TWI853743B - 個體代謝腦網路產生方法 - Google Patents

個體代謝腦網路產生方法 Download PDF

Info

Publication number
TWI853743B
TWI853743B TW112143373A TW112143373A TWI853743B TW I853743 B TWI853743 B TW I853743B TW 112143373 A TW112143373 A TW 112143373A TW 112143373 A TW112143373 A TW 112143373A TW I853743 B TWI853743 B TW I853743B
Authority
TW
Taiwan
Prior art keywords
individual
generating
correlation coefficient
brain
subject
Prior art date
Application number
TW112143373A
Other languages
English (en)
Other versions
TW202514645A (zh
Inventor
黃聖堯
陳科廷
Original Assignee
長庚醫療財團法人林口長庚紀念醫院
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 長庚醫療財團法人林口長庚紀念醫院 filed Critical 長庚醫療財團法人林口長庚紀念醫院
Application granted granted Critical
Publication of TWI853743B publication Critical patent/TWI853743B/zh
Publication of TW202514645A publication Critical patent/TW202514645A/zh

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一種個體代謝腦網路產生方法，由一電腦裝置來實施，包含以下步驟：(A)根據一受測者腦影像，計算出多個受測區域標準攝取值比率；(B)根據該一受測者年齡及一注射示蹤劑，獲得一目標正常對照模板資料；(C)根據該等受測區域標準攝取值比率，及該目標正常對照模板資料的多個目標正常區域標準攝取值比率，獲得多個差異值；(D)將該等差異值分成多個差異值群組；(E)根據該等差異值群組，及該目標正常對照模板資料陣的一目標正常對照相關係數矩陣，獲得多個個體相關係數矩陣；(E)根據該等個體相關係數矩陣，產生一個體代謝腦網路。

