[发明专利]核磁共振图像分析方法、系统、装置及存储介质

说明书

本发明公开一种核磁共振图像分析方法、系统、装置及存储介质，涉及计算机技术领域。其中，核磁共振图像分析方法包括以下步骤：获取预设时间长度下的核磁共振图像序列；根据核磁共振图像序列中多张核磁共振图像确定脑区之间的第一静态功能连接特征；根据核磁共振图像序列中多个连续的时间窗口下的核磁共振图像子序列确定脑区之间的动态功能连接特征；将核磁共振图像序列输入卷积神经网络特征提取模型得到卷积神经网络概率特征；融合第一静态功能连接特征、动态功能连接特征和卷积神经网络概率特征得到融合特征；根据融合特征进行分类预测得到核磁共振图像序列的分类结果。本申请能够提高核磁共振图像分类的准确性。

技术领域

本发明涉及计算机技术领域，尤其涉及一种核磁共振图像分析方法、系统、装置及存储介质。

背景技术

意识障碍疾病(disorder of consciousness，DOC)主要是指由于创伤性脑外伤、缺血性脑损伤、缺氧等原因导致的意识损伤，包含多个子类，其中，UWS(Unresponsivewakefulness syndrome，无意识苏醒综合征)与MCS(minimal consciousness state，最小意识状态)的区分最为重要，也最具挑战性。UWS患者呈现无意识苏醒状态，对自己及周边环境无法作出主动性的反馈。MCS保有一定水平的意识，能对自己及周边环境给出一定程度的主动性的反馈，但由于意识水平很低且波动性大，通过临床最常用的行为量表评估方法难以检测到潜在的意识，错误率高达40％。因此，亟需有效的技术手段予以补充，提高诊断精度。

CRS-R(the coma recovery scale–revised，昏迷恢复量表修订版)是国际上认可度最高、临床上广泛采用的行为学量表，其包含6个子表——视觉、听觉、行动、言语功能、交流和唤醒水平，但行为学评估需要连续3天对患者作反复评估，不仅要求患者的配合，还对评估实施者有较高的经验和资质要求，受主客观因素干扰较大，因而错误率高。除行为学量表外，脑电图(electroencephalo-graph，EEG)、磁电图(magnetic electroencephalo-graph，MEG)和核磁共振图像(magnetic resonance imaging，MRI)也被用于DOC的诊断与分层。EEG和MEG检查需在患者头皮上贴放电极片，头上有伤口的创伤性脑损伤患者常不适用。相比之下，MRI，尤其是静息态核磁共振图像(resting state functional magneticresonance imaging，rs-fMR)，对创伤性脑损伤患者友好，且检查方便快捷，在意识障碍疾病诊断方面的应用前景十分广阔。

目前，基于MRI的DOC研究大致分为两类，一类是对照组(健康人，或者无意识障碍疾病的非健康人)与DOC组的分类预测，一类是对照组、UWS与MCS的区分，而后者更具挑战性和临床治疗以及伦理意义。

基于MRI对DOC进行分类预测的方法分别有基于静态功能连接的方法和基于动态功能连接的方法。无论是基于静态功能连接还是动态功能连接方法，均采用传统的机器学习方法构建分类模型，需要手动提取和选择特征，而特征的提取与筛选不仅工作量大，还对研究人员的专业知识和技术经验要求较高，欠优的特征集很可能使模型错过全局最优解，降低分类预测精度。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种核磁共振图像分析方法、系统、装置及存储介质，能够提高核磁共振图像分类的准确性。

一方面，本发明实施例提供了一种核磁共振图像分析方法，包括以下步骤：

获取预设时间长度下的核磁共振图像序列；

根据所述核磁共振图像序列中多张核磁共振图像确定脑区之间的第一静态功能连接特征；

根据所述核磁共振图像序列中多个连续的时间窗口下的核磁共振图像子序列确定脑区之间的动态功能连接特征；

将所述核磁共振图像序列输入卷积神经网络特征提取模型得到卷积神经网络概率特征；