CN104899884A - 一种用于早期帕金森症预测的综合分析方法 - Google Patents
一种用于早期帕金森症预测的综合分析方法 Download PDFInfo
- Publication number
- CN104899884A CN104899884A CN201510298754.4A CN201510298754A CN104899884A CN 104899884 A CN104899884 A CN 104899884A CN 201510298754 A CN201510298754 A CN 201510298754A CN 104899884 A CN104899884 A CN 104899884A
- Authority
- CN
- China
- Prior art keywords
- data
- index
- fiber
- lambda
- average
- 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.)
- Pending
Links
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
-
- 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]
- G06T2207/10092—Diffusion tensor magnetic resonance imaging [DTI]
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种用于早期帕金森症预测的综合分析方法,包括以下步骤:步骤S1,读取扩散加权磁共振数据DW-MRI,并对全部数据进行降噪、平滑预处理,运用扩散张量成像及高角度分辨率扩散成像技术进行建模成像及纤维跟踪,获取体素纤维方向信息,并计算得到6种脑纤维差异分析指标数据;步骤S2,提取并标记特定脑部区域体素信息,根据设定各向异性分数FA的阈值,选取连续区域为中脑黑质区域,然后筛选提取感兴趣区域内的各指标数据;步骤S3,根据步骤S2中得到的6种差异分析指标,运用SPSS分析工具进行综合分析,得出被试者与正常人中脑黑质区域的纤维差异性结果,从而预测被试者的患病情况。本发明高分辨率、准确可靠。
Description
技术领域
本发明涉及图像处理、医学成像、计算方法、数学、非医学疾病诊断、神经解剖学等领域,尤其是这一种综合分析早期帕金森症脑纤维差异及疾病预测的方法。
背景技术
帕金森症是一种神经系统变性疾病,其病理的研究一直是医学领域的热点。帕金森症多由中脑黑质区域含多巴胺神经元的损失引起,现今针对帕金森的研究方法主要是通过化学药物实验以及临床医学观察,如Burns等人发现N-甲基-4-苯基-1,2,3,6-四氢吡啶(NMPTP)能降低多巴胺的释放和积聚,脑源性神经营养因子(BDNF)影响含多巴胺神经元存活性,HLA-DR阳性反应性小胶质细胞可降低皮质胆碱乙酰转移酶活性从而导致帕金森症等,但这些研究方法不能准确诊断病症且实施繁琐。
现今,扩散张量技术在纤维信息重建方面取得了广泛的应用,同时基于扩散张量技术重构帕金森患者脑白质纤维结构,探索局部白质的完整性,来分析帕金森患者中脑黑质差异,逐渐成为研究帕金森病症根源的新方向。现有研究主要有感兴趣区域(ROI)法,即通过DTI重建特定脑区,提取并对比患者与正常人的指标发现差异性;传统的神经医学分析方法可分为基于体素的分析(voxel-basedanalysis,VBA)与基于纤维的分析(fiber-based analysis,FBA)。最新研究即通过基于高分辨率DTI的指标差异分析,包括各向异性分数(FA),平均弥散系数(MD)以及表观扩散系数(ADC),估计黑质DTI参数变化对疾病的影响,阐述了DTI技术在帕金森症中脑黑质差异的潜在诊断价值。
但目前,由于基于DTI的研究指标较单一,使得体素分析方法在准确性上仍存在争议。此外,目前对帕金森症的诊断研究缺少基于纤维的分析及差异指标,而DTI技术由于角度分辨率较低、跟踪误差大等缺点,难以应用于临床诊断;同时,DTI在描述实际体素存在的非高斯分布的复杂神经纤维结构以及提供不同脑区域之间纤维束的解剖连接信息上也具有一定的局限性。因此在今后的工作中,基于高角度分辨率扩散成像(HARDI)技术分析帕金森症患者与正常人在中脑黑质区域纤维的差异性并进行疾病的病理分析及预测诊断将成为研究的主流。本方法运用多种HARDI技术进行成像建模与跟踪,引入多项基于体素或纤维的差异性分析指标,并结合系统综合的统计分析方法,不仅提高了纤维重构的精确性,也提高了指标分析的可靠性与准确性。随着研究的不断深入,有望让基于HARDI技术指标的综合分析方法作为一种有效辅助预测帕金森症的新途径,在临床诊断与病理分析上有很好的应用前景与医疗价值。
