TWI777767B - 基於腦白質的神經血管年齡預測系統及其方法 - Google Patents
基於腦白質的神經血管年齡預測系統及其方法 Download PDFInfo
- Publication number
- TWI777767B TWI777767B TW110133826A TW110133826A TWI777767B TW I777767 B TWI777767 B TW I777767B TW 110133826 A TW110133826 A TW 110133826A TW 110133826 A TW110133826 A TW 110133826A TW I777767 B TWI777767 B TW I777767B
- Authority
- TW
- Taiwan
- Prior art keywords
- white matter
- image
- neurovascular
- weighted
- age prediction
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/30016—Brain
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
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)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Surgery (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Behavior & Ethology (AREA)
- Quality & Reliability (AREA)
- High Energy & Nuclear Physics (AREA)
- Vascular Medicine (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一種基於腦白質的神經血管年齡預測系統及其方法,分析裝置利用非線性空間對位技術、MNI152國際標準腦模板以及反轉個體座標轉換為國際標準座標的轉移矩陣以分別生成個體空間腦室周邊區域遮罩以及個體空間腦白質深部遮罩,分析裝置將T1-權重影像以及T2-液體衰減反轉恢復影像進行腦白質高亮度訊號的影像處理以生成T1-權重腦白質高亮度訊號影像以及T2-液體衰減反轉恢復腦白質高亮度訊號影像,分析裝置使用個體空間腦室周邊區域遮罩以及個體空間腦白質深部遮罩分別對T1-權重腦白質高亮度訊號影像以及T2-液體衰減反轉恢復腦白質高亮度訊號影像進行對數轉換計算為腦白質周邊對數值以及腦白質深部高亮度訊號體積量對數值,分析裝置將腦白質周邊對數值以及腦白質深部高亮度訊號體積量對數值代入於神經血管年齡預測模型以得到神經血管年齡預測結果,藉此可以達成提供以腦白質高亮度訊號為基礎的神經血管年齡預測且進行老化速率評估的技術功效。
Description
一種預測系統及其方法,尤其是指一種以腦白質高亮度訊號為基礎的神經血管年齡預測系統及其方法。
腦白質高亮度訊號(White Matter Hyperintensity,WMH)是指磁振造影中的自旋弛豫權重液體衰減反轉回復磁振影像(T2-FLAIR)在腦白質觀察到的極高亮度訊號,並以此作為臨床判讀的主要依據。
產生腦白質高亮度訊號的原因複雜,但在無腦傷及特殊神經性疾病的情況下,一般臨床認為主要與短暫缺血、心血管功能下降或慢性微血管疾病造成的腦白質神經細胞損傷有關,是老化過程中人體正常衰老的大腦表徵。
然而近期研究顯示,腦白質損傷體積與認知下降有顯著關聯,但不同大腦位置損傷的成因與其影響的認知能力又不盡相同,此外,腦白質損傷出現的區域、大小體積在不同個案中往往有很大的差異,造成傳統臨床判讀機制的複雜性,若要清楚描述損傷位置,除增加判讀工作量外,也容易受到診斷醫生的經驗與背景而產生不同解釋或忽略早期診斷的時機。
綜上所述,可知先前技術中長期以來一直存在透過腦白質高亮度訊號進行臨床判讀機制判斷不易的問題,因此有必要提出改進的技術手段,來解決此一問題。
有鑒於先前技術存在透過腦白質高亮度訊號進行臨床判讀機制判斷不易的問題,本發明遂揭露一種基於腦白質的神經血管年齡預測系統及其方法,其中:本發明所揭露的基於腦白質的神經血管年齡預測系統,其包含:磁共振檢測裝置以及分析裝置,分析裝置更包含:接收模組、轉換模組、圖譜生成模組、遮罩生成模組、影像處理模組、影像計算模組、數值轉換模組以及神經血管年齡預測模組。
磁共振檢測裝置是用以對受試者進行腦部的檢測以生成磁共振影像,磁共振影像包含有T1-權重(weighted)影像以及T2-液體衰減反轉恢復(Fluid Attenuated Inversion Recovery,FLAIR)影像。
分析裝置的接收模組是用以自磁共振檢測裝置接收磁共振影像;分析裝置的轉換模組是利用非線性空間對位技術將T1-權重影像的個體座標轉換為國際標準座標以生成T1-權重座標轉換影像;分析裝置的圖譜生成模組是將MNI152國際標準腦模板建構腦室遮罩,將腦室遮罩向外延伸預設距離覆蓋於T1-權重座標轉換影像以生成腦室周邊(Periventricular White Matter,PVWM)圖譜以及腦白質深部(Deep White Matter,DWM)圖譜;分析裝置的遮罩生成模組是反轉個體座標轉換為國際標準座標的轉移矩陣以套用於腦
室周邊圖譜以及腦白質深部圖譜,以分別生成個體空間腦室周邊區域遮罩以及個體空間腦白質深部遮罩;分析裝置的影像處理模組是將T1-權重影像以及T2-液體衰減反轉恢復影像進行腦白質高亮度訊號的影像處理以生成T1-權重腦白質高亮度訊號影像以及T2-液體衰減反轉恢復腦白質高亮度訊號影像;分析裝置的影像計算模組是使用個體空間腦室周邊區域遮罩以及個體空間腦白質深部遮罩分別對T1-權重腦白質高亮度訊號影像以及T2-液體衰減反轉恢復腦白質高亮度訊號影像進行計算以得到腦白質周邊高亮度訊號體積量以及腦白質深部高亮度訊號體積量;分析裝置的數值轉換模組是用以將腦白質周邊高亮度訊號體積量以及腦白質深部高亮度訊號體積量進行對數轉換為腦白質周邊對數值以及腦白質深部高亮度訊號體積量對數值;及分析裝置的神經血管年齡預測模組是將腦白質周邊對數值以及腦白質深部高亮度訊號體積量對數值代入於神經血管年齡預測模型以得到神經血管年齡預測結果。
本發明所揭露的基於腦白質的神經血管年齡預測方法,其包含下列步驟:首先,磁共振檢測裝置對受試者進行腦部的檢測以生成磁共振影像,磁共振影像包含有T1-權重影像以及T2-液體衰減反轉恢復影像;接著,分析裝置自磁共振檢測裝置接收磁共振影像;接著,分析裝置利用非線性空間對位技術將T1-權重影像的個體座標轉換為國際標準座標以生成T1-權重座標轉換影像;接著,分析裝置將MNI152國際標準腦模板建構腦室遮罩,將腦室遮罩向外延伸預設距離覆蓋於T1-權重座標轉換影像以生成腦室周邊圖譜以及腦白質深部圖譜;接著,分析裝置反轉個體座標轉換為國際標準座標的轉移矩陣以套用於腦室周邊圖譜以及腦白質深部圖譜,以分別生成個體空間腦室周邊區
域遮罩以及個體空間腦白質深部遮罩;接著,分析裝置將T1-權重影像以及T2-液體衰減反轉恢復影像進行腦白質高亮度訊號的影像處理以生成T1-權重腦白質高亮度訊號影像以及T2-液體衰減反轉恢復腦白質高亮度訊號影像;接著,分析裝置使用個體空間腦室周邊區域遮罩以及個體空間腦白質深部遮罩分別對T1-權重腦白質高亮度訊號影像以及T2-液體衰減反轉恢復腦白質高亮度訊號影像進行計算以得到腦白質周邊高亮度訊號體積量以及腦白質深部高亮度訊號體積量;接著,分析裝置用以將腦白質周邊高亮度訊號體積量以及腦白質深部高亮度訊號體積量進行對數轉換為腦白質周邊對數值以及腦白質深部高亮度訊號體積量對數值;最後,分析裝置將腦白質周邊對數值以及腦白質深部高亮度訊號體積量對數值代入於神經血管年齡預測模型以得到神經血管年齡預測結果。
本發明所揭露的系統及方法如上,與先前技術之間的差異在於分析裝置利用非線性空間對位技術、MNI152國際標準腦模板以及反轉個體座標轉換為國際標準座標的轉移矩陣以分別生成個體空間腦室周邊區域遮罩以及個體空間腦白質深部遮罩,分析裝置將T1-權重影像以及T2-液體衰減反轉恢復影像進行腦白質高亮度訊號的影像處理以生成T1-權重腦白質高亮度訊號影像以及T2-液體衰減反轉恢復腦白質高亮度訊號影像,分析裝置使用個體空間腦室周邊區域遮罩以及個體空間腦白質深部遮罩分別對T1-權重腦白質高亮度訊號影像以及T2-液體衰減反轉恢復腦白質高亮度訊號影像進行對數轉換計算為腦白質周邊對數值以及腦白質深部高亮度訊號體積量對數值,分析裝置將腦白質周邊對數值以及腦白質深部高亮度訊號體積量對數值代入於神經血管年齡預測模型以得到神經血管年齡預測結果。
透過上述的技術手段,本發明可以達成提供以腦白質高亮度訊號為基礎的神經血管年齡預測且進行老化速率評估的技術功效。
10:磁共振檢測裝置
20:分析裝置
21:接收模組
22:轉換模組
23:圖譜生成模組
24:遮罩生成模組
25:影像處理模組
26:影像計算模組
27:數值轉換模組
28:神經血管年齡預測模組
29:神經血管年齡預測模型建立模組
31:模型驗證集
32:模型訓練集
41:延緩老化區
42:正常老化區
43:加速老化區
步驟101:磁共振檢測裝置對受試者進行腦部的檢測以生成磁共振影像,磁共振影像包含有T1-權重影像以及T2-液體衰減反轉恢復影像
步驟102:分析裝置自磁共振檢測裝置接收磁共振影像
步驟103:分析裝置利用非線性空間對位技術將T1-權重影像的個體座標轉換為國際標準座標以生成T1-權重座標轉換影像
步驟104:分析裝置將MNI152國際標準腦模板建構腦室遮罩,將腦室遮罩向外延伸預設距離覆蓋於T1-權重座標轉換影像以生成腦室周邊圖譜以及腦白質深部圖譜
步驟105:分析裝置反轉個體座標轉換為國際標準座標的轉移矩陣以套用於腦室周邊圖譜以及腦白質深部圖譜,以分別生成個體空間腦室周邊區域遮罩以及個體空間腦白質深部遮罩
步驟106:分析裝置將T1-權重影像以及T2-液體衰減反轉恢復影像進行腦白質高亮度訊號的影像處理以生成T1-權重腦白質高亮度訊號影像以及T2-液體衰減反轉恢復腦白質高亮度訊號影像
步驟107:分析裝置使用個體空間腦室周邊區域遮罩以及個體空間腦白質深部遮罩分別對T1-權重腦白質高亮度訊號影像以及T2-液體衰減反轉恢復腦白質高亮度訊號影像進行計算以得到腦白質周邊高亮度訊號體積量以及腦白質深部高亮度訊號體積量
步驟108:分析裝置用以將腦白質周邊高亮度訊號體積量以及腦白質深部高亮度訊號體積量進行對數轉換為腦白質周邊對數值以及腦白質深部高亮度訊號體積量對數值
步驟109:分析裝置將腦白質周邊對數值以及腦白質深部高亮度訊號體積量對數值代入於神經血管年齡預測模型以得到神經血管年齡預測結果
第1圖繪示為本發明基於腦白質的神經血管年齡預測系統的系統方塊圖。
第2圖繪示為本發明基於腦白質的神經血管年齡預測的模型建立數據圖。
第3A圖繪示為本發明基於腦白質的神經血管年齡預測的年齡預測與實際年齡數據圖。
第3B圖繪示為本發明基於腦白質的神經血管年齡預測的心血管風險指標比較分析圖。
第4A圖以及第4B圖繪示為本發明基於腦白質的神經血管年齡預測方法的方法流程圖。
以下將配合圖式及實施例來詳細說明本發明的實施方式,藉此對本發明如何應用技術手段來解決技術問題並達成技術功效的實現過程能充分理解並據以實施。
以下首先要說明本發明所揭露的基於腦白質的神經血管年齡預測系統,並請參考「第1圖」所示,「第1圖」繪示為本發明基於腦白質的神經血管年齡預測系統的系統方塊圖。
本發明所揭露的基於腦白質的神經血管年齡預測系統,其包含:磁共振檢測裝置10以及分析裝置20,分析裝置20更包含:接收模組21、轉換模組22、圖譜生成模組23、遮罩生成模組24、影像處理模組25、影像計算模組26、數值轉換模組27以及神經血管年齡預測模組28。
磁共振檢測裝置10是用以對受試者進行腦部的檢測以生成磁共振影像,磁共振影像包含有T1-權重影像以及T2-液體衰減反轉恢復影像。
分析裝置20與磁共振檢測裝置10透過有線傳輸方式或是無線傳輸方式建立連線,前述的有線傳輸方式例如是:電纜網路、光纖網路…等,前述的無線傳輸方式例如是:Wi-Fi、行動通訊網路(例如是:4G、5G…等),在此僅為舉例說明之,並不以此侷限本發明的應用範疇。
分析裝置20的接收模組21是用以自磁共振檢測裝置10接收磁共振影像,接著,分析裝置20的轉換模組22是利用非線性空間對位技術將T1-權重影像的個體座標轉換為國際標準座標以生成T1-權重座標轉換影像。
接著,分析裝置20的圖譜生成模組23是將MNI(Montreal Neurological Institute)152國際標準腦模板建構腦室遮罩,將腦室遮罩向外延伸預設距離(例如是:10mm,在此僅為舉例說明之,並不以此侷限本發明的應用範疇)覆蓋於T1-權重座標轉換影像以生成腦室周邊圖譜以及腦白質深部圖譜,具體而言,將腦室遮罩向外延伸預設距離覆蓋於T1-權重座標轉換影像,在預設距離之內的部分即可生成腦室周邊圖譜,將腦室遮罩向外延伸預設距離覆蓋於T1-權重座標轉換影像,在預設距離之外的部分即可生成腦白質深部圖譜。
接著,分析裝置20的遮罩生成模組24是反轉個體座標轉換為國際標準座標的轉移矩陣以套用於腦室周邊圖譜以及腦白質深部圖譜,以分別生成個體空間腦室周邊區域遮罩以及個體空間腦白質深部遮罩。
接著,分析裝置20的影像處理模組25是將T1-權重影像以及T2-液體衰減反轉恢復影像進行腦白質高亮度訊號的影像處理以生成T1-權重腦白質高亮度訊號影像以及T2-液體衰減反轉恢復腦白質高亮度訊號影像,分析裝置20的影像處理模組25將T1-權重影像以及T2-液體衰減反轉恢復影像進行腦白質高亮度訊號的影像處理即是利用白質損傷分割技術(Lesion Segmentation)獲取白質異常高亮度訊號空間位置對T1-權重影像以及T2-液體衰減反轉恢復影像進行影像處理以生成T1-權重腦白質高亮度訊號影像以及T2-液體衰減反轉恢復腦白質高亮度訊號影像。
接著,分析裝置20的影像計算模組26是使用個體空間腦室周邊區域遮罩以及個體空間腦白質深部遮罩分別對T1-權重腦白質高亮度訊號影像以及T2-液體衰減反轉恢復腦白質高亮度訊號影像進行計算以得到腦白質周邊高亮度訊號體積量以及腦白質深部高亮度訊號體積量。
接著,分析裝置20的數值轉換模組27是用以將腦白質周邊高亮度訊號體積量以及腦白質深部高亮度訊號體積量進行對數轉換為腦白質周邊對數值以及腦白質深部高亮度訊號體積量對數值。
接著,分析裝置20的神經血管年齡預測模組28是將腦白質周邊對數值以及腦白質深部高亮度訊號體積量對數值代入於神經血管年齡預測模型以得到神經血管年齡預測結果,具體而言,神經血管年齡預測模型例如是:神經血管年齡預測結果~a*log(PVWMH)+b*(DWMH)+c,其中,a為5.328,b為
5.328,c為63.597,PVWMH為腦白質周邊對數值,DWMH為腦白質深部高亮度訊號體積量對數值,在實際數據中,實際年齡為62.6,計算出的PVWMH為1.12以及計算出的DWMH為0.19,神經血管年齡預測結果為63.28=5.328*log(1.12)+0.55471*log(0.19)+63.597;實際年齡為69.4,計算出的PVWMH為10.55以及計算出的DWMH為0.50,神經血管年齡預測結果為75.77=5.328*log(10.55)+0.55471*log(0.5)+63.597;實際年齡為80.6,計算出的PVWMH為12.95以及計算出的DWMH為1.89,神經血管年齡預測結果為77.60=5.328*log(12.95)+0.55471*log(1.89)+63.597,在此僅為舉例說明之,並不以侷限本發明的應用範疇。
上述對於神經血管年齡預測模型,是由磁共振檢測裝置10對多個健康受試者進行腦部的檢測以生成多個健康磁共振影像,磁共振影像包含有T1-權重影像以及T2-液體衰減反轉恢復影像。
分析裝置20的接收模組21自磁共振檢測裝置10接收多個健康磁共振影像,接著,分析裝置20的轉換模組22是利用非線性空間對位技術將每一個T1-權重影像的個體座標轉換為國際標準座標以生成多個T1-權重座標轉換影像。
接著,分析裝置20的圖譜生成模組23是將MNI152國際標準腦模板建構腦室遮罩,將腦室遮罩向外延伸預設距離(例如是:10mm,在此僅為舉例說明之,並不以此侷限本發明的應用範疇)覆蓋於每一個T1-權重座標轉換影像以生成多個腦室周邊圖譜以及多個腦白質深部圖譜。
接著,分析裝置20的遮罩生成模組24是反轉個體座標轉換為國際標準座標的轉移矩陣以套用於每一個腦室周邊圖譜以及每一個腦白質深部圖
譜,以分別生成多個個體空間腦室周邊區域遮罩以及多個個體空間腦白質深部遮罩。
接著,分析裝置20的影像處理模組25是將每一個T1-權重影像以及每一個T2-液體衰減反轉恢復影像進行腦白質高亮度訊號的影像處理以生成多個T1-權重腦白質高亮度訊號影像以及多個T2-液體衰減反轉恢復腦白質高亮度訊號影像。
接著,分析裝置20的影像計算模組26是使用對應的個體空間腦室周邊區域遮罩以及個體空間腦白質深部遮罩分別對對應的T1-權重腦白質高亮度訊號影像以及T2-液體衰減反轉恢復腦白質高亮度訊號影像進行計算以得到多個腦白質周邊高亮度訊號體積量以及多個腦白質深部高亮度訊號體積量。
接著,分析裝置20的數值轉換模組27是用以將每一個腦白質周邊高亮度訊號體積量以及每一個腦白質深部高亮度訊號體積量進行對數轉換為多個腦白質周邊對數值以及多個腦白質深部高亮度訊號體積量對數值。
分析裝置20的神經血管年齡預測模型建立模組29是利用留出法(hold-out validation)及十層交叉驗證法(10-fold cross-validation)以建立神經血管年齡預測模型,將多個腦白質周邊對數值以及多個腦白質深部高亮度訊號體積量對數值隨機選取出預設百分比(例如:30%,在此僅為舉例說明之,並不以此侷限本發明的應用範疇)的數據作為模型驗證集31,未被選取出的多個腦白質深部高亮度訊號體積量對數值的數據作為模型訓練集32以進行線性回歸,透過十層交叉驗證法對線性回歸的結果進行穩定度的驗證,即是比對不同線性回歸的結果中RMSE、MAE、R2以及AIC,線性回歸的結果在RMSE、MAE及AIC越小越好且R-squared越大越好,即可找出相對穩定的線性回歸的結果為
神經血管年齡預測模型,再將模型驗證集代入於神經血管年齡預測模型進行模型泛用性驗證,請參考「第2圖」所示,「第2圖」繪示為本發明基於腦白質的神經血管年齡預測的模型建立數據圖,圖式中模型驗證集31以實心圓圈作為示意以及模型訓練集32以X作為示意,在此僅為舉例說明之,並不以此侷限本發明的應用範疇。
請參考「第3A圖」以及「第3B圖」所示,「第3A圖」繪示為本發明基於腦白質的神經血管年齡預測的年齡預測與實際年齡數據圖;「第3B圖」繪示為本發明基於腦白質的神經血管年齡預測的心血管風險指標比較分析圖。
進一步將「第3A圖」中神經血管年齡預測低於實際年齡的區域(95%信賴區間上邊界以上)為延緩老化區(Delayed Aging,DA)41,神經血管年齡預測與實際年齡相當的區域為正常老化區(Normal Aging,NA)42,神經血管年齡預測高於實際年齡的區域為加速老化區(Accelerated Aging,AA)43。
「第3B圖」是將「第3A圖」中延緩老化區41、正常老化區42以及加速老化區43中與常見臨床心血管風險指標進行優勢比分析,經過比較分析男性被分類為加速老化區43的風險高於女性,其比例為2.5(1.8~3.47),罹患高血壓被分類為加速老化區43的老化速率為2.492(1.744~3.561),糖尿病被分類為加速老化區43的老化速率為2.67(1.68~4.23),其他指標如血脂異常、抽煙、肥胖…等,則沒有明顯加速腦神經血管老化風險,故心血管風險因子(男性、高血壓、糖尿病…等,在此僅為舉例說明之,並不以此侷限本發明的應用範疇)造成大腦白質損傷增加,進而影響預測之腦神經血管年齡偏高。
本發明所提出的分析架構及所建立的神經血管年齡預測模型,可以透過大腦白質的損傷體積量,對個體大腦年齡進行預測便臨床推廣使用,量化指標可應用於老化速率評估,亦可用於與心血管疾病相造成的神經退化性疾病上,以提供醫療人員一個客觀量化性指標以輔助診斷,並協助醫生透過本發明輔助評估健康人體檢或判斷臨床病人當下腦白質退化或損傷的可能原因,藉此給出與心血管風險因子相關的建議。
接著,以下將以說明本發明的運作方法,並請同時參考「第4A圖」以及「第4B圖」所示,「第4A圖」以及「第4B圖」繪示為本發明基於腦白質的神經血管年齡預測方法的方法流程圖。
首先,磁共振檢測裝置對受試者進行腦部的檢測以生成磁共振影像,磁共振影像包含有T1-權重影像以及T2-液體衰減反轉恢復影像(步驟101);接著,分析裝置自磁共振檢測裝置接收磁共振影像(步驟102);接著,分析裝置利用非線性空間對位技術將T1-權重影像的個體座標轉換為國際標準座標以生成T1-權重座標轉換影像(步驟103);接著,分析裝置將MNI152國際標準腦模板建構腦室遮罩,將腦室遮罩向外延伸預設距離覆蓋於T1-權重座標轉換影像以生成腦室周邊圖譜以及腦白質深部圖譜(步驟104);接著,分析裝置反轉個體座標轉換為國際標準座標的轉移矩陣以套用於腦室周邊圖譜以及腦白質深部圖譜,以分別生成個體空間腦室周邊區域遮罩以及個體空間腦白質深部遮罩(步驟105);接著,分析裝置將T1-權重影像以及T2-液體衰減反轉恢復影像進行腦白質高亮度訊號的影像處理以生成T1-權重腦白質高亮度訊號影像以及T2-液體衰減反轉恢復腦白質高亮度訊號影像(步驟106);接著,分析裝置使用個體空間腦室周邊區域遮罩以及個體空間腦白質深部遮罩分別
對T1-權重腦白質高亮度訊號影像以及T2-液體衰減反轉恢復腦白質高亮度訊號影像進行計算以得到腦白質周邊高亮度訊號體積量以及腦白質深部高亮度訊號體積量(步驟107);接著,分析裝置用以將腦白質周邊高亮度訊號體積量以及腦白質深部高亮度訊號體積量進行對數轉換為腦白質周邊對數值以及腦白質深部高亮度訊號體積量對數值(步驟108);最後,分析裝置將腦白質周邊對數值以及腦白質深部高亮度訊號體積量對數值代入於神經血管年齡預測模型以得到神經血管年齡預測結果(步驟109)。
綜上所述,可知本發明與先前技術之間的差異在於分析裝置利用非線性空間對位技術、MNI152國際標準腦模板以及反轉個體座標轉換為國際標準座標的轉移矩陣以分別生成個體空間腦室周邊區域遮罩以及個體空間腦白質深部遮罩,分析裝置將T1-權重影像以及T2-液體衰減反轉恢復影像進行腦白質高亮度訊號的影像處理以生成T1-權重腦白質高亮度訊號影像以及T2-液體衰減反轉恢復腦白質高亮度訊號影像,分析裝置使用個體空間腦室周邊區域遮罩以及個體空間腦白質深部遮罩分別對T1-權重腦白質高亮度訊號影像以及T2-液體衰減反轉恢復腦白質高亮度訊號影像進行對數轉換計算為腦白質周邊對數值以及腦白質深部高亮度訊號體積量對數值,分析裝置將腦白質周邊對數值以及腦白質深部高亮度訊號體積量對數值代入於神經血管年齡預測模型以得到神經血管年齡預測結果。
藉由此一技術手段可以來解決先前技術所存在透過腦白質高亮度訊號進行臨床判讀機制判斷不易的問題,進而達成提供以腦白質高亮度訊號為基礎的神經血管年齡預測且進行老化速率評估的技術功效。
雖然本發明所揭露的實施方式如上,惟所述的內容並非用以直接限定本發明的專利保護範圍。任何本發明所屬技術領域中具有通常知識者,在不脫離本發明所揭露的精神和範圍的前提下,可以在實施的形式上及細節上作些許的更動。本發明的專利保護範圍,仍須以所附的申請專利範圍所界定者為準。
10:磁共振檢測裝置
20:分析裝置
21:接收模組
22:轉換模組
23:圖譜生成模組
24:遮罩生成模組
25:影像處理模組
26:影像計算模組
27:數值轉換模組
28:神經血管年齡預測模組
29:神經血管年齡預測模型建立模組
Claims (8)
- 一種基於腦白質的神經血管年齡預測系統,其包含: 一磁共振檢測裝置,用以對一受試者進行腦部的檢測以生成一磁共振影像,所述磁共振影像包含有一T1-權重(weighted)影像以及一T2-液體衰減反轉恢復(Fluid Attenuated Inversion Recovery,FLAIR)影像;及 一分析裝置,所述分析裝置更包含: 一接收模組,用以自所述磁共振檢測裝置接收所述磁共振影像; 一轉換模組,利用非線性空間對位技術將所述T1-權重影像的個體座標轉換為國際標準座標以生成一T1-權重座標轉換影像; 一圖譜生成模組,將MNI152國際標準腦模板建構腦室遮罩,將腦室遮罩向外延伸一預設距離覆蓋於所述T1-權重座標轉換影像以生成腦室周邊(Periventricular White Matter,PVWM)圖譜以及腦白質深部(Deep White Matter,DWM)圖譜; 一遮罩生成模組,反轉個體座標轉換為國際標準座標的轉移矩陣以套用於所述腦室周邊圖譜以及所述腦白質深部圖譜,以分別生成一個體空間腦室周邊區域遮罩以及一個體空間腦白質深部遮罩; 一影像處理模組,將所述T1-權重影像以及所述T2-液體衰減反轉恢復影像進行腦白質高亮度訊號的影像處理以生成一T1-權重腦白質高亮度訊號影像以及一T2-液體衰減反轉恢復腦白質高亮度訊號影像; 一影像計算模組,使用所述個體空間腦室周邊區域遮罩以及所述個體空間腦白質深部遮罩分別對所述T1-權重腦白質高亮度訊號影像以及所述T2-液體衰減反轉恢復腦白質高亮度訊號影像進行計算以得到一腦白質周邊高亮度訊號體積量以及一腦白質深部高亮度訊號體積量; 一數值轉換模組,用以將所述腦白質周邊高亮度訊號體積量以及所述腦白質深部高亮度訊號體積量進行對數轉換為一腦白質周邊對數值以及一腦白質深部高亮度訊號體積量對數值;及 一神經血管年齡預測模組,將所述腦白質周邊對數值以及所述腦白質深部高亮度訊號體積量對數值代入於一神經血管年齡預測模型以得到一神經血管年齡預測結果。
- 如請求項1所述的基於腦白質的神經血管年齡預測系統,其中所述影像處理模組是利用白質損傷分割技術(Lesion Segmentation)獲取白質異常高亮度訊號空間位置對所述T1-權重影像以及所述T2-液體衰減反轉恢復影像進行腦白質高亮度訊號的影像處理以生成所述T1-權重腦白質高亮度訊號影像以及所述T2-液體衰減反轉恢復腦白質高亮度訊號影像。
- 如請求項1所述的基於腦白質的神經血管年齡預測系統,其中所述分析裝置更包含一神經血管年齡預測模型建立模組,所述神經血管年齡預測模型建立模組利用留出法(hold-out validation)及十層交叉驗證法(10-fold cross-validation)以建立所述神經血管年齡預測模型。
- 如請求項3所述的基於腦白質的神經血管年齡預測系統,其中所述神經血管年齡預測模型建立模組是將多個腦白質周邊對數值以及多個腦白質深部高亮度訊號體積量對數值隨機選取出預設百分比的數據作為模型驗證集,未被選取出的多個腦白質深部高亮度訊號體積量對數值的數據作為模型訓練集以進行線性回歸,透過十層交叉驗證法對線性回歸的結果進行穩定度的驗證,以找出高穩定度的線性回歸的結果為所述神經血管年齡預測模型,再將模型驗證集代入於神經血管年齡預測模型進行模型泛用性驗證。
- 一種基於腦白質的神經血管年齡預測方法,其包含下列步驟: 一磁共振檢測裝置對一受試者進行腦部的檢測以生成一磁共振影像,所述磁共振影像包含有一T1-權重影像以及一T2-液體衰減反轉恢復影像; 一分析裝置自所述磁共振檢測裝置接收所述磁共振影像; 所述分析裝置利用非線性空間對位技術將所述T1-權重影像的個體座標轉換為國際標準座標以生成一T1-權重座標轉換影像; 所述分析裝置將MNI152國際標準腦模板建構腦室遮罩,將腦室遮罩向外延伸一預設距離覆蓋於所述T1-權重座標轉換影像以生成腦室周邊圖譜以及腦白質深部圖譜; 所述分析裝置反轉個體座標轉換為國際標準座標的轉移矩陣以套用於所述腦室周邊圖譜以及所述腦白質深部圖譜,以分別生成一個體空間腦室周邊區域遮罩以及一個體空間腦白質深部遮罩; 所述分析裝置將所述T1-權重影像以及所述T2-液體衰減反轉恢復影像進行腦白質高亮度訊號的影像處理以生成一T1-權重腦白質高亮度訊號影像以及一T2-液體衰減反轉恢復腦白質高亮度訊號影像; 所述分析裝置使用所述個體空間腦室周邊區域遮罩以及所述個體空間腦白質深部遮罩分別對所述T1-權重腦白質高亮度訊號影像以及所述T2-液體衰減反轉恢復腦白質高亮度訊號影像進行計算以得到一腦白質周邊高亮度訊號體積量以及一腦白質深部高亮度訊號體積量; 所述分析裝置用以將所述腦白質周邊高亮度訊號體積量以及所述腦白質深部高亮度訊號體積量進行對數轉換為一腦白質周邊對數值以及一腦白質深部高亮度訊號體積量對數值;及 所述分析裝置將所述腦白質周邊對數值以及所述腦白質深部高亮度訊號體積量對數值代入於一神經血管年齡預測模型以得到一神經血管年齡預測結果。
- 如請求項5所述的基於腦白質的神經血管年齡預測方法,其中所述分析裝置將所述T1-權重影像以及所述T2-液體衰減反轉恢復影像進行腦白質高亮度訊號的影像處理以生成所述T1-權重腦白質高亮度訊號影像以及所述T2-液體衰減反轉恢復腦白質高亮度訊號影像的步驟是利用白質損傷分割技術(Lesion Segmentation)獲取白質異常高亮度訊號空間位置對所述T1-權重影像以及所述T2-液體衰減反轉恢復影像進行腦白質高亮度訊號的影像處理。
- 如請求項5所述的基於腦白質的神經血管年齡預測方法,其中所述基於腦白質的神經血管年齡預測方法更包含所述分析裝置利用留出法(hold-out validation)及十層交叉驗證法(10-fold cross-validation)以建立所述神經血管年齡預測模型。
- 如請求項7所述的基於腦白質的神經血管年齡預測方法,其中所述分析裝置利用留出法及十層交叉驗證法以建立所述神經血管年齡預測模型是將多個腦白質周邊對數值以及多個腦白質深部高亮度訊號體積量對數值隨機選取出預設百分比的數據作為模型驗證集,未被選取出的多個腦白質深部高亮度訊號體積量對數值的數據作為模型訓練集以進行線性回歸,透過十層交叉驗證法對線性回歸的結果進行穩定度的驗證,以找出高穩定度的線性回歸的結果為所述神經血管年齡預測模型,再將模型驗證集代入於神經血管年齡預測模型進行模型泛用性驗證。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110133826A TWI777767B (zh) | 2021-09-10 | 2021-09-10 | 基於腦白質的神經血管年齡預測系統及其方法 |
