TWI893485B - 預後預測系統及其運作方法 - Google Patents

Abstract

本發明提出一種預後預測系統的運作方法，其包含以下步驟。使用經前處理後的靜息態功能性磁振造影影像與前處理後的T1權重影像以建立動態因果模型來計算多個運動腦區之間的多種有效性連結；依據多種有效性連結與復健量表之間的關係，建立多變數回歸模型。

Description

預後預測系統及其運作方法

本發明是有關於一種系統及其運作方法，且特別是有關於一種預後預測系統及其運作方法。

腦中風為重大疾病之一，主要有缺血性腦中風、出血性腦中風、暫時性腦缺血…等，其中缺血性腦中風佔腦中風患者約八成。中風後可能因為損壞不同區域的大腦而有不同臨床表現，除了常見的半邊身體癱瘓、半邊身體麻木、嘴巴歪斜，未即時獲得治療可能造成嚴重後果。

除了在中風初期的醫療處置之外，中風後產生的後遺症需仰賴復健治療來恢復，因此在中風後的預測與判斷非常重要。

本發明提出一種預後預測系統及其運作方法，改善先前技術的問題。

在本發明的一實施例中，本發明所提出的預後預測系統包含儲存裝置以及處理器。儲存裝置儲存至少一指令，處理器電性連接儲存裝置。處理器用以存取並執行至少一指令以：使用靜息態功能性磁振造影影像與T1權重影像以建立動態因果模型來計算多個運動腦區之間的多種有效性連結；依據多種有效性連結與復健量表之間的關係，建立多變數回歸模型。

在本發明的一實施例中，處理器用以存取並執行至少一指令以：在建立動態因果模型之前，對靜息態功能性磁振造影影像進行前處理。

在本發明的一實施例中，處理器用以對靜息態功能性磁振造影影像進行前處理以：對靜息態功能性磁振造影影像進行切片定時校正，以得出一組切片影像，並重新對齊該組切片影像；將該組切片影像進行空間標準化，以得出正規化影像；將正規化影像進行空間平滑化，以得出平滑化影像；將平滑化影像進行帶通濾波，以得出濾波影像以做為經前處理後的靜息態功能性磁振造影影像。

在本發明的一實施例中，處理器用以存取並執行至少一指令以：將經前處理後的靜息態功能性磁振造影影像透過統計參數映射，以生成廣義線性模型；對T1權重影像進行前處理，從而使T1權重影像進行空間標準化，以得出前處理後的T1權重影像；套用從前處理後的T1權重影像所分割出來的腦脊髓液遮罩與白質空間遮罩，為廣義線性模型去除腦脊髓液、白質的影響，留下大腦灰質的訊號；套用多個運動腦區的空間遮罩，分別擷取多個運動腦區的多個灰質訊號，多個運動腦區包含左腦的初級運動皮層、左腦的前運動區、左腦的運動輔助區、左腦的前運動輔助區、右腦的初級運動皮層、右腦的前運動區、右腦的運動輔助區與右腦的前運動輔助區；依據多個運動腦區的多個灰質訊號，以建立動態因果模型。

在本發明的一實施例中，處理器用以存取並執行至少一指令以：彙整多個個案的多筆有效性連結資料，多筆有效性連結資料中每一者均包含多種有效性連結，多個個案分別具有多個復健量表；計算多個個案中每一者的多種有效性連結中每一種有效性連結的數值與多個復健量表中每一對應者的分數之間的相關參數；從多筆有效性連結資料中取出與多個復健量表具有顯著相關的至少一種有效性連結做為多變數回歸模型的輸入以進行訓練，其中與多個復健量表具有顯著相關的至少一種有效性連結所對應的相關參數符合預設相關標準。

在本發明的一實施例中，多個復健量表中每一者具有每一個案的年齡、性別與梗塞體積，處理器用以存取並執行至少一指令以：將每一個案的年齡、性別與梗塞體積加入多變數回歸模型以進行訓練。

