CN117457222A - 阿尔茨海默症大脑萎缩模型构建方法、预测方法及装置 - Google Patents
阿尔茨海默症大脑萎缩模型构建方法、预测方法及装置 Download PDFInfo
- Publication number
- CN117457222A CN117457222A CN202311782235.6A CN202311782235A CN117457222A CN 117457222 A CN117457222 A CN 117457222A CN 202311782235 A CN202311782235 A CN 202311782235A CN 117457222 A CN117457222 A CN 117457222A
- Authority
- CN
- China
- Prior art keywords
- image data
- magnetic resonance
- brain atrophy
- alzheimer
- resonance image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 208000024806 Brain atrophy Diseases 0.000 title claims abstract description 205
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000010276 construction Methods 0.000 title claims abstract description 13
- 230000036541 health Effects 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000006870 function Effects 0.000 claims description 24
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 16
- 206010003694 Atrophy Diseases 0.000 description 12
- 230000037444 atrophy Effects 0.000 description 12
- 210000004556 brain Anatomy 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 210000004884 grey matter Anatomy 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000007170 pathology Effects 0.000 description 6
- 238000003786 synthesis reaction Methods 0.000 description 6
- 238000013519 translation Methods 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008485 antagonism Effects 0.000 description 4
- 230000002194 synthesizing effect Effects 0.000 description 4
- 239000000090 biomarker Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 210000004727 amygdala Anatomy 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000002598 diffusion tensor imaging Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000001320 hippocampus Anatomy 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 210000004885 white matter Anatomy 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 208000031124 Dementia Alzheimer type Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036995 brain health Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 208000027061 mild cognitive impairment Diseases 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000007171 neuropathology Effects 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 239000007787 solid Substances 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请提供阿尔茨海默症大脑萎缩模型构建方法、预测方法及装置，涉及健康信息处理技术领域，构建方法包括：构建由健康人的磁共振图像数据集和各个阿尔茨海默症患者的磁共振图像数据构成的混合数据集；采用混合数据集和健康人的磁共振图像数据集训练阿尔茨海默症大脑萎缩模型，以提取混合数据集的伪健康特征并输出伪健康图像数据，基于混合数据集提取个体大脑萎缩特征并输出个体大脑萎缩预测图像数据，并基于伪健康特征和个体大脑萎缩特征重建混合数据集。本申请能够有效提高阿尔茨海默症大脑萎缩模型的泛化能力及适用范围，进而能够有效提高采用阿尔茨海默症大脑萎缩模型进行大脑萎缩辅助预测的准确性及有效性。
Description
技术领域
本申请涉及健康信息处理技术领域，尤其涉及阿尔茨海默症大脑萎缩模型构建方法、预测方法及装置。
背景技术
异质性是阿尔茨海默症(Alzheimer Disease, AD) 表现和进展的一个潜在特征。在潜在的神经病理学、遗传风险因素、生物标志物以及临床和行为表现中都观察到了变异性，这强化了每个阿尔茨海默症患者都是独一无二的观点。然而，在研究阿尔茨海默症时，捕捉这种异质性是很有挑战性的，而且通常不会尝试。