发明内容
为了克服已有辅助预测帕金森症方式的步骤繁琐、方法角度误差大、分辨率低,分析指标单一的不足,本发明提供了一种高分辨率、准确可靠的用于早期帕金森症预测的综合分析方法。
本发明解决其技术问题所采用的技术方案是:
一种用于早期帕金森症预测的综合分析方法,所述综合分析方法包括以下步骤:
步骤S1,读取扩散加权磁共振数据DW-MRI,并对全部数据进行降噪、平滑预处理,运用扩散张量成像及高角度分辨率扩散成像技术进行建模成像及纤维跟踪,获取体素纤维方向信息,并计算得到6种脑纤维差异分析指标数据,包括各向异性分数FA、平均弥散系数MD、均方位移MSD、广义各向异性分数GFA、GFApeak及体素平均密度
步骤S2,提取并标记特定脑部区域体素信息,所述特定脑部区域为中脑,根据设定各向异性分数FA的阈值,选取连续区域为中脑黑质区域,然后筛选提取感兴趣区域内的各指标数据;
步骤S3,根据步骤S2中得到的6种差异分析指标,运用SPSS分析工具进行综合分析,得出被试者与正常人中脑黑质区域的纤维差异性结果,从而预测被试者的患病情况,过程如下:
3.1)运用SPSS对各组指标中错误数据及异常数据进行预处理,具体步骤包括:
首先,将被试者数据与已知正常人数据分为2类,另设变量w作为组别标记,其值包括自然数1表示被试组、2表示控制组;
其次,对控制组由SPSS标出异常个案,进行剔除;对被试组采用SPSS统计离散值,将数据进行筛选并剔除错误值;筛选后的缺失数据用均值填充;
最后,分别计算各指标每组数据的均值、标准差,并进行0-1标准化处理;
3.2)分别对单个指标均值、标准差进行单因素方差分析:
以步骤4.1)得出的组别标记变量w作为自变量,被试组、控制组各指标均值及标准差数据作为各因变量,运用SPSS对单因素试验结果进行分析,以P=0.05为显著性水平,通过对多个样本均值的显著性检验,分析获得各指标在被试组与控制组间的显著差异结果,P<0.05表示数据存在显著性差异(即初步预测被试者患病),反之预测被试者未患病。
进一步,所述步骤S3还包括如下步骤:
3.3)根据各指标数据计算反应数据内在含义的综合指标,并进行组合分析,具体步骤如下:
3.3.1)将被试组各均值、标准差数据进行1-2标准化处理,即将步骤3.1)获取的0-1标准化数据结果加1,转换到1-2区间;
3.3.2)设定参数a∈(0,1),将a与各指标均值标准差S进行线性或非线性组合,得到各指标对应新指标数据f(x,y):
f(x,y)=ax+(1-a)y
其中x,y分别为S的线性或非线性运算变换,此处取
3.3.3)分别对3.3.2)计算得出的各指标f(x,y)进行方差分析,计算使各指标同时满足显著差异的相应阈值范围a;若存在满足上述条件的a,则表明被试者与正常人脑纤维存在显著差异,反正则判别为正常。
再进一步,所述步骤S3还包括如下步骤:
3.4)运用线性(Linear)判别函数,对各指标均值与标准差数据进行判别分析,过程包括:
3.4.1)根据步骤3.2)-3.3)得出的指标差异性结论,将每组有显著性差异的指标均值数据作为一个属性,并将按设定规律组合的数据作为新的综合指标;
3.4.2)以步骤3.4.1)得出的综合指标为判别标准,并选取被试者对应的指标数据作为样本,调用线性判别函数,获取各组的协方差矩阵的估计,最终将被试者分配到两个类别之一,即为预测判别被试者的患病结果。
更进一步,所述步骤S1中,运用DTI及HARDI方法进行纤维重构及纤维方向分布估计,并在此基础上获取6项差异分析指标,各指标计算方法包括以下步骤:
1.1)通过扩散张量成像(DTI)建模,获取组织在三个轴方向的平均扩散度,即二阶张量扩散特征值的平均值λ1,λ2,λ3,最终算得FA、MD指标数据:
1.2)与步骤1.1)FA计算方法类似,通过扩散信号的Funk-Radon变换(FRI)并归一化,重构测量扩散方向分布函数(ODF),然后估计每个体素内的潜在纤维方向概率分布,从而计算出指标GFA,计算公式如下:
其中是感兴趣扩散方向的一个ODF值,是ODF的平均值,GFA表示纤维各向异性分数的均值,GFApeak表示纤维各向异性峰值;
1.3)通过HARDI的流线性纤维跟踪,获取三维体素体积信息,并以纤维体素为单位,计算得穿过某区域单位体积纤维数,即纤维疏密程度衡量指标,体素平均密度计算公式如下:
