一种用于阿尔茨海默症研究的脑影像数据处理方法和系统与流程

本发明涉及数据处理，特别涉及一种用于阿尔茨海默症研究的脑影像数据处理方法和系统。

背景技术：

1、阿尔茨海默病(alzheimer's disease,ad)是痴呆的主要类型，是一种渐进性的、不可逆的神经系统疾病，早期识别及早期干预是延缓其病程发展的有效方法。近年来脑成像技术已成为脑科学、神经科学和神经精神病学研究的不可或缺的工具，特别对脑疾病的早期精准识别及预后评价有着极为重要的临床应用价值。基于功能磁共振技术对脑影像数据进行分析能够较为准确地刻画出ad的异常亚型，但前提是需要采集大量的多模态脑影像数据构建对应的样本数据库并基于样本数据库对实现功能磁共振技术分析的脑影像数据分析模型进行训练。

2、为能快速增大样本数据库的数据量，常规可在自行采集原始样本数据的同时与其他公开的数据中心进行联合，通过对自采数据和联合中心数据的整合达到快速构建海量样本数据库的目的。然而，在实际的操作过程中我们发现一些问题：1)自行采集与其他数据中心之间、不同数据中心之间都存在个性化的数据采集规则差异，并不能将其他数据中心的样本数据直接纳入到样本数据库中；2)每个数据中心的原始样本数量并不大、自行采集的样本增速也较低，很难在短时间内快速获得大量的样本数据；3)各个数据中心提供的样本数据都是单模态原始影像数据，并未对原始影像数据做多模态融合的预处理。这些问题都会影响样本数据库的构建速度和数据质量。

技术实现思路

1、本发明的目的，就是针对现有技术的缺陷，提供一种用于阿尔茨海默症研究的脑影像数据处理方法和系统；将用于阿尔茨海默症研究的脑影像数据库也就是样本数据库细分为五个分类仿真数据库(60-80岁正常个体仿真数据库，80-95岁正常个体仿真数据库，早期阿尔茨海默症个体仿真数据库，轻度认知障碍个体仿真数据库，轻度阿尔茨海默症个体仿真数据库)；并预先通过设置两个数据筛选模板(个体排查模板和基础数据检验模板)来统一数据采集规则：体排查模板用于排除不满足采集个体要求的采集数据集合、基础数据检验模板用于提取满足基本个体要求的采集数据集合；并通过对采集数据集合的个体信息进行分类识别来确认其对应的分类仿真数据库；并通过对采集数据集合进行数据增强处理来达到快速提升样本数据数量的目的；并提供多模态脑影像特征融合处理功能来达到对单模态样本数据进行多模态融合预处理的目的。通过本发明可以达到统一数据采集规则、提升数据增速和增加多模态融合的目的。

2、为实现上述目的，本发明实施例第一方面提供了一种用于阿尔茨海默症研究的脑影像数据处理方法，所述方法包括：

3、接收第一采集数据集合；所述第一采集数据集合包括多个第一个体采集数据；所述第一个体采集数据包括第一个体信息和第一个体脑影像数据集；所述第一个体脑影像数据集包括t1结构像、全脑3d高分辨率结构像、静息状态功能磁共振成像和弥散张量成像组，所述弥散张量成像组包括一个高b值弥散张量成像和四个零b值弥散张量成像；

4、基于预设的个体排查模板对各个所述第一个体采集数据的所述第一个体信息进行不合格个体排查生成对应的第一排查结果；并将所述第一排查结果为合格的所述第一个体采集数据作为对应的第二个体采集数据；

5、基于预设的基础数据检验模板对各个所述第二个体采集数据的所述第一个体信息进行基础数据合格检验生成对应的第一检验结果；并将所述第一检验结果为合格的所述第二个体采集数据作为对应的第三个体采集数据；

6、根据各个所述第三个体采集数据的所述第一个体信息进行样本用途分类处理得到对应的第一用途类型；并将与所述第一用途类型对应的分类仿真数据库作为对应的第一目标数据库；所述第一用途类型包括第一、第二、第三、第四和第五类用途；所述分类仿真数据库包括第一、第二、第三、第四和第五类仿真数据库；第一、第二、第三、第四和第五类用途分别与所述第一、第二、第三、第四和第五类仿真数据库对应；

7、对各个所述第三个体采集数据的所述第一个体脑影像数据集进行数据增强处理生成对应的第一个体增强数据集；所述第一个体增强数据集包括多个第一脑影像数据组；所述第一脑影像数据组包括第一t1结构像、第一全脑3d高分辨率结构像、第一静息状态功能磁共振成像和第一弥散张量成像组；所述第一弥散张量成像组包括一个第一高b值弥散张量成像和四个第一零b值弥散张量成像；

8、对各个所述第一脑影像数据组进行多模态脑影像特征融合处理得到对应的第一融合特征图；并由得到的所有所述第一融合特征图组成对应的第一融合特征图集；

9、将各个所述第三个体采集数据和对应的所述第一个体增强数据集和所述第一融合特征图集组成对应的第一个体仿真数据记录；并将各个所述第一个体仿真数据记录添加到对应的所述第一目标数据库中。

10、优选的，所述接收第一采集数据集合之前所述方法还包括对所述第一采集数据集合进行采集条件限定，具体为：

11、限定t1结构像的采集条件为：扫描方式为轴状位扫描，重复时间tr为1924ms，回波时间te为75ms，层内2d分辨率为256×256，扫描视野fov为240mm×240mm，扫描层数为20层，扫描层厚为5mm，扫面层间距为1mm；

12、限定全脑3d高分辨率结构像的采集条件为：扫描方式为轴状位扫描，重复时间tr为2530ms，回波时间te为4.2ms，反演ti为900ms,3d分辨率为256×256×192，扫描视野fov为256mm×256mm，扫描层厚为1mm，扫面翻转角度为80度；

13、限定静息状态功能磁共振成像的采集条件为：扫描方式为轴状位扫描，重复时间tr为2000ms，回波时间te为40ms，层内2d分辨率为64×64，扫描视野fov为240mm×240mm，扫面翻转角度为90度，扫面层数为36层，扫面层厚为3mm，扫面层间距为1mm，扫描时间不低于6分钟；

14、限定弥散张量成像组的采集条件为：扫描方式为轴位扫描，重复时间tr为9000ms，回波时间te为85ms，扫描视野fov为256mm×256mm，层内2d分辨率为128×128，扫面层厚为2mm，扫面层间距为零间隔，弥散梯度的方向分量总数大于65，b值参数包括bh和b0、bh＝1000s/mm2、b0＝0s/mm2；并限定由一次高b值弥散张量成像采集生成的所述高b值弥散张量成像和四次零b值弥散张量成像采集生成的四个所述零b值弥散张量成像组成对应的所述弥散张量成像组，并限定在所述高b值弥散张量成像采集时对应的所述b值参数为bh，并限定在所述零b值弥散张量成像采集时对应的所述b值参数为b0。

15、优选的，所述第一个体信息包括多个信息数据项；所述信息数据项具体为姓名、年龄、性别、母语、右利手状态、听觉等级、血检结果列表、尿检结果列表、apoe基因检测列表、汉密尔顿焦虑量表、hachinski缺血指数量表、社会活动功能量表、蒙特利尔认知评估基础量表、简易智力状态检查量表、两系三代精神障碍者统计数量、mri检查禁忌状态、酒精滥用史状态、抑郁症病史状态、躯体疾病史状态、颅脑外伤史状态、脑卒中病史状态、神经与精神疾病史状态、认知功能下降状态、脑结构异常状态、认知功能障碍综合征等级、阿尔茨海默症等级或体内植入介质列表；

16、所述第一个体脑影像数据集的所述静息状态功能磁共振成像为一个图像序列记为对应的第一图像序列，所述第一图像序列中每两个相邻的第一图像之间的时间间隔为对应的功能磁共振成像的重复时间tr；

17、所述第一个体脑影像数据集的所述高b值弥散张量成像和所述零b值弥散张量成像各自都为一个图像序列记为对应的第二、第三图像序列，所述第二图像序列中每两个相邻的第二图像的时间间隔以及所述第三图像序列中每两个相邻的第三图像的时间间隔都为对应的弥散张量成像的重复时间tr；

18、所述个体排查模板包括多个数据排查条件；各个所述数据排查条件与一个或多个指定的所述信息数据项关联；各个所述数据排查条件用于对关联的一个或多个所述信息数据项进行不合格数据排查；

19、所述基础数据检验模板包括多个数据检验条件；各个所述数据检验条件与一个或多个指定的所述信息数据项关联；各个所述数据检验条件用于对关联的一个或多个所述信息数据项进行基础数据检验。

