(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111199662.2 (22)申请日 2021.10.14 (71)申请人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 李雪松　郑慧娴　商瑞红　马羽　 (74)专利代理 机构 北京正阳理工知识产权代理 事务所(普通 合伙) 11639 代理人 张利萍 (51)Int.Cl. A61B 5/055(2006.01) A61B 5/00(2006.01) G06T 7/00(2017.01) G06N 20/00(2019.01) G06K 9/62(2022.01)G06V 10/774(2022.01) (54)发明名称 基于脑功能网络的帕金森患者DBS术后效果 预测系统及方法 (57)摘要 本发明涉及一种基于脑功能网络的帕金森 患者DBS术后效果预测系统及方法， 属于计算机 应用技术领域。 本发明通过建立两种新型动态脑 功能网络， 将基于图论的全脑功能网络与机器学 习算法进行融合， 能够更好捕捉帕金森患者的脑 内功能连接信息， 提高DBS术后效果预测的准确 率。 通过分析系统预测恢复效果与真实恢复效果 之间的误差 评估指标， 大幅提升 了预测效果。 权利要求书3页 说明书9页 附图8页 CN 114129147 A 2022.03.04 CN 114129147 A 1.基于脑功能网络的帕金森患 者DBS术后效果预测系统， 其特征在于， 包括数据 预处理 模块、 动态 脑功能网络构建模块、 特 征筛选模块、 预测模型训练模块和预测模块； 其中， 数据预处理模块， 负责对预处理后的患者MRI图像进行脑区ROI划分， 以及生成 ROI节点的BOLD时序信号， 该模块的输入为患者的fMRI图像； 动态脑功能网络构建模块， 负责根据BOLD时序信号构建固定动态脑功能网络和随机动 态脑功能网络； 该模块的输入为数据预处 理模块生成的BOLD时序信号； 特征筛选模块， 负责使用随机森林算法对输入的脑功能网络进行特征筛选； 该模块的 输入为动态 脑功能网络构建模块 生成的脑 功能网络； 预测模型训练模块， 负责进行回归模型训练； 该模块的输入为特征筛选模块得到的脑 功能网络的特 征， 以及相对应患者的术前UD PRS‑III与术后UD PRS‑III评分； 预测模块， 负责利用回归模型进行患者DBS术后效果预测； 该模块的输入为待预测患者 的fMRI图像； 上述模块之间的连接关系为： 数据预处 理模块的输出端与动态 脑功能网络构建模块的输入端相连； 动态脑功能网络构建模块的输出端与特 征筛选模块的输入端相连； 特征筛选模块的输出端与预测模型训练模块、 预测模块的输入端分别相连； 预测模型训练模块的输出端与预测模块的输入端相连； 系统工作过程如下： 首先， 向数据预处理模块输入多个病人的fMRI图像数据； 数据预处理模块在进行数据 预处理后， 得到病人BOLD时间序列， 发送给脑 功能网络构建模块； 然后， 脑功能网络构建模块根据病人BOLD时间序列， 构建固定动态脑功能网络和随机 动态脑功能网络， 并输入至特 征筛选模块； 之后， 特征筛选模块利用随机森林算法， 对病人的固定动态脑功能网络和随机动态脑 功能网络进行 特征筛选， 得出病人的脑网络特 征； 然后， 预测模型训练模块根据病人的脑网络特征与该病人对应的术前UDPRS ‑III和术 后UDPRS‑III评分， 进行回归模型训练， 并将训练好的回归模型输入预测模块， 用于后续预 测使用； 当进行新患者术后效果预测时， 向数据预处理模块输入患者的fMRI图像数据， 然后， 依 次进行数据预处理、 构建脑功能网络、 特征筛选， 在预测模块中利用训练好的回归模型， 对 患者的术后恢复情况进行 预测。 2.基于脑 功能网络的帕金森患者DBS术后效果预测方法， 其特 征在于， 包括以下步骤： 步骤1： 对原始MRI图像数据进行 图像预处理； 对预处理完后的MRI图像进行脑区ROI的 划分， 并生成ROI节点的BOLD信号； 步骤2： 构建动态脑功能网络， 包括构建固定动态脑功能网络和随机动态脑功能网络， 包括以下步骤： 步骤2.1： 构建固定动态 脑功能网络： 步骤2.1.1： 选取长度 为l的滑动窗口， 按照固定长度 为s的步长， 将每个ROI的BOLD时序 信号划分成n个有重 叠的子序列， 每 个子序列即为 一个窗口； 步骤2.1.2： 分别计算每个窗口中每个ROI的最短路径长度； 将每个窗口作 为有K个节点权　利　要　求　书 1/3 页 2 CN 114129147 A 2的加权网络G， 对于两个节点i和j， 在它们的所有通路中， 权重累加最小的路径被称为两节 点间的最 短路径， 记为 对于共有K节点的加权网络G中的某节点i， 其最 短路径长度定义 如下： 步骤2.1.3： 计算所有ROI 中任意两个ROIX和ROIY之间 的最短路径长度序列的皮尔逊相 关系数r， 得 出最终的固定动态 脑功能网络： 其中， xa表示向量X的均值， ya表示向量Y的均值； 步骤2.2： 构建随机动态 脑功能网络， 包括以下步骤： 步骤2.2.1： 选取长度范围在 l_min～l_max的滑动窗口， 按照长度范围在s_min～ s_max 的步长， 将BOLD时序信号划分成n个有重叠的、 不同的窗口间无时序， 窗口内有时序的子序 列， 每个子序列即为 一个窗口； 步骤2.2.2： 分别计算每 个窗口中每 个ROI的节点全局效率： 其中， K表示总 节点数， G表示该网络， 表示节点i的全局效率， 表示节点i和 j之间 的加权最短距离； 步骤2.2.3： 计算所有ROI 中任意两个ROI全局效率序列的皮尔逊相关系数， 得出最终的 随机动态 脑网络； 步骤3： 采用随机森林算法， 对所构建的脑网络进行 特征筛选； 根据随机森林算法计算出每个脑连接特征的重要性， 将重要性映射到该连接的左右脑 区后进行归一； 对每 个脑连接特 征重复上述操作， 得到该网络下每 个脑区的重要性权 重； 步骤4： 训练DBS术后预测模型； 步骤5： 利用预测模型， 进行患者 术后效果预测。 3.如权利要求2所述的基于脑功能网络的帕金森患 者DBS术后效果预测方法， 其特征在 于， 步骤4包括以下步骤： 步骤4.1： 进行内层交叉验证； 在每个机器学习模型的训练过程中， 采用网格搜索的方式对模型进行优化， 即， 不断循 环遍历设置的所有候选参数， 并比对获得的每一种参数组合及其对应的预测 值， 当预测值 与真实值 最接近时， 则此时的模型即为 最优模型； 步骤4.2： 进行外层交叉验证； 将源数据进行分割， 通过k折交叉验证， 保证每次使用k ‑1 份数据进行训练、 1份数据进行验证； 最后， 将k次的验证结果取平均值， 得到最终的预测效 果； 步骤4.3： 分别训练最小二乘法线性回归、 岭回归、 套索回归、 支持向量机回归和极端梯权　利　要　求　书 2/3 页 3 CN 114129147 A 3