在本發明的一實施例中，本發明所提出的預後預測系統的運作方法包含以下步驟：（A）使用經前處理後的靜息態功能性磁振造影影像與前處理後的T1權重影像以建立動態因果模型來計算多個運動腦區之間的多種有效性連結；（B）依據多種有效性連結與復健量表之間的關係，建立多變數回歸模型。

在本發明的一實施例中，步驟（A）包含：將經前處理後的靜息態功能性磁振造影影像透過統計參數映射，以生成廣義線性模型；套用從前處理後的T1權重影像所分割出來的腦脊髓液遮罩與白質空間遮罩，為廣義線性模型去除腦脊髓液、白質的影響，留下大腦灰質的訊號；套用多個運動腦區的空間遮罩，分別擷取多個運動腦區的多個灰質訊號，多個運動腦區包含左腦的初級運動皮層、左腦的前運動區、左腦的運動輔助區、左腦的前運動輔助區、右腦的初級運動皮層、右腦的前運動區、右腦的運動輔助區與右腦的前運動輔助區；依據多個運動腦區的多個灰質訊號，以建立動態因果模型。

在本發明的一實施例中，步驟（B）包含：彙整多個個案的多筆有效性連結資料，多筆有效性連結資料中每一者均包含多種有效性連結，多個個案分別具有多個復健量表；計算多個個案中每一者的多種有效性連結中每一種有效性連結的數值與多個復健量表中每一對應者的分數之間的相關參數；從多筆有效性連結資料中取出與多個復健量表具有顯著相關的至少一種有效性連結做為多變數回歸模型的輸入以進行訓練，其中與多個復健量表具有顯著相關的至少一種有效性連結所對應的相關參數符合一預設相關標準。

在本發明的一實施例中，步驟（B）更包含：將每一個案的年齡、性別與梗塞體積加入多變數回歸模型以進行訓練。

綜上所述，本發明之技術方案與現有技術相比具有明顯的優點和有益效果。藉由本發明的預後預測系統及其運作方法，透過測量特定神經系統（如：運動腦區）的訊號來計算其與特定功能的相關性，並以此為基礎建立一個能透過神經影像獲得的神經訊號來預測患者（如：中風患者）復健預後狀況的多變數回歸模型。

以下將以實施方式對上述之說明作詳細的描述，並對本發明之技術方案提供更進一步的解釋。

為了使本發明之敘述更加詳盡與完備，可參照所附之圖式及以下所述各種實施例，圖式中相同之號碼代表相同或相似之元件。另一方面，眾所週知的元件與步驟並未描述於實施例中，以避免對本發明造成不必要的限制。

請參照第1圖，本發明之技術態樣是一種預後預測系統100，其可應用在預測中風患者復健預後狀況，或是廣泛地運用在相關之技術環節。本技術態樣之預後預測系統100可達到相當的技術進步，並具有産業上的廣泛利用價值。以下將搭配第1圖來說明預後預測系統100之具體實施方式。

應瞭解到，預後預測系統100的多種實施方式搭配第1圖進行描述。於以下描述中，為了便於解釋，進一步設定許多特定細節以提供一或多個實施方式的全面性闡述。然而，本技術可在沒有這些特定細節的情況下實施。於其他舉例中，為了有效描述這些實施方式，已知結構與裝置以方塊圖形式顯示。此處使用的「舉例而言」的用語，以表示「作為例子、實例或例證」的意思。此處描述的作為「舉例而言」的任何實施例，無須解讀為較佳或優於其他實施例。

實作上，在本發明的一實施例中，預後預測系統100可為伺服器、電腦主機或其他計算機設備。以伺服器言，已發展或開發中的許多技術可管理計算機伺服器的運作，大致上可以提供可存取性、一致性與效率。遠端管理允許用於伺服器的輸入輸出介面（例如：顯示螢幕、滑鼠、鍵盤…等）的移除，以及網路管理者實體訪問每一個伺服器的需求。 舉例而言，包含許多計算機伺服器的龐大資料中心一般使用多種遠端管理工具來管理，以配置、監控與除錯伺服器硬體與軟體。

