阿尔茨海默病风险预警模型训练方法、预警方法及设备

本技术涉及数据处理，尤其涉及阿尔茨海默病风险预警模型训练方法、预警方法及设备。

背景技术：

1、人脑是一个复杂的系统，神经元之间存在连接和相互作用模式，这些连接可以形成复杂的脑网络，用于传递信息、执行各种认知和感知任务，并支持大脑的功能。而阿尔茨海默病被认为是一种失连接病，伴随着疾病进展，患者大脑内会弥散性出现异常蛋白质的聚集，从而造成神经元的损伤和退化，最终导致大脑中多个脑区之间出现关联异常。脑网络的失去连接和功能损伤在疾病早期阶段就已出现，因此应用脑网络的分析方法可以更好地跟踪阿尔茨海默病的风险和进展，及时地向被测用户做出风险评估，来辅助医生进一步做出判断。

2、当前的阿尔茨海默病风险预警或评估方式可以基于单一的结构磁共振成像构建了多尺度特征，包括灰质体积、皮层厚度和形态相似网络进行阿尔茨海默病风险评估，通过多尺度模型的高效融合，以实现较为准确的预测准确率；还可以基于结构磁共振影像，将灰质影像和海马影像输入到多模型融合风险评估模型中以实现标准化风险评估。

3、然而，当前的阿尔茨海默病风险预警或评估方式采用的数据源单一，无法全面、层次的表征大脑的健康信息；且很多方式只关注于特定脑区，忽视了整个大脑的复杂互联性，无法表征多个区域的协同作用，难以从人脑全局性变化刻画阿尔茨海默病风险；同时，大部分研究都采取了分类任务，构建阿尔茨海默病的预警模型。这类模型的标签空间跨度较大，模型会产生较为极端的输出结果，对于中等风险的情况具有极大的偏差估计。

技术实现思路

1、鉴于此，本技术实施例提供了阿尔茨海默病风险预警模型训练方法、预警方法及设备，以消除或改善现有技术中存在的一个或更多个缺陷。

2、本技术的一个方面提供了一种阿尔茨海默病风险预警模型训练方法，包括：

3、根据各个历史被测对象分别对应的多模态磁共振影像中的各类单模态磁共振影像各自对应的多个层级的脑网络特征，构建多个用于存储各个所述历史被测对象各自对应的样本数据与阿尔茨海默病风险等级标签之间的对应关系的数据集，其中，不同的所述数据集中的所述样本数据的类型不同，且相同类型的所述样本数据用于存储同一类型的所述单模态磁共振影像对应的同一层级的所述脑网络特征；

4、采用各个所述数据集分别一对一训练不同的各个单模态风险预测模型，以使各个所述单模态风险预测模型分别用于基于不同类型的单模态磁共振影像对应的不同层级的脑网络特征输出单模态阿尔茨海默病风险等级数据；

5、基于各个所述单模态风险预测模型分别输出的所述单模态阿尔茨海默病风险等级数据训练一个线性回归模型，以将该线性回归模型训练为用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型。

6、在本技术的一些实施例中，在所述根据各个历史被测对象分别对应的多模态磁共振影像中的各类单模态磁共振影像各自对应的多个层级的脑网络特征，构建多个用于存储各个所述历史被测对象各自对应的样本数据与阿尔茨海默病风险等级标签之间的对应关系的数据集之前，还包括：

7、获取各个历史被测对象各自的多模态磁共振影像以及阿尔茨海默病风险等级；

8、对各个所述多模态磁共振影像中的各类单模态磁共振影像进行图像预处理，以得到经预处理后的各类单模态磁共振影像；

9、对经预处理后的各类单模态磁共振影像分别进行脑网络特征提取，以得到经预处理后的各类单模态磁共振影像各自对应的多个层级的脑网络特征。

10、在本技术的一些实施例中，所述单模态磁共振影像的类型包括：结构磁共振影像、弥散张量成像和功能磁共振影像中的至少两类；

11、所述脑网络特征的层级包括：网络矩阵和网络拓扑特征；

12、相对应的，所述结构磁共振影像对应的多个层级的脑网络特征包括：结构相似网络矩阵和结构相似网络拓扑特征；

13、所述弥散张量成像对应的多个层级的脑网络特征包括：结构连接网络矩阵和结构连接网络拓扑特征；

14、所述功能磁共振影像对应的多个层级的脑网络特征包括：功能连接网络矩阵和功能连接网络拓扑特征。

15、在本技术的一些实施例中，若所述单模态磁共振影像的类型包括：所述结构磁共振影像、所述弥散张量成像和所述功能磁共振影像，则相对应的，所述对各个所述多模态磁共振影像中的各类单模态磁共振影像进行图像预处理，以得到经预处理后的各类单模态磁共振影像，包括：

