基于sMRI多维张量形态特征预测脑年龄的方法及装置制造方法及图纸

本申请提出一种基于sMRI多维张量形态特征预测脑年龄的方法及装置，所述方法首先对T1

【技术实现步骤摘要】
基于sMRI多维张量形态特征预测脑年龄的方法及装置


[0001]本申请属于数字化医学领域，特别涉及一种基于sMRI多维张量形态特征预测脑年龄的方法及装置。

技术介绍

[0002]脑年龄是指通过机器学习框架等手段分析高维神经成像数据所得的个体预测年龄。近十年的研究表明，基于脑年龄可以获得多种用于评判多种脑疾病的参考指标，具有重要的神经科学和临床价值。
[0003]目前，脑年龄预测方法主要包括以下两种：第一种是，从结构性磁共振成像(structural Magnetic Resonance Imaging，sMRI)中提取传统的结构特征，例如，灰白质、大脑皮层厚度、脑曲率等，并构建相似性矩阵，再使用机器学习回归方法预测脑年龄；第二种是，使用卷积神经网络的各种变体从sMRI原始图像中直接提取特征，再进行回归预测。然而，第一种方法以全脑结构特征作为分析预测的基础信息，导致关键参数的权重降低，降低预测结果的准确性，而且，将该方法直接应用于高维小样本数据的回归分析中，容易产生“维度灾难”和过拟合的问题。此外，对于第二种方法，建立分析模型需要至少几千例健康人群sMRI的有效样本，然而，实际工作中，健康人群sMRI的有效样本仅能收集到几百例，无法获得有效的分析模型。

技术实现思路

[0004]为解决现有技术存在的问题，本申请提出一种基于sMRI多维张量形态特征预测脑年龄的方法及装置，所述方法首先对T1
‑
w结构磁共振图像进行预处理并提取皮质下结构的多维张量形态特征，使用深度字典学习方法对多维张量形态特征进行特征编码，再使用基于相关性分析的特征选择策略从编码后的多维张量形态特征中选择与脑年龄相关的特征，实现对所述特征的降维，最后使用脑年龄预测模型计算脑年龄，能够实现基于高维小样本数据进行脑年龄预测，避免过拟合问题，并且获得较为理想的预测结果。
[0005]本申请的目的在于提供以下几个方面：
[0006]第一方面，本申请提供一种基于sMRI多维张量形态特征预测脑年龄的方法，所述方法包括：
[0007]获取待处理结构性核磁共振图像；
[0008]对待处理结构性核磁共振图像进行预处理获得目标结构性核磁共振图像；
[0009]从所述目标结构性核磁共振图像中提取感兴趣区域的多维张量形态特征；
[0010]对所述多维张量形态特征进行降维处理，获得目标形态特征；
[0011]基于脑年龄预测模型使用所述目标形态特征计算脑年龄。
[0012]在一种可实现的方式中，每个待处理结构性核磁共振图像中包括至少一个感兴趣区域，对待处理结构性核磁共振图像进行预处理获得目标结构性核磁共振图像具体包括：
[0013]分割所述待处理结构性核磁共振图像中所有感兴趣区域；
[0014]对每个感兴趣区域分别进行标准化处理获得相应的标准分割图像；
[0015]对每个所述标准分割图像分别进行位置校正及图像强度校正获得相应的目标结构性核磁共振图像。
[0016]在一种可实现的方式中，对所述多维张量形态特征进行降维处理具体包括：
[0017]利用多层深度学习字典对所述多维张量形态特征进行特征编码获得特征矩阵；
[0018]根据相关性f值由所述特征矩阵中选取目标特征向量。
[0019]可选地，所述相关性f值可根据以下式(1)计算：
[0020][0021]其中，r
i
表示特征矩阵中第i维特征向量与因变量之间的样本相关系数；
[0022]n表示特征矩阵中的样本数量。
[0023]进一步地，r
i
可根据以下式(2)计算：
[0024][0025]其中，Z
i
表示特征矩阵在第i维特征上取值的列向量；
[0026]表示Z
i
的平均值；
[0027]y表示Z对应的因变量；
[0028]std(Z
i
)表示Z
i
的标准差；
[0029]std(y)表示y的标准差。
[0030]在一种可实现的方式中，基于脑年龄预测模型使用所述目标形态特征计算脑年龄具体包括：
[0031]基于脑年龄预测模型，分别使用各组目标特征向量计算脑年龄估值；
[0032]对所述脑年龄估值进行线性回归获得脑年龄预测值。
[0033]可选地，所述线性回归可根据下式(3)进行：
[0034][0035]其中，y表示脑年龄预测值；
[0036]m表示感兴趣区域的数量；
[0037]w表示线性回归模型参数向量；
[0038]b表示偏置量。
[0039]第二方面，本申请还提供一种基于sMRI多维张量形态特征的脑年龄预测装置，所述装置包括：
[0040]原始数据获取单元，用于获取待处理结构性核磁共振图像；
[0041]预处理单元，用于对待处理结构性核磁共振图像进行预处理获得目标结构性核磁共振图像；
[0042]多维张量形态获取单元，用于从所述目标结构性核磁共振图像中提取感兴趣区域的多维张量形态特征；
[0043]降维处理单元，用于对所述多维张量形态特征进行降维处理，获得目标形态特征；
[0044]脑年龄计算单元，用于基于脑年龄预测模型使用所述目标形态特征计算脑年龄。
[0045]第三方面，本申请还提供一种基于sMRI多维张量形态特征的脑年龄预测的程序，所用程序用于执行时实现上述第一方面所述基于sMRI多维张量形态特征的脑年龄预测方法的步骤。
[0046]第四方面，一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述第一方面所述基于sMRI多维张量形态特征的脑年龄预测方法的步骤。
[0047]第五方面，一种检测设备，所述检测设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述第一方面所述基于sMRI多维张量形态特征的脑年龄预测方法。
[0048]与现有技术相比，本申请提供的方法及装置首先从高精度的sMRI中分隔至少一个感兴趣区域的多维张量结构特征，所述感兴趣区域例如海马体、杏仁核以及伏隔核等，再使用深度字典学习的方法对各感兴趣区域所提取的结构特征分别进行降维处理，使得各感兴趣区域结构特征的维度降低至目标维度，并保留关键形态特征，再根据降维后的结构特征使用脑年龄预测模型进行脑年龄预测，针对高维度小样本数据避免产生“维度灾难”和过拟合等问题，能够获得较为理想的预测结果。
附图说明
[0049]图1示出本申请训练脑年龄预测模型的流程图；
[0050]图2示出本申请所构建三层深度字典学习编码框架的示意图；
[0051]图3示出本申请步骤S105的流程示意图；
[0052]图4示出使用线性回归组合模型；
[0053]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于sMRI多维张量形态特征预测脑年龄的方法，其特征在于，所述方法包括：获取待处理结构性核磁共振图像；对待处理结构性核磁共振图像进行预处理获得目标结构性核磁共振图像；从所述目标结构性核磁共振图像中提取感兴趣区域的多维张量形态特征；对所述多维张量形态特征进行降维处理，获得目标形态特征；基于脑年龄预测模型使用所述目标形态特征计算脑年龄。2.根据权利要求1所述的方法，其特征在于，每个待处理结构性核磁共振图像中包括至少一个感兴趣区域，对待处理结构性核磁共振图像进行预处理获得目标结构性核磁共振图像具体包括：分割所述待处理结构性核磁共振图像中所有感兴趣区域；对每个感兴趣区域分别进行标准化处理获得相应的标准分割图像；对每个所述标准分割图像分别进行位置校正及图像强度校正获得相应的目标结构性核磁共振图像。3.根据权利要求1或2所述的方法，其特征在于，对所述多维张量形态特征进行降维处理具体包括：利用多层深度学习字典对所述多维张量形态特征进行特征编码获得特征矩阵；根据相关性f值由所述特征矩阵中选取目标特征向量。4.根据权利要求3所述的方法，其特征在于，所述相关性f值可根据以下式(1)计算：其中，r
i
表示特征矩阵中第i维特征向量与因变量之间的样本相关系数；n表示特征矩阵中的样本数量。5.根据权利要求4所述的方法，其特征在于，r
i
可根据以下式(2)计算：其中，Z
i
表示特征矩阵在第i维特征上取值的列向量；表示Z
i
的平均值；y表示Z对应的因变量；std(Z
i
...

【专利技术属性】
技术研发人员：胡斌，董群喜，沈健，刘红红，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：