應瞭解到，本文中所使用之『約』、『大約』或『大致』係用以修飾任何可些微變化的數量，但這種些微變化並不會改變其本質。於實施方式中若無特別說明，則代表以『約』、『大約』或『大致』所修飾之數值的誤差範圍一般是容許在百分之二十以內，較佳地是於百分之十以內，而更佳地則是於百分之五以內。

實作上，在本發明的一實施例中，預後預測系統100可選擇性地與磁振造影裝置190建立連線。應瞭解到，於實施方式與申請專利範圍中，涉及『連線』之描述，其可泛指一元件透過其他元件而間接與另一元件進行有線與/或無線通訊，或是一元件無須透過其他元件而實體連接至另一元件。舉例而言，預後預測系統100可透過其他元件而間接與磁振造影裝置190進行有線與/或無線通訊，或是預後預測系統100無須透過其他元件而實體連接至磁振造影裝置190，熟習此項技藝者應視當時需要彈性選擇之。

第1圖是依照本發明一實施例之一種預後預測系統100的方塊圖。如第1圖所示，預後預測系統100包含儲存裝置110、處理器120以及顯示器130。舉例而言，儲存裝置110可為硬碟、快閃儲存裝置或其他儲存媒介，處理器120可為中央處理器，顯示器130可為內建顯示器或外接螢幕。

在架構上，預後預測系統100電性連接磁振造影裝置190，儲存裝置110電性連接處理器120，處理器120電性連接顯示器130。應瞭解到，於實施方式與申請專利範圍中，涉及『電性連接』之描述，其可泛指一元件透過其他元件而間接電氣耦合至另一元件，或是一元件無須透過其他元件而直接電連結至另一元件。舉例而言，儲存裝置110可為內建儲存裝置直接電連結至處理器120，或是儲存裝置110可為外部儲存設備透過網路裝置間接連線至處理器120。

於使用時，磁振造影（MRI）裝置190可以取得腦部的靜息態功能性磁振造影（rs-fMRI）影像與T1權重影像。實作上，舉例而言，磁振造影裝置190可取得患者在中風後七天、一個月、三個月的靜息態功能性磁振造影影像與T1權重影像。雖然第1圖之磁振造影裝置190僅繪示出一個，但此並不限制本發明，實務上，磁振造影裝置190可泛指一個或多個磁振造影裝置，熟習此項技藝者應視當時需要彈性選擇之。

在本發明的一些實施例中，儲存裝置110儲存上述影像及至少一指令，處理器120用以存取並執行至少一指令以：使用靜息態功能性磁振造影影像與T1權重影像以建立動態因果模型來計算多個運動腦區之間的多種有效性連結；依據多種有效性連結與復健量表之間的關係，建立多變數回歸模型。顯示器130可呈現多變數回歸模型用來預測患者復健預後狀況的預測結果。藉此，預後預測系統100透過測量特定神經系統（如：運動腦區）的訊號來計算其與特定功能的相關性，並以此為基礎建立一個能透過神經影像獲得的神經訊號來預測患者（如：中風患者）復健預後狀況的多變數回歸模型。

於一控制實驗中，基於大腦連結體的預測模型，利用大腦不同腦區間的功能性連結，計算其與大腦行為的相關性，以此為特徵重複訓練建立預測模型預測中風個案復健情形。然而，控制實驗是探討沒有方向性的功能性連結，功能性連結描述大腦區之間的統計相依性，並沒有考慮到因果關係。本發明的有效性連結描述腦區間的因果關係，藉由觀察不同時間與空間的神經活動情況來推論腦區之間的因果互動關係，因此有效性連結具有方向性與促進抑制作用等更能清楚描述腦區間關係的性質。

為了能夠數據化個案在中風預後的恢復情形，預後預測系統100採用與運動功能相關的復健量表來評估個案的各項運動指標。在本發明的一些實施例中，復健量表可為中風復健量，例如：雷氏修正量表（Modified Rankin Scale, MRS）、巴氏量表（Barthel Index, BI）、伯格氏平衡量表（Berg Balance Scale, BBS）與傅格－梅爾評估（Fugl-Meyer Assessment, FMA），分別評估個案的失能程度、生活自理能力、平衡能力以及功能恢復狀況。

預後預測系統100使用靜息態功能性磁振造影影像建立動態因果模型來計算運動腦區間的有效性連結，依據個案在中風後七天、一個月、三個月的有效性連結與中風復健量表的關係建立多變數回歸模型以預測缺血性腦中風個案在中風後不同時期的運動功能復健狀況。

動態因果模型（Dynamic Causal Modeling, DCM）是一種用來推斷基於時間測量的神經過程的方法，例如功能性磁振造影數據。核心概念是將建模的神經動力學轉換為接近實際情況的血液動力學響應，並計算出一個合乎現實的神經元模型的參數，以便預測血氧濃度比(Blood-oxygen-level-dependent, BOLD)訊號。

DCM將神經狀態向量的時間變化進行建模，並以包含當前狀態z、外部輸入u以及其他神經參數θ的狀態方程式來描述大腦區域的活動狀態，如下式(1)：

在(1)式中狀態z與輸入u是與時間相關的，而參數θ是與時間無關的，因此F可以表示為雙線性方程式，如下式(2)：

其中A、Bj、C可以表示成F的偏微分：

(4)

(5)

這三個參數描述神經元狀態在自然狀況下可能會受到的影響，其中A只與神經元狀態有關，代表當沒有外部輸入（u=0）時，大腦腦區之間的連結程度，即靜息態狀況下的有效性連結。B代表的是j個刺激源對大腦區域之間連結性的影響，也可以說是實驗操縱外部輸入變數對有效性連結的調變作用（modulatory effect）。C則是外部輸入訊號對神經元狀態的直接影響。

為了對上述預後預測系統100的運作方法做更進一步的闡述，請同時參照第1～2圖，第2圖是依照本發明一實施例之一種預後預測系統100的運作方法200的流程圖。如第2圖所示，運作方法200包含步驟S201～S211（應瞭解到，在本實施例中所提及的步驟，除特別敘明其順序者外，均可依實際需要調整其前後順序，甚至可同時或部分同時執行）。

運作方法200可以採用非暫態電腦可讀取記錄媒體上的電腦程式產品的形式，此電腦可讀取記錄媒體具有包含在介質中的電腦可讀取的多個指令。適合的記錄媒體可以包括以下任一者：非揮發性記憶體，例如：唯讀記憶體（ROM）、可程式唯讀記憶體（PROM）、可抹拭可程式唯讀記憶體（EPROM）、電子抹除式可程式唯讀記憶體（EEPROM）；揮發性記憶體，例如：靜態存取記憶體（SRAM）、動態存取記憶體（DRAM）、雙倍資料率隨機存取記憶體（DDR-RAM）；光學儲存裝置，例如：唯讀光碟（CD-ROM）、唯讀數位多功能影音光碟（DVD-ROM）；磁性儲存裝置，例如：硬碟機、軟碟機。

於步驟S201，磁振造影裝置190可以取得腦部的靜息態功能性磁振造影影像，例如：患者在中風後七天、一個月、三個月的靜息態功能性磁振造影影像。在建立動態因果模型之前，於步驟S202，處理器120用以存取並執行至少一指令以：對靜息態功能性磁振造影影像進行前處理。

關於步驟S202的影像前處理，在本發明的一些實施例中，處理器120用以對靜息態功能性磁振造影影像進行前處理以：對靜息態功能性磁振造影影像進行切片定時校正，以得出一組切片影像，並重新對齊該組切片影像；將該組切片影像進行空間標準化，以得出正規化影像；將正規化影像進行空間平滑化，以得出平滑化影像；將平滑化影像進行帶通濾波，以得出濾波影像以做為經前處理後的靜息態功能性磁振造影影像。

