基于脑影像的脑认知能力测量系统技术方案

本发明专利技术属于脑认知能力测量领域，具体涉及一种基于脑影像的脑认知能力测量系统，旨在为了解决脑认知能力测量的智能化与便捷化问题。本发明专利技术包括局部特征提取模块、特征降维模块、认知能力测量模块、输出模块；所述局部特征提取模块，配置为对输入的脑影像进行特征提取，获得体素层面计算得到的局部特征；所述特征降维模块，配置为对获得的局部特征进行正交投影降维；所述认知能力测量模块，配置为基于预先构建的认知能力‑局部特征对应关系，对降维后的局部特征进行认知能力的测量；所述输出模块，配置为输出测量结果。本发明专利技术实现了脑认知能力测量的自动化、智能化与便捷化；同时具有较高的识别准确度。

Brain Cognitive Ability Measurement System Based on Brain Image

The invention belongs to the field of brain cognitive ability measurement, and specifically relates to a brain cognitive ability measurement system based on brain image, aiming at solving the intelligent and convenient problem of brain cognitive ability measurement. The invention comprises a local feature extraction module, a feature dimension reduction module, a cognitive ability measurement module and an output module; the local feature extraction module is configured to extract features from input brain images and obtain local features computed at the voxel level; the feature dimension reduction module is configured to orthogonal projection dimension reduction for acquired local features; and the cognitive ability measurement is described. The module is configured to measure the cognitive ability of the reduced dimension local features based on the pre-constructed cognitive ability local feature correspondence relationship; the output module is configured to output the measurement results. The invention realizes the automation, intellectualization and convenience of brain cognitive ability measurement, and has high recognition accuracy.

