CN111000571A - 创伤后心理疾病的风险预测方法,相关设备及存储装置 - Google Patents
创伤后心理疾病的风险预测方法,相关设备及存储装置 Download PDFInfo
- Publication number
- CN111000571A CN111000571A CN201911367869.9A CN201911367869A CN111000571A CN 111000571 A CN111000571 A CN 111000571A CN 201911367869 A CN201911367869 A CN 201911367869A CN 111000571 A CN111000571 A CN 111000571A
- Authority
- CN
- China
- Prior art keywords
- data set
- post
- data
- brain
- traumatic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Educational Technology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Social Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种创伤后心理疾病的风险预测方法,相关设备及存储装置,包括以下步骤,获取病人脑部MRI图像,基于脑部MRI图像的多模态数据划分感兴趣区域,提取灰质特征和白质特征形成特征数据集,将特征数据集输入诊断模型以获取各种心理疾病的预测概率,所述诊断模型根据特征数据集进行优化和训练。本方法能有效对创伤后心理疾病高危人群进行早期诊断,尤其对PTSD及其并发的抑郁症、焦虑症进行预测,同时提供预测创伤后心理疾病的关键图像生物学指标。
Description
技术领域
本发明涉及医学影像处理技术领域,具体涉及一种创伤后心理疾病的风险预测方法,相关设备及存储装置。
背景技术
重大创伤性事件对个体的打击是巨大的,个体常在创伤事件发生后数月甚至数年发展为创伤后应激障碍(Post-traumatic Stress Disorder,PTSD)、抑郁症、焦虑症等精神心理疾患,严重时可导致个体失业甚至无法照料自己及家人生活,对家庭、社会造成严重的负担。
在创伤后各类精神心理疾病人群中,大概率存在PTSD、抑郁症、焦虑症共病的情形,且研究多表明PTSD、抑郁症、焦虑症发病的神经机制存在重叠,因此如能在创伤发生急性期通过技术手段将PTSD进行有效识别,有可能将其共病的抑郁症、焦虑症进行早期识别,使疾病早期干预成为可能,如本技术得以成功应用,将可有效降低PTSD等精神心理疾病的发生风险,极大改善疾病预后。
发明内容
本发明的目的是提高创伤事件后的个体心理疾病的预测水平,采用机器学习技术,基于多模态MRI图像数据对创伤后心理疾病高危人群进行早期诊断。
为了达到上述目的,本发明一方面提供一种创伤后心理疾病的风险预测方法,包括:
S1、获取病人脑部MRI图像,根据预设条件对所述MRI图像进行数据清洗;
S2、对所述脑部MRI图像进行数据预处理;
S3、基于脑部MRI图像的多模态数据划分感兴趣区域,并从感兴趣区域中提取灰质特征和白质特征,形成特征数据集;
S4、优化特征数据集,将所述特征数据集输入预测模型,获取所述患者的风险预测结果,所述风险预测结果包括所述患者被诊断为患上各种心理疾病的概率值。
进一步的,所述步骤S1的数据清洗过程包括:
S11,设置清洗条件,所述清洗条件为具有脑出血、脑结构异常等异常特征的脑部MRI图像;
S12,根据清洗条件,删除具有脑出血、脑结构异常等异常特征的脑部MRI图像。
进一步的,在所述步骤S2的数据预处理过程,包括:
S21,转化MRI图像,获取T1模态数据和DTI模态数据;
S22,采用偏差矫正法抑制T1模态数据的密度不均匀性,完成全脑图像的自动颅骨分离,将脑部图像自动分割为灰质区域和白质区域;
S23,对DTI模态数据进行白质纤维跟踪操作,得到基于全脑的白质纤维束示踪成像及各参数图。
进一步的,在所述步骤S3的特征数据集生成过程中,还包括:
S31,将多个图谱模板分别与各个被试的T1模态数据和DTI模态数据进行非刚性配准,并将并将图谱模板信息转换至目标图像的个体空间;
S32,基于配准信息,获取所述图谱模板对应的各感兴趣区域的分割结果;
S33,根据感兴趣区域的分割结果,分别提取T1模态数据特征和DTI模态数据特征,形成特征数据集。
进一步的,所述图谱模板为Anatomical Labeling(AAL)图谱,Desikan-Killiany-Tourville(DKT)图谱,Destrieux(DES)图谱和Desikan-Killiany(DK)图谱中的一种或多种。
进一步的,在步骤S4预测模型的构建过程中,包括:
S41,对所述特征数据集进行分组标签,所述分组标签包括患病组和对照组;
