变化，并能够提高阿尔茨海默病风险评估结果的准确性及可靠性。
从软件层面来说，本申请还提供一种用于执行所述阿尔茨海默病风险预警方法中全部或部分内的阿尔茨海默病风险预警装置，参见图8，所述阿尔茨海默病风险预警装置具体包含有如下内容：
数据接收模块40，用于接收目标被测对象的多模态磁共振影像中的各类单模态磁共振影像；
特征提取模块50，用于提取所述目标被测对象对应的各类所述单模态磁共振影像各自对应的多个层级的脑网络特征；
风险等级预测模块60，用于将所述目标被测对象对应的各类所述单模态磁共振影像各自对应的多个层级的脑网络特征分别一对一输入预先经由所述阿尔茨海默病风险预警模型训练方法训练得到的各个所述单模态风险预测模型中，以使各个所述单模态风险预测模型分别输出所述目标被测对象对应的各个单模态阿尔茨海默病风险等级数据；
风险预警结果预测模块70，用于将所述目标被测对象对应的各个单模态阿尔茨海默病风险等级数据输入预先经由所述阿尔茨海默病风险预警模型训练方法训练得到的所述阿尔茨海默病风险预警模型中，以根据该阿尔茨海默病风险预警模型输出的所述目标被测对象的阿尔茨海默病风险预警结果数据。
本申请提供的阿尔茨海默病风险预警装置的实施例具体可以用于执行上述实施例中的阿尔茨海默病风险预警方法的实施例的处理流程，其功能在此不再赘述，可以参照上述阿尔茨海默病风险预警方法实施例的详细描述。
所述阿尔茨海默病风险预警装置进行阿尔茨海默病风险预警的部分可以在服务器中实现，也可以在客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器，用于阿尔茨海默病风险预警的具体处理。
从上述描述可知，本申请实施例提供的阿尔茨海默病风险预警装置，能够充分捕获多模态磁共振成像所反应的特异和互补的信息，能够更加全面地刻画大脑的全局变化，并能够提高阿尔茨海默病风险评估结果的准确性及可靠性。
本申请实施例还提供了一种电子设备，该电子设备可以包括处理器、存储器、接收器及发送器，处理器用于执行上述实施例提及的阿尔茨海默病风险预警模型训练或阿尔茨海默病风险预警方法，其中处理器和存储器可以通过总线或者其他方式连接，以通过总线连接为例。该接收器可通过有线或无线方式与处理器、存储器连接。
处理器可以为中央处理器（Central Processing Unit，CPU）。处理器还可以为其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-ProgrammableGate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的阿尔茨海默病风险预警模型训练或阿尔茨海默病风险预警方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的阿尔茨海默病风险预警模型训练或阿尔茨海默病风险预警方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中，当被所述处理器执行时，执行实施例中的阿尔茨海默病风险预警模型训练或阿尔茨海默病风险预警方法。
在本申请的一些实施例中，用户设备可以包括处理器、存储器和收发单元，该收发单元可包括接收器和发送器，处理器、存储器、接收器和发送器可通过总线系统连接，存储器用于存储计算机指令，处理器用于执行存储器中存储的计算机指令，以控制收发单元收发信号。
作为一种实现方式，本申请中接收器和发送器的功能可以考虑通过收发电路或者收发的专用芯片来实现，处理器可以考虑通过专用处理芯片、处理电路或通用芯片实现。
作为另一种实现方式，可以考虑使用通用计算机的方式来实现本申请实施例提供的服务器。即将实现处理器，接收器和发送器功能的程序代码存储在存储器中，通用处理器通过执行存储器中的代码来实现处理器，接收器和发送器的功能。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述阿尔茨海默病风险预警模型训练或阿尔茨海默病风险预警方法的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（ASIC）、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
本申请中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域的技术人员来说，本申请实施例可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (6)
1.一种阿尔茨海默病风险预警模型训练方法，其特征在于，包括：
根据各个历史被测对象分别对应的多模态磁共振影像中的各类单模态磁共振影像各自对应的多个层级的脑网络特征，构建多个用于存储各个所述历史被测对象各自对应的样本数据与阿尔茨海默病风险等级标签之间的对应关系的数据集，其中，不同的所述数据集中的所述样本数据的类型不同，且相同类型的所述样本数据用于存储同一类型的所述单模态磁共振影像对应的同一层级的所述脑网络特征；