【技术实现步骤摘要】
基于脑影像的脑认知能力测量系统
本专利技术属于脑认知能力测量领域，具体涉及一种基于脑影像的脑认知能力测量系统。
技术介绍
人的智商高低、记忆水平等表征可反应映人的认知、思维等高级功能。研究表明脑部的影像数据如沟回的深浅、脑白质的结构、脑室的体积大小等客观影像数据在反应脑部健康程度的同时，也从一定水平上反应人的思维情感等认知加工能力，甚至能够反映出人的情绪上的变化。然而人体脑部影像数据，如核磁数据通常在GB量级，横截面图片数量在上百量级，如果人工去标记脑部结构、判读和分析影响数据，不仅效率低下，容易出错，挖掘信息不重复，不全面。人工智能尤其是深度学习和大数据技术的迭代发展，在图像识别、自动驾驶、语意分析等领域得到飞速发展。如果能够将人工智能技术应用到脑部影像数据的分析，为用户(患者)提供客观有效的脑功能评估和预测未来记忆情感等高级认知功能发展。患者只需要通过网络上传脑影像数据，就能自动分析和预测未来记忆等认知情感的发展，甚至能为一些患有脑部疾病的病人提供康复信心。然而，目前没有发现任何一款针对脑部影像结构实时在线的挖掘、分析、预测认知功能的工具和理论。
技术实现思路
为了解决现有技术中的上述问题，即为了解决脑认知能力测量的智能化与便捷化问题，本专利技术的一方面，提出了一种基于脑影像的脑认知能力测量系统，包括局部特征提取模块、特征降维模块、认知能力测量模块、输出模块；所述局部特征提取模块，配置为对输入的脑影像进行特征提取，获得体素层面计算得到的局部特征；所述特征降维模块，配置为对获得的局部特征进行降维；所述认知能力测量模块，配置为基于预先构建的认知能力-局部特征对应关系，对降维后的局部特征进行认知能力的测量；所述输出模块，配置为输出测量结果；其中，所述的认知能力-局部特征对应关系为：基于局部特征样本及对应的认知能力标签，通过线性或者非线性回归的方法获取的认知能力和局部特征的对应关系表示。在一些优选实施例中，所述的局部特征样本，其获取方法为：将脑影像样本，通过所述局部特征提取模块获取局部特征，并通过所述特征降维模块进行降维获取。在一些优选实施例中，所述局部特征提取模块所获取的局部特征包括脑灰质体积、脑白质体积、灰质皮层的厚度、灰质皮层复杂度、功能连接、白质的髓鞘化程度、水分子扩散平均受阻碍程度中的一种或多种。在一些优选实施例中，所述白质的髓鞘化程度，其计算方法为：其中，FA为白质的髓鞘化程度，D为单个体素内高斯分布函数拟合的水分子扩散模型，为3行3列的正定矩阵，Trace(D)为D的三个特征值之和，I为3行3列的单位矩阵，为矩阵D的三个特征值的平均值，表示每个体素所近似拟合的椭球的三个轴的长度。在一些优选实施例中，所述水分子扩散平均受阻碍程度，其计算方法为：其中，MD为水分子扩散平均受阻碍程度，Trace(D)为D的三个特征值之和，为矩阵D的三个特征值的平均值，表示每个体素所近似拟合的椭球的三个轴的长度。在一些优选实施例中，所述的认知能力-局部特征对应关系的获取过程中，所采用的线性或者非线性回归的方法为支持向量机的线性或者非线性回归的方法；所述认知能力-局部特征对应关系还包括预设的置信区间。在一些优选实施例中，还包括预处理模块；所述预处理模块配置为依据脑影像的分类按照预设的预处理方法进行处理，获得处理后的脑影像作为所述局部特征提取模块所输入的脑影像。在一些优选实施例中，所述预处理模块中，所述脑影像的分类包括结构磁共振图像、功能磁共振图像、扩散磁共振图像；预设的所述结构磁共振图像的预处理方法包括：磁场不均匀性矫正、磁场梯度非线性矫正；预设的所述功能磁共振图像的预处理方法包括：时间插值矫正、磁场不均匀性矫正、头动矫正、配准到标准空间、空间-时间滤波、去头皮；预设的所述扩散磁共振图像的预处理方法包括：磁场不均匀性矫正、头动矫正、去头皮。在一些优选实施例中，该系统还包括用于获取输入信息输入模块，所述输入信息包括脑影像数据、年龄信息。在一些优选实施例中，该系统还包括显示模块；所述显示模块，配置为获取所述输出模块的数据和/或所述输入模块的数据，并通过显示装置显示。本专利技术的有益效果：通过本专利技术通过特征提取网络进行特征提取，避免了人工对脑图像进行特征提取干预，并结合基于大量数据样本构建的认知能力-局部特征对应关系，实现了脑认知能力测量的自动化、智能化与便捷化；同时具有较高的识别准确度。并对海量特征进行降维，使得在简化特征的同时也能维持后续预测的有效性，提高了稳定性和泛化性能。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1是本专利技术一种实施例的基于脑影像的脑认知能力测量系统框架示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本专利技术的目的是为了填补现在关于利用脑部影像数据自动分析和预测被试认知能力的工具空白，为此本专利技术提出一种基于脑影像的脑认知能力测量系统，通过在线的方式对脑影像进行脑认知评估和预测系统。该系统可以部署在公网服务器中，用户只需要通过浏览器提交脑部影像数据，后台自动分析并呈现分析的结果。本专利技术的一种基于脑影像的脑认知能力测量系统，包括局部特征提取模块、特征降维模块、认知能力测量模块、输出模块；还可以进一步包括输入模块、预处理模块、显示模块。将在下述实施例中对各模块及其信息交互关系进行描述。为了更清晰地对本专利技术基于脑影像的脑认知能力测量系统进行说明，下面结合附图对本方专利技术系统一种优选实施例中各模块进行展开详述。本实施例的基于脑影像的脑认知能力测量系统，如图1所示，包括输入模块1、预处理模块2、局部特征提取模块3、特征降维模块4、认知能力测量模块5、输出模块6、显示模块7。(1)输入模块1，配置为获取输入信息。输入信息包括脑影像数据，还可以包括年龄信息等被测对象的信息。输入的脑影像数据可以为一类或多类脑影像数据，可以包括结构磁共振图像、功能磁共振图像、扩散磁共振图像中一种或多种。所上传的脑影像数据，可以按照行业通用的格式上传脑影像原始数据即可(NIFTI格式)，也可以在被系统中加载转换工具自动将磁共振设备导出的原始数据(RAWDATA)转换为NIFTI格式。(2)预处理模块2，配置为依据脑影像的分类按照预设的预处理方法进行处理，获得处理后的脑影像作为所述局部特征提取模块所输入的脑影像。本实施例中脑影像的分类包括结构磁共振图像、功能磁共振图像、扩散磁共振图像；预设的所述结构磁共振图像的预处理方法包括：磁场不均匀性矫正、磁场梯度非线性矫正；预设的所述功能磁共振图像的预处理方法包括：时间插值矫正、磁场不均匀性矫正、头动矫正、配准到标准空间、本文档来自技高网...

