基于多中心多模态的脑影像数据的多动症分类系统的制作方法

本申请涉及医学图像分析，特别是涉及一种基于多中心多模态的脑影像数据的多动症分类系统。

背景技术：

1、注意缺陷多动障碍(adhd)，又称多动症，是一种常见的儿童神经发育障碍。在多动症的诊断和分类方面，已经存在一些相关的分类系统，例如使用支持向量机、随机森林等算法对多模态磁共振成像(mri)进行分类和诊断。还有一些基于机器学习和神经网络等技术的分类系统，结合mri脑影像学数据，研究人员可在个体水平实现对多动症患者的脑影像学数据的分类。然而，这些系统普遍存在一定的局限性，如精度不高、无法处理大规模多中心数据集等问题。

2、目前多中心数据存在以下缺陷导致无法处理大规模多中心数据集：首先，招募难度大。其次，数据不一致性。来自不同机构中心的数据可能存在着不同的收集标准、操作规范、技术水平和样本来源，导致数据不一致性，影响分析结果和结论的可靠性和精确性。再者，数据质量问题。机构之间在收集、存储、处理和转移数据时会存在误差和风险，如数据缺失、数据损坏、数据干扰和数据泄漏等，严重影响数据的质量和可用性。最后，统计分析问题。多中心数据具有异质性，数据的概括和比较需要采用更加复杂和精细的统计模型和方法，而该类模型和方法往往需要更加强大的计算机运算能力和技术支持。因此多中心数据在研究中虽然能够增加样本量和一般化程度，但是因为需要面对更多的难点和挑战，需要在设计、实施和分析等方面进行更加严格和周密的考虑。

3、此外，多动症疾病的特征不明显，对于mri图像，肉眼几乎分辨不出。所以在特征的提取上有很大难度。并且每个样本大脑的大小不一，特异性区域组织形态不一，周围组织的形态，皮层褶皱对图像的分割有一定的干扰因素。因个体成像差异给切片图像的特异性区域精准分割增加了很大的难度。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够实现数据处理一体化，提高脑影像数据的处理速度和准确度，最大化的提取多模态特征的基于多中心多模态的脑影像数据的多动症分类系统。

2、第一方面，本申请提供了一种基于多中心多模态的脑影像数据的多动症分类系统。所述系统包括：

3、预处理模块，用于分别对目标对象的多中心多模态的脑影像数据进行对应的预处理，得到预处理后的结构像数据和功能像数据；

4、特征提取模块，用于计算所述预处理后的结构像数据中特定脑区的平均灰质体积，得到第一分类特征；及基于所述预处理后的功能像数据中各脑区的时间序列数据进行特征提取，得到第二分类特征；

5、分类模块，用于将所述第一分类特征与所述第二分类特征分别输入训练完备的分类模型中，输出分类结果，其中，所述分类模型用于实现所述目标对象是否属于多动症的分类。

6、在其中一个实施例中，所述特征提取模块包括：

7、第一特征提取模块，用于基于所述预处理后的结构像数据中各脑区与健康脑区的灰质体积的差值，确定所述预处理后的结构像数据中的特定脑区，计算各所述特定脑区的平均灰质体积，得到第一分类特征；

8、第二特征提取模块，用于获取所述预处理后的功能像数据中各脑区的时间序列数据进行脑区相关性计算，得到各脑区的功能连接矩阵，基于所述功能连接矩阵，确定所述第二分类特征。

9、在其中一个实施例中，所述第一特征提取模块基于标准脑区图谱，确定所述预处理后的结构像数据中各所述脑区与所述健康脑区的灰质体积的差值，将所述差值大于设定阈值的脑区作为所述特定脑区，并将所述特定脑区的平均灰质体积作为所述第一分类特征。

10、在其中一个实施例中，所述第二特征获取模块基于获取到的所述预处理后的功能像数据中各脑区的时间序列数据，计算各脑区间的连接强度，基于所述连接强度，生成所述功能连接矩阵。

11、在其中一个实施例中，所述第二特征获取模块将所述功能连接矩阵中各脑区的连接强度利用fisher变换转换为对应的z值；对所述功能连接矩阵中各脑区的z值进行排序，选取所述z值大于预设阈值的矩阵区域，构成特征提取矩阵，并将所述特征提取矩阵的上三角区域作为所述第二分类特征。

12、在其中一个实施例中，所述分类模型包括第一特征通道和第二特征通道，所述分类模块将所述第一分类特征输入所述第一特征通道，所述第一特征通道连接一维卷积神经网络，输出第一特征向量；

13、将所述第二分类特征输入所述第二特征通道，所述第二特征通道连接残差网络，输出第二特征向量；

14、将所述第一特征向量与所述第二特征向量进行融合得到融合特征向量，基于所述融合特征向量，输出所述分类结果。

15、在其中一个实施例中，所述一维卷积神经网络包括依次连接的第一卷积层、第一批归一化层、第二卷积层、第二批归一化层、第三卷积层、第一全连接层、第二全连接层和输出层。