采用各个所述数据集分别一对一训练不同的各个单模态风险预测模型，以使各个所述单模态风险预测模型分别用于基于不同类型的单模态磁共振影像对应的不同层级的脑网络特征输出单模态阿尔茨海默病风险等级数据；
基于各个所述单模态风险预测模型分别输出的所述单模态阿尔茨海默病风险等级数据训练一个线性回归模型，以将该线性回归模型训练为用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型；
在所述根据各个历史被测对象分别对应的多模态磁共振影像中的各类单模态磁共振影像各自对应的多个层级的脑网络特征，构建多个用于存储各个所述历史被测对象各自对应的样本数据与阿尔茨海默病风险等级标签之间的对应关系的数据集之前，还包括：
获取各个历史被测对象各自的多模态磁共振影像以及阿尔茨海默病风险等级；
对各个所述多模态磁共振影像中的各类单模态磁共振影像进行图像预处理，以得到经预处理后的各类单模态磁共振影像；
对经预处理后的各类单模态磁共振影像分别进行脑网络特征提取，以得到经预处理后的各类单模态磁共振影像各自对应的多个层级的脑网络特征；
所述单模态磁共振影像的类型包括：结构磁共振影像、弥散张量成像和功能磁共振影像中的至少两类；
所述脑网络特征的层级包括：网络矩阵和网络拓扑特征；
相对应的，所述结构磁共振影像对应的多个层级的脑网络特征包括：结构相似网络矩阵和结构相似网络拓扑特征；
所述弥散张量成像对应的多个层级的脑网络特征包括：结构连接网络矩阵和结构连接网络拓扑特征；
所述功能磁共振影像对应的多个层级的脑网络特征包括：功能连接网络矩阵和功能连接网络拓扑特征；
若所述单模态磁共振影像的类型包括：所述结构磁共振影像、所述弥散张量成像和所述功能磁共振影像，则相对应的，所述对各个所述多模态磁共振影像中的各类单模态磁共振影像进行图像预处理，以得到经预处理后的各类单模态磁共振影像，包括：
对各个所述多模态磁共振影像中的所述结构磁共振影像进行头部运动校正、组织提取及空间标准化处理中的至少一项，以得到经预处理后的结构磁共振影像；
对各个所述多模态磁共振影像中的所述弥散张量成像进行头部运动校正、切片时间矫正、空间标准化、空间平滑以及头部运动影像去除处理中的至少一项，以得到经预处理后的弥散张量成像；
以及，对各个所述多模态磁共振影像中的所述功能磁共振影像进行降噪、运动矫正、磁场矫正、伪影矫正、扩散张量估计和纤维束追踪处理中的至少一项，以得到经预处理后的功能磁共振影像；
各个所述数据集包括：
第一数据集，该第一数据集中的样本数据用于存储各个所述历史被测对象各自的所述结构磁共振影像对应的所述结构相似网络矩阵；
第二数据集，该第二数据集中的样本数据用于存储各个所述历史被测对象各自的所述结构磁共振影像对应的所述结构相似网络拓扑特征；
第三数据集，该第三数据集中的样本数据用于存储各个所述历史被测对象各自的所述弥散张量成像对应的所述结构连接网络矩阵；
第四数据集，该第四数据集中的样本数据用于存储各个所述历史被测对象各自的所述弥散张量成像对应的所述结构连接网络拓扑特征；
第五数据集，该第五数据集中的样本数据用于存储各个所述历史被测对象各自的所述功能磁共振影像对应的所述功能连接网络矩阵；
以及，第六数据集，该第六数据集中的样本数据用于存储各个所述历史被测对象各自的所述功能磁共振影像对应的所述功能连接网络拓扑特征；
相对应的，所述采用各个所述数据集分别一对一训练不同的各个单模态风险预测模型，以使各个所述单模态风险预测模型分别用于基于不同类型的单模态磁共振影像对应的不同层级的脑网络特征输出单模态阿尔茨海默病风险等级数据，包括：
采用十折交叉验证的方式，分别采用所述第一数据集训练第一风险预测模型，采用所述第二数据集训练第二风险预测模型，采用所述第三数据集训练第三风险预测模型，采用所述第四数据集训练第四风险预测模型，采用所述第五数据集训练第五风险预测模型，以及采用所述第六数据集训练第六风险预测模型，以使所述第一风险预测模型用于根据输入的所述结构磁共振影像对应的所述结构相似网络矩阵，输出第一单模态阿尔茨海默病风险等级数据，所述第二风险预测模型用于根据输入的所述结构磁共振影像对应的所述结构相似网络拓扑特征，输出第二单模态阿尔茨海默病风险等级数据，所述第三风险预测模型用于根据输入的所述弥散张量成像对应的所述结构连接网络矩阵，输出第三单模态阿尔茨海默病风险等级数据，所述第四风险预测模型用于根据输入的所述弥散张量成像对应的所述结构连接网络拓扑特征，输出第四单模态阿尔茨海默病风险等级数据，所述第五风险预测模型用于根据输入的所述功能磁共振影像对应的所述功能连接网络矩阵，输出第五单模态阿尔茨海默病风险等级数据，以及所述第六风险预测模型用于根据输入的所述功能磁共振影像对应的所述功能连接网络拓扑特征，输出第六单模态阿尔茨海默病风险等级数据。
2.根据权利要求1所述的阿尔茨海默病风险预警模型训练方法，其特征在于，所述对经预处理后的各类单模态磁共振影像分别进行脑网络特征提取，以得到经预处理后的各类单模态磁共振影像各自对应的多个层级的脑网络特征，包括：
分别获取所述经预处理后的结构磁共振影像对应的结构相似网络矩阵、所述经预处理后的弥散张量成像对应的结构连接网络矩阵以及所述经预处理后的功能磁共振影像对应的功能连接网络矩阵；
