申请/专利权人：北京邮电大学

申请日：2023-12-08

公开（公告）日：2024-03-19

公开（公告）号：CN117372440B

主分类号：G06T7/00

分类号：G06T7/00;A61B5/00;A61B5/055;A61B5/245;G06V10/766;G06V10/774;G06V10/80

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2024.01.26#实质审查的生效;2024.01.09#公开

摘要：本申请提供阿尔茨海默病风险预警模型训练方法、预警方法及设备，方法包括：根据历史被测对象的多模态磁共振影像对应的多个层级的脑网络特征，构建多个用于存储各个历史被测对象各自对应的样本数据与阿尔茨海默病风险等级标签之间的对应关系的数据集，采用不同的数据集分别一对一训练各个单模态风险预测模型；基于各个单模态风险预测模型分别输出的单模态阿尔茨海默病风险等级数据训练线性回归模型，得到用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型。本申请能够充分捕获多模态磁共振成像所反应的特异和互补的信息，能够更加全面地刻画大脑的全局变化，并能够提高阿尔茨海默病风险评估结果的准确性及可靠性。

主权项：1.一种阿尔茨海默病风险预警模型训练方法，其特征在于，包括：根据各个历史被测对象分别对应的多模态磁共振影像中的各类单模态磁共振影像各自对应的多个层级的脑网络特征，构建多个用于存储各个所述历史被测对象各自对应的样本数据与阿尔茨海默病风险等级标签之间的对应关系的数据集，其中，不同的所述数据集中的所述样本数据的类型不同，且相同类型的所述样本数据用于存储同一类型的所述单模态磁共振影像对应的同一层级的所述脑网络特征；采用各个所述数据集分别一对一训练不同的各个单模态风险预测模型，以使各个所述单模态风险预测模型分别用于基于不同类型的单模态磁共振影像对应的不同层级的脑网络特征输出单模态阿尔茨海默病风险等级数据；基于各个所述单模态风险预测模型分别输出的所述单模态阿尔茨海默病风险等级数据训练一个线性回归模型，以将该线性回归模型训练为用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型；在所述根据各个历史被测对象分别对应的多模态磁共振影像中的各类单模态磁共振影像各自对应的多个层级的脑网络特征，构建多个用于存储各个所述历史被测对象各自对应的样本数据与阿尔茨海默病风险等级标签之间的对应关系的数据集之前，还包括：获取各个历史被测对象各自的多模态磁共振影像以及阿尔茨海默病风险等级；对各个所述多模态磁共振影像中的各类单模态磁共振影像进行图像预处理，以得到经预处理后的各类单模态磁共振影像；对经预处理后的各类单模态磁共振影像分别进行脑网络特征提取，以得到经预处理后的各类单模态磁共振影像各自对应的多个层级的脑网络特征；所述单模态磁共振影像的类型包括：结构磁共振影像、弥散张量成像和功能磁共振影像中的至少两类；所述脑网络特征的层级包括：网络矩阵和网络拓扑特征；相对应的，所述结构磁共振影像对应的多个层级的脑网络特征包括：结构相似网络矩阵和结构相似网络拓扑特征；所述弥散张量成像对应的多个层级的脑网络特征包括：结构连接网络矩阵和结构连接网络拓扑特征；所述功能磁共振影像对应的多个层级的脑网络特征包括：功能连接网络矩阵和功能连接网络拓扑特征；若所述单模态磁共振影像的类型包括：所述结构磁共振影像、所述弥散张量成像和所述功能磁共振影像，则相对应的，所述对各个所述多模态磁共振影像中的各类单模态磁共振影像进行图像预处理，以得到经预处理后的各类单模态磁共振影像，包括：对各个所述多模态磁共振影像中的所述结构磁共振影像进行头部运动校正、组织提取及空间标准化处理中的至少一项，以得到经预处理后的结构磁共振影像；对各个所述多模态磁共振影像中的所述弥散张量成像进行头部运动校正、切片时间矫正、空间标准化、空间平滑以及头部运动影像去除处理中的至少一项，以得到经预处理后的弥散张量成像；以及，对各个所述多模态磁共振影像中的所述功能磁共振影像进行降噪、运动矫正、磁场矫正、伪影矫正、扩散张量估计和纤维束追踪处理中的至少一项，以得到经预处理后的功能磁共振影像；各个所述数据集包括：第一数据集，该第一数据集中的样本数据用于存储各个所述历史被测对象各自的所述结构磁共振影像对应的所述结构相似网络矩阵；第二数据集，该第二数据集中的样本数据用于存储各个所述历史被测对象各自的所述结构磁共振影像对应的所述结构相似网络拓扑特征；第三数据集，该第三数据集中的样本数据用于存储各个所述历史被测对象各自的所述弥散张量成像对应的所述结构连接网络矩阵；第四数据集，该第四数据集中的样本数据用于存储各个所述历史被测对象各自的所述弥散张量成像对应的所述结构连接网络拓扑特征；第五数据集，该第五数据集中的样本数据用于存储各个所述历史被测对象各自的所述功能磁共振影像对应的所述功能连接网络矩阵；以及，第六数据集，该第六数据集中的样本数据用于存储各个所述历史被测对象各自的所述功能磁共振影像对应的所述功能连接网络拓扑特征；相对应的，所述采用各个所述数据集分别一对一训练不同的各个单模态风险预测模型，以使各个所述单模态风险预测模型分别用于基于不同类型的单模态磁共振影像对应的不同层级的脑网络特征输出单模态阿尔茨海默病风险等级数据，包括：采用十折交叉验证的方式，分别采用所述第一数据集训练第一风险预测模型，采用所述第二数据集训练第二风险预测模型，采用所述第三数据集训练第三风险预测模型，采用所述第四数据集训练第四风险预测模型，采用所述第五数据集训练第五风险预测模型，以及采用所述第六数据集训练第六风险预测模型，以使所述第一风险预测模型用于根据输入的所述结构磁共振影像对应的所述结构相似网络矩阵，输出第一单模态阿尔茨海默病风险等级数据，所述第二风险预测模型用于根据输入的所述结构磁共振影像对应的所述结构相似网络拓扑特征，输出第二单模态阿尔茨海默病风险等级数据，所述第三风险预测模型用于根据输入的所述弥散张量成像对应的所述结构连接网络矩阵，输出第三单模态阿尔茨海默病风险等级数据，所述第四风险预测模型用于根据输入的所述弥散张量成像对应的所述结构连接网络拓扑特征，输出第四单模态阿尔茨海默病风险等级数据，所述第五风险预测模型用于根据输入的所述功能磁共振影像对应的所述功能连接网络矩阵，输出第五单模态阿尔茨海默病风险等级数据，以及所述第六风险预测模型用于根据输入的所述功能磁共振影像对应的所述功能连接网络拓扑特征，输出第六单模态阿尔茨海默病风险等级数据。

全文数据：

权利要求：

百度查询： 北京邮电大学 阿尔茨海默病风险预警模型训练方法、预警方法及设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD