基于sMRI多维张量形态特征预测脑年龄的方法及装置

专利名称：基于sMRI多维张量形态特征预测脑年龄的方法及装置

专利类型：实用新型专利

专利申请号：CN202210551856.2

专利申请（专利权）人：北京理工大学
权利人地址：北京市海淀区中关村南大街5号

专利发明（设计）人：胡斌,董群喜,沈健,刘红红

专利摘要：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。

主权利要求：
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；
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；
所述相关性f值根据以下式(1)计算：
式（1）
其中，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；
根据以下式(2)计算：
式（2）
其中， 表示特征矩阵在第i维特征上取值的列向量； 表示 的平均值；y表示Z对应的因变量；std( )表示 的标准差；std(y)表示y的标准差。
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至2任一项所述的方法，其特征在于，基于脑年龄预测模型使用所述目标形态特征计算脑年龄具体包括：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；
对所述脑年龄估值进行线性回归获得脑年龄预测值。
4.一种基于sMRI多维张量形态特征的脑年龄预测装置，其特征在于，所述装置包括：原始数据获取单元，用于获取待处理结构性核磁共振图像；
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；
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；
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；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；
所述相关性f值根据以下式(1)计算：
式（1）
其中，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；
根据以下式(2)计算：
式（2）
其中， 表示特征矩阵在第i维特征上取值的列向量； 表示 的平均值；y表示Z对应的因变量；std( )表示 的标准差；std(y)表示y的标准差；
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。
5.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，该指令被处理器执行时实现上述权利要求1至4任一项所述基于sMRI多维张量形态特征的脑年龄预测方法的步骤。
6.一种检测设备，其特征在于，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权利要求1至4任一项所述基于sMRI多维张量形态特征的脑年龄预测方法。 说明书 : 基于sMRI多维张量形态特征预测脑年龄的方法及装置技术领域[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。背景技术[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(structuralMagneticResonanceImaging，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。发明内容[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，ri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，ri可根据以下式(2)计算：[0024][0025] 其中，Zi表示特征矩阵在第i维特征上取值的列向量；[0026] 表示Zi的平均值；[0027] y表示Z对应的因变量；[0028] std(Zi)表示Zi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] 图5示出本申请提供一种基于sMRI多维张量形态特征预测脑年龄方法的流程图；[0054] 图6示出本申请提供脑年龄预测装置的示意图。具体实施方式[0055] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致方法的例子。[0056] 下面通过具体的实施例对本申请提供的基于sMRI多维张量形态特征预测脑年龄方法及装置进行详细阐述。