分别获取所述结构相似网络矩阵对应的结构相似网络拓扑特征、所述结构连接网络矩阵对应的结构连接网络拓扑特征以及所述功能连接网络矩阵对应的功能连接网络拓扑特征。
3.根据权利要求1所述的阿尔茨海默病风险预警模型训练方法，其特征在于，所述基于各个所述单模态风险预测模型分别输出的所述单模态阿尔茨海默病风险等级数据训练一个线性回归模型，以将该线性回归模型训练为用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型，包括：
基于各个所述历史被测对象各自对应的所述第一单模态阿尔茨海默病风险等级数据、所述第二单模态阿尔茨海默病风险等级数据、所述第三单模态阿尔茨海默病风险等级数据、所述第四单模态阿尔茨海默病风险等级数据、所述第五单模态阿尔茨海默病风险等级数据以及所述第六单模态阿尔茨海默病风险等级数据，训练一个线性回归模型，以使该线性回归模型为各个所述单模态风险预测模型分别分配权重，并将该线性回归模型训练为用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型。
4.一种阿尔茨海默病风险预警方法，其特征在于，包括：
接收目标被测对象的多模态磁共振影像中的各类单模态磁共振影像；
提取所述目标被测对象对应的各类所述单模态磁共振影像各自对应的多个层级的脑网络特征；
将所述目标被测对象对应的各类所述单模态磁共振影像各自对应的多个层级的脑网络特征分别一对一输入预先经由权利要求1至3任一项所述的阿尔茨海默病风险预警模型训练方法训练得到的各个所述单模态风险预测模型中，以使各个所述单模态风险预测模型分别输出所述目标被测对象对应的各个单模态阿尔茨海默病风险等级数据；
将所述目标被测对象对应的各个单模态阿尔茨海默病风险等级数据输入预先经由权利要求1至3任一项所述的阿尔茨海默病风险预警模型训练方法训练得到的所述阿尔茨海默病风险预警模型中，以根据该阿尔茨海默病风险预警模型输出的所述目标被测对象的阿尔茨海默病风险预警结果数据。
5.一种电子设备，包括存储器、处理器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，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述的阿尔茨海默病风险预警模型训练方法，或者，实现如权利要求4所述的阿尔茨海默病风险预警方法。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至3任一项所述的阿尔茨海默病风险预警模型训练方法，或者，实现如权利要求4所述的阿尔茨海默病风险预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311681795.2A CN117372440B (zh) | 2023-12-08 | 2023-12-08 | 阿尔茨海默病风险预警模型训练方法、预警方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311681795.2A CN117372440B (zh) | 2023-12-08 | 2023-12-08 | 阿尔茨海默病风险预警模型训练方法、预警方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117372440A CN117372440A (zh) | 2024-01-09 |
| CN117372440B true CN117372440B (zh) | 2024-03-19 |
Family
ID=89395090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311681795.2A Active CN117372440B (zh) | 2023-12-08 | 2023-12-08 | 阿尔茨海默病风险预警模型训练方法、预警方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117372440B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229066A (zh) * | 2018-02-07 | 2018-06-29 | 北京航空航天大学 | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 |
| CN111631715A (zh) * | 2020-07-08 | 2020-09-08 | 上海海事大学 | 一种阿尔茨海默症早期认知功能下降预测方法 |
| 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 |
| CN113616184A (zh) * | 2021-06-30 | 2021-11-09 | 北京师范大学 | 基于多模态磁共振图像的脑网络建模与个体预测方法 |