具體而言，大腦分為灰質（Gray matter）和白質（White matter）。灰質屬於神經元細胞核的所在地；白質則是神經元突觸、軸突的部分。為了更好計算腦區間的連結性，需要透過前處理校正靜息態功能性磁振造影影像中的生理雜訊。實作上，舉例而言，靜息態功能性磁振造影影像具有多個切面，獲取切面的方式有由上而下的降序、由下而上的升序或由升序或降序的交錯，透過切片定時校正（Slice Timing Correction）依照切面的空間順序重組三維（3D）靜息態功能性磁振造影影像。重新對齊（Realignment）用來校正個案再拍攝磁振造影時的頭動，透過對原影像x, y, z軸的訊號平移、旋轉讓影像與切面順序最中間的時間點對齊來完成校正。每個人的腦部影像形狀有所差異，通常會將所有個案的影像映射到同一大小的參考空間，稱之為空間標準化（spatial normalization）。空間平滑化（Spatial Smoothing）可以降低影像中的雜訊，透過使用高斯核對相鄰體素的強度進行加權平均以減少雜訊，但是過度的平滑化會讓影像的細節遺失，因此需要依照體素大小決定平滑的程度。平滑程度取決於核的半峰全寬（FWHM），通常取原影像體素大小的約1.5倍。靜息態功能性磁振造影影像通常會包含除了神經元訊號以外的雜訊，例如心跳（0.15 Hz）、呼吸（0.3 Hz）等，時域濾波（Temporal filtering）的目的是將這些雜訊濾除以提高訊號雜訊比（Signal to Noise Ratio, SNR）。通常使用0.01- 0.08 Hz的帶通濾波來濾除靜息態功能性磁振造影影像的雜訊。

於步驟S203，磁振造影裝置190可以取得腦部的T1權重影像。於步驟S204，處理器120用以存取並執行至少一指令以：對T1權重影像進行前處理，從而使T1權重影像進行空間標準化，以得出前處理後的T1權重影像，藉此，前處理後的T1權重影像與經前處理後的靜息態功能性磁振造影影像皆映射到同一大小的參考空間。

於步驟S205，處理器120用以存取並執行至少一指令以：將經前處理後的靜息態功能性磁振造影影像透過統計參數映射（Statistic Parametric Mapping），以生成廣義線性模型（General Linear Model, GLM）；套用從前處理後的T1權重影像所分割出來的腦脊髓液遮罩與白質空間遮罩，為廣義線性模型去除腦脊髓液、白質的影響，留下大腦灰質的訊號；套用多個運動腦區的空間遮罩，分別擷取多個運動腦區的多個灰質訊號，多個運動腦區包含左腦的初級運動皮層（primary motor cortex, M1）、左腦的前運動區（premotor cortex, PM）、左腦的運動輔助區（supplementary motor area, SMA）、左腦的前運動輔助區（pre-supplementary motor area, preSMA）、右腦的初級運動皮層、右腦的前運動區、右腦的運動輔助區與右腦的前運動輔助區。

於步驟S206，處理器120用以存取並執行至少一指令以：依據上述多個運動腦區的多個灰質訊號，以建立動態因果模型。

具體而言，步驟S205針對感興趣的運動腦區的訊號進行分析，選擇之運動腦區包含初級運動皮層、前運動區、運動輔助區與前運動輔助區，以左、右半腦對稱共八個腦區作為感興趣區域。

為了計算腦區之間的有效性連結，需要指定動態因果模型。實作上，舉例而言，首先將前處理過的單一個案之靜息態功能性磁振造影影像輸入統計參數映射的應用程式（如：SPM12），生成廣義線性模型。灰質是神經元細胞核的所在地，為了更精準擷取神經元活動的訊號，步驟S205需要將灰質以外的訊號濾除。套用前處理後的T1權重影像分割出來的腦脊髓液、白質空間遮罩，分別擷取腦脊髓液、白質的血液（BOLD）訊號，接著將步驟一所得到的廣義線性模型去除腦脊髓液、白質的影響，留下大腦灰質的訊號。於步驟S205，套用感興趣的運動腦區的空間遮罩，分別擷取8個感興趣的運動腦區的灰質訊號，其中運動腦區的空間遮罩例如可從前處理後的T1權重影像分割出來，但本發明不已此為限。

接下來，於步驟S206，將運動腦區的訊號輸入SPM12的動態因果模型（Dynamic Causal Modeling, DCM）分析，建立動態因果模型，模型的參數設定包含：調節作用（Modulatory effect）：雙線性（bilinear）、每區狀態（State per region）：一（one）、隨機效應（Stochastic effects）：無（no）、中心輸入（Centre input）：無（no）、擬合時間序列（Fit timeseries）或 CSD：CSD、連接（Connection）：全連接模型（full connected model）。

根據上述設定，於步驟S207，在SPM12利用檢閱（review）功能叫出計算完的動態因果模型，其中連結(A)（Coupling(A) ）即為腦區間的有效性連結（即，矩陣A）。在Coupling(A)的拓樸模型中，節點為感興趣的運動腦區，節點之間的數值即為運動腦區之間的有效性連結（effective connectivity），依照箭頭方向與數值大小整理出有效性連結矩陣。

重複上述步驟S201～S207，處理器120處理每位個案的靜息態功能性磁振造影影像，於步驟S208，儲存裝置110儲存每位個案的復健量。於步驟S209，將每位個案的有效性連結與其對應的復健量表作為預測模型的輸入、輸出，建立多變數回歸模型。

在本發明的一些實施例中，於步驟S207～S209，處理器用以存取並執行至少一指令以：彙整多個個案的多筆有效性連結資料（如：效性連結矩陣），多筆有效性連結資料中每一者均包含多種有效性連結，多個個案分別具有多個復健量表；計算多個個案中每一者的多種有效性連結中每一種有效性連結的數值與多個復健量表中每一對應者的分數之間的相關參數；從多筆有效性連結資料中取出與多個復健量表具有顯著相關的至少一種有效性連結做為多變數回歸模型的輸入以進行訓練，其中與多個復健量表具有顯著相關的至少一種有效性連結所對應的相關參數符合預設相關標準。

關於預設相關標準，在本發明的一些實施例中，相關參數可為p值（p-value），p值小於門檻值（如：0.1或0.05），則相關參數符合預設相關標準。或者，相關參數可為相關係數（如：r值），相關係數的絕對值大於門檻值（如：0.4），則相關參數符合預設相關標準。

在本發明的一些實施例中，步驟S208所提供的多個復健量表中每一者具有每一個案的年齡、性別與梗塞體積。於步驟S209，處理器120用以存取並執行至少一指令以：將每一個案的年齡、性別與梗塞體積加入多變數回歸模型以進行訓練。

步驟S209的多變數回歸是簡單回歸的加強版，用於探討多個變數（如：具有顯著相關的一種或多種有效性連結、年齡、性別與梗塞體積）與一個應變數（如：復健量表的分數）的關係，並建立多變數回歸模型，以此來預測感興趣的應變數。

實作上，舉例而言，本發明使用MATLAB軟體的 回歸學習程式（Regression Learner App）進行多變數回歸分析，將多個特徵與復健量表進行線性與非線性模型的回歸分析，再透過留一驗證法（leave-one-out cross-validation）來驗證訓練出來的模型，比較不同模型表現，依照模型的決定係數（coefficient of determinant）取最高者為最佳模型。

在進行機器學習時，參與訓練的特徵可能包含不相關特徵、冗餘特徵。移除這些冗餘特徵並不會使訓練所需資訊丟失，而不相關特徵會對模型造成負面影響，影響模型的表現。因此本發明在訓練模型時，這些參與訓練的特徵裡能夠有最少的不相關特徵以提高模型的效能，同時較少的特徵也能節省運算時間、金錢成本。

