申请/专利权人：复旦大学

申请日：2023-07-31

公开（公告）日：2024-04-19

公开（公告）号：CN117036793B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/82;G06N3/042;G06N3/0895;G06V10/80

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2023.11.28#实质审查的生效;2023.11.10#公开

摘要：本发明公开了一种基于PET影像多尺度特征的脑龄评估方法，包括以下步骤：获取多个年龄段健康个体的大脑PET影像数据；将大脑PET影像划分成多个脑区并进行图像处理，以获得对应的各脑区代谢特征；构建健康个体的多尺度个体代谢功能邻接矩阵；将所述大脑PET影像和对应的脑龄标签，各脑区代谢特征以及多尺度个体代谢功能邻接矩阵组成数据集；构建基于图神经网络的识别模型；采用数据集对识别模型进行自监督训练，以获得脑龄预测模型；将待预测的大脑PET影像输入至脑龄预测模型中，以获得对应的脑龄预测结果。本发明还提供了一种脑龄评估装置。本发明提供的方法有效地减少了模型预测的偏倚，从而获取更加准确的脑龄预测结果。

主权项：1.一种基于PET影像多尺度特征的脑龄评估方法，其特征在于，包括以下步骤：获取多个年龄段健康个体的大脑PET影像数据，包括大脑PET影像和对应的脑龄标签；将大脑PET影像划分成多个脑区并进行图像处理，以获得对应的各脑区代谢特征；基于各脑区的脑体素强度，以构建健康个体的多尺度个体代谢功能邻接矩阵，所述多尺度个体代谢功能邻接矩阵基于KL散度算法，JS散度算法以及马氏距离算法，分别计算各脑区体素强度的概率分布之间相似性的度量，并基于各相似度结果进行归一化处理获得；将所述大脑PET影像和对应的脑龄标签，各脑区代谢特征以及多尺度个体代谢功能邻接矩阵组成数据集；构建基于图神经网络的识别模型，所述识别模型包括特征提取模块，多尺度注意力模块以及预测模块，所述特征提取模块根据输入的大脑PET影像，以生成对应的各脑区代谢特征以及多尺度个体代谢功能邻接矩阵，所述多尺度注意力模块根据各脑区代谢特征和多尺度个体代谢功能邻接矩阵进行多尺度注意力操作，以输出融合特征，所述多尺度注意力操作的过程如下：Q＝HlWQ,K＝HlWK,V＝HlWV MultiHeadQ,K,V＝concat[head1,…,headn]WO其中，Hl表示节点隐特征，WQ表示节点隐特征投影到query子空间时的权重，WK表示节点隐特征投影到key子空间时的权重，WV表示节点隐特征投影到value子空间时的权重，T表示矩阵转置，dk表示Key向量的维度，headn表示多头注意力机制中的某一个头；所述预测模块根据获得的融合特征进行预测，以输出大脑PET影像对应的脑龄预测结果；采用数据集对所述识别模型进行自监督训练，以获得用于预测脑龄的脑龄预测模型；将待预测的大脑PET影像输入至脑龄预测模型中，以获得对应的脑龄预测结果。

全文数据：

权利要求：

百度查询： 复旦大学 一种基于PET影像多尺度特征的脑龄评估方法及装置

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