【技术实现步骤摘要】
本申请涉及医学图像分析，特别是涉及一种基于局部脑影像特征的脑肿瘤幸存者辅助诊断方法及系统。
技术介绍
1、儿童脑肿瘤幸存者是指在18岁以下被诊断为患有脑肿瘤，并且在诊断后至少存活2年的患儿。在过去的几十年中，由于治疗方法的不断改进，包括手术切除、放疗、化疗和靶向治疗等，儿童脑肿瘤的治疗效果显著提高，高收入国家的总体五年生存率超过了70％。然而，儿童脑肿瘤幸存者患上继发恶性肿瘤的风险较高，其肿瘤发病率是一般人群的5倍。此外，研究结果显示，儿童幕下癌幸存者在抑郁和焦虑方面存在更多的障碍。因此，有必要更加频繁地监测这些儿童和成人，并可能需要对他们的心理健康进行更密切的随访。
2、尽管越来越多的研究发现脑肿瘤幸存者在脑结构和脑功能方面发生变化，导致幸存者在运动学习、阅读能力和注意力等方面存在一定障碍。尽管这些研究已经证实了脑肿瘤幸存者存在脑结构和脑功能上的变化，但很少有相关研究采用多模态数据进行综合分析。使用多模态数据进行融合有助于提高准确性、增强鉴别性、丰富语义信息、提高鲁棒性和通用性，同时解决数据不足的问题。通过避免单一模态数据的局限性，这种融合方法使系统更为精准。
3、脑肿瘤在儿童和青少年中属于较为常见的癌症类型，其中一种常用的治疗方法是放射疗法。尽管放射疗法对于控制或消除脑肿瘤至关重要，但与之相关的晚期认知副作用引起了广泛的担忧。已有研究表明，脑肿瘤幸存者在接受放疗后可能出现多种认知问题，包括记忆障碍、学习困难、执行功能受损和注意力不足等。这些副作用可能对幸存者的学术表现、社交互动和生活质量产生负面影响。
技术实现思路
1、基于现有方法和研究中的上述问题，本专利技术提出一种基于局部脑影像特征的脑肿瘤幸存者辅助诊断方法及系统，该系统包括采集数据、数据预处理、多模态数据融合和数据预测，指导和优化脑肿瘤幸存者的早期诊断和及时干预治疗。
2、本专利技术所采用的技术方案是：一种基于局部脑影像特征的脑肿瘤幸存者辅助诊断方法及系统。具体包括的步骤如下：
3、(1)采集数据，本专利技术采集了诊断时年龄小于18岁、诊断后存活时间超过5
4、年的成年脑肿瘤幸存者的多模态脑影像数据和认知评估数据，同样采集了与之相匹配的健康受试者的多模态脑影像数据和认知评估数据；
5、(2)数据预处理，本专利技术将采集的多模态脑影像数据分别进行数据预处理，将t1数据进行预处理后得到被试对应脑区的皮层厚度、皮层表面积、灰质体积、沟和回数据，作为t1特征矩阵；将dti数据进行预处理后得到被试对应脑区的各向异性分数、平均扩散率、轴向扩散系数和径向扩散系数，作为dti特征矩阵；将fmri数据进行预处理后得到被试对应脑区的局部一致性、低频波动振幅和功能连接密度数据，作为fmri特征矩阵；
6、(3)多模态数据融合，本专利技术将t1特征矩阵、dti特征矩阵和fmri特征矩阵进行拼接，融合成多模态特征矩阵，并将每个特征进行归一化；
7、(4)预测模型，本专利技术将多模态特征矩阵算余弦相似度，得到相似度矩阵；
8、将相似度矩阵和认知评分输入到随机森林回归模型中，预测被试的认知评分。
9、本专利技术与
技术介绍
相比，具有的有益效果是：
10、(1)本专利技术结合多模态的脑影像数据和认知评估数据来预测脑肿瘤幸存者的认知评分，结合不同模态的数据并保留互补信息，可以获得更全面、多层次的理解，有利于对脑肿瘤幸存者的预后制定合适的治疗方案，指导个体化治疗，在临床上有较好的应用前景。
11、(2)本专利技术采用的机器学习预测模型，能够结合多个模态的数据，快速准确地预测幸存者和对应的认知评分，辅助医护人员的最终诊断与预后预测，从而采取最恰当的医疗措施。
本文档来自技高网...【技术保护点】
1.一种基于局部脑影像特征的脑肿瘤幸存者辅助诊断方法及系统，其特征在于，包括如下步骤：
2.根据权利要求1所述一种基于局部脑影像特征的脑肿瘤幸存者辅助诊断方法及系统，其特征在于，步骤1中多模态数据集包括脑肿瘤幸存者的临床信息、脑影像数据和认知评估；临床信息包括：年龄、性别和受教育程度；脑影像数据包括：T1数据、DTI数据和静息态fMRI数据；认知评估数据包括：注意力、处理速度和工作记忆等方面。
3.根据权利要求1所述一种基于局部脑影像特征的脑肿瘤幸存者辅助诊断方法及系统，其特征在于，步骤2中所述的T1数据预处理过程：颅骨剥离、B1偏置场校正、灰白质分割、皮质表面模型的重建、皮质表面区域及皮质下脑结构的标记和非线性配准。