Description

個體代謝腦網路產生方法
本發明是有關於一種代謝腦網路產生方法，特別是指一種個體代謝腦網路產生方法。
阿茲海默症（Alzheimer’s disease, 以下簡稱AD）是一種主要的神經退化性疾病，其臨床特徵是由於大腦結構和功能的變化而導致記憶和認知能力下降。故早期發現AD對於潛在的疾病預防與治療至關重要。
為了了解AD早期階段和疾病演變過程中潛在的大腦代謝網路缺陷，基於圖論的代謝腦網路分析(Metabolic brain network analysis based on graph theory)使用神經成像方法提供了有關大腦組織的網路資訊，為研究神經退化的功能或結構連接變化的實用診斷工具。
特別是使用氟代去氧葡萄糖(Fluorodeoxyglucose, 以下簡稱FDG)正子斷層造影(Positron Emission Tomography, (Fluorodeoxyglucose, 以下簡稱PET)成像的基於圖論的代謝腦網路分析，提供了功能性區域間連接資訊，並可為AD 的不同疾病群體提供差異診斷能力。
然而，與包含時間序列資訊的功能性磁振造影(functional Magnetic Resonance Imaging, fMRI)不同，根據靜態FDG PET產生的代謝腦網路通常是根據群體資料構建的，且只能研究組別層級網路屬性，無法研究個別大腦異常和受測者間變異性。
因此，本發明的目的，即在提供一種能研究個別大腦異常和受測者間變異性之個體代謝腦網路產生方法。
於是，本個體代謝腦網路產生方法，適用於根據一相關於一受測者的受測者資訊產生一相關於該受測者的個體代謝腦網路，該受測者資訊包括一受測者腦影像、一受測者年齡，及一相關該受測者腦影像的注射示蹤劑，由一電腦裝置來實施，該電腦裝置儲存 L× A筆分別對應 L個年齡層級及 A個示蹤劑的正常對照模板資料， L＞1， A＞1，每一正常對照模板資料包括B×N個相關於 B張正常腦影像的 N個感興趣區域的正常區域標準攝取值比率，及一相關於在腦影像中任意兩區域的正常對照相關係數矩陣， B＞1， N＞1，該方法包含一步驟(A)、一步驟(B)、一步驟(C)、一步驟(D)、一步驟(E)，及一步驟(F)。
在該步驟(A)中，該電腦裝置根據該受測者資訊的該受測者腦影像，計算出 N個分別相關於該受測者腦影像的 N個感興趣區域的受測區域標準攝取值比率。
在該步驟(B)中，該電腦裝置根據該受測者資訊的該受測者年齡及該注射示蹤劑，從該等正常對照模板資料中，獲得一對應該受測者年齡及該注射示蹤劑的目標正常對照模板資料。
在該步驟(C)中，該電腦裝置根據該等受測區域標準攝取值比率，及該目標正常對照模板資料的 B× N個目標正常區域標準攝取值比率，獲得 N× N個相關於該受測者腦影像與該目標正常對照模板資料的 B張目標正常腦影像之任二區域的差異值。
在該步驟(D)中，該電腦裝置將該等差異值分成 K個差異值群組， K＞1。
在該步驟(E)中，該電腦裝置根據該等差異值群組，及該目標正常對照模板資料的一目標正常對照相關係數矩陣，獲得 K個分別對應該等差異值群組的個體相關係數矩陣。
在該步驟(F)中，該電腦裝置根據該等個體相關係數矩陣，產生該個體代謝腦網路。
本發明的功效在於：藉由該電腦裝置根據該受測者年齡及該注射示蹤劑，獲得該目標正常對照模板資料，以便計算出該等差異值群組，再獲得該等個體相關係數矩陣，最後該等個體相關係數矩陣，產生能研究個別大腦異常和受測者間變異性之該個體代謝腦網路。
在本發明被詳細描述的前，應當注意在以下的說明內容中，類似的元件是以相同的編號來表示。
參閱圖1，說明用來實施本發明個體代謝腦網路產生方法的一實施例之一電腦裝置1。該電腦裝置1包括一儲存單元11及一電連接該儲存單元11的處理單元12。
該儲存單元11儲存有 L× A筆分別對應 L個年齡層級、 A個示蹤劑的正常對照模板資料，及一相關於一受測者的受測者資訊， L＞1， A＞1。每一正常對照模板資料包括 B× N個相關於 B張正常腦影像的 N個感興趣區域的正常區域標準攝取值比率(standard uptake value ratio, SUVR)，及一相關於在腦影像中任意兩區域的正常對照相關係數矩陣， B＞1， N＞1。該受測者資訊包括一受測者腦影像、一受測者年齡，及一相關該受測者腦影像的注射示蹤劑。
值得注意的是，在本實施例中， L=5， ， l=1的年齡層為0~20歲， l=2的年齡層為21~40歲， l=3的年齡層為41~60歲， L=4的年齡層為61~80歲， l=5的年齡層為大於80歲。 A=3， ， a=1的示蹤劑為FDG， a=2的示蹤劑為類澱粉蛋白(Amyloid)， a=3的示蹤劑為Tau蛋白(tubulin-associated unit protein)。
參閱圖1、2，本發明個體代謝腦網路產生方法的該實施例，適用於根據該受測者資訊產生一相關於該受測者的個體代謝腦網路，以下將說明該實施例所包含之步驟。
在步驟21中，該處理單元12根據該受測者資訊的該受測者腦影像，計算出 N個分別相關於該受測者腦影像的 N個感興趣區域的受測區域標準攝取值比率。
搭配參閱圖3，步驟21包括步驟211、212。
