基于脑影像的评估方法及神经精神疾病评估系统

摘要

基于脑影像的评估方法及神经精神疾病评估系统，所述系统包含存储有分别对应于灰质、白质和脊髓液的第一至第三判定模型的存储模块、传输模块、方位角校正模块、脑组织识别模块、及脑组织识别模块，所述方位角校正模块连接所述传输模块以接收待判定3D脑影像来校正所述待判定3D脑影像的所述中心的3D方位角，脑组织识别模块以接收校正后的所述待判定3D脑影像撷取出待判定白质影像部分、待判定灰质影像部分和待判定脊髓液影像部分，处理模块将有关于待判定3D脑影像之白质、灰质及脊髓液影像部分在降维后分别馈入所述第一至第三判定模型，经演算后分别获得第一至第三判定结果，并据以产生评估结果。

说明书

技术领域

本发明有关于神经精神疾病的评估，特别是指一种基于脑影像的神经精神疾病评估方法及系统。

背景技术

随着经济速快速发展所带来的竞争压力，致使在全球各国内罹患如思觉失调(Schizophrenia，又称精神分裂)、躁郁症(Bipolar)、忧郁症(Depression)等精神疾病的病患已逐年增加。另外，全球逐渐高龄化的人口也使神经退化疾病如失智症(Dementia)以及巴金森氏症(Parkinson’s Disease)等的罹病人口逐年上升。目前这些神经精神疾病主要仍依赖病患行为表现的观察纪录和神经精神科医师的临床经验进行定性分析方式来诊断。然而，由于多种神经精神疾病的认知或行为表现之间存在不同程度的表征重叠，因此若仅依赖病患的症状或行为表现的诊断将明显不足。于是，在临床上，可透过一种非侵入性的造影技术，例如磁振造影(Magnetic Resonance Imaging，简称MRI)仪所获得的MRI脑影像进一步认识和理解神经精神疾病的复杂性与多变性。

因此，如何利用脑影像来评估神经精神疾病以作为精神科医师在临床上的诊断辅助已成为当前重要的研究议题。

发明内容

本发明的一个目的是提供一种基于脑影像的神经精神疾病评估方法，其能克服上述问题或者至少部分的解决上述问题。

本发明所提供的一种基于脑影像的评估方法，利用计算机系统来执行，并且其特征在于，包括以下步骤：(A)获得多个分别对应于多个无神经精神疾病之正常者的3D脑影像、及多个分别对应于多个患有神经精神疾病的患者的三维脑影像；(B)对于步骤(A)所获得的每个三维脑影像，执行方位角校正处理，其中深度学习演算法被用来辨识撷取自所述3D脑影像并且彼此正交及相交于所述3D脑影像的中心的第一至第三2D影像部分，以便根据所述第一至第三2D影像部分的辨识结果校正所述3D脑影像的所述中心的3D方位角；(C)对于校正后的每个3D脑影像，基于白质、灰质和脊髓液在脑影像上不同的体素特性，执行脑组织识别处理以便自所述3D脑影像，撷取出白质影像部分、灰质影像部分和脊髓液影像部分；及(D)分别根据步骤(C)所获得且经过降维处理后的所有白质影像部分、所有灰质影像部分和所有脊髓液影像部分，利用深度神经网路演算法自我学习训练，获得分别对应于灰质、白质和脊髓液的第一至第三判定模型，所述第一至第三判定模型其中每一者包含输入层、与神经精神疾病患者的异常脑区相关联的特征选择层、多个隐藏层和输出层。

本发明的基于脑影像的评估方法中，在步骤(B)中，针对每个3D脑影像：撷取自所述3D脑影像的第一至第三2D影像部分分别为所述3D脑影像的三个分别垂直于冠向、矢向及轴向的切面；及在所述方位角校正处理中，所述深度学习演算法被用来判定所述第一2D影像部分及所述第三2D影像部分其中每一者在左右两侧是否大致彼此对称，以及辨识出所述第二2D影像部分所含的两个分别对应于两个预定脑部特征的参考影像区且判定所述参考影像区的所在位置是否位于一条水平线，在判定出所述第一2D影像部分在左右两侧不对称时，以相对于所述冠向转动所述第一2D影像部分的方式校准所述第一2D影像部分直到校准后的所述第一2D影像部分在左右两侧彼此大致对称，并将相对于所述冠向的总转动角度作为校正后的所述3D方位角在所述冠向的校正角度，在判定出所述参考影像区的所在位置不位于一条水平线时，以相对于所述矢向转动所述第二2D影像部分的方式校准所述第二2D影像部分直到在校准后的所述第二2D影像部分的所述参考影像区的所在位置位于一条水平线，并将相对于所述矢向的总转动角度作为校正后的所述3D方位角在所述矢向的校正角度，及在判定出所述第三2D影像部分在左右两侧不对称时，以相对于所述轴向转动所述第三2D影像部分的方式校准所述第三2D影像部分直到校准后的所述第三2D影像部分在左右两侧彼此大致对称，并将相对于所述轴向的总转动角度作为校正后的所述3D方位角在所述轴向的校正角度。

本发明的另一个目的是提供一种基于脑影像的神经精神疾病评估系统，其克服上述问题或者至少部分的解决上述问题。

本发明所提供的一种基于脑影像的神经精神疾病评估系统包含判定平台，所述判定平台包括存储模块、传输模块、方位角校正模块、脑组织识别模块、及处理模块。所述存储模块存储有如上述的第一至第三判定模型，所述传输模块适于接收待判定3D脑影像。所述方位角校正模块连接所述传输模块以接收所述待判定3D脑影像，自所述待判定3D脑影像撷取出彼此正交且相交于所述待判定3D脑影像的中心的第一至第三2D影像部分，利用深度学习演算法进行对于所述第一至第三2D影像部分的影像辨识，且根据所述第一至第三2D影像部分的辨识结果校正所述待判定3D脑影像的所述中心的3D方位角。所述脑组织识别模块连接所述方位角校正模块以接收校正后的所述待判定3D脑影像，并基于白质、灰质和脊髓液在脑影像上不同的体素特性，自校正后的所述待判定3D脑影像撷取出待判定白质影像部分、待判定灰质影像部分和待判定脊髓液影像部分。所述处理模块连接所述存储模块、所述传输模块和所述脑组织识别模块，并利用所述存储模块存储的所述第一至第三判定模型，将来自所述脑组织识别模块的所述待判定白质影像部分、所述待判定灰质影像部分和所述待判定脊髓液影像部分经过降维处理后分别馈入所述第一至第三判定模型的输入层，经由所述第一至第三判定模型的特征选择层和隐藏层的演算后，在所述第一至第三判定模型的输出层分别产生第一至第三判定结果，而且根据所述第一至第三判定结果产生一对应于所述待判定3D脑影像且有关于异常脑区的评估结果，且经由所述传输模块向外输出所述评估结果。

本发明的基于脑影像的神经精神疾病评估系统中，所述方位角校正模块撷取的所述第一至第三2D影像部分分别为所述待判定3D脑影像的三个分别垂直于冠向、矢向及轴向的切面。所述方位角校正模块利用所述深度学习演算法来判定所述第一2D影像部分及所述第三2D影像部分其中每一者在左右两侧是否大致彼此对称，以及辨识出所述第二2D影像部分所含的两个分别对应于两个预定脑部特征的参考影像区且判定所述参考影像区的所在位置是否位于一条水平线，在判定出所述第一2D影像部分在左右两侧不对称时，以相对于所述冠向转动所述第一2D影像部分的方式校准所述第一2D影像部分直到校准后的所述第一2D影像部分在左右两侧彼此大致对称，并将相对于所述冠向的总转动角度作为校正后的所述3D方位角在所述冠向的校正角度，在判定出所述参考影像区的所在位置不位于一条水平线时，以相对于所述矢向转动所述第二2D影像部分的方式校准所述第二2D影像部分直到在校准后的所述第二2D影像部分的所述参考影像区的所在位置位于一条水平线，并将相对于所述矢向的总转动角度作为校正后的所述3D方位角在所述矢向的校正角度，及在判定出所述第三2D影像部分在左右两侧不对称时，以相对于所述轴向转动所述第三2D影像部分的方式校准所述第三2D影像部分直到校准后的所述第三2D影像部分在左右两侧彼此大致对称，并将相对于所述轴向的总转动角度作为校正后的所述3D方位角在所述轴向的校正角度。

本发明的基于脑影像的神经精神疾病评估系统中，所述深度学习演算法利用卷积神经网络模型来进行影像辨识及影像比对处理。

本发明的基于脑影像的神经精神疾病评估系统中，所述第一至第三判定结果其中每一者指示出所述待判定白质影像部分、所述待判定灰质影像部分和所述待判定脊髓液影像部分其中一个对应影像部分具有至少一个与神经精神疾病相关联的异常脑区和所述至少一个异常脑区的位置资料，或者指示出所述对应影像部分不具有任何与神经精神疾病相关联的异常脑区。

本发明的基于脑影像的神经精神疾病评估系统中，所述神经精神疾病评估系统还包含使用终端，其经由通讯网络与所述传输模块通讯，以将所述待判定3D脑影像传送至所述传输模块并接收来自所述传输模块的所述评估结果。当所述评估结果含有一笔或多笔位置资料时，所述使用终端根据所述评估结果所含的所述位置资料，于所述待判定3D脑影像以特定标记加注在对应于所述位置资料的异常脑区之方式同时显示所述待判定3D脑影像和加注的特定标记。

本发明的有益效果在于：对于用于训练所述第一至第三判定模型的每个3D脑影像及所述待判定3D脑影像均执行了方位角校正处理，借此能有效去除因头动所导致的干扰并有助于建立精准的判定模型，以及精准的脑影像判定；此外，由于采用了无神经精神疾病的正常者和患有神经精神疾病之患者的3D脑影像来分别进行对应于白质、灰质及脊髓液等不同脑组织的模型训练，因此，建立的所述第一至第三判定模型不仅对于神经精神疾病患者的3D脑影像具有相对高的敏感度(Sensitivity)，而且对于无神经精神疾病之正常者的3D脑影像亦具有相对高的特异度(Specificity)。在应用上，包含所述第一至第三判定结果的评估结果确实能提供给精神科医师并作为在诊断神经精神疾病病患上有效的辅助判定依据。

附图说明

本发明的其他的特征及功效，将于参照图式的实施方式中清楚地呈现，其中：

图1是方块图，示例性地绘示本发明实施例基于脑影像的神经精神疾病评估系统的架构；

图2是方块图，示例性地绘示所述实施例的判定平台的架构；

图3是流程图，示例性地说明本述判定平台的存储模块所存储的第一至第三判定模型如何被建立；

图4至图6分别示例性地绘示出由所述判定平台的方位角校正模块校正后的第一至第三2D影像；

图7是示意图，示例性地说明所述实施例所建立的所述第一/二/三判定模型的架构；及

图8是流程图，示例性地说明所述实施例如何对于待判定3D脑影像执行神经精神疾病评估处理。

具体实施方式

在更详细地描述本发明前，应当注意，在认为适当的情况下，附图中重复使用附图标号指示对应或类似的元件，其选择上可以具有类似的特性。

参阅图1，所绘示的本发明实施例的基于脑影像的神经精神疾病评估系统100主要是用来判定一个待判定3D(3-dimentional)脑影像是否存在有与神经精神疾病相关联的异常脑区。在本实施例中，所述待判定3D脑影像例如可以是通过如磁振造影(MRI)仪扫描人脑在轴向上的不同切面所获得的多个2D(2-dimentional)MRI影像组合而成的3DMRI影像，但不以此例为限，在其他实施例，亦可为3D电脑断层扫描(Computerized Tomography，简称CT)影像。所述神经精神疾病评估系统100包含判定平台10、及使用终端20。所述判定平台10例如可以电脑系统(图未示)来实施，而所述使用终端20例如可以电脑装置(如桌上型电脑、笔记型电脑、平板电脑、智慧型手机等)来实施，并经由通讯网络200(如互联网)与所述判定平台10通讯。在实际使用时，所述判定平台10可视为用来提供神经精神疾病评估服务的云端伺服器，以便对于相似于所述使用终端20的其他电子装置(如图1虚线所指示)所提出的评估请求提供此神经精神疾病评估服务。

参阅图2，所述判定平台例如包含存储模块1、连接所述通讯网络200且用于资料传输的传输模块2、连接所述传输模块2的方位角校正模块3、连接所述方位角校正模块3的脑组织识别模块4，以及连接所述存储模块1、所述传输模块2和所述脑组织识别模块4的处理模块5。所述方位角校正模块3、所述脑组织识别模块4及所述处理模块5的操作与作用将于下文中说明。

在本实施例中，在使用前，所述存储模块1预先存储有分别对应于三种脑组织，也就是，白质、灰质和脊髓液的第一判定模型、第二判定模型和第三判定模型。以下将参阅图2及图3进一步示例地详细说明如何使用所述判定平台10(或相似于所述判定平台10的电脑系统)执行建模程序，以获得所述第一至第三判定模型。所述建模程序包含以下步骤301～307。

在步骤301中，所述传输模块2获得来自外部的多个(例如，250个，但不以此例为限)分别对应于多个无神经精神疾病之正常者的3D脑影像、及多个(例如，250个，但不以此例为限)分别对应于多个患有神经精神疾病的患者的3D脑影像。

然后，在步骤302中，所述方位角校正模块3对于所述传输模块2所获得的每一个3D脑影像，执行方位角校正处理。更具体地，在对于每一个3D脑影像的方位角校正处理中，所述方位角校正模块3先从所述3D脑影像撷取出彼此正交且相交于所述3D脑影像的中心的第一至第三2D影像部分。在本实施例中，例如，所述第一2D影像部分为所述3D脑影像的垂直于冠向(coronal)的切面，如图4所示；所述第二2D影像部分为所述3D脑影像的一垂直于矢向(sagittal)的切面，如图5所示；及所述第三2D影像部分为所述3D脑影像的垂直于轴向(axial)的切面，如图6所示。然后，所述方位角校正模块3利用深度学习演算法来辨识所述第一至第三2D影像部分，以便根据所述第一至第三2D影像部分的辨识结果校正所述3D脑影像的所述中心的3D方位角。值得注意的是，所述深度学习演算法利用例如卷积神经网络(Convolutional Neural Network,简称CNN)回归模型来进行影像辨识及影像比对处理，但不以此例为限。举例来说，本实施例所使用的卷积神经网络回归模型可被规划成具有2～4个卷基层(convolution layers)、一个全连接层(full connected layer)和一个回归层(regression layer)，但不以此例为限，借此能使整体校正处理具有一致性。更明确地，在本实施例中，所述方位角校正模块3利用所述深度学习演算法来判定所述第一2D影像部分及所述第三2D影像部分其中每一者在左右两侧是否大致彼此对称，以及辨识出所述第二2D影像部分所含的两个分别对应于两个预定脑部特征的参考影像区且判定所述参考影像区的所在位置是否位于一条水平线。在本实施例中，所述两个预定脑部特征例如分别为前连合(Anterior Commissure)和后连合(Posterior Commissure)，而所述两个参考影像区例如分别为代表前连合的第一参考影像区51、及代表后连合的第二参考影像区52，如图5所示。于是，所述方位角判定模块3在判定出所述第一2D影像部分在左右两侧不对称时，以相对于所述冠向转动所述第一2D影像部分的方式校准所述第一2D影像部分直到校准后的所述第一2D影像部分在左右两侧彼此大致对称(见图4)，并将相对于所述冠向的总转动角度作为校正后的所述3D方位角在所述冠向的校正角度。所述方位角判定模块3在判定出所述参考影像区51，52的所在位置不位于一条水平线时，以相对于所述矢向转动所述第二2D影像部分的方式校准所述第二2D影像部分直到在校准后的所述第二2D影像部分的所述参考影像区51，52的所在位置位于一条水平线(见图5)，并将相对于所述矢向的总转动角度作为校正后的所述3D方位角在所述矢向的校正角度。所述方位角判定模块3在判定出所述第三2D影像部分在左右两侧不对称时，以相对于所述轴向转动所述第三2D影像部分的方式校准所述第三2D影像部分直到校准后的所述第三2D影像部分在左右两侧彼此大致对称(见图6)，并将相对于所述轴向的总转动角度作为校正后的所述3D方位角在所述轴向的校正角度。借由此方位角校正处理，可有效除去所述3D脑影像(在拍摄时)受到例如头动的干扰。于是，所述方位角校正模块3将校正后的所有3D脑影像传送至所述脑组织识别模块4。

在步骤303中，所述脑组织识别模块4对于来自所述方位角校正模块3的每一个3D脑影像(其方位角已校正)，基于白质、灰质、脊髓液等脑组织在脑影像上不同的体素值(Intensity of Voxel)分布特性，执行脑组织识别处理，以便自所述3D脑影像，撷取出白质影像部分、灰质影像部分和脊髓液影像部分，其中每一者亦为3D影像。举例来说，灰质、白质和脊髓液的体素值分布范围能根据经由分析所述3D脑影像而获得的体素数量(Number ofVoxel)对体素值(Intensity of Voxel)的直方分布图(即，每一条体素值与体素数量的关系)，并利用由三个高斯分布所组成的常模来决定。在本实施例中，白质的体素值分布范围例如为7500～22500；灰质的体素值分布范围例如为5500～20000；及脊髓液的体素值分布范围例如为0～13000，但不在此限。于是，所述脑组织辨识模块4将撷取自所有3D脑影像的多个白质影像部分、多个灰质影像部分和多个脊髓液影像部分传送至所述处理模块5。

然后，在步骤304中，为了降低后续演算复杂度，所述处理模块5对于来自于所述脑组织识别模块4的所述白质影像部分、所述灰质影像部分和所述脊髓液影像部分执行降维处理。更明确地，由于所述白质影像部分、所述灰质影像部分和所述脊髓液影像部分均具有3D向量之资料形式，所述处理模块5例如将每一个白质/灰质/脊髓液影像部分的3D向量的资料形式转变成1D向量的资料形式，以利后续处理。

接着，所述处理模块5根据降维后的所有白质影像部分(例如，对应于正常者的250个白质影像部分，及对应于神经精神疾病患者的250个白质影像部分)，利用深度神经网络演算法自我学习训练，获得所述第一判定模型(步骤305)。特别要说明的是，在步骤305的实际操作上，所述处理模块5可先利用例如对应于正常者的200个白质影像部分及对应于神经精神疾病患者的200个白质影像部分共同作为学习训练的资料部分以建立所述第一判定模型。如图7所示，所述第一判定模型包含输入层、与神经精神疾病患者的异常脑区相关联的特征选择层、多个隐藏层及输出层。然后，再利用剩下对应于正常者的50个白质影像部分和对应于神经精神疾病患者的50个白质影像部分共同作为验证或测试所述第一判定模型的资料部分。换句话说，若出现错误的判定(即，验证不成功)，例如，当馈入所述输入层的资料是对应于正常者的白质影像部分，而在所述输出层却产生例如指示出「具有一个或多个异常脑区及其所在位置」的判定结果，又或者当馈入所述输入层的资料是对应于神经精神疾病者的白质影像部分，而在所述输出层却产生例如指示出「不具任何异常脑区」的判定结果，在此情况下，可根据验证结果进一步调整在所述特征选择层的相关参数，以提高所述第一判定模型对于神经精神疾病患者的白质影像部分的敏感度(Sensitivity)，以及对于正常者的白质影像部分的特异度(Specificity)。

同时，相似于步骤305的操作，所述处理模块5根据降维后的所有灰质影像部分(例如，对应于正常者的250个灰质影像部分，及对应于神经精神疾病患者的250个灰质影像部分)，利用相同的深度神经网络演算法自我学习训练，获得所述第二判定模型(步骤306)。所述第二判定模型具有相似于所述第一判定模型的架构(见图7)。在步骤306的实际操作上，可完全相似于上述步骤305所述的实际操作，在此不再赘述。同样地，所述处理模块5所获得的所述第二判定模型亦具有相对高的敏感度及特异度。

同时，相似于步骤305的操作，所述处理模块5根据降维后的所有脊髓液影像部分(例如，对应于正常者的250个脊髓液质影像部分，及对应于神经精神疾病患者的250个脊髓液影像部分)，利用相同的深度神经网络演算法自我学习训练，获得所述第三判定模型(步骤307)。同样地，所述第三判定模型具有相似于所述第一判定模型的架构(见图7)。在步骤307的实际操作上，亦可完全相似于上述步骤305所述的实际操作，在此不再赘述。同样地，所述处理模块5所获得的所述第三判定模型亦具有相对高的敏感度及特异度。

以下，将参阅图1、图2及图8来说明所述神经精神疾病评估系统100如何对于待评估者(如病人)的一个待判定3D脑影像执行神经精神疾病评估处理。此神经精神疾病评估处理包含以下步骤801～807。

首先，在步骤801中，所述使用终端20经由所述通讯网络200将包含所述待判定3D脑影像的评估请求传送至所述判定平台10的所述传输模块2。

然后，在步骤802中，当所述传输模块2接收到所述评估请求时，所述方位角校正模块3接收所述待判定3D脑影像，且对于所述待判定3D影像执行如上述步骤302(图3)所述的方位角校正处理来校正所述待判定3D脑影像的所述中心的3D方位角，并将校正后的所述待判定3D脑影像传送至所述脑组织识别模块4。

