区域性脑年龄预测的方法、非暂时性电脑可读介质及设备

摘要

一种区域性脑年龄预测的方法，其包括下列步骤：接收待测者的脑部的第一T1加权影像；对第一T1加权影像进行组织分割程序，以取得第一灰质影像；将第一灰质影像配准(register)至经迭合程序所建立的正常受试者影像模板；撷取待测脑区的第一灰质结构特征；依据该待测脑区的第一灰质结构特征通过该待测脑区对应的最佳化模型参数值及其机器学习演算法或深度学习演算法预测出待测脑区的预测年龄；依据该待测脑区的预测年龄与待测者的实足年龄取得该待测脑区对应的年龄差异值，并输出评估报告。因此，可提供客观生物量化指标，以侦测不同脑区的可能变化情形。

说明书

技术领域

本发明涉及一种脑年龄预测的方法、非暂时性电脑可读介质及设备，特别是区域性脑年龄预测的方法、非暂时性电脑可读介质及设备。

背景技术

随着高龄化社会的来临，许多伴随老化而来的疾病和大脑健康密不可分。然而，大脑结构会随着年龄的增长而产生显著变化，其变化程度则因人而异，因此，基于医学影像观察脑部结构的老化程度可用以评估个人化大脑健康信息。

其中，脑年龄可作为临床上神经退化性疾病、神经发育性疾病、神经精神疾病及老化相关风险因子评估的生物标记之一，例如：阿兹海默症(Alzheimer's Disease，AD)，又称老年痴呆症，虽引发该病症的原因仍未明确，但是其与脑萎缩有着一定程度的关联，如果估算出的脑年龄大于实足年龄时，则可借此推测出罹患阿兹海默症的风险性较高。

因此，如何透过医学影像进行分析，以有效量化与预测任一受试者的脑年龄成为目前相关业界与学界努力的课题。

发明内容

本发明公开一种区域性脑年龄预测的方法、非暂时性电脑可读介质及设备。

首先，本发明公开一种区域性脑年龄预测的方法，其包括以下步骤：接收待测者的脑部的第一T1加权影像(T1 weighted image)；对第一T1加权影像进行组织分割程序，以取得第一灰质影像；将第一灰质影像配准(register)至经迭合程序所建立的正常受试者影像模板；自配准至正常受试者影像模板的第一灰质影像撷取待测者的待测脑区的第一灰质结构特征；在数据库中取得该待测脑区对应的最佳化模型参数值；依据待测者的该待测脑区的第一灰质结构特征以及其对应的最佳化模型参数值，结合该最佳化模型参数值对应的机器学习演算法或深度学习演算法预测该待测者的该待测脑区的预测年龄；以及依据该待测脑区的预测年龄与待测者的实足年龄取得该待测脑区对应的年龄差异值，并输出评估报告。

另外，本发明公开一种区域性脑年龄预测的非暂时性电脑可读介质，其经组态以储存若干操作指令，该等操作指令在由一或多个处理器执行时使得该一或多个处理器执行以下操作：接收待测者的脑部的第一T1加权影像；对第一 T1加权影像进行组织分割程序，以取得第一灰质影像；将第一灰质影像配准至经迭合程序所建立的正常受试者影像模板；自配准至正常受试者影像模板的第一灰质影像撷取待测者的待测脑区的第一灰质结构特征；在数据库中取得该待测脑区对应的最佳化模型参数值；依据待测者的该待测脑区的第一灰质结构特征以及其对应的最佳化模型参数值，结合该最佳化模型参数值对应的机器学习演算法或深度学习演算法预测该待测者的该待测脑区的预测年龄；以及依据该待测脑区的预测年龄与待测者的实足年龄取得该待测脑区对应的年龄差异值，并输出评估报告。

此外，本发明公开一种区域性脑年龄预测的设备，其包括：一或多个处理器；储存单元；以及程序，其中该程序储存于储存单元中且经组态以由该一或多个处理器执行，该程序整体上包含用于以下操作指令：接收待测者的脑部的第一T1加权影像；对第一T1加权影像进行组织分割程序，以取得第一灰质影像；将第一灰质影像配准至经迭合程序所建立的正常受试者影像模板；自配准至正常受试者影像模板的第一灰质影像撷取待测者的待测脑区的第一灰质结构特征；在数据库中取得该待测脑区对应的最佳化模型参数值；依据待测者的该待测脑区的第一灰质结构特征以及其对应的最佳化模型参数值，结合该最佳化模型参数值对应的机器学习演算法或深度学习演算法预测该待测者的该待测脑区的预测年龄；以及依据该待测脑区的预测年龄与待测者的实足年龄取得该待测脑区对应的年龄差异值，并输出评估报告。

