CN117438103A - 基于mri图像的度洛西汀镇痛疗效预测方法及系统 - Google Patents
基于mri图像的度洛西汀镇痛疗效预测方法及系统 Download PDFInfo
- Publication number
- CN117438103A CN117438103A CN202311760522.7A CN202311760522A CN117438103A CN 117438103 A CN117438103 A CN 117438103A CN 202311760522 A CN202311760522 A CN 202311760522A CN 117438103 A CN117438103 A CN 117438103A
- Authority
- CN
- China
- Prior art keywords
- duloxetine
- images
- analgesic
- analgesic efficacy
- mri
- 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.)
- Pending
Links
- ZEUITGRIYCTCEM-KRWDZBQOSA-N (S)-duloxetine Chemical compound C1([C@@H](OC=2C3=CC=CC=C3C=CC=2)CCNC)=CC=CS1 ZEUITGRIYCTCEM-KRWDZBQOSA-N 0.000 title claims abstract description 159
- 229960002866 duloxetine Drugs 0.000 title claims abstract description 159
- 230000000202 analgesic effect Effects 0.000 title claims abstract description 139
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims abstract description 19
- 230000010412 perfusion Effects 0.000 claims abstract description 19
- 230000000284 resting effect Effects 0.000 claims abstract description 19
- 201000008482 osteoarthritis Diseases 0.000 claims description 60
- 208000002193 Pain Diseases 0.000 claims description 27
- 230000036407 pain Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 206010002869 Anxiety symptoms Diseases 0.000 claims description 3
- 208000000114 Pain Threshold Diseases 0.000 claims description 3
- 230000036626 alertness Effects 0.000 claims description 3
- 210000001367 artery Anatomy 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000008451 emotion Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 230000005415 magnetization Effects 0.000 claims description 3
- 230000008533 pain sensitivity Effects 0.000 claims description 3
- 230000037040 pain threshold Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000001953 sensory effect Effects 0.000 claims description 3
- 238000000264 spin echo pulse sequence Methods 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 claims 1