其中,n表示穿过ROI内的纤维总数,V表示该区域内体素的总体积;
1.4)在建模及贝叶斯概率跟踪基础上,通过获取分子运动的参数估计,计算归一化球面采样信号的分子扩散位移对扩散时间的积分变换,从而获取三维体素内单个分子运动的平均距离,即为MSD指标,用于后续帕金森症ROI内微观分子运动距离的差异性分析,具体计算公式如下:
msd(t)=<Δri(t)2>=<(ri(t)-ri(0))2>
其中,i=1,...,m,m表示分子数量;ri(t)-ri(0)为分子i在一定时间间隔长度t的矢量距离;该向量的平方是多个时间间隔的均值。
所述步骤S2中,筛选提取精确中脑黑质区域指标数据,具体步骤如下:
首先,运用slicer软件提取中脑区域LABEL;
再将步骤S1中获取的指标矩阵形式数据通过成像分析,结果显示ROI内FA值均在小于0.5范围内,根据此特性确定精确中脑黑质区域;
然后根据设定FA的阈值选取连续区域,从而获取精确ROI内各指标数据。
本发明的技术构思为:运用多种HARDI技术进行成像建模与跟踪,获取多项脑纤维分析指标,再利用统计分析方法,运用多种数学方法与软件,分析帕金森病人与正常人脑纤维差异性,并针对该疾病进行病理分析与初步预测诊断。即为一种用于早期帕金森症预测的高分辨率、准确可靠的综合分析方法。
本发明的有益效果主要表现在:高分辨率、准确可靠。
附图说明
图1为中脑黑质DC0M单层数据的脑纤维成像图,其中,(a)为帕金森症患者,(b)为正常控制组。
图2为各指标数据成像图,其中,(a)为MSD指标成像图,(b)为FA指标成像图,(c)为GFA指标成像图,(d)为GFApeak指标成像图,(e)为指标成像图,(f)为MD指标成像图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2,一种用于早期帕金森症预测的综合分析方法,包括以下步骤:
步骤S1,读取扩散加权磁共振(DW-MRI)数据,并对全部数据进行降噪、平滑预处理,运用扩散张量成像(DTI)及高角度分辨率扩散成像(HARDI)技术进行建模成像及纤维跟踪,获取体素纤维方向信息,并计算得到6种脑纤维差异分析指标数据,包括各向异性分数(FA)、平均弥散系数(MD)、均方位移(MSD)、广义各向异性分数(GFA、GFApeak)及体素平均密度(),用于后续的帕金森症差异分析及预测;
步骤S2,提取并标记特定脑部区域(中脑)体素信息(LABEL),根据设定各向异性分数(FA)的阈值,选取连续区域(即为中脑黑质区域),然后筛选提取感兴趣区域(ROI)内的各指标数据;
步骤S3,根据步骤S2中得到的6种差异分析指标,运用SPSS分析工具进行综合分析,得出被试者与正常人中脑黑质区域的纤维差异性结果,从而预测被试者的患病情况,提供了一种帕金森症病理研究与临床疑似病例诊断的有效途径。
步骤S1中,运用DTI及HARDI方法进行纤维重构及纤维方向分布估计,并在此基础上获取6项差异分析指标,各指标计算方法包括以下步骤:
1.1)通过扩散张量成像(DTI)建模,获取组织在三个轴方向的平均扩散度,即二阶张量扩散特征值的平均值λ1,λ2,λ3,最终算得FA、MD指标数据:
1.2)与步骤1.1)FA计算方法类似,通过扩散信号的Funk-Radon变换(FRI)并归一化,重构测量扩散方向分布函数(ODF),然后估计每个体素内的潜在纤维方向概率分布,从而计算出指标GFA,计算公式如下:
其中是感兴趣扩散方向的一个ODF值,是ODF的平均值,GFA表示纤维各向异性分数的均值,GFApeak表示纤维各向异性峰值;
1.3)通过HARDI的流线性纤维跟踪,获取三维体素体积信息,并以纤维体素为单位,计算得穿过某区域单位体积纤维数,即纤维疏密程度衡量指标,体素平均密度计算公式如下:
其中,n表示穿过ROI内的纤维总数,V表示该区域内体素的总体积;
1.4)在建模及贝叶斯概率跟踪基础上,通过获取分子运动的参数估计,计算归一化球面采样信号的分子扩散位移对扩散时间的积分变换,从而获取三维体素内单个分子运动的平均距离,即为MSD指标,用于后续帕金森症ROI内微观分子运动距离的差异性分析,具体计算公式如下:
msd(t)=<Δri(t)2>=<(ri(t)-ri(0))2>
其中,i=1,...,m,m表示分子数量;ri(t)-ri(0)为分子i在一定时间间隔长度t的矢量距离;该向量的平方是多个时间间隔的均值。
步骤S2中,筛选提取精确中脑黑质区域指标数据,具体步骤如下:
首先,运用slicer软件提取中脑区域LABEL;再将步骤S1中获取的指标矩阵形式数据通过成像分析,结果显示ROI内FA值均在小于0.5范围内,根据此特性确定精确中脑黑质区域;然后根据设定FA的阈值选取连续区域,从而获取精确ROI内各指标数据。
步骤S3中,指标差异性统计分析方法包括单因素方差分析、多指标组合分析、判别分析,具体包括以下步骤:
3.1)运用SPSS对各组指标中错误数据及异常数据进行预处理,具体步骤包括:
首先,将被试者数据与已知正常人数据分为2类,另设变量w作为组别标记,其值包括自然数1(表示被试组)、2(表示控制组);
其次,对控制组由SPSS标出异常个案,进行剔除;对被试组采用SPSS统计离散值,将数据进行筛选并剔除错误值;筛选后的缺失数据用均值填充;
最后,分别计算各指标每组数据的均值、标准差,并进行0-1标准化处理;
3.2)分别对单个指标均值、标准差进行单因素方差分析:
以步骤3.1)得出的组别标记变量w作为自变量,被试组、控制组各指标均值及标准差数据作为各因变量,运用SPSS对单因素试验结果进行分析,以P=0.05为显著性水平,通过对多个样本均值的显著性检验,分析获得各指标在被试组与控制组间的显著差异结果,P<0.05表示数据存在显著性差异(即初步预测被试者患病),反之预测被试者未患病;
3.3)根据各指标数据计算反应数据内在含义的综合指标,并进行组合分析,具体步骤如下:
3.3.1)将被试组各均值、标准差数据进行1-2标准化处理,即将步骤3.1)获取的0-1标准化数据结果加1,转换到1-2区间;
3.3.2)设定参数a∈(0,1),将a与各指标均值标准差S进行线性或非线性组合,得到各指标对应新指标数据f(x,y):
f(x,y)=ax+(1-a)y
其中x,y分别为S的线性或非线性运算变换,此处取
3.3.3)分别对3.3.2)计算得出的各指标f(x,y)进行方差分析,计算使各指标同时满足显著差异的相应阈值范围a;若存在满足上述条件的a,则表明被试者与正常人脑纤维存在显著差异(有患病可能性),反正则判别为正常。
3.4)运用线性(Linear)判别函数,对各指标均值与标准差数据进行判别分析,具体包括:
3.4.1)根据步骤3.2)-3.3)得出的指标差异性结论,将每组有显著性差异的指标均值数据作为一个属性,并将按特定规律组合的数据作为新的综合指标(如组合);
3.4.2)以步骤3.4.1)得出的综合指标为判别标准,并选取被试者对应的指标数据作为样本,调用线性判别函数,获取各组的协方差矩阵的估计,最终将被试者分配到两个类别之一,即为预测判别被试者的患病结果。
本实施例中,为验证本早期帕金森预测分析方法的准确性与可靠性,选取37组帕金森症患者与正常人脑区数据进行指标差异性分析实验;本方法运用基于HARDI技术的中脑黑质区域各指标的计算与综合分析方法,得出帕金森症患者与正常人脑纤维差异,综合出一种早期帕金森症的患病预测的分析方法,可在将来运用于病症的临床诊断预测与病理研究。
Claims (5)
1.一种用于早期帕金森症预测的综合分析方法,其特征在于:所述综合分析方法包括以下步骤:
步骤S1,读取扩散加权磁共振数据DW-MRI,并对全部数据进行降噪、平滑预处理,运用扩散张量成像及高角度分辨率扩散成像技术进行建模成像及纤维跟踪,获取体素纤维方向信息,并计算得到6种脑纤维差异分析指标数据,包括各向异性分数FA、平均弥散系数MD、均方位移MSD、广义各向异性分数GFA、GFApeak及体素平均密度
步骤S2,提取并标记特定脑部区域体素信息,所述特定脑部区域为中脑,根据设定各向异性分数FA的阈值,选取连续区域为中脑黑质区域,然后筛选提取感兴趣区域内的各指标数据;
步骤S3,根据步骤S2中得到的6种差异分析指标,运用SPSS分析工具进行综合分析,得出被试者与正常人中脑黑质区域的纤维差异性结果,从而预测被试者的患病情况,过程如下:
3.1)运用SPSS对各组指标中错误数据及异常数据进行预处理,具体步骤包括:
首先,将被试者数据与已知正常人数据分为2类,另设变量w作为组别标记,其值包括自然数1表示被试组、2表示控制组;
其次,对控制组由SPSS标出异常个案,进行剔除;对被试组采用SPSS统计离散值,将数据进行筛选并剔除错误值;筛选后的缺失数据用均值填充;
最后,分别计算各指标每组数据的均值、标准差,并进行0-1标准化处理;
3.2)分别对单个指标均值、标准差进行单因素方差分析:
以步骤3.1)得出的组别标记变量w作为自变量,被试组、控制组各指标均值及标准差数据作为各因变量,运用SPSS对单因素试验结果进行分析,以P=0.05为显著性水平,通过对多个样本均值的显著性检验,分析获得各指标在被试组与控制组间的显著差异结果,P<0.05表示数据存在显著性差异(即初步预测被试者患病),反之预测被试者未患病。
2.如权利要求1所述的一种用于早期帕金森症预测的综合分析方法,其特征在于:所述步骤S3还包括如下步骤:
3.3)根据各指标数据计算反应数据内在含义的综合指标,并进行组合分析,具体步骤如下:
3.3.1)将被试组各均值、标准差数据进行1-2标准化处理,即将步骤3.1)获取的0-1标准化数据结果加1,转换到1-2区间;
3.3.2)设定参数a∈(0,1),将a与各指标均值标准差S进行线性或非线性组合,得到各指标对应新指标数据f(x,y):
f(x,y)=ax+(1-a)y
其中x,y分别为S的线性或非线性运算变换,此处取y=ln(S);
3.3.3)分别对3.3.2)计算得出的各指标f(x,y)进行方差分析,计算使各指标同时满足显著差异的相应阈值范围a;若存在满足上述条件的a,则表明被试者与正常人脑纤维存在显著差异,反正则判别为正常。
3.如权利要求2所述的一种用于早期帕金森症预测的综合分析方法,其特征在于:所述步骤S3还包括如下步骤:
3.4)运用线性判别函数Linear,对各指标均值与标准差数据进行判别分析,过程包括:
3.4.1)根据步骤3.2)-3.3)得出的指标差异性结论,将每组有显著性差异的指标均值数据作为一个属性,并将按设定规律组合的数据作为新的综合指标;
3.4.2)以步骤3.4.1)得出的综合指标为判别标准,并选取被试者对应的指标数据作为样本,调用线性判别函数,获取各组的协方差矩阵的估计,最终将被试者分配到两个类别之一,即为预测判别被试者的患病结果。
4.如权利要求1~3之一所述的一种用于早期帕金森症预测的综合分析方法,其特征在于:所述步骤S1中,运用DTI及HARDI方法进行纤维重构及纤维方向分布估计,并在此基础上获取6项差异分析指标,各指标计算方法包括以下步骤:
1.1)通过扩散张量成像(DTI)建模,获取组织在三个轴方向的平均扩散度,即二阶张量扩散特征值的平均值λ1,λ2,λ3,最终算得FA、MD指标数据:
1.2)与步骤1.1)FA计算方法类似,通过扩散信号的Funk-Radon变换(FRI)并归一化,重构测量扩散方向分布函数(ODF),然后估计每个体素内的潜在纤维方向概率分布,从而计算出指标GFA,计算公式如下:
其中是感兴趣扩散方向的一个ODF值,是ODF的平均值,GFA表示纤维各向异性分数的均值,GFApeak表示纤维各向异性峰值;
1.3)通过HARDI的流线性纤维跟踪,获取三维体素体积信息,并以纤维体素为单位,计算得穿过某区域单位体积纤维数,即纤维疏密程度衡量指标,体素平均密度计算公式如下:
其中,n表示穿过ROI内的纤维总数,V表示该区域内体素的总体积;
1.4)在建模及贝叶斯概率跟踪基础上,通过获取分子运动的参数估计,计算归一化球面采样信号的分子扩散位移对扩散时间的积分变换,从而获取三维体素内单个分子运动的平均距离,即为MSD指标,用于后续帕金森症ROI内微观分子运动距离的差异性分析,具体计算公式如下:
其中,i=1,...,m,m表示分子数量;ri(t)-ri(0)为分子i在一定时间间隔长度t的矢量距离;该向量的平方是多个时间间隔的均值。
5.如权利要求1~3之一所述的一种用于早期帕金森症预测的综合分析方法,其特征在于:所述步骤S2中,筛选提取精确中脑黑质区域指标数据,具体步骤如下:
首先,运用slicer软件提取中脑区域LABEL;
再将步骤S1中获取的指标矩阵形式数据通过成像分析,结果显示ROI内FA值均在小于0.5范围内,根据此特性确定精确中脑黑质区域;
然后根据设定FA的阈值选取连续区域,从而获取精确ROI内各指标数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510298754.4A CN104899884A (zh) | 2015-06-03 | 2015-06-03 | 一种用于早期帕金森症预测的综合分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510298754.4A CN104899884A (zh) | 2015-06-03 | 2015-06-03 | 一种用于早期帕金森症预测的综合分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104899884A true CN104899884A (zh) | 2015-09-09 |
Family
ID=54032529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510298754.4A Pending CN104899884A (zh) | 2015-06-03 | 2015-06-03 | 一种用于早期帕金森症预测的综合分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104899884A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105551026A (zh) * | 2015-12-08 | 2016-05-04 | 浙江工业大学 | 一种基于扩散张量成像的脑部特征提取方法 |
CN106529168A (zh) * | 2016-11-08 | 2017-03-22 | 无锡市妇幼保健院 | 一种面向妇科疾病智能化诊断的数据预处理技术 |
CN113077448A (zh) * | 2021-02-05 | 2021-07-06 | 和人人工知能科技有限公司 | 利用神经黑色素影像提供帕金森病信息的装置及方法 |
CN115359305A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 一种大脑纤维束异常区域精准定位系统 |
-
2015
- 2015-06-03 CN CN201510298754.4A patent/CN104899884A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105551026A (zh) * | 2015-12-08 | 2016-05-04 | 浙江工业大学 | 一种基于扩散张量成像的脑部特征提取方法 |
CN106529168A (zh) * | 2016-11-08 | 2017-03-22 | 无锡市妇幼保健院 | 一种面向妇科疾病智能化诊断的数据预处理技术 |
CN113077448A (zh) * | 2021-02-05 | 2021-07-06 | 和人人工知能科技有限公司 | 利用神经黑色素影像提供帕金森病信息的装置及方法 |
CN115359305A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 一种大脑纤维束异常区域精准定位系统 |
CN115359305B (zh) * | 2022-10-19 | 2023-01-10 | 之江实验室 | 一种大脑纤维束异常区域精准定位系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022256063A9 (en) | Predictive prognosis based on multimodal analysis | |
Obuchowski et al. | Quantitative imaging biomarkers: a review of statistical methods for computer algorithm comparisons | |
Mazziotta et al. | A four-dimensional probabilistic atlas of the human brain | |
CN108288070B (zh) | 一种神经指纹提取分类方法及系统 | |
Strange et al. | The National echocardiography database Australia (NEDA): rationale and methodology | |
CN103142229B (zh) | 扩散峭度张量成像的高阶张量特征参数提取方法 | |
CN104899884A (zh) | 一种用于早期帕金森症预测的综合分析方法 | |
US7471816B2 (en) | Virtual resolution enhancement in diagnostic imaging using FEA | |
JP2009518060A (ja) | 被調査脳の変化の局所解剖図的表示方法 | |
Huang et al. | Medical media analytics via ranking and big learning: A multi-modality image-based disease severity prediction study | |
Antila et al. | The PredictAD project: development of novel biomarkers and analysis software for early diagnosis of the Alzheimer's disease | |
Franco et al. | Can a quantitative means be used to predict flow patterns: agreement between visual inspection vs. flow index derived flow patterns | |
Alberich-Bayarri et al. | In vivo trabecular bone morphologic and mechanical relationship using high-resolution 3-T MRI | |
Bahsoun et al. | FLAIR MRI biomarkers of the normal appearing brain matter are related to cognition | |
Singh et al. | Classification of first trimester ultrasound images using deep convolutional neural network | |
Lee et al. | Fine-grained brain tissue segmentation for brain modeling of stroke patient | |
Callaghan et al. | Toward personalised diffusion MRI in psychiatry: improved delineation of fibre bundles with the highest-ever angular resolution in vivo tractography | |
Ernst et al. | A CNN-based framework for statistical assessment of spinal shape and curvature in whole-body MRI images of large populations | |
WO2023190880A1 (ja) | 脳画像データ解析装置、脳画像データ解析方法および脳画像データ解析プログラム | |
Xi et al. | Hypergraph representation of multimodal brain networks for patients with end-stage renal disease associated with mild cognitive impairment | |
Abdallah et al. | A new uniform parameterization and invariant 3D spherical harmonic shape descriptors for shape analysis of the heart’s left ventricle–A pilot study | |
Monie et al. | Assessing the clinical utility of combined movement examination in symptomatic degenerative lumbar spondylosis | |
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 | |
Zopes et al. | Multi-modal segmentation of 3D brain scans using neural networks | |
Chen et al. | Spatio-temporal multi-task network cascade for accurate assessment of cardiac CT perfusion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150909 |
|
RJ01 | Rejection of invention patent application after publication |