一种精神障碍类磁共振图像初步筛查模型构建方法技术

本发明专利技术提供了一种精神障碍类磁共振图像初步筛查模型构建方法，包括对多个受试者进行临床全脑MRI扫描，图像处理均在联影工作站；由神经放射科医生检查所有受试者的图像，以排除有明显脑异常或有图像伪影的受试者；将DICOM文件存储格式的数据转换为NIFTI格式，保存在3D模型图像中；用颅骨剥离工具去除骨体素以消除非组织的影响；通过大脑分割包获得代表大脑半球信息的去颅骨的脑模板，以T1WI

【技术实现步骤摘要】
一种精神障碍类磁共振图像初步筛查模型构建方法


[0001]本专利技术涉及图像处理
，特别地涉及一种精神障碍类磁共振图像初步筛查模型构建方法。

技术介绍

[0002]精神障碍是一种严重残疾的常见病，影响着全世界约10
‑
20％的普通人群，在每年发生的8万起自杀事件中占绝大部分。然而，精神障碍患者常常被忽视，人力和财政资源分配的负担比例在精神障碍患者中也远低于其他疾病。在全球范围内，精神卫生支出的中位数占政府卫生支出总额的2.4％，而据估计，精神障碍占伤残调整生命年(total disability
‑
adjusted life
‑
years，DALYs)总额的12％，占残疾生活年(years lived with disability，YLDs)总额的35％，表明疾病负担与有效分配支出之间存在严重失衡。虽然填补这一空白是具有挑战性的，但用一种最有效的方法检测早期受精神疾病影响的个体和那些临床风险高的个体，是提供早期干预以改善临床结果和预防长期疾病损害的一个有意义的途径。
[0003]磁共振成像是一种先进的医学成像技术，用于描述大脑的解剖和功能改变，这有助于对精神障碍的临床风险、神经生物学过程和认知概况机制的理解。尽管以前大多数研究的病例/对照比较结果提供了信息，但在帮助个体识别处于临床高风险或已受疾病影响的受试者方面价值有限。然而，这些研究表明，精神疾病患者的大脑MRI数据有细微且可测量的变化，以及机器学习(ML)算法在神经成像中的应用，使其能够提取非常微小的信息，以区分精神障碍患者和健康受试者。在过去的深入研究中，精神分裂症患者与健康对照者分类的准确率在60％到100％之间，重度抑郁症患者分类准确率在50％到100％之间，双相情感障碍分类准确率在57％到100％之间。前期研究结果的存在相当大的异质性，因此目前需要新的方法，更广泛的验证和在特定临床环境中的应用，为未来计算机辅助判断(CAD) 精神疾病和其他应用带来希望。
[0004]在传统的ML模型中，最常用的是支持向量机(support vector machine,SVM)，但其对缺失数据的稳定性和敏感性较低。相比之下，基于深度学习的神经网络保持了传统ML方法的优势，因此CAD在精神障碍类疾病学的神经影像学数据中显示出特别的前景。此外，深度学习算法在精确检测医学影像上的细微病灶方面显示出了与专家水平相当甚至超过其准确率的优势。然而，在以往的工作中，深度学习模型是在小数据集和少数患者中训练的。在每种精神障碍的研究中，样本量大多被限制在数百个，当这些参与者被进一步划分为训练和测试数据集时，当外部验证数据集无法获得时，情况变得更糟。这是导致先前研究结果差异的一个关键因素，导致训练模型的准确性较差，或者精度不错但泛化程度较差。因此，建立大规模数据集的CAD模型，并在不同的情况下使用外部参考标准进行测试，是在模型能够在真实的临床环境中使用之前必不可少的。
[0005]至于应用之前训练的ML模型的临床背景，开发一种诊断工具是为了帮助识别受试者是否患有特定的精神疾病(即精神分裂症vs健康对照)或将受试者区分为两种疾病(即精
神分裂症vs双相情感障碍)。值得注意的是，所使用的图像是在研究目的下获得的，通常需要一个小时或更长时间才能获得。然而，在临床实践中，如果花一小时左右的时间扫描一个怀疑患有精神疾病的对象，然后通过将图像导入ML模型来确认诊断是没有意义的，尽管模型的平均准确率为70％
‑
90％，但这实际上比与有经验的治疗精神障碍类疾病医生面谈要花费更多的金钱和时间。因此，目前的重点应从精确性和特异性的诊断精神障碍转向开发一种常用的筛查工具，以识别临床高风险或疾病早期的受试者，并在脆弱人群中开展早期干预。在这方面，应将不同精神障碍的患者作为一个整体来构建模型。这与先前研究提出的发展跨诊断精神障碍类疾病理学筛查方法的概念相一致，因为精神疾病有共同的遗传、影像学和精神障碍类疾病理学表现，它们更像是一个谱系，而不是单独的实体。

技术实现思路

[0006]针对上述现有技术中的问题，本申请提出了一种精神障碍类磁共振图像初步筛查模型构建方法，包括以下步骤：
[0007]步骤S1、对多个受试者进行全脑MRI扫描，扫描数据包括T1WI和T2WI，所有受试者的T1WI和T2WI图像均为DICOM的数据形式，图像处理均在联影工作站；
[0008]步骤S2、由神经放射科医生检查所有受试者的图像，以排除有明显脑异常或有图像伪影的受试者；
[0009]步骤S3、将DICOM文件存储格式的数据转换为NIFTI格式，保存在3D模型图像中；
[0010]步骤S4、用颅骨剥离工具去除骨体素以消除非组织的影响；
[0011]步骤S5、通过大脑分割包获得代表大脑半球信息的去颅骨的脑模板，以 T1WI
‑
nii、T2WI
‑
nii及相应的脑模板作为卷积神经网络模型的输入；
[0012]步骤S6、基于问卷在患者级标记，以弱监督的方式训练分类模型，移除所述分类模型中对图像类别置信分数贡献度低的特征通道及其对应的滤波器，降低模型冗余度，压缩模型的同时保持模型性能；
[0013]步骤S7、继续以弱监督的方式训练分类模型，并对训练后的分类模型进行检验。
[0014]优选地，所述分类模型将特征通道作为掩码反作用于输入图像，不同特征通道对正样本图像分类准确度的促进或抑制程度的不同，所述分类模型判别不同特征通道和滤波器的重要性。
[0015]优选地，压缩模型包括以下步骤：
[0016]步骤S61：选择任务数据集及待压缩模型；
[0017]步骤S62：选取正样本图像输入模型，获得各层输出特征图；
[0018]步骤S63：根据卷积神经网络模型输出的通道重要性置信分数，预设通道重要性置信分数阈值，移除重要程度低于预设通道重要性置信分数阈值的通道重要性置信分数；
[0019]步骤S64：微调压缩后的卷积神经网络模型，使其恢复精度。
[0020]优选地，步骤S61包括以下步骤：
[0021]步骤S611：给定图像分类数据集D和待压缩的卷积神经网络模型，训练一个卷积神经网络分类模型；
[0022]步骤S612：选取合适的超参数和优化器，迭代地训练分类模型，直到分类模型收敛并在图像分类数据集D上获得较高的分类准确率时，保存训练好的分类模型M。
[0023]优选地，步骤S62包括以下步骤：
[0024]步骤S621：从数据集中选取一张图像为I
c
∈D，其类别标签为c，使其满足： c＝argmax(M(I
c
))；
[0025]步骤S622：将图像I
c
输入训练好的模型，针对模型的每一层，获得其输出特征图：
[0026][0027]其中M
l
(
·
)表示模型从第一层到第l层的算子,表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种精神障碍类磁共振图像初步筛查模型构建方法，其特征在于，包括以下步骤：步骤S1、对多个受试者进行全脑MRI扫描，扫描数据包括T1WI和T2WI，受试者的T1WI和T2WI图像为DICOM的数据形式，图像处理均在联影工作站；步骤S2、检查受试者的图像，以排除有明显脑异常或有图像伪影的受试者；步骤S3、将DICOM文件存储格式的数据转换为NIFTI格式，保存在3D模型图像中；步骤S4、用颅骨剥离工具去除骨体素以消除非组织的影响；步骤S5、通过大脑分割包获得代表大脑半球信息的去颅骨的脑模板，以T1WI
‑
nii、T2WI
‑
nii及相应的脑模板作为卷积神经网络模型的输入；步骤S6、基于问卷在患者级标记，以弱监督的方式训练分类模型，移除所述分类模型中对图像类别置信分数贡献度低的特征通道及其对应的滤波器，降低模型冗余度，压缩模型的同时保持模型性能；步骤S7、继续以弱监督的方式训练分类模型，并对训练后的分类模型进行检验。2.根据权利要求1所述的精神障碍类磁共振图像初步筛查模型构建方法，其特征在于，所述分类模型将特征通道作为掩码反作用于输入图像，不同特征通道对正样本图像分类准确度的促进或抑制程度不同，所述分类模型判别不同特征通道和滤波器的重要性。3.根据权利要求1所述的精神障碍类磁共振图像初步筛查模型构建方法，其特征在于，压缩模型包括以下步骤：步骤S61：选择任务数据集及待压缩模型；步骤S62：选取正样本图像输入模型，获得各层输出特征图；步骤S63：根据分类模型输出的通道重要性置信分数，预设通道重要性置信分数阈值，移除重要程度低于预设通道重要性置信分数阈值的通道重要性置信分数；步骤S64：微调压缩后的分类模型，使其恢复精度。4.根据权利要求3所述的精神障碍类磁共振图像初步筛查模型构建方法，其特征在于，步骤S61包括以下步骤：步骤S611：给定图像分类数据集D和待压缩的卷积神经网络模型，训练一个卷积神经网络分类模型；...

【专利技术属性】
技术研发人员：吕粟，张文静，杨成敏，石峰，龚启勇，
申请(专利权)人：四川大学华西医院，
类型：发明
国别省市：