- 238000013136 deep learning model Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 208000000094 Chronic Pain Diseases 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 230000009956 central mechanism Effects 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000013016 learning Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010064012 Central pain syndrome Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000002478 hand joint Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000004394 hip joint Anatomy 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009955 peripheral mechanism Effects 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Pharmacology & Pharmacy (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Toxicology (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medicinal Chemistry (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于MRI图像的度洛西汀镇痛疗效预测方法及系统;本发明首先获取训练所述度洛西汀镇痛疗效预测模型的训练集;然后建立度诺西汀镇痛疗效预测模型并进行训练;最后分别获取待预测患者服用度洛西汀前后的高分辨率3D‑T2WI图像、静息态fMRI图像、ASL灌注图像、高分辨率3D‑T1WI图像、DSI图像;并输入至训练好的所述度洛西汀镇痛疗效预测模型中,得到所述待预测患者的度洛西汀的镇痛效果,从而实现了针对个体的度洛西汀镇痛疗效的预测;另外,根据现有技术中未存在深度学习模型对度洛西汀镇痛疗效预测的方案,本发明将多种MRI作为预测模型的输入以及训练集数据,从而提高了模型的预测精度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于MRI图像的度洛西汀镇痛疗效预测方法及系统。
背景技术
骨关节炎是一种极为常见的退行性骨关节疾病, 膝关节、 手部关节和髋关节最常受累, 它严重影响着患者的日常生活,并给家庭和社会带来了沉重的经济负担。据研究报道, 全世界目前约有 2.5 亿人患有骨关节炎,随着全球人口老龄化、肥胖人数增加以及关节外伤患者数量的增加,其发病率呈升高趋势。疼痛是骨关节炎最常见和最主要的临床症状,也是患者就诊的主要原因,并成为骨关节炎临床干预和卫生服务需首要解决的问题。然而,目前临床上对骨关节炎慢性疼痛的治疗效果仍然很不理想。实验证据一致表明骨关节炎慢性疼痛的产生除了外周机制外,还存在中枢机制,然而目前我们对其中枢机制的理解还远远不够。
近些年来,随着对于骨关节炎疼痛更深一步的认识和理解,临床常规 X 线和 MRI影像学检查发现骨关节炎病人的疼痛程度与外周关节的损伤程度并不匹配。度洛西汀虽广泛应用于临床慢性疼痛的治疗,但其中枢作用机制,尤其是对脑的作用机制尚未明确。在临床应用中,只有更深一步了解度洛西汀的具体镇痛机制以及对于哪些脑结构和功能脑区进行调控,才能进一步提高治疗的靶向性及临床疗效。由于缺乏对慢性骨关节炎疼痛的中枢机制及度洛西汀中枢镇痛机制的深入理解,临床上对于度洛西汀镇痛效果尚无客观有效的预测模型。目前临床上对于慢性骨关节炎的疼痛管理仍然面临着极大的挑战,患者对于药物治疗的响应存在较大的个体差异,如何客观的评估患者疼痛是否存在中枢敏化以及中枢机制,何种患者会受益于中枢性镇痛药度洛西汀,对后续的骨关节炎的治疗有着极其重要的作用。
现有技术中,一般医生根据个人经验预测度洛西汀对骨关节炎的镇痛效果,然而,这种方式主观性大,而不同患者对于度洛西汀治疗的响应存在较大的个体差异;
因此,现有技术亟需一种能针对性地对不同患者使用度洛西汀镇痛疗效进行预测的技术方案。
发明内容
本发明要解决的技术问题是针对上述技术方案的不足,提供一种基于MRI图像的度洛西汀镇痛疗效预测方法及系统,针对性地对不同患者使用度洛西汀镇痛疗效进行预测。
为了实现上述目的,根据本发明的一个方面,提供一种基于MRI图像的度洛西汀镇痛疗效预测方法,包括以下步骤:
S1:获取训练所述度洛西汀镇痛疗效预测模型的训练集;
所述训练集包括骨关节炎患者服用度洛西汀前的MRI数据以及骨关节炎患者服用度洛西汀预设时间后的MRI数据以及骨关节炎患者的临床评估数据;
所述获取训练所述度洛西汀镇痛疗效预测模型的训练集具体包括:
S1.1:获取所述骨关节炎患者服用度洛西汀前的MRI图像以及骨关节炎患者服用度洛西汀预设时间后的MRI图像;
S1.2 获取所述骨关节炎患者的临床评估数据;
S1.3:根据所述S1.2获取的评估数据评估所述度洛西汀镇痛疗效;
S2:建立度诺西汀镇痛疗效预测模型,并通过所述S1获取的训练集训练所述度诺西汀镇痛疗效预测模型;
S3:分别获取待预测患者服用度洛西汀前后的高分辨率 3D-T2WI图像、静息态fMRI图像、ASL灌注图像、高分辨率 3D-T1WI图像、DSI图像;并输入至训练好的所述度洛西汀镇痛疗效预测模型中,得到所述待预测患者的度洛西汀的镇痛效果。
其中,所述预设时间为6周、7周、8周中的任一时间;
所述MRI图像采用使用 Siemens 公司 Prisma 3.0T MR 扫描仪,采集通道为64通道头颈线圈,并采用multi-band 并行采集技术加快扫描时间,从而有效地提高图像的时间和空间分辨率。
所述骨关节炎患者服用度洛西汀前的MRI图像以及骨关节炎患者服用度洛西汀预设时间后的MRI数据均包括高分辨率 3D-T2WI图像、静息态 fMRI图像、ASL灌注图像、高分辨率 3D-T1WI图像、DSI图像;
近一步地,所述高分辨率 3D-T2WI图像采用快速自旋回波序列,TR/TE =3000/299ms,
FOV=256mm×256mm,扫描矩阵=256×256,平面分辨率=1mm×1mm,层厚=1mm,间隔=0mm,矢状位采集;
所述静息态 fMRI采用多层激发梯度回波平面成像( EPI)序列,TR/TE=800/30ms,FOV=222mm×222mm, FA=54°,扫描矩阵=74×74,层厚=3mm,平面分辨率=3mm×3mm,间隔=0mm;
所述ASL灌注采用3D多 激 发 脉 冲 式 连 续 动 脉 自 旋 标 记 技 术,TR/TE=3600/21.8ms, FA=180°,平面分辨率=3.4×3.4mm,层厚=3mm,扫描矩阵=64×64;
所述高分辨率 3D-T1WI:采用双磁化准备快速获得梯度回波序列(MP2RAGE),TR/TE/=3.41ms/4000ms , FA1/FA2 =4°/5°, TI1/TI2=700ms/2110ms ,FOV=256mm×240mm,扫描矩阵=256×240,平面分辨率=1mm×1mm,层厚=1mm,矢状位采集;
所述DSI采用多层激发自旋回波-回波平面成像(SS-SE-EPI)技术。 TR/TE=3200/58ms, FA=90°,FOV=220mm×220mm,扫描矩阵=146×146,平面分辨率=1.5mm×1.5mm,层厚=1.5mm,间隔=0mm。分别在 64 个方向上施加扩散敏感梯度(b=0, 1000, 2000, 3000s/mm2)。
在本实施例中,在对度洛西汀镇痛疗效预测时,通过采集高分辨率 3D-T2WI图像、静息态 fMRI图像、ASL灌注图像、高分辨率 3D-T1WI图像、DSI图像,从而供多个维度获取的MRI图像,从而为后续的预测提供了多个维度的信息,进而提高预测精度。
具体地,所述获取所述骨关节炎患者的临床评估数据包括:对所述骨关节炎患者使用所述预设时间的度洛西汀后,获取所述骨关节炎患者的性别、年龄、教育年限,并通过疼痛敏感性量表(PSQ)、疼痛焦虑症状量表(PASS)、疼痛警觉与觉知量表(PVAQ)、疼痛灾难化量表(PCS)、 ID Pain 以及简版 McGill 疼痛问卷-2(SF-MPQ-2)等获取患者感觉、情感和认知等多维度属性的数据,同时使用 VonFrey 及激光疼痛刺激对所述骨关节炎患者病患关节周围皮肤的感觉阈限及疼痛阈限进行测量,从而获取所述骨关节炎患者的临床评估数据。
具体地,所述镇痛疗效包括:镇痛效果好、镇痛效果一般、无镇痛效果;
实际上,上述S1.1-S1.3的操作,使得每个骨关节炎患者对度洛西汀的镇痛效果有了客观的结论,并且,采集了每个骨关节炎患者用度洛西汀前后的影像数据,也就说,对每个患者来说,用药前后的影像数据和度洛西汀的镇痛效果就有了内在的联系,即用药前后的影像数据可以指示度洛西汀的镇痛疗效;
具体地,所述度洛西汀镇痛疗效预测模型为卷积神经网络模型;
更进一步地,所述卷积层的运算过程的计算公式为:
其中,Al为第l层的输出特征图,(i,j)为所述输出特征图中的第i行、第j列的像素点的位置,b为偏置量,ωl+1为第l+1层卷积模板的权重,Al+1(i,j)为第l+1层卷积模板的权重;
其中,所述服用度洛西汀前后的高分辨率 3D-T2WI图像、静息态 fMRI图像、ASL灌注图像、高分辨率 3D-T1WI图像、DSI图像采集参数与所述S1中的数据集的采集参数相同;
并且,所述得到所述待预测患者的度洛西汀的镇痛效果具体包括:度洛西汀对所述待预测患者长期的镇痛效果好、镇痛效果一般、无镇痛效果;
另外,值得强调地是,本实施例中的疗效预测即通过在电子设备上运行人工智能模型,用于获取预测结果,全程没有医生利用经验进行参与,并且,获取的预测结果仅仅是一种中间结果,具体的诊断还需要医生综合患者的各种体征、各种检测结果综合判断,因此,本实施例并不会落入疾病的诊断与治疗方法的范畴。
根据本发明的另一方面,本发明还包括一种基于MRI图像的度洛西汀镇痛疗效预测系统,其采用上述的基于MRI图像的度洛西汀镇痛疗效预测方法,所述系统包括:
训练集获取模块,用于获取训练所述度洛西汀镇痛疗效预测模型的训练集;
度诺西汀镇痛疗效预测模型建立模块,用于建立度诺西汀镇痛疗效预测模型,并通过所述S1获取的训练集训练所述度诺西汀镇痛疗效预测模型;
度洛西汀镇痛疗效预测模块,用于获取待预测患者服用度洛西汀前后的高分辨率3D-T2WI图像、静息态 fMRI图像、ASL灌注图像、高分辨率 3D-T1WI图像、DSI图像;并输入至训练好的所述度洛西汀镇痛疗效预测模型中,预测得到所述待预测患者的度洛西汀的镇痛效果。
根据本发明的另一方面,本发明还包括一种计算机可读存储介质,计算机可读存储介质上存储有数据处理程序,数据处理程序被处理器执行上述的基于MRI图像的度洛西汀镇痛疗效预测方法。
基于上述技术方案,本申请提供的一种基于MRI图像的度洛西汀镇痛疗效预测方法和系统,具有如下技术效果:
本发明在对度洛西汀镇痛疗效预测时,通过深度学习模型对度洛西汀的镇痛疗效进行预测,并且根据患者服用度洛西汀前后的MRI图像进行镇痛疗效预测,实现了针对个体的度洛西汀疗效预测,使得预测结论更具针对性;
另外,本发明根据现有技术中未存在通过深度学习模型对度洛西汀预测的技术现状,通过采集高分辨率 3D-T2WI图像、静息态 fMRI图像、ASL灌注图像、高分辨率 3D-T1WI图像、DSI图像,从而提供多个维度获取的MRI图像,以期从各个维度获取度洛西汀镇痛疗效的特征,从而为后续的预测提供了多个维度的信息,进而提高预测精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于MRI图像的度洛西汀镇痛疗效预测方法的流程图;
图2为本申请实施例提供的获取训练所述度洛西汀镇痛疗效预测模型的训练集的流程图;
图3为本申请实施例提供的基于MRI图像的度洛西汀镇痛疗效预测系统的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面首先结合附图对本申请所涉及的概念进行说明。在此需要指出的是,以下对各个概念的说明,仅为了使本申请的内容更加容易理解,并不表示对本申请保护范围的限定。
诚如背景技术中提到的,针对现有技术中的问题,本申请提出了基于MRI图像的度洛西汀镇痛疗效预测方法,该预测方法在镇痛疗效预测系统中执行,该镇痛疗效预测系统可集成于服务器、工作站、计算机、平板电脑等电子设备中。图1是本申请实施例提供的一种基于MRI图像的度洛西汀镇痛疗效预测方法。参见图1,该基于MRI图像的度洛西汀镇痛疗效预测方法具体包括:
S1:获取训练所述度洛西汀镇痛疗效预测模型的训练集;
具体地,所述训练集包括骨关节炎患者服用度洛西汀前的MRI数据以及骨关节炎患者服用度洛西汀预设时间后的MRI数据以及骨关节炎患者的临床评估数据;
其中,所述预设时间为6周、7周、8周中的任一时间。
其中,如图2所示,所述获取训练所述度洛西汀镇痛疗效预测模型的训练集具体包括:
S1.1:获取所述骨关节炎患者服用度洛西汀前的MRI图像以及骨关节炎患者服用度洛西汀预设时间后的MRI图像;
所述MRI图像采用使用 Siemens 公司 Prisma 3.0T MR 扫描仪, 64 通道头颈线圈,并采用multi-band 并行采集技术加快扫描时间,从而有效地提高图像的时间和空间分辨率。
所述骨关节炎患者服用度洛西汀前的MRI图像以及骨关节炎患者服用度洛西汀预设时间后的MRI数据均包括高分辨率 3D-T2WI图像、静息态 fMRI图像、ASL灌注图像、高分辨率 3D-T1WI图像、DSI图像;
近一步地,所述高分辨率 3D-T2WI图像采用快速自旋回波序列,TR/TE =3000/299ms,
FOV=256mm×256mm,扫描矩阵=256×256,平面分辨率=1mm×1mm,层厚=1mm,间隔=0mm,矢状位采集;
所述静息态 fMRI采用多层激发梯度回波平面成像( EPI)序列,TR/TE=800/30ms,FOV=222mm×222mm, FA=54°,扫描矩阵=74×74,层厚=3mm,平面分辨率=3mm×3mm,间隔=0mm;
所述ASL灌注采用3D多 激 发 脉 冲 式 连 续 动 脉 自 旋 标 记 技 术,TR/TE=3600/21.8ms, FA=180°,平面分辨率=3.4×3.4mm,层厚=3mm,扫描矩阵=64×64;
所述高分辨率 3D-T1WI:采用双磁化准备快速获得梯度回波序列(MP2RAGE),TR/TE/=3.41ms/4000ms , FA1/FA2 =4°/5°, TI1/TI2=700ms/2110ms ,FOV=256mm×240mm,扫描矩阵=256×240,平面分辨率=1mm×1mm,层厚=1mm,矢状位采集;
所述DSI采用多层激发自旋回波-回波平面成像(SS-SE-EPI)技术。 TR/TE=3200/58ms, FA=90°,FOV=220mm×220mm,扫描矩阵=146×146,平面分辨率=1.5mm×1.5mm,层厚=1.5mm,间隔=0mm。分别在64个方向上施加扩散敏感梯度(b=0,1000,2000,3000s/mm2)。
现有技术在采用深度学习对某种药品预测时,由于存在相关的文献公开的具体的预测指标作为参考,因此,在选取预测数据时更具针对性,而,现有技术中未存通过深度学习对度洛西汀镇痛疗效的预测方案,因此,本实施例相较于现有技术的方案,采用多种数据输入至深度学习模型;因此,在本实施例中,在对度洛西汀镇痛疗效预测时,通过采集高分辨率 3D-T2WI图像、静息态 fMRI图像、ASL灌注图像、高分辨率 3D-T1WI图像、DSI图像,从而提供多个维度获取的MRI图像,从而为后续的预测提供了多个维度的信息,进而提高预测精度。
S1.2 获取所述骨关节炎患者的临床评估数据;
具体地,所述获取所述骨关节炎患者的临床评估数据包括:对所述骨关节炎患者使用所述预设时间的度洛西汀后,获取所述骨关节炎患者的性别、年龄、教育年限,并通过疼痛敏感性量表(PSQ)、疼痛焦虑症状量表(PASS)、疼痛警觉与觉知量表(PVAQ)、疼痛灾难化量表(PCS)、 ID Pain 以及简版 McGill 疼痛问卷-2(SF-MPQ-2)等获取患者感觉、情感和认知等多维度属性的数据,同时使用 VonFrey 及激光疼痛刺激对所述骨关节炎患者病患关节周围皮肤的感觉阈限及疼痛阈限进行测量。