16、在其中一个实施例中，所述预处理模块包括：

17、第一预处理模块，用于对所述结构像数据进行去除运动伪影、校正畸变、组织分割、归一化处理中的至少一种，得到所述预处理后的结构像数据；

18、第二预处理模块，用于对所述功能像数据进行时间层校正、头动校正、配准、标准化、平滑滤波、归一化处理中的至少一种，得到所述预处理后的功能像数据。

19、在其中一个实施例中，所述预处理模块还用于：

20、在对所述多中心多模态脑影像数据进行预处理时，回归所述多中心多模态的脑影像数据的年龄数据和性别数据。

21、在其中一个实施例中，所述系统还包括：

22、模型训练模块，用于基于获取到的脑影像数据集，利用反向传播算法对原始神经网络模型进行迭代训练，直至所述脑影像数据的分类精度大于设定阈值，得到所述分类模型；所述脑影像数据集包括多动症结构像数据和多动症功能像数据、正常结构像数据和正常功能像数据。

23、上述基于多中心多模态的脑影像数据的多动症分类系统，通过预处理模块，用于分别对目标对象的多中心多模态的脑影像数据进行对应的预处理，得到预处理后的结构像数据和功能像数据；特征提取模块，用于计算所述预处理后的结构像数据中特定脑区的平均灰质体积，得到第一分类特征；及基于所述预处理后的功能像数据中各脑区的时间序列数据进行特征提取，得到第二分类特征；分类模块，用于将所述第一分类特征与所述第二分类特征分别输入训练完备的分类模型中，输出分类结果，其中，所述分类模型用于实现所述目标对象是否属于多动症的分类，最大化的提取多模态特征，实现了多中心多模态脑影像数据的多动症分类识别，提高多中心多模态脑影像数据的分类速度和准确率。

技术特征：

1.一种基于多中心多模态的脑影像数据的多动症分类系统，其特征在于，所述系统包括：

2.根据权利要求1所述的基于多中心多模态的脑影像数据的多动症分类系统，其特征在于，所述特征提取模块包括：

3.根据权利要求2所述的基于多中心多模态的脑影像数据的多动症分类系统，其特征在于，所述第一特征提取模块基于标准脑区图谱，确定所述预处理后的结构像数据中各所述脑区与所述健康脑区的灰质体积的差值，将所述差值大于设定阈值的脑区作为所述特定脑区，并将所述特定脑区的平均灰质体积作为所述第一分类特征。

4.根据权利要求2所述的基于多中心多模态的脑影像数据的多动症分类系统，其特征在于，所述第二特征获取模块基于获取到的所述预处理后的功能像数据中各脑区的时间序列数据，计算各脑区间的连接强度，基于所述连接强度，生成所述功能连接矩阵。

5.根据权利要求4所述的基于多中心多模态的脑影像数据的多动症分类系统，其特征在于，所述第二特征获取模块将所述功能连接矩阵中各脑区的连接强度利用fisher变换转换为对应的z值；对所述功能连接矩阵中各脑区的z值进行排序，选取所述z值大于预设阈值的矩阵区域，构成特征提取矩阵，并将所述特征提取矩阵的上三角区域作为所述第二分类特征。

6.根据权利要求1所述的基于多中心多模态的脑影像数据的多动症分类系统，其特征在于，所述分类模型包括第一特征通道和第二特征通道，所述分类模块将所述第一分类特征输入所述第一特征通道，所述第一特征通道连接一维卷积神经网络，输出第一特征向量；

7.根据权利要求6所述的基于多中心多模态的脑影像数据的多动症分类系统，其特征在于，所述一维卷积神经网络包括依次连接的第一卷积层、第一批归一化层、第二卷积层、第二批归一化层、第三卷积层、第一全连接层、第二全连接层和输出层。

8.根据权利要求1所述的基于多中心多模态的脑影像数据的多动症分类系统，其特征在于，所述预处理模块包括：

9.根据权利要求1所述的基于多中心多模态的脑影像数据的多动症分类系统，其特征在于，所述预处理模块还用于：

10.根据权利要求1所述的基于多中心多模态的脑影像数据的多动症分类系统，其特征在于，所述系统还包括：

技术总结
本申请涉及一种基于多中心多模态的脑影像数据的多动症分类系统，所述系统包括预处理模块，用于分别对目标对象的多中心多模态的脑影像数据进行对应的预处理，得到预处理后的结构像数据和功能像数据；特征提取模块，用于计算预处理后的结构像数据中特定脑区的平均灰质体积，得到第一分类特征；及基于预处理后的功能像数据中各脑区的时间序列数据进行特征提取，得到第二分类特征；分类模块，用于将第一分类特征与第二分类特征分别输入训练完备的分类模型中，输出分类结果，其中，所述分类模型用于实现所述目标对象是否属于多动症的分类，实现了多中心多模态脑影像数据的多动症分类识别，提高多中心多模态脑影像数据的分类速度和准确率。

技术研发人员：程禄祺,侯金凤,张瑜,刘盛锋,时维阳,李雯
受保护的技术使用者：之江实验室
技术研发日：
技术公布日：2024/2/29