| CN113962930A (zh) * | 2021-09-07 | 2022-01-21 | 北京邮电大学 | 阿尔茨海默病风险评估模型建立方法和电子设备 |
| CN114418966A (zh) * | 2021-12-29 | 2022-04-29 | 澄影科技(北京)有限公司 | 阿尔茨海默病风险评估方法和装置 |
| CN114664446A (zh) * | 2022-04-01 | 2022-06-24 | 湖南师范大学 | 一种阿尔茨海默症的预测方法和装置 |
| CN115775626A (zh) * | 2022-11-29 | 2023-03-10 | 深圳先进技术研究院 | 多模态脑网络计算方法、装置、设备及存储介质 |
| WO2023077603A1 (zh) * | 2021-11-03 | 2023-05-11 | 深圳先进技术研究院 | 一种异常脑连接预测系统、方法、装置及可读存储介质 |
| WO2023108712A1 (zh) * | 2021-12-18 | 2023-06-22 | 深圳先进技术研究院 | 结构-功能脑网络双向映射模型构建方法及脑网络双向映射模型 |
| CN116468677A (zh) * | 2023-03-29 | 2023-07-21 | 复旦大学附属华山医院 | 基于脑网络和深度学习的mci转化智能预测方法及系统 |
| CN116942130A (zh) * | 2023-06-21 | 2023-10-27 | 上海深至信息科技有限公司 | 一种基于磁共振图像的疾病预测系统 |
-
2023
- 2023-12-08 CN CN202311681795.2A patent/CN117372440B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229066A (zh) * | 2018-02-07 | 2018-06-29 | 北京航空航天大学 | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 |
| CN111631715A (zh) * | 2020-07-08 | 2020-09-08 | 上海海事大学 | 一种阿尔茨海默症早期认知功能下降预测方法 |
| CN113616184A (zh) * | 2021-06-30 | 2021-11-09 | 北京师范大学 | 基于多模态磁共振图像的脑网络建模与个体预测方法 |
| 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 |
| CN113962930A (zh) * | 2021-09-07 | 2022-01-21 | 北京邮电大学 | 阿尔茨海默病风险评估模型建立方法和电子设备 |
| WO2023077603A1 (zh) * | 2021-11-03 | 2023-05-11 | 深圳先进技术研究院 | 一种异常脑连接预测系统、方法、装置及可读存储介质 |
| WO2023108712A1 (zh) * | 2021-12-18 | 2023-06-22 | 深圳先进技术研究院 | 结构-功能脑网络双向映射模型构建方法及脑网络双向映射模型 |
| CN114418966A (zh) * | 2021-12-29 | 2022-04-29 | 澄影科技(北京)有限公司 | 阿尔茨海默病风险评估方法和装置 |
| CN114664446A (zh) * | 2022-04-01 | 2022-06-24 | 湖南师范大学 | 一种阿尔茨海默症的预测方法和装置 |
| CN115775626A (zh) * | 2022-11-29 | 2023-03-10 | 深圳先进技术研究院 | 多模态脑网络计算方法、装置、设备及存储介质 |
| CN116468677A (zh) * | 2023-03-29 | 2023-07-21 | 复旦大学附属华山医院 | 基于脑网络和深度学习的mci转化智能预测方法及系统 |
| CN116942130A (zh) * | 2023-06-21 | 2023-10-27 | 上海深至信息科技有限公司 | 一种基于磁共振图像的疾病预测系统 |
Non-Patent Citations (2)
| Title |
|---|
| Multi‑modality MRI for Alzheimer’s disease detection using deep learning;Latifa Houria1 et al;Physical and Engineering Sciences in Medicine;1043–1053 * |
| 基于多模态医学图像的Alzheimer病分类方法;韩坤等;清华大学学报(自然科学版);第60卷(第8期);664-671 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117372440A (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111402228B (zh) | 图像检测方法、装置和计算机可读存储介质 | |