在步驟211中，該處理單元12將該受測者腦影像進行空間正規化(spatially normalized)，以獲得一腦空間正規化影像。
值得注意的是，在本實施例中，該處理單元12是使用PMOD影像分析軟體進行處理，並在空間上正規化為自動解剖標記(Automated Anatomical Labeling, AAL)空間。
在步驟212中，該處理單元12利用該腦空間正規化影像的小腦進行強度正規化(intensity normalization)，以獲得該等受測區域標準攝取值比率。
值得注意的是，在本實施例中，強度正規化即是以整個小腦或腦橋為參考區域，計算該受測者腦影像每一感興趣區域與參考區域之間的受測區域標準攝取值比率。
在步驟22中，該處理單元12根據該受測者資訊的該受測者年齡及該注射示蹤劑，從該等正常對照模板資料中，獲得一對應該受測者年齡及該注射示蹤劑的目標正常對照模板資料。
舉例來說，若該受測者年齡為25歲，該注射示蹤劑為FDG示蹤劑，則該目標正常對照模板資料對應 l=2年齡層及 a=1的示蹤劑。
在步驟23中，該處理單元12根據該等受測區域標準攝取值比率，及該目標正常對照模板資料的 B× N個目標正常區域標準攝取值比率，獲得 N× N個相關於該受測者腦影像與該目標正常對照模板資料的 B張目標正常腦影像之任二區域的差異值。
值得注意的是，在本實施例中，該等差異值即為多尺度對效應大小(Multi-scale pair effect size)，因要計算在相依配對群組(dependent paired group)的效應大小，需使用合併標準差 ，第 i, j個感興趣區域的差異值 如以下公式所示： ， ， ， ， ， 其中， , 分別為相關於該受測者腦影像的第 i, j個感興趣區域的受測區域標準攝取值比率， , 分別為相關於該等目標正常腦影像的第 i, j個感興趣區域的目標正常區域標準攝取值比率之平均， , 為分別對應 , 的標準差， l為該目標正常對照模板資料對應的年齡層。
在步驟24中，該處理單元12將該等差異值分成 K個差異值群組， K＞1。第 k個群組之第 i, j個感興趣區域的差異值 如以下公式所示： 。
值得注意的是，在本實施例中， K=6，且該處理單元12是根據進行分群。其中，當 且 時，分至 k=1群組，當 且 時，分至 k=2群組，當 且 時，分至 k=3群組，當 且 時，分至 k=4群組，當 且 時，分至 k=5群組，當 且 時，分至 k=6群組。該等差異值群組如下表1所示。
k尺度 M l , i , M l , j ＞0 M l , i , M l , j ＜0 M l , i ＞0, M l , j ＜0 M l , i ＜0, M l , j ＞0
M l , i ＞ M l , j k=1 k=2 k=3 x
M l , i ＜ M l , j k=4 k=5 x k=6
表1
在步驟25中，該處理單元12根據該等差異值群組，及該目標正常對照模板資料的一目標正常對照相關係數矩陣，獲得 K個分別對應該等差異值群組的個體相關係數矩陣。
搭配參閱圖4，步驟25包括步驟251、252。
在步驟251中，該處理單元12根據該等差異值群組，獲得 K個分別對應該等差異值群組的權重矩陣。第 k個權重矩陣 如以下公式所示： ， ， ， 。
在步驟252中，該處理單元12根據該等權重矩陣，及該目標正常對照相關係數矩陣，產生該等個體相關係數矩陣。第k個個體相關係數矩陣 如以下公式所示： ， ， 其中， 為該目標正常對照相關係數矩陣， 為阿達瑪乘積(Hadamard product)。
在步驟26中，該處理單元12根據該等個體相關係數矩陣，產生該個體代謝腦網路。
搭配參閱圖5，步驟26包括步驟261、262。
在步驟261中，該處理單元12利用一正交最小生成樹(Orthogonal Minimal Spanning Trees, OMSTs)演算法，從該等個體相關係數矩陣中，獲得一最佳個體相關係數矩陣。
在步驟262中，該處理單元12根據該最佳個體相關係數矩陣，產生該個體代謝腦網路。
綜上所述，本發明個體代謝腦網路產生方法，藉由該處理單元根據該受測者年齡及該注射示蹤劑，獲得該目標正常對照模板資料，以便計算出不同尺度的該等差異值群組，並計算出權重矩陣後，獲得該等個體相關係數矩陣，最後從該等個體相關係數矩陣中，獲得該最佳個體相關係數矩陣，以產生能研究個別大腦異常和受測者間變異性之該個體代謝腦網路，故確實能達成本發明的目的。
惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。
1:電腦裝置 11:儲存單元 12:處理單元 21~26:步驟 211、212:步驟 251、252:步驟 261、262:步驟
本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中： 圖1是一方塊圖，說明用來實施本發明個體代謝腦網路產生方法的一實施例之一電腦裝置； 圖2是一流程圖，說明本發明個體代謝腦網路產生方法的該實施例； 圖3是一流程圖，輔助說明圖2的步驟21所包括的步驟； 圖4是一流程圖，輔助說明圖2的步驟25所包括的步驟；及 圖5是一流程圖，輔助說明圖2的步驟26所包括的步驟。
21~26:步驟

