[go: up one dir, main page]

CN113052800B - 一种阿尔茨海默症影像分析方法与装置 - Google Patents

一种阿尔茨海默症影像分析方法与装置 Download PDF

Info

Publication number
CN113052800B
CN113052800B CN202110254770.9A CN202110254770A CN113052800B CN 113052800 B CN113052800 B CN 113052800B CN 202110254770 A CN202110254770 A CN 202110254770A CN 113052800 B CN113052800 B CN 113052800B
Authority
CN
China
Prior art keywords
image
groups
subjects
alzheimer
data
Prior art date
Legal status (The legal status 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 status listed.)
Active
Application number
CN202110254770.9A
Other languages
English (en)
Other versions
CN113052800A (zh
Inventor
吴强
朱奇晓
王大伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202110254770.9A priority Critical patent/CN113052800B/zh
Publication of CN113052800A publication Critical patent/CN113052800A/zh
Application granted granted Critical
Publication of CN113052800B publication Critical patent/CN113052800B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种阿尔茨海默症影像分析方法与装置。其中阿尔茨海默症影像分析方法包括预处理阶段、一次降维阶段和二次降维阶段，过程如下：首先将原始图像格式转换为符合处理图像方法的数据输入格式，处理图像；随后进行一次降维，选定种子点，得到功能连接图，将功能连接图进行统计学分析，得到功能连接图在不同组间的显著性差异区域，将相应被试在显著性差异区域内的功能连接值提取出来，拼接成为特征向量；最后，对特征向量使用机器学习方法进行二次降维，降维后的数据放入SVM分类器中，进行交叉验证，并输出分类结果。实验证明本发明提出的分析方法能高效地提取特征，并对阿尔茨海默症的自动化影像分析具有积极意义。

