CN103800011B - 一种基于功能磁共振成像的脑区效应连接分析系统 - Google Patents
一种基于功能磁共振成像的脑区效应连接分析系统 Download PDFInfo
- Publication number
- CN103800011B CN103800011B CN201410054387.9A CN201410054387A CN103800011B CN 103800011 B CN103800011 B CN 103800011B CN 201410054387 A CN201410054387 A CN 201410054387A CN 103800011 B CN103800011 B CN 103800011B
- Authority
- CN
- China
- Prior art keywords
- brain
- effective connectivity
- module
- rsqb
- lsqb
- 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.)
- Expired - Fee Related
Links
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于功能磁共振成像的脑区效应连接分析系统,包括实验范式设计模块、核磁成像处理模块、大脑图像分区模块、效应连接检测模块和分析结果显示模块。实验范式设计模块对实验对象参与的实验内容和实验流程进行设计;核磁成像处理模块通过参数配置单元对磁共振设备采集到的图像进行预处理并保存;大脑图像分区模块加载和储存大脑分区模板,对核磁成像进行区域划分;效应连接检测模块进行定向线性因果关系分析,计算效应连接值和连接指标;分析结果显示模块将效应连接分析结果和相关的脑功能指标反馈给医护人员和被试。本发明在功能磁共振成像质量评估、脑功能诊断与调节、认知功能研究、精神疾病治疗等领域具有重要的应用价值。
Description
技术领域
本发明涉及一种医学影像分析系统,具体是一种基于功能磁共振成像的脑区效应连接分析系统,属于生物医学信息处理技术领域。
背景技术
人脑是自然界中最复杂的系统之一。一个成年人的大脑中,大约有1011个神经元细胞,这些数量巨大的神经元细胞通过大约1015个突触交错连接,形成了一个高度复杂的脑神经系统。虽然不同神经元、不同脑区对应不同的功能特异性,但即使是完成一项非常简单的任务,也需要大脑多个不同的区域相互作用、相互联系,构成一个网络来协调工作。
近年来,一些科学家充分认识到了构建人脑网络动态模型的重要性,开展了一系列针对大脑功能连接的研究,力图在广泛的时空尺度上将大脑连接成动态的功能网络,借助先进的技术手段进一步挖掘该网络的连接规律。脑电图(Electroencephalogram, EEG)是目前最敏感的脑功能监测方法,空间分辨率只能达到厘米级别,并且极易受各种因素干扰,多数情况下不能作为大脑功能网络研究的唯一依据。
脑影像学技术能够从微观和宏观水平上分析局部和整体大脑功能网络特性的变化。基于血液氧合依赖水平(Blood Oxygen Level Dependent,
BOLD)的功能磁共振成像(Functional
Magnetic Resonance Imaging, fMRI)技术利用磁共振造影来测量神经元活动所引发的氧合血红蛋白含量变化,不仅时间分辨率更高,其空间分辨率也可达到毫米水平。作为一种非损伤性脑成像技术,磁共振成像在脑功能研究中发挥了不可替代的作用。借助磁共振成像技术可以将对大脑的研究扩展至记忆力、注意力等,识别研究对象感觉到的声音、图像或者阅读的词语、执行的动作,甚至能够实现对个人内心世界的揭示。
脑功能网络从整体的角度克服了以往孤立研究单个脑区的缺陷,但是目前的脑网络研究大多集中在对无向网络功能连接的研究上。无向连接分析起来比较简单,但是忽略了大脑神经系统中非常重要的方向和权重信息。因此,构建有向的功能网络来刻画不同脑区神经活动之间的因果关系,更深入细致的理解大脑的结构组织模式和功能活动规律成为大脑网络研究的当务之急。
在大脑网络研究中,具有方向性的功能连接称为效应连接。效应连接体现了空间上分离的神经单元(脑区)的神经活动在时间上的关联性或统计依赖关系,通过量化神经单元之间的直接或间接影响,反映神经活动的动态过程以及实验因素对神经活动的调节作用,更接近于真实的脑功能机制。大脑功能连接模式的研究目前只是停留在体验式实验的设计与分析阶段,对脑功能网络连接机制、尤其是对脑区效应连接机制的模型化和机理性研究相对较少。同时,在当前的认知研究和临床应用中,也非常缺乏与先进的功能磁共振成像技术相配套、满足实际应用需要的综合性脑区效应连接分析系统。
发明内容
