【技术实现步骤摘要】
本专利技术属于临床医学，尤其涉及一种基于多模态影像组学的肌萎缩侧索硬化抑郁风险评估系统。
技术介绍
1、肌萎缩侧索硬化（amyotrophic lateral sclerosis，als）是一种神经系统变性病，又被称为渐冻症，目前病因不清，可能与遗传、铜锌超氧歧化酶基因突变、兴奋性氨基酸毒性、自身免疫和神经营养因子缺乏等有关，目前无法治愈，治疗主要包括对因治疗、对症治疗和各种非药物治疗，但是预后较差，多在3～5年内死于呼吸肌麻痹或肺部感染。但该疾病不会影响患者的意识，即患者能清醒的看到自己被“冰冻”过程。在起病后，约50%的患者常常并发有抑郁、焦虑、失眠等非运动症状，自杀念头在合并抑郁的als患者中十分常见。抑郁会进一步影响患者生活质量，甚至影响疾病进展预后，因此对于als患者抑郁的识别尤为重要。
2、目前抑郁诊断主要依靠临床表现，并以量表作为辅助指标，因此主观性强，主要依靠医生与患者的交流，结合症状进行判断，且不同医生个体问诊诊断水平存在差异。同时需要考虑到als自身疾病因素对于抑郁判断的影响，因此亟需客观的针对als疾病群体的抑郁评价预测指标协助临床诊疗，而目前并没有可靠手段针对als患者评估其抑郁风险。
技术实现思路
1、鉴于上述的分析，本专利技术旨在提供一种基于多模态影像组学的肌萎缩侧索硬化抑郁风险评估系统，用于解决现有技术中的抑郁风险评估主要依靠患者的临床表现，医生和患者的主观性影响较强，且没有考虑到als自身疾病因素对于抑郁判断的影响，导致评估准确性差的问题
2、本专利技术的目的主要是通过以下技术方案实现的：
3、一方面，本专利技术提供了一种基于多模态影像组学的肌萎缩侧索硬化抑郁风险评估系统，该系统包括：
4、数据采集单元，用于采集待评估患者的多模态脑影像数据；
5、影像组学特征提取单元，用于对各模态的脑影像数据标注肌萎缩侧索硬化相关脑区；并对标注的肌萎缩侧索硬化相关脑区进行影像组学特征提取，得到所述待评估患者对应的影像组学特征数据；
6、特征数据筛选单元，用于基于预先构建的样本数据集，对所述影像组学特征数据进行筛选，得到所述肌萎缩侧索硬化抑郁风险评估数据；
7、抑郁风险评估单元，为预训练的神经网络模型，用于基于所述肌萎缩侧索硬化抑郁风险评估数据进行分类预测，得到所述待评估患者的肌萎缩侧索硬化抑郁风险评估结果。
8、进一步的，所述样本数据集中的每个样本数据包括个特征数据；
9、所述基于预先构建的样本数据集，对所述影像组学特征数据进行筛选，包括：
10、选择所述影像组学特征数据中与样本数据相同的个特征数据，并将每个特征数据除以，得到新的影像组学数据；
11、计算所述待评估患者的新的影像组学数据与每个样本数据间的欧式距离，采用所述欧式距离作为所述待评估患者对应的新的特征数据，并对新的所述特征数据进行秩归一化；
12、利用自动编码器对秩归一化后的所述特征数据进行特征转换；
13、计算特征转换后的每个特征与各样本数据的皮尔逊相关矩阵，并基于所述相关矩阵排除皮尔逊相关系数小于预设值的特征数据，对得到的不同模态的特征数据进行融合拼接，得到肌萎缩侧索硬化抑郁风险评估数据。
14、进一步的，所述样本数据集通过下述方法构建得到：
15、通过所述数据采集单元采集多个肌萎缩侧索硬化患者的多模态脑影像数据；所述肌萎缩侧索硬化患者包括抑郁患者和非抑郁患者；
16、对所述初始样本数据集中各个模态的脑影像组学数据进行预处理、肌萎缩侧索硬化特异性脑区标注，并进行影像组学特征提取，得到初始样本数据集；
17、计算采集得到的相同模态的各数据中同一特征间的方差，将每个模态对应的特征数据按方差进行反排序，选择方差最大的前个特征，并将选择得到的每个特征数据除以后作为每个样本数据的样本特征数据，构建得到所述样本数据集。
18、进一步的，所述秩归一化包括：
19、将新的所述特征数据的矩阵中的每个值替换为根据全局链决定的秩，并使用逆变换和分数偏移量将秩转换为正规分数，表示为：
20、；
21、其中，为特征数据矩阵中位置的秩，为矩阵的逆，为有效样本数。
22、进一步的，所述多模态脑影像数据包括t1wi、t2wi、dti和静息态fmri脑影像数据。
23、进一步的，所述肌萎缩侧索硬化相关脑区包括：
24、t1wi和t2wi数据对应的肌萎缩侧索硬化相关脑区包括：额中回、额下回、眶额叶皮质、中央前回、丘脑、海马、杏仁核、岛叶和前扣带回；
25、dti数据对应的肌萎缩侧索硬化相关脑区包括：皮质脊髓束、皮质脑干束、皮质纹状体通路和胼胝体；
26、fmri数据对应的肌萎缩侧索硬化相关脑区包括：中央前回、中央后回、额上回、额中回、颞中回、岛叶和舌回。
27、进一步的，在进行影像组学特征提取之前，还包括通过下述方法对各模态数据进行预处理：