Description

一种阿尔茨海默症影像分析方法与装置
技术领域
本发明涉及图像处理领域，特别涉及一种阿尔茨海默症影像分析方法与装置。
背景技术
阿尔茨海默症(AD)属于神经退行性疾病的一种，轻度认知障碍(MCI)是其早期阶段。一般来说，神经退行性疾病的脑医学影像不同于具有明显可视病变的肿瘤类疾病，尤其是在此类疾病的早期阶段，影像变化并不明显，功能性磁共振(fMRI)作为一种医学上重要的影像检测手段，往往比结构性磁共振表现出更早的变化，fMRI作为本方法的研究重点。
大脑功能连接指的是大脑皮层不同区域之间时空相关性的描述性度量，可以为大脑的功能缺陷和与脑部疾病相关的潜在结构破坏之间的关系提供新的思路和见解。有证据表明，阿尔茨海默症以及其他一些神经退行性疾病存在功能连接的异常增强或减弱，且人为地改变功能连接可以改善疾病引发的情感失调。因此，功能连接在医学上有很好的发展前景。目前大多数针对于fMRI的研究都是从基于感兴趣区的功能连接矩阵中提取路径长度、聚合系数等作为特征，但这样得到的中间病理信息太过粗糙。而以一个或多个固定感兴趣区域为种子点与全脑体素建立功能连接，即基于体素的功能连接方法，能更有针对性地探究种子点与全脑体素之间功能连接的变化，从中提取到的特征也更具有可解释性。
功能磁共振影像是四维结构,它的前三维分别是长、宽、高，第四维是时间。由于四维结构的影像数据维度高，结构复杂，因此对小样本数据使用神经网络的分析方法通常会出现“维数灾难”和“过拟合”的问题，而且神经网络“学习”到的特征并不一定具有真正的生理学和统计学上的意义，这严重限制了小样本医学影像辅助分析的发展进程。另外，将如此高维的数据直接使用简单的特征提取方法提取特征的思路也难以实现。因此，在fMRI影像的基础上找到不同组的被试之间在基于体素的功能连接上具有显著差异的区域(一次降维)，再使用机器学习的方法对具有显著差异区域内的功能连接值进行降维(二次降维)也不失为一种新的特征提取方法，对疾病的研究具有重要意义。
发明内容
对小样本数据使用神经网络的分析方法通常会出现“维数灾难”和“过拟合”的问题，而且神经网络“学习”到的信息并不一定具有真正的生理学和统计学上的意义；另外，虽然机器学习被广泛应用在医学领域，但是面对高维数据时，冗余信息多，直接使用机器学习方法难以提取特征且特征表现效果差。目前广泛使用的一种分析方法是构建基于感兴趣区的功能连接矩阵，再提取功能连接的路径长度、聚合系数等信息作为特征，但此方法得到的特征过于粗糙。由于某些种子区域已被证实与阿尔茨海默症的形成有关联，在这种情况下，探究种子点与全脑的功能连接能更细腻和更有针对性地发现存在显著性异常的功能连接。针对这一问题，本发明通过构建基于体素方式的全脑功能连接，使用统计学分析找到组间有显著差异的区域，将差异区域内各被试的功能连接值作为被试的特征，从而将原来含上千万个体素的四维图像抽取为几百个功能连接值组成的特征向量，以达到降维的效果，且有助于观察与种子点连接异常的区域，再继续以机器学习方法进行特征选择和特征提取，同时降低了时间复杂度和空间复杂度，最终有效地实现特征表示。
本发明采用的技术方案如下：
一种阿尔茨海默症影像分析方法，将功能性磁共振fMRI中具有统计学差异和代表意义的特征提取出来，所述方法包括预处理阶段、一次降维阶段和二次降维阶段；
(一)预处理阶段，包括：
(1)获取图像：通过线下采集的方式获取阿尔茨海默症患者的fMRI数据；
(2)确认不同组被试之间没有人口统计学差异：将被试表示为阿尔茨海默症患者AD、轻度认知障碍MCI和正常人NC三组，对不同组被试的年龄、性别、受教育程度等变量做组间比较；
(3)图像格式转换：将原始图像格式转换为符合处理图像方法的数据输入格式；
(4)处理图像，具体步骤包括：
(4-1)降低扫描过程中的外在干扰：去除不稳定的前部时间点图像，进行时间层校正和头动校正，将每个被试的功能性磁共振配准到结构性磁共振上；
(4-2)改善图像质量：进行平滑和去线性漂移，提高图像的信噪比，降低因机器工作升温和被试适应产生的线性趋势；
(4-3)提取图像信息：将6个头动参数、白质、脑脊液作为协变量去除，只提取在固定频率范围内的信号；
(二)一次降维阶段，包括：
