一种脑熵的确定方法、系统、电子设备及存储介质

本发明涉及语义分割，特别是涉及一种脑熵的确定方法、系统、电子设备及存储介质。

背景技术：

1、人的大脑是神经系统的指挥中心，可以通过复杂的功能来实现思想，记忆，运动和情感，这是生物进化的最高产物。脑熵是指大脑可以访问的神经元的数量水平，用来衡量大脑对复杂信息的处理能力。脑熵越高，说明大脑的信息处理能力越强。

2、目前，还没有公认的大脑脑熵的确定方法，大脑脑熵的确定需要对大脑进行科学评估。但是，由于大脑在多维度方面的复杂性，因此很难通过一个度量进行全面评估或量化大脑脑熵。现阶段，研究者已经开发了许多结构化或半结构化的问卷，以通过自我评估或家庭成员评估来定性大脑脑熵。然而，这些主观或客观的措施既具有优点和缺点。例如，诸如精神状态检查和蒙特利尔认知评估之类的量表非常简单易用，但仅被用作全球认知障碍的筛查工具，并且受主观影响较大、评估耗时。

技术实现思路

1、本发明的目的是提供一种脑熵的确定方法、系统、电子设备及存储介质，提高了脑熵的确定速度，减少了主观的影响。

2、为实现上述目的，本发明提供了如下方案：

3、一种脑熵的确定方法，所述方法包括：

4、获取目标原始t1影像、目标原始flair影像和目标大脑所属人员的性别；所述目标原始t1影像为所述目标大脑的t1结构影像，所述目标原始flair影像为所述目标大脑的flair影像；

5、对所述目标原始t1影像，依次进行皮下分割、白质分割、表皮建模、表皮平滑、膨胀和皮层分割处理，确定皮下结构体积、皮层厚度、软膜曲率和多个分割后的结构的统计指标，从而确定目标大脑的脑结构指标数据；所述统计指标包括：结构名、顶点数、总表面积、结构体积、平均厚度与标准误差、积分校正平均曲率、积分校正高斯曲率、折叠指数、固有曲率指数以及分形维数结构指标；

6、将所述目标原始t1影像和所述目标原始flair影像进行预处理，得到预处理后的影像；所述预处理包括：影像配准、数据标准化和尺寸统一化；

7、将预处理后的影像分别输入至三个脑白质高信号分割模型中，得到脑白质高信号概率图集；每个脑白质高信号分割模型是基于训练影像集分别对各初始网络进行训练得到的；所述初始网络为unet网络、udensedown网络或udensenet网络；所述训练影像集包括多张训练用大脑的原始t1影像和原始flair影像；所述脑白质高信号概率图集包括三张脑白质高信号概率图；

8、基于所述脑白质高信号概率图集、所述目标原始t1影像和所述目标原始flair影像，进行脑白质高信号分区，得到多个脑分区，从而确定所述目标大脑的各所述脑分区的脑白质高信号体积数据；

9、将所述目标原始t1影像和所述目标大脑所属人员的性别输入至年龄计算模型中，得到所述目标大脑的预测年龄；所述年龄计算模型是利用年龄训练数据集对两阶段级联精炼网络进行训练得到的；所述年龄训练数据集包括：多张训练用大脑的原始t1影像以及各所述训练用大脑对应的人员的真实年龄和性别；

10、基于所述目标大脑的脑结构指标数据、各所述脑分区的脑白质高信号体积数据和预测年龄，计算所述目标大脑的脑熵。

11、可选地，对所述目标原始t1影像，依次进行皮下分割、白质分割、表皮建模、表皮平滑、膨胀和皮层分割处理，确定皮下结构体积、皮层厚度、软膜曲率和多个分割后的结构的统计指标，从而确定目标大脑的脑结构指标数据，具体包括：

12、对所述目标原始t1影像，进行皮下分割处理，得到带有皮下结构组织标签的影像，并根据所述带有皮下结构组织标签的影像计算所述皮下结构体积；

13、对所述带有皮下结构组织标签的影像，依次进行白质分割、表皮建模、表皮平滑和膨胀处理，得到大脑表皮模型，从而确定白质和软膜表面，并根据所述白质和所述软膜表面计算所述皮层厚度和所述软膜曲率；

14、基于所述白质和所述软膜表面，对所述目标大脑的不同位置进行标注分割，得到多个分割后的结构，并计算各个所述分割后的结构的统计指标；

15、将所述皮下结构体积、所述皮层厚度、所述软膜曲率和每个所述分割后的结构的统计指标确定为脑结构指标数据。

16、可选地，将所述目标原始t1影像和所述目标原始flair影像进行预处理，得到预处理后的影像，具体包括：

17、利用所述目标原始flair影像对所述目标原始t1影像进行线性配准，得到配准后的t1影像；

18、将所述目标原始flair影像和所述配准后的t1影像内体素进行高斯标准化，得到标准化后的flair影像和标准化后的t1影像；

19、将所述标准化后的flair影像和所述标准化后的t1影像的尺寸裁剪为预设尺寸，得到所述预处理后的影像。

20、可选地，每个所述脑白质高信号分割模型的训练过程，均具体包括：

21、获取所述训练影像集；

22、对所述训练影像集进行预处理，得到预处理后的训练影像集；

23、对所述预处理后的训练影像集中的各预处理后的训练影像进行脑白质高信号概率标签的标注，得到带有脑白质高信号概率标签的训练影像集；

24、通过反向传播算法，利用所述带有脑白质高信号概率标签的训练影像集，对所述初始网络进行训练，得到所述脑白质高信号分割模型。

25、可选地，基于所述脑白质高信号概率图集、所述目标原始t1影像和所述目标原始flair影像，进行脑白质高信号分区，得到多个脑分区，从而确定所述目标大脑的各所述脑分区的脑白质高信号体积数据，具体包括：

26、将所述脑白质高信号概率图集进行二值化处理，得到脑白质高信号图；

27、利用所述目标原始t1影像和所述脑白质高信号图，对所述目标原始flair影像进行线性配准，得到配准后的flair影像；

28、获取自动解剖标识图谱和脑室脑模板的距离映射图；

29、基于所述自动解剖标识图谱，确定所述目标原始t1影像的90个脑分区和所述配准后的flair影像的90个脑分区；

30、基于所述脑室脑模板的距离映射图，确定所述目标原始t1影像相对于脑室边缘的距离映射图，并利用预设阈值，将t1脑影像上的距离映射图分为脑室周脑区和深部脑区；

31、基于所述脑室周脑区和所述深部脑区，确定所述配准后的flair影像上的脑室周分区掩膜和深部脑分区掩膜；

32、基于所述脑室周分区掩膜、所述深部脑分区掩膜和所述配准后的flair影像的90个脑分区，确定各所述脑区的脑白质高信号体积数据。

33、可选地，所述年龄计算模型的训练过程，包括：

34、获取所述年龄训练数据集；

35、通过反向传播算法和梯度下降算法，利用所述年龄训练数据集对所述两阶段级联精炼网络中的第一阶段网络进行训练，得到训练好的第一阶段网络；

36、将每张所述训练用大脑的原始t1影像输入至所述训练好的第一阶段网络，得到第一预测年龄集；

37、将所述第一预测年龄集中的每个第一预测年龄进行离散化，得到离散后的年龄集；

38、通过反向传播算法和梯度下降算法，利用所述年龄训练数据集和所述离散后的年龄集对所述两阶段级联精炼网络中的第二阶段网络进行训练，得到训练好的第二阶段网络，从而得到所述年龄计算模型。

39、一种脑熵的确定系统，所述系统包括：

40、原始影像获取模块，用于获取目标原始t1影像、目标原始flair影像和目标大脑所属人员的性别；所述目标原始t1影像为所述目标大脑的t1结构影像，所述目标原始flair影像为所述目标大脑的flair影像；

41、脑结构指标数据确定模块，用于对所述目标原始t1影像，依次进行皮下分割、白质分割、表皮建模、表皮平滑、膨胀和皮层分割处理，确定皮下结构体积、皮层厚度、软膜曲率和多个分割后的结构的统计指标，从而确定目标大脑的脑结构指标数据；所述统计指标包括：结构名、顶点数、总表面积、结构体积、平均厚度与标准误差、积分校正平均曲率、积分校正高斯曲率、折叠指数、固有曲率指数以及分形维数结构指标；

42、预处理模块，用于将所述目标原始t1影像和所述目标原始flair影像进行预处理，得到预处理后的影像；所述预处理包括：影像配准、数据标准化和尺寸统一化；

43、脑白质高信号概率图集确定模块，用于将预处理后的影像分别输入至三个脑白质高信号分割模型中，得到脑白质高信号概率图集；每个脑白质高信号分割模型是基于训练影像集分别对各初始网络进行训练得到的；所述初始网络为unet网络、udensedown网络或udensenet网络；所述训练影像集包括多张训练用大脑的原始t1影像和原始flair影像；所述脑白质高信号概率图集包括三张脑白质高信号概率图；

44、脑白质高信号体积数据确定模块，用于基于所述脑白质高信号概率图集、所述目标原始t1影像和所述目标原始flair影像，进行脑白质高信号分区，得到多个脑分区，从而确定所述目标大脑的各所述脑分区的脑白质高信号体积数据；

45、年龄确定模块，用于将所述目标原始t1影像和所述目标大脑所属人员的性别输入至年龄计算模型中，得到所述目标大脑的预测年龄；所述年龄计算模型是利用年龄训练数据集对两阶段级联精炼网络进行训练得到的；所述年龄训练数据集包括：多张训练用大脑的原始t1影像以及各所述训练用大脑对应的人员的真实年龄和性别；

46、脑熵确定模块，用于基于所述目标大脑的脑结构指标数据、各所述脑分区的脑白质高信号体积数据和预测年龄，计算所述目标大脑的脑熵。

47、一种电子设备，包括：

48、一个或多个处理器；

49、存储装置，其上存储有一个或多个程序；

50、当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述所述的脑熵的确定方法。

51、一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述所述的脑熵的确定方法。

52、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：

53、本发明公开了一种脑熵的确定方法、系统、电子设备及存储介质，基于目标大脑的原始t1影像、原始flair影像和目标大脑的性别，利用训练好的各个模型，依次确定目标大脑的脑结构指标数据、脑分区的脑白质高信号体积数据和年龄，并基于脑结构指标数据、各脑分区的脑白质高信号体积数据和年龄，计算目标大脑的脑熵。整个过程不需要人工的参与即可实现，提高了脑熵的确定速度，减少了主观因素的影响。