CN109223001A - 基于核磁共振的多动症预测方法、***、存储介质及设备 - Google Patents

Abstract

本发明公开了一种基于核磁共振的多动症预测方法，包括：获取待诊断的颅脑核磁共振图像；对所述待诊断的颅脑核磁共振图像进行处理，获得待诊断脑灰质图像；基于预先训练的多动症预测模型根据所述待诊断脑灰质图像对多动症进行预测。相应的，本发明还公开了一种基于核磁共振的多动症预测***、计算机可读存储介质及终端设备。采用本发明的技术方案能够实现对多动症的预测，并且提高预测准确率。

Description

基于核磁共振的多动症预测方法、***、存储介质及设备

技术领域

本发明涉及医学技术领域，尤其涉及一种基于核磁共振的多动症预测方法、***、计算机可读存储介质及终端设备。

背景技术

多动症又称注意缺陷多动障碍(Attention deficit hyperactivity disorder，ADHD)，是儿童期常见的一类心理障碍，主要表现为与年龄和发育水平不相称的注意力不集中、注意时间短暂、活动过度和冲动等，并且常伴有学习困难、认知障碍等症状。国内外调查发现多动症的患病率为3％～7％，男女比为4～9：1。

多动症于学前起病，呈慢性过程，不仅影响儿童的学校、家庭和校外生活，而且容易导致儿童持久的学习困难、行为问题和自尊心低，此类患者难与人相处，如不能得到及时治疗，部分患者成年后仍有症状，明显影响患者的学业、身心健康以及社交能力，因此，对多动症的预测具有非常重要的意义。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于核磁共振的多动症预测方法、***、计算机可读存储介质及终端设备，能够实现对多动症的预测，并且提高预测准确率。

为了解决上述技术问题，本发明实施例提供了一种基于核磁共振的多动症预测方法，包括：

获取待诊断的颅脑核磁共振图像；

对所述待诊断的颅脑核磁共振图像进行处理，获得待诊断脑灰质图像；

基于预先训练的多动症预测模型根据所述待诊断脑灰质图像对多动症进行预测。

进一步地，所述多动症预测模型为融合了卷积神经网络和全连接网络的模型；所述多动症预测模型至少包括激活函数、卷积网络层、池化层和全连接网络层。

进一步地，所述方法通过以下步骤对所述多动症预测模型进行训练：

分别获取多动症患者的颅脑核磁共振图像和正常人的颅脑核磁共振图像；

对所述多动症患者的颅脑核磁共振图像和所述正常人的颅脑核磁共振图像进行处理，对应获得多动症患者脑灰质图像和正常人脑灰质图像；

根据所述多动症患者脑灰质图像和所述正常人脑灰质图像对所述多动症预测模型进行训练和测试。

进一步地，所述方法还包括：

根据测试结果和实际结果获得预测的损失值；

根据所述损失值对所述多动症预测模型进行优化。

进一步地，所述基于预先训练的多动症预测模型根据所述待诊断脑灰质图像对多动症进行预测，具体包括：

基于所述卷积网络层根据所述待诊断脑灰质图像进行特征提取，获得特征图；

基于所述池化层对所述特征图进行压缩，获得压缩后的特征图；

基于所述激活函数对所述压缩后的特征图进行转换处理；

基于所述全连接网络层对转换处理的结果进行整合，获得预测结果。

进一步地，所述获取待诊断的颅脑核磁共振图像，具体包括：

通过核磁共振扫描仪获取所述待诊断的颅脑核磁共振图像。

进一步地，所述对所述待诊断的颅脑核磁共振图像进行处理，获得待诊断脑灰质图像，具体包括：

对所述待诊断的颅脑核磁共振图像至少进行头骨剥离、图像分割、非线性配准、图像标准化和平滑处理，获得所述待诊断脑灰质图像。

为了解决上述技术问题，本发明实施例还提供了一种基于核磁共振的多动症预测***，包括：

图像获取模块，用于获取待诊断的颅脑核磁共振图像；

图像处理模块，用于对所述待诊断的颅脑核磁共振图像进行处理，获得待诊断脑灰质图像；以及，

预测模块，用于基于预先训练的多动症预测模型根据所述待诊断脑灰质图像对多动症进行预测。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一项所述的基于核磁共振的多动症预测方法。

