[发明专利]基于多模态磁共振成像的图卷积神经网络疾病预测系统

说明书

本发明公开了一种基于多模态磁共振成像的图卷积神经网络疾病预测系统,从多模态的磁共振数据中提取多个脑区跨模态下的影像组学信息作为节点的特征，提取脑区间的连接组学信息构成邻接矩阵。T1加权结构像通过皮层重建来进行皮层信息提取，静息态磁共振数据用于计算低频振幅，局部一致性以及功能连接。通过多模态数据预处理、影像指标提取和结构化数据整合，将多模态的非结构化磁共振影像数据整合成统一的图结构数据，用图卷积神经网络的方法对疾病进行预测。以本发明计算得到的多模态特征进行疾病预测，可以更好地融合多个脑区跨模态的生理学指标以及脑区之间的相关性并提高模型的预测能力和模型在不同疾病下的泛化能力。

技术领域

本发明涉及神经影像数据分析领域，尤其涉及一种基于多模态磁共振成像的图卷积神经网络疾病预测系统。

背景技术

多模态磁共振成像(Magnetic resonance imaging，MRI)具有多个模态的影像学信息，为研究各类疾病提供了多种生理学指标。T1加权结构像能够进行灰质和白质的分割，并可通过皮层重建来进行皮层信息提取(皮层体积、厚度和表面积等)。静息态功能磁共振成像反映了大脑在静息状态下的神经活动情况，是近年来研究脑功能和脑网络连接的一种重要方法。静息态磁共振数据可以用于计算低频振幅(Amplitude of low frequencyfluctuations, ALFF)，局部一致性(Regional homogeneity, ReHo)以及功能连接(Functional connectivity, FC)。其中，ALFF用于衡量不同脑区神经元的活动强弱，ReHo描述的是某个体素与周围相邻体素时间序列的同步性，FC可用于评估脑区之间的功能关联程度。扩散磁共振成像通过测量水分子扩散差异来检测脑白质的微结构特性以及纤维束走向。扩散磁共振数据可用于扩散张量成像(Diffusion tensor imaging, DTI)，计算各向异性分数(Fractional anisotropy, FA)、平均扩散率(Mean diffusivity, MD)等指标，也可用于神经突方向分散度和密度成像(Neurite orientation dispersion and densityimaging, NODDI)，计算神经突内容积比(Intra-neurite volume fraction, ICVF)以及方向分散度(Orientation dispersion index, ODI)等。并且可以通过全脑层面的纤维追踪结果，得到脑区间的纤维连接矩阵，用于评估脑区之间的结构连接。其中，FA反映了扩散的各项异性部分与扩散张量总值的比值，MD反映了水分子单位时间内扩散运动的范围，ICVF可以反映神经密度，ODI可以量化神经突方向的离散度。

图卷积神经网络(Graph convolutional neural network, GCN)是一种可以从图数据中提取特征的方法，从而使用这些特征去对图数据进行节点分类和图分类。通过对多模态磁共振数据的处理，可以得到上述具有生理学意义的指标。