本发明所公开的方法、非暂时性电脑可读介质及设备如上，可经由影像处理与搭配机器学习演算法或深度学习演算法，以自动化方式针对待测者的脑部健康状态进行评估，并预测待测者不同脑区的脑年龄(客观生物量化指标)，且输出的评估报告可供临床医师或相关健康产业使用。

附图说明

图1为本发明区域性脑年龄预测的方法的一实施例方法流程图。

图2为第1图的步骤130所述的迭合程序的一实施例方法流程图。

图3为第1图的步骤150所述的数据库的建立方法的一实施例方法流程图。

图4A为本发明评估报告的一实施例的影像示意图。

图4B为本发明评估报告的另一实施例的影像示意图。

图5为本发明区域性脑年龄预测的非暂时性电脑可读介质的一实施例方块图。

图6为本发明区域性脑年龄预测的设备的一实施例方块图。

【附图标记列表】

500 区域性脑年龄预测的非暂时性电脑可读介质

502 操作指令

504、602 处理器

600 区域性脑年龄预测的设备

604 储存单元

606 程序

步骤110接收待测者的脑部的第一T1加权影像

步骤120对第一T1加权影像进行组织分割程序，以取得第一灰质影像

步骤130将第一灰质影像配准至经迭合程序所建立的正常受试者影像模板

步骤140自配准至正常受试者影像模板的第一灰质影像撷取待测者的待测脑的第一灰质结构特征

步骤150在数据库中取得该待测脑区对应的最佳化模型参数值

步骤160依据待测者的该待测脑区的第一灰质结构特征以及其对应的最佳化模型参数值，结合该最佳化模型参数值对应的机器学习演算法或深度学习演算法预测该待测者的该待测脑区的预测年龄

步骤170依据该待测脑区的预测年龄与待测者的实足年龄取得该待测脑区对应的年龄差异值，并输出评估报告

步骤210取得多个健康受试者的脑部的第二T1加权影像

步骤220对每一第二T1加权影像分别进行组织分割程序，以取得对应的二灰质影像

步骤230将该些第二灰质影像分别配准至标准空间的MNI模板

步骤240将配准至MNI模板的该些第二灰质影像进行迭合，并以影像亮度取平均值的方式建立正常受试者影像模板

步骤310将每一第二灰质影像配准至正常受试者影像模板

步骤320撷取配准至正常受试者影像模板的每一第二灰质影像中每一脑区的第二灰质结构特征

步骤330依据同一脑区的该些第二灰质结构特征结合机器学习演算法或深度学习演算法以及交叉验证法取得该脑区对应的最佳化模型参数值

步骤340取得每一脑区对应的最佳化模型参数值，进而建立数据库

具体实施方式

以下将配合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。需注意的是，本案所述的影像皆为三维影像，为避免附图过于复杂，仅以二维影像呈现每一实施例的示意图。此外，尽管这里可以使用词汇“第一”、“第二”等来描述各种影像，但是这些影像不应受这些词汇的限制。

请先参阅图1，图1为本发明区域性脑年龄预测的方法的一实施例方法流程图，其步骤包含：接收待测者的脑部的第一T1加权影像(步骤110)；对第一T1加权影像进行组织分割程序，以取得第一灰质影像(步骤120)；将第一灰质影像配准至经迭合程序所建立的正常受试者影像模板(步骤130)；自配准至正常受试者影像模板的第一灰质影像撷取待测者的待测脑区的第一灰质结构特征(步骤140)；在数据库中取得该待测脑区对应的最佳化模型参数值 (步骤150)；依据待测者的该待测脑区的第一灰质结构特征以及其对应的最佳化模型参数值，结合该最佳化模型参数值对应的机器学习演算法或深度学习演算法预测该待测者的该待测脑区的预测年龄(步骤160)；以及依据该待测脑区的预测年龄与待测者的实足年龄取得该待测脑区对应的年龄差异值，并输出评估报告(步骤170)。