(1)功能连接：选定种子点，建立全脑功能连接图；
(2)统计学分析：为了寻找三组被试中的每两组被试之间的差异，首先要对三组被试的脑功能连接图做显著性差异分析，提前对每组被试做显著性连接分析，以找出在组内与种子点有显著连接的区域，三组区域做一个并集，以此并集为掩膜做三组间的显著性差异分析，以显著性差异分析具有显著结果的区域作为掩膜，再对每两组被试的功能连接图做显著性差异分析，以检验每两组被试间的具体差异；
(3)特征提取：经过一次降维阶段的步骤(2)，每两组被试之间都会得到一组具有显著差异的区域，将对应的每个被试在此区域内的功能连接值作为特征拼接起来，便组成一个特征向量，将所有种子点分别得到的对应的特征向量再次拼接，得到最终的特征向量，多个被试的特征向量便可形成一个特征矩阵，这个仅由几十或几百个数值组成的特征向量比原始的fMRI占用更少的空间，在训练模型时，也会消耗更少的时间；
(三)二次降维阶段，包括：
(1)机器学习方法降维：使用方差阈值法、互信息法、主成分分析法或稀疏主成分分析法对它进行再次降维；
(2)将经过二次降维阶段步骤(1)处理的数据放入支持向量机中训练，保存模型和参数，交叉验证降维效果。
本发明还提出了一种阿尔茨海默症影像分析装置，包括：数据采集器、数据存储器、数据处理器，数据采集器用于采集原始数据，存储器中存储有相关计算机程序和图像数据，程序被数据处理器处理时能实现如前所述方法的步骤(一)至步骤(三)。
附图说明
图1是本发明一种阿尔茨海默症影像分析方法的流程图；
图2是本发明一种阿尔茨海默症影像分析方法的一次降维阶段的示意框图；
图3是本发明一种阿尔茨海默症影像分析装置的示意框图；
具体实施方式
为了能够更加详细的了解本发明的特点与技术内容，下面结合附图和实例对本发明作进一步说明，所附附图仅供参考说明使用。
第一，我们提出了一种阿尔茨海默症影像分析方法。
如图1所示，本发明提出的一种阿尔茨海默症影像的分析方法如下文所示：
(一)预处理阶段：获取图像，通过线下采集的方式获取阿尔茨海默症患者的fMRI图像。将被试表示为AD、MCI和NC三组，对不同组被试的年龄、性别、受教育程度等变量做组间比较，确认不同组被试之间没有人口统计学差异。图像格式转换，将原始图像格式转换为符合处理图像方法的数据输入格式。处理图像，包括去除部分前部时间点的图像，时间层校正，头动校正，配准，平滑，去线性漂移，去除协变量，带通滤波。
(二)一次降维阶段：计算功能连接，以左右两侧海马分别作为种子点，建立全脑功能连接图。统计学分析，为了寻找三组被试中的每两组被试之间的差异，首先要对三组被试的脑功能连接图做ANCOVA检验。我们先对每组被试做单样本t检验，以找出在组内与种子点有显著连接的区域，三组区域做一个并集，以此并集为掩膜做ANCOVA检验。以ANCOVA检验具有显著差异的区域作为掩膜，再对三组被试的功能连接图做事后两两比较，以检验每两组被试间的具体差异。特征提取，每两组被试都会得到一组具有显著差异的区域，我们将对应的每个被试在此区域内的功能连接值作为特征拼接起来，便组成一个特征向量，将左右海马分别得到的特征向量再次拼接，得到最终的特征向量，多个被试的特征向量便可形成一个特征矩阵。这个仅由几十或几百个数值组成的特征向量比原始的fMRI占用更少的空间，在训练模型时，也会消耗更少的时间。
(三)二次降维阶段：机器学习方法降维，相对于几十个样本量来说，几十或几百维的特征向量还是一个比较高的维数，也极容易出现“维数灾难”，我们使用机器学习方法对它进行再次降维。将训练数据放入支持向量机(SVM)中训练，保存模型和参数，验证降维效果。
如图2所示，一种针对小样本阿尔茨海默症图像的特征提取方法的具体步骤如下文所示：
(1)对数据集进行预处理，将被试表示为AD、MCI和NC三组，对于性别，使用卡方检验，p<0.05；对于年龄和受教育程度，使用Kruskal–Wallis检验方法，p<0.05，以确定三组样本在性别、年龄、受教育程度上没有显著的差异。将原始的DICOM文件批量转换为NIFTI文件，然后去除前10个时间点上的图像，以防止开始扫描时机器预热和被试对环境的不适应造成的误差；参考扫描顺序对每层进行校正，避免时间误差；进行头动校正，将头动的旋转大于3°和平移大于3mm的被试予以去除；为了使所有被试都被配准到一个标准空间，使用Dartel方法将功能性磁共振配准到结构性磁共振上；使用4mm×4mm×4mm的平滑核平滑图像，提高图像的信噪比；为降低因机器工作升温和被试适应产生的线性趋势，需要进行去线性漂移；为排除无关变量对实验结果的影响，我们将6个头动参数、白质和脑脊液作为协变量予以去除；由于0.01～0.08HZ的信号对疾病的研究意义比较明确，因此使用带通滤波将此频率范围内的信号提取出来。