目前常用的阿尔茨海默症大脑萎缩模型构建方法主要包括规范化建模和图像翻译的方法。规范化建模包括使用独立的大型健康参与者参考数据集，可以基于年龄和性别对指标（例如不同脑区皮质厚度）的空间规范模型进行统计学建模计算一个正常人群体的正态分布。接下来，这些模型的参数将使用研究中的子样本患者队列(例如阿尔茨海默患者和扫描匹配的对照)的指标测量值进行校准。由此，将为每个脑区生成相对于正常范围的z-评分，从而形成剩余实验样本中每个参与者的大脑皮质厚度“z-评分图”。这些z-评分图随后可用于各种研究。例如，可以根据这些神经解剖模式将患者聚类，以提供具有不同临床或生物标志物特征的生物学相关亚型。基于图像翻译的方法从图像翻译的角度伪健康合成图像，在训练阶段，这些方法将病理图像与相应的图像级或体素级病理注释一起引入，学习将病理图像映射为伪健康图像的图像转换过程，采用原始图像与伪健康图像之差计算个体的差异。
然而，规范化建模其局限性在于采用大规模的正常人脑影像数据，处理这些数据需要耗费大量的时间以及计算资源，且规范化建模假设过于理想化，使得其模型的适用范围以及预测准确性受限。且基于图像翻译的方法获取的个体化萎缩模型对于域偏移的泛化能力也较差。
发明内容
鉴于此，本申请实施例提供了阿尔茨海默症大脑萎缩模型构建方法、预测方法及装置，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症大脑萎缩模型构建方法，包括：
分别构建由各个非阿尔茨海默症患者各自的磁共振图像数据构成的健康人的磁共振图像数据集，以及由该健康人的磁共振图像数据集和各个阿尔茨海默症患者各自的磁共振图像数据构成的混合数据集；
采用所述混合数据集和所述健康人的磁共振图像数据集训练预设的基于生成对抗网络的阿尔茨海默症大脑萎缩模型，以使该阿尔茨海默症大脑萎缩模型用于基于所述混合数据集和所述健康人的磁共振图像数据集提取所述混合数据集对应的伪健康特征并对应输出伪健康图像数据，基于所述混合数据集提取对应的个体大脑萎缩特征并对应输出个体大脑萎缩预测图像数据，并基于所述伪健康特征和所述个体大脑萎缩特征重建所述混合数据集中的各个磁共振图像数据。
在本申请的一些实施例中，所述阿尔茨海默症大脑萎缩模型包括：依次连接的第一支路、第二支路和第三支路；
所述第一支路中设有所述生成对抗网络，用于基于所述混合数据集和所述健康人的磁共振图像数据集训练所述生成对抗网络，以使得所述生成对抗网络用于输出所述混合数据集对应的伪健康特征并对应输出伪健康图像数据；
所述第二支路用于自所述第一支路接收所述混合数据集对应的伪健康特征，并自所述第三支路接收所述混合数据集对应的个体大脑萎缩特征，再基于所述伪健康特征和所述个体大脑萎缩特征重建所述混合数据集；
所述第三支路用于基于所述混合数据集提取对应的个体大脑萎缩特征并对应输出个体大脑萎缩预测图像数据。
在本申请的一些实施例中，所述第一支路中的所述生成对抗网络包括：依次连接的第一编码器、第一解码器和判别器；
所述第一编码器用于提取输入的所述混合数据集中的各个磁共振图像数据各自对应的伪健康特征；
所述第一解码器用于根据所述第一编码器输出的各个磁共振图像数据各自对应的伪健康特征，基于第一损失函数分别生成各个磁共振图像数据各自对应的伪健康图像数据；
所述判别器用于接收所述健康人的磁共振图像数据集，并根据所述健康人的磁共振图像数据集中的各个磁共振图像数据分别对所述第一解码器输出的各个磁共振图像数据各自对应的伪健康图像数据进行判别，以使所述生成对抗网络用于无法区分所述健康人的磁共振图像数据集中的各个磁共振图像数据和所述伪健康图像数据。
在本申请的一些实施例中，所述第二支路包括：第二解码器；
所述第二解码器用于根据自所述第一支路接收所述混合数据集对应的伪健康特征，并自所述第三支路接收所述混合数据集对应的个体大脑萎缩特征，基于第二损失函数对应生成所述混合数据集中的各个磁共振图像数据各自对应的重建磁共振图像数据，以得到重建后的所述混合数据集；
其中，同一磁共振图像数据对应的重建磁共振图像数据和个体大脑萎缩预测图像数据的合并结果数据与该磁共振图像数据对应的伪健康图像数据相同。
在本申请的一些实施例中，所述第三支路包括：相接的第二编码器和第三解码器；
所述第二编码器用于提取输入的所述混合数据集中的各个磁共振图像数据各自对应的个体大脑萎缩特征；
所述第三解码器用于根据所述第二编码器输出的各个磁共振图像数据各自对应的个体大脑萎缩特征，基于第三损失函数分别生成各个磁共振图像数据各自对应的个体大脑萎缩预测图像数据，其中，所述个体大脑萎缩特征包括残差特征，所述个体大脑萎缩预测图像数据包括残差图像数据。
在本申请的一些实施例中，在所述分别构建由各个非阿尔茨海默症患者各自的磁共振图像数据构成的健康人的磁共振图像数据集，以及由该健康人的磁共振图像数据集和各个阿尔茨海默症患者各自的磁共振图像数据构成的混合数据集之前，还包括：
获取各个非阿尔茨海默症患者以及各个阿尔茨海默症患者各自的原始磁共振成像数据；
对各个所述原始磁共振成像数据依次进行图像预处理、数据清洗及数据归一化处理，以得到各个所述原始磁共振成像数据各自对应的磁共振图像数据。
本申请的另一个方面提供了一种阿尔茨海默症风险预测方法，包括：
获取目标用户的磁共振图像数据；
将所述目标用户的磁共振图像数据输入阿尔茨海默症大脑萎缩模型，以使该阿尔茨海默症大脑萎缩模型输出所述目标用户的磁共振图像数据分别对应的伪健康图像数据、个体大脑萎缩预测图像数据以及重建磁共振图像数据，其中，所述阿尔茨海默症大脑萎缩模型预先基于所述阿尔茨海默症大脑萎缩模型构建方法训练得到；
输出所述目标用户的伪健康图像数据和个体大脑萎缩预测图像数据以进行针对所述目标用户的阿尔茨海默症风险预测。
本申请的第三个方面提供了一种阿尔茨海默症大脑萎缩模型训练装置，包括：
数据集构建模块，用于分别构建由各个非阿尔茨海默症患者各自的磁共振图像数据构成的健康人的磁共振图像数据集，以及由该健康人的磁共振图像数据集和各个阿尔茨海默症患者各自的磁共振图像数据构成的混合数据集；
模型训练模块，用于采用所述混合数据集和所述健康人的磁共振图像数据集训练预设的基于生成对抗网络的阿尔茨海默症大脑萎缩模型，以使该阿尔茨海默症大脑萎缩模型用于基于所述混合数据集和所述健康人的磁共振图像数据集提取所述混合数据集对应的伪健康特征并对应输出伪健康图像数据，基于所述混合数据集提取对应的个体大脑萎缩特征并对应输出个体大脑萎缩预测图像数据，并基于所述伪健康特征和所述个体大脑萎缩特征重建所述混合数据集中的各个磁共振图像数据。
本申请的第四个方面提供了一种阿尔茨海默症风险预测装置，包括：
数据获取模块，用于获取目标用户的磁共振图像数据；
模型预测模块，用于将所述目标用户的磁共振图像数据输入阿尔茨海默症大脑萎缩模型，以使该阿尔茨海默症大脑萎缩模型输出所述目标用户的磁共振图像数据分别对应的伪健康图像数据、个体大脑萎缩预测图像数据以及重建磁共振图像数据，其中，所述阿尔茨海默症大脑萎缩模型预先基于所述阿尔茨海默症大脑萎缩模型构建方法训练得到；
结果输出模块，用于输出所述目标用户的伪健康图像数据和个体大脑萎缩预测图像数据以进行针对所述目标用户的阿尔茨海默症风险预测；
