基于T1WI和QSM的深度学习脑龄测试方法及系统与流程

本发明涉及医学图像分析领域，特别是涉及一种基于t1wi和qsm的深度学习脑龄测试方法及系统。

背景技术：

1、随着年龄的提高，大脑也会随之衰老，大脑的衰老可以体现在获取信息能力下降、记忆力下降、计算能力下降等方面。脑龄是评估大脑健康的一个重要指标，正常人的大脑年龄与生理年龄相近，甚至小于生理年龄，当身体存在疾病时，就会出现大脑迅速衰老的情况，使得脑龄大于生理年龄。因此，脑龄的测试对大脑健康状况的评估有重要意义。

技术实现思路

1、磁共振t1加权图像(t1-weighted images，t1wi)重点突出是组织纵向弛豫差别，减少组织其他特性，如横向弛豫等对图像的影响。定量磁化率(quantitativesusceptibility mapping，qsm)图像能够充分的利用相位信息，且可以定量组织磁化率大小，突显含铁组织结构轮廓及内部细节。结合这两种图像的特征来建立脑龄测试模型，可以更全面更准确进行脑龄测试。鉴于此，本发明提供一种基于t1wi和qsm的深度学习脑龄测试方法及系统。

2、为实现上述目的，本发明提供了如下方案：

3、第一方面，本发明提供了一种基于t1wi和qsm的深度学习脑龄测试方法，包括：

4、获取测试者的磁共振t1wi数据和qsm图像数据；

5、根据深度学习算法以及测试者的磁共振t1wi数据和qsm图像数据，确定测试者的脑核团三维分割图；

6、根据测试者的脑核团三维分割图，计算测试者对应的数值形状特征和磁敏感值的统计特征；

7、根据脑龄测试模型以及测试者对应的数值形状特征和磁敏感值的统计特征，计算测试者的脑龄；其中，脑龄测试模型是对健康者对应的年龄、数值形状特征和磁敏感值的统计特征进行线性回归后得到的。

8、可选地，在执行步骤根据深度学习算法以及测试者的磁共振t1wi数据和qsm图像数据，确定测试者的脑核团三维分割图之前，还包括：

9、对测试者的磁共振t1wi数据和qsm图像数据进行配准和预处理操作，得到测试者对应的处理后的磁共振t1wi数据和qsm图像数据。

10、可选地，根据深度学习算法以及测试者的磁共振t1wi数据和qsm图像数据，确定测试者的脑核团三维分割图，具体包括：

11、将测试者对应的处理后的磁共振t1wi数据和qsm图像数据输入至图像分割模型中，得到测试者的脑核团三维分割图；

12、其中，图像分割模型是根据健康者对应的磁共振t1wi数据、qsm图像数据和脑核团三维分割图对efau-net神经网络进行训练后得到的。

13、可选地，所述脑核团三维分割图包括多个分割区域，分别为尾状核区域、苍白球区域、壳核区域、丘脑区域和背景区域。

14、可选地，所述图像分割模型的训练过程为：

15、构建样本数据集；所述样本数据集包括多个样本数据；所述样本数据包括输入数据以及对应的标签数据；所述输入数据为健康者对应的处理后的磁共振t1wi数据和qsm图像数据，所述标签数据为健康者对应的脑核团三维分割图；

16、构建efau-net神经网络；

17、采用样本数据集对efau-net神经网络进行训练，以使efau-net神经网络的损失值小于设定值，得到训练好的efau-net神经网络；所述训练好的efau-net神经网络为图像分割模型。

18、可选地，数值形状特征的计算过程为：

19、对所述脑核团三维分割图中的任一分割区域均执行以下操作：

20、根据分割区域，计算网格体积、体素体积、表面积、表面积与网格体积之比、球度、最大三维直径、轴向平面最大二维直径、冠状平面最大二维直径、矢状平面最大二维直径、第一主轴长度、第二主轴长度、最小主轴长度、伸长率和平面度。

21、可选地，磁敏感值的统计特征的计算过程为：

22、对所述脑核团三维分割图中的任一分割区域均执行以下操作：

23、根据分割区域，计算磁敏感值的平均值；

24、根据分割区域，计算磁敏感值的标准差。

25、第二方面，本发明提供了一种基于t1wi和qsm的深度学习脑龄测试系统，包括：

26、数据获取模块，用于获取测试者的磁共振t1wi数据和qsm图像数据；

27、脑核团三维分割图确定模块，用于根据深度学习算法以及测试者的磁共振t1wi数据和qsm图像数据，确定测试者的脑核团三维分割图；

28、特征计算模块，用于根据测试者的脑核团三维分割图，计算测试者对应的数值形状特征和磁敏感值的统计特征；

29、脑龄计算模块，用于根据脑龄测试模型以及测试者对应的数值形状特征和磁敏感值的统计特征，计算测试者的脑龄；其中，脑龄测试模型是对健康者对应的年龄、数值形状特征和磁敏感值的统计特征进行线性回归后得到的。

30、根据本发明提供的具体实施例，本发明公开了以下技术效果：

31、本发明针对磁共振t1wi数据和qsm图像数据进行分割和脑龄测试，通过深度学习算法那实现自动化分割，并提取两种图像多种特征建立回归模型，实现更全面更准确的脑龄测试。

技术特征：

1.一种基于t1wi和qsm的深度学习脑龄测试方法，其特征在于，包括：

2.根据权利要求1所述的一种基于t1wi和qsm的深度学习脑龄测试方法，其特征在于，在执行步骤根据深度学习算法以及测试者的磁共振t1wi数据和qsm图像数据，确定测试者的脑核团三维分割图之前，还包括：

3.根据权利要求2所述的一种基于t1wi和qsm的深度学习脑龄测试方法，其特征在于，根据深度学习算法以及测试者的磁共振t1wi数据和qsm图像数据，确定测试者的脑核团三维分割图，具体包括：

4.根据权利要求1所述的一种基于t1wi和qsm的深度学习脑龄测试方法，其特征在于，所述脑核团三维分割图包括多个分割区域，分别为尾状核区域、苍白球区域、壳核区域、丘脑区域和背景区域。

5.根据权利要求3所述的一种基于t1wi和qsm的深度学习脑龄测试方法，其特征在于，所述图像分割模型的训练过程为：

6.根据权利要求4所述的一种基于t1wi和qsm的深度学习脑龄测试方法，其特征在于，数值形状特征的计算过程为：

7.根据权利要求4所述的一种基于t1wi和qsm的深度学习脑龄测试方法，其特征在于，磁敏感值的统计特征的计算过程为：

8.一种基于t1wi和qsm的深度学习脑龄测试系统，其特征在于，包括：

技术总结
本发明提供了一种基于T1WI和QSM的深度学习脑龄测试方法及系统，涉及医学图像分析领域，包括：获取测试者的磁共振T1WI数据和QSM图像数据；根据深度学习算法以及测试者的磁共振T1WI数据和QSM图像数据，确定测试者的脑核团三维分割图；根据测试者的脑核团三维分割图，计算测试者对应的数值形状特征和磁敏感值的统计特征；根据脑龄测试模型以及测试者对应的数值形状特征和磁敏感值的统计特征，计算测试者的脑龄；其中，脑龄测试模型是对健康者对应的年龄、数值形状特征和磁敏感值的统计特征进行线性回归后得到的。本发明能够更全面更准确进行脑龄测试。

技术研发人员：柴超,刘之洋,夏爽,沈文,刘国华,孙寒煜,王慧颖
受保护的技术使用者：天津市第一中心医院
技术研发日：
技术公布日：2024/1/16