(2)海马体是记忆功能的关键区域，该区域的损伤与记忆缺失有关，因此我们取左右两侧海马区分别作为种子点，对步骤(1)处理的数据构建基于体素方式的全脑功能连接。这样，对于每个被试的图像，我们得到两个功能连接图。数据可以分成六组，其中三组是以左海马为种子点得到的三组被试的功能连接图，另外三组是以右海马为种子点得到的三组被试的功能连接图。
(3)对以左右海马为种子点的功能连接图分别执行以下相同步骤：我们先对每组被试做单样本t检验，找出在三组内与种子点有显著连接的区域，以避免产生假阳性的结果。将三组被试分别与种子点具有显著功能连接的区域做一个并集，以此并集为掩膜做ANCOVA检验。ANCOVA检验时设置p<0.05，将ANCOVA检验具有显著差异的区域作为掩膜，在此掩膜内，再对三组被试的功能连接图做事后两两比较，以检验每两组被试间的具体差异。事后两两双样本t检验时设置p<0.05，每两组之间的比较便会得到一个显著区域，将相应被试在相应区域的功能连接值提取出来，并拼接成特征向量。以上步骤之后，将左右海马分别得到的对应的特征向量再次拼接，得到最终的特征向量。这个仅由几十或几百个数组成的特征向量比原始的fMRI占用更少的空间，在训练模型时，也会消耗更少的时间。
(4)将步骤(3)得到的特征向量使用机器学习方法进行再次降维。相对于几十个样本量来说，几十或几百维的特征向量还是一个比较高的维数，我们使用比较简单的方差阈值法(VAR)、互信息法(MI)、主成分分析法(PCA)、稀疏主成分分析方法(SPCA)依次进行降维实验，来探究我们的方法能否有效地提取到阿尔茨海默症病人fMRI数据中的特征。
(5)将经过步骤(4)处理的数据放入支持向量机(SVM)中训练，选择更适合小样本的留一法进行交叉验证，保存模型和参数，验证降维效果。本发明的效果可以通过实验结果进一步说明。
将采集到的阿尔茨海默症数据集经过步骤(1)所示方法处理，排除掉不符合条件的被试，根据美国国立神经病学、语言障碍、卒中研究所和阿尔茨海默症及相关疾病协会标准将数据集分为正常人NC、轻度认知障碍患者MCI和阿尔茨海默症患者AD三个类别。以双侧海马作为种子点建立功能连接，经过一次降维和二次降维得到特征向量，使用SVM作为分类器，随后采用留一法交叉验证，即每次取一个样本作为测试集，其余样本作为训练集，共做n次(n为样本的个数)交叉验证。将留一法交叉验证后的结果取均值，作为最终的验证结果。表1给出了经降维和分类后三个二分类任务的识别准确率。通过表1可以看到，我们尝试的每一种方法在三个二分类任务上都能达到75％以上的准确率，而且经过稀疏主成分分析(SPCA)再次降维的方法在三个二分类任务上都达到了80％以上的分类准确率，这表明使用我们所提出的特征提取方法，可以提取出有效的特征，调参的时间复杂度和空间复杂度都比传统方法大幅度降低。
表1
Figure BDA0002967638200000041
Figure BDA0002967638200000051
第二，本发明提出了一种阿尔茨海默症影像分析装置。其结构如图3所示，具体包括数据采集器，数据存储器和数据处理器。其中，所述数据采集器可以采集图像数据；所述数据存储器中包括一种阿尔茨海默症影像分析方法的程序以及图像数据；所述阿尔茨海默症影像分析方法程序被所述数据处理器处理执行时实现如下步骤：获取图像，获取系统用户提供的图像数据，将原始图像格式转换为符合处理图像方法的数据输入格式，对图像进行去干扰和信息处理；一次降维，经过显著性分析，得到具有显著差异的区域，提取具有显著差异区域内的功能连接值；二次降维，使用机器学习方法降维；将图像分类，加载分类模型以及参数，自动对图像特征分类；显示分类结果，将分类后的结果进行显示。