[0057] 首先，对本方案的使用场景作简要介绍。[0058] 脑年龄可以结合脑结构特征、患者的行为特征等作为评价的参考指标之一，也可以基于脑年龄获得其它评价指标，因此，脑年龄预测精准程度的提升是本领域不追求的目标。[0059] 此外，单纯的脑年龄结果在医学上并不具备可理解性，医务人员更期待获知脑年龄的可理解性，从而据此深入讨论影响脑年龄的相关因素，进而对临床诊疗提供更充分的依据。[0060] 核磁共振成像(MagneticResonanceImaging，MRI)至少包括结构性核磁共振成像(structuralMagneticResonanceImaging，sMRI)和功能性核磁共振成像(functionalMagneticResonanceImaging，fMRI)等，其中，所述sMRI主要用于呈现脑内的静态组织结构，所述fMRI的原理是利用磁振造影来测量神经元活动所引发之血液动力的改变，针对某个脑活动(脑功能定位)激发某个脑区活动进行研究。[0061] 如无特别说明，以下以结构性核磁共振成像为例说明本申请的技术方案。[0062] 可以理解的是，本申请提供的技术方案也适用于对其它类型的核磁共振成像的处理，从而获得特定结果。[0063] 由结构性核磁共振成像所得图像中提取的多维张量形态特征，即，基于结构性核磁共振成像的多维张量形态特征具有较高的精度，能够全面地捕捉大脑关键结构信息，并且能够量化大脑结构形变。然而，基于结构性磁共振成像的多维张量形态特征的维度较高，因此，以该多维张量形态特征为基础进行数据分析，特别是直接应用于小样本数据的回归分析，容易产生过拟合的问题。[0064] 在本申请中，所用术语“小样本”是指用于数据分析的样本数量小于张量维度多个数量级，例如，张量的维度为几万维，而样本的数量仅为一百个。[0065] 基于此，本申请提供一种基于sMRI多维张量形态特征预测脑年龄方法及装置，通过对sMRI多维张量形态特征进行有效降维，利用降维后的多维张量可基于小样本构建数据分析模型，不仅有效避免维度灾难和过拟合的问题，还保证了所述数据分析模型的预测准确性，从而可以基于该数据分析模型准确预测脑年龄。[0066] 此外，本申请提供的基于sMRI多维张量形态特征预测脑年龄方法及装置还创造性地提供了脑年龄参数的可理解性，为医务人员对脑结构退行性病变的后续深入研究提供基础。[0067] 本申请提供的基于sMRI多维张量形态特征预测脑年龄方法及装置基于深度神经网络模型。作为一种机器学习模型，本申请所提供方案的实现包括模型训练和模型使用两个阶段。[0068] 其中，所述模型训练阶段是指根据训练用例，通过反向传播等算法来确定神经网络上各个模块参数的阶段，前述“小样本”即为在模型训练阶段所用样本。[0069] 在本实例中，所述训练用例至少包括以下信息：样本结构性核磁共振图像以及该样本的实际生理年龄。[0070] 所述模型使用阶段是指在所述模型训练阶段结束后，基于在模型训练阶段建立的脑年龄预测模型，以待预测患者的结构性核磁图像为输入，通过神经网络系统中各个模块的计算，生成脑年龄预测结果返回给患者的阶段。[0071] 本领域技术人员可以理解的是，所述模型训练阶段至少包括模型训练生成子阶段以及模型测试子阶段，其中，模型训练生成子阶段主要通过训练样本以及设计的模型规则优化模型中的各参数，以提高所述模型预测结果的准确度；而模型测试子阶段则主要通过测试样本对完成阶段性训练的模型进行测试，以检验模型的预测结果的准确度，如果测试结果满足要求，则完成模型训练，所述模型可投入使用，如果测试结果未满足要求，则继续对所述模型进行下一阶段的训练，直至测试结果满足要求为止。[0072] 为便于理解，以下首先介绍模型训练阶段。[0073] 图1示出本申请训练脑年龄预测模型的流程图，如图1所示，训练脑年龄预测模型主要包括以下步骤S101至步骤S106：[0074] 步骤S101，获取样本结构性核磁共振图像。[0075] 在本申请中，所述样本结构性核磁共振图像可以为健康人群的颅脑结构性核磁共振图像，所述颅脑结构性核磁共振图像具有足够的清晰度，满足后续数据分析处理的要求。[0076] 进一步地，所述健康人群是指脑部健康，特别地，是指脑年龄与其生理年龄相匹配，而对于该样本供者的其它健康状况，不在本申请的讨论范围，例如，该供者可能患有肢体残疾，但是其脑年龄与其生理年龄相匹配，则认为该供者的颅脑结构性核磁共振图像可入选。[0077] 在本申请中，所述样本结构性核磁共振图像用于训练脑年龄预测模型，相应地，在模型完成后会对所述模型进行测试，从而对所述模型进行评价，在测试过程中所使用的样本，在本申请中被称为测试结构性核磁共振图像。[0078] 可选地，所述样本结构性核磁共振图像以及所述测试结构性核磁共振图像可由同一批数据分组而得，其中，所述样本结构性核磁共振图像以及所述测试结构性核磁共振图像的供者年龄均呈正态分布，年龄范围覆盖青少年至老年，两组数据在性别和年龄分布上均无显著性差异，从而保证训练以及测试的准确性。