Claims (8)

  1. 一種個體代謝腦網路產生方法，適用於根據一相關於一受測者的受測者資訊產生一相關於該受測者的個體代謝腦網路，該受測者資訊包括一受測者腦影像、一受測者年齡，及一相關該受測者腦影像的注射示蹤劑，由一電腦裝置來實施，該電腦裝置儲存 L× A筆分別對應 L個年齡層級及 A個示蹤劑的正常對照模板資料， L＞1， A＞1，每一正常對照模板資料包括B×N個相關於 B張正常腦影像的 N個感興趣區域的正常區域標準攝取值比率，及一相關於在腦影像中任意兩區域的正常對照相關係數矩陣， B＞1， N＞1，該方法包含以下步驟： (A)根據該受測者資訊的該受測者腦影像，計算出 N個分別相關於該受測者腦影像的 N個感興趣區域的受測區域標準攝取值比率； (B)根據該受測者資訊的該受測者年齡及該注射示蹤劑，從該等正常對照模板資料中，獲得一對應該受測者年齡及該注射示蹤劑的目標正常對照模板資料； (C)根據該等受測區域標準攝取值比率，及該目標正常對照模板資料的 B× N個目標正常區域標準攝取值比率，獲得 N× N個相關於該受測者腦影像與該目標正常對照模板資料的 B張目標正常腦影像之任二區域的差異值； (D)將該等差異值分成 K個差異值群組， K＞1； (E)根據該等差異值群組，及該目標正常對照模板資料的一目標正常對照相關係數矩陣，獲得 K個分別對應該等差異值群組的個體相關係數矩陣；及 (F)根據該等個體相關係數矩陣，產生該個體代謝腦網路。
  2. 如請求項1所述的個體代謝腦網路產生方法，其中，步驟(A)包括以下步驟： (A-1)將該受測者腦影像進行空間正規化，以獲得一腦空間正規化影像；及 (A-2)利用該腦空間正規化影像的小腦進行強度正規化，以獲得該等受測區域標準攝取值比率。
  3. 如請求項1所述的個體代謝腦網路產生方法，其中，在步驟(C)中，第 i, j個感興趣區域的差異值 如以下公式所示： ， ， ， ， ， 其中， , 分別為相關於該受測者腦影像的第 i, j個感興趣區域的受測區域標準攝取值比率， , 分別為相關於該等目標正常腦影像的第 i, j個感興趣區域的目標正常區域標準攝取值比率之平均， , 為分別對應 , 的標準差。
  4. 如請求項3所述的個體代謝腦網路產生方法，其中，在步驟(D)中， K=6，在步驟(E)中，第 k個群組之第 i, j個感興趣區域的差異值 如以下公式所示： ， 其中， 當 且 時，分至 k=1群組，當 且 時，分至 k=2群組，當 且 時，分至 k=3群組，當 且 時，分至 k=4群組，當 且 時，分至 k=5群組，當 且 時，分至 k=6群組。
  5. 如請求項1所述的個體代謝腦網路產生方法，其中，步驟(E)包括以下步驟： (E-1)根據該等差異值群組，獲得 K個分別對應該等差異值群組的權重矩陣；及 (E-2)根據該等權重矩陣，及該目標正常對照相關係數矩陣，產生該等個體相關係數矩陣。
  6. 如請求項5所述的個體代謝腦網路產生方法，其中，在步驟(E-1)中，第 k個權重矩陣 如以下公式所示： ， ， ， ， 其中， 為第 k個群組之第 i, j個感興趣區域的差異值。
  7. 如請求項5所述的個體代謝腦網路產生方法，其中，在步驟(E-2)中，第k個個體相關係數矩陣 如以下公式所示： ， ， ， 其中， 為第 k個權重矩陣， 為該目標正常對照相關係數矩陣， 為阿達瑪乘積。
  8. 如請求項1所述的個體代謝腦網路產生方法，步驟(F)包括以下步驟： (F-1)利用一正交最小生成樹演算法，從該等個體相關係數矩陣中，獲得一最佳個體相關係數矩陣；及 (F-2)根據該最佳個體相關係數矩陣，產生該個體代謝腦網路。
TW112143373A 2023-09-19 2023-11-10 個體代謝腦網路產生方法 TWI853743B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202363539192P 2023-09-19 2023-09-19
US63/539,192 2023-09-19