本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一项所述的基于核磁共振的多动症预测方法。

与现有技术相比，本发明实施例提供了一种基于核磁共振的多动症预测方法、***、计算机可读存储介质及终端设备，通过获取待诊断的颅脑核磁共振图像，并对待诊断的颅脑核磁共振图像进行处理，获得待诊断脑灰质图像，基于预先训练的多动症预测模型根据待诊断脑灰质图像对多动症进行预测，能够实现对多动症的预测，并且提高预测准确率。

附图说明

图1是本发明提供的一种基于核磁共振的多动症预测方法的一个优选实施例的流程图；

图2是本发明提供的一种多动症预测模型训练方法的一个优选实施例的具体流程图；

图3是本发明实施例提供的ROC曲线的示意图；

图4是本发明提供的一种基于核磁共振的多动症预测方法的步骤S13的一个优选实施例的具体流程图；

图5是本发明提供的一种多动症预测模型的一个优选实施例的结构示意图；

图6是本发明提供的一种基于核磁共振的多动症预测***的一个优选实施例的结构框图；

图7是本发明提供的一种终端设备的一个优选实施例的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本技术领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1所示，是本发明提供的一种基于核磁共振的多动症预测方法的一个优选实施例的流程图，包括步骤S11至步骤S13：

步骤S11、获取待诊断的颅脑核磁共振图像；

步骤S12、对所述待诊断的颅脑核磁共振图像进行处理，获得待诊断脑灰质图像；

步骤S13、基于预先训练的多动症预测模型根据所述待诊断脑灰质图像对多动症进行预测。

具体的，获取待诊断的颅脑核磁共振图像，并对获得的待诊断的颅脑核磁共振图像进行相应处理，从而获得适用于多动症预测模型的待诊断脑灰质图像，将待诊断脑灰质图像输入到预先训练完成的多动症预测模型中进行多动症疾病的预测。

在对待诊断的颅脑核磁共振图像进行处理之后，可以相应获得脑白质图像和脑灰质图像，而根据脑灰质图像对多动症疾病进行预测，所获得的预测结果比根据脑白质图像对多动症疾病进行预测的预测结果更加准确，因此，本发明实施例采用脑灰质图像对多动症疾病进行预测，并且最终获得的预测结果输出为一个概率值(介于0％～100％之间)，表示病人患有多动症疾病的概率。

需要说明的是，本发明任意一个实施例中的颅脑核磁共振图像均为颅脑核磁共振3D结构图像。

需要补充说明的是，核磁共振是磁矩不为零的原子核，在外磁场作用下自旋能级发生塞曼***，共振吸收一定频率的射频辐射的物理过程。核磁共振成像(NuclearMagnetic Resonance Imaging，NMRI)也称磁共振成像(Magnetic Resonance Imaging，MRI)，是利用核磁共振原理，依据所释放的能量在物质内部不同结构环境中不同的衰减，通过外加梯度磁场检测所发射出的电磁波，即可得知构成这一物体原子核的位置和种类，据此可以绘制成物体内部的结构图像。颅脑核磁共振图像是根据大脑不同组织被施加射频脉冲之后所形成的图像，其具有不同的弛豫时间用以区分脑白质、脑灰质、脑脊液等组织结构，在临床医学和科研领域，最常用的组织结构是脑白质和脑灰质，这两种组织结构是构成人类大脑的主要成分。

本发明实施例所提供的一种基于核磁共振的多动症预测方法，通过对获得的待诊断的颅脑核磁共振图像进行相应处理，以获得适用于多动症预测模型的待诊断脑灰质图像，并将待诊断脑灰质图像输入到训练后的多动症预测模型中，能够实现对多动症疾病的预测，并且根据脑灰质图像对多动症疾病进行预测，提高了预测准确率。

在另一个优选实施例中，所述多动症预测模型为融合了卷积神经网络和全连接网络的模型；所述多动症预测模型至少包括激活函数、卷积网络层、池化层和全连接网络层。

具体的，本发明实施例所采用的多动症预测模型为一种基于深度学习算法的预测模型，优选为3D卷积神经网络模型(3D-CNN)，由卷积神经网络和全连接网络组成，其具体构成至少包括激活函数、卷积网络层、池化层和全连接网络层。

优选地，本发明实施例中的多动症预测模型至少包括2层卷积网络层，2层池化层和4层全连接网络层，并且在每一层卷积网络层前都有一个激活函数用来判断，在全连接网络层之后接一个输出层用来输出预测结果。

需要补充说明的是：

(1)神经网络的主要原理是模仿大脑神经元的工作原理，将若干个神经元连接成网络，每个神经元将输入的信号进行一定处理(可能是累加、过滤或者其他任何方式)，再将处理后的信号传出去作为目标神经元的输入，通过单个神经元简单规则的大规模重复，形成一个复杂***，最终达到非线性预测的目的。

(2)全连接网络在分层结构中，前一层的每一个节点会与后一层的每一个节点连接，总共的网络结构是全部节点的笛卡尔积的数量；本发明实施例采用4层全连接网络，每一层分别是2048个节点、512个节点、256个节点和128个节点。

(3)卷积网络需要先设置图像的卷积规则，一般用矩阵乘法作为卷积规则。以本实施例中的多动症预测模型为例，在一个图像张量上(3D影像是3阶张量)使用3阶张量作为卷积核，在3D影像上进行滑动，卷积核与影像的卷积值作为结果；每一个卷机核在3D影像上滑动完成后会对应生成一个特征图，特征图同样是3D张量；接着将特征图进行池化操作，得到压缩版的特征图(特征图是卷积核对应的特征映射)；特征图经过池化后可选择使用激活函数进行转换处理，或者直接进入下一层卷积网络层的训练；其中，每一层卷积网络层由卷积核组成，本发明实施例中的每一层卷积网络层的卷积核的个数为可调参数，默认设置为128×64个；卷积网络层中的权重近似为卷积核。

(4)卷积核：用于对图像进行卷积计算的特征单元，一般维度和目标维度相同，卷积核的大小为可调参项，默认设置为8*8*8，即长宽高都是8像素。卷积核的产生：机器学习卷积核的生成方式有很多种，例如人工定制、随机生成、自动编码器生成和PAC主成分分析法生成等。本发明实施例使用的是自动编码器生成方式，自动编码器的原理简单理解为将图像输入到可训练的神经网络中，通过网络的特征提取，再输出一个与输入相同的图像，以输入输出之间的均方差作为损失值，通过反向传播的方式使得精度不断提高，这个神经网络的结果，就是卷积核。通过自动编码器生成的卷积核可以使得在训练时有一个比较好的卷积核，大大提高了训练的精度问题。

(5)自动编码器：分为编码和解码两个阶段，是提取高维数据特征的有效手段。编码阶段通过卷积网络对目标数据进行特征提取，此时的卷积核由随机初始化的方式产生；经过编码阶段后，接一层全连接网络解码，即由卷积核进行全连接产生一个数据，对比生成的数据与输入的数据的差别，产生一个均方差损失值，以优化此损失值为目进行训练，得到自编码器的结果，即分类训练时的卷积核。

(6)池化：对特征图的压缩处理，池化的方式有最大值池化，最小值池化和均值池化，本发明实施例使用的是均值池化。

(7)激活函数：用于激活节点的状态，本发明实施例采用的有“relu”、“tanh”、“liner”三种激活函数，其中，“relu”和“tanh”是非线性激活函数。