20、优选的，所述基于预设的个体排查模板对各个所述第一个体采集数据的所述第一个体信息进行不合格个体排查生成对应的第一排查结果，具体包括：

21、基于所述个体排查模板的各个所述数据排查条件对所述第一个体信息中一个或多个关联的所述信息数据项进行不合格数据排查得到对应的第一数据项排查结果；所述第一数据项排查结果包括数据合格和数据不合格；

22、对得到的所有所述第一数据项排查结果是否都为数据合格进行识别；若是，则设置对应的所述第一排查结果为合格；若否，则设置对应的所述第一排查结果为不合格。

23、优选的，所述基于预设的基础数据检验模板对各个所述第二个体采集数据的所述第一个体信息进行基础数据合格检验生成对应的第一检验结果，具体包括：

24、基于所述基础数据检验模板的各个所述数据检验条件对所述第一个体信息中关联的一个或多个所述信息数据项进行基础数据检验得到对应的第一数据项检验结果；所述第一数据项检验结果包括数据达标和数据不达标；

25、对得到的所有所述第一数据项检验结果是否都为数据达标进行识别；若是，则设置对应的所述第一检验结果为合格；若否，则设置对应的所述第一检验结果为不合格。

26、优选的，所述根据各个所述第三个体采集数据的所述第一个体信息进行样本用途分类处理得到对应的第一用途类型，具体包括：

27、对所述第一个体信息进行样本特征向量转换得到对应的第一样本特征向量；所述第一样本特征向量包括多个第一特征向量数据，各个所述第一特征向量数据均为一个实数；所述第一样本特征向量中所述第一特征向量数据的数量固定为已知的第一数量n，n为大于0的整数；

28、基于向量掩膜公式根据预设的第一、第二、第三、第四和第五掩膜向量对所述第一样本特征向量进行样本特征向量掩膜处理生成对应的第一、第二、第三、第四和第五掩膜特征向量；所述第一、第二、第三、第四和第五掩膜向量均由n个掩膜向量数据组成，各个所述掩膜向量数据的取值为0或1；所述第一、第二、第三、第四和第五掩膜特征向量均由n个掩膜特征向量数据组成；所述向量掩膜公式为：vi,j＝sj*mi,j,1≤i≤5，1≤j≤n；sj为所述第一样本特征向量的第j个所述第一特征向量数据；mi,j为所述第一、第二、第三、第四或第五掩膜向量的第j个所述掩膜向量数据，mi,j的取值为0或1；vi,j为所述第一、第二、第三、第四或第五掩膜特征向量的第j个所述掩膜特征向量数据，

29、基于余弦距离公式对所述第一、第二、第三、第四和第五掩膜特征向量与预设的第一、第二、第三、第四和第五标签向量的余弦距离进行计算得到对应的第一、第二、第三、第四和第五余弦距离；所述第一、第二、第三、第四和第五标签向量均由n个标签向量数据组成；所述第一、第二、第三、第四和第五标签向量各自对应的用途类型为所述第一、第二、第三、第四和第五类用途；所述余弦距离公式为：1≤i≤5；vi为所述第一、第二、第三、第四和第五掩膜特征向量；bi为所述第一、第二、第三、第四或第五标签向量；di为所述第一、第二、第三、第四或第五余弦距离；所述第一、第二、第三、第四和第五余弦距离中最多只有一个余弦距离的值为1；

30、对所述第一、第二、第三、第四和第五余弦距离中是否存在值为1的唯一余弦距离进行识别；若存在，则将值为1的唯一余弦距离作为对应的匹配余弦距离，并将所述匹配余弦距离对应的所述第一、第二、第三、第四或第五类用途作为对应的第一用途类型。

31、进一步的，所述对所述第一个体信息进行样本特征向量转换得到对应的第一样本特征向量，具体包括：

32、基于预设的常数项信息量化转换规则，对所述第一个体信息中具体为年龄、性别、母语、右利手状态、听觉等级、两系三代精神障碍者统计数量、mri检查禁忌状态、酒精滥用史状态、抑郁症病史状态、躯体疾病史状态、颅脑外伤史状态、脑卒中病史状态、神经与精神疾病史状态、认知功能下降状态、脑结构异常状态、认知功能障碍综合征等级或阿尔茨海默症等级的所述信息数据项进行数值量化转换得到对应的所述第一特征向量数据；

33、基于预设的血检结果列表分项检测结果量化转换规则，对所述第一个体信息中具体为血检结果列表的所述信息数据项的各个分项检测结果进行量化转换得到对应的多个所述第一特征向量数据；