Claims (2)

1.一种阿尔茨海默症影像分析方法，将功能性磁共振fMRI中具有统计学差异和代表意义的特征提取出来，所述方法包括预处理阶段、一次降维阶段和二次降维阶段；
(一)预处理阶段，包括：
(1)获取图像：通过线下采集的方式获取阿尔茨海默症患者的fMRI数据；
(2)确认不同组被试之间没有人口统计学差异：将被试表示为阿尔茨海默症患者AD、轻度认知障碍MCI和正常人NC三组，对不同组被试的年龄、性别、受教育程度等变量做组间比较；
(3)图像格式转换：将原始图像格式转换为符合处理图像方法的数据输入格式；
(4)处理图像，具体步骤包括：
(4-1)降低扫描过程中的外在干扰：去除不稳定的前部时间点图像，进行时间层校正和头动校正，将每个被试的功能性磁共振配准到结构性磁共振上；
(4-2)改善图像质量：进行平滑和去线性漂移，提高图像的信噪比，降低因机器工作升温和被试适应产生的线性趋势；
(4-3)提取图像信息：将6个头动参数、白质、脑脊液作为协变量去除，只提取在固定频率范围内的信号；
(二)一次降维阶段，包括：
(1)功能连接：选定种子点，建立全脑功能连接图；
(2)统计学分析：为了寻找三组被试中的每两组被试之间的差异，首先要对三组被试的脑功能连接图做显著性差异分析，提前对每组被试做显著性连接分析，以找出在组内与种子点有显著连接的区域，三组区域做一个并集，以此并集为掩膜做三组间的显著性差异分析，以显著性差异分析具有显著结果的区域作为掩膜，再对每两组被试的功能连接图做显著性差异分析，以检验每两组被试间的具体差异；
(3)特征提取：经过一次降维阶段的步骤(2)，每两组被试之间都会得到一组具有显著差异的区域，将对应的每个被试在此区域内的功能连接值作为特征拼接起来，便组成一个特征向量，将所有种子点分别得到的对应的特征向量再次拼接，得到最终的特征向量，多个被试的特征向量便可形成一个特征矩阵，这个仅由几十或几百个数值组成的特征向量比原始的fMRI占用更少的空间，在训练模型时，也会消耗更少的时间；
(三)二次降维阶段，包括：
(1)机器学习方法降维：使用方差阈值法、互信息法、主成分分析法或稀疏主成分分析法对它进行再次降维；
(2)将经过二次降维阶段步骤(1)处理的数据放入支持向量机中训练，保存模型和参数，交叉验证降维效果。
2.一种阿尔茨海默症影像分析装置，包括：数据采集器、数据存储器、数据处理器，数据采集器用于采集原始数据，存储器中存储有相关计算机程序和图像数据，所述计算机程序被所述数据处理器处理时能实现如权利要求1所述方法的步骤(一)至步骤(三)。
CN202110254770.9A 2021-03-09 2021-03-09 一种阿尔茨海默症影像分析方法与装置 Active CN113052800B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110254770.9A CN113052800B (zh) 2021-03-09 2021-03-09 一种阿尔茨海默症影像分析方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110254770.9A CN113052800B (zh) 2021-03-09 2021-03-09 一种阿尔茨海默症影像分析方法与装置

Publications (2)

Publication Number Publication Date
CN113052800A CN113052800A (zh) 2021-06-29
CN113052800B true CN113052800B (zh) 2022-02-22

Family

ID=76510447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110254770.9A Active CN113052800B (zh) 2021-03-09 2021-03-09 一种阿尔茨海默症影像分析方法与装置

Country Status (1)