结合图2所示，是本发明提供的一种多动症预测模型训练方法的一个优选实施例的具体流程图，所述方法通过步骤S21至步骤S23对所述多动症预测模型进行训练：

步骤S21、分别获取多动症患者的颅脑核磁共振图像和正常人的颅脑核磁共振图像；

步骤S22、对所述多动症患者的颅脑核磁共振图像和所述正常人的颅脑核磁共振图像进行处理，对应获得多动症患者脑灰质图像和正常人脑灰质图像；

步骤S23、根据所述多动症患者脑灰质图像和所述正常人脑灰质图像对所述多动症预测模型进行训练和测试。

具体的，获取预设数量的多动症患者的颅脑核磁共振图像，并对获得的多动症患者的颅脑核磁共振图像进行相应处理，从而获得适用于多动症预测模型的多动症患者的脑灰质图像，将多动症患者的脑灰质图像输入到多动症预测模型中进行训练和测试，同理，获取预设数量的正常人的颅脑核磁共振图像，并对获得的正常人的颅脑核磁共振图像进行相应处理，从而获得适用于多动症预测模型的正常人的脑灰质图像，将正常人的脑灰质图像输入到多动症预测模型中进行训练和测试，使得训练后的多动症预测模型可以区分出多动症患者的脑灰质图像和正常人的脑灰质图像，从而可以根据脑灰质图像自动预测出多动症患者和正常人。

需要说明的是，在对多动症预测模型进行训练时，所使用的多动症患者的颅脑核磁共振图像和正常人的颅脑核磁共振图像的数量越多，训练后的多动症预测模型的预测准确率越高。

需要补充说明的是，判别测试结果使用精度和AUC两个参数，其中，精度具体指正确预测个数占总体测试个数的比例；AUC具体指ROC曲线(receiver operatingcharacteristic curve，接收者操作特征曲线)下的面积，取值在0.5～1之间，ROC曲线的示意图如图3所示，横轴是假正例率，纵轴是真正例率，判断一个二元分类算法的好坏时，AUC可以起到很好的参考作用，AUC的值越接近于1，算法分类效果越好，意味着正确的判断比率越高。

在又一个优选实施例中，所述方法还包括：

根据测试结果和实际结果获得预测的损失值；

根据所述损失值对所述多动症预测模型进行优化。

具体的，在根据不同的脑灰质图像对多动症预测模型进行训练和测试时，每一张脑灰质图像都有一个实际结果(表示该脑灰质图像是多动症患者的脑灰质图像还是正常人的脑灰质图像)和对应获得的测试结果，根据脑灰质图像对应的测试结果和实际结果获得预测的损失值，从而可以根据损失值对多动症预测模型进行优化，以提高多动症预测模型的精度。

需要说明的是，本发明实施例采用预测结果集和实际结果集的均方差作为预测的损失值，最理想的结果是均方差为0。将各层网络看作是关于输入影像数据的一个函数，均方差同样可以看作是网络参数的一个函数，通过求均方差函数的最小值可以使得预测的准确率达到最高，均方差函数取最小值对应的参数则为目标网络的参数，求解过程可以通过梯度下降的方式进行，这个过程称作反向传播，通过反向传播，使得损失值达到最小从而得到最优的网络参数。

在不断地梯度下降之后，多动症预测模型的精度才能得到提高，梯度指数学意义上的梯度，将各层网络看作一个函数，损失值可看作一个关于网络参数的函数，这里的网络参数包括全连接网络层的权重、偏置和卷积网络层的卷积核、偏置。若函数得到最值，必先取极值，梯度下降的目的是得到各个极值点计算损失值最小时的网络参数的取值。