以及，数据存储模块，用于将所述重建磁共振图像数据存储至用于迭代更新所述阿尔茨海默症大脑萎缩模型的数据集中。
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阿尔茨海默症大脑萎缩模型构建方法，或者，实现所述阿尔茨海默症风险预测方法。
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阿尔茨海默症大脑萎缩模型构建方法，或者，实现所述阿尔茨海默症风险预测方法。
本申请提供的阿尔茨海默症大脑萎缩模型构建方法，分别构建由各个非阿尔茨海默症患者各自的磁共振图像数据构成的健康人的磁共振图像数据集，以及由该健康人的磁共振图像数据集和各个阿尔茨海默症患者各自的磁共振图像数据构成的混合数据集，使得本申请仅需采用部分健康数据，将其与非阿尔茨海默症患者的磁共振图像数据生成混合数据集来训练模型，无法快速采集及处理大规模的健康数据，阿尔茨海默症有效降低数据处理阶段的时间消耗；采用所述混合数据集和所述健康人的磁共振图像数据集训练预设的基于生成对抗网络的阿尔茨海默症大脑萎缩模型，以使该阿尔茨海默症大脑萎缩模型用于基于所述混合数据集和所述健康人的磁共振图像数据集提取所述混合数据集对应的伪健康特征并对应输出伪健康图像数据，基于所述混合数据集提取对应的个体大脑萎缩特征并对应输出个体大脑萎缩预测图像数据，并基于所述伪健康特征和所述个体大脑萎缩特征重建所述混合数据集中的各个磁共振图像数据，进而能够采用生成对抗网络实现阿尔茨海默症的个体大脑萎缩模型，采用生成对抗网络和特征解耦技术合成伪健康图像，重建原始输入和合成个体萎缩图，以解耦表征学习的技术学习输入图像对应的最优潜在表征实现模型对于域偏移具备良好的泛化能力，能够有效提高阿尔茨海默症大脑萎缩模型的泛化能力及适用范围，进而能够有效提高采用阿尔茨海默症大脑萎缩模型进行大脑萎缩辅助预测的准确性及有效性。
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症大脑萎缩模型构建方法的流程示意图。
图2为本申请一实施例中的阿尔茨海默症大脑萎缩模型的架构示意图。
图3为本申请一实施例中的阿尔茨海默症风险预测方法的流程示意图。
图4为本申请一举例中的生成器的架构示意图。
图5为本申请一举例中的判别器的架构示意图。
图6为本申请一举例中的下采样卷积层的架构示意图。
图7为本申请一举例中的上采样卷积层的架构示意图。
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。
首先需要说明的是，阿尔茨海默症(Alzheimer Disease, AD)是最常见的老年神经变性病；AD 的患病率及经济负担呈20 年翻一番的增长趋势。但是迄今为止没有一种稳定的生物标志物可用于辅助诊断及指导干预AD的疾病进程，主要是由于AD存在较大的个体异质性。既往研究大多分析方法关注群体的平均值(“平均患者”)，并将个体差异主要视为噪声。
规范化建模包括计算一个正常人群体的正态分布，然后评估个体与相应分布的偏离程度。个体偏离标准的程度可以在整个大脑的各个区域进行空间映射，从而提供个体变异性的特殊映射。这些“z评分”可以进一步总结，以提供患者水平的偏差指数，该指数可能反映他们的总体大脑健康状况。有学者评估了AD患者、轻度认知障碍患者(MCI)和健康对照者的个体皮质厚度异质性模式，在AD患者之间神经解剖学的模式有显著差异，其中AD患者海马旁回异常率最高。然而，规范化建模可以实现对于AD患者大脑的异常偏离度量，但其也具有一定的局限性。其局限性主要包括需要大规模的正常人脑影像数据，对这些数据进行采集和处理需要耗费大量的时间以及计算资源；
而基于图像翻译的方法从图像翻译的角度伪健康合成图像，采用两者之差计算个体的差异。在训练阶段，这些方法将病理图像与相应的图像级或体素级病理注释一起引入，学习将病理图像映射为伪健康图像的图像转换过程。有学者提出了基于GAN的方法生成伪健康图像，该方法由一个发生器和一个鉴别器组成。生成器的任务是在保持受试者身份的同时合成健康图像，而判别器的任务是将合成图像与不配对的健康图像进行区分。该方法仅使用图像级标注，不能准确翻译病理像素并保留健康像素。
基于此，为了解决现有的阿尔茨海默症大脑萎缩模型构建方法存在的泛化能力较差以及准确性较差等问题，本申请实施例分别提供一种阿尔茨海默症大脑萎缩模型构建方法、用于执行该阿尔茨海默症大脑萎缩模型构建方法的阿尔茨海默症大脑萎缩模型训练装置、阿尔茨海默症风险预测方法、用于执行该阿尔茨海默症风险预测方法的阿尔茨海默症大脑萎缩装置、实体设备和计算机可读存储介质，通过解耦学习学习与输入图像对应的最优潜在表征；同时模型对于域偏移拥有较好的泛化能力。
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症大脑萎缩模型训练装置实现的阿尔茨海默症大脑萎缩模型训练方法，参见图1，所述阿尔茨海默症大脑萎缩模型构建方法具体包含有如下内容：
步骤100：分别构建由各个非阿尔茨海默症患者各自的磁共振图像数据构成的健康人的磁共振图像数据集，以及由该健康人的磁共振图像数据集和各个阿尔茨海默症患者各自的磁共振图像数据构成的混合数据集。
在本申请的一个或多个实施例中，用于训练阿尔茨海默症大脑萎缩模型的训练用数据是指所述混合数据集，该混合数据集可简写为“Input X”，在该混合数据集中包含有健康人的磁共振图像数据集和各个阿尔茨海默症患者各自的磁共振图像数据，其中，所述健康人的磁共振图像数据集可简写为“NormalInput X1”，其中，“Normal”指代健康人或非阿尔茨海默症患者，“Abnormal”指代阿尔茨海默症患者。
可以理解的是，不管是正常人或者阿尔茨海默症患者都会出现大脑的萎缩，阿尔茨海默症患者的萎缩更加严重，而正常人个体萎缩轻微。
步骤200：采用所述混合数据集和所述健康人的磁共振图像数据集训练预设的基于生成对抗网络的阿尔茨海默症大脑萎缩模型，以使该阿尔茨海默症大脑萎缩模型用于基于所述混合数据集和所述健康人的磁共振图像数据集提取所述混合数据集对应的伪健康特征并对应输出伪健康图像数据，基于所述混合数据集提取对应的个体大脑萎缩特征并对应输出个体大脑萎缩预测图像数据，并基于所述伪健康特征和所述个体大脑萎缩特征重建所述混合数据集中的各个磁共振图像数据。
也就是说，经步骤200训练得到的阿尔茨海默症大脑萎缩模型，包含有三路输出：
（1）第一路输出：伪健康图像数据；
（3）第二路输出：重建后的所述混合数据集中的各个磁共振图像数据；
（2）第三路输出：个体大脑萎缩预测图像数据。
其中，对于某一用户的个体大脑萎缩预测图像数据，可以采用预设的个体大脑萎缩图像计算个体萎缩图像的重点区域的萎缩值，例如海马体和杏仁核，来确定该个体大脑萎缩预测图像数据对应的阿尔茨海默症风险预测分数，而后可以输出该阿尔茨海默症风险预测分数以供辅助评估该用户对应的阿尔茨海默症风险。