针对现有技术存在的不足之处和实际应用的需要,本发明要解决的问题是:
提供一种基于功能磁共振成像脑区效应连接分析系统,实现对大脑功能区域之间的效应连接进行判定和记录。
为了达到上述目的,本发明采取以下技术方案:
一种基于功能磁共振成像的脑区效应连接分析系统,包括实验范式设计模块、核磁成像处理模块、大脑图像分区模块、效应连接检测模块和分析结果显示模块:
所述实验范式设计模块用于对实验对象(被试者)参与的实验内容和流程进行设计;
所述核磁成像处理模块包括图像读取单元、格式转换单元、图像预处理单元和参数配置单元,通过参数配置界面对磁共振设备采集到的大脑三维结构像和时间层功能像进行读取和格式转换,执行预处理操作;
所述大脑图像分区模块用于加载和储存各种标准化的大脑分区模板,将操作人员选定的模板与磁成像处理模块预处理后的核磁图像进行匹配,划分图像为若干大脑区域;
所述效应连接检测模块包括时间序列提取单元、因果连接分析单元和连接指标计算单元,用于提取大脑功能磁共振图像中不同标准分区对应的时间序列,对一组实验对象的时间序列进行单样本T检验(One sample T-test),将得到的组分析结果进行定向线性因果关系分析,计算不同脑区时间序列之间的效应连接值和效应连接指标;
所述分析结果显示模块将效应连接分析结果和相关的脑功能指标反馈给医护人员、被试和操作人员。
进一步,所述核磁成像处理模块将读取到的磁共振图像由DICOM格式转换为NIFTI格式。
进一步,所述核磁成像处理模块执行的图像预处理操作包括功能像头动校正、结构像配准、结构像灰质分割、结构像和功能像标准化、功能像平滑等预处理操作。
进一步,所述效应连接检测模块采用多变量自回归(Multivariate
Autoregressive, MVAR)模型测量两组时间序列之间的定向线性因果关系。根据脑区时间序列建立的p阶MVAR模型表达式可表示为:
,
其中, u [n]、 v [n]及 w [n]分别为时间序列 x [n]、 y [n]及其组合向量(矩阵 z [n])的自回归估计残差。在上述MVAR模型中,残差的方差或方差矩阵可表示为:
,,。
根据MVAR模型得到的定向线性因果关系可以表示为:
。
其中,F x→y 表示以 x [n]为参考区域指向 y [n]的线性定向影响;F y→x 表示从 y [n]到 x [n]的线性定向影响。
如果 x [n]的过去值能够预测 y [n]的当前值,F x→y 的值就会明显大于0 (T 1 <<M 1);反之,F 1→2值近似等于0 (T 2 ≈M 2),F y→x 的情况类似。F x→y 与F y→x 差值的符号代表因效连接方向,差值大小表示因效连接的权值;由于T 1 ≤M 1、T 2 ≤M 2,F x→y 和F y→x 总是非负,需要将它们的值进行归一化;然后采用错误发现率校正方法(FDR)确定其显著性水平的阈值,并将结果映射到每个脑区,形成大脑因效连接网络。
进一步,所述分析结果显示模块显示的脑功能指标主要包括脑区因果连接图、加权因果连接图、出\入度、加权出\入度、聚类系数、因果密度等。
采用上述技术方案后,本发明的有益技术效果是:
(1)通过量化磁共振成像时间序列之间的作用程度,根据节点间的有向连接强度判定和描述不同脑区在统计意义上的因果关系;
(2)通过分析体现生理和心理信息传递方向的有向连接机制,探寻大脑功能特征参数变化的起因,并完善大脑各个区域相互作用所形成的拓扑结构;
(3)通过分析脑区之间协同工作模式和调控与被调控关系,发现大脑特定区域在体现抑郁症发病机理和症状表现的相应有向连接中所起到的作用,以更好的解释患者大脑内的信息加工和精神表达机制;
(4)在功能磁共振成像质量评估、脑功能诊断与调节、认知功能研究、精神疾病治疗等多个领域具有重要的应用价值。
附图说明
图1是本发明一种基于功能磁共振成像的脑区效应连接分析系统的结构示意图;
图2是本发明中核磁成像处理模块的结构示意图;
图3是本发明中效应连接检测模块的结构示意图;
图4是本发明一种基于功能磁共振成像的脑区效应连接分析系统的操作流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的说明。
本发明一种基于功能磁共振成像的脑区效应连接分析系统的结构如图1所示,包括实验范式设计模块、核磁成像处理模块、大脑图像分区模块、效应连接检测模块和分析结果显示模块。本实施例中,系统平台采用Windows操作系统下的图形化集成开发环境Visual
C# 2010实现,数据存储与处理载体为64位计算机,人机交互界面载体为液晶显示屏或触摸屏。
操作人员通过实验范式设计模块对实验对象(被试)参与的实验内容和实验流程进行设计。本实施例中,系统采取随机、对照和重复的组块实验方案,激活状态和控制状态两个组块交替进行。
如图2所示,核磁成像处理模块包括图像读取单元、格式转换单元、图像预处理单元和参数配置单元。操作人员首先通过参数配置单元进行参数设置后,在图像读取单元中对磁共振设备采集到的大脑三维结构像和时间层功能像进行读取,再在格式转换单元中将读取到的结构像和功能像由DICOM格式转换为NIFTI格式,然后在图像预处理单元中进行头动校正、配准、分割结构像、标准化、平滑等预处理操作,最后核磁成像处理传递至效应连接检测模块。本实施例中,核磁成像处理模块执行的预处理操作步骤依次为:功能像头动校正、结构像配准、结构像灰质分割、结构像和功能像标准化、功能像平滑。
大脑图像分区模块用于加载和储存各种标准化的大脑分区模板,如AAL分区模板、Brodmann分区模板、CH2分区模板等。操作人员将选定的模板与磁成像处理模块得到的图像进行匹配,划分图像为若干大脑区域,还可以依据先验知识选取部分脑区或一些功能相关脑区组成的社团组合,最终将大脑图像分区结果传递至效应连接检测模块。本实施例中,系统默认选择被划分成90个脑区的AAL大脑分区模板进行全脑效应连接分析。
如图3所示,效应连接检测模块包括时间序列提取单元、因果连接分析单元和连接指标计算单元。操作人员对效应连接检测模块的检测选项进行选择,通过时间序列提取单元提取大脑不同标准分区对应的时间序列,再通过因果连接分析单元对一组实验对象的时间序列进行统计分析,将得到的组分析结果进行定向线性因果关系分析,计算不同脑区时间序列之间的效应连接值,然后通过连接指标计算单元计算出脑区效应连接的各项指标;再将计算结果传递至分析结果显示模块。本实施例中,系统提取预处理后磁共振图像中各脑区的体素平均值作为大脑血氧依赖水平(BOLD)响应的时间序列。
效应连接检测模块采用MVAR模型测量两组时间序列之间的定向线性因果关系。根据脑区的时间序列建立的p阶MVAR模型表达式可表示为:
,
其中, u [n]、 v [n]及 w [n]分别为时间序列 x [n]、 y [n]及其组合向量(矩阵 z [n])的自回归估计残差。
上述MVAR模型中,残差的方差或方差矩阵可表示为:
,,。
根据MVAR模型得到的定向线性因果关系可以表示为:
。
其中,F x→y 表示以 x [n]为参考区域指向 y [n]的线性定向影响;F y→x 表示从 y [n]到 x [n]的线性定向影响。
如果 x [n]的过去值能够预测 y [n]的当前值,F x→y 的值就会明显大于0 (T 1 <<M 1);反之,F 1→2值近似等于0 (T 2 ≈M 2),F y→x 的情况类似。F x→y 与F y→x 差值的符号代表因效连接方向,差值大小表示因效连接的权值;由于T 1 ≤M 1、T 2 ≤M 2,F x→y 和F y→x 总是非负,需要将它们的值进行归一化;然后采用错误发现率校正方法(FDR)确定其显著性水平的阈值,并将结果映射到每个脑区,形成大脑因效连接网络。
当 x [n]过去值的相关信息丢失时,以前能被 x [n]过去值解释的 z [n]的方差,现在只能用 y [n]的过去值来解释,这就导致了F y→x 测量值的波动。本实施例中,为了避免测量偏差的干扰,采用F x→y 和F y→x 的差值来考察时间序列之间的因果关系。当F x→y —F y→x >0时,表示 x [n]对 y [n]存在正向影响;F x→y —F y→x <0表示 y [n]对 x [n]的影响为正向。
操作人员可以对分析结果显示模块的显示选项进行选择,分析结果显示模块将效应连接分析结果和相关的脑功能指标反馈给医护人员和被试和操作人员。分析结果显示模块显示的大脑功能因效连接指标主要包括脑区因果连接图、加权因果连接图、出\入度、加权出\入度、聚类系数、因果密度等。本实施例中,系统显示的因效连接指标为加权因果图、加权出\入度和因果密度。
如图4所示,本发明一种基于功能磁共振成像的脑区效应连接分析方法包括以下步骤:
(1)操作人员通过实验范式设计模块对实验对象(被试)参与的实验内容和实验流程进行设计;
(2)操作人员通过核磁成像处理模块中的参数配置界面设置参数,对磁共振设备采集到的图像进行读取和格式转换,再进行头动校正、配准、分割结构像、标准化、平滑等预处理;
(3)操作人员通过大脑图像分区模块选定一种标准化的大脑分区模板,并与预处理后的核磁图像进行匹配,划分图像为若干大脑区域;
(4)操作人员通过效应连接检测模块提取大脑功能磁共振图像中不同标准分区对应的时间序列;
(5)操作人员通过效应连接检测模块对该组实验对象的脑区时间序列进行统计分析,计算不同脑区时间序列之间的效应连接值和效应连接指标;
(6)操作人员通过分析结果显示模块将效应连接分析结果和相关的脑功能指标反馈给医护人员和被试,如果医护人员要求更换其它脑区标准模板进行效应连接检测分析,转至步骤(3);否则执行步骤(7);
(7)操作人员收到医护人员关于实验重新开始的通知,转至步骤(1);否则执行步骤(8);
(9)结束本次分析。
本发明还可以按照如下方式进行,以达到更有效或更有针对性的效应连接分析效果:
(1)操作人员可以在大脑图像分区模块存储或加载的标准化大脑分区模板中,依据先验知识选取部分脑区或一些功能相关脑区组成的社团组合,并与核磁成像处理模块预处理后的图像进行匹配。在大脑分区结果传递至效应连接检测模块后,提取所选定区域对应的时间序列进行效应连接分析。
(2)操作人员除了采用大脑图像分区模块自带的标准化大脑分区模板,还可以在大脑结构像中自由选取若干个感兴趣区域(Region of Interest, ROI),并与核磁成像处理模块预处理后的图像进行匹配,在效应连接检测模块中提取各个感兴趣区域对应的时间序列进行效应连接分析。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于功能磁共振成像的脑区效应连接分析系统的使用方法,其特征在于:该脑区效应连接分析系统包括依次连接的实验范式设计模块、核磁成像处理模块、大脑图像分区模块、效应连接检测模块和分析结果显示模块,所述核磁成像处理模块包括依次连接的图像读取单元、格式转换单元、图像预处理单元和分别与图像读取单元、格式转换单元、图像预处理单元相连的参数配置单元,所述效应连接检测模块包括依次连接的时间序列提取单元、因果连接分析单元和连接指标计算单元;
所述效应连接检测模块提取大脑时间层功能像中不同标准分区对应的时间序列,对一组实验对象的时间序列进行单样本T检验,将得到的组分析结果进行定向线性因果关系分析,计算不同脑区时间序列之间的效应连接值和效应连接指标;所述效应连接检测模块采用多变量自回归模型测量两组时间序列之间的定向线性因果关系;根据脑区时间序列建立的p阶MVAR模型表达式表示为:
其中,u[n]、v[n]及w[n]分别为时间序列x[n]、y[n]及其组合向量矩阵z[n]的自回归估计残差;所述效应连接检测模块采用的多变量自回归模型中,残差的方差或方差矩阵表示为:
所述效应连接检测模块根据多变量自回归模型得到的定向线性因果关系表示为:
其中,Fx→y表示以x[n]为参考区域指向y[n]的线性定向影响;Fy→x表示从y[n]到x[n]的线性定向影响;
如果x[n]的过去值能够预测y[n]的当前值,Fx→y的值就会明显大于0,即T1<<M1;反之,F1→2值近似等于0,即T2≈M2,Fy→x的情况类似;Fx→y与Fy→x差值的符号代表因效连接方向,差值大小表示因效连接的权值;由于T1≤M1、T2≤M2,Fx→y和Fy→x总是非负,需要将它们的值进行归一化;然后采用错误发现率校正方法确定其显著性水平的阈值,并将结果映射到每个脑区,形成大脑因效连接网络;
操作人员在大脑图像分区模块存储或加载的标准化大脑分区模板中,依据先验知识选取部分脑区或功能相关脑区组成的社团组合,并与核磁成像处理模块预处理后的图像进行匹配;在大脑分区结果传递至效应连接检测模块后,提取所选定区域对应的时间序列进行效应连接分析。
2.根据权利要求1所述的一种基于功能磁共振成像的脑区效应连接分析系统的使用方法,其特征在于:所述实验范式设计模块对实验对象参与的实验内容和流程进行设计。
3.根据权利要求1所述的一种基于功能磁共振成像的脑区效应连接分析系统的使用方法,其特征在于:所述核磁成像处理模块通过参数配置单元对磁共振设备采集到的大脑三维结构像和时间层功能像进行读取和格式转换,再执行包括功能像头动校正、结构像配准、结构像灰质分割、结构像和功能像标准化、功能像平滑的预处理操作。
4.根据权利要求1所述的一种基于功能磁共振成像的脑区效应连接分析系统的使用方法,其特征在于:所述大脑图像分区模块加载和储存各种标准化的大脑分区模板,将操作人员选定的模板与磁成像处理模块预处理后的核磁图像进行匹配,并将图像划分为若干大脑区域。
5.根据权利要求1所述的一种基于功能磁共振成像的脑区效应连接分析系统的使用方法,其特征在于:所述分析结果显示模块将效应连接分析结果和相关的脑功能指标反馈给医护人员、被试和操作人员。
6.根据权利要求1或3所述的一种基于功能磁共振成像的脑区效应连接分析系统的使用方法,其特征在于:所述核磁成像处理模块将读取到的磁共振图像由DICOM格式转换为NIFTI格式。
7.根据权利要求1或5所述的一种基于功能磁共振成像的脑区效应连接分析系统的使用方法,其特征在于:所述分析结果显示模块显示的脑区效应连接指标,包括脑区因果连接图、加权因果连接图、出\入度、加权出\入度、聚类系数、因果密度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410054387.9A CN103800011B (zh) | 2014-02-18 | 2014-02-18 | 一种基于功能磁共振成像的脑区效应连接分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410054387.9A CN103800011B (zh) | 2014-02-18 | 2014-02-18 | 一种基于功能磁共振成像的脑区效应连接分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103800011A CN103800011A (zh) | 2014-05-21 |
CN103800011B true CN103800011B (zh) | 2016-08-17 |
Family
ID=50697747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410054387.9A Expired - Fee Related CN103800011B (zh) | 2014-02-18 | 2014-02-18 | 一种基于功能磁共振成像的脑区效应连接分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103800011B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104207776A (zh) * | 2014-08-22 | 2014-12-17 | 南昌大学 | 一种综合性磁共振成像装置及方法 |
CN104361203A (zh) * | 2014-10-17 | 2015-02-18 | 东南大学 | 基于脑网络时空动力学分析的社会情绪能力评测系统 |
CN105117731A (zh) * | 2015-07-17 | 2015-12-02 | 常州大学 | 一种大脑功能网络的社团划分方法 |
CN106021949B (zh) * | 2016-05-31 | 2019-03-22 | 常州大学 | 一种大脑默认网络的功能连接分析方法 |
CN106447023B (zh) * | 2016-08-18 | 2019-03-05 | 常州大学 | 基于模体结构的大脑默认网络有向连接分析方法 |
CN106798558B (zh) * | 2017-02-19 | 2017-11-17 | 郑州轻工业学院 | 基于主成分分析的关键脑区的度量方法 |
CN107194918B (zh) * | 2017-05-16 | 2020-11-17 | 北京大学 | 数据分析方法及装置 |
CN107240099A (zh) * | 2017-06-16 | 2017-10-10 | 大连理工大学 | 一种脑功能连接分析的Lag‑shift与Granger双约束方法 |
CN108288070B (zh) * | 2018-01-12 | 2022-04-29 | 迈格生命科技(深圳)有限公司 | 一种神经指纹提取分类方法及系统 |
CN108309318B (zh) * | 2018-01-30 | 2020-06-09 | 苏州布芮恩智能科技有限公司 | 基于大脑血红蛋白信息的大脑功能状态评价装置 |
CN108852287A (zh) * | 2018-05-04 | 2018-11-23 | 北京雅森科技发展有限公司 | 一种选择脑对称兴趣区的方法 |
CN110598722B (zh) * | 2018-06-12 | 2022-04-15 | 清华大学 | 多模态神经影像数据自动信息融合系统 |
CN109330596B (zh) * | 2018-11-15 | 2022-04-12 | 郑州轻工业学院 | 基于逐时间窗分析的脑功能连接动态可变性度量方法 |
CN110522463B (zh) * | 2019-08-28 | 2022-07-01 | 常州大学 | 一种基于脑功能连接分析的抑郁症辅助诊断系统 |
CN111539509B (zh) * | 2020-04-16 | 2023-07-21 | 山东第一医科大学(山东省医学科学院) | 一种虚拟数字脑构建方法与系统及智能机器人控制系统 |
CN113017651B (zh) * | 2021-03-16 | 2022-06-21 | 哈尔滨工业大学 | 一种情感eeg的脑功能网络分析方法 |
CN113729686B (zh) * | 2021-09-23 | 2023-12-01 | 南京航空航天大学 | 一种大脑局部功能动态性实时测量系统 |
CN117726674B (zh) * | 2024-02-07 | 2024-05-14 | 慧创科仪(北京)科技有限公司 | 基于个性化脑模型的近红外脑功能成像装置的定位方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102366323A (zh) * | 2011-09-30 | 2012-03-07 | 中国科学院自动化研究所 | 一种基于pca和gca的磁共振脑成像因果连接强度的检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5603322A (en) * | 1993-01-19 | 1997-02-18 | Mcw Research Foundation | Time course MRI imaging of brain functions |
CN101912263B (zh) * | 2010-09-14 | 2011-12-14 | 北京师范大学 | 基于脑功能网络成分检测的实时功能磁共振数据处理系统 |
-
2014
- 2014-02-18 CN CN201410054387.9A patent/CN103800011B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102366323A (zh) * | 2011-09-30 | 2012-03-07 | 中国科学院自动化研究所 | 一种基于pca和gca的磁共振脑成像因果连接强度的检测方法 |
Non-Patent Citations (1)
Title |
---|
基于功能磁共振成像的运动系统脑功能网络研究;高晴;《中国博士学位论文全文数据库 医药卫生科技辑》;20101215;正文第32-37页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103800011A (zh) | 2014-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103800011B (zh) | 一种基于功能磁共振成像的脑区效应连接分析系统 | |
Scheinost et al. | Ten simple rules for predictive modeling of individual differences in neuroimaging | |
Giovannucci et al. | CaImAn an open source tool for scalable calcium imaging data analysis | |
Castellazzi et al. | A machine learning approach for the differential diagnosis of Alzheimer and vascular dementia fed by MRI selected features | |
Craddock et al. | Connectomics and new approaches for analyzing human brain functional connectivity | |
Sui et al. | An ICA-based method for the identification of optimal FMRI features and components using combined group-discriminative techniques | |
CN109770903B (zh) | 功能磁共振影像的分类预测系统 | |
Pan et al. | Characterization multimodal connectivity of brain network by hypergraph GAN for Alzheimer’s disease analysis | |
Eitel et al. | Promises and pitfalls of deep neural networks in neuroimaging-based psychiatric research | |
Bonacchi et al. | Role of artificial intelligence in MS clinical practice | |
Puoliväli et al. | Influence of multiple hypothesis testing on reproducibility in neuroimaging research: A simulation study and Python-based software | |
Torres et al. | Evaluation of interpretability for deep learning algorithms in EEG emotion recognition: A case study in autism | |
Achilleos et al. | Extracting explainable assessments of Alzheimer’s disease via machine learning on brain MRI imaging data | |
Provenzano et al. | A machine learning approach to the differentiation of functional magnetic resonance imaging data of chronic fatigue syndrome (CFS) from a sedentary control | |
Feng et al. | A review of methods for classification and recognition of ASD using fMRI data | |
Deng et al. | SparNet: a convolutional neural network for EEG space-frequency feature learning and depression discrimination | |
Bush et al. | Improving the precision of fMRI BOLD signal deconvolution with implications for connectivity analysis | |
Kim | Imaging recollection, familiarity, and novelty in the frontoparietal control and default mode networks and the anterior-posterior medial temporal lobe: an integrated view and meta-analysis | |
Xi et al. | Brain Functional Networks with Dynamic Hypergraph Manifold Regularization for Classification of End-Stage Renal Disease Associated with Mild Cognitive Impairment. | |
Zhang et al. | GWLS: a novel model for predicting cognitive function scores in patients with end-stage renal disease | |
Ajith et al. | A deep learning approach for mental health quality prediction using functional network connectivity and assessment data | |
Richie-Halford et al. | An open, analysis-ready, and quality controlled resource for pediatric brain white-matter research | |
Menon et al. | Quantitative modeling links in vivo microstructural and macrofunctional organization of human and macaque insular cortex, and predicts cognitive control abilities | |
CN112052882B (zh) | 磁共振脑结构影像的分类模型构建、分类与可视化方法 | |
Raghav et al. | Autism Spectrum Disorder Detection in Children Using Transfer Learning Techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160817 Termination date: 20210218 |
|
CF01 | Termination of patent right due to non-payment of annual fee |