一种基于18F-FDGPET/CT的帕金森病预测方法及装置与流程

本发明涉及帕金森病研究，尤其涉及一种基于18f-fdg pet/ct的帕金森病预测方法及装置。

背景技术：

1、18f-fdg是指氟代脱氧葡萄糖，其完整的化学名称为2-氟-2-脱氧-d-葡萄糖，英文全称为β-2-[18f]-fluoro-2-deoxy-d-glucose，通常简称为18f-flurodeoxyglucose，即18f-fdg。葡萄糖是人体三大能源物质之一，将可以被pet探测并形成影像的的正电子核素18f标记在葡萄糖上，即18f-脱氧葡萄糖(18f-fdg)。因为18f-fdg可准确反映体内器官/组织的葡萄糖代谢水平，因此被誉为“世纪分子”，是pet/ct显像的主要显像剂。恶性肿瘤细胞由于代谢旺盛，导致对葡萄糖的需求增加，因此静脉注射葡萄糖类似物--18f-fdg后，大多数肿瘤病灶会表现为对18f-fdg的高摄取，因此应用18f-fdg pet/ct显像可早期发现全身肿瘤原发及转移病灶，对良恶性肿瘤进行鉴别，从而正确指导临床治疗决策。此外，通过对心肌、脑组织的18f-fdg糖代谢功能测定，可早期发现和诊断存活心肌和脑功能性病变，干预疾病的发生发展，达到早期防治目的。

2、帕金森病(pd，parkinson’s disease)是一种老龄人群中最常见的神经退行性疾病，其重要的临床特征是震颤、运动迟缓、僵硬和姿势不稳。由于帕金森病具有隐袭起病、逐渐进展的特点，常规血、脑脊液检查多无异常，头颅ct、mri检查也无特征性改变，因此传统医学中对帕金森病的诊断主要依靠病史、临床症状及体征，而没有统一的标准诊断方法。机器学习(ml，machine learning)技术在挖掘数据中隐藏关系的能力、抵抗数据错误的能力、向患者和医生提供交互式反馈/监控总结的能力及对大量病人数据进行处理的能力等多方面，都相较于其他方法具有优越性，因此基于ml的支持工具在增强帕金森病临床诊断准确性、可靠性、评估的效率等方面有着很大的潜力。

3、但是目前，利用神经网络实现对18f-fdg pet/ct的帕金森病的预测方案非常少，且已有的方案呈现的预测效果精度很低，主要原因则是因为数据集过小，无法提取足够多特征参数。所以基于上述问题，如何设计一种在数据集较少的情况下实现更高准确度的帕金森病预测方案，是一个亟待解决的问题。

技术实现思路

1、针对现有技术中的技术问题，本发明提供一种基于18f-fdg pet/ct的帕金森病预测方法及装置。

2、本发明公开了一种基于18f-fdg pet/ct的帕金森病预测方法，包括步骤：

3、获取若干大脑影像训练样本，每个训练样本中包含同一样本人员的若干张pet影像图和若干张ct影像图；

4、基于预设的组织成分提取软件提取所有训练样本中所述ct影像图的组织成分，并生成对应的组织标签；

5、将所述训练样本中的所述ct影像图输入到预设的第一vit网络模型中进行运算得到特征向量vct，并根据所述训练样本对应的所述特征向量vct得到组织成分预测结果oct；

6、基于所述训练样本对应的所述组织标签和所述组织成分预测结果oct对所述第一vit网络模型进行训练；

7、将所述训练样本中的所述pet影像图输入到预设的第二vit网络模型中进行运算，得到特征向量vpet0；

8、根据所述训练样本对应的所述特征向量vct和所述特征向量vpet0计算得到帕金森病特征向量vp，并根据所述帕金森病特征向量vp输出帕金森病预测结果；

9、基于所述帕金森病预测结果和所述训练样本的真实诊断结果对所述第二vit网络模型进行训练；

10、获取大脑影像预测样本，所述预测样本中包含同一预测人员的若干张pet影像图和若干张ct影像图；

11、将所述预测样本中的所述ct影像图输入到训练后的第一vit网络模型中进行运算得到特征向量vct，并根据所述预测样本对应的所述特征向量vct得到预测样本的组织成分预测结果oct；

12、将所述预测样本中的所述pet影像图输入到训练后的第二vit网络模型中进行运算，得到特征向量vpet0，基于所述预测样本对应的所述特征向量vct和所述特征向量vpet0计算得到帕金森病特征向量vp，并根据所述预测样本对应的所述帕金森病特征向量vp输出帕金森病预测结果。

13、进一步的，预测方法还包括：

14、将所述训练样本中的所述pet影像图进行第一预设比例的随机掩膜处理，再输入到预设的第二vit网络模型中进行运算，得到特征向量vpet1；

15、根据所述训练样本对应的所述特征向量vct和所述特征向量vpet1得到第一掩膜预测结果；

16、基于所述第一掩膜预测结果和所述训练样本中的所述pet影像图对所述第二vit网络模型进行训练。

17、进一步的，预测方法还包括：

18、将所述训练样本中的所述pet影像图进行第二预设比例的随机掩膜处理，再输入到预设的第二vit网络模型中进行运算，得到特征向量vpet2；所述第一预设比例和所述第二预设比例不相等；

19、根据所述训练样本对应的所述特征向量vpet2得到第二掩膜预测结果；

20、基于所述第二掩膜预测结果和所述训练样本中的所述pet影像图对所述第二vit网络模型进行训练。

21、进一步的，预测方法还包括：

22、将每个训练样本中的所述pet影像图和所述ct影像图分别进行归一化处理，得到尺寸相同的3d影像，并将所述3d影像切分成l*m*n个方格影像；

23、将预测样本中的所述pet影像图和所述ct影像图分别进行归一化处理，得到尺寸相同的的3d影像，并将所述3d影像切分成l*m*n个方格影像；

24、以及，

25、将所述训练样本中的所述ct影像图对应的3d影像和方格影像输入到预设的第一vit网络模型中进行运算；

26、将所述训练样本中的所述pet影像图对应的3d影像和方格影像输入到预设的第二vit网络模型中进行运算；

27、将所述预测样本中的所述ct影像图对应的3d影像和方格影像输入到训练后的第一vit网络模型中进行运算；

28、将所述预测样本中的所述pet影像图对应的3d影像和方格影像输入到训练后的第二vit网络模型中进行运算。

29、进一步的，所述第一预设比例为5％，所述第二预设比例为2％。

30、进一步的，根据特征向量vct得到组织成分预测结果oct，包括：

31、

32、其中，vctow表示特征向量vct中与3d影像对应的部分，vctlmn表示特征向量vct中与方格影像对应的部分；i、j、k均为正整数，且2<i≤l-2，2<j≤m-2，2<k≤n-2。

33、进一步的，根据所述训练样本对应的所述特征向量vct和所述特征向量vpet1得到第一掩膜预测结果，包括：

34、计算

35、其中，opet1ijk为第一掩膜预测结果，vpetow表示特征向量vpet1中与3d影像对应的部分，vpetlmn表示特征向量vpet1中与方格影像对应的部分。

36、进一步的，根据所述训练样本对应的所述特征向量vpet2得到第二掩膜预测结果，包括：

37、计算

38、其中，opet2ijk为第二掩膜预测结果。

39、进一步的，基于所述特征向量vct和所述特征向量vpet0计算得到帕金森病特征向量vp，并根据所述帕金森病特征向量vp输出帕金森病预测结果，包括：

40、将所述特征向量vct和所述特征向量vpet0进行拼接，得到所述帕金森病特征向量vp；

41、将所述帕金森病特征向量vp进行全连接运算，得到所述帕金森病预测结果。

42、本发明还包括一种基于18f-fdg pet/ct的帕金森病预测装置，所述预测装置包括数据获取模块、组织成分提取软件模块、模型训练模块以及预测模块；其中：

43、所述数据获取模块，与所述组织成分提取软件模块、模型训练模块以及预测模块相连接；所述数据获取模块用于获取若干大脑影像训练样本，每个训练样本中包含同一样本人员的若干张pet影像图和若干张ct影像图；以及，获取大脑影像预测样本，所述预测样本中包含同一预测人员的若干张pet影像图和若干张ct影像图；

44、所述组织成分提取软件模块，与所述数据获取模块、模型训练模块相连接；所述组织成分提取软件模块用于基于预设的组织成分提取软件提取所有训练样本中所述ct影像图的组织成分，并生成对应的组织标签；

45、所述模型训练模块，与所述数据获取模块、组织成分提取软件模块以及预测模块相连接；所述模型训练模块用于将所述训练样本中的所述ct影像图输入到预设的第一vit网络模型中进行运算得到特征向量vct，并根据所述训练样本对应的所述特征向量vct得到组织成分预测结果oct；基于所述训练样本对应的所述组织标签和所述组织成分预测结果oct对所述第一vit网络模型进行训练；将所述训练样本中的所述pet影像图输入到预设的第二vit网络模型中进行运算，得到特征向量vpet0；根据所述训练样本对应的所述特征向量vct和所述特征向量vpet0计算得到帕金森病特征向量vp，并根据所述帕金森病特征向量vp输出帕金森病预测结果；基于所述帕金森病预测结果和所述训练样本的真实诊断结果对所述第二vit网络模型进行训练；

46、所述预测模块，与所述数据获取模块、模型训练模块相连接；所述预测模块用于将所述预测样本中的所述ct影像图输入到训练后的第一vit网络模型中进行运算得到特征向量vct，并根据所述预测样本对应的所述特征向量vct得到预测样本的组织成分预测结果oct；将所述预测样本中的所述pet影像图输入到训练后的第二vit网络模型中进行运算，得到特征向量vpet0，基于所述预测样本对应的所述特征向量vct和所述特征向量vpet0计算得到帕金森病特征向量vp，并根据所述预测样本对应的所述帕金森病特征向量vp输出帕金森病预测结果。

47、本发明的基于18f-fdg pet/ct的帕金森病预测方法及装置，首先获取若干包含pet影像图和ct影像图的大脑影像训练样本，然后根据预设的组织成分提取软件提取到ct影像图对应的组织标签，再结合对第一vit网络模型运算得到的组织成分预测结果对第一vit网络模型进行训练，以及结合第二vit网络模型中运算得到的帕金森病预测结果和训练样本的真实诊断结果对第二vit网络模型进行训练，从而在获取到预测样本之后，能够根据训练后的第一vit网络模型和第二vit网络模型得到对应的组织成分预测结果和帕金森病预测结果。本发明建立了两个vit网络模型对大脑影像进行特征学习，并得到了对应的织成分预测结果和帕金森病预测结果，从而在较少的训练样本之下尽可能的提取样本中的信息，使得帕金森病的预测准确度更高。