步骤110所述的待测者可为但不限于欲进行脑部可能存在异常状态评估的病患，该病患通过上述步骤110至步骤170后可得知其不同脑区的预测年龄，有助于脑部影像数据化以及侦测不同脑区的老化情形。在本实施例中，待测者与后面所述的健康受试者的实足年龄可为但不限于大于或等于五十岁，但本实施例并非用以限定本发明，可依据实际需求进行调整。需注意的是，待测者与后面所述的健康受试者的实足年龄不可差距太大，以免影响不同脑区的预测年龄的精准度；或者在预测待测者不同脑区的预测年龄之前，先以与待测者处于相同年龄区间的健康测试者(即待测者与健康测试者的实足年龄相差于3～5岁以内)进行上述步骤110至步骤170取得其对应的评估报告，使得临床医师或相关健康产业可依据待测者与处于相同实足年龄区间的健康测试者的评估报告进行比对分析与数据校正，提升区域性脑年龄预测的方法的精准度。

步骤120所述的组织分割程序可为但不限于利用统计参数图谱(StatisticalParametric Mapping，SPM)的大脑核磁共振数据处理技术对第一T1加权影像进行组织分割，以取得待测者的灰质影像(即第一灰质影像)，但本实施例并非用以限定本发明，可依据实际需求进行调整。举例而言，也可通过其他开源软件，如FSL(FMRIB Software Library)等，以取得待测者的灰质影像信息(即第一灰质影像)。

请参阅图1与图2，图2为图1的步骤130所述的迭合程序的一实施例方法流程图。在本实施例中，步骤130所述的迭合程序包含以下步骤：取得多个健康受试者的脑部的第二T1加权影像(步骤210)；对每一第二T1加权影像分别进行组织分割程序，以取得对应的第二灰质影像(步骤220)；将该些第二灰质影像分别配准至标准空间的MNI(MontrealNeurological Institute)模板 (步骤230)；以及将配准至MNI模板的该些第二灰质影像进行迭合，并以影像亮度取平均值的方式建立正常受试者影像模板(步骤240)。其中，MNI模板为一种国际标准空间模板。

由于本实施例是用以对老年人进行个人化不同脑区的脑年龄预测，因此，步骤210所述的健康受试者为健康老年人。

步骤240所述的以影像亮度取平均值的方式建立正常受试者影像模板，通过配准(register)至MNI模板的每一第二灰质影像的每一体素具有其亮度值，当配准至MNI模板的该些第二灰质影像进行迭合后，可通过不同第二灰质影像的第i个体素(i为大于或等于1的正整数)的亮度值相加后取平均值，而取得正常受试者影像模板的第i个体素的亮度值，进而建立正常受试者影像模板。

由于上述多个健康受试者皆可为中国台湾健康老年人，故可通过步骤210至步骤240取得适用于中国台湾老年人的标准空间模板(即正常受试者影像模板)。因此，可通过不同年龄层的健康受试者的脑部的第二T1加权影像建立适用于该年龄层的标准空间模板。

在步骤140中，可在第一灰质影像配准至正常受试者影像模板后，依据需求撷取待测者的待测脑区的第一灰质结构特征，其中，待测脑区可为但不限于右海马体(RightHippocampus)、左海马体(Left Hippocampus)、右杏仁体(Right Amygdala)、左杏仁体(Left Amygdala)、右颞叶后部颞上回(Right Superior temporal gyrus,posteriorpart)、左颞叶后部颞上回(Left Superior temporal gyrus, posterior part)、左岛叶(Left Insula)与右岛叶(RightInsula)。待测脑区的第一灰质结构特征可为但不限于灰质体积(gray matter volume)、灰质密度(gray matter density)、皮质厚度(corticalthickness)、皮质皱折(cortical gyrification)、皮质表面曲率(cortical surfacecurvature)等结构的特征。在本实施例中，第一灰质结构特征可为第一灰质体积特征，其可呈现出该待测脑区的灰质的每一体素的特征，可利用但不限于矩阵方式呈现，可依据实际需求进行调整。

