System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 痴呆诊断制造技术_技高网

痴呆诊断制造技术

技术编号:44229761 阅读:1 留言:0更新日期:2025-02-11 13:33
痴呆诊断。本申请描述了一种用于诊断痴呆亚型的方法。该方法包含获取与一或多个患者有关的脑成像数据,使用深度学习模型分析该数据,以及使用该深度学习模型将该一或多个患者分类为复数个类别,包含患有第一种亚型的痴呆的第一类患者及患有第二种亚型的痴呆的第二类患者。该深度学习模型已使用来自患者的脑成像数据进行训练,该脑成像数据包含显示颞顶叶低代谢证据的第一组图像及显示代替颞叶及顶叶区域或除了颞叶及顶叶区域之外、脑中除了颞叶及顶叶区域以外的区域的低代谢证据的第二组图像,其中该第一组图像经标记为与第一种亚型的痴呆相关,且该第二组图像经标记为与第二种亚型的痴呆相关。本申请还描述了相关系统及方法。

【技术实现步骤摘要】
【国外来华专利技术】

本专利技术关于一种用于诊断痴呆亚型的方法,且具体地但不排他地关于一种用于通过分析脑图像,特别地(18f)-氟-脱氧-葡萄糖-正电子发射断层扫描(fdg-pet)图像来将患者分类为患有阿兹海默氏病(alzheimer’s disease,ad)或混合型痴呆例如例如ad及脑血管疾病(cvd,混合型痴呆)的方法。


技术介绍

1、阿兹海默氏病(ad)可与其他脑病理共存,这些脑病理还会导致认知下降,且使ad的诊断及治疗复杂化。ad通常与脑血管疾病(cerebrovascular disease,cvd)相关,且这两种病理的存在对认知下降具有加性影响。cvd与认知效能下降有关,且降低了ad患者出现痴呆临床表现的阈值。这两种病理之间的重叠导致了术语“混合型痴呆”。

2、痴呆患者的病理的共存及异质性导致难以区分典型ad与混合型病理。据报导,fdg-pet在区分其他病理与ad方面优于其他神经成像技术,例如磁共振成像(magneticresonance imaging,mri)、计算机断层扫描(computed tomography,ct)及血流单光子发射计算机断层扫描(single photon emission computed tomography,spect)。然而,fdg-pet图像的视觉解释需要对专家人员进行强化培训,并且非常耗时。此外,ad的fdg-pet图像的视觉解释为主观的且视专家知识(morbelli等人,j alzheimers dis.2015;44(3):815-26)而定,其中专家视觉分析与临床诊断的一致性为约90%(tripathi等人,neuroradiolj2014;27(1):13-21)。

3、此外,fdg-pet图像的视觉解释可能会错过细微的低代谢(jo等人,front.agingneurosci.2019;11)。这可通过半定量图像分析来检测,使用对图像中的体素值计算的分数或统计数据。据报导,半定量分析的敏感性及特异性在将可能的ad与年龄匹配的对照区分开来时高达93%(herholz等人,neuroimage.2002年9月;17(1):302-16)。然而,它并非没有局限性,因为半定量分析可能容易产生不准确的结果,尤其是在评估脑中的非常小或彼此相邻的区域时(sarikaya等人,j nucl med tech 2018年12月,46(4)362-367)。

4、因此,需要改进的诊断ad的方法,特别是区分ad与混合型痴呆的方法,其不会遭受现有技术的缺点。


技术实现思路

1、在第一方面中,提供一种用于诊断一或多个患者的痴呆亚型的方法,该方法包含:获取与一或多个患者有关的脑成像数据;以及通过提供与一或多个患者有关的脑成像数据作为深度学习模型的输入,将一或多个患者分类为复数个类别,包含患有第一种亚型的痴呆的第一类患者及患有第二种亚型的痴呆的第二类患者,该深度学习模型已使用来自复数个患者的脑成像数据进行训练,脑成像数据包含显示颞顶叶低代谢证据的第一组图像及显示代替颞叶及顶叶区域或除了颞叶及顶叶区域之外、脑中除了颞叶及顶叶区域以外的区域的低代谢证据的第二组图像,其中第一组图像经标记为与第一种亚型的痴呆相关,且第二组图像经标记为与第二种亚型的痴呆相关。