【技术保护点】
1.一种基于脑影像的脑认知能力测量系统，其特征在于，包括局部特征提取模块、特征降维模块、认知能力测量模块、显示模块；所述局部特征提取模块，配置为对输入的脑影像进行特征提取，获得体素层面计算得到的局部特征；所述特征降维模块，配置为对获得的局部特征进行降维；所述认知能力测量模块，配置为基于预先构建的认知能力‑局部特征对应关系，对降维后的局部特征进行认知能力的测量；所述输出模块，配置为输出测量结果；其中，所述的认知能力‑局部特征对应关系为：基于局部特征样本及对应的认知能力标签，通过线性或者非线性回归的方法获取的认知能力和局部特征的对应关系表示。

【技术特征摘要】
1.一种基于脑影像的脑认知能力测量系统，其特征在于，包括局部特征提取模块、特征降维模块、认知能力测量模块、显示模块；所述局部特征提取模块，配置为对输入的脑影像进行特征提取，获得体素层面计算得到的局部特征；所述特征降维模块，配置为对获得的局部特征进行降维；所述认知能力测量模块，配置为基于预先构建的认知能力-局部特征对应关系，对降维后的局部特征进行认知能力的测量；所述输出模块，配置为输出测量结果；其中，所述的认知能力-局部特征对应关系为：基于局部特征样本及对应的认知能力标签，通过线性或者非线性回归的方法获取的认知能力和局部特征的对应关系表示。2.根据权利要求1所述的脑影像的脑认知能力测量系统，其特征在于，所述的局部特征样本，其获取方法为：将脑影像样本，通过所述局部特征提取模块获取局部特征，并通过所述特征降维模块进行降维获取。3.根据权利要求1所述的脑影像的脑认知能力测量系统，其特征在于，所述局部特征提取模块所获取的局部特征包括脑灰质体积、脑白质体积、灰质皮层的厚度、灰质皮层复杂度、功能连接、白质的髓鞘化程度、水分子扩散平均受阻碍程度中的一种或多种。4.根据权利要求3所述的基于脑影像的脑认知能力测量系统，其特征在于，所述白质的髓鞘化程度，其计算方法为：其中，FA为白质的髓鞘化程度，D为单个体素内高斯分布函数拟合的水分子扩散模型，为3行3列的正定矩阵，Trace(D)为D的三个特征值之和，I为3行3列的单位矩阵，为矩阵D的三个特征向量的平均值，表示每个体素所近似拟合的椭球的三个轴的长度。5.根据权利要求3所述的基于脑影像的脑认知能力测量系统，其特征在于，所述水分子扩散平均受阻碍程...

【专利技术属性】
技术研发人员：左年明，蒋田仔，刘浩，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京,11