4.根据权利要求1所述一种基于局部脑影像特征的脑肿瘤幸存者辅助诊断方法及系统，其特征在于，步骤3中所述的DTI数据预处理过程：涡流、运动伪影校正、扩散张量的估计和分数各向异性的计算。
5.根据权利要求1所述一种基于局部脑影像特征的脑肿瘤幸存者辅助诊断方法及系统，其特征在于，步骤4中所述的fMRI预处理过程：去除前5个
6.根据权利要求1所述一种基于局部脑影像特征的脑肿瘤幸存者辅助诊断方法及系统，其特征在于，步骤5中所述的多模态融合是将结构像特征和功能像特征进行融合，T1特征提取的数据包括：皮层厚度、灰质体积、皮层表面积、沟和回；DTI特征提取的数据包括：各向异性分数、平均扩散率、轴向扩散系数和径向扩散系数；fMRI特征提取的数据包括：局部一致性、低频波动振幅和功能连接密度；多模态特征融合的过程是，基于Brainnetome脑图谱提取的结构像特征和功能像特征进行拼接，并进行归一化。
7.根据权利要求1所述一种基于局部脑影像特征的脑肿瘤幸存者辅助诊断方法及系统，其特征在于，步骤6中所述的计算融合特征的相似度，是计算融合特征矩阵的余弦相似度；余弦相似度的原理是基于两个向量之间的夹角余弦值，假设给定两个向量A和B，它们的余弦相似度可以通过以下公式计算：其中A·B表示向量A和B的点积，||A||和||B||分别表示向量A和B的范数，取值范围在(-1，1)之间，余弦相似度接近1，表示两个向量方向相似；余弦相似度接近-1，表示方向相反；余弦相似度接近0，表示两个向量夹角接近90°，方向差异较大。
8.根据权利要求1所述一种基于局部脑影像特征的脑肿瘤幸存者辅助诊断方法及系统，其特征在于，步骤7中采用机器学习构建特征预测生成模型，是采用随机森林回归模型划分训练集和验证集，进行模型训练。
9.根据权利要求1所述一种基于局部脑影像特征的脑肿瘤幸存者辅助诊断方法及系统，其特征在于，步骤8中将训练好的模型用于预测，用均方误差来评估模型在验证集上的性能，均方误差用于衡量模型预测与实际观测值之间的平均方差，计算方法如下：其中：N是样本数量，yi是第i个观测值的实际输出，是模型对第i个观测值的预测输出；均方误差越小，表示模型的预测越接近实际观测值，模型性能越好；在随机森林回归模型中，通过优化分裂标准，随机森林模型会寻找最佳的决策树集合，以最小化整体的均方误差；使用训练好的模型在验证集上进行预测，生成脑肿瘤幸存者认知评分的预测值；在模型训练和验证中，使用10折交叉验证，减小对特定训练集和验证集的过度拟合，并提供更稳定的性能评估。
...【技术特征摘要】
1.一种基于局部脑影像特征的脑肿瘤幸存者辅助诊断方法及系统，其特征在于，包括如下步骤：
2.根据权利要求1所述一种基于局部脑影像特征的脑肿瘤幸存者辅助诊断方法及系统，其特征在于，步骤1中多模态数据集包括脑肿瘤幸存者的临床信息、脑影像数据和认知评估；临床信息包括：年龄、性别和受教育程度；脑影像数据包括：t1数据、dti数据和静息态fmri数据；认知评估数据包括：注意力、处理速度和工作记忆等方面。
3.根据权利要求1所述一种基于局部脑影像特征的脑肿瘤幸存者辅助诊断方法及系统，其特征在于，步骤2中所述的t1数据预处理过程：颅骨剥离、b1偏置场校正、灰白质分割、皮质表面模型的重建、皮质表面区域及皮质下脑结构的标记和非线性配准。
4.根据权利要求1所述一种基于局部脑影像特征的脑肿瘤幸存者辅助诊断方法及系统，其特征在于，步骤3中所述的dti数据预处理过程：涡流、运动伪影校正、扩散张量的估计和分数各向异性的计算。
5.根据权利要求1所述一种基于局部脑影像特征的脑肿瘤幸存者辅助诊断方法及系统，其特征在于，步骤4中所述的fmri预处理过程：去除前5个时间点、时间层校正、头动校正、配准、滤波和平滑。
6.根据权利要求1所述一种基于局部脑影像特征的脑肿瘤幸存者辅助诊断方法及系统，其特征在于，步骤5中所述的多模态融合是将结构像特征和功能像特征进行融合，t1特征提取的数据包括：皮层厚度、灰质体积、皮层表面积、沟和回；dti特征提取的数据包括：各向异性分数、平均扩散率、轴向扩散系数和径向扩散系数；fmri特征提取的数据包括：局部一致性、低频波动振幅和功能连接密度；多模态特征融合的过程是，基于bra...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。