S42,将特征数据集以9:1的比例分为训练数据集和测试数据集;
S43,基于所述分组标签采用LASSO算法优化对训练数据集进行优化;
S44,采用所述训练数据集训练基于支持向量机的分类器模型,所述分类器模型根据分组标签对训练数据集进行分类训练,以实现分类器模型。
进一步的,在步骤S4中还对构建后的分类器模型进行测试,包括:
S45,采用多重排列检验测试方式、重复数据分割方法、留一法交叉验证所述分类器模型。
进一步的,根据分类器模型的验证结果,统计在分类结果中被选择最多的分类特征作为评估该心理疾病的图像生物学指标。
本发明还提供一种创伤后心理疾病的风险预测方法诊断设备,包括:
采集单元,用以获取病人脑部MRI图像数据;
获取单元,基于脑部MRI图像的多模态数据划分感兴趣区域,并从感兴趣区域中提取灰质特征和白质特征,形成特征数据集;
特征提取单元,以分组标签作为诊断依据从所述特征数据集中提取相关联的诊断特征;
分类单元,根据所述诊断特征构建分类机模型以实现对目标MRI图像分组标签的设定,完成诊断模型的构建;
验证单元,用以验证所述支持向量机模型的分类结果。
另一方面,本发明还提供一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求上述脑伤后心理疾病的风险预测方法中的步骤。
本发明提供一种创伤后心理疾病的风险预测方法,相关设备及存储装置,包括以下步骤,获取病人脑部MRI图像;基于脑部MRI图像的多模态数据划分感兴趣区域,提取灰质特征和白质特征形成特征数据集;以分组标签作为诊断依据从所述特征数据集中提取相关联的诊断特征,以构建支持向量机模型实现图像分类,本方法能有效对创伤后心理疾病高危人群进行早期诊断,尤其对PTSD及其共病的抑郁症、焦虑症进行预测,,同时提供预测创伤后心理疾病的关键图像生物学指标。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明创伤后心理疾病的风险预测方法的方法流程图;
图2是本发明各类创伤后心理疾病诊断模型的构建方法流程图;
图3是本发明诊断模型的ROC曲线坐标图;
图4是本发明一种创伤后心理疾病的风险预测方法诊断设备的***架构图。
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。
本发明提供一种创伤后心理疾病的风险预测方法,相关设备及存储装置,其目的在于提高创伤事件后的个体心理疾病的预测水平,采用机器学习技术,基于多模态MRI图像数据对创伤后心理疾病高危人群进行早期诊断。
下面参照附图描述根据本发明实施例提出的一种创伤后心理疾病的风险预测方法,相关设备及存储装置,首先将参照附图描述根据本发明实施例提出的创伤后心理疾病的风险预测方法。
图1是本发明一个实施例的创伤后心理疾病的风险预测方法的方法流程图。
如图1所示,该方法包括:
S101获取脑部MRI图像,根据预设条件对所述脑部MRI图像进行数据清洗,所述预设条件包括脑出血、脑结构异常等异常特征。
S102根据MRI图像的多模态数据划分感兴趣区域,并从感兴趣区域中提取灰质特征和白质特征,形成特征数据集;
S103将所述特征数据集输入预测模型,获取所述患者的风险预测结果,所述风险预测结果包括所述患者被诊断为患上各种心理疾病的概率值
在本发明的实施例中,本方法在获取伤者在事故后48小时内的脑部MRI图像后,根据预设条件进行数据清洗,以排除包括脑出血、脑外伤等导致脑结构异常特征的脑部MRI图像。再根据T1模态数据和DTI模态数据进行多个图谱模板的图像配准,得到图谱模板对应的各脑部感兴趣区的分割结果,从T1模态数据中提取灰质特征,从DTI模态数据提取白质特征,以形成特征数据集。特征数据输入诊断模型,通过分类器判断该特征数据集与各种心理疾病特制的相似度,并以概率的形式显示伤者获得PTSD、抑郁症、焦虑症等心理疾病的可能性,以确定患者的诊断结果。
下面结合图2,进一步详细描述了创伤后心理疾病的风险预测方法。
图2为一个实施例的各类创伤后心理疾病诊断模型的构建方法流程图。
如图2所示,该各类创伤后心理疾病诊断模型的构建方法包括:
S201获取病人脑部MRI图像,设置病人脑部MRI图像的分组标签,所述分组标签包括各种心理疾病的确诊组和正常组;
在本发明的实施例中,以交通事故后的伤者PTSD预测为例,首先获取伤者在事故后48小时内的MRI图像。并对伤者进行随访,随访过程中评估其临床特征,判断个体是否转化为PTSD。并以此为依据将病人分组为确诊组或正常组。
具体的,核磁共振的采集参数为:
A.MRI机器型号:3.0T MR scanner(SignaExcite;GE HealthCare,Milwaukee,WI,USA)
B.DTI参数:TR 15000ms,TE 68ms,matrix 110*110,FOV 220*220mm2,NEX 1,slice thickness 2mm.