本發明所使用預測子為有效性連結矩陣的64個元素（即，8×8=64種有效性連結），其中包含與復健量表不相關的特徵，將全部元素加入參與訓練會花費較多時間而且模型的迴歸係數普遍較低，為了能夠有效提升模型的效果，於步驟S209，計算運動腦區有效性連結與復健量表之間的相關係數，取與復健量表具有顯著相關（如：p＜0.05且|r|＞0.4）的有效性連結作為回歸模型的輸入，另外再加入年齡、性別與梗塞體積做為臨床特徵加入訓練。

於步驟S210～S211，為了探討梗塞區域的不同對於預測效果的影響，處理器120依照個案中風位置分組，主要分兩大組別，梗塞區域在皮質區、放射冠、基底核為一組，梗塞區域在中腦、橋腦、延腦為另一組。除此之外，處理器120也依照梗塞區域在左、右半腦的不同分組分析。

舉例而言，每組個案依照不同時期的訊息進行下列分析：中風開始（onset）時的有效性連結與臨床特徵預測中風一個月後復健量表；中風onset時的有效性連結與臨床特徵預測中風三個月後復健量表；中風一個月後的有效性連結與臨床特徵預測中風三個月後復健量表。實作上，經訓練後的多變數回歸模型可良好地預測復健預後狀況。

綜上所述，本發明之技術方案與現有技術相比具有明顯的優點和有益效果。藉由本發明的預後預測系統100及其運作方法200，透過測量特定神經系統（如：運動腦區）的訊號來計算其與特定功能的相關性，並以此為基礎建立一個能透過神經影像獲得的神經訊號來預測患者（如：中風患者）復健預後狀況的多變數回歸模型。

雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附符號之說明如下 100:預後預測系統 110:儲存裝置 120:處理器 130:顯示器 190:磁振造影裝置 200:運作方法 S201～S211:步驟

為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下： 第1圖是依照本發明一實施例之一種預後預測系統的方塊圖；以及 第2圖是依照本發明一實施例之一種預後預測系統的運作方法的流程圖。

200:運作方法

S201~S211:步驟

Claims (10)