[0079] 例如，将所有可用于训练以及测试用的结构性核磁共振图像按照7:3的比例随机划分为训练集和测试集，其中，所述样本结构性核磁共振图像集中于训练集中，所述测试结构性核磁共振图像集中于测试集中，使用双样本T检验和方差分析ANOVA检验两集合，从而确保训练集和测试集在年龄、性别方面无显著性差异。[0080] 在本实例中，可用于模型训练的样本结构性核磁共振图像以及所述测试结构性核磁共振图像可以在大脑神经影像公开数据库OASIS‑1以及OASIS‑3中筛选，共筛选出675名健康受试者的T1‑w结构磁共振图像，其中包括396名男性和279名女性，年龄分布范围为[18，94]，符合正态分布，并按照上述方式分为训练集以及测试集，具体地，以下表1示出：[0081] 表1[0082] 数量 男/女 年龄范围 年龄均值(标准差)训练集 473 266/207 [18，94] 57.8±12.16测试集 202 112/90 [20，90] 55.4±11.31[0083] 可以理解的是，所述样本结构性核磁共振图像、测试结构性核磁共振图像以及待处理结构性核磁共振图像所包括的主要结构以及采集所述结构的角度基本相同。例如，样本结构性核磁共振图像、测试结构性核磁共振图像以及待处理结构性核磁共振图像均包括海马体、杏仁核以及伏隔核的结构图像，并且，在三种图像中以上三种结构图像的角度相同。[0084] 进一步地，在医院收集的数据中，通常脑年龄异常的结构性核磁共振图像的数量远多于健康人群的结构性核磁共振图像，因此，可用于模型训练以及模型测试的样本数量远小于特征向量的维度，这也是本领域难以基于现有样本获得理想模型的难点之一。[0085] 步骤S102，对样本结构性核磁共振图像进行预处理获得样本目标结构性核磁共振图像。[0086] 在本申请中，所述样本结构性核磁共振图像包括至少一个感兴趣区域，可选地，所述感兴趣区域可以为任意一个感兴趣的脑结构区域，例如，可以为海马体、杏仁核或者伏隔核的结构图像中的至少一个。[0087] 在本申请中，所述预处理具体包括以下步骤S121至步骤S123：[0088] 步骤S121，分割所述样本结构性核磁共振图像中所有感兴趣区域。[0089] 在本申请中，所述感兴趣区域可以根据研究对象而具体设定，例如，皮质下结构，具体如，海马体、杏仁核以及伏隔核。[0090] 如无特别说明，在本实例中，所述感兴趣区域以海马体、杏仁核以及伏隔核三者为例进行说明。[0091] 本实例对分割所述样本结构性核磁共振图像中所有感兴趣区域的方法不做特别限定，可以使用现有技术任意一种图像分割方法，例如，可以使用FSL软件的集成库开发工具FIRST自动分割所有T1‑w结构磁共振图像中的海马体、杏仁核和伏隔核三种皮质下结构。[0092] 在本实例中，对样本结构性核磁共振图像中三块感兴趣区域分别进行分割，获得三个相互独立的子图像，具体包括一个只包括海马体结构的子图像(以下简称“海马体子图像”)、一个只包括杏仁核结构的子图像(以下简称“杏仁核子图像”)以及一个只包括伏隔核结构的子图像(以下简称“伏隔核子图像”)。[0093] 步骤S122，对每个感兴趣区域分别进行标准化处理获得相应的样本标准分割图像。[0094] 在本实例中，对各个样本分割图像分别进行标准化处理后可使源于不同样本的同一感兴趣区域的图像可在同一坐标体系中进行数据处理，以便于后续处理。[0095] 本申请对样本分割图像进行标准化处理的具体方法不做特别限定，可以使用现有技术中任意一种可用于对样本分割图像进行标准化处理的方法，例如，线性变换等。[0096] 可以理解的是，对于各个源于不同感兴趣区域的样本分割图像，进行标准化处理的方法可以不同，即使使用了相同的标准化方法，其使用的参数也可以不相同，即，源于不同感兴趣区域的样本分割图像可以在不同的标准空间中分别处理，但是，对于源不同样本的相同感兴趣区域的样本分割图像，则使用的标准化方法相同，标准化处理所使用的参数也相同，使得源不同样本的相同感兴趣区域的样本分割图像在标准化处理后对应的标准空间相同，可在相同的标准空间中处理，以简化后续处理。[0097] 例如，对于同一样本中的海马体子图像和杏仁核子图像，其中，海马体子图像可标准化为MNI152模板标准空间，而杏仁核子图像则可标准化为MNI305模板标准空间；但是，对于不同样本中的海马体子图像均需标准化为MNI152模板标准空间，不同样本中的杏仁核子图像则均需标准化为MNI305模板标准空间。[0098] 可以理解的是，为进一步简化处理，对于源于不同感兴趣区域的样本分割图像，也可以使用相同的标准化处理方法，使得各样本子图像均标准化为同一标准空间。[0099] 在本实例中，分对海马体子图像、杏仁核子图像以及伏隔核子图像分别进行线性变换，获得相应的样本标准分割图像，以便后续处理。[0100] 可以理解的是，海马体子图像在进行线性变换后生成海马体样本分割图像，杏仁核子图像在进行线性变换后生成杏仁核样本分割图像，伏隔核子图像在进行线性变换后生成伏隔核分割图像。