然后，相似于上述步骤303(图3)，在步骤803中，所述脑组织识别模块4对于来自所述方位角校正模块3的所述待判定3D脑影像(其方位角已校正)，基于白质、灰质和脊髓液在脑影像上不同的体素特性，执行脑组织识别处理，以便自校正后的所述待判定3D脑影像，撷取出待判定白质影像部分、待判定灰质影像部分和待判定脊髓液影像部分，并且将所述待判定白质影像部分、所述待判定灰质影像部分和所述待判定脊髓液影像部分传送至所述处理模块5。

然后，相似于上述步骤304(图3)，在步骤804中，所述处理模块804对于来自于所述脑组织识别模块4的所述待判定白质影像部分、所述待判定灰质影像部分和所述待判定脊髓液影像部分执行降维处理。

然后，在步骤805中，所述处理模块5利用所述存储模块1存储的所述第一至第三判定模型，将具有1D向量之资料形式的所述待判定白质影像部分、所述待判定灰质影像部分和所述待判定脊髓液影像部分分别馈入所述第一至第三判定模型的输入层，经由所述第一至第三神经精神疾病判定模型的所述特征选择层和隐藏层的演算后，在所述第一至第三判定模型的输出层分别产生第一至第三判定结果。举例来说，若所述第一判定模型经演算判定出所述待判定白质影像部分无任何异常脑区时，则所述第一判定结果将指示出例如「FALSE1」(其代表所述待判定白质影像部分不具有任何与神经精神疾病相关联的异常脑区)；或者若所述第一判定模型经演算判定出所述待判定白质影像部分具有一个或多个与神经精神疾病相关联的异常脑区时，则所述第一判定结果将指示出例如「TRUE1」(其表示所述待判定白质影像部分具有与神经精神疾病相关联的异常脑区)，以及所述异常脑区的位置资料。但不以此例为限。同样地，所述第二判定结果可以指示出以下两种情况之一：其一是指示出所述待判定灰质影像部分具有一个或多个与神经精神疾病相关联的异常脑区(例如，以「TRUE2」来表示)和所述一个或多个异常脑区的位置资料；及另一种情况是指示出所述待判定灰质影像部分不具有任何与神经精神疾病相关联的异常脑区(例如，以「FALSE2」来表示)。同理，所述第三判定结果可以指示出以下两种情况之一：其一是指示出所述待判定脊髓液影像部分具有一个或多个与神经精神疾病相关联的异常脑区(例如，以「TRUE3」来表示)和所述异常脑区的位置资料；及另一种情况是指示出所述待判定脊髓液影像部分不具有任何与神经精神疾病相关联的异常脑区(例如，以「FALSE3」来表示)。

然后，在步骤806，所述处理模块5根据所述第一至第三判定结果产生一对应于所述待判定3D脑影像且有关于异常脑区的评估结果，并回应于所述评估请求将所述评估结果作为评估回复经由所述传输模块2传送至所述使用终端20。

最后，当所述使用终端20接收到来自所述判定平台10的所述评估结果时，所述使用终端20显示所述评估结果，以供使用者(如精神科医师)快速得知所述待评估者在白质、灰质和脊髓液的判定状况(步骤807)。值得一提的是，为了更容易解读所述判定输出，特别是当所述评估结果含有一笔或多笔位置资料时，所述使用终端20可根据所述评估结果所含的所述位置资料，例如于所述待判定3D脑影像以特定标记加注在对应于所述位置资料的异常脑区之已知方式同时显示所述待判定3D脑影像和加注的特定标记，借此使用者可通过显示的特定标记迅速获得异常脑区的位置。

综上所述，对于用于训练所述第一至第三判定模型的每一个3D脑影像及所述待判定3D脑影像均执行了方位角校正处理，借此能有效去除因头动所导致的干扰并有助于建立精准的判定模型，以及精准的脑影像判定；此外，由于采用了无神经精神疾病的正常者和患有神经精神疾病之患者的3D脑影像来分别进行对应于白质、灰质及脊髓液等不同脑组织的模型训练，因此，建立的所述第一至第三判定模型不仅对于神经精神疾病患者的3D脑影像具有相对高的敏感度，而且对于无神经精神疾病之正常者的3D脑影像亦具有相对高的特异度。在应用上，包含所述第一至第三判定结果的评估结果确实能提供给精神科医师并作为在诊断神经精神疾病病患上有效的辅助判定依据。

以上所述者，仅为本发明的实施例而已，当不能以此限定本发明实施的范围，即凡依本发明权利要求书及说明书内容所作的简单的等效变化与修饰，皆仍属本发明的范围。