34、基于预设的尿检结果列表分项检测结果量化转换规则，对所述第一个体信息中具体为尿检结果列表的所述信息数据项的各个分项检测结果进行量化转换得到对应的多个所述第一特征向量数据；

35、基于预设的基因检测列表分项检测结果量化转换规则，对所述第一个体信息中具体为apoe基因检测列表的所述信息数据项的各个分项检测结果进行量化转换得到对应的多个所述第一特征向量数据；

36、基于预设的汉密尔顿焦虑量表评分规则，根据所述第一个体信息中具体为汉密尔顿焦虑量表的所述信息数据项进行评分估计并将得到的估计分值作为对应的所述第一特征向量数据；

37、基于预设的hachinski缺血指数量表评分规则，根据所述第一个体信息中具体为hachinski缺血指数量表的所述信息数据项进行评分估计并将得到的估计分值作为对应的所述第一特征向量数据；

38、基于预设的社会活动功能量表评分规则，根据所述第一个体信息中具体为社会活动功能量表的所述信息数据项进行评分估计并将得到的估计分值作为对应的所述第一特征向量数据；

39、基于预设的蒙特利尔认知评估基础量表评分规则，根据所述第一个体信息中具体为蒙特利尔认知评估基础量表的所述信息数据项进行评分估计并将得到的估计分值作为对应的所述第一特征向量数据；

40、基于预设的简易智力状态检查量表评分规则，根据所述第一个体信息中具体为简易智力状态检查量表的所述信息数据项进行评分估计并将得到的估计分值作为对应的所述第一特征向量数据；

41、基于预设的体内植入介质列表分项介质量化转换规则，对所述第一个体信息中具体为体内植入介质列表的所述信息数据项的各个分项介质进行量化转换得到对应的多个所述第一特征向量数据；

42、对由所述第一个体信息中除姓名之外的所有所述信息数据项转换得到的所有所述第一特征向量数据进行排序得到对应的所述第一样本特征向量。

43、优选的，所述对各个所述第三个体采集数据的所述第一个体脑影像数据集进行数据增强处理生成对应的第一个体增强数据集，具体包括：

44、对所述第一个体脑影像数据集的所述静息状态功能磁共振成像的扫描时长进行提取得到对应的第一时长l；并以所述静息状态功能磁共振成像的重复时间tr为间隔时长△l对所述第一时长l进行等间隔顺序切分得到第二数量p个采样时间点tk，1≤k≤p；每个所述时间采样点tk对应一个所述第一图像；

45、将所述静息状态功能磁共振成像中从预设的起始采样时间点ts到最后一个所述采样时间点tk的所有所述第一图像提取出来组成对应的第一有效图像序列；并将所述第一有效图像序列记为对应的有效功能磁共振成像；所述起始采样时间点ts默认为第11个采样时间点t11；

46、当所述第一时长l等于预设的最小时长阈值时，由所述第一个体脑影像数据集的所述t1结构像、所述全脑3d高分辨率结构像、所述弥散张量成像组和所述有效功能磁共振成像组成第一个所述第一脑影像数据组；并基于预设的多个数据仿真模型对第一个所述第一脑影像数据组进行多次数据仿真处理得到多个衍生的所述第一脑影像数据组；并由得到的所有所述第一脑影像数据组构成对应的所述第一个体增强数据集；所述多个数据仿真模型包括基于对抗生成网络实现的数据仿真模型、基于灰度变换增强算法实现的数据仿真模型、基于图像平滑/锐化算法实现的数据仿真模型、基于色彩增强算法实现的数据仿真模型和基于频域增强算法实现的数据仿真模型；

47、当所述第一时长l等于预设的最小时长阈值时，按预设的滑动步长和子序列长度对所述第一有效图像序列进行连续图像子序列滑动截取得到对应的多个第一子图像序列，并将每个所述第一子图像序列作为所述有效功能磁共振成像的一个子功能磁共振成像；并由所述第一个体脑影像数据集的所述t1结构像、所述全脑3d高分辨率结构像以及所述弥散张量成像组和每个所述子功能磁共振成像组成一组对应的脑影像数据子集；并基于所述多个数据仿真模型对各个所述脑影像数据子集进行多次子集数据仿真处理得到对应的多个所述第一脑影像数据组；并由得到的所有所述第一脑影像数据组组成对应的所述第一个体增强数据集；

