[发明专利]一种大脑多模态PET影像SUVR的预测方法

说明书

本发明公开了一种大脑多模态PET影像SUVR的预测方法，包括步骤一：收集受试者的T1加权像和PET影像；步骤二：对于T1加权像，对组织进行分割，对于PET影像，计算标准摄取比值SUVR；步骤三：将对齐到标准空间的T1加权像分割为若干大小相等的3D patch；步骤四：构建模型，包括回归模块和分类模块，网络的骨干由Mixer块构建；步骤五：单独训练回归模块进行多模态PET影像SUVR预测，再单独对分类模块进行AD和正常的分类的预训练；将回归模块的嵌入特征与分类模块的嵌入特征进行合并进行最终的分类训练；步骤六：输入新的T1加权像patch即可得到预测的多模态PET SUVR以及AD状态。

技术领域

本发明涉及图像处理技术领域，具体涉及一种大脑多模态PET影像SUVR的预测方法。

背景技术

阿尔茨海默病(AD)是痴呆症的主要原因，65岁以上人群的患病率估计在10-30％之间。AD的特征包括大脑皮质和海马体的萎缩，脑内β-淀粉样蛋白积累，脑内tau蛋白异常磷酸化，以及大脑葡萄糖代谢水平下降。由于成像技术的进步，例如结构磁共振成像(sMRI)和正电子发射断层扫描(PET)，我们得以更加准确地对AD进行诊断。

如使用sMRI，我们可以准确地检测出体积减小的大脑区域。通过使用PET，如氟脱氧葡萄糖(FDG)-PET或florbetapir(AV45)-PET，我们可以了解大脑中的葡萄糖代谢或β-淀粉样蛋白的负荷情况。相应地，随着成像数据的积累，一些基于机器学习或深度学习的方法已被开发用于预测疾病状态，例如对AD进行诊断或对其前驱期轻度认知障碍(MCI)的预后进行预测。使用PET的方法是更优的，因为PET能够直接检测AD的病理生物标志物，例如β-淀粉样蛋白，并且与sMRI相比显示出更高的诊断准确性，特别是对于AD的早期检测。此外，PET还可以与sMRI相结合，以进一步提高AD诊断性能，因为PET和sMRI可以提供互补信息。

尽管现有的工作在合成PET图像方面取得了一定的成效，但仍有很大的改进空间，首先，在匹配的sMRI和PET数据训练数据有限的情况下，用GAN合成整个PET图像可能是困难且不稳定的；

其次，现有方法通常只是从sMRI合成单一模态的FDG-PET图像，而不同模态的PET可为AD诊断提供互补的信息；

进一步的，大多数以前的AD诊断或PET图像合成方法都采用了CNN模型，由于CNN使用卷积和池化等局部算子，基于CNN的模型需要堆叠更多的卷积层来捕捉输入中更远的关系，这就导致了模型参数量的上升，以及训练难度的增大，然而，鉴于sMRI的数量有限，大型模型不是合适的选择。

发明内容

本发明的目的在于提供一种大脑多模态PET影像SUVR的预测方法，采用多层感知机混合器(MLP-Mixer)架构，建立一个深度学习模型，即三维多任务多层感知机混合器(3D-Mixer)，由回归模块和分类模块构成，通过回归模块同时预测FDG-PET和AV45-PET的标准化摄取值比。

本发明的目的可以通过以下技术方案实现：

一种大脑多模态PET影像SUVR的预测方法，包括以下步骤:

步骤一：数据采集，收集受试者的脑影像，脑影像包括T1加权像和PET影像；

步骤二：数据处理，将步骤一中的脑影像统一对齐到标准空间，对于T1加权像，对组织进行分割，对于PET影像，计算标准摄取比值SUVR；

步骤三：将对齐到标准空间的T1加权像分割为若干大小相等的3Dpatch，使每一patch的位置一一对应，计算每一patch区域对于诊断AD的有效性，提取区分度最显著的若干区域作为landmark；

步骤四：构建模型，包括回归模块和分类模块，网络的骨干由Mixer块构建；