C.T1参数:MPRAGE;TR/TE/fli angle=5.6ms/1.8ms/15,156sagittal slices,matrix:256×256,slice thickness:1mm,voxel:0.94mm×0.94mm×1mm,flip angle:15°
S202基于脑部MRI图像的多模态数据划分感兴趣区域,并从感兴趣区域中提取灰质特征和白质特征,形成特征数据集。
在本发明的一个实施例中,本方法通过从T1模态图像提取灰质皮层厚度特征,并从DTI模态图像提取白质纤维连接特征。包括以下步骤。
S203,获取脑部MRI图像的T1模态数据;
S204,预处理所述T1模态数据,分割脑部MRI图像中灰质区域和白质区域,重建所述灰质区域和白质区域的交界和灰质区域的外表面区域。
具体的,在获取MRI图像数据后,还需要进行图像预处理。其中,首先使用MRIConvert工具将所有Dicom文件转化为nii文件。然后进行多模态数据的预处理工作。
其中,T1图像处理使用偏差矫正(N3 bias-correction)方法抑制密度不均匀性;使用aBEAT工具在全脑图像完成自动颅骨剥离(skull-stripping),并将脑部自动分割为灰质和白质区域,以此重建灰质白质交界和灰质外表面。
S205,获取脑部MRI图像的DTI模态数据;
S206,预处理所述MRI图像的DTI模态数据,获取基于全脑的白质纤维束示踪成像及其参数图。
具体的,DTI图像预处理中,使用DSIStudio进行白质纤维跟踪(fiber-tracking)操作,得到基于全脑的白质纤维束示踪成像(fiber tractography)及各参数图(parametermaps)。纤维跟踪方法的相关参数如下:step size=0.2mm;minimal allowed FA=0.3;track length=20-400mm;maximal turning angle=60°;maximal tract number persubject=1×104。
S207,采用图谱模板与所述T1模态数据和所述DTI模态数据进行非刚性配准,并获取所述T1模态数据和DTI模态数据的配准信息,并将图谱模板信息转换至目标图像的个体空间。
S208基于配准信息对所述T1模态数据和DTI模态数据进行感兴趣区域的划分。
在本发明的一个实施例中,iv.为探索不同atlas在筛查PTSD中的作用,我们使用了Anatomical Labeling(AAL)图谱,Desikan-Killiany-Tourville(DKT)图谱,Destrieux(DES)图谱和Desikan-Killiany(DK)四个图谱模板。四个图谱模板分别生成90,62,148和68个大脑脑区分割信息(ROI labeling)。以此,每个被试可提取出368个T1特征和1104个DTI特征。
S209,根据各图谱模板分别提取感兴趣区的灰质皮层厚度特征。具体的,考虑到4种图谱,共有368个T1特征。
S210,根据Anatomical Labeling(AAL)图谱提取各感兴趣区之间的白质纤维连接特征,通过平均弥散率(MD,Mean Diffusivity)值、部分各向异性(FA,FractionalAnistropy)值和连接纤维数(fiber counts)获取连接矩阵,计算连接矩阵中加权局部聚类系数特征,获得白质纤维连接特征。
将AAL atlas的90个ROI作为研究对象,计算任意两个ROI连接性得到90*90矩阵。鉴于各脑区之间的白质纤维连接性可通过FA、MD以及脑区连接纤维数(fiber counts)三种参数衡量,根据图谱可得出每个被试个体的3个连接矩阵。随后,每个连接矩阵计算其368个加权局部聚类系数特征(weighted local clustering coefficient),并最终得到1104个来自于DTI模态图像的特征数据。
S211采用特征选择算法,以分组标签作为诊断依据从所述特征数据集中提取相关联的诊断特征,根据所述诊断特征构建支持向量机模型以实现对目标MRI图像分组标签的设定,完成诊断模型的构建。
具体的,本方法首先将全部被试数据分为训练数据集(training sets)和测试数据集(testing sets)。在训练数据集中,基于其分组标签,使用LASSO算法以完成特征选择工作。在数据测试阶段,在完成目标多模态图像的特征提取后,基于训练阶段选择的最优特征集,完成对目标图像的特征选择工作。在完成特征选择工作后,构建基于线性支持向量机(support vector machine,SVM)的分类器模型,以实现对目标图像的确诊组和对照组的分组工作。