US17/882,513 US20230080821A1 (en) | 2021-09-10 | 2022-08-05 | Neurovascular age prediction system based on white matter hyperintensity signal and method thereof |
CN202210945841.4A CN115798701A (zh) | 2021-09-10 | 2022-08-08 | 基于脑白质的神经血管年龄预测系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110133826A TWI777767B (zh) | 2021-09-10 | 2021-09-10 | 基於腦白質的神經血管年齡預測系統及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI777767B true TWI777767B (zh) | 2022-09-11 |
TW202310802A TW202310802A (zh) | 2023-03-16 |
Family
ID=84958146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110133826A TWI777767B (zh) | 2021-09-10 | 2021-09-10 | 基於腦白質的神經血管年齡預測系統及其方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230080821A1 (zh) |
CN (1) | CN115798701A (zh) |
TW (1) | TWI777767B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035250A (zh) * | 2018-09-11 | 2018-12-18 | 中国科学技术大学 | 建立年龄预测模型的方法及装置、年龄预测方法及装置 |
WO2020023980A1 (en) * | 2018-07-27 | 2020-01-30 | Northeastern University | Diagnosis of dementia by vascular magnetic resonance imaging |
-
2021
- 2021-09-10 TW TW110133826A patent/TWI777767B/zh active
-
2022
- 2022-08-05 US US17/882,513 patent/US20230080821A1/en active Pending
- 2022-08-08 CN CN202210945841.4A patent/CN115798701A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020023980A1 (en) * | 2018-07-27 | 2020-01-30 | Northeastern University | Diagnosis of dementia by vascular magnetic resonance imaging |
CN109035250A (zh) * | 2018-09-11 | 2018-12-18 | 中国科学技术大学 | 建立年龄预测模型的方法及装置、年龄预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
TW202310802A (zh) | 2023-03-16 |
CN115798701A (zh) | 2023-03-14 |
US20230080821A1 (en) | 2023-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wee et al. | Identification of MCI individuals using structural and functional connectivity networks | |
Irimia et al. | Neuroimaging of structural pathology and connectomics in traumatic brain injury: Toward personalized outcome prediction | |
CN109997200A (zh) | 脑中风诊断以及预后预测方法及系统 | |
Park et al. | Segmentation of perivascular spaces in 7 T MR image using auto-context model with orientation-normalized features | |
JP6603131B2 (ja) | 脳損傷を定量するための方法 | |
Noya et al. | Automated angiodysplasia detection from wireless capsule endoscopy | |
JP2014042684A (ja) | 医用画像処理装置、およびプログラム | |
Hachaj et al. | CAD system for automatic analysis of CT perfusion maps | |
JP2022515464A (ja) | 人工知能に基づく血流区間の分類方法及びシステム | |
Zhang et al. | Learning-based structurally-guided construction of resting-state functional correlation tensors | |
US9883817B2 (en) | Management, assessment and treatment planning for inflammatory bowel disease | |
Lucassen et al. | Deep learning for detection and localization of B-lines in lung ultrasound | |
Kim et al. | New parametric imaging method with fluorescein angiograms for detecting areas of capillary nonperfusion | |
Qiu et al. | Visionfm: a multi-modal multi-task vision foundation model for generalist ophthalmic artificial intelligence | |
WO2019216125A1 (ja) | 梗塞領域を判別する判別器の学習装置、方法およびプログラム、梗塞領域を判別する判別器、並びに梗塞領域判別装置、方法およびプログラム | |
US11523767B2 (en) | System, method, and computer program product for detecting neurodegeneration using differential tractography | |
TWI777767B (zh) | 基於腦白質的神經血管年齡預測系統及其方法 | |
Tozer et al. | Texture analysis of magnetization transfer maps from patients with clinically isolated syndrome and multiple sclerosis | |
TW202111617A (zh) | 區域性腦年齡預測之方法、非暫時性電腦可讀媒體及設備 | |
US20240104725A1 (en) | Method, apparatus, and recording medium for analyzing coronary plaque tissue through ultrasound image-based deep learning | |
KR20220110466A (ko) | 뇌경색 볼륨 계산 기반의 뇌경색 예측 방법 및 그를 위한 장치 | |
KR102447400B1 (ko) | 딥러닝 모델을 이용한 병변 영역 추출 기반의 뇌경색 예측 방법 및 그를 위한 장치 | |
Maragkos et al. | Automated Lateral Ventricular and Cranial Vault Volume Measurements in 13,851 Patients Using Deep Learning Algorithms | |
US20090080740A1 (en) | Automatic Lesion Detection and Characterization Using Generative Model of Enhancement Dynamics in Breast MR | |
Harris et al. | Localized measures of callosal atrophy are associated with late-life hypertension: AGES–Reykjavik Study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GD4A | Issue of patent certificate for granted invention patent |