请参阅图1与图3，图3为图1的步骤150所述的数据库的建立方法的一实施例方法流程图。数据库的建立方法包括以下步骤：将每一第二灰质影像配准至正常受试者影像模板(步骤310)；撷取配准至正常受试者影像模板的每一第二灰质影像中每一脑区的第二灰质结构特征(步骤320)；依据同一脑区的该些第二灰质结构特征结合机器学习演算法或深度学习演算法以及交叉验证法取得该脑区对应的最佳化模型参数值(步骤330)；以及取得每一脑区对应的最佳化模型参数值，进而建立数据库(步骤340)。

其中，机器学习演算法可为线性回归演算法(Linear Regression)、最小绝对值收敛和选择演算法(Least Absolute Shrinkage and Selection Operator，LASSO)、弹性网路回归演算法(Elastic Net Regression)、脊回归演算法(Ridge Regression)、高斯过程回归演算法(Gaussian Process Regression)、支持向量回归演算法(Support VectorRegression，SVR)、贝叶斯线性回归演算法(Bayesian Linear Regression)、随机森林演算法(Random forest)、决策树回归演算法 (Decision trees Regression)或极限梯度提升演算法(eXtreme Gradient Boosting， XGBoost)；深度学习演算法系可为卷积神经网络演算法(Convolutional Neural Networks，CNN)；交叉验证法系可为K折交叉验证法、留一(Leave-one-out) 交叉验证法或随机分割(Shuffle-split)交叉验证法，但本实施例并非用以限定本发明，机器学习演算法、深度学习演算法与交叉验证法可依据实际需求进行调整。

在本实施例中，执行步骤330时，可先选定任一机器学习演算法或深度学习演算法，并设定选定的演算法的重要参数(重要参数的数值可基于格点搜寻计算法(Gridsearch)的方式进行设定)。接着，当交叉验证法为K折交叉验证法时，可将同一脑区的该些第二灰质结构特征随机分成N等分，N为大于1 的正整数，其中一等分为验证数据集，其余等分为训练数据集，通过选定的演算法与设定的参数进行训练，建立该脑区的脑年龄预测模型，并取得该脑年龄预测模型在该些设定的参数下的预测能力(预测能力可用数值表示，如平均绝对误差(Mean Absolute Error，MAE)等，数值越小代表预测能力越好)。由于同一脑区的该些第二灰质结构特征分成N等分而每一等分皆有一次成为验证数据集的机会，故会进行N次训练，以取得该脑区的N个脑年龄预测模型以及每一脑年龄预测模型在该些设定的参数下的预测能力。最后，基于每一脑年龄预测模型在该些设定的参数下的预测能力(即每一脑年龄预测模型在不同的参数下的预测能力)选择在该选定的演算法下该脑区的最佳化模型参数值(即选择预测能力最好的参数值)。

其中，第二灰质体积特征灰质结构特征可为但不限于灰质体积、灰质密度、皮质厚度、皮质皱折、皮质表面曲率等结构的特征。在本实施例中，第二灰质结构特征可为第二灰质体积特征，其可用以呈现出该脑区的灰质的每一体素的特征，可利用但不限于矩阵方式呈现，可依据实际需求进行调整。

举例而言，当取得1200位健康受试者的第二灰质影像后，选定支持向量回归演算法并设定其重要参数C与γ(C为正规化参数，γ为高斯核心宽度)，其中，C可为但不限于0.01、0.1、1、10、100，γ可为但不限于0.01、0.1、1、 10、100，接着将1200位健康受试者的同一脑区的该些第二灰质结构特征分成十等分，先以第一等分为验证数据集，其余等分为训练数据集，通过支持向量回归演算法与设定的参数进行训练，取得该脑区的第一个脑年龄预测模型，并取得该脑年龄预测模型在该些设定的参数下的预测能力；接着以第二等分为验证数据集，其余等分为训练数据集，通过支持向量回归演算法与设定的参数进行训练，取得该脑区的第二个脑年龄预测模型，并取得该脑年龄预测模型在该些设定的参数下的预测能力；以此类推，直至取得该脑区的十个脑年龄预测模型在该些设定的参数下的预测能力，最后，选择预测能力最好(即平均绝对误差最小)的参数值为该脑区在支持向量回归演算法下的最佳化模型参数值，其可为但不限于C为1且γ为0.01(即C为1且γ为0.01时预测能力最好)。但本举例并非用以限定本发明，可依据实际情况进行调整。