2、本专利技术人已经发现,来自患有ad及混合型ad及cvd的患者的代谢脑成像数据令人惊讶地在许多脑区中显示出显著差异,这些差异可半定量地量化并且用于使用深度学习图像分类模型在这两种亚型之间对患者进行分类,尽管痴呆患者的病理共存及异质性使得使用现有方法很难区分典型的ad与混合病理。

3、本文还描述一种分析来自患者的脑成像数据的方法,该方法包含:获取与患者有关的脑成像数据;使用已经用来自复数个患者的脑成像数据进行训练的深度学习模型来分析数据,脑成像数据包含显示颞顶叶低代谢证据的第一组图像及显示代替颞叶及顶叶区域或除了颞叶及顶叶区域之外、脑中除了颞叶及顶叶区域以外的区域的低代谢证据的第二组图像,其中第一组图像经标记为与第一种亚型的痴呆相关,且第二组图像经标记为与第二种亚型的痴呆相关;以及使用深度学习模型,将一或多个患者分类为复数个类别,包含患有第一种亚型的痴呆的第一类患者及患有第二种亚型的痴呆的第二类患者。

4、获取与一或多个患者有关的脑成像数据可包含接收与一或多个患者有关的脑成像数据的处理器。分析及分类的步骤可由处理器执行。

5、第一组及第二组图像及其相关的标签一起形成训练数据集。

6、深度学习模型可提供自其获取图像的患者属于第一类及/或第二类的概率的指示作为输出。

7、除非上下文另有说明,否则本文所述的方法是计算机实施的。事实上,使用深度学习模型的图像分析,以及训练深度学习模型的过程为复杂的,特别是需要透过复杂的数学分析大量数据,这使得本文所述的方法远远超出了心智调查的能力。

8、在实施方案中,痴呆的亚型为阿兹海默氏病(ad)的亚型。第一种亚型的痴呆可为ad。第二种亚型的痴呆可为ad合并脑血管疾病或血管性痴呆。第二种类型的痴呆可为脑血管疾病或血管性痴呆。第二种亚型的痴呆可为混合型ad。第二种亚型的痴呆可为非ad的痴呆。

9、本文还描述了用于诊断一或多个患者的ad亚型的方法及系统,该方法包含:获取与一或多个患者有关的脑成像数据;以及通过提供与一或多个患者有关的脑成像数据作为深度学习模型的输入,将一或多个患者分类为复数个类别,包含患有第一亚型的ad的第一类患者及患有第二亚型的ad的第二类患者,该深度学习模型已使用来自复数个患者的脑成像数据进行训练,该脑成像数据包含显示颞顶叶低代谢证据的第一组图像及显示代替颞叶及顶叶区域或除了颞叶及顶叶区域之外、脑中除了颞叶及顶叶区域以外的区域的低代谢证据的第二组图像,其中第一组图像经标记为与第一亚型的ad相关,且第二组图像经标记为与第二亚型的ad相关。

10、在实施方案中,分类是在患有第一种亚型的痴呆的第一类患者与患有第二种亚型的痴呆的第二类患者之间进行。因此,该分类可为二元分类。例如,分类可区分患有ad的患者与患有另一种亚型的痴呆(例如混合型ad或ad及cvd)的患者。

11、在实施方案中,深度学习模型为深度神经网络分类器。在实施方案中,深度学习模型包含卷积神经网络(convolutional neural network,cnn)。在实施方案中,深度学习模型包含已经在无关图像数据上进行预训练的模型。在实施方案中,深度学习模型包含已经使用深度残差学习框架进行预训练的cnn。

12、卷积神经网络已被证明在图像识别任务中表现特别出色。深度学习模型可包含已经针对图像识别任务在大的图像数据集合(例如可用的imagenet数据库)上进行预训练的模型。这些cnn可在新数据上进行部分重新训练,例如通过“冻结”(亦即不重新训练)已经训练以鉴别图像中较低级别特征的较低级别层(例如卷积层)或仅微调这些层,并且仅训练或重新训练较高级别层(例如分类层)以鉴别对手头的分类问题特别有用的较高本文档来自技高网...

