基于脑功能网络的患者光刺激参数选择方法及系统技术方案

本发明专利技术提供了一种基于脑功能网络的患者光刺激参数选择方法及系统，获取并预处理脑小血管病患者脑部弥散张量模态数据和静息态功能模态数据；基于预处理后的静息态功能模态数据，进行统计分析获取多个不同的全局网络属性和多条连接权重有差异的连边；对预处理后的脑部弥散张量模态数据运用卷积神经网络进行海马体区域分割，将图像所包含的信息进行量化获取多个影像组学特征；将获取的全局网络属性、连接权重有差异的连边与影像组学特征融合构成特征矩阵，构建多个基础分类器并运用集成学习进行训练，最后输出向量。本发明专利技术实现CSVD光刺激参数的自动化选择，克服临床上采用的复杂评分带来的诸多局限。评分带来的诸多局限。评分带来的诸多局限。

【技术实现步骤摘要】
基于脑功能网络的患者光刺激参数选择方法及系统


[0001]本专利技术涉及医学图像处理的
，具体地，涉及一种基于脑功能网络的患者光刺激参数选择方法及系统。尤其是，优选的涉及一种基于脑功能网络的CSVD患者光刺激参数选择方法。

技术介绍

[0002]脑小血管病(Cerebral Small Vessel Disease，CSVD)[1]是一种发生于大脑小穿支动脉、毛细血管和小静脉的疾病，可引起小的皮层下梗死、白质高信号、腔隙灶、脑微出血、血管周围空间扩大、脑萎缩等病变，而这些病变均可导致认知功能障碍、老年痴呆、情绪障碍等疾病[2]。PM10是空气动力学中直径小于或等于10微米的颗粒物，也称可吸入颗粒物或飘尘。长期的生产性粉尘接触，微小粉尘颗粒可以进入肺部、鼻子、眼睛，通过呼吸、嗅觉神经、血液绕过血脑屏障，通过突触间传递直接扩散到深部脑区。长期暴露在粉尘环境中对脑功能网络异常及由此引发的CSVD有重大影响[3]。
[0003]近年来，国内外开始利用近红外光物理治疗的方式来缓解CSVD患者的发病过程，改善病人的认知功能。然而由于尚不清楚CSVD是如何导致认知能力下降或痴呆的机制以及缺乏对患者病情进行合理评估的手段，因此寻找一种有效准确的无创评估方法对CSVD的临床诊断和治疗方案的选择具有重要意义。
[0004]当前，借助脑部弥散张量模态(diffusion tensor imaging，DTI)和静息态功能模态(resting
‑
state functional magnetic resonance，RS
‑
fMRI)数据，分别从结构和功能角度对大脑连接模式及其所致的临床症状来探究CSVD导致认知障碍的发病机制成为热门研究方向。有研究发现CSVD患者存在前额叶、皮质下区、扣带回和海马的功能活动异常，这些脑网络的异常程度与疾病严重程度呈现显著相关[4]。有研究将基于传统影像标志物的脑小血管负荷评分和脑网络指标进行了比较，发现脑网络的变化指标与认知的相关性更强[5]。也有研究证明这些CSVD影像标志物与认知下降之间至少有部分是由脑功能网络的介导中断所致的[6]。这些研究证实了对大脑连接模式进行结构和功能分析可以反映CSVD的发病机制。
[0005]临床上对CSVD的诊断一般采用影像学检查是否有白质病变(white matter lesions)、血管周围间隙扩大(enlarged perivascular spaces，EPVSs)、腔隙性脑梗死(lacunar infarcts，LIs)和脑微出血[7]，这些影像学标志物经常同时或相继出现但无法评估CSVD病情的严重程度。最新研究将CSVD的特征结合起来进行评分，按照分数的高低判断CSVD的病情。但评分机制容易受主观因素影响且无法确定评分的预后意义，因此仍不是评估CSVD的最佳方法。
[0006]有研究发现，脑卒中患者的眼底视网膜血管和颅内血管存在着类似改变，且视网膜屏障的功能、组成与血脑屏障类似，脑小血管与眼底微血管之间在解剖特征、屏障组成和血管病变病理上都存在着一定的相似性，相关动物实验研究也表明，PM2.5与视觉神经通路改变有关联[8]。因此，彩色眼底图像可作为痴呆、中风等疾病的风险分层工具，还可作为一
种可以监测无症状的痴呆、中风患者的临床监测工具。
[0007]随着计算机科学技术的飞速发展，以深度学习为代表的机器学习在图像识别及分类领域中发挥着重要的作用。2015年U
‑
net网络[9]的提出使人们开始利用计算机强大的计算能力对医学图像进行处理和分析获取感兴趣区域(Reign of interest，ROI)。此外，影像组学方法可以从ROI中提取大量影像信息，凭借对影像特征进行挖掘、预测和分析可以更好的辅助医生做出最准确的诊断。U
‑
net是一种基于卷积连接的深度学习分割网络。
[0008]参考文献：[1]Power M C,Lamichhane A P,Liao D,et al.The Association of Long
‑
Term Exposure to Particulate Matter air Pollution with Brain MRI Finding:The APIC Study[J].Environ Health Perspect,2018,126(2):027009
[0009][2]Shi Y,Wardlaw J M.Update on cerebral small vessel disease:a dynamic whole
‑
brain disease[J].Stroke and vascular neurology,2016,1(3):83
‑
92.
[0010][3]Suades D E,Gascon M,Guxens M,et al.Air Pollution and Neurpsychological Development:A Review of the Latest Evidence[J].Endocrinology,2015,156(10):3473
‑
3482.
[0011][4]Petersen M,Frey B M,Schlemm E,et al.Network localisation of white matter damage in cerebral small vessel disease[J].Scientific reports,2020,10(1):1
‑
9.
[0012][5]Petersen M,Frey B M,Schlemm E,et al.Network localisation of white matter damage in cerebral small vessel disease[J].Scientific reports,2020,10(1):1
‑
9.
[0013][6]Liu R,Wu W,Ye Q,et al.Distinctive and pervasive alterations of functional brain networks in cerebral small vessel disease with and without cognitive impairment[J].Dementia and geriatric cognitive disorders,2019,47(1
‑
2):55
‑
67.
[0014][7]Hypertension
‑
Induced Cerebral Small Vessel Disease Leading to Cognitive Impairment[J].Yang Liu,Yan
‑
Hong Dong,P本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于脑功能网络的患者光刺激参数选择方法，其特征在于，包括如下步骤：预处理步骤：获取并预处理脑小血管病患者脑部弥散张量模态数据和静息态功能模态数据；属性和连边获取步骤：基于预处理后的静息态功能模态数据，采用图论构建脑功能网络，并基于脑功能网络进行统计分析，获取多个不同的全局网络属性和多条连接权重有差异的连边；影像组学特征获取步骤：对预处理后的脑部弥散张量模态数据运用卷积神经网络进行海马体区域分割，得到感兴趣区域，对感兴趣区域进行影像特征提取，将图像包含的信息进行量化，获取多个影像组学特征；向量输出步骤：将获取的全局网络属性、连接权重有差异的连边与影像组学特征融合构成特征矩阵，构建多个基础分类器并运用集成学习进行训练，最后输出向量；输出的向量表示患者的光刺激治疗参数的选择结果。2.根据权利要求1所述的基于脑功能网络的患者光刺激参数选择方法，其特征在于，所述预处理步骤包括如下步骤：数据获取步骤：获取多例脑小血管病患者脑部弥散张量模态数据和静息态功能模态数据；分别对眼底视网膜图像和脑部弥散张量模态上，进行眼底和海马体感兴趣区域的标注；将采集的数据分为健康对照组和患病组；其中每例数据包含眼底图像、脑部弥散张量模态、静息态功能模态图像、脑连接是否正常和是否患有脑小血管病；数据脱敏步骤：对不同临床数据进行标准化采集并进行数据脱敏；对数据中的个人可识别信息和敏感信息进行数据脱敏，并对采集到的原始数据进行重新审查和校验；数据处理步骤：将脑部弥散张量模态和静息态功能模态中每个被试前无脑结构图像的数据丢弃，并对所有图像数据进行时域矫正、空间域对齐和高斯滤波；图像数据统一大小；标签制作步骤：脑小血管病患者光刺激治疗参数包括光照时间、波长、频率、吸氧时间和压强；根据临床治疗的选择对光刺激治疗参数进行标准化制作光刺激参数标签。3.根据权利要求1所述的基于脑功能网络的患者光刺激参数选择方法，其特征在于，所述属性和连边获取步骤包括如下步骤：网络构建步骤：基于静息态功能模态数据，采用图论构建功能脑网络；首先，基于自动解剖标签模板，采用软件将健康对照组和患病组每个被试静息态功能模态数据脑部划分为多个感兴趣区；然后，采用皮尔逊相关函数计算感兴趣区时间序列的相关系数，得到相关系数矩阵，且每个相关系数矩阵用稀疏度划分为多个矩阵；其中，稀疏度为网络中存在的边与网络存在边的比重；子网划分步骤：将多个脑区分为多个子网，子网包括默认网络、注意网络、皮质下网络、听觉网络、视觉网络和感觉运动网络，并用稀疏度划分为矩阵；指标获取步骤：对每个矩阵分别计算多个网络属性比较患脑小血管病与健康组间的脑功能差异，网络属性包括聚类系数、效率、传递系数、特征路径长度和小世界属性；同时，采用各属性曲线下面积作为标尺用来进行组间比较，有差异的属性作为判断是否患有脑小血
管病的网络特征，获得多个全局网络属性作为脑小血管病的相关影像组学指标；对健康组和患病组的组间功能连接的多对连边进行单尾检验分析，最终得到多条连接权重有差异的连边，最后得到每例脑小血管病患者脑功能连接的影像组学特征矩阵。4.根据权利要求1所述的基于脑功能网络的患者光刺激参数选择方法，其特征在于，所述影像组学特征获取步骤包括如下步骤：分割步骤：运用模型对得到的脑部弥散张量模态图像和眼底图像进行海马体病灶区域和视网膜病变区域的分割；组学特征获取步骤：分别对感兴趣区域和视网膜病变区域进行影像特征提取，获得多个组学特征，包括形状特征、灰度特征和纹理特征。5.根据权利要求1所述的基于脑功能网络的患者光刺激参数选择方法，其特征在于，所述向量输出步骤包括如下步骤：重构步骤：将影像组学特征矩阵和影像组学特征进行重构得到脑小血管病光刺激参数选择模型的特征矩阵；训练步骤：训练多个基础分类器并对各自的结果进行加权得到最终的输出；基础学习器包括支持向量机分类器、逻辑回归分类器和朴素贝叶斯分类器；光刺激参数选择为多分类问题；预测步骤：多种基础分类器训练完成后，采用加权平均法的结合策略对输出值预测得到向量；将模型输出结果与临床参数选择进行对比计算正确率。6.一种...

【专利技术属性】
技术研发人员：耿道颖，周锟，于泽宽，
申请(专利权)人：粤港澳大湾区精准医学研究院广州，
类型：发明
国别省市：