参见图4是本发明提供的一种基于核磁共振的多动症预测方法的步骤S13的一个优选实施例的具体流程图，所述基于预先训练的多动症预测模型根据所述待诊断脑灰质图像对多动症进行预测，具体包括步骤S1301至步骤S1304：

步骤S1301、基于所述卷积网络层根据所述待诊断脑灰质图像进行特征提取，获得特征图；

步骤S1302、基于所述池化层对所述特征图进行压缩，获得压缩后的特征图；

步骤S1303、基于所述激活函数对所述压缩后的特征图进行转换处理；

步骤S1304、基于所述全连接网络层对转换处理的结果进行整合，获得预测结果。

具体的，将待诊断脑灰质图像输入到训练后的多动症预测模型中，多动症预测模型通过卷积网络层的卷积核对待诊断脑灰质图像进行特征提取，获得待诊断脑灰质图像对应的特征图，通过池化层对获得的特征图进行压缩，对应获得压缩后的特征图，通过激活函数对获得的压缩后的特征图进行转换处理，再通过全连接网络层的判断累加对激活函数的转换处理结果进行整合，最后获得多动症的预测结果，从而实现对多动症的预测。

可以理解的，本实施例中根据待诊断脑灰质图像通过训练后的多动症预测模型对多动症进行预测的基本原理与根据不同的脑灰质图像对多动症预测模型进行训练和测试的基本原理相同。

结合图5所示，是本发明提供的一种多动症预测模型的一个优选实施例的结构示意图，每一层卷积网络层都由若干个卷积核组成，并且每一层卷积网络层前都有一个激活函数；卷积网络层1中的卷积核对接收到的MRI图像进行特征提取，获得对应的特征图，其中，每个卷积核对应一个特征图，池化层1对获得的特征图进行压缩，对应获得压缩后的特征图，特征图经过池化后使用激活函数进行转换处理，并通过卷积网络层2和池化层2进行再次处理，最后通过全连接网络层获得预测结果，并通过输出层来输出预测结果。

在又一个优选实施例中，所述获取待诊断的颅脑核磁共振图像，具体包括：

通过核磁共振扫描仪获取所述待诊断的颅脑核磁共振图像。

可以理解的，通过核磁共振扫描仪可以获得人的颅脑核磁共振图像。

需要说明的是，本实施例中获取待诊断的颅脑核磁共振图像的方法与训练多动症预测模型时获取多动症患者的颅脑核磁共振图像和正常人的颅脑核磁共振图像的方法相同。

目前，市面上应用最为广泛的核磁共振扫描仪有西门子、飞利浦和GE等机型，多动症患者和正常人的颅脑核磁共振图像主要来源于这几种核磁共振扫描仪，每种机型采集的颅脑核磁共振图像为DICOM格式，在经过图像质量筛查之后需要将颅脑核磁共振图像转换为NIFTI格式的文件进行下一步的处理。在扫描参数的设置中，层厚一般设置为1mm或1.2mm，场强一般设置为1.5T或3.0T，分辨率一般设置为1*1或者1.2*1.2。

在又一个优选实施例中，所述对所述待诊断的颅脑核磁共振图像进行处理，获得待诊断脑灰质图像，具体包括：

对所述待诊断的颅脑核磁共振图像至少进行头骨剥离、图像分割、非线性配准、图像标准化和平滑处理，获得所述待诊断脑灰质图像。

具体的，可以根据待诊断的颅脑核磁共振图像获得待诊断的大脑结构图像原始数据，通过对大脑结构图像原始数据进行头骨剥离，图像分割，非线性配准，图像标准化和平滑等处理，获得可供多动症预测模型预测的待诊断脑灰质图像。