【技术保护点】

1.一种用于诊断一或多个患者的痴呆亚型的方法,该方法包含:

2.根据权利要求1的方法,其中痴呆的亚型为阿兹海默氏病(Alzheimer’s disease,AD)的亚型,其中第一种亚型的痴呆为AD,其中第二种亚型的痴呆为AD合并脑血管疾病或血管性痴呆,其中第二种类型的痴呆为脑血管疾病或血管性痴呆,其中第二种亚型的痴呆为混合型AD及/或其中第二种亚型的痴呆不为AD。

3.根据任何前述权利要求的方法,其中该分类是在患有第一种亚型的痴呆的第一类患者与患有第二种亚型的痴呆的第二类患者之间进行。

4.根据任何前述权利要求的方法,其中该深度学习模型为深度神经网络分类器且/或其中该深度学习模型包含卷积神经网络(CNN),其中该深度学习模型包含已经在无关图像数据上进行预训练的模型,且/或其中该深度学习模型包含已经使用深度残差学习框架进行预训练的CNN。

5.根据任何前述权利要求的方法,其中该深度学习模型包含除了分类层之外已经针对图像识别进行预训练的CNN的所有层,以及使用该第一组及该第二组图像及相关的标签训练的分类层,视情况其中该分类层包含全连接层及softmax层。

6.根据任何前述权利要求的方法,其中该第一组及该第二组中的图像显示以下中的任何一或多者或所有中的不同代谢活动的证据:右额叶皮层、左额叶皮层、右颞叶皮层、左颞叶皮层、右顶叶皮层、左顶叶皮层、左小脑及右小脑。

7.根据任何前述权利要求的方法,其中该第二组图像中的图像显示代替以下中的一或多者或除了以下中的一或多者之外:右颞叶皮层、左颞叶皮层、右顶叶皮层及左顶叶皮层,脑中包含以下中的一或多者或所有的区域中的低代谢的证据:右额叶皮层、左额叶皮层、左小脑及右小脑。

8.根据任何前述权利要求的方法,其中低代谢是指比对照预期低的葡萄糖摄取率及/或血流及/或FDG-PET衍生的标准化摄取值比(SUVR)。

9.根据任何前述权利要求的方法,其中该脑成像数据为使用提供关于成像的脑区域的代谢活动的信息的任何功能性脑成像模态获取的成像数据,视情况其中关于成像的脑区域的代谢活动的信息是通过检测成像的脑区域的葡萄糖摄取及/或流向成像的脑区域的血流来获取。

10.根据任何前述权利要求的方法,其中该脑成像数据为FDG-PET数据或ASL数据,且/或其中该脑成像数据为基线功能性脑成像数据。

11.根据任何前述权利要求的方法,其中使用深度学习模型分析该数据包含:分析各患者的脑成像数据的单个截面且/或其中该方法包含:为各患者选择一组脑成像数据的单个截面,视情况其中该单个截面为处于丘脑水平的单个轴向截面且/或其中该单个截面为包括海马体及内嗅皮质的至少一部分的截面。

12.根据任何前述权利要求的方法,其中用于训练该深度学习模型的脑成像数据包含复数个患者中的每一者的一组脑成像数据的单个截面且/或其中该方法包含:为复数个患者中的每一者选择一组脑成像数据的单个截面,视情况其中该单个截面为处于丘脑水平的单个轴向截面且/或其中该单个截面为包括海马体及内嗅皮质的至少一部分的截面。

13.根据任何前述权利要求的方法,其中该第一组图像包含针对至少30个、至少40个、至少50个、至多500个、至多200个或至多100个患者中的每一者的一或多个图像,且/或该第二组图像包含针对至少30个、至少40个、至少50个、至多500个、至多200个或至多100个患者中的每一者的一或多个图像,且/或该第一组图像包含许多患者中的每一者的一或多个图像,这些患者在该第二组图像中包括的一或多个图像的患者数量的10%以内或20%以内,且/或其中该第一组及第二组图像包含复数个患者中的每一者的一或多个图像,其中该第一组及第二组图像的复数个患者为年龄匹配及性别匹配的。

14.根据任何前述权利要求的方法,其中通过对该第一组及第二组图像的专家评审,该第一组图像已经标记为与第一种亚型的痴呆相关,且该第二组图像已经标记为与第二种亚型的痴呆相关,视情况其中该第一组图像及该第二组图像中的各图像已由至少两名专家分配了相同的标签。

15.根据任何前述权利要求的方法,其中用于训练该深度学习模型的脑成像数据包含来自复数个患者的图像及通过图像增强自来自复数个患者的图像获取的图像,视情况其中该图像增强包含创建这些图像中的一或多者的翻转版本及/或创建这些图像中的一或多者的随机旋转版本。

16.根据任何前述权利要求的方法,其中该深度学习模型以至少90%或至少95%的准确性将图像分类为第一类及第二类,且/或其中该深度学习模型以至少90%或至少94%的敏感性将图像分类为第一类及第二类,且/或其中该深度学习模型以至少90...

【技术特征摘要】
【国外来华专利技术】

1.一种用于诊断一或多个患者的痴呆亚型的方法,该方法包含:

2.根据权利要求1的方法,其中痴呆的亚型为阿兹海默氏病(alzheimer’s disease,ad)的亚型,其中第一种亚型的痴呆为ad,其中第二种亚型的痴呆为ad合并脑血管疾病或血管性痴呆,其中第二种类型的痴呆为脑血管疾病或血管性痴呆,其中第二种亚型的痴呆为混合型ad及/或其中第二种亚型的痴呆不为ad。

3.根据任何前述权利要求的方法,其中该分类是在患有第一种亚型的痴呆的第一类患者与患有第二种亚型的痴呆的第二类患者之间进行。

4.根据任何前述权利要求的方法,其中该深度学习模型为深度神经网络分类器且/或其中该深度学习模型包含卷积神经网络(cnn),其中该深度学习模型包含已经在无关图像数据上进行预训练的模型,且/或其中该深度学习模型包含已经使用深度残差学习框架进行预训练的cnn。

5.根据任何前述权利要求的方法,其中该深度学习模型包含除了分类层之外已经针对图像识别进行预训练的cnn的所有层,以及使用该第一组及该第二组图像及相关的标签训练的分类层,视情况其中该分类层包含全连接层及softmax层。

6.根据任何前述权利要求的方法,其中该第一组及该第二组中的图像显示以下中的任何一或多者或所有中的不同代谢活动的证据:右额叶皮层、左额叶皮层、右颞叶皮层、左颞叶皮层、右顶叶皮层、左顶叶皮层、左小脑及右小脑。

7.根据任何前述权利要求的方法,其中该第二组图像中的图像显示代替以下中的一或多者或除了以下中的一或多者之外:右颞叶皮层、左颞叶皮层、右顶叶皮层及左顶叶皮层,脑中包含以下中的一或多者或所有的区域中的低代谢的证据:右额叶皮层、左额叶皮层、左小脑及右小脑。

8.根据任何前述权利要求的方法,其中低代谢是指比对照预期低的葡萄糖摄取率及/或血流及/或fdg-pet衍生的标准化摄取值比(suvr)。

9.根据任何前述权利要求的方法,其中该脑成像数据为使用提供关于成像的脑区域的代谢活动的信息的任何功能性脑成像模态获取的成像数据,视情况其中关于成像的脑区域的代谢活动的信息是通过检测成像的脑区域的葡萄糖摄取及/或流向成像的脑区域的血流来获取。

10.根据任何前述权利要求的方法,其中该脑成像数据为fdg-pet数据或asl数据,且/或其中该脑成像数据为基线功能性脑成像数据。

11.根据任何前述权利要求的方法,其中使用深度学习模型分析该数据包含:分析各患者的脑成像数据的单个截面且/或其中该方法包含:为各患者选择一组脑成像数据的单个截面,视情况其中该单个截面为处于丘脑水平的单个轴向截面且/或其中该单个截面为包括海马体及内嗅皮质的至少一部分的截面。

12.根据任何前述权利要求的方法,其中用于训练该深度学习模型的脑成像数据包含复数个患者中的每一者的一组脑成像数据的单个截面且/或其中该方法包含:为复数个患者中的每一者选择一组脑成像数据的单个截面,视情况其中该单个截面为处于丘脑水平的单个轴向截面且/或其中该单个截面为包括海马体及内嗅皮质的至少...

【专利技术属性】
技术研发人员:C·M·维奇克S·M·特里帕西C·J·麦克内尔A·D·默里B·O·谢尔特G·D·怀特
申请(专利权)人:维斯塔实验室有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1