28、t1wi数据：使用spm12对数据进行格式转换，组织分割及空间标准化；
29、t2wi数据：在dicom头文件窗口设置中，将对比度分辨率由16位转化为8位，并配准到标准空间；
30、dti数据：通过dcm2nii对dicom文件进行格式转换；并采用线性配准对齐至dti的基准数据。
31、静息态fmri数据：通过dpabi对数据进行时间及空间整理。
32、进一步的，所述进行影像组学特征提取，包括：
33、基于aal图谱，通过pyradiomics库对特异性脑区进行影像组学的特征提取，对每个感兴趣脑区分别提取得到1742个特征。
34、进一步的，所述影像组学特征包括：一阶特征、纹理特征、灰度依赖矩阵特征、灰度尺寸区域矩阵特征、灰度游程长度矩阵特征和灰度共生矩阵。
35、进一步的，所述抑郁风险评估单元为基于支持向量机的神经网络模型，通过进行欧式距离转换并进行秩归一化后的所述样本数据集训练得到；
36、所述支持向量机的输出层设置决策概率函数，用于基于预测得到的抑郁风险概率得到待评估患者的抑郁风险指数。
37、本技术方案的有益效果：
38、1. 本专利技术基于既往关于als疾病脑区改变的研究，选择疾病特异性感兴趣脑区，并采用影像组学特征进行抑郁风险预测，提高了als群体中抑郁评估的敏感性、特异性；相比于传统的方法，更加系统、科学，提高了抑郁风险评估的准确性。
39、2、本专利技术在算法上对影响als抑郁风险的组学数据进行针对性筛选，通过特征间的方差、欧式距离和秩归一化等方式，筛选得到als抑郁风险强相关的特征，用于抑郁风险评估；通过深度学习的方式，对所采集的数据集进行分析和处理，结合网络进行人工智能深度调整，以获得更加准确及科学的als抑郁风险评估系统。
40、本专利技术的其他特征和优本文档来自技高网...
【技术保护点】
1.一种基于多模态影像组学的肌萎缩侧索硬化抑郁风险评估系统，其特征在于，包括：
2.根据权利要求1所述的基于多模态影像组学的肌萎缩侧索硬化抑郁风险评估系统，其特征在于，所述样本数据集中的每个样本数据包括个特征数据；
3.根据权利要求1所述的基于多模态影像组学的肌萎缩侧索硬化抑郁风险评估系统，其特征在于，所述样本数据集通过下述方法构建得到：
4.根据权利要求2所述的基于多模态影像组学的肌萎缩侧索硬化抑郁风险评估系统，其特征在于，所述秩归一化包括：
5.根据权利要求1所述的基于多模态影像组学的肌萎缩侧索硬化抑郁风险评估系统，其特征在于，所述多模态脑影像数据包括T1WI、T2WI、DTI和静息态fMRI脑影像数据。
6.根据权利要求5所述的基于多模态影像组学的肌萎缩侧索硬化抑郁风险评估系统，其特征在于，所述肌萎缩侧索硬化相关脑区包括：
7.根据权利要求5所述的基于多模态影像组学的肌萎缩侧索硬化抑郁风险评估系统，其特征在于，在进行影像组学特征提取之前，还包括通过下述方法对各模态数据进行预处理：
8.根据权
9.根据权利要求1所述的基于多模态影像组学的肌萎缩侧索硬化抑郁风险评估系统，其特征在于，所述影像组学特征包括：一阶特征、纹理特征、灰度依赖矩阵特征、灰度尺寸区域矩阵特征、灰度游程长度矩阵特征和灰度共生矩阵。
10.根据权利要求1所述的基于多模态影像组学的肌萎缩侧索硬化抑郁风险评估系统，其特征在于，所述抑郁风险评估单元为基于支持向量机的神经网络模型，通过进行欧氏距离转换并进行秩归一化后的所述样本数据集训练得到；
...【技术特征摘要】
1.一种基于多模态影像组学的肌萎缩侧索硬化抑郁风险评估系统，其特征在于，包括：
2.根据权利要求1所述的基于多模态影像组学的肌萎缩侧索硬化抑郁风险评估系统，其特征在于，所述样本数据集中的每个样本数据包括个特征数据；
3.根据权利要求1所述的基于多模态影像组学的肌萎缩侧索硬化抑郁风险评估系统，其特征在于，所述样本数据集通过下述方法构建得到：
4.根据权利要求2所述的基于多模态影像组学的肌萎缩侧索硬化抑郁风险评估系统，其特征在于，所述秩归一化包括：
5.根据权利要求1所述的基于多模态影像组学的肌萎缩侧索硬化抑郁风险评估系统，其特征在于，所述多模态脑影像数据包括t1wi、t2wi、dti和静息态fmri脑影像数据。
6.根据权利要求5所述的基于多模态影像组学的肌萎缩侧索硬化抑郁风险评估系统，其特征在于，所述肌萎缩侧索硬化相关脑区包括：
7.根据权利要求5所述的基...
【专利技术属性】
技术研发人员：叶珊，贾斐，康猛，韩永正，张鸣沙，邓甜，樊东升，
申请(专利权)人：北京大学第三医院北京大学第三临床医学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。