16、对各个所述多模态磁共振影像中的所述结构磁共振影像进行头部运动校正、组织提取及空间标准化处理中的至少一项，以得到经预处理后的结构磁共振影像；

17、对各个所述多模态磁共振影像中的所述弥散张量成像进行头部运动校正、切片时间矫正、空间标准化、空间平滑以及头部运动影像去除处理中的至少一项，以得到经预处理后的弥散张量成像；

18、以及，对各个所述多模态磁共振影像中的所述功能磁共振影像进行降噪、运动矫正、磁场矫正、伪影矫正、扩散张量估计和纤维束追踪处理中的至少一项，以得到经预处理后的功能磁共振影像。

19、在本技术的一些实施例中，所述对经预处理后的各类单模态磁共振影像分别进行脑网络特征提取，以得到经预处理后的各类单模态磁共振影像各自对应的多个层级的脑网络特征，包括：

20、分别获取所述经预处理后的结构磁共振影像对应的结构相似网络矩阵、所述经预处理后的弥散张量成像对应的结构连接网络矩阵以及所述经预处理后的功能磁共振影像对应的功能连接网络矩阵；

21、分别获取所述结构相似网络矩阵对应的结构相似网络拓扑特征、所述结构连接网络矩阵对应的结构连接网络拓扑特征以及所述功能连接网络矩阵对应的功能连接网络拓扑特征。

22、在本技术的一些实施例中，各个所述数据集包括：

23、第一数据集，该第一数据集中的样本数据用于存储各个所述历史被测对象各自的所述结构磁共振影像对应的所述结构相似网络矩阵；

24、第二数据集，该第二数据集中的样本数据用于存储各个所述历史被测对象各自的所述结构磁共振影像对应的所述结构相似网络拓扑特征；

25、第三数据集，该第三数据集中的样本数据用于存储各个所述历史被测对象各自的所述弥散张量成像对应的所述结构连接网络矩阵；

26、第四数据集，该第四数据集中的样本数据用于存储各个所述历史被测对象各自的所述弥散张量成像对应的所述结构连接网络拓扑特征；

27、第五数据集，该第五数据集中的样本数据用于存储各个所述历史被测对象各自的所述功能磁共振影像对应的所述功能连接网络矩阵；

28、以及，第六数据集，该第六数据集中的样本数据用于存储各个所述历史被测对象各自的所述功能磁共振影像对应的所述功能连接网络拓扑特征；

29、相对应的，所述采用各个所述数据集分别一对一训练不同的各个单模态风险预测模型，以使各个所述单模态风险预测模型分别用于基于不同类型的单模态磁共振影像对应的不同层级的脑网络特征输出单模态阿尔茨海默病风险等级数据，包括：

30、采用十折交叉验证的方式，分别采用所述第一数据集训练第一风险预测模型，采用所述第二数据集训练第二风险预测模型，采用所述第三数据集训练第三风险预测模型，采用所述第四数据集训练第四风险预测模型，采用所述第五数据集训练第五风险预测模型，以及采用所述第六数据集训练第六风险预测模型，以使所述第一风险预测模型用于根据输入的所述结构磁共振影像对应的所述结构相似网络矩阵，输出第一单模态阿尔茨海默病风险等级数据，所述第二风险预测模型用于根据输入的所述结构磁共振影像对应的所述结构相似网络拓扑特征，输出第二单模态阿尔茨海默病风险等级数据，所述第三风险预测模型用于根据输入的所述弥散张量成像对应的所述结构连接网络矩阵，输出第三单模态阿尔茨海默病风险等级数据，所述第四风险预测模型用于根据输入的所述弥散张量成像对应的所述结构连接网络拓扑特征，输出第四单模态阿尔茨海默病风险等级数据，所述第五风险预测模型用于根据输入的所述功能磁共振影像对应的所述功能连接网络矩阵，输出第五单模态阿尔茨海默病风险等级数据，以及所述第六风险预测模型用于根据输入的所述功能磁共振影像对应的所述功能连接网络拓扑特征，输出第六单模态阿尔茨海默病风险等级数据。

31、在本技术的一些实施例中，所述基于各个所述单模态风险预测模型分别输出的所述单模态阿尔茨海默病风险等级数据训练一个线性回归模型，以将该线性回归模型训练为用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型，包括：

32、基于各个所述历史被测对象各自对应的所述第一单模态阿尔茨海默病风险等级数据、所述第二单模态阿尔茨海默病风险等级数据、所述第三单模态阿尔茨海默病风险等级数据、所述第四单模态阿尔茨海默病风险等级数据、所述第五单模态阿尔茨海默病风险等级数据以及所述第六单模态阿尔茨海默病风险等级数据，训练一个线性回归模型，以使该线性回归模型为各个所述单模态风险预测模型分别分配权重，并将该线性回归模型训练为用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型。

33、本技术的另一个方面提供了一种阿尔茨海默病风险预警方法，包括：

34、接收目标被测对象的多模态磁共振影像中的各类单模态磁共振影像；

35、提取所述目标被测对象对应的各类所述单模态磁共振影像各自对应的多个层级的脑网络特征；

36、将所述目标被测对象对应的各类所述单模态磁共振影像各自对应的多个层级的脑网络特征分别一对一输入预先经由所述阿尔茨海默病风险预警模型训练方法训练得到的各个所述单模态风险预测模型中，以使各个所述单模态风险预测模型分别输出所述目标被测对象对应的各个单模态阿尔茨海默病风险等级数据；

37、将所述目标被测对象对应的各个单模态阿尔茨海默病风险等级数据输入预先经由所述阿尔茨海默病风险预警模型训练方法训练得到的所述阿尔茨海默病风险预警模型中，以根据该阿尔茨海默病风险预警模型输出的所述目标被测对象的阿尔茨海默病风险预警结果数据。

38、本技术的第三个方面提供了一种阿尔茨海默病风险预警模型训练装置，包括：

39、数据集构建模块，用于根据各个历史被测对象分别对应的多模态磁共振影像中的各类单模态磁共振影像各自对应的多个层级的脑网络特征，构建多个用于存储各个所述历史被测对象各自对应的样本数据与阿尔茨海默病风险等级标签之间的对应关系的数据集，其中，不同的所述数据集中的所述样本数据的类型不同，且相同类型的所述样本数据用于存储同一类型的所述单模态磁共振影像对应的同一层级的所述脑网络特征；

40、单模态模型训练模块，用于采用各个所述数据集分别一对一训练不同的各个单模态风险预测模型，以使各个所述单模态风险预测模型分别用于基于不同类型的单模态磁共振影像对应的不同层级的脑网络特征输出单模态阿尔茨海默病风险等级数据；

41、融合模型训练模块，用于基于各个所述单模态风险预测模型分别输出的所述单模态阿尔茨海默病风险等级数据训练一个线性回归模型，以将该线性回归模型训练为用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型。

42、本技术的第四个方面提供了一种阿尔茨海默病风险预警装置，包括：

43、数据接收模块，用于接收目标被测对象的多模态磁共振影像中的各类单模态磁共振影像；

44、特征提取模块，用于提取所述目标被测对象对应的各类所述单模态磁共振影像各自对应的多个层级的脑网络特征；

45、风险等级预测模块，用于将所述目标被测对象对应的各类所述单模态磁共振影像各自对应的多个层级的脑网络特征分别一对一输入预先经由所述阿尔茨海默病风险预警模型训练方法训练得到的各个所述单模态风险预测模型中，以使各个所述单模态风险预测模型分别输出所述目标被测对象对应的各个单模态阿尔茨海默病风险等级数据；

46、风险预警结果预测模块，用于将所述目标被测对象对应的各个单模态阿尔茨海默病风险等级数据输入预先经由所述阿尔茨海默病风险预警模型训练方法训练得到的所述阿尔茨海默病风险预警模型中，以根据该阿尔茨海默病风险预警模型输出的所述目标被测对象的阿尔茨海默病风险预警结果数据。

47、本技术的第五个方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的阿尔茨海默病风险预警模型训练方法或者实现所述阿尔茨海默病风险预警方法。

48、本技术的第六个方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的阿尔茨海默病风险预警模型训练方法或者实现所述阿尔茨海默病风险预警方法。

49、本技术提供的阿尔茨海默病风险预警模型训练方法，根据各个历史被测对象分别对应的多模态磁共振影像中的各类单模态磁共振影像各自对应的多个层级的脑网络特征，构建多个用于存储各个所述历史被测对象各自对应的样本数据与阿尔茨海默病风险等级标签之间的对应关系的数据集，其中，不同的所述数据集中的所述样本数据的类型不同，且相同类型的所述样本数据用于存储同一类型的所述单模态磁共振影像对应的同一层级的所述脑网络特征；采用各个所述数据集分别一对一训练不同的各个单模态风险预测模型，以使各个所述单模态风险预测模型分别用于基于不同类型的单模态磁共振影像对应的不同层级的脑网络特征输出单模态阿尔茨海默病风险等级数据；基于各个所述单模态风险预测模型分别输出的所述单模态阿尔茨海默病风险等级数据训练一个线性回归模型，以将该线性回归模型训练为用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型，通过采取多模态融合的方式，能够充分捕获多模态磁共振成像所反应的特异和互补的信息；并以涵盖全脑协同变化的脑网络分析方法为基础，构建多层级的脑网络特征，能够更加全面地刻画大脑的全局变化；同时，通过采用线性回归模型来将风险等级进行融合转化，能够有效避免出现极端的阿尔茨海默病风险预警结果，进而能够提高阿尔茨海默病风险评估结果的准确性及可靠性，进而能够辅助医生进一步做出阿尔茨海默病的风险判断。

50、本技术的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本技术的实践而获知。本技术的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。

51、本领域技术人员将会理解的是，能够用本技术实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本技术能够实现的上述和其他目的。