1. 一種預後預測系統，包含： 一儲存裝置，儲存至少一指令；以及 一處理器，電性連接該儲存裝置，其中該處理器用以存取並執行該至少一指令以： 使用一靜息態功能性磁振造影影像與一T1權重影像以建立一動態因果模型來計算多個運動腦區之間的多種有效性連結，其中該動態因果模型的參數設定包含調節作用、每區狀態、隨機效應、中心輸入設定、擬合時間序列及連接設定；以及 依據該多種有效性連結與一復健量表之間的關係，建立一多變數回歸模型； 其中該動態因果模型根據神經狀態向量的時間變化進行建模，據以描述該多個運動腦區的活動狀態，包括描述靜息態狀況的影響、多個刺激對該多個運動腦區之間的影響及外部輸入訊號的影響。
2. 如請求項1所述之預後預測系統，其中該處理器用以存取並執行該至少一指令以： 在建立該動態因果模型之前，對該靜息態功能性磁振造影影像進行一前處理。
3. 如請求項2所述之預後預測系統，其中該處理器用以對該靜息態功能性磁振造影影像進行該前處理以： 對該靜息態功能性磁振造影影像進行切片定時校正，以得出一組切片影像，並重新對齊該組切片影像； 將該組切片影像進行空間標準化，以得出一正規化影像； 將該正規化影像進行空間平滑化，以得出一平滑化影像；以及 將該平滑化影像進行帶通濾波，以得出一濾波影像以做為經該前處理後的該靜息態功能性磁振造影影像。
4. 如請求項3所述之預後預測系統，其中該處理器用以存取並執行該至少一指令以： 將經該前處理後的該靜息態功能性磁振造影影像透過統計參數映射，以生成一廣義線性模型； 對該T1權重影像進行一前處理，從而使該T1權重影像進行該空間標準化，以得出一前處理後的T1權重影像； 套用從該前處理後的T1權重影像所分割出來的腦脊髓液遮罩與白質空間遮罩，為該廣義線性模型去除腦脊髓液、白質的影響，留下大腦灰質的訊號； 套用該多個運動腦區的空間遮罩，分別擷取該多個運動腦區的多個灰質訊號，該多個運動腦區包含左腦的初級運動皮層、左腦的前運動區、左腦的運動輔助區、左腦的前運動輔助區、右腦的初級運動皮層、右腦的前運動區、右腦的運動輔助區與右腦的前運動輔助區；以及 依據該多個運動腦區的該多個灰質訊號，以建立該動態因果模型。
5. 如請求項1所述之預後預測系統，其中該處理器用以存取並執行該至少一指令以： 彙整多個個案的多筆有效性連結資料，該多筆有效性連結資料中每一者均包含該多種有效性連結，該多個個案分別具有多個復健量表； 計算該多個個案中每一者的該多種有效性連結中每一種有效性連結的數值與該多個復健量表中每一對應者的分數之間的一相關參數；以及 從該多筆有效性連結資料中取出與該多個復健量表具有顯著相關的至少一種有效性連結做為該多變數回歸模型的輸入以進行訓練，其中與該多個復健量表具有顯著相關的該至少一種有效性連結所對應的該相關參數符合一預設相關標準。
6. 如請求項5所述之預後預測系統，其中該多個復健量表中每一者具有每一個案的年齡、性別與梗塞體積，該處理器用以存取並執行該至少一指令以： 將每一個案的該年齡、該性別與該梗塞體積加入該多變數回歸模型以進行訓練。
7. 一種預後預測系統的運作方法，其中該預後預測系統包含一處理器，該運作方法包含以下步驟： （A）透過該處理器使用經一前處理後的一靜息態功能性磁振造影影像與一前處理後的T1權重影像以建立一動態因果模型來計算多個運動腦區之間的多種有效性連結，其中該動態因果模型的參數設定包含調節作用、每區狀態、隨機效應、中心輸入設定、擬合時間序列及連接設定；以及 （B）透過該處理器依據該多種有效性連結與一復健量表之間的關係，建立一多變數回歸模型； 其中該動態因果模型根據神經狀態向量的時間變化進行建模，據以描述該多個運動腦區的活動狀態，包括描述靜息態狀況的影響、多個刺激對該多個運動腦區之間的影響及外部輸入訊號的影響。
8. 如請求項7所述之運作方法，其中步驟（A）包含： 透過該處理器將經該前處理後的該靜息態功能性磁振造影影像透過統計參數映射，以生成一廣義線性模型； 透過該處理器套用從該前處理後的T1權重影像所分割出來的腦脊髓液遮罩與白質空間遮罩，為該廣義線性模型去除腦脊髓液、白質的影響，留下大腦灰質的訊號； 透過該處理器套用該多個運動腦區的空間遮罩，分別擷取該多個運動腦區的多個灰質訊號，該多個運動腦區包含左腦的初級運動皮層、左腦的前運動區、左腦的運動輔助區、左腦的前運動輔助區、右腦的初級運動皮層、右腦的前運動區、右腦的運動輔助區與右腦的前運動輔助區；以及 透過該處理器依據該多個運動腦區的該多個灰質訊號，以建立該動態因果模型。
9. 如請求項7所述之運作方法，其中步驟（B）包含： 透過該處理器彙整多個個案的多筆有效性連結資料，該多筆有效性連結資料中每一者均包含該多種有效性連結，該多個個案分別具有多個復健量表； 透過該處理器計算該多個個案中每一者的該多種有效性連結中每一種有效性連結的數值與該多個復健量表中每一對應者的分數之間的一相關參數；以及 透過該處理器從該多筆有效性連結資料中取出與該多個復健量表具有顯著相關的至少一種有效性連結做為該多變數回歸模型的輸入以進行訓練，其中與該多個復健量表具有顯著相關的該至少一種有效性連結所對應的該相關參數符合一預設相關標準。
10. 如請求項9所述之運作方法，其中步驟（B）更包含： 透過該處理器將每一個案的年齡、性別與梗塞體積加入該多變數回歸模型以進行訓練。