进一步的,训练数据集包含样本数量的影响,以及验证分类器疾病预测的可靠性,我们对其进行多重排列检验测试(multi-fold permutation test)。例如,当使用10折交叉验证(10-fold cross validation)时,即将所有被试随机分为10组数据,其中一组作为测试数据(7个),剩余9组作为训练数据(共65个)。我们在多重排列检验测试时分别进行了10/4/2折交叉验证,对应的训练集个体数分别为65、54和36个。对于每次交叉验证,我们还使用重复数据分割方法,并用嵌套(nested)机制训练并测试20次,以得到最优参数结果。多重(multi-fold)验证的平均ROC曲线如图3所示,并有各个验证的曲线***影面积(AreaUnder Curve,AUC)性能指标。我们还使用留一法(leave-one-out)作为交叉验证(每次选择71个训练数据,1个测试数据),其测试结果如图3所示,在所有图谱排列中发现结合DKT和联合DES图谱的测试结果最优解。10/4/2折交叉验证的平均分类准确度(ACC,classificationaccuracy)值分别是0.8757,0.8590,0.8076。
本方法除了预测创伤后心理疾病如PTSD患病的可能性外,也可发现PTSD相关生物学指标将有助于更好地理解其发病机制,其特征指标来自于T1和DTI的多模态图像。特征选择基于对所有留一法验证过程中,对每个特征被选择的次数进行计数,据此判断其重要性。找出需要在90%的留一法验证中都被选择的那部分特征作为最重要的特征,并将其作为预测PTSD患病的图像生物学指标。
具体的,共有4个T1特征(皮层厚度)可作为潜在图像生物学指标:(1)左侧舌回皮层厚度;(2)右侧颞中回皮层厚度;(3)左侧扣带回皮层厚度;(4)左侧海马旁回皮层厚度。对于全部DTI特征中,2个特征(LCC值)被频繁选择:(1)左侧梭状回;(2)左侧眶回。
图4为本发明的一种创伤后心理疾病的风险预测方法诊断设备,包括:
采集单元501,用以获取病人脑部MRI图像数据;
分组单元502,用以根据病人随访结果设置病人脑部MRI图像的分组标签,所述分组标签包括确诊组和正常组;
获取单元503,基于脑部MRI图像的多模态数据划分感兴趣区域,并从感兴趣区域中提取灰质特征和白质特征,形成特征数据集;
特征提取单元504,以分组标签作为诊断依据从所述特征数据集中提取相关联的诊断特征;
分类单元505,根据所述诊断特征构建支持向量机模型以实现对目标MRI图像分组标签的设定,完成诊断模型的构建;
验证单元506,用以验证所述支持向量机模型的分类结果。
本发明的一种实施例还提出一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行上述创伤后心理疾病的风险预测方法中的步骤。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)-连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.创伤后心理疾病的风险预测方法,其特征在于,包括:
S1、获取病人脑部MRI图像,根据预设条件对所述MRI图像进行数据清洗;
S2、对所述脑部MRI图像进行数据预处理;
S3、基于脑部MRI图像的多模态数据划分感兴趣区域,并从感兴趣区域中提取灰质特征和白质特征,形成特征数据集;
S4、优化特征数据集,将所述特征数据集输入预测模型,获取所述患者的风险预测结果,所述风险预测结果包括所述患者被诊断为患上各种心理疾病的概率值。
2.如权利要求1所述的创伤后心理疾病的风险预测方法,其特征在于,所述步骤S1的数据清洗过程包括:
S11,设置清洗条件,所述清洗条件为具有脑出血、脑结构异常等异常特征的脑部MRI图像;
S12,根据清洗条件,删除具有脑出血、脑结构异常等异常特征的脑部MRI图像。
3.如权利要求1所述的创伤后心理疾病的风险预测方法,其特征在于,在所述步骤S2的数据预处理过程,包括:
S21,转化MRI图像,获取T1模态数据和DTI模态数据;
S22,采用偏差矫正法抑制T1模态数据的密度不均匀性,完成全脑图像的自动颅骨分离,将脑部图像自动分割为灰质区域和白质区域;
S23,对DTI模态数据进行白质纤维跟踪操作,得到基于全脑的白质纤维束示踪成像及各参数图。
4.如权利要求1所述的创伤后心理疾病的风险预测方法,其特征在于,在所述步骤S3的特征数据集生成过程中,还包括:
S31,将多个图谱模板分别与各个被试的T1模态数据和DTI模态数据进行非刚性配准,并将图谱模板信息转换至目标图像的个体空间;
S32,基于配准信息,获取所述图谱模板对应的各感兴趣区域的分割结果;
S33,根据感兴趣区域的分割结果,分别提取T1模态数据特征和DTI模态数据特征,形成特征数据集。
5.如权利要求4所述的任一种创伤后心理疾病的风险预测方法,其特征在于,
所述图谱模板为Anatomical Labeling(AAL)图谱,Desikan-Killiany-Tourvi lle(DKT)图谱,Destrieux(DES)图谱和Desikan-Killiany(DK)图谱中的一种或多种。
6.如权利要求1所述的创伤后心理疾病的风险预测方法,其特征在于,在步骤S4预测模型的构建过程中,包括:
S41,对所述特征数据集进行分组标签,所述分组标签包括患病组和对照组;
S42,将特征数据集以9:1的比例分为训练数据集和测试数据集;