本实施例采用的对待诊断的颅脑核磁共振图像进行处理的分析软件是基于MATLAB的SPM软件包，该软件包专注于脑部影像数据的处理和分析，相关处理步骤均建立在SPM软件中的DARTEL工具功能的基础上，传统的核磁共振大脑结构图像原始数据的处理建立在MATLAB开发时环境和SPM软件包，而本发明实施例利用MATLAB运行时环境将SPM软件中涉及到的全部处理步骤整合为代码，自动读取大脑结构图像原始数据并按顺序运行所有的处理步骤，所有处理过程均在Cent OS***中运行。

基于MATLAB的SPM软件包首先对颅脑核磁共振图像进行头骨分离处理，并进行图像分割获得相应的脑白质图像和脑灰质图像，然后对分割出的脑白质图像和脑灰质图像进行非线性配准，最后将配准后的脑白质图像和脑灰质图像标准化到MNI坐标空间(MNI坐标空间是国际上最常用的人脑坐标体系之一)，并进行高斯平滑。

本发明实施例将对待诊断的颅脑核磁共振图像进行处理的整个过程通过编码的形式实现完全自动化，自动读取大脑结构图像原始数据，然后基于MATLAB运行时环境完成整个处理过程，不需要商业版的MATLAB，也不需要根据DARTEL工具的每个步骤进行手动处理。

需要说明的是，本实施例中获取待诊断脑灰质图像的方法与训练多动症预测模型时获取多动症患者脑灰质图像和正常人脑灰质图像的方法相同。

本发明实施例还提供了一种基于核磁共振的多动症预测***，能够实现上述任一实施例所提供的基于核磁共振的多动症预测方法的所有流程，***中的各个模块、单元的作用以及实现的技术效果分别与上述实施例所提供的基于核磁共振的多动症预测方法的作用以及实现的技术效果对应相同，这里不再赘述。

参见图6所示，是本发明提供的一种基于核磁共振的多动症预测***的一个优选实施例的结构框图，包括：

图像获取模块11，用于获取待诊断的颅脑核磁共振图像；

图像处理模块12，用于对所述待诊断的颅脑核磁共振图像进行处理，获得待诊断脑灰质图像；以及，

预测模块13，用于基于预先训练的多动症预测模型根据所述待诊断脑灰质图像对多动症进行预测。

优选地，所述多动症预测模型为融合了卷积神经网络和全连接网络的模型；所述多动症预测模型至少包括激活函数、卷积网络层、池化层和全连接网络层。

优选地，所述***通过以下步骤对所述多动症预测模型进行训练：

分别获取多动症患者的颅脑核磁共振图像和正常人的颅脑核磁共振图像；

对所述多动症患者的颅脑核磁共振图像和所述正常人的颅脑核磁共振图像进行处理，对应获得多动症患者脑灰质图像和正常人脑灰质图像；

根据所述多动症患者脑灰质图像和所述正常人脑灰质图像对所述多动症预测模型进行训练和测试。

优选地，对所述多动症预测模型进行训练的步骤还包括：

根据测试结果和实际结果获得预测的损失值；

根据所述损失值对所述多动症预测模型进行优化。

优选地，所述预测模块具体包括：

特征提取单元，用于基于所述卷积网络层根据所述待诊断脑灰质图像进行特征提取，获得特征图；

压缩单元，用于基于所述池化层对所述特征图进行压缩，获得压缩后的特征图；

转换单元，用于基于所述激活函数对所述压缩后的特征图进行转换处理；以及，

预测单元，用于基于所述全连接网络层对转换处理的结果进行整合，获得预测结果。

优选地，所述图像获取模块具体包括：

图像获取单元，用于通过核磁共振扫描仪获取所述待诊断的颅脑核磁共振图像。

优选地，所述图像处理模块具体包括：

图像处理单元，用于对所述待诊断的颅脑核磁共振图像至少进行头骨剥离、图像分割、非线性配准、图像标准化和平滑处理，获得所述待诊断脑灰质图像。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的基于核磁共振的多动症预测方法。

本发明实施例还提供了一种终端设备，参见图7所示，是本发明提供的一种终端设备的一个优选实施例的结构框图，包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序，所述处理器10在执行所述计算机程序时实现上述任一实施例所述的基于核磁共振的多动症预测方法。

优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、······)，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器10执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。

所述处理器10可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器10也可以是任何常规的处理器，所述处理器10是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。

所述存储器20主要包括程序存储区和数据存储区，其中，程序存储区可存储操作***、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器20可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器20也可以是其他易失性固态存储器件。

需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图7结构框图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。

综上，本发明实施例所提供的一种基于核磁共振的多动症预测方法、***、计算机可读存储介质及终端设备，通过对获得的待诊断的颅脑核磁共振图像进行相应处理，以获得适用于多动症预测模型的待诊断脑灰质图像，并将待诊断脑灰质图像输入到训练后的多动症预测模型中，能够实现对多动症疾病的预测，并且根据脑灰质图像对多动症疾病进行预测，提高了预测准确率。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种基于核磁共振的多动症预测方法，其特征在于，包括：

获取待诊断的颅脑核磁共振图像；

对所述待诊断的颅脑核磁共振图像进行处理，获得待诊断脑灰质图像；

基于预先训练的多动症预测模型根据所述待诊断脑灰质图像对多动症进行预测。

2.如权利要求1所述的基于核磁共振的多动症预测方法，其特征在于，所述多动症预测模型为融合了卷积神经网络和全连接网络的模型；所述多动症预测模型至少包括激活函数、卷积网络层、池化层和全连接网络层。

3.如权利要求1或2所述的基于核磁共振的多动症预测方法，其特征在于，所述方法通过以下步骤对所述多动症预测模型进行训练：

分别获取多动症患者的颅脑核磁共振图像和正常人的颅脑核磁共振图像；

对所述多动症患者的颅脑核磁共振图像和所述正常人的颅脑核磁共振图像进行处理，对应获得多动症患者脑灰质图像和正常人脑灰质图像；

根据所述多动症患者脑灰质图像和所述正常人脑灰质图像对所述多动症预测模型进行训练和测试。

4.如权利要求3所述的基于核磁共振的多动症预测方法，其特征在于，所述方法还包括：

根据测试结果和实际结果获得预测的损失值；

根据所述损失值对所述多动症预测模型进行优化。

5.如权利要求2所述的基于核磁共振的多动症预测方法，其特征在于，所述基于预先训练的多动症预测模型根据所述待诊断脑灰质图像对多动症进行预测，具体包括：

基于所述卷积网络层根据所述待诊断脑灰质图像进行特征提取，获得特征图；

基于所述池化层对所述特征图进行压缩，获得压缩后的特征图；

基于所述激活函数对所述压缩后的特征图进行转换处理；

基于所述全连接网络层对转换处理的结果进行整合，获得预测结果。

6.如权利要求1所述的基于核磁共振的多动症预测方法，其特征在于，所述获取待诊断的颅脑核磁共振图像，具体包括：

通过核磁共振扫描仪获取所述待诊断的颅脑核磁共振图像。

7.如权利要求1所述的基于核磁共振的多动症预测方法，其特征在于，所述对所述待诊断的颅脑核磁共振图像进行处理，获得待诊断脑灰质图像，具体包括：

对所述待诊断的颅脑核磁共振图像至少进行头骨剥离、图像分割、非线性配准、图像标准化和平滑处理，获得所述待诊断脑灰质图像。

8.一种基于核磁共振的多动症预测***，其特征在于，包括：

图像获取模块，用于获取待诊断的颅脑核磁共振图像；

图像处理模块，用于对所述待诊断的颅脑核磁共振图像进行处理，获得待诊断脑灰质图像；以及，

预测模块，用于基于预先训练的多动症预测模型根据所述待诊断脑灰质图像对多动症进行预测。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至7中任一项所述的基于核磁共振的多动症预测方法。

10.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1至7中任一项所述的基于核磁共振的多动症预测方法。