在一种举例中，还可以直接输出所述用户的个体大脑萎缩预测图像数据和伪健康图像数据，以使查验者能够基于该用户的个体大脑萎缩预测图像数据和伪健康图像数据之间直观的差异对照结果来评估该用户是否存在阿尔茨海默症风险。
另外，还可以采用重建后的所述混合数据集中的各个磁共振图像数据对训练用数据进行数据增强处理，重建后的数据可以用作其他的下游任务的训练，例如阿尔茨海默症和正常人的分类任务中。
从上述描述可知，本申请实施例提供的阿尔茨海默症大脑萎缩模型构建方法，仅需采用部分健康数据，将其与非阿尔茨海默症患者的磁共振图像数据生成混合数据集来训练模型，无法采集及处理大规模的健康数据，阿尔茨海默症有效降低数据处理阶段的计算复杂度；通过采用生成对抗网络实现阿尔茨海默症的个体大脑萎缩模型，采用生成对抗网络和特征解耦技术合成伪健康图像，重建原始输入和合成个体萎缩图，以解耦表征学习的技术学习输入图像对应的最优潜在表征实现模型对于域偏移具备良好的泛化能力，能够有效提高阿尔茨海默症大脑萎缩模型的泛化能力及适用范围，进而能够有效提高采用阿尔茨海默症大脑萎缩模型进行大脑萎缩辅助预测的准确性及有效性。
为了进一步提高阿尔茨海默症大脑萎缩模型的泛化能力及适用广泛性，在本申请实施例提供的一种阿尔茨海默症大脑萎缩模型构建方法中，所述阿尔茨海默症大脑萎缩模型构建方法中的所述阿尔茨海默症大脑萎缩模型具体包含有如下内容：
依次连接的第一支路、第二支路和第三支路；
所述第一支路中设有所述生成对抗网络，用于基于所述混合数据集和所述健康人的磁共振图像数据集训练所述生成对抗网络，以使得所述生成对抗网络用于输出所述混合数据集对应的伪健康特征并对应输出伪健康图像数据；
所述第二支路用于自所述第一支路接收所述混合数据集对应的伪健康特征，并自所述第三支路接收所述混合数据集对应的个体大脑萎缩特征，再基于所述伪健康特征和所述个体大脑萎缩特征重建所述混合数据集；
所述第三支路用于基于所述混合数据集提取对应的个体大脑萎缩特征并对应输出个体大脑萎缩预测图像数据。
基于此，为了有效提高第一支路训练所述生成对抗网络，以使得所述生成对抗网络用于输出所述混合数据集对应的伪健康特征并对应输出伪健康图像数据的有效性及可靠性，在本申请实施例提供的一种阿尔茨海默症大脑萎缩模型构建方法中，所述第一支路中的所述生成对抗网络具体包含有如下内容：
依次连接的第一编码器、第一解码器和判别器；
所述第一编码器用于提取输入的所述混合数据集中的各个磁共振图像数据各自对应的伪健康特征。
所述第一解码器用于根据所述第一编码器输出的各个磁共振图像数据各自对应的伪健康特征，基于第一损失函数分别生成各个磁共振图像数据各自对应的伪健康图像数据；
所述判别器用于接收所述健康人的磁共振图像数据集，并根据所述健康人的磁共振图像数据集中的各个磁共振图像数据分别对所述第一解码器输出的各个磁共振图像数据各自对应的伪健康图像数据进行判别，以使所述生成对抗网络用于无法区分所述健康人的磁共振图像数据集中的各个磁共振图像数据和所述伪健康图像数据。
其中，参见图2，所述第一编码器可简写为EG，所述第一解码器可简写为DG，所述判别器（Discriminator）可简写为D。第一支路也可以写为健康磁共振成像合成支路（NormalMRI synthesis）。所述伪健康特征可简写为Cz。所述第一损失函数可简写为Ltv，伪健康图像数据可简写为Pseudo-healthyX1’，判别器采用的损失函数可以写为LD，其中的Real HC表示判别器给出的真实数据的概率，FakeHC表示判别器给出的合成数据的概率。
为了有效提高第二支路基于所述伪健康特征和所述个体大脑萎缩特征重建所述混合数据集的有效性及可靠性，在本申请实施例提供的一种阿尔茨海默症大脑萎缩模型构建方法中，所述第二支路具体包含有如下内容：
第二解码器；所述第二解码器用于根据自所述第一支路接收所述混合数据集对应的伪健康特征，并自所述第三支路接收所述混合数据集对应的个体大脑萎缩特征，基于第二损失函数对应生成所述混合数据集中的各个磁共振图像数据各自对应的重建磁共振图像数据，以得到重建后的所述混合数据集；
其中，同一磁共振图像数据对应的重建磁共振图像数据和个体大脑萎缩预测图像数据的合并结果数据与该磁共振图像数据对应的伪健康图像数据相同。
其中，参见图2，所述第二解码器可简写为DJ，个体大脑萎缩特征可简写为Ca，第二损失函数可写为L1，重建后的所述混合数据集可写为Input X1’ 。
可以理解的是，重建后的所述混合数据集Input X1’ 中的某一用户的重建磁共振图像数据与第三支出输出的该用户的个体大脑萎缩预测图像数据（可简写为“Residualmap a”）的二者基于某损失函数L2合并后的合并结果，与第一支路输出的该用户的伪健康图像数据Pseudo-healthy X1’相同。
为了有效提高第三支路基于所述混合数据集提取对应的个体大脑萎缩特征并对应输出个体大脑萎缩预测图像数据的有效性及可靠性，在本申请实施例提供的一种阿尔茨海默症大脑萎缩模型构建方法中，所述第三支路具体包含有如下内容：
相接的第二编码器和第三解码器；
所述第二编码器用于提取输入的所述混合数据集中的各个磁共振图像数据各自对应的个体大脑萎缩特征；
所述第三解码器用于根据所述第二编码器输出的各个磁共振图像数据各自对应的个体大脑萎缩特征，基于第三损失函数分别生成各个磁共振图像数据各自对应的个体大脑萎缩预测图像数据，其中，所述个体大脑萎缩特征包括残差特征，所述个体大脑萎缩预测图像数据包括残差图像数据。
其中，参见图2，第二编码器可简写为EA，第三解码器可简写为DA，第三支路也可以写为残差映射合成支路（Residual map synthesis），第三损失函数可简写为L3。
为了进一步提高阿尔茨海默症大脑萎缩模型的训练效率及有效性，在本申请实施例提供的一种阿尔茨海默症大脑萎缩模型构建方法中，所述阿尔茨海默症大脑萎缩模型构建方法中的步骤100之前还具体包含有如下内容：
步骤010：获取各个非阿尔茨海默症患者以及各个阿尔茨海默症患者各自的原始磁共振成像数据；
步骤020：对各个所述原始磁共振成像数据依次进行图像预处理、数据清洗及数据归一化处理，以得到各个所述原始磁共振成像数据各自对应的磁共振图像数据。
具体来说，
图像预处理可以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。
在一种举例中，数据清洗及数据归一化处理可以包含有：截断数据寻找所用数据的99.9%的阈值，将大于阈值的数字赋值为阈值。将数据归一化至[-1,1]。
基于上述阿尔茨海默症大脑萎缩模型构建方法的实施例，本申请还提供一种阿尔茨海默症风险预测方法的实施例，参见图3，所述阿尔茨海默症风险预测方法具体包含有如下内容：
步骤300：获取目标用户的磁共振图像数据。
步骤400：将所述目标用户的磁共振图像数据输入阿尔茨海默症大脑萎缩模型，以使该阿尔茨海默症大脑萎缩模型输出所述目标用户的磁共振图像数据分别对应的伪健康图像数据、个体大脑萎缩预测图像数据以及重建磁共振图像数据，其中，所述阿尔茨海默症大脑萎缩模型预先基于所述阿尔茨海默症大脑萎缩模型构建方法训练得到。
步骤500：输出所述目标用户的伪健康图像数据和个体大脑萎缩预测图像数据以进行针对所述目标用户的阿尔茨海默症风险预测。例如，可以计算个体萎缩图像的重点区域的萎缩值，例如海马体和杏仁核。采用这些重点区域的萎缩值作为阿尔茨海默症风险预测。
从上述描述可知，本申请实施例提供的阿尔茨海默症风险预测方法，能够有效提高采用阿尔茨海默症大脑萎缩模型进行大脑萎缩辅助预测的准确性及有效性。
为了进一步说明上述方案，本申请还提供一种阿尔茨海默症大脑萎缩模型训练以及阿尔茨海默症风险预测方法的具体应用实例，正常人的灰质体积图像等于病人的灰质体积图像与残差部分的灰质体积图像的合并结果，具体包含有如下内容：
S1：获取原始的磁共振图像。
具体来说，S1 获取的结构磁共振成像，文件格式为nii。
S2：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。
S3: 数据清洗及归一化处理。
数据清洗：截断数据寻找所用数据的99.9%的阈值，将大于阈值的数字赋值为阈值。将数据归一化至[-1,1]。
S4：构建生成对抗网络的阿尔茨海默症大脑萎缩模型。
构建生成对抗网络的阿尔茨海默症大脑萎缩模型。该模型输入为原始图像（正常人和病人都可以），将输入送入两个编码器模型，得到AD个体特异性的特征和AD和正常人共享的特征。然后通过两个解码器将这两部分的特征分别合成伪健康图像和个体的萎缩图，其次将上述两部分的特征合并然后重建原始的图像。采用判别器进行判别合成的伪健康图像与真实的健康图像，训练判别器，直至判别器无法判断合成的伪健康图像与真实的健康图像。
图2中的EG和EA可以共用如图4所示的生成器（Generator G）中的编码器（Encoder），图2中的EG和EA可以共用如图4所示的生成器（Generator G）中的解码器（Decoder），判别器（Discriminator）D的模型架构如图5所示。
在图4和图5中，“Resnet block”表示残差块，“Concat”表示Concat函数，用于连接两个或多个数组。“Conv”表示卷积层，“tanh”表示反正切函数；“real”表示真，“fake”表示假。
其中，DCB（downsampling convolution block）表示下采样卷积层，具体由图6所示的依次连接的一个卷积层conv、一个标准化层IN以及一个激活函数leaky relu组成。
其中，UCB（upsampling convolution block）表示上采样卷积层，具体由图7所示的依次连接的一个上采样层upsampling、一个标准化层IN以及一个激活函数leaky relu组成。
模型整体输入包括正常人的MRI影像（即Normal Input X1）以及一组正常人和病人的影像（即Input X），同时输入至第一支路和第三支路。Input X输入第一支路首先经过第一编码器EG 得到伪健康特征，然后通过第一解码器得到伪健康图像。为了确保伪健康图像的健康性，使用输入的正常人MRI影像与伪健康图像一起放入至判别器D中，训练模型直至不能区分是合成的图像还是真实的健康图像。Input X输入第三支路首先经过第二编码器EA得到残差特征，然后通过第三解码器得到残差部分图像。中间第二支路的[Cz，Ca]表示将两部分的特征相融合，然后重建原始的输入Input X以得到Input X’。
构建结果：整体模型输出三个图像，第一支路输出伪健康图像，第三支路输出残差图像，第二支路输出Input X’。
构建之后应用过程：1. 可以得到Input X在健康状况下的伪健康图像，对比MRI影像哪些区域发生变化。2. 根据生成的伪健康图像和重建的Input X可以作为一种数据增强的手段。
S5：评估正常人与患者的个体风险分数。
将正常人与患者输入至生成对抗网络的阿尔茨海默症大脑萎缩模型，根据个体的萎缩图判断个体的风险分数。
本申请应用实例可以使用UNet结构构建伪健康图像和残差合成模块，也可以采用基于编码解码的模型结构，本申请应用实例可以使用灰质密度图像、灰质体积图像、核磁共振成像中的T1图像或者T2图像作为或替换本申请上述实施例提及的磁共振图像数据。
本申请应用实例可以使用99.9%数据截断的数据预处理方法，该99.9%可根据实际应用情形设置为其他的数值。
基于此，本申请应用实例采用生成对抗网络可以同时合成正常人和病人的伪健康图像，合成个体的变化图，以及重建原始图像。可以实现合成正常人和病人图像用作数据增强的方法之一。本申请应用实例采用特征解耦方法实现解耦病人特异的特征和与正常人共享的特征。特征解耦的方法对于域偏移具有较好的泛化能力。
本申请应用实例提供的阿尔茨海默症大脑萎缩模型训练以及阿尔茨海默症风险预测方法，采用生成对抗网络实现阿尔茨海默症的个体萎缩模型和风险预警。采用生成对抗网络和特征解耦技术合成伪健康图像，重建原始输入和合成个体萎缩图，根据个体萎缩图判断疾病的风险预警。以解耦表征学习的技术学习输入图像对应的最优潜在表征，实现模型对于域偏移具备良好的泛化能力。具有如下有益效果：
1.基于生成对抗网络的阿尔茨海默症个体化大脑萎缩模型及风险预警，采用特征解耦方法获取个体的萎缩模型；
2.目前使用的数据灰质密度图像，但不仅局限于灰质密度图像，可以输入T1图像等等。
3.个体风险预测：以往的方法基本为分类任务，而本方法结合生成对抗网络生成基于体素的个体萎缩图，可以在体素水平衡量个体的萎缩情况。
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症大脑萎缩模型构建方法中全部或部分内的阿尔茨海默症大脑萎缩模型训练装置，所述阿尔茨海默症大脑萎缩模型训练装置具体包含有如下内容：
数据集构建模块，用于分别构建由各个非阿尔茨海默症患者各自的磁共振图像数据构成的健康人的磁共振图像数据集，以及由该健康人的磁共振图像数据集和各个阿尔茨海默症患者各自的磁共振图像数据构成的混合数据集；
模型训练模块，用于采用所述混合数据集和所述健康人的磁共振图像数据集训练预设的基于生成对抗网络的阿尔茨海默症大脑萎缩模型，以使该阿尔茨海默症大脑萎缩模型用于基于所述混合数据集和所述健康人的磁共振图像数据集提取所述混合数据集对应的伪健康特征并对应输出伪健康图像数据，基于所述混合数据集提取对应的个体大脑萎缩特征并对应输出个体大脑萎缩预测图像数据，并基于所述伪健康特征和所述个体大脑萎缩特征重建所述混合数据集中的各个磁共振图像数据。
本申请提供的阿尔茨海默症大脑萎缩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症大脑萎缩模型构建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症大脑萎缩模型构建方法实施例的详细描述。