S43,基于所述分组标签采用LASSO算法优化对训练数据集进行优化;
S44,采用所述训练数据集训练基于支持向量机的分类器模型,所述分类器模型根据分组标签对训练数据集进行分类训练,以实现分类器模型。
7.如权利要求6所述的创伤后心理疾病的风险预测方法,其特征在于,在步骤S4中还对构建后的分类器模型进行测试,包括:
S45,采用多重排列检验测试方式、重复数据分割方法、留一法交叉验证所述分类器模型。
8.如权利要求7所述的创伤后心理疾病的风险预测方法,其特征在于,根据分类器模型的验证结果,统计在分类结果中被选择最多的分类特征作为评估该心理疾病的图像生物学指标。
9.创伤后心理疾病的风险预测方法诊断设备,其特征在于,包括:
采集单元,用以获取病人脑部MRI图像数据;
获取单元,基于脑部MRI图像的多模态数据划分感兴趣区域,并从感兴趣区域中提取灰质特征和白质特征,形成特征数据集;
特征提取单元,以分组标签作为诊断依据从所述特征数据集中提取相关联的诊断特征;
分类单元,根据所述诊断特征构建分类机模型以实现对目标MRI图像分组标签的设定,完成诊断模型的构建;
验证单元,用以验证所述支持向量机模型的分类结果。
10.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至8任一项所述的脑创伤后心理疾病的风险预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911367869.9A CN111000571A (zh) | 2019-12-26 | 2019-12-26 | 创伤后心理疾病的风险预测方法,相关设备及存储装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911367869.9A CN111000571A (zh) | 2019-12-26 | 2019-12-26 | 创伤后心理疾病的风险预测方法,相关设备及存储装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111000571A true CN111000571A (zh) | 2020-04-14 |
Family
ID=70118897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911367869.9A Pending CN111000571A (zh) | 2019-12-26 | 2019-12-26 | 创伤后心理疾病的风险预测方法,相关设备及存储装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111000571A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205869A (zh) * | 2021-04-29 | 2021-08-03 | 华东师范大学 | 一种基于用户社交软件头像的心理健康检测及干预方法 |
CN113947577A (zh) * | 2021-10-18 | 2022-01-18 | 上海市精神卫生中心(上海市心理咨询培训中心) | 基于健康人群分布实现脑影像特征归一化处理的方法、***、装置、处理器及其存储介质 |
CN114119491A (zh) * | 2021-10-29 | 2022-03-01 | 吉林医药学院 | 一种基于医学图像分析的数据处理*** |
CN117373678A (zh) * | 2023-12-08 | 2024-01-09 | 北京望石智慧科技有限公司 | 基于突变签名的疾病风险预测模型构建方法及分析方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102293656A (zh) * | 2011-05-25 | 2011-12-28 | 四川大学华西医院 | 基于磁共振成像的情绪稳定性评价***及其评价方法 |
CN105559805A (zh) * | 2015-12-31 | 2016-05-11 | 四川大学 | 一种创伤后应激障碍的诊断评估*** |
US20160192889A1 (en) * | 2013-08-05 | 2016-07-07 | Nikolaos KOUTSOULERIS | Adaptive pattern recognition for psychosis risk modelling |
WO2017210873A1 (zh) * | 2016-06-08 | 2017-12-14 | 中国科学院自动化研究所 | 基于磁共振影像的脑疾病个体化预测方法和*** |
CN108288070A (zh) * | 2018-01-12 | 2018-07-17 | 迈格生命科技(深圳)有限公司 | 一种神经指纹提取分类方法及*** |