[0101] 本实例对线性变换的具体方法不做特别限定，可以使用现有技术中任意一种可实现对上述感兴趣区域进行线性变换的方法，例如，可以使用Minctracc算法进行9参数(包括3平移、3旋转和3缩放)线性变换。[0102] 可以理解的是，对于不同的感兴趣区域，进行线性变换的方法可以相同，也可以不同，即使采用同种线性变换的方法，其具体参数也可以不同，但是，对于不同样本中的相同感兴趣区域，其线性变换所用的方法以及所用参数是相同的。[0103] 例如，对于同一样本中的海马体子图像和杏仁核子图像，其中，对海马体子图像可以使用Minctracc算法进行9参数(包括3平移、3旋转和3缩放)线性变换，而对杏仁核子图像却可以使用FLIRT算法进行9参数线性变换；但是，对于不同样本中的海马体子图像均需使用Minctracc算法进行9参数(包括3平移、3旋转和3缩放)线性变换，而对不同样本中的杏仁核子图像均需使用FLIRT算法进行9参数线性变换。[0104] 步骤S123，对每个所述样本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样本目标结构性核磁共振图像。[0105] 可以理解的是，即使将来源于不同样本的同一感兴趣区域的样本标准分割图像在同一标准空间中的位置角度也可能存在差异，因此，本申请在相应标准空间中将各样本标准分割图像的角度调整至相同，即，进行头动校正和对齐，以便于后续准确提取各样本标准分割图像上的多维张量形态特征。[0106] 进一步地，对于位于不同标准空间的不同样本标准分割图像，需要在与所述样本标准分割图像相对应的标准空间中进行上述调整，例如，海马体样本标准分割图像在海马体标准空间中进行头动校正和对齐，而杏仁核样本标准分割图像则在杏仁核标准空间中进行头动校正和对齐，其余感兴趣区域采用相同的方式处理。[0107] 可以理解的是，如果各感兴趣区域获得的样本标准分割图像使用相同的标准空间，则各样本标准分割图像均可使用该标准空间进行头动校正和对齐。[0108] 在本实例中，在对各样本校准分割图像进行位置校正后，继续对各样本分割图像进行图像强度校正，即对各样本标准分割图像的强度归一化处理，使得各样本标准分割图像在后续处理过程中能够以统一的标准进行处理。[0109] 本申请对图像强度校正的具体方式不做特别限定，可以使用现有技术中任意一种可用于进行图像强度校正的方式，例如，可以使用直方图均衡算法平衡图像的强度。[0110] 可以理解的是，对于来源于不同样本同一感兴趣区域的样本校准分割图像，所采用的图像强度校正方式相同，对于来源于同一样本不同感兴趣区域的样本校准分割图像，所采用的图像强度校正方式可以相同，也可以不同。[0111] 进一步地，本申请对处理所得的样本目标结构性核磁共振图像中感兴趣结构的形状进行严格检查，以保证标准化后的结构形态与实际的结构形态相符，从而排除分割错误以及不准确的结构。[0112] 步骤S103，从所述样本目标结构性核磁共振图像中提取感兴趣区域的样本多维张量形态特征。[0113] 本实例对提取多维张量形成大特征所使用的系统不做特别限定，可以使用现有技术中任意一种可基于前述目标结构性核磁共振图像提取多量张量形态特征的任意系统，例如，可以使用mTBM系统。[0114] 在本实例中，以mTBM系统为例说明本步骤的具体实现方式，可以理解的是，对于其它提取系统，在具体实现方式中，与mTBM系统的具体实现方式存在不同，但各提取系统所实现的最终效果是一致的。[0115] 在本实例中，所述mTBM系统可用于提取大脑皮质下结构沿切平面或垂直于切平面方向的形态特征。[0116] 以下以提取海马体结构(每个样本均包括双侧海马体)多维张量形态特征为例，说明本步骤的具体实现方式：[0117] 假设单侧海马体表面有s个顶点，其中，每个顶点的特征表示为一个1×p的向量，并且，每个顶点所对应的映射矩阵模板的维度为[M,N]，则，单侧海马体的特征维数为s×p，其中，s＝MN。[0118] 如果每隔M个顶点提取一组特征，则，单侧海马共可提取N组多维张量形态特征，对于每个单侧海马体结构，可构成一个[pM,N]的特征矩阵。[0119] 进一步地，对于每个受试者，即，对源于同一样本的海马体结构(双侧)则可以构成一个[pM,2N]的特征矩阵。[0120] 基于此，所有受试者(即，所有样本)的海马结构特征可以表示为X∈R4M×2Nn，其中，n表示受试者总数。[0121] 可以理解的是，对于杏仁核结构以及伏隔核结构可按照相同的方法构建对应的特征矩阵，最终，海马结构、杏仁核结构以及伏隔核结构可以分别依次表示为特征矩阵X1、特征矩阵X2和特征矩阵X3。[0122] 基于所述样本为训练样本或者测试样本，将对应的特征矩阵划分为特征矩阵训练集和特征矩阵测试集，则，在本实例中，海马结构、杏仁核结构以及伏隔核结构对应的特征矩阵训练集依次分别为 和 三种结构对应的特征矩阵测试集依次分别为 和[0123] 在一具体实例中，每个单侧海马体表面有15000个顶点，其中，每个海马体顶点的映射矩阵维度为[100,150]，并且，每个顶点的特征可以表示为一个1×4的向量，因此，每个单侧海马体的特征维数为60000。[0124] 如果每隔100个顶点提取一组特征，则，每个单侧海马共可提取150组特征，基于此，每个受试者共可提取300组特征(每个受试者均有2个海马体)，因此，每个受试者的海马特征可以构成一个[400,300]的特征矩阵。[0125] 因此，所有受试者的海马特征可以表示为X∈R400×300n，其中，n＝675。[0126] 可以理解的是，在其它实例中，对于感兴趣区域的特定感兴趣结构而言，提取其多维张量形态特征可以采用相同或者相似的方式进行。[0127] 步骤S104，对所述样本多维张量形态特征进行降维处理，获得样本目标形态特征。[0128] 在本实例中，本步骤的主要思路为通过多层字典编码学习对所输入的多维张量形态特征进行降维，并对降维后的多维张量形态特征进行全连接，获得多个候选样本目标形态特征，再根据预设的规则从多个所述候选样本目标形态特征中选取样本目标形态特征。[0129] 具体可以包括以下步骤S141和步骤S142：[0130] 步骤S141，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。[0131] 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，如图2所示，本申请所述三层深度字典学习编码框架具体包括三层字典学习编码层以一个全连接层。[0132] 其中，字典学习编码层的总体优化公式如下式(U)所示：[0133][0134] 其中，第一项表示重构误差；[0135] 第二项表示l1正则化约束，确保Z尽量稀疏；[0136] Z表示第三层字典学习后的稀疏编码系数；[0137] λ表示调节因子；[0138] D1表示第一层字典，[0139] D2表示第二层字典，[0140] D3表示第三层字典。[0141] 在本实例中，引入中间变量 以及中间变量 其中，Z1表示第一层字典学习后的系数，Z2表示第二层字典学习后的系数。[0142] 最后，使用学习的三层字典D1，D2，D3可以将输入特征矩阵X编码为稀疏矩阵Z，即X可以使用 来近似。[0143] 进一步地，以下以 为例说明本申请中各层字典编码学习的编码过程，具体可以为：[0144] 对于第一层字典编码学习，训练集 作为输入，学习第一个字典D1及其系数Z1，本层字典编码学习优化问题如下式(U‑1)所示：[0145][0146] 对于第二层字典编码学习，以第一层字典编码学习的系数Z1作为输入，学习第二个字典D2和系数Z2来表示来自第一层的系数Z1，已知 两边取逆可得：[0147][0148] 因此，第二层字典编码的优化问题如下式(U‑2)所示：[0149][0150] 对于第三层字典编码学习，第二层学习的系数Z2作为输入，它学习第三个字典D3和系数 来表示来自第二层的系数Z2，已知 两边取逆可得为了学习到稀疏特征，引入l1范数进行正则化，得到第三层字典编码的优化问题，具体如下式(U‑3)所示：[0151][0152] 在本实例中，对于每一层字典编码学习的优化问题，可以采用经典的迭代软阈值算法(IterativeShrinkageThresholdingAlgorithm，ISTA)进行求解，最终将 编码为 即， 可以使用 来近似。[0153] 在本实例中，如图2所示，假设矩阵 的列向量维数为m，第一层编码字典的大小为m×n1，第二层编码字典的大小为n1×n2，第三层编码字典的大小为n2×n3，则，所述矩阵的列向量维数变化为：n1→n2→n3。[0154] 进一步地，如图2所示，在完成对矩阵 的降维后，通过全连接层分别将各样本编码后的特征连接为一个向量，最终，由全部训练样本对应海马特征所形成的矩阵可以表示为 其中， 的行表示某个样本，列表示该样本对应的形态特征，即，所述中的每一行均示出该样本在降维后的全部形态特征。[0155] 以前述实例为例， 列向量维数变化为：400→100→25，最终，每个样本的海马特征从60000维降维到7500维。[0156] 在本实例中，采用与处理海马体结构相同的方法，对所述杏仁核结构以及伏隔核结构分别降维，获得的杏仁核特征矩阵为 伏隔核特征矩阵为[0157] 可以理解的是，对于所获得的特征矩阵 其中的每一行均为一个候选样本目标形态特征。[0158] 进一步地，对于测试集，以本申请步骤S103形成的特征矩阵 和 作为输入。[0159] 具体地，以下以 为例说明测试集中各样本的编码过程：[0160] 由于在训练集上已经求解了D1，D2，D3，因此，对于给定 中的一个测试集样本A，可以通过求解以下式(U‑4)可示出优化问题将A编码为Z：[0161][0162] 步骤S142，根据相关性f值由所述特征矩阵中选取目标特征向量。[0163] 在本实例中，本步骤的主要思路为采用基于相关性(f值)分析的特征选择策略对以及 进行特征选择，选择出与预测结果相关性较强的形态特征，而筛除与预测结果相关性较小的形态特征，从而进一步减少数据处理的复杂程度，并且能够获得较为理想的预测效果。train[0164] 具体地，可以使用 这个统计量来检验正态假定下第i维特征与因变量y之间的相关性。[0165] 如果p值小于0.05，则认为第i维特征与因变量ytrain之间具有相关性，保留该形态特征。[0166] 在本实例中，t值为检验统计量，它服从t(n‑2)分布，而p值为拒绝原假设的概率，即，拒绝假设该特征与年龄有相关性的概率。可通过查阅统计学中已知的t界值表，以及计算而得的t值找到p值，最后根据p值与0.05的大小筛选相关性特征。[0167] 由于p值可以直接与显著性水平0.05比较来确定形态特征的相关性，因此，可将t值换算成p值来确定该形态特征与预测结果之间的相关性强度。[0168] 以下以对 为例说明本步骤的具体实现方式。[0169] 在本实例中，所述相关性f值可根据以下式(1)计算：[0170][0171] 其中，ri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；[0172] n表示特征矩阵中的样本数量。[0173] 在本实例中，f值越大，表明该形态特征对脑年龄的预测能力就越强，越重要。[0174] 进一步地，ri可根据以下式(2)计算：[0175][0176] 其中，Zi表示特征矩阵在第i维特征上取值的列向量；[0177] 表示Zi的平均值；[0178] y表示Z对应的因变量；[0179] std(Zi)表示Zi的标准差；[0180] std(y)表示y的标准差。[0181] 在本实例中，对于 与 采用与 相同的方式进行处理。[0182] 在前述具体示例中，在 中共筛选出445个与年龄相关的特征， 中共筛选出333个特征， 共筛选出305个特征。[0183] 可以理解的是，对于测试集 中的特征选择，应根据基于训练集在训练过程中所确定形态特征索引对来确定。[0184] 步骤S105，使用所述样本目标形态特征训练脑年龄预测模型。[0185] 在本实例中，测试集如本申请步骤S103所述建立，基于所述测试集生成的测试矩阵如本申请步骤S104所述生成。[0186] 在本实例中，本步骤具体可以包括以下步骤S151和步骤S152：[0187] 步骤S151，基于步骤104所得样本目标形态特征训练脑年龄估值模型。[0188] 在本实例中，模型的训练目标是使脑年龄估值模型生成的预测值 逼近该样本的真实年龄yi。[0189] 在本实例中，以本申请步骤S104所获得的海马样本目标形态特征、杏仁核样本目1 2标形态特征以及伏隔核样本目标形态特征分别训练三个独立的脑年龄估值模型FM(xi)，FM3(xi)和FM(xi)。[0190] 以海马为例，对训练集和测试集进行特征降维后，在训练集上采用10折交叉验证方案(9折为训练集，1折为验证集)对脑年龄预测模型进行参数调优。该方案总共重复10次，选择回归性能评估最优的参数来构建最优化的脑年龄预测模型FM(xi)。[0191] 进一步地，构建基于l1损失的梯度增强回归模型如下式(Z‑1)所示：[0192][0193] 其中，hm表示在梯度增强回归模型中包含的估计器；[0194] M表示估计器的数量，模型使用固定大小的决策树回归器作为弱学习器。[0195] 在测试以及预测过程中，基于所述三个脑年龄估计模型，对于同一个样本可获得三个脑年龄估值，基于所述三个脑年龄估值可进一步获得更为准确的脑年龄预测值。[0196] 步骤S152，基于步骤S151获得的脑年龄估值进行线性回归获得脑年龄预测模型。[0197] 本申请人发现，采用线性回归模型将三个独立脑年龄预测模型进行线性组合，获得脑年龄预测模型能够更好地组合三种皮质下结构的特征，与任意一个基于单独的脑年龄估值模型获得的脑年龄估值，基于该脑年龄预测模型预测所得的脑年龄更准确。[0198] 图3示出步骤S105的流程示意图，如图3所示，在本实例中，由测试集中样本按照如前述步骤S101至步骤S105的方法形成三个相互独立的特征矩阵，使用所述三个相对独立的特征矩阵在相应的三个相互独立的预测模型上得到的三个脑年龄估值，三个脑年龄估值分别与拟合参数w相乘，即可获得最终的脑年龄预测值。[0199] 具体地，所述线性回归模型可以表示为下式(3)：[0200][0201] 其中，y表示脑年龄预测值；[0202] m表示感兴趣区域的数量；[0203] w表示线性回归模型参数向量；[0204] b表示偏置量。[0205] 步骤S106，使用测试目标结构性核磁共振图像测试步骤S105所得脑年龄预测模型。[0206] 在本实例中，如前所述，在模型训练阶段还需要使用测试样本对训练所得的模型进行测试，如果测试结果满足预设条件，则可终止训练，但是，如果测试结果未能满足预设条件，则使用其它训练样本按照前述步骤S101至步骤S105的方法继续对所述模型进行训练，直至测试结果满足预设条件为止。[0207] 在本实例中，可以使用现有技术中任意一种评价预测结果准确性的方法，例如，可2以使用平均绝对误差MAE来评估预测脑年龄和真实生理年龄之间的误差，并用决定系数R来评估预测脑年龄和真实生理年龄的相关程度以及拟合程度。[0208] 以下以平均绝对误差MAE以及决定系数R2共同作为评价指标为例说明本步骤的具体实现方式。[0209] 在本实例中，所述MAE可根据下式(T‑1)进行计算：[0210][0211] 其中， 表示测试集中第i个样本的脑年龄预测值，[0212] yi表示测试集中第相应的i个样本的真实生理年龄，[0213] n表示测试集中样本的数量。[0214] 进一步地，在本实例中，决定系数R2可用下述式(T‑2)进行计算，所述决定系数R2可通过评估预测脑年龄与真实生理年龄的相关程度以及拟合程度来评估脑年龄预测回归模型效果：[0215][0216] 其中，分子部分表示真实值yi与预测值 的平方差之和，[0217] 分母部分表示真实值yi与其均值 的平方差之和。[0218] 一般来说，如果样本数量不足千例，则R2越大表示模型拟合效果越好。[0219] 在本实例中，只有在MAE和R2均达到预期要求，便可结束模型训练。[0220] 本申请提供的预测模型，不仅可提供脑年龄预测值，还能够提供与脑年龄最相关的皮下质结构，提高脑年龄预测的可理解性。[0221] 继续以前述具体示例为例说明本申请提供方案的预测结果，具体地，表2示出单独使用以及组合使用三种皮质下结构的脑年龄预测评估结果。[0222] 表2[0223] 2 MAE R海马体 3.82 0.94杏仁核 5.19 0.91伏隔阂 6.45 0.85回归组合 3.22 0.95[0224] 由表2可知，单独使用海马体估值模型所获得脑年龄估值的MAE为3.82，R2为0.94，2单独使用杏仁核估值模型所获得脑年龄估值的MAE为5.19，R为0.91，单独使用伏隔核估值2模型所获得脑年龄估值的MAE为6.45，R为0.85。然而，通过线性回归组合后，MAE降至3.22，2R升至0.95。[0225] 由上可知，在线性回归组合后，脑年龄预测结果最优。[0226] 图4示出使用线性回归组合模型，即，步骤S152确定的脑年龄预测模型计算测试样本所获得脑年龄预测值与对应样本实际生理年龄的对应关系图。[0227] 在本示例中，线性回归方程的回归线于图4中由虚线示出，由图4可知，所述虚线的斜率为1，其中，位于虚线左上方的点，表明预测脑年龄大于实际生理年龄，反之，表明脑年龄小于生理年龄。[0228] 在本示例中，MAE和R2的结果共同表明使用本申请所建立的脑年龄预测模型所预测的脑年龄值与实际生理脑年龄之间的相关性较强。[0229] 以上结果表明，本申请提出的脑年龄预测模型与预测方法能有效使用皮质下结构多维张量形态特征进行脑年龄预测，并且，预测脑年龄与实际生理年龄之间存在较强的相关性。[0230] 可以理解的是，本申请还可以采用其它评价指标来评价预测结果的准确程度，如果使用其它评价指标来评价预测结果的准确程度，则具体实现方式可以根据具体的评价指标而具体选择。[0231] 图5示出本申请提供一种基于sMRI多维张量形态特征预测脑年龄方法的流程图，如图5示，所述方法包括以下步骤S201至步骤S205：[0232] 步骤S201，获取待处理结构性核磁共振图像。[0233] 在本实例中，所述待处理结构性核磁共振图像可以使用现有技术中任意一种可实现的方式获取，例如，可以使用任何一款MRI设备采集的结构性核磁共振图像。[0234] 可选地，所述待处理结构性核磁共振图像可以为T1‑w结构磁共振图像，以便图像处理。[0235] 可以理解的是，所述待处理结构性核磁共振图像的分辨率满足后续图像处理的要求。[0236] 在本实例中，本步骤所获取的待处理结构性核磁共振图像与本申请步骤S101中所获取的样本结构性核磁共振图像具有相同或者相似的结构信息。[0237] 步骤S202，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。[0238] 在本实例中，本步骤的具体实现方式与本申请步骤S102的具体实现方式相同，具体包括如下步骤S221至步骤S224：[0239] 步骤S221，分割所述待处理结构性核磁共振图像中所有感兴趣区域；[0240] 步骤S222，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；[0241] 步骤S223，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。[0242] 在本申请中，上述步骤S221至步骤S224的具体实现方式分别与本申请步骤S121至步骤124分别对应相同，具体可参见步骤S121至步骤S124，在此不再赘述。[0243] 步骤S203，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。[0244] 在本实例中，本步骤的具体实现方式与本申请步骤S103的具体实现方式相同，具体可参见本申请步骤S103，在此不再赘述。[0245] 步骤S204，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。[0246] 在本实例中，本步骤的具体实现方式与本申请步骤S104的具体方式相同，具体如下：[0247] 本步骤具体可以包括以下步骤S241至步骤S242：[0248] 步骤S241，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。[0249] 在本实例中，本步骤的具体实现方式与本申请步骤S141的步骤相同，具体可参见本申请步骤S141。[0250] 步骤S242，根据相关性f值由所述特征矩阵中选取目标特征向量。[0251] 在本实例中，本步骤的具体实现方式与本申请步骤S142的步骤相同，具体可参见本申请步骤S142。[0252] 在本步骤中，所述相关性f值可根据以下式(1)计算：[0253][0254] 其中，ri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；[0255] n表示特征矩阵中的样本数量。[0256] 进一步地，ri可根据以下式(2)计算：[0257][0258] 其中，Zi表示特征矩阵在第i维特征上取值的列向量；[0259] 表示Zi的平均值；[0260] y表示Z对应的因变量；[0261] std(Zi)表示Zi的标准差；[0262] std(y)表示y的标准差。[0263] 步骤S205，基于脑年龄预测模型使用所述目标形态特征计算脑年龄。[0264] 在本实例中，本步骤具体可以包括以下步骤S251至步骤S252：[0265] 步骤S251，基于多个脑年龄预测模型，分别使用各组目标特征向量分别计算脑年龄估值。[0266] 在本步骤中，所述脑年龄预测模型为本申请步骤S105所获得的脑年龄预测模型。[0267] 可以理解的是，各目标特征向量应用与其感兴趣区域相同的脑年龄预测模型计算脑年龄估值。[0268] 步骤S252，对多个所述脑年龄估值进行线性回归获得脑年龄预测值。[0269] 可选地，所述线性回归可根据下式(3)进行：[0270][0271] 其中，y表示脑年龄预测值；[0272] m表示感兴趣区域的数量；[0273] w表示线性回归模型参数向量；[0274] b表示偏置量。[0275] 在本实例中，上式(3)中的各参数在本申请步骤S105中已经具体确定，因此，本步骤只需将各脑年龄预测值直接代入上式(3)即可获得脑年龄预测值。[0276] 图6示出本申请提供脑年龄预测装置的示意图，如图6所示，本申请提供的基于sMRI多维张量形态特征的脑年龄预测装置主要包括：[0277] 原始数据获取单元，用于获取待处理结构性核磁共振图像；[0278] 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；[0279] 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；[0280] 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；[0281] 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。[0282] 在本申请中，各单元具体用于执行前述方法中对应的步骤。[0283] 进一步地，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前述基于sMRI多维张量形态特征的脑年龄预测方法的步骤。[0284] 更进一步地，本申请还提供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前述基于sMRI多维张量形态特征的脑年龄预测方法的步骤。[0285] 更进一步地，本申请还提供一种检测设备，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前述基于sMRI多维张量形态特征的脑年龄预测方法。[0286] 以上结合具体实施方式和范例性实例对本申请进行了详细说明，不过这些说明并不能理解为对本申请的限制。本领域技术人员理解，在不偏离本申请精神和范围的情况下，可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。

专利地区：北京

专利申请日期：2022-05-18

专利公开日期：2024-07-26

专利公告号：CN115063349B