所述阿尔茨海默症大脑萎缩模型训练装置进行阿尔茨海默症大脑萎缩模型训练的部分可以在服务器中执行，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，用于阿尔茨海默症大脑萎缩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症大脑萎缩模型训练装置，仅需采用部分健康数据，将其与非阿尔茨海默症患者的磁共振图像数据生成混合数据集来训练模型，无法采集及处理大规模的健康数据，阿尔茨海默症有效降低数据处理阶段的计算复杂度；通过采用生成对抗网络实现阿尔茨海默症的个体大脑萎缩模型，采用生成对抗网络和特征解耦技术合成伪健康图像，重建原始输入和合成个体萎缩图，以解耦表征学习的技术学习输入图像对应的最优潜在表征实现模型对于域偏移具备良好的泛化能力，能够有效提高阿尔茨海默症大脑萎缩模型的泛化能力及适用范围，进而能够有效提高采用阿尔茨海默症大脑萎缩模型进行大脑萎缩辅助预测的准确性及有效性。
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症风险预测方法中全部或部分内的阿尔茨海默症风险预测装置，所述阿尔茨海默症风险预测装置具体包含有如下内容：
数据获取模块，用于获取目标用户的磁共振图像数据。
模型预测模块，用于将所述目标用户的磁共振图像数据输入阿尔茨海默症大脑萎缩模型，以使该阿尔茨海默症大脑萎缩模型输出所述目标用户的磁共振图像数据分别对应的伪健康图像数据、个体大脑萎缩预测图像数据以及重建磁共振图像数据，其中，所述阿尔茨海默症大脑萎缩模型预先基于所述阿尔茨海默症大脑萎缩模型构建方法训练得到。
结果输出模块，用于输出所述目标用户的伪健康图像数据和个体大脑萎缩预测图像数据以进行针对所述目标用户的阿尔茨海默症风险预测。
以及，数据存储模块，用于将所述重建磁共振图像数据存储至用于迭代更新所述阿尔茨海默症大脑萎缩模型的数据集中。
从上述描述可知，本申请实施例提供的阿尔茨海默症风险预测装置，能够有效提高采用阿尔茨海默症大脑萎缩模型进行大脑萎缩辅助预测的准确性及有效性。
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症大脑萎缩模型训练或者阿尔茨海默症风险预测方法，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症大脑萎缩模型训练或者阿尔茨海默症风险预测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症大脑萎缩模型训练或者阿尔茨海默症风险预测方法。
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症大脑萎缩模型训练或者阿尔茨海默症风险预测方法。
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症大脑萎缩模型训练或者阿尔茨海默症风险预测方法的步骤。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 (10)
1.一种阿尔茨海默症大脑萎缩模型构建方法，其特征在于，包括：
分别构建由各个非阿尔茨海默症患者各自的磁共振图像数据构成的健康人的磁共振图像数据集，以及由该健康人的磁共振图像数据集和各个阿尔茨海默症患者各自的磁共振图像数据构成的混合数据集；
采用所述混合数据集和所述健康人的磁共振图像数据集训练预设的基于生成对抗网络的阿尔茨海默症大脑萎缩模型，以使该阿尔茨海默症大脑萎缩模型用于基于所述混合数据集和所述健康人的磁共振图像数据集提取所述混合数据集对应的伪健康特征并对应输出伪健康图像数据，基于所述混合数据集提取对应的个体大脑萎缩特征并对应输出个体大脑萎缩预测图像数据，并基于所述伪健康特征和所述个体大脑萎缩特征重建所述混合数据集中的各个磁共振图像数据。
2.根据权利要求1所述的阿尔茨海默症大脑萎缩模型构建方法，其特征在于，所述阿尔茨海默症大脑萎缩模型包括：依次连接的第一支路、第二支路和第三支路；
所述第一支路中设有所述生成对抗网络，用于基于所述混合数据集和所述健康人的磁共振图像数据集训练所述生成对抗网络，以使得所述生成对抗网络用于输出所述混合数据集对应的伪健康特征并对应输出伪健康图像数据；
所述第二支路用于自所述第一支路接收所述混合数据集对应的伪健康特征，并自所述第三支路接收所述混合数据集对应的个体大脑萎缩特征，再基于所述伪健康特征和所述个体大脑萎缩特征重建所述混合数据集；
所述第三支路用于基于所述混合数据集提取对应的个体大脑萎缩特征并对应输出个体大脑萎缩预测图像数据。
3.根据权利要求2所述的阿尔茨海默症大脑萎缩模型构建方法，其特征在于，所述第一支路中的所述生成对抗网络包括：依次连接的第一编码器、第一解码器和判别器；
所述第一编码器用于提取输入的所述混合数据集中的各个磁共振图像数据各自对应的伪健康特征；
所述第一解码器用于根据所述第一编码器输出的各个磁共振图像数据各自对应的伪健康特征，基于第一损失函数分别生成各个磁共振图像数据各自对应的伪健康图像数据；
所述判别器用于接收所述健康人的磁共振图像数据集，并根据所述健康人的磁共振图像数据集中的各个磁共振图像数据分别对所述第一解码器输出的各个磁共振图像数据各自对应的伪健康图像数据进行判别，以使所述生成对抗网络用于无法区分所述健康人的磁共振图像数据集中的各个磁共振图像数据和所述伪健康图像数据。
4.根据权利要求2所述的阿尔茨海默症大脑萎缩模型构建方法，其特征在于，所述第二支路包括：第二解码器；
所述第二解码器用于根据自所述第一支路接收所述混合数据集对应的伪健康特征，并自所述第三支路接收所述混合数据集对应的个体大脑萎缩特征，基于第二损失函数对应生成所述混合数据集中的各个磁共振图像数据各自对应的重建磁共振图像数据，以得到重建后的所述混合数据集；
其中，同一磁共振图像数据对应的重建磁共振图像数据和个体大脑萎缩预测图像数据的合并结果数据与该磁共振图像数据对应的伪健康图像数据相同。
5.根据权利要求2所述的阿尔茨海默症大脑萎缩模型构建方法，其特征在于，所述第三支路包括：相接的第二编码器和第三解码器；
所述第二编码器用于提取输入的所述混合数据集中的各个磁共振图像数据各自对应的个体大脑萎缩特征；
所述第三解码器用于根据所述第二编码器输出的各个磁共振图像数据各自对应的个体大脑萎缩特征，基于第三损失函数分别生成各个磁共振图像数据各自对应的个体大脑萎缩预测图像数据，其中，所述个体大脑萎缩特征包括残差特征，所述个体大脑萎缩预测图像数据包括残差图像数据。
6.根据权利要求1至5任一项所述的阿尔茨海默症大脑萎缩模型构建方法，其特征在于，在所述分别构建由各个非阿尔茨海默症患者各自的磁共振图像数据构成的健康人的磁共振图像数据集，以及由该健康人的磁共振图像数据集和各个阿尔茨海默症患者各自的磁共振图像数据构成的混合数据集之前，还包括：
获取各个非阿尔茨海默症患者以及各个阿尔茨海默症患者各自的原始磁共振成像数据；