CN109464122A (zh) * | 2018-11-05 | 2019-03-15 | 西南大学 | 基于多模态数据的个体核心特质预测***及方法 |
CN109528197A (zh) * | 2018-11-20 | 2019-03-29 | 中国科学院上海生命科学研究院 | 基于脑功能图谱的猴-人跨物种迁移进行精神疾病的个体化预测方法和*** |
CN109589089A (zh) * | 2017-09-30 | 2019-04-09 | 复旦大学 | 基于多模态影像数据的分析方法及其用途 |
CN110443798A (zh) * | 2018-12-25 | 2019-11-12 | 电子科技大学 | 一种基于磁共振图像的自闭症检测方法、装置及*** |
CN110544252A (zh) * | 2019-09-05 | 2019-12-06 | 重庆邮电大学 | 基于多模态磁共振脑影像的帕金森病辅助诊断*** |
-
2019
- 2019-12-26 CN CN201911367869.9A patent/CN111000571A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102293656A (zh) * | 2011-05-25 | 2011-12-28 | 四川大学华西医院 | 基于磁共振成像的情绪稳定性评价***及其评价方法 |
US20160192889A1 (en) * | 2013-08-05 | 2016-07-07 | Nikolaos KOUTSOULERIS | Adaptive pattern recognition for psychosis risk modelling |
CN105559805A (zh) * | 2015-12-31 | 2016-05-11 | 四川大学 | 一种创伤后应激障碍的诊断评估*** |
WO2017210873A1 (zh) * | 2016-06-08 | 2017-12-14 | 中国科学院自动化研究所 | 基于磁共振影像的脑疾病个体化预测方法和*** |
CN109589089A (zh) * | 2017-09-30 | 2019-04-09 | 复旦大学 | 基于多模态影像数据的分析方法及其用途 |
CN108288070A (zh) * | 2018-01-12 | 2018-07-17 | 迈格生命科技(深圳)有限公司 | 一种神经指纹提取分类方法及*** |
CN109464122A (zh) * | 2018-11-05 | 2019-03-15 | 西南大学 | 基于多模态数据的个体核心特质预测***及方法 |
CN109528197A (zh) * | 2018-11-20 | 2019-03-29 | 中国科学院上海生命科学研究院 | 基于脑功能图谱的猴-人跨物种迁移进行精神疾病的个体化预测方法和*** |
CN110443798A (zh) * | 2018-12-25 | 2019-11-12 | 电子科技大学 | 一种基于磁共振图像的自闭症检测方法、装置及*** |
CN110544252A (zh) * | 2019-09-05 | 2019-12-06 | 重庆邮电大学 | 基于多模态磁共振脑影像的帕金森病辅助诊断*** |
Non-Patent Citations (1)
Title |
---|
戚昊辰: "抑郁症共病焦虑障碍患者磁共振影像学研究", 《中国优秀硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205869A (zh) * | 2021-04-29 | 2021-08-03 | 华东师范大学 | 一种基于用户社交软件头像的心理健康检测及干预方法 |
CN113205869B (zh) * | 2021-04-29 | 2022-10-04 | 华东师范大学 | 一种基于用户社交软件头像的心理健康检测及干预方法 |
CN113947577A (zh) * | 2021-10-18 | 2022-01-18 | 上海市精神卫生中心(上海市心理咨询培训中心) | 基于健康人群分布实现脑影像特征归一化处理的方法、***、装置、处理器及其存储介质 |
CN113947577B (zh) * | 2021-10-18 | 2022-06-28 | 上海市精神卫生中心(上海市心理咨询培训中心) | 基于健康人群分布实现脑影像特征归一化处理的方法、***、装置、处理器及其存储介质 |
CN114119491A (zh) * | 2021-10-29 | 2022-03-01 | 吉林医药学院 | 一种基于医学图像分析的数据处理*** |
CN117373678A (zh) * | 2023-12-08 | 2024-01-09 | 北京望石智慧科技有限公司 | 基于突变签名的疾病风险预测模型构建方法及分析方法 |