Publications (2)

Publication Number Publication Date
TWI853743B true TWI853743B (zh) 2024-08-21
TW202514645A TW202514645A (zh) 2025-04-01

Family

ID=93284448

Family Applications (1)

Application Number Title Priority Date Filing Date
TW112143373A TWI853743B (zh) 2023-09-19 2023-11-10 個體代謝腦網路產生方法

Country Status (1)

Country Link
TW (1) TWI853743B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8027730B2 (en) * 2005-01-21 2011-09-27 Michael Sasha John Systems and methods for treating disorders of the central nervous system by modulation of brain networks
TW201333188A (zh) * 2011-09-25 2013-08-16 賽瑞諾斯有限公司 用於多重分析的系統和方法
TW201941218A (zh) * 2018-01-08 2019-10-16 美商普吉尼製藥公司 用於基於神經網路之快速影像分段及放射性藥品之攝取的測定之系統及方法
TW202036583A (zh) * 2018-11-28 2020-10-01 新加坡商亞洲基因組學私人有限公司 世系特異性之遺傳風險評分

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8027730B2 (en) * 2005-01-21 2011-09-27 Michael Sasha John Systems and methods for treating disorders of the central nervous system by modulation of brain networks
TW201333188A (zh) * 2011-09-25 2013-08-16 賽瑞諾斯有限公司 用於多重分析的系統和方法
TW201941218A (zh) * 2018-01-08 2019-10-16 美商普吉尼製藥公司 用於基於神經網路之快速影像分段及放射性藥品之攝取的測定之系統及方法
TW202036583A (zh) * 2018-11-28 2020-10-01 新加坡商亞洲基因組學私人有限公司 世系特異性之遺傳風險評分

Also Published As

Publication number Publication date
TW202514645A (zh) 2025-04-01

Similar Documents

Publication Publication Date Title
US9687199B2 (en) Medical imaging system providing disease prognosis
GB2536274B (en) Method and apparatus for assessing image registration
JP2022547047A5 (zh)
JP6036009B2 (ja) 医用画像処理装置、およびプログラム
CN108986115B (zh) 医学图像分割方法、装置及智能终端
Reijmer et al. Small vessel disease and cognitive impairment: The relevance of central network connections
Mehta et al. Propagating uncertainty across cascaded medical imaging tasks for improved deep learning inference
CN109964234A (zh) 评估诸如半导体基板的产品的质量
Ferreira et al. Automating in vivo cardiac diffusion tensor postprocessing with deep learning–based segmentation
TW201941220A (zh) 診斷支援裝置、程式製品、記錄有學習完成模型的記錄媒體及學習裝置
Dayan et al. Tractography of the optic radiation: a repeatability and reproducibility study
CN109993808B (zh) 一种基于dsn的动态双示踪pet重建方法
RU2016116785A (ru) Система и способ для определения патологии перфузии миокарда
JP7492769B2 (ja) 認知症診断に必要な情報の提供方法及び装置
Abualhaj et al. Comparison of five cluster validity indices performance in brain [18F] FET‐PET image segmentation using k‐means
CN109077745B (zh) 用于运动信号校正的系统和方法
CN115038981A (zh) 用于分析扩散磁共振成像数据的装置
EP3044756A1 (en) Method and apparatus for generating image alignment data
Yoder Basic PET data analysis techniques
CN110717951A (zh) 一种基于cGANs的PET图像直接重建方法
TWI853743B (zh) 個體代謝腦網路產生方法
JP6788113B2 (ja) 医用画像処理装置、方法およびプログラム
JPWO2020110520A1 (ja) 類似度決定装置、方法およびプログラム
CN113749618B (zh) 运动损伤评估方法、系统、介质及终端
Bleton et al. Myocardial infarct localization using neighbourhood approximation forests