| KR102243830B1 (ko) | 통합 의료 진단 서비스 제공 시스템 및 그 방법 | |
| US20180260954A1 (en) | Method and apparatus for providing medical information service on basis of disease model | |
| WO2021186592A1 (ja) | 診断支援装置及びモデル生成装置 | |
| CN110853111B (zh) | 医学影像处理系统、模型训练方法及训练装置 | |
| CN113177943B (zh) | 一种脑卒中ct影像分割方法 | |
| Zhu et al. | Discovering dense and consistent landmarks in the brain | |
| Tao et al. | Segmentation of multimodal myocardial images using shape-transfer GAN | |
| 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 | |
| Han et al. | Multi-scale 3D convolution feature-based broad learning system for Alzheimer’s disease diagnosis via MRI images | |
| Elayaraja et al. | An efficient approach for detection and classification of cancer regions in cervical images using optimization based CNN classification approach | |
| Prabakaran et al. | FPUS23: an ultrasound fetus phantom dataset with deep neural network evaluations for fetus orientations, fetal planes, and anatomical features | |
| Mahim et al. | Unlocking the potential of XAI for improved alzheimer’s disease detection and classification using a ViT-GRU model | |
| CN116452592B (zh) | 脑血管病ai认知功能评测模型的构建方法、装置及系统 | |
| CN116452593B (zh) | 血管性认知障碍的ai评估模型的构建方法、装置及系统 | |
| CN115937129B (zh) | 基于多模态磁共振影像的左右半脑关系的处理方法及装置 | |
| CN117372440B (zh) | 阿尔茨海默病风险预警模型训练方法、预警方法及设备 | |
| Gong et al. | Smart urban planning: Intelligent cognitive analysis of healthcare data in cloud-based IoT | |
| Zhu et al. | A tensor statistical model for quantifying dynamic functional connectivity | |
| CN115953420A (zh) | 深度学习网络模型以及医疗图像分割方法、装置和系统 | |
| Matlani | BiLSTM-ANN: early diagnosis of Alzheimer’s disease using hybrid deep learning algorithms | |
| CN114581459A (zh) | 一种基于改进性3D U-Net模型的学前儿童肺部影像感兴趣区域分割方法 | |
| Palraj et al. | Predicting the abnormality of brain and compute the cognitive power of human using deep learning techniques using functional magnetic resonance images | |
| CN117457222B (zh) | 阿尔茨海默症大脑萎缩模型构建方法、预测方法及装置 | |
| Paul et al. | EchoTrace: A 2D Echocardiography Deep Learning Approach for Left Ventricular Ejection Fraction Prediction |
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 |