一种基于机器学习的脑部疾病分类系统
本申请涉及医学影像分析领域，具体而言，涉及一种基于机器学习的脑部疾病分类系统。
背景技术：
1、多发性硬化（multiple sclerosis, ms）和视神经脊髓炎谱系疾病（neuromyelitis optic spectrum disorder，nmosd）是以中枢神经系统白质炎性脱髓鞘为主要特点的自身免疫性疾病，具有相似的影像学特征。ms和nmosd患者随着时间进展，除了极高的复发风险，病情还会逐渐加重，最终均可能发展为残疾，后者曾被认为是ms的临床亚型，甚至被称为“亚洲型ms”。但事实上，两者在免疫发病机制、临床表现、治疗和预后方面均存在差异。当nmosd患者被误诊为ms时，免疫调节药物治疗使患者的症状恶化。因此，为了减轻ms和nmosd患者的残疾程度、经济困难程度和社会影响，准确的诊断和适当的治疗至关重要。
2、因此，本申请提供了一种基于机器学习的脑部疾病分类系统，以解决上述技术问题之一。
技术实现思路
1、本申请的目的在于提供一种基于机器学习的脑部疾病分类系统，能够解决上述提到的至少一个技术问题。具体方案如下：
2、根据本申请的具体实施方式，第一方面，本申请提供一种基于机器学习的脑部疾病分类系统，所述系统用于实现基于机器学习的脑部疾病分类方法，包括：
3、对目标体进行脑部磁共振检测，得到所述目标体的静息态功能磁共振数据以及高分辨率三维t1加权图像；对所述静息态功能磁共振数据以及所述高分辨率三维t1加权图像进行特征化处理，得到多层次影像特征；其中，所述多层次影像特征包括灰质体积特征、静息态功能连接特征、低频振幅特征、和局部一致性特征之一或组合；将所述多层次影像特征输入至预训练的目标分类模型，得到所述目标分类模型输出的分类结果，所述分类结果用于指示所述目标体为ms患者，或用于指示所述目标体为nmosd患者。
4、一种实施方式中，采用如下方式训练得到所述目标分类模型：对ms患者组和nmosd患者组分别进行脑部磁共振检测，得到所述ms患者组和所述nmosd患者组的静息态功能磁共振数据以及高分辨率三维t1加权图像，并基于预设脑图谱进行脑区分割及特征提取，得到所述ms患者组对应的第一特征数据和所述nmosd患者组对应的第二特征数据；按照预设相似度阈值，对所述第一特征数据与所述第二特征数据进行比对筛选，以筛除相似度大于所述预设相似度阈值的第一特征数据与第二特征数据；针对所述比对筛选后的剩余的第一特征数据和第二特征数据，采用最小绝对收缩选择算子回归方式进行交叉验证，以筛除系数值为零值的第一特征数据和第二特征数据，得到目标特征数据；基于由所述目标特征数据构成的第二训练队列，对预配置的多个不同初始分类模型分别进行训练，得到训练完成的多个不同初始分类模型；基于由所述目标特征数据构成的第二测试队列，对所述训练完成的多个不同初始分类模型分别进行测试，并将输出最优分类结果的初始分类模型作为目标分类模型。
5、一种实施方式中，所述初始分类模型为支持向量机模型或逻辑回归模型；所述预设脑图谱为自动解剖标记图谱或哈佛-牛津图谱。
6、一种实施方式中，在对所述第一特征数据与所述第二特征数据进行比对筛选之前，所述第一特征数据和所述第二特征数据被按照预设配置比例随机分配至第一训练队列和第一测试队列；其中，所述预设配置比例中，所述第一训练队列具有70%的配置占比，所述第一测试队列具有30%的配置占比；其中，所述第二训练队列由原属于所述第一训练队列的目标特征数据构成，所述第二测试队列由原属于所述第一测试队列的目标特征数据构成。
7、一种实施方式中，所述系统还用于：在所述基于预设脑图谱进行脑区分割及特征提取之前，对所述ms患者组和所述nmosd患者组的静息态功能磁共振数据以及高分辨率三维t1加权图像进行预处理；其中，所述预处理满足使所述ms患者组和所述nmosd患者组的静息态功能磁共振数据以及高分辨率三维t1加权图像的信噪比提高。
8、一种实施方式中，所述对所述ms患者组和所述nmosd患者组的静息态功能磁共振数据以及高分辨率三维t1加权图像进行预处理，包括：将所述静息态功能磁共振数据以及高分辨率三维t1加权图像，由dicom格式转换为nifit格式；针对格式转换后的数据，去除沿时序排布的前十个时间点的数据，并进行时间层校正；针对所述时间层校正后的数据，将最大头动超过2.0 mm位移或在角运动中超过2度的被试排除，以完成头部运动校正；对所述头部运动校正后的数据进行去线性趋势处理及线性回归，得到头动参数、脑脊液信号、以及白质信号；在所述静息态功能磁共振数据与所述高分辨率三维t1加权图像之间进行个体配准，将所述高分辨率三维t1加权图像分割并配准到蒙特利尔神经研究所标准空间，并将配准后的数据重采样为3.0 mm×3.0 mm×3.0 mm的体素大小；在0.01hz至0.1 hz的带宽内，对所述重采样后的数据进行带通滤波，以完成所述预处理。
9、一种实施方式中，所述系统还用于：在对预配置的多个不同初始分类模型分别进行训练之前，对所述目标特征数据进行降维处理。
10、一种实施方式中，所述系统还用于：针对各个所述初始分类模型各自输出的分类结果，参考所述测试队列的目标体工作特征曲线和曲线下面积，确定最优分类结果。
11、一种实施方式中，所述多个不同初始分类模型采用极大似然函数作为损失函数，以及采用梯度下降方式求解模型最优参数。
12、一种实施方式中，所述多层次影像特征由静息态功能连接特征、低频振幅特征、和局部一致性特征组成；所述特征化处理过程中，基于哈佛-牛津图谱对数据进行脑区分割；所述目标分类模型为逻辑回归模型。
13、本申请实施例的上述方案与现有技术相比，至少具有以下有益效果：本申请提供的基于机器学习的脑部疾病分类系统，能够实现基于功能磁共振影像特征和/或结构磁共振影像特征的机器学习模型区分ms和nmosd。
技术特征：
1.一种基于机器学习的脑部疾病分类系统，其特征在于，所述系统用于实现基于机器学习的脑部疾病分类方法，包括：
2.根据权利要求1所述的系统，其特征在于，采用如下方式训练得到所述目标分类模型：
3.根据权利要求2所述的系统，其特征在于，所述初始分类模型为支持向量机模型或逻辑回归模型；
4.根据权利要求2所述的系统，其特征在于，在对所述第一特征数据与所述第二特征数据进行比对筛选之前，所述第一特征数据和所述第二特征数据被按照预设配置比例随机分配至第一训练队列和第一测试队列；
5.根据权利要求2所述的系统，其特征在于，所述系统还用于：
6.根据权利要求5所述的系统，其特征在于，所述对所述ms患者组和所述nmosd患者组的静息态功能磁共振数据以及高分辨率三维t1加权图像进行预处理，包括：
7.根据权利要求2所述的系统，其特征在于，所述系统还用于：
8.根据权利要求2所述的系统，其特征在于，所述系统还用于：
9.根据权利要求2所述的系统，其特征在于，所述多个不同初始分类模型采用极大似然函数作为损失函数，以及采用梯度下降方式求解模型最优参数。
10.根据权利要求1所述的系统，其特征在于，所述多层次影像特征由静息态功能连接特征、低频振幅特征、和局部一致性特征组成；
技术总结
本申请涉及医学影像分析领域，提供了一种基于机器学习的脑部疾病分类系统，所述系统用于实现基于机器学习的脑部疾病分类方法，包括：对目标体进行脑部磁共振检测，得到目标体的静息态功能磁共振数据以及高分辨率三维T1加权图像；对静息态功能磁共振数据以及高分辨率三维T1加权图像进行特征化处理，得到多层次影像特征；将多层次影像特征输入至预训练的目标分类模型，得到目标分类模型输出的分类结果，分类结果用于指示目标体为MS患者，或用于指示目标体为NMOSD患者。本申请提供了一种准确度较高的脑部疾病分类系统，能够有效鉴别多发性硬化疾病与视神经脊髓炎谱系疾病。
技术研发人员：梁晓,周福庆,朱艳艳,曾庆文,王瑶,何婷,吴麟,黄木华
受保护的技术使用者：南昌大学第一附属医院
技术研发日：
技术公布日：2024/12/5