Country Link
CN (1) CN113052800B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469274B (zh) * 2021-07-20 2024-04-16 科大讯飞股份有限公司 一种阅读能力的测评方法、装置以及设备
KR102683849B1 (ko) * 2022-05-25 2024-07-09 재단법인대구경북과학기술원 뇌 기능 연결성 데이터 생성 방법 및 장치
TWI824861B (zh) * 2022-11-30 2023-12-01 國立陽明交通大學 機器學習裝置及其訓練方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110301431A1 (en) * 2010-06-05 2011-12-08 The Board Of Trustees Of The Leland Stanford Junior University Methods of classifying cognitive states and traits and applications thereof
CN104573742A (zh) * 2014-12-30 2015-04-29 中国科学院深圳先进技术研究院 医学图像分类方法和系统
CN106650768A (zh) * 2016-09-27 2017-05-10 北京航空航天大学 基于高斯图模型的脑网络建模与模式分类方法
CN109840554A (zh) * 2018-12-26 2019-06-04 贵州联科卫信科技有限公司 一种基于svm-rfe-mrmr算法的阿兹海默症mri图像分类方法
CN111447874A (zh) * 2017-10-03 2020-07-24 株式会社国际电气通信基础技术研究所 判别装置、抑郁症状的判别方法、抑郁症状的水平的判断方法、抑郁症患者的分类方法、抑郁症状的治疗效果的判断方法和脑活动训练装置
CN111753833A (zh) * 2020-07-23 2020-10-09 南京脑科医院 基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法
CN112233086A (zh) * 2020-10-14 2021-01-15 南京工业大学 基于脑区功能连接的fMRI数据分类识别方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110301431A1 (en) * 2010-06-05 2011-12-08 The Board Of Trustees Of The Leland Stanford Junior University Methods of classifying cognitive states and traits and applications thereof
CN104573742A (zh) * 2014-12-30 2015-04-29 中国科学院深圳先进技术研究院 医学图像分类方法和系统
CN106650768A (zh) * 2016-09-27 2017-05-10 北京航空航天大学 基于高斯图模型的脑网络建模与模式分类方法
CN111447874A (zh) * 2017-10-03 2020-07-24 株式会社国际电气通信基础技术研究所 判别装置、抑郁症状的判别方法、抑郁症状的水平的判断方法、抑郁症患者的分类方法、抑郁症状的治疗效果的判断方法和脑活动训练装置
CN109840554A (zh) * 2018-12-26 2019-06-04 贵州联科卫信科技有限公司 一种基于svm-rfe-mrmr算法的阿兹海默症mri图像分类方法
CN111753833A (zh) * 2020-07-23 2020-10-09 南京脑科医院 基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法
CN112233086A (zh) * 2020-10-14 2021-01-15 南京工业大学 基于脑区功能连接的fMRI数据分类识别方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《A review on neuroimaging-based classification studies and associated feature extraction methods for Alzheimer"s disease and its prodromal stages》;Saima Rathore，et al;《NeuroImage》;20171231;全文 *

Also Published As

Publication number Publication date
CN113052800A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN109409416B (zh) 特征向量降维方法和医学图像识别方法、装置及存储介质
CN113052800B (zh) 一种阿尔茨海默症影像分析方法与装置
Liu et al. An enhanced multi-modal brain graph network for classifying neuropsychiatric disorders
CN111009324A (zh) 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法
CN109528197A (zh) 基于脑功能图谱的猴-人跨物种迁移进行精神疾病的个体化预测方法和系统
CN111540467B (zh) 精神分裂症分类识别方法、运行控制装置及医疗设备
Tyagi et al. Towards artificial intelligence in mental health: a comprehensive survey on the detection of schizophrenia
CN114999629A (zh) 一种基于多特征融合的ad早期预测方法、系统、装置
Qu et al. A graph convolutional network based on univariate neurodegeneration biomarker for Alzheimer’s disease diagnosis
CN112348785A (zh) 一种癫痫病灶定位方法及系统
Yang et al. Diagnosis of Parkinson’s disease based on 3D ResNet: The frontal lobe is crucial
CN115115896A (zh) 一种脑功能磁共振图像分类方法、装置、终端及存储介质
CN110674773A (zh) 一种痴呆症的识别系统、装置及存储介质
Pan et al. Multi-classification prediction of Alzheimer’s disease based on fusing multi-modal features
CN112863664A (zh) 基于多模态超图卷积神经网络的阿尔茨海默病分类方法
Pallawi et al. Study of Alzheimer’s disease brain impairment and methods for its early diagnosis: a comprehensive survey
CN107590806A (zh) 一种基于大脑医学成像的检测方法和系统
Nisha et al. SGD-DABiLSTM based MRI Segmentation for Alzheimer’s disease Detection
Qiao et al. A fusion of multi-view 2D and 3D convolution neural network based MRI for Alzheimer’s disease diagnosis
Ding et al. Low-rank domain adaptive method with inter-class difference constraint for multi-site autism spectrum disorder identification
Rohini et al. ConvNet based detection and segmentation of brain tumor from MR images
CN113080929A (zh) 一种基于机器学习的抗nmdar脑炎图像特征分类方法
Abd Hamid et al. Incorporating attention mechanism in enhancing classification of alzheimer’s disease
Kalirajan An intelligent magnetic resonance imagining-based multistage Alzheimer’s disease classification using swish-convolutional neural networks
Liu et al. Preclinical Stages of Alzheimer's Disease Classification by a Rs-fMRI Study

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant