基于影像组学的MCI进展为AD的生存分析方法、系统及设备技术方案

本发明专利技术是一种基于影像组学的MCI进展为AD的生存分析方法、系统及设备，属于医学图像处理领域，解决了目前基于影像组学的MCI患者进展为AD的风险分析技术的不足的问题，具体技术方案：准备MCI患者和AD患者的影像组学数据和临床指标数据；对影像组学数据和临床指标数据进行数据预处理；基于改进的残差网络对影像组学数据进行特征提取和选择；对提取的不同模态图像的特征进行融合，进一步确定融合后的影像组学生物标志物标签；构建MCI进展为AD的深度生存分析模型，实现MCI进展为AD的生存分析。本发明专利技术通过深度生存分析模型实现MCI患者进展为AD的个体化风险动态预测。AD的个体化风险动态预测。AD的个体化风险动态预测。

【技术实现步骤摘要】
基于影像组学的MCI进展为AD的生存分析方法、系统及设备


[0001]本专利技术属于医学图像处理领域，特别是涉及一种基于影像组学的MCI进展为AD的生存分析方法、系统及设备。

技术介绍

[0002]据研究表明，2050年全球罹患痴呆的人数预计将从2019年的5740万增加至1.53亿，其中60
‑
80％是阿尔茨海默病(Alzheimer disease，AD)导致的痴呆。AD具有连续的疾病谱，病程通常跨越三个阶段：认知正常(normal cognition，NC)、轻度认知障碍(mild cognitive impairment，MCI)及AD，从轻度发展到中度通常被认为是介于NC与AD的中间状态。研究表明，对MCI患者进行早期干预可以减缓患者认知能力下降的速度，增强MCI患者的记忆和思维能力，延缓向AD的转化。据估计，每年有10％
‑
20％的MCI患者进展为AD患者，然而即使在十年后，超过60％的MCI患者可能未发生进展。因此，准确预测MCI患者是否以及何时会进展为AD至关重要。
[0003]医学影像作为一种无创的痴呆评估方法，已被用于检测不同阶段的全脑结构与形状变化，敏感地诊断和监测神经退行性变，具有无创、可重复、高空间分辨率等优点。如何深入挖掘医学影像的丰富信息，定量化地进行MCI进展预后分析具有理论意义和现实意义。
[0004]近年来影像组学的迅速发展，研究者已经开始探索影像定量特征与预后之间的联系，且基于医学影像组学分析已成功地应用于MCI进展为AD的研究。
[0005]随着人工智能技术的发展，深度学习可以通过自动学习高度复杂的非线性函数解决COX比例风险模型(coxproportional
‑
hazards model，CPH)数据需满足线性比例风险条件的局限。研究者应用深度神经网络解决大数据量情况下复杂的生存分析问题，并提出DeepConvSurv的深度卷积神经网络对病理图像进行生存分析。
[0006]但是，既往研究中对影像特征的提取均采用传统方法，未能更深层挖掘影像信息，且深度学习的生存分析研究大都集中于对癌症疾病的预后分析，尚无针对MCI患者进展为AD的风险分析研究。因此，有必要专利技术一种基于影像组学的MCI进展为AD的深度生存分析方法、系统及设备。

技术实现思路

[0007]本专利技术针对目前基于影像组学的MCI患者进展为AD的风险分析技术的不足，提出了一种基于影像组学的MCI进展为AD的深度生存分析方法、系统及设备，用于对MCI患者的早期干预，以延缓MCI患者向AD的转化，提高MCI患者的记忆和思维能力。
[0008]为解决上述技术问题，本专利技术采用的技术方案为：一种基于影像组学的MCI进展为AD的生存分析方法，具体步骤如下：
[0009]S1.准备MCI患者和AD患者的影像组学数据和临床指标数据：
[0010]神经影像组学数据包括MRI图像和PET图像；临床指标数据包括人口统计学信息、神经心理学评估数据以及生物学检测数据；
[0011]S2.对影像组学数据和临床指标数据进行数据预处理：
[0012]对于临床指标数据要进行格式化处理，每个样本信息处理成向量形式；
[0013]S3.基于卷积神经网络对影像组学数据进行特征提取和选择：
[0014]将预处理后的MRI图像数据和PET图像数据分别输入到各自模态对应的残差网络中进行参数训练及特征提取；具体步骤如下：
[0015]首先，以Resnet101作为骨干网络，该网络使用残差块作为整个网络的构件，在进行网络模型训练时，如果一个残差块被使用，此残差块的输入会同时通过残差块和捷径，否则输入只会通过捷径不会通过残差块，在训练的过程中，每一残差块都会有一个“被使用概率”，并会通过此概率确定是否选用和丢弃残差块，该模型被定义为基于概率的残差网络P
‑
Resnet，以P
‑
Resnet作为提取图像特征的网络模型；
[0016]然后，将预处理好的MRI和PET图像输入到基于概率的残差网络模型中进行训练，直到符合迭代次数或最小化损失函数误差范围的要求；
[0017]最后，将模型的全连接层的上一层作为影像组学生物标志物的特征，该特征包含了图像的强度特征、边缘特征、形状特征等信息。
[0018]S4.对提取的不同模态图像的特征进行融合，进一步确定融合后的影像组学生物标志物标签：
[0019]将不同模态的影像组学生物标志物标签进行综合，形成特征矩阵，即形成最终特征标签，对提取的不同模态图像的特征进行融合，进一步确定融合后的影像组学生物标志物标签；
[0020]S5.构建MCI进展为AD的深度生存分析模型，实现MCI患者进展为AD的生存分析：
[0021]对Cox模型扩展进行深度生存分析，通过影像组学生物标志物标签和临床指标作为深度Cox模型的指数部分，模型的损失函数定义为：
[0022][0023]对于上式中，是特征标签，w和b是网络的参数，x
i
和x
j
是第i个和第j个输入。
[0024]本专利技术将融合后的最终影像组学特征标签和其余临床指标特征进行单因素分析，然后再将其结合起来进行多因素分析，实现MCI患者进展为AD的个体化风险动态预测。
[0025]进一步的，S2中对MRI图像的预处理，包括以下四个步骤
[0026]步骤1)：格式转化：将采集的原始DICOM图像转换成NIFTI格式；
[0027]步骤2)：空间标准化：通过仿射变换和非刚性变形将所有个体的T1结构像在空间上相互配准，所有图像的分辨率和相同的解剖结构均与模板对应；
[0028]步骤3)：脑组织分割：首先去除非脑组织，之后利用脑图像的先验信息评估出每个体素对应的脑组织所隶属的值，再运用迭代算法进行模型参数估计以得到收敛的结果，最终将大脑组织分为白质、灰质、脑脊液三个部分；
[0029]步骤4)：配准和空间标准化：将分割后的图像运用dartel工具箱将每个个体的灰质密度图标准化到模板，以消除形状上的差异，设置半高全宽为8mm的高斯核平滑，在此过程中，一些区域被压缩，相应的体素值就增加；反之，被拉伸的区域，体素值就减小，经过这一过程得到图像的体素值即反映灰质密度信息。
[0030]进一步的，S2中对PET图像的预处理，包括四个步骤。
[0031]第一步：格式转化：将采集的原始DICOM图像转换成NIFTI格式；
[0032]第二步：图像配准和仿射对齐：将每位个体的PET图像和对应的MRI图像进行图像配准和仿射对齐，防止因为仪器的不同产生差异；
[0033]第三步：归一化到MNI空间：然后通过线性和非线性3D变换归一化到MNI空间，使得图像在空间上大小和分辨率一致；
[0034]第四步：平滑处理：使用高斯核对归一化的PET图像进行平滑处理，平滑处理可以模糊图像边缘，提高信噪比。...