48、其中，

49、在每次对第一个所述第一脑影像数据组进行数据仿真处理时都基于所述多个数据仿真模型中一个指定数据仿真模型对第一个所述第一脑影像数据组的所述t1结构像、所述全脑3d高分辨率结构像、所述有效功能磁共振成像和所述弥散张量成像组分别进行数据仿真处理从而得到对应的所述第一t1结构像、所述第一全脑3d高分辨率结构像、所述第一静息状态功能磁共振成像和所述第一弥散张量成像组构成对应的所述第一脑影像数据组；

50、在每次对各个所述脑影像数据子集进行子集数据仿真处理时，都基于所述多个数据仿真模型中一个所述指定数据仿真模型对当前所述脑影像数据子集的所述t1结构像、所述全脑3d高分辨率结构像、所述子功能磁共振成像和所述弥散张量成像组分别进行数据仿真处理从而得到对应的所述第一t1结构像、所述第一全脑3d高分辨率结构像、所述第一静息状态功能磁共振成像和所述第一弥散张量成像组构成对应的所述第一脑影像数据组；

51、在对所述t1结构像进行数据仿真处理时基于所述指定数据仿真模型对所述t1结构像进行仿真生成对应的所述第一t1结构像；

52、在对所述全脑3d高分辨率结构像进行数据仿真处理时基于所述指定数据仿真模型对所述全脑3d高分辨率结构像进行仿真生成对应的所述第一全脑3d高分辨率结构像；

53、在对所述有效功能磁共振成像或所述子功能磁共振成像进行数据仿真处理时，基于所述指定数据仿真模型对所述有效功能磁共振成像或所述子功能磁共振成像中的各个所述第一图像分别进行仿真生成对应的第一仿真图像，并由得到的所有所述第一仿真图像组成对应的所述第一静息状态功能磁共振成像；

54、在对所述弥散张量成像组进行数据仿真处理时，基于所述指定数据仿真模型对所述弥散张量成像组的所述高b值弥散张量成像和各个所述零b值弥散张量成像中的各个所述第二、第三图像分别进行仿真生成对应的第二、第三仿真图像，并由得到的所有所述第二仿真图像组成对应的所述第一高b值弥散张量成像，并由各个所述零b值弥散张量成像对应的所有所述第三仿真图像组成对应的所述第一零b值弥散张量成像，并由得到的一个所述第一高b值弥散张量成像和四个所述第一零b值弥散张量成像组成对应的所述第一弥散张量成像组。

55、优选的，所述对各个所述第一脑影像数据组进行多模态脑影像特征融合处理得到对应的第一融合特征图，具体包括：

56、基于预设的aal模板对所述第一脑影像数据组的所述第一t1结构像在预设的大脑空间坐标系下各个脑区内的结构特征进行提取生成对应的第一结构特征张量；并基于所述aal模板对所述第一脑影像数据组的所述第一全脑3d高分辨率结构像在所述大脑空间坐标系下各个脑区内的结构特征进行提取生成对应的第二结构特征张量；并根据所述第一、第二结构特征张量对所述大脑空间坐标系下各个脑区内的结构特征进行融合生成对应的第一全脑结构特征张量；所述aal模板为以所述大脑空间坐标系为坐标系统的大脑解剖学自动标记模板由多个带有坐标标记的脑区构成，所述aal模板的大脑脑区数量默认为90；所述大脑空间坐标系默认为蒙特利尔神经科学学院mni空间坐标系；

57、对所述第一脑影像数据组的所述第一弥散张量成像组的一个所述第一高b值弥散张量成像和四个所述第一零b值弥散张量成像分别进行弥散特征提取生成应的第一高b值特征张量和四个第一零b值特征张量；并对四个所述第一零b值特征张量进行特征融合生成对应的第一零b值融合特征张量；并对所述第一零b值融合特征张量与所述第一高b值特征张量进行特征融合生成对应的第一弥散特征张量；并基于确定性纤维追踪算法根据所述第一弥散特征张量进行脑白质纤维追踪处理生成对应的白质纤维特征张量；并根据所述aal模板和所述白质纤维特征张量对所述大脑空间坐标系下各个脑区内的白质纤维特征进行提取生成对应的第一全脑纤维特征张量；