S1.3:根据所述S1.2获取的评估数据评估所述度洛西汀镇痛疗效;
具体地,所述镇痛疗效包括:镇痛效果好、镇痛效果一般、无镇痛效果;
实际上,上述S1.1-S1.3的操作,使得每个骨关节炎患者对度洛西汀的镇痛效果有了客观的结论,并且,采集了每个骨关节炎患者用度洛西汀前后的影像数据,也就说,对每个患者来说,用药前后的影像数据和度洛西汀的镇痛效果就有了内在的联系,即用药前后的影像数据可以指示度洛西汀的镇痛疗效;
值得强调的是,训练集获取的越多,则后续的度洛西汀镇痛疗效预测模型训练的效果越好,在本实施例中,选择100名骨关节炎患者用于获取本实施例中的训练集。
S2:建立度诺西汀镇痛疗效预测模型,并通过所述S1获取的训练集训练所述度诺西汀镇痛疗效预测模型;
具体地,所述度洛西汀镇痛疗效预测模型为卷积神经网络模型;
其中,所述卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出层构成;
所述输入层为卷积神经网络的第一层,负责接收输入的每个骨关节炎患者用度洛西汀前后的影像图像,并将其转换为像素矩阵的形式。
所述卷积层是卷积神经网络的基础,在卷积层中,每个卷积核都有自己的权重和偏置项,这些参数会在训练过程中通过反向传播算法进行优化。同时,卷积层中也可以设置步长和填充等超参数来控制输出特征图的大小和特征的提取方式。在卷积运算过程中,卷积模板逐个与感受野中每一个像素点做卷积乘法运算,并通过非线性激活函数得到图像的特征信息。
在选择卷积模板尺寸时,需要考虑多种因素,如特征的空间范围、卷积计算量、内存需求和参数数量等。一般来说,较小的卷积核能够捕捉更细微的特征,同时参数数量也相对较少,有利于网络的训练和计算。较大的卷积核能够覆盖更大的区域,能够捕捉到更高层次的特征,但是会增加计算量和参数数量,可能会导致过拟合等问题。因此,在设计卷积神经网络时,需要综合考虑这些因素来选择合适的卷积模板尺寸。
在本实施例中,由于服用度洛西汀前后的高分辨率 3D-T2WI图像、静息态 fMRI图像、ASL灌注图像、高分辨率 3D-T1WI图像、DSI图像差距较为精细,因此,本实施例希望能捕捉到更细微的特征,从而提高度洛西汀镇痛疗效的预测精度,因此,本实施例的卷积核尺寸选择为3×3;
更进一步地,所述卷积层的运算过程的计算公式为:
其中,Al为第l层的输出特征图,(i,j)为所述输出特征图中的第i行、第j列的像素点的位置,b为偏置量,ωl+1为第l+1层卷积模板的权重,Al+1(i,j)为第l+1层卷积模板的权重;
所述池化层用于奖励所述输出特征图的尺寸,减少网络的计算量和参数数量,从而纺织过拟合;池化层采用固定大小的窗口,在所述窗口内执行池化操作,该操作将窗口内的值聚合成单个值,并将其作为输出。池化层可帮助减少所述输出特征图中的空间尺寸,保留特征的主要信息,并且还具有一定程度的平移不变性,即对于图像的微小变化仍然能够保持相同的输出;
在本实施例中,由于需要获取骨关节炎患者用药前后的图像的细微差别,因此,需要重点关注局部信息,因此,采用最大池化作为本实施例池化层的池化操作;
所述全连接层是所述卷积神经网络中特征空间到标记空间的映射,用于后续预测结论的构建;
所述输出层是所述卷积神经网络的最后一层,用于对前一层的特征进行分类,所述输出层的神经元数量同数据集中的类别数量相同。
在本实施例中,输出的类别为镇痛效果好,镇痛效果一般、无镇痛效果三类,因此,输出层的神经元数量为3;在本实施例中,使用softmax激活函数输出待测样本的预测类别。
在构建好卷积神经网络模型后,需要将部分数据集作为训练集输入至所述卷积神经网络模型中对所述卷积神经网络模型训练,并将部分数据集作为验证集对训练后的所述卷积神经网络模型的预测效果进行验证;
在本实施例中,将所述数据集按照8:2的比例分为训练集和验证集;
在本实施例中,通过交叉熵损失函数用于判断训练得卷积神经网络模型是否满足预测精度;
具体地,所述交叉熵函数的公式为:
其中,L为交叉熵函数值,yi为第i个训练集的真实标签,pi为第i个训练集的预测输出的概率。
S3:分别获取待预测患者服用度洛西汀前后的高分辨率 3D-T2WI图像、静息态fMRI图像、ASL灌注图像、高分辨率 3D-T1WI图像、DSI图像;并输入至训练好的所述度洛西汀镇痛疗效预测模型中,得到所述待预测患者的度洛西汀的镇痛效果;
其中,所述服用度洛西汀前后的高分辨率 3D-T2WI图像、静息态 fMRI图像、ASL灌注图像、高分辨率 3D-T1WI图像、DSI图像采集参数与所述S1中的数据集的采集参数相同;
并且,所述得到所述待预测患者的度洛西汀的镇痛效果具体包括:度洛西汀对所述待预测患者长期的镇痛效果好、镇痛效果一般、无镇痛效果;
实际上,通过深度学习模型的学习过程,所述度洛西汀镇痛疗效预测模型可以学习到图像中度洛西汀对用药前后图像变化的影响特征,进而在学习过程中,不断地提炼所述影响特征,进而得到度洛西汀镇痛效果在图像中的变化进而得到预测结论。
另外,值得强调地是,本实施例中的疗效预测即通过在电子设备上运行人工智能模型,用于获取预测结果,全程没有医生利用经验进行参与,并且,获取的预测结果仅仅是一种中间结果,具体的诊断还需要医生综合患者的各种体征、各种检测结果综合判断,因此,本实施例并不会落入疾病的诊断与治疗方法的范畴。
实施例二,如图3所示,本实施例包括一种基于MRI图像的度洛西汀镇痛疗效预测系统,其采用上述的基于MRI图像的度洛西汀镇痛疗效预测方法,所述系统包括:
训练集获取模块,用于获取训练所述度洛西汀镇痛疗效预测模型的训练集;
度诺西汀镇痛疗效预测模型建立模块,用于建立度诺西汀镇痛疗效预测模型,并通过所述S1获取的训练集训练所述度诺西汀镇痛疗效预测模型;
度洛西汀镇痛疗效预测模块,用于获取待预测患者服用度洛西汀前后的高分辨率3D-T2WI图像、静息态 fMRI图像、ASL灌注图像、高分辨率 3D-T1WI图像、DSI图像;并输入至训练好的所述度洛西汀镇痛疗效预测模型中,预测得到所述待预测患者的度洛西汀的镇痛效果。
实施例三,本实施例包括一种计算机可读存储介质,计算机可读存储介质上存储有数据处理程序,数据处理程序被处理器执行实施例一的基于MRI图像的度洛西汀镇痛疗效预测方法。
本领域技术人员应明白,本文的实施例可提供为方法、装置(设备)、或计算机程序产品。因此,本文可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
本文是参照根据本文实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的实施例及/或实施方式,仅是用以说明实现本发明技术的较佳实施例及/或实施方式,并非对本发明技术的实施方式作任何形式上的限制,任何本领域技术人员,在不脱离本发明内容所公开的技术手段的范围,当可作些许的更动或修改为其它等效的实施例,但仍应视为与本发明实质相同的技术或实施例。
Claims (10)
1.一种基于MRI图像的度洛西汀镇痛疗效预测方法,其特征在于,包括以下步骤:
S1:获取训练度洛西汀镇痛疗效预测模型的训练集;
所述训练集包括骨关节炎患者服用度洛西汀前的MRI数据以及骨关节炎患者服用度洛西汀预设时间后的MRI数据以及骨关节炎患者的临床评估数据;
所述获取训练所述度洛西汀镇痛疗效预测模型的训练集具体包括:
S1.1:获取所述骨关节炎患者服用度洛西汀前的MRI图像以及骨关节炎患者服用度洛西汀预设时间后的MRI图像;
S1.2 获取所述骨关节炎患者的临床评估数据;
S1.3:根据所述S1.2获取的评估数据评估所述度洛西汀镇痛疗效;
S2:建立度诺西汀镇痛疗效预测模型,并通过所述S1获取的训练集训练所述度诺西汀镇痛疗效预测模型;
S3:分别获取待预测患者服用度洛西汀前后的高分辨率 3D-T2WI图像、静息态 fMRI图像、ASL灌注图像、高分辨率 3D-T1WI图像、DSI图像;并输入至训练好的所述度洛西汀镇痛疗效预测模型中,得到所述待预测患者的度洛西汀的镇痛效果。
2.根据权利要求1所述的基于MRI图像的度洛西汀镇痛疗效预测方法,其特征在于,所述S1中,所述预设时间为6周、7周、8周中的任一时间。
3.根据权利要求1所述的基于MRI图像的度洛西汀镇痛疗效预测方法,其特征在于,所述MRI图像采用使用 Siemens 公司 Prisma 3.0T MR 扫描仪采集,采集通道为64 通道头颈线圈,并采用multi-band 并行采集技术加快扫描时间;
所述骨关节炎患者服用度洛西汀前的MRI图像以及骨关节炎患者服用度洛西汀预设时间后的MRI数据均包括高分辨率 3D-T2WI图像、静息态 fMRI图像、ASL灌注图像、高分辨率3D-T1WI图像、DSI图像。
4.根据权利要求3所述的基于MRI图像的度洛西汀镇痛疗效预测方法,其特征在于,所述高分辨率 3D-T2WI图像采用快速自旋回波序列,TR/TE =3000/299ms,FOV=256mm×256mm,扫描矩阵=256×256,平面分辨率=1mm×1mm,层厚=1mm,间隔=0mm,矢状位采集;
所述静息态 fMRI采用多层激发梯度回波平面成像序列,TR/TE=800/30ms, FOV=222mm×222mm, FA=54°,扫描矩阵=74×74,层厚=3mm,平面分辨率=3mm×3mm,间隔=0mm;
所述ASL灌注采用3D多 激 发 脉 冲 式 连 续 动 脉 自 旋 标 记 技 术,TR/TE=3600/21.8ms, FA=180°,平面分辨率=3.4×3.4mm,层厚=3mm,扫描矩阵=64×64;
所述高分辨率 3D-T1WI:采用双磁化准备快速获得梯度回波序列,TR/TE/=3.41ms/4000ms , FA1/FA2 =4°/5°, TI1/TI2=700ms/2110ms ,FOV=256mm×240mm,扫描矩阵=256×240,平面分辨率=1mm×1mm,层厚=1mm,矢状位采集;
所述DSI采用多层激发自旋回波-回波平面成像(SS-SE-EPI)技术, TR/TE=3200/58ms,FA=90°,FOV=220mm×220mm,扫描矩阵=146×146,平面分辨率=1.5mm×1.5mm,层厚=1.5mm,间隔=0mm,分别在 64 个方向上施加扩散敏感梯度。
5.根据权利要求1所述的基于MRI图像的度洛西汀镇痛疗效预测方法,其特征在于,所述获取所述骨关节炎患者的临床评估数据包括:对所述骨关节炎患者使用所述预设时间的度洛西汀后,获取所述骨关节炎患者的性别、年龄、教育年限,并通过疼痛敏感性量表、疼痛焦虑症状量表、疼痛警觉与觉知量表、疼痛灾难化量表、 ID Pain 以及简版 McGill 疼痛问卷-2获取患者感觉、情感和认知多维度属性的数据,同时使用 VonFrey 及激光疼痛刺激对所述骨关节炎患者病患关节周围皮肤的感觉阈限及疼痛阈限进行测量,从而获取所述骨关节炎患者的临床评估数据。
6.根据权利要求1所述的基于MRI图像的度洛西汀镇痛疗效预测方法,其特征在于,所述S1.3中,所述镇痛疗效包括:镇痛效果好、镇痛效果一般、无镇痛效果。
7.根据权利要求1所述的基于MRI图像的度洛西汀镇痛疗效预测方法,其特征在于,所述S2中,所述度洛西汀镇痛疗效预测模型为卷积神经网络模型;所述卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出层构成。
8.根据权利要求7所述的基于MRI图像的度洛西汀镇痛疗效预测方法,其特征在于,所述卷积层的运算过程的计算公式为:
其中,Al为第l层的输出特征图,(i,j)为所述输出特征图中的第i行、第j列的像素点的位置,b为偏置量,ωl+1为第l+1层卷积模板的权重,Al+1(i,j)为第l+1层卷积模板的权重。
9.根据权利要求1所述的基于MRI图像的度洛西汀镇痛疗效预测方法,其特征在于,所述得到所述待预测患者的度洛西汀的镇痛效果具体包括:度洛西汀对所述待预测患者长期的镇痛效果好、镇痛效果一般、无镇痛效果。
10.一种基于MRI图像的度洛西汀镇痛疗效预测系统,其特征在于,其采用上述的基于MRI图像的度洛西汀镇痛疗效预测方法,所述系统包括:
训练集获取模块,用于获取训练所述度洛西汀镇痛疗效预测模型的训练集;
度诺西汀镇痛疗效预测模型建立模块,用于建立度诺西汀镇痛疗效预测模型,并通过所述S1获取的训练集训练所述度诺西汀镇痛疗效预测模型;
度洛西汀镇痛疗效预测模块,用于获取待预测患者服用度洛西汀前后的高分辨率 3D-T2WI图像、静息态 fMRI图像、ASL灌注图像、高分辨率 3D-T1WI图像、DSI图像;并输入至训练好的所述度洛西汀镇痛疗效预测模型中,预测得到所述待预测患者的度洛西汀的镇痛效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311760522.7A CN117438103A (zh) | 2023-12-20 | 2023-12-20 | 基于mri图像的度洛西汀镇痛疗效预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311760522.7A CN117438103A (zh) | 2023-12-20 | 2023-12-20 | 基于mri图像的度洛西汀镇痛疗效预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117438103A true CN117438103A (zh) | 2024-01-23 |
Family
ID=89552097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311760522.7A Pending CN117438103A (zh) | 2023-12-20 | 2023-12-20 | 基于mri图像的度洛西汀镇痛疗效预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117438103A (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116013543A (zh) * | 2023-01-16 | 2023-04-25 | 厦门大学 | 一种基于深度学习的tace疗效预测方法 |
-
2023
- 2023-12-20 CN CN202311760522.7A patent/CN117438103A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116013543A (zh) * | 2023-01-16 | 2023-04-25 | 厦门大学 | 一种基于深度学习的tace疗效预测方法 |
Non-Patent Citations (5)
Title |
---|
李海蛟,曹崑,郑虹,朱海涛,孙应实: "多序列MRI纹理分析预测宫颈癌新辅助化学治疗疗效", 《中国医学影像技术》, vol. 36, no. 8, 20 August 2020 (2020-08-20), pages 1215 - 1219 * |
查青林;何羿婷;闫小萍;苏励;宋跃进;曾升平;刘维;冯兴华;钱先;朱婉华;林色奇;吕诚;吕爱平;: "基于神经网络分析方法探索类风湿关节炎证病信息对疗效的预测作用", 中西医结合学报, no. 01, 15 January 2007 (2007-01-15), pages 32 - 38 * |
欧阳辉;宋秀豹;王玉苹;朱丽花;史长征;: "综合康复治疗对轻中度膝骨关节炎骨髓水肿的疗效", 暨南大学学报(自然科学与医学版), no. 02, pages 182 - 185 * |
沈倩;: "针灸疗法和双氯芬酸钠乳胶剂治疗老年膝骨性关节炎的对比研究", 针灸临床杂志, no. 07, 20 July 2017 (2017-07-20) * |
耿鹏飞,朱洪章,杨智云: "多参数 MRI 对垂体腺瘤评估的研究进展", 《国际医学放射学杂志》, vol. 42, no. 2, 31 March 2019 (2019-03-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fouragnan et al. | The macaque anterior cingulate cortex translates counterfactual choice value into actual behavioral change | |
Liu et al. | Multi-modality cascaded convolutional neural networks for Alzheimer’s disease diagnosis | |
CN109242849A (zh) | 医学图像处理方法、装置、系统和存储介质 | |
Pruett Jr et al. | Accurate age classification of 6 and 12 month-old infants based on resting-state functional connectivity magnetic resonance imaging data | |
Chaki et al. | Deep learning for neurodegenerative disorder (2016 to 2022): A systematic review | |
US11266376B2 (en) | Premature birth prediction | |
TW201941220A (zh) | 診斷支援裝置、程式製品、記錄有學習完成模型的記錄媒體及學習裝置 | |
Colas et al. | Reinforcement learning with associative or discriminative generalization across states and actions: fMRI at 3 T and 7 T | |
WO2024015938A1 (en) | Generating functional brain mappings and accompanying reference information | |
CN111798452A (zh) | 颈动脉手持超声图像分割方法、系统及装置 | |
CN117438103A (zh) | 基于mri图像的度洛西汀镇痛疗效预测方法及系统 | |
Goutham et al. | Brain tumor classification using Efficientnet-B0 model | |
Gulamhussene et al. | Transfer-learning is a key ingredient to fast deep learning-based 4D liver MRI reconstruction | |
Pant et al. | GUI-based Alzheimer’s disease screening system using deep convolutional neural network | |
CN109480842B (zh) | 用于诊断功能性消化不良的系统及设备 | |
Shetty et al. | Alzheimer’s Diseases Detection by using Convolution Neural Network | |
Abd Algani et al. | Innovative Method for Alzheimer Disease Prediction using GP-ELM-RNN | |
US11399757B1 (en) | Medical imaging with features to determine emotional state | |
US20240016439A1 (en) | Generating functional brain mappings and accompanying reference information | |
KR102658654B1 (ko) | 발달장애아동 통합 교육지원 서비스 제공 방법 | |
Hussein | Comparison of various machine learning regression models based on Human age prediction | |
Kadar et al. | Challenges in Deep Learning Applied to the Knee Joint Magnetic Resonance Imaging: A Survey | |
US20240173012A1 (en) | Artificial Intelligence System for Determining Clinical Values through Medical Imaging | |
US20240173011A1 (en) | Artificial Intelligence System for Determining Expected Drug Use Benefit through Medical Imaging | |
Dara | Deep Learning Diagnosis of Parkinson's Disease |
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 |