【技术保护点】

【技术特征摘要】
1.一种基于影像组学的MCI进展为AD的生存分析方法，其特征在于：具体步骤如下：S1.准备MCI患者和AD患者的影像组学数据和临床指标数据：神经影像组学数据包括MRI图像和PET图像；临床指标数据包括人口统计学信息、神经心理学评估数据以及生物学检测数据；S2.对影像组学数据和临床指标数据进行数据预处理：对于临床指标数据要进行格式化处理，每个样本信息处理成向量形式；S3.基于卷积神经网络对影像组学数据进行特征提取和选择：将预处理后的MRI图像数据和PET图像数据分别输入到各自模态对应的残差网络中进行参数训练及特征提取；具体步骤如下：首先，以Resnet101作为骨干网络，该网络使用残差块作为整个网络的构件，在进行网络模型训练时，如果一个残差块被使用，此残差块的输入会同时通过残差块和捷径，否则输入只会通过捷径不会通过残差块，在训练的过程中，每一残差块都会有一个“被使用概率”，并会通过此概率确定是否选用和丢弃残差块，该模型被定义为基于概率的残差网络P
‑
Resnet，以P
‑
Resnet作为提取图像特征的网络模型；然后，将预处理好的MRI和PET图像输入到基于概率的残差网络模型中进行训练，直到符合迭代次数或最小化损失函数误差范围的要求；最后，将模型的全连接层的上一层作为影像组学生物标志物的特征，该特征包含了图像的强度特征、边缘特征、形状特征等信息；S4.对提取的不同模态图像的特征进行融合，进一步确定融合后的影像组学生物标志物标签：将不同模态的影像组学生物标志物标签进行综合，形成特征矩阵，即形成最终特征标签，对提取的不同模态图像的特征进行融合，进一步确定融合后的影像组学生物标志物标签；S5.构建MCI进展为AD的深度生存分析模型，实现MCI患者进展为AD的生存分析：对Cox模型扩展进行深度生存分析，通过影像组学生物标志物标签和临床指标作为深度Cox模型的指数部分，模型的损失函数定义为：对于上式中，是特征标签，w和b是网络的参数，x
i
和x
j
是第i个和第j个输入；本发明将融合后的最终影像组学特征标签和其余临床指标特征进行单因素分析，然后再将其结合起来进行多因素分析，实现MCI患者进展为AD的个体化风险动态预测。2.根据权利要求1所述的基于影像组学的MCI进展为AD的生存分析方法，其特征在于：S2中对MRI图像的预处理，包括以下四个步骤步骤1)：格式转化：将采集的原始DICOM图像转换成NIFTI格式；步骤2)：空间标准化：通过仿射变换和非刚性变形将所有个体的T1结构像在空间上相互配准，所有图像的分辨率和相同的解剖结构均与模板对应；步骤3)：脑组织分割：首先去除非脑组织，之后利用脑图像的先验信息评估出每个体素对应的脑组织所隶属的值，再运用迭代算法进行模型参数估计以得到收敛的结果，最终将
大脑组织分为白质、灰质、脑脊液三个部分；步骤4)：配准和空间标准化：将分割后的图像运用dartel工具箱将每个个体的灰质密度图标准化到模板，以消除形状上的差异，设置半高全宽为8mm的高斯核平滑，在此过程中，一些区域被压缩，相应的体素值就增加；反之，被拉伸的区域，体素值就减小，经过这一过程得到图像的体素值即反映灰质密度信息。3.根据权利要求1所述的基于影像组学的MCI进展为AD的生存分析方法，其特征在于：S2中对PET图像的预处理，包括四个步骤：第一步：格式转化：将采集的原始DICOM图像转换成NIFTI格式；第二步：图像配准和仿射对齐：将每位个体的PET图像和对应的MRI图像进行图像...

【专利技术属性】
技术研发人员：张荣，张烁，余红梅，马艺菲，韩红娟，秦瑶，
申请(专利权)人：山西青年职业学院，
类型：发明
国别省市：