58、对所述第一全脑结构特征张量和所述第一全脑纤维特征张量进行特征融合得到对应的第一全脑网络特征张量；

59、基于所述aal模板对所述第一脑影像数据组的所述第一静息状态功能磁共振成像的各个所述第一仿真图像在所述大脑空间坐标系下各个脑区内的功能信号特征进行提取生成对应的第一时间特征张量组成对应的第一时间特征张量序列；并根据所述第一时间特征张量序列对所述大脑空间坐标系下各个脑区内功能信号的时序特征进行提取生成对应的第一全脑功能特征张量；

60、对所述第一全脑网络特征张量和所述第一全脑功能特征张量进行空间结构特征与时序功能特征的特征融合处理生成对应的多模态融合特征张量；并将所述多模态融合特征张量作为对应的所述第一融合特征图。

61、本发明实施例第二方面提供了一种用于实现上述第一方面所述的用于阿尔茨海默症研究的脑影像数据处理方法的系统,所述系统包括：采集数据接收模块、第一数据筛选模块、第二数据筛选模块、筛选数据分类模块、数据增强模块、多模态融合模块、数据存储模块、第一类仿真数据库、第二类仿真数据库、第三类仿真数据库、第四类仿真数据库和第五类仿真数据库；

62、所述采集数据接收模块用于接收第一采集数据集合；所述第一采集数据集合包括多个第一个体采集数据；所述第一个体采集数据包括第一个体信息和第一个体脑影像数据集；所述第一个体脑影像数据集包括t1结构像、全脑3d高分辨率结构像、静息状态功能磁共振成像和弥散张量成像组，所述弥散张量成像组包括一个高b值弥散张量成像和四个零b值弥散张量成像；

63、所述第一数据筛选模块用于基于预设的个体排查模板对各个所述第一个体采集数据的所述第一个体信息进行不合格个体排查生成对应的第一排查结果；并将所述第一排查结果为合格的所述第一个体采集数据作为对应的第二个体采集数据；

64、所述第二数据筛选模块用于基于预设的基础数据检验模板对各个所述第二个体采集数据的所述第一个体信息进行基础数据合格检验生成对应的第一检验结果；并将所述第一检验结果为合格的所述第二个体采集数据作为对应的第三个体采集数据；

65、所述筛选数据分类模块用于根据各个所述第三个体采集数据的所述第一个体信息进行样本用途分类处理得到对应的第一用途类型；并将与所述第一用途类型对应的分类仿真数据库作为对应的第一目标数据库；所述第一用途类型包括第一、第二、第三、第四和第五类用途；第一、第二、第三、第四和第五类用途分别与所述第一、第二、第三、第四和第五类仿真数据库对应；

66、所述数据增强模块用于对各个所述第三个体采集数据的所述第一个体脑影像数据集进行数据增强处理生成对应的第一个体增强数据集；所述第一个体增强数据集包括多个第一脑影像数据组；所述第一脑影像数据组包括第一t1结构像、第一全脑3d高分辨率结构像、第一静息状态功能磁共振成像和第一弥散张量成像组；所述第一弥散张量成像组包括一个第一高b值弥散张量成像和四个第一零b值弥散张量成像；

67、所述多模态融合模块用于对各个所述第一脑影像数据组进行多模态脑影像特征融合处理得到对应的第一融合特征图；并由得到的所有所述第一融合特征图组成对应的第一融合特征图集；

68、所述数据存储模块用于将各个所述第三个体采集数据和对应的所述第一个体增强数据集和所述第一融合特征图集组成对应的第一个体仿真数据记录；并将各个所述第一个体仿真数据记录添加到对应的所述第一目标数据库中。

69、本发明实施例提供了一种用于阿尔茨海默症研究的脑影像数据处理方法和系统，将用于阿尔茨海默症研究的脑影像数据库也就是样本数据库细分为五个分类仿真数据库(60-80岁正常个体仿真数据库，80-95岁正常个体仿真数据库，早期阿尔茨海默症个体仿真数据库，轻度认知障碍个体仿真数据库，轻度阿尔茨海默症个体仿真数据库)；并预先通过设置两个数据筛选模板(个体排查模板和基础数据检验模板)来统一数据采集规则：体排查模板用于排除不满足采集个体要求的采集数据集合、基础数据检验模板用于提取满足基本个体要求的采集数据集合；并通过对采集数据集合的个体信息进行分类识别来确认其对应的分类仿真数据库；并通过对采集数据集合进行数据增强处理来达到快速提升样本数据数量的目的；并提供多模态脑影像特征融合处理功能来达到对单模态样本数据进行多模态融合预处理的目的。通过本发明既统一了数据采集规则、又加快了数据增速、还增加了多模态融合的预处理过程。