CN117373678B (zh) * | 2023-12-08 | 2024-03-05 | 北京望石智慧科技有限公司 | 基于突变签名的疾病风险预测模型构建方法及分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102125127B1 (ko) | 딥러닝 기반 뇌 질환 진단 방법 | |
CN111000571A (zh) | 创伤后心理疾病的风险预测方法,相关设备及存储装置 | |
ES2595210T3 (es) | Método y aparato para procesar imágenes médicas | |
RU2533500C2 (ru) | Система и способ для объединения клинических признаков и признаков изображений для диагностики с применением компьютера | |
US20220122253A1 (en) | Information processing device, program, trained model, diagnostic support device, learning device, and prediction model generation method | |
CN113241135A (zh) | 一种基于多模态融合的疾病风险预测方法和*** | |
Tong et al. | Five-class differential diagnostics of neurodegenerative diseases using random undersampling boosting | |
US20190102516A1 (en) | System and method for creating, querying, and displaying a miba master file | |
CN104025100B (zh) | 成像检查协议更新推荐器 | |
Brugnara et al. | Automated volumetric assessment with artificial neural networks might enable a more accurate assessment of disease burden in patients with multiple sclerosis | |
US11043296B2 (en) | Systems and methods for semi-automatic tumor segmentation | |
CN115830017B (zh) | 基于图文多模态融合的肿瘤检测***、方法、设备及介质 | |
Cruciani et al. | Interpretable deep learning as a means for decrypting disease signature in multiple sclerosis | |
Chan et al. | Quasi-conformal statistical shape analysis of hippocampal surfaces for Alzheimer׳ s disease analysis | |
US9483705B2 (en) | Image processing device, image processing method, and image processing program | |
CN113962930A (zh) | 阿尔茨海默病风险评估模型建立方法和电子设备 | |
CN117253625A (zh) | 肺癌筛查模型的构建装置、肺癌筛查装置、设备及介质 | |
CN116523839A (zh) | 帕金森病辅助分析*** | |
CN116230245A (zh) | 疾病病程预测方法、装置、电子设备及存储介质 | |
US20220375077A1 (en) | Method for generating models to automatically classify medical or veterinary images derived from original images into at least one class of interest | |
CN116052889B (zh) | 一种基于血液常规指标检测的sFLC预测*** | |
US20150302171A1 (en) | Bioimaging grid | |
CN112601494A (zh) | 相似度确定装置、方法及程序 | |
CN113223674B (zh) | 医学图像标记方法、装置、设备及存储介质 | |
CN115424724B (zh) | 一种多模态图森林的肺癌***转移辅助诊断*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |