CN117218451B 联合多参数mri特征的自闭症谱系障碍分类方法及系统 （中国科学院苏州生物医学工程技术研究所）

联合多参数MRI特征的自闭症谱系障碍分类本发明涉及联合多参数MRI特征的自闭症谱取脑脊液体积特征；从DTI图像提取沿血管周围输入分类模型进行分类，计算分类性能评价指者类淋巴系统活性和脑白质结构改变。采用AutoGluon分类框架，采取多模型同时训练的模型和超参数搜索空间，提升了分类方法的准确2所述从DTI图像提取沿血管周围间隙弥散张量特征包括提取DTI图像的文件，得到彩色编码的分数各向异性图和扩散率图，基于根据颜色编码的主扩散方向图，在大脑左半球绘制感兴趣脑区，通过每个感兴趣脑区的x轴、y轴和z轴的扩散率值计算得到沿血管周围间隙弥散张量所述从DTI图像提取各项异性分数特征包括2.如权利要求1所述的一种联合多参数MRI特征的自闭3.如权利要求2所述的一种联合多参数MRI特征的自4.如权利要求2所述的一种联合多参数MRI特征的自闭症谱系障碍5.如权利要求2所述的一种联合多参数MRI特征的自36.如权利要求5所述的一种联合多参数MRI特征的自闭症谱7.如权利要求1所述的一种联合多参数MRI特征的自8.如权利要求7所述的一种联合多参数MRI特征的自闭症于：所述提取DTI图像的文件为提取格式转换后的DTI数据的nii.gz图像文件、bvals和9.如权利要求1所述的一种联合多参数MRI特征的自闭症谱DTI_ALPSindex＝mean(Dxproj,Dxassoc)/mea其中，Dxproj表示投射纤维区中x轴扩散率，Dxassoc表示联络纤维区中x轴扩散率，10.如权利要求1所述的一种联合多参数MRI特征的自闭症谱系障碍分类方法，其特征11.如权利要求1所述的一种联合多参数MRI特征的自闭症谱系障碍分类方法，其特征通过ASD患者组和正常组的DTI脑网络特征以及FN参量得到脑网络13.如权利要求1所述的一种联合多参数MRI特征的自闭症谱系障碍分类方法，其特征将训练数据集和测试数据集按照预设比例进行随将所有训练集数据放入AutoGluon自动化机器学习框架中，进行交叉验证，提取AutoGluon自动化机器学习框架中最优模型并保15.如权利要求1或14所述的一种联合多参数MRI特征的自闭症谱系障碍分类方法，其16.一种联合多参数MRI特征的自闭症谱系障碍分类系统，实现如权利要求1～15任一4所述沿血管周围间隙弥散张量特征提取模块，用于从DTI图像提取沿血管周围间隙弥所述分类性能评价指标计算模块，用于将所述脑脊液体5[0001]本发明涉及医学影像处理技术领域，特别涉及联合多参数MRI特征的自闭症谱系[0003]以往研究证实ASD与大脑结构、功能连接的神经发育变异有关。扩散张量成像术，可以揭示大脑白质纤维束微结构损伤。例如，从DTI图像上可以提取各向异性分数弥散技术的沿血管周围间隙弥散张量成像分析(DTI_ALPS)评估自闭症患者的类淋巴系统活性。大脑存在类淋巴系统,蛛网膜下腔脑脊液和间质液通过血管旁间隙，将可溶积的多少与ASD患者早期蛛网膜颗粒发育不全及脑膜淋巴系统障碍导的中国发明专利；现有方案2为名称为一种基于核磁共振图像预测自闭症并寻找生物标记的方法，申请号为202211000237.0的中国发明专利。现有方案1是从静息态功能磁共振6[0018]进一步地，所述对原始T1图像进行格式转换为将原始T1Dicom数据转换成NII格[0027]通过每个感兴趣脑区的x轴、y轴和z轴的扩散率值计算得到沿血管周围间隙弥散[0028]进一步地，所述对原始DTI图像进行格式转换为将原始DTIDicom数据转换成NII[0032]其中，Dxproj表示投射纤维区中x轴扩散率，Dxassoc表示联络纤维区中x轴扩散7[0036]将脑白质纤维束解剖模板仿射配准到实验数据的各项异性分数图像上进行解剖[0038]进一步地，所述对原始DTI图像进行格式转换为将原始DTIDicom数据转换成NII[0047]进一步地，所述对原始TI图像和DTI图像进行格式转换为将原始TIDicom数据和[0052]将所有训练集数据放入AutoGluon自动化机器学习框架中，进行交叉验证，提取AutoGluon自动化机器学习框架中最优模型并保[0055]本发明的第二目的是提供一种联合多参数MRI特征的自闭症谱系障碍分类系统，[0057]所述沿血管周围间隙弥散张量特征提取模块，用于从DTI图像提取沿血管周围间8[0062]本发明提出一种联合多参数MRI特征的自闭症谱系障碍分类方法及系统，以实现参数搜索空间，完成数据处理、特征选择、模型选择、超参数优化、模型集成等；采用AutoGluon分类框架能够提升分类方[0063]上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图率和标准体积大小，本实施例将标准体素分辨率和标注体积大小分别设置为256×256×9[0089]其中，Dxproj表示投射纤维区中x轴扩散率，Dxassoc表示联络纤维区中x轴扩散[0101]S44、通过ASD患者组和正常组的DTI脑网络特征以及FN参量得到脑网络参数，例[0103]本实施例中，分类模型采用AutoGluon自动化机器学习框架。如图6、图8所示，AutoGluon自动化机器学习框架的训练包括以[0106]S53、将所有训练集数据放入AutoGluon自动化机器学习框架中，进行5重交叉验纤维束各向异性分数和白质脑网络特征能够应用于描述ASD疾病严重程度与脑功能障碍的成数据处理、特征选择、模型选择、超参数优化、模型集成到最后进行结果分类。采用AutoGluon框架能够得到分类性能较好[0118]沿血管周围间隙弥散张量特征提取模块，用于从DTI图像提取沿血管周围间隙弥