对各个所述原始磁共振成像数据依次进行图像预处理、数据清洗及数据归一化处理，以得到各个所述原始磁共振成像数据各自对应的磁共振图像数据。
7.一种阿尔茨海默症风险预测方法，其特征在于，包括：
获取目标用户的磁共振图像数据；
将所述目标用户的磁共振图像数据输入阿尔茨海默症大脑萎缩模型，以使该阿尔茨海默症大脑萎缩模型输出所述目标用户的磁共振图像数据分别对应的伪健康图像数据、个体大脑萎缩预测图像数据以及重建磁共振图像数据，其中，所述阿尔茨海默症大脑萎缩模型预先基于权利要求1至6任一项所述的阿尔茨海默症大脑萎缩模型构建方法训练得到；
输出所述目标用户的伪健康图像数据和个体大脑萎缩预测图像数据以进行针对所述目标用户的阿尔茨海默症风险预测。
8.一种阿尔茨海默症大脑萎缩模型训练装置，其特征在于，包括：
数据集构建模块，用于分别构建由各个非阿尔茨海默症患者各自的磁共振图像数据构成的健康人的磁共振图像数据集，以及由该健康人的磁共振图像数据集和各个阿尔茨海默症患者各自的磁共振图像数据构成的混合数据集；
模型训练模块，用于采用所述混合数据集和所述健康人的磁共振图像数据集训练预设的基于生成对抗网络的阿尔茨海默症大脑萎缩模型，以使该阿尔茨海默症大脑萎缩模型用于基于所述混合数据集和所述健康人的磁共振图像数据集提取所述混合数据集对应的伪健康特征并对应输出伪健康图像数据，基于所述混合数据集提取对应的个体大脑萎缩特征并对应输出个体大脑萎缩预测图像数据，并基于所述伪健康特征和所述个体大脑萎缩特征重建所述混合数据集中的各个磁共振图像数据。
9.一种电子设备，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6任一项所述的阿尔茨海默症大脑萎缩模型构建方法，或者，实现如权利要求7所述的阿尔茨海默症风险预测方法。
10.一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6任一项所述的阿尔茨海默症大脑萎缩模型构建方法，或者，实现如权利要求7所述的阿尔茨海默症风险预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311782235.6A CN117457222B (zh) | 2023-12-22 | 2023-12-22 | 阿尔茨海默症大脑萎缩模型构建方法、预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311782235.6A CN117457222B (zh) | 2023-12-22 | 2023-12-22 | 阿尔茨海默症大脑萎缩模型构建方法、预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117457222A true CN117457222A (zh) | 2024-01-26 |
| CN117457222B CN117457222B (zh) | 2024-03-19 |
Family
ID=89591393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311782235.6A Active CN117457222B (zh) | 2023-12-22 | 2023-12-22 | 阿尔茨海默症大脑萎缩模型构建方法、预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117457222B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190049540A1 (en) * | 2017-08-10 | 2019-02-14 | Siemens Healthcare Gmbh | Image standardization using generative adversarial networks |
| US20190295302A1 (en) * | 2018-03-22 | 2019-09-26 | Northeastern University | Segmentation Guided Image Generation With Adversarial Networks |
| CN110503187A (zh) * | 2019-07-26 | 2019-11-26 | 江苏大学 | 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 |
| KR20210135039A (ko) * | 2020-05-04 | 2021-11-12 | 재단법인대구경북과학기술원 | 조건부 생성 적대적 네트워크를 이용한 의료 영상의 예측을 위한 방법 및 장치 |
| EP3920137A1 (en) * | 2020-06-03 | 2021-12-08 | Siemens Healthcare GmbH | Ai-based image analysis for the detection of normal images |
| CN114240933A (zh) * | 2022-02-21 | 2022-03-25 | 中国民航大学 | 一种用于空中交通管制的ads-b攻击检测方法 |
| 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 |
| CN114694832A (zh) * | 2022-04-19 | 2022-07-01 | 湖南师范大学 | 一种确定阿尔茨海默症的风险要素的电子设备 |
| CN114820491A (zh) * | 2022-04-18 | 2022-07-29 | 汕头大学 | 一种基于小样本学习的多模态脑卒中病变分割方法和系统 |
| CN116310479A (zh) * | 2022-11-29 | 2023-06-23 | 北京邮电大学 | 基于多中心结构磁共振影像的阿尔茨海默病早期识别系统 |
| US20230351204A1 (en) * | 2020-07-16 | 2023-11-02 | Koninklijke Philips N.V. | Selecting a training dataset with which to train a model |
-
2023
- 2023-12-22 CN CN202311782235.6A patent/CN117457222B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190049540A1 (en) * | 2017-08-10 | 2019-02-14 | Siemens Healthcare Gmbh | Image standardization using generative adversarial networks |
| US20190295302A1 (en) * | 2018-03-22 | 2019-09-26 | Northeastern University | Segmentation Guided Image Generation With Adversarial Networks |
| CN110503187A (zh) * | 2019-07-26 | 2019-11-26 | 江苏大学 | 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 |
| KR20210135039A (ko) * | 2020-05-04 | 2021-11-12 | 재단법인대구경북과학기술원 | 조건부 생성 적대적 네트워크를 이용한 의료 영상의 예측을 위한 방법 및 장치 |
| EP3920137A1 (en) * | 2020-06-03 | 2021-12-08 | Siemens Healthcare GmbH | Ai-based image analysis for the detection of normal images |
| US20230351204A1 (en) * | 2020-07-16 | 2023-11-02 | Koninklijke Philips N.V. | Selecting a training dataset with which to train a model |
| CN114240933A (zh) * | 2022-02-21 | 2022-03-25 | 中国民航大学 | 一种用于空中交通管制的ads-b攻击检测方法 |
| 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 |
| CN114820491A (zh) * | 2022-04-18 | 2022-07-29 | 汕头大学 | 一种基于小样本学习的多模态脑卒中病变分割方法和系统 |
| CN114694832A (zh) * | 2022-04-19 | 2022-07-01 | 湖南师范大学 | 一种确定阿尔茨海默症的风险要素的电子设备 |
| CN116310479A (zh) * | 2022-11-29 | 2023-06-23 | 北京邮电大学 | 基于多中心结构磁共振影像的阿尔茨海默病早期识别系统 |
Non-Patent Citations (1)
| Title |
|---|
| 姚哲维;杨丰;黄靖;刘娅琴;: "改进型循环生成对抗网络的血管内超声图像增强", 计算机科学, no. 05, 15 May 2019 (2019-05-15), pages 221 - 227 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117457222B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110444277B (zh) | 一种基于多生成多对抗的多模态脑部mri图像双向转换方法 | |
| CN110363760B (zh) | 用于识别医学图像的计算机系统 | |
| CN113496495B (zh) | 可缺失输入的医学图像分割模型建立方法及分割方法 | |
| CN113177943B (zh) | 一种脑卒中ct影像分割方法 | |
| CN111899177A (zh) | 一种图像处理方法、装置、电子设备和可读存储介质 | |
| CN110415219A (zh) | 基于深度分割网络的医学图像处理方法及装置、设备、存储介质 | |
| CN110443808A (zh) | 用于脑中线检测的医疗图像处理方法及装置、设备、存储介质 | |
| CN111861989A (zh) | 一种脑中线检测方法、系统、终端及存储介质 | |
| 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 | |
| WO2021184195A1 (zh) | 医学图像重建方法、医学图像重建网络训练方法和装置 | |
| Zuo et al. | HACA3: A unified approach for multi-site MR image harmonization | |
| Ho et al. | Inter-individual deep image reconstruction via hierarchical neural code conversion | |
| 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 | |
| CN116778021B (zh) | 医学图像生成方法、装置、电子设备和存储介质 | |
| 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 | |
| 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 | |
| US20240046454A1 (en) | Method and system for extracting multi-dimensional disconnection network region of symptom mapping | |
| CN116051545B (zh) | 一种双模态影像的脑龄预测方法 | |
| 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 | |
| KR101948701B1 (ko) | 피검체의 뇌 구조를 기술하는 잠재 변수에 기반하여 상기 피검체의 뇌질환을 판정하는 방법 및 이를 이용한 장치 | |
| KR20200025852A (ko) | 기능적 연결성을 사용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치 | |
| CN111951942B (zh) | 门诊预检分诊方法、装置、终端及存储介质 | |
| CN113822917A (zh) | 一种肝癌影像组学图像精确配准方法 | |
| KR102319326B1 (ko) | 구조적 자기공명영상을 이용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치 | |
| 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 |
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 |