[發明專利]一種基于磁共振影像的卒中復發預測方法和系統

有效

• 申請號: 202011055499.8
• 申請日: 2020-09-29
• 公開（公告）號: CN112690774B
• 公開（公告）日: 2022-07-19
• 發明（設計）人: 王擁軍;劉濤;李子孝;荊京;劉子陽;關豪;朱萬琳;張喆;程健;姜勇
• 申請（專利權）人: 首都醫科大學附屬北京天壇醫院
• 主分類號: A61B5/055
• 分類號: A61B5/055;A61B5/00
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 韓雪梅

1.一種基于磁共振影像的卒中復發預測方法，其特征在于，包括：

獲取待測患者的磁共振影像集和真實年齡；所述磁共振影像集包括：基線DWI-B0核磁共振影像、基線DWI-B1000磁共振影像和病灶分割圖；

將所述待測患者的基線DWI-B0核磁共振影像輸入至大腦年齡預測模型，得到所述待測患者的大腦預測年齡；所述大腦年齡預測模型是以健康老年人的基線DWI-B0核磁共振影像為輸入，以所述健康老年人的真實年齡為輸出，對基于年齡的卷積神經網絡模型進行訓練得到的；所述基于年齡的卷積神經網絡模型是采用Pytorch深度學習框架，基于密集卷積神經網絡構建得到的；

將所述待測患者的大腦預測年齡和所述待測患者的真實年齡做差得到所述待測患者的大腦年齡差；

將所述待測患者的磁共振影像集和所述待測患者的大腦年齡差輸入至卒中復發預測模型，得到待測患者的卒中復發預測結果；所述卒中預測模型是以不同卒中復發程度的患者的磁共振影像集和不同卒中復發程度的患者的大腦年齡差為輸入，以對應的卒中復發程度為輸出，對基于卒中復發程度的分類模型進行訓練得到的；所述基于卒中復發程度的分類模型是由卷積神經網絡和圖卷積神經網絡構建得到的；

所述卒中復發預測模型的確定方法為：

獲取不同卒中復發情況的卒中患者的磁共振影像集、不同卒中復發情況的卒中患者的大腦年齡差和對應的卒中復發程度；

構建所述基于卒中復發程度的分類模型；所述基于卒中復發程度的分類模型包括：依次連接的卷積神經網絡模塊、圖卷積神經網絡模塊和全連接模塊；

以所述不同卒中復發情況的卒中患者的磁共振影像集為所述卷積神經網絡模塊的輸入，以所述卷積神經網絡模塊輸出的不同卒中復發情況的卒中患者的磁共振影像集的影像學特征為所述圖卷積神經網絡模塊的輸入；以所述不同卒中復發情況的卒中患者的大腦年齡差和所述圖卷積神經網絡模塊輸出的不同卒中復發情況的卒中患者的病灶的空間位置信息為所述全連接模塊的輸入，以對應的卒中復發程度為所述全連接模塊的輸出，采用反向傳播算法和梯度下降算法進行訓練，得到第一卒中復發預測模型；

采用交叉驗證法對所述第一卒中復發預測模型進行調整，并將調整后的第一卒中復發預測模型確定為卒中復發預測模型。

2.根據權利要求1所述的一種基于磁共振影像的卒中復發預測方法，其特征在于，所述大腦年齡預測模型的確定方法為：

獲取所述健康老年人的基線DWI-B0磁共振影像和真實年齡；

構建所述基于年齡的卷積神經網絡模型；所述基于年齡的卷積神經網絡模型包括：五個相同的卷積塊；各所述卷積塊均包括兩個相同的卷積單元和一個最大池化層；各所述卷積單元均包括一個卷積層、一個ReLU激活函數和一個3D批標準化層；

以所述健康老年人的基線DWI-B0磁共振影像為輸入，以所述健康老年人的真實年齡為輸出，采用反向傳播算法和梯度下降算法對所述基于年齡的卷積神經網絡模型進行訓練，得到第一大腦年齡預測模型；

采用交叉驗證法對所述第一大腦年齡預測模型進行調整，并將調整后的第一大腦年齡預測模型確定為大腦年齡預測模型。

3.根據權利要求1所述的一種基于磁共振影像的卒中復發預測方法，其特征在于，在所述獲取待測患者的磁共振影像集之后，還包括：

對所述磁共振影像集依次進行圖像線性配準、圖像切分和圖像數據標準化操作。

4.根據權利要求1所述的一種基于磁共振影像的卒中復發預測方法，其特征在于，所述基于卒中復發程度的分類模型還包括注意力機制模塊，所述注意力機制模塊的輸入端與所述圖卷積神經網絡模塊的輸出端連接，所述注意力機制模塊的輸出端與所述全連接模塊的輸入端連接；所述注意力機制模塊用于將所述病灶的空間位置信息按照通道方向和圖節點方向分別進行一維卷積處理得到所述病灶的空間位置信息的權值，再將所述權值和所述病灶的空間位置信息相乘，得到加權后的病灶的空間位置信息。