需注意的是，当针对某一脑区通过上述步骤取得其对应的最佳化模型参数值后，其后预针对任一脑区取得其对应的最佳化模型参数值时，其对应的该些第二灰质结构特征不能随机分成与上述相同等分的数据集，需配合已取得最佳化模型参数值的脑区的分群结果，将其对应的该些第二灰质结构特征进行分群。

因此，可将每一第二灰质影像配准至正常受试者影像模板后，撷取每一脑区的第二灰质结构特征，再依据同一脑区的该些第二灰质结构特征结合机器学习演算法或深度学习演算法以及交叉验证法取得该脑区对应的最佳化模型参数值，当每一脑区皆取得其对应的最佳化模型参数值后，进而建立数据库。

当执行步骤150时，即可依据该待测脑区的名称在数据库中取得其对应的最佳化模型参数值与该最佳化模型参数值对应的演算法(不同演算法有不同的重要参数，故从最佳化模型参数值可判断出其对应的演算法)。

在步骤160中，可依据待测者的该待测脑区的第一灰质结构特征，通过最佳化模型参数值与其对应的演算法进行预测，以预测出待测者的该待测脑区的预测年龄。

在步骤170中，可依据该待测脑区的预测年龄与待测者的实足年龄取得该待测脑区对应的年龄差异值(Brain Age Gap，BAG)，即预测年龄减去实足年龄的差值，以量化该待测脑区的老化情形，并输出评估报告，其中，评估报告的内容可包括所有脑区与任一脑区对应的年龄差异值以及通过可视化方式将年龄差异值标注其上的影像(如图4A与图4B所示，图4A为本发明评估报告的一实施例的影像示意图，图4B为本发明评估报告的另一实施例的影像示意图，其中，图4A是以-log P表示显著老化程度，-log P越大代表老化程度越显著，P值是指在统计检定下，待测者群组中，健康受试者与疾病患者之间是否存在显著差异；图4B是直接以年龄差异值表示老化程度，如果该脑区的脑年龄大于实足年龄，则代表该脑区正处于一个加速退化的阶段)，其将有助于协助临床医师于病例上的陈述及后续的诊断使用，未来也可用于相关风险评估的健康产业上。

需注意的是，可在预测待测者不同脑区的预测年龄之前，先以与待测者处于相同实足年龄区间的多位健康测试者(即待测者与健康测试者的实足年龄相差于3～5岁以内)进行上述步骤110至步骤170取得其对应的评估报告，使得临床医师或相关健康产业可依据待测者与处于相同实足年龄区间的健康测试者的评估报告进行比对分析。

接着，请参阅图5，图5为本发明区域性脑年龄预测的非暂时性电脑可读介质的一实施例方块图。区域性脑年龄预测的非暂时性电脑可读介质500包含可由一或多个处理器504用于执行包含上文所阐述的区域性脑年龄预测的方法的操作指令502。该等操作指令可包含本文中所阐述的任何(一或多个)其他步骤。实施诸如本文中所阐述的操作指令502可储存于区域性脑年龄预测的非暂时性电脑可读介质500上。区域性脑年龄预测的非暂时性电脑可读介质 500可为诸如磁盘或光盘或磁带的储存介质，或此项技术中已知的任何其他适合的非暂时性电脑可读介质。

接着，请参阅图6，图6为本发明区域性脑年龄预测的设备的一实施例设备方块图。区域性脑年龄预测的设备600包含处理器602、储存单元604以及程序606，其中，程序606与/或数据库(未绘制)储存于储存单元604中且经组态以由处理器602执行，程序606整体上可包含上文所阐述的脑年龄预测的方法的操作指令。其中，处理器602、储存单元604以及程序606的数量可为但不限于一，可依据实际需求进行调整。

综上所述，可知本发明所公开的方法、非暂时性电脑可读介质及设备如上，可经由影像处理与搭配机器学习演算法或深度学习演算法，以自动化方式针对待测者的大脑健康情形(客观生物量化指标)进行评估，并预测待测者不同脑区的脑年龄，且输出的评估报告可供临床医师或相关健康产业使用。

虽然本发明以前述的实施例公开如上，然其并非用以限定本发明，任何本领域的技术人员，在不脱离本发明的精神和范围内，当可作些许的更动与润饰，因此本发明的专利保护范围须视本申请文件所附的权利要求书所界定的范围为准。