CN104921727B - 基于自适应先验信息指导的脑功能连通性检测系统和方法 - Google Patents
基于自适应先验信息指导的脑功能连通性检测系统和方法 Download PDFInfo
- Publication number
- CN104921727B CN104921727B CN201510352183.8A CN201510352183A CN104921727B CN 104921727 B CN104921727 B CN 104921727B CN 201510352183 A CN201510352183 A CN 201510352183A CN 104921727 B CN104921727 B CN 104921727B
- Authority
- CN
- China
- Prior art keywords
- prior information
- subject
- group
- component
- functional
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- G06F19/30—
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- High Energy & Nuclear Physics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种基于自适应先验信息指导下的脑功能连通性检测系统,以及利用该系统实现的脑功能连通性检测方法。该方法包含:S1、利用独立成分分析方法对由同一面罩采集到的组被试中的每个单被试的功能磁共振数据单独进行盲源信号分离,得到每个单被试所对应的独立功能成分;S2、从每个单被试对应的功能成分中提取用来指导组单被试水平上的功能磁共振数据分析的自适应先验信息;S3、利用自适应先验信息,基于多目标优化框架,结合权重求和算法和快速不动点算法,对组被试水平上的功能磁共振数据进行盲源信号分离,得到反映组中所有被试共性的组功能成分,完成脑功能连通性检测。本发明能更准确地定位脑功能连通区域。
Description
技术领域
本发明涉及一种脑功能连通性的检测系统和方法,具体是指一种基于自适应先验信息指导的脑功能连通性检测系统和方法,属于基于功能磁共振成像技术的盲源信号分离技术。
背景技术
功能磁共振成像技术是20世纪90年代开始兴起的一种新型的磁共振成像技术。该技术结合了功能、解剖和影像三方面的信息,不仅能显示脑功能激活区的部位、大小和范围,而且可直接显示激活区所在的确切解剖位置,为传统的磁共振技术从单一的形态结构研究到形态与功能相结合的系统研究提供了强有力的技术支持。此外功能磁共振成像技术还具有诸如无创伤性、无放射性、可多次重复操作等许多其他的优越特性,并且与其他非介入性的脑功能定位技术相比,具有较高的时间和空间分辨率。因此该功能磁共振成像技术被广泛应用于人脑功能区的研究,为对人脑功能连通性的检测、神经认知的研究、脑科疾病及心理疾病的诊断等提供了有利的技术保障。
在利用功能磁共振成像技术进行脑功能连通性检测的研究中,高效、准确的处理高维功能磁共振数据的分析方法起到了至关重要的作用。虽然当前存在许多处理功能磁共振成像数据的分析方法,如相关方法、聚类方法、独立成分分析方法以及稀疏方法等,并且它们在一定程度上都能实现对脑功能连通性的检测,但是在应用过程中还是都存在各自的不足与缺陷,对脑功能性检测的准确性还待进一步提高。例如,模糊聚类分析法受制于迭代速度、模糊指数以及功能区估计个数的限制;独立成分分析法需要较强的功能源信号的相互独立假设,从而限制了其在功能连通区域的检测能力。
因此,针对现有的利用功能磁共振成像数据进行脑功能性检测方法的技术还有待进一步发展与提高,需要在更加深入研究的基础上,提出更加完善的技术方案。
发明内容
本发明的目的是提供一种基于自适应先验信息指导下的脑功能连通性检测系统和方法,通过利用已知的组被试中的功能磁共振成像数据,挖掘出隐含的自适应先验信息,并利用该先验信息来指导组被试水平上的脑功能连通性检测,更准确地定位脑功能连通区域。
为实现上述目的,本发明提供一种基于自适应先验信息指导下的脑功能连通性检测系统,包含:单被试水平上的功能磁共振数据分析模块,其与用于采集组被试中的各个单被试的功能磁共振数据的面罩相连,利用独立成分分析方法对组被试中的每个单被试的功能磁共振数据单独进行盲源信号分离,得到每个单被试所对应的独立功能成分;自适应先验信息的提取模块,其与所述的单被试水平上的功能磁共振数据分析模块相连,利用主成分分析方法从每个单被试所对应的功能成分中提取用来指导组单被试水平上的功能磁共振数据分析的自适应先验信息;自适应先验信息指导的组被试水平上的功能磁共振数据分析模块,其与所述的自适应先验信息的提取模块相连,利用自适应先验信息,基于多目标优化框架,结合权重求和算法和快速不动点算法,对组被试水平上的功能磁共振数据进行盲源信号分离,得到反映组中所有被试共性的组功能成分。
所述的自适应先验信息的提取模块包含:功能成分选择模块,其与所述的单被试水平上的功能磁共振数据分析模块相连,从组被试中的每个单被试的功能独立成分中选择所需的功能成分,并构成一个成分矩阵;成分矩阵分析模块,其分别与所述的功能成分选择模块以及自适应先验信息指导的组被试水平上的功能磁共振数据分析模块相连,对成分矩阵分析后得到主成分,并且在给定的阈值下找出该主成分中的激活区域,并选取该主成分中对应于激活区域的部分信息,该部分信息即为被用来指导组被试水平上的功能磁共振数据分析的自适应先验信息。
本发明还提供一种基于自适应先验信息指导下的脑功能连通性检测方法,具体包含以下步骤:
S1、单被试水平上的功能磁共振数据分析:利用独立成分分析方法对由同一面罩采集到的组被试中的每个单被试的功能磁共振数据单独进行盲源信号分离,得到每个单被试所对应的独立功能成分;
S2、自适应先验信息的提取:利用主成分分析方法,从S1中得到的每个单被试所对应的功能成分中提取用来指导组单被试水平上的功能磁共振数据分析的自适应先验信息;
S3、先验信息指导下的组被试水平上的功能磁共振数据分析:利用S2中得到的自适应先验信息,基于多目标优化框架,结合权重求和算法和快速不动点算法,对组被试水平上的功能磁共振数据进行盲源信号分离,得到反映组中所有被试共性的组功能成分,完成脑功能连通性检测。
所述的S1中,对某一个单被试的功能磁共振数据进行盲源信号分离的方法,具体包含以下步骤:
S11、由N个相互独立源信号经过大小为M×N的混合矩阵A线性混合产生某个被试的功能磁共振数据,即在不考虑噪声的情况下为X=AS,其中,M>N,X为一个大小为M×N的矩阵,M表示功能磁共振数据的个数,V表示包含在面罩中的大脑体素个数;
S12、利用源信号S的独立性,从功能磁共振数据X中计算出一个N×M的解混矩阵W,使得通过Y=WX求出的近似于源信号,获得该被试所对应的独立功能成分Y。
所述的S2中,具体包含以下步骤:
S21、从S1中获得的组被试中的每个单被试的功能独立成分中选择所需的功能成分,并构成一个成分矩阵;
S22、对S21中获得的成分矩阵分析后得到主成分,并且在给定的阈值下找出该主成分中的激活区域,并选取该主成分中对应于激活区域的部分信息,该部分信息即为被用来指导组被试水平上的功能磁共振数据分析的自适应先验信息。
所述的S21中,具体包含以下步骤:
S211、从组被试中的每个单被试的功能独立成分Y中选择所需的功能成分Yi,其中,Yi为视觉网络成分、听觉网络成分、运动网络成分或默认网络成分;
S212、将从每个单被试中选出的功能成分Yi作为行向量,组合构成一个成分矩阵R,R为一个大小为n×V的矩阵,n为组被试中的单被试的数量。
所述的S22中,具体包含以下步骤:
S221、计算成分矩阵R的相关矩阵;求出C的特征值与相应的特征向量,并且从中选出最大的特征值λmax及相应的特征向量eλ;根据,计算得到R的主成分P;
S222、根据给定的阈值求出主成分P中的激活区域,把P中对应于激活区域以外部分的值置为0,仅保留P中对应于激活区域的信息,其即为用来指导组被试水平上的功能磁共振数据分析的自适应先验信息。
所述的S3中,具体包含以下步骤:
S31、同时优化两个目标函数,其中一个目标函数是用来度量源信号独立性的目标函数,另一个目标函数是用来度量源信号与上述先验信息之间近似度的目标函数;
S32、采用权重求和算法,分别赋予每个目标函数一个权重,且这两个目标函数的权重的和为1;
S33、基于时间级联方法,即按时间维度级联组中所有被试的功能磁共振数据的基础上,利用快速不动点算法求解上述的单目标优化问题,得到反映组中所有被试共性的组功能成分,完成脑功能连通性检测。
综上所述,本发明所提供的基于自适应先验信息指导下的脑功能连通性检测系统和方法,与现有的功能磁共振数据的处理分析方法相比,具有以下优点和有益效果:
1、通过利用组被试中的功能磁共振数据,通过完全数据驱动的先验信息提取方法,能自适应的从已有的组被试功能磁共振数据中挖掘出隐含在其中的潜在先验信息,这些先验信息可以用来指导组被试水平上的脑功能连通性检测,提供了一种获取先验信息的有效途径,从而克服了传统方法中可利用先验信息稀少,甚至没有可利用先验信息的缺点和限制。
2、利用先验信息通过基于多目标优化下的权重求和与快速不动点相结合的方法来指导组被试水平上的脑功能连通性检测,从而克服了传统方法中需要预先选择阈值来约束输出功能成分与先验信息之间亲密度的问题,达到精确定位脑功能连通区域的目的,使得脑功能连通性检测的准确性得到有效提升,不仅克服了传统包含先验信息方法中的某些缺陷,而且有利于对脑科学、神经科学以及脑科疾病等方面的研究。
附图说明
图1为本发明中的基于自适应先验信息指导下的脑功能连通性检测系统的模块架构图;
图2为本发明中的基于自适应先验信息指导下的脑功能连通性检测方法的具体流程图。
具体实施方式
以下结合图1和图2,详细说明本发明的一个优选实施例。
如图1所示,本发明所提供的基于自适应先验信息指导下的脑功能连通性检测系统,包含:单被试水平上的功能磁共振数据分析模块1,其与用于采集组被试中的各个单被试的功能磁共振数据的面罩相连,利用独立成分分析方法对组被试中的每个单被试的功能磁共振数据单独进行盲源信号分离,得到每个单被试所对应的独立功能成分;自适应先验信息的提取模块2,其与所述的单被试水平上的功能磁共振数据分析模块1相连,利用主成分分析方法从每个单被试所对应的功能成分中提取用来指导组单被试水平上的功能磁共振数据分析的自适应先验信息;自适应先验信息指导的组被试水平上的功能磁共振数据分析模块3,其与所述的自适应先验信息的提取模块2相连,利用自适应先验信息,基于多目标优化框架,结合权重求和算法和快速不动点算法,对组被试水平上的功能磁共振数据进行盲源信号分离,得到反映组中所有被试共性的组功能成分。
所述的自适应先验信息的提取模块2包含:功能成分选择模块,其与所述的单被试水平上的功能磁共振数据分析模块1相连,从组被试中的每个单被试的功能独立成分中选择所需的功能成分,并构成一个成分矩阵;成分矩阵分析模块,其分别与所述的功能成分选择模块以及自适应先验信息指导的组被试水平上的功能磁共振数据分析模块3相连,对成分矩阵分析后得到主成分,并且在给定的阈值下找出该主成分中的激活区域,并选取该主成分中对应于激活区域的部分信息,该部分信息即为被用来指导组被试水平上的功能磁共振数据分析的自适应先验信息。
如图2所示,本发明还提供一种基于自适应先验信息指导下的脑功能连通性检测方法,具体包含以下步骤:
S1、单被试水平上的功能磁共振数据分析:利用独立成分分析方法对由同一面罩采集到的组被试中的每个单被试的功能磁共振数据单独进行盲源信号分离,得到每个单被试所对应的独立功能成分;
S2、自适应先验信息的提取:利用主成分分析方法,从S1中得到的每个单被试所对应的功能成分中提取用来指导组单被试水平上的功能磁共振数据分析的自适应先验信息;
S3、先验信息指导下的组被试水平上的功能磁共振数据分析:利用S2中得到的自适应先验信息,基于多目标优化框架,结合权重求和算法和快速不动点算法,对组被试水平上的功能磁共振数据进行盲源信号分离,得到反映组中所有被试共性的组功能成分,完成脑功能连通性检测。
所述的S1中,对由面罩采集到的组被试中的每个单被试功能磁共振数据需先进行预处理,主要包括层间时间校正,头动校正,空间标准化和空间平滑等步骤。其中,层间时间校正是为了消除大脑在不同时间点扫描时层数之间的差异性;头动校正用于消除在数据采集过程中由于被试头动而对数据产生的影响;空间标准化是指把大脑投影到一个标准的模板,从而消除被试大脑之间的差异性;空间平滑主要用于消除在空间标准化过程中由于切割而产生的裂缝影响以及使得功能磁共振数据满足高斯随机场中高斯分布的特性,同时还具有降噪的作用。
本实施例中,所述的S1中,对某一个单被试的功能磁共振数据进行盲源信号分离的方法,具体包含以下步骤:
S11、由N个相互独立源信号经过大小为M×N的混合矩阵A线性混合产生某个被试的功能磁共振数据,即在不考虑噪声的情况下为X=AS,其中,M>N,X为一个大小为M×N的矩阵,M表示功能磁共振数据的个数,V表示包含在面罩中的大脑体素个数;
S12、利用源信号S的独立性,从功能磁共振数据X中计算出一个N×M的解混矩阵W,使得通过Y=WX求出的近似于源信号,这里求解独立成分分析的算法可采用如快速不动点算法或互信息算法,从而获得该被试所对应的独立功能成分Y。
所述的S2中,具体包含以下步骤:
S21、从S1中获得的组被试中的每个单被试的功能独立成分中选择所需的功能成分,并构成一个成分矩阵;
S22、对S21中获得的成分矩阵分析后得到主成分,并且在给定的阈值下找出该主成分中的激活区域,并选取该主成分中对应于激活区域的部分信息,该部分信息即为被用来指导组被试水平上的功能磁共振数据分析的自适应先验信息。
本实施例中,所述的S21中,具体包含以下步骤:
S211、从组被试中的每个单被试的功能独立成分Y中选择感兴趣的功能成分Yi,其中,Yi需要根据实际问题中的具体情况来决定,比如Yi可以是视觉网络成分、听觉网络成分、运动网络成分或默认网络成分等等;
S212、将从每个单被试中选出的功能成分Yi作为行向量,组合构成一个成分矩阵R,R为一个大小为n×V的矩阵,n为组被试中的单被试的数量。
本实施例中,所述的S22中,具体包含以下步骤:
S221、计算成分矩阵R的相关矩阵;求出C的特征值与相应的特征向量,并且从中选出最大的特征值λmax及相应的特征向量eλ;根据,计算得到R的主成分P;
S222、根据给定的阈值求出主成分P中的激活区域,所述的阈值需要根据实际情况进行选择,比如对经过标准化后的主成分选取2作为阈值,可以得到95%的激活区域;把P中对应于激活区域以外部分的值置为0,仅保留P中对应于激活区域的信息,其即为用来指导组被试水平上的功能磁共振数据分析的自适应先验信息。
所述的S3中,具体包含以下步骤:
S31、同时优化两个目标函数,其中一个目标函数是用来度量源信号独立性的目标函数,如负熵,峭度或互信息等,另一个目标函数是用来度量源信号与上述先验信息之间近似度的目标函数,如均方差或相关性等;
S32、采用权重求和算法,分别赋予每个目标函数一个权重,且这两个目标函数的权重的和为1;本实施例中采用的是适应函数比赋权方法,即根据每个目标函数在它们和中的比例进行赋权,此即为权重求和算法,可将多目标优化问题转化为单目标优化问题;
S33、基于时间级联方法,即按时间维度级联组中所有被试的功能磁共振数据的基础上,利用快速不动点算法求解上述的单目标优化问题,得到反映组中所有被试共性的组功能成分,完成脑功能连通性检测。
综上所述,本发明所提供的基于自适应先验信息指导下的脑功能连通性检测系统和方法,与现有的功能磁共振数据的处理分析方法相比,具有以下优点和有益效果:
1、通过利用组被试中的功能磁共振数据,通过完全数据驱动的先验信息提取方法,能自适应的从已有的组被试功能磁共振数据中挖掘出隐含在其中的潜在先验信息,这些先验信息可以用来指导组被试水平上的脑功能连通性检测,提供了一种获取先验信息的有效途径,从而克服了传统方法中可利用先验信息稀少,甚至没有可利用先验信息的缺点和限制。
2、利用先验信息通过基于多目标优化下的权重求和与快速不动点相结合的方法来指导组被试水平上的脑功能连通性检测,从而克服了传统方法中需要预先选择阈值来约束输出功能成分与先验信息之间亲密度的问题,达到精确定位脑功能连通区域的目的,使得脑功能连通性检测的准确性得到有效提升,不仅克服了传统包含先验信息方法中的某些缺陷,而且有利于对脑科学、神经科学以及脑科疾病等方面的研究。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (8)
1.一种基于自适应先验信息指导下的脑功能连通性检测系统,其特征在于,包含:
单被试水平上的功能磁共振数据分析模块(1),其与用于采集组被试中的各个单被试的功能磁共振数据的面罩相连,利用独立成分分析方法对组被试中的每个单被试的功能磁共振数据单独进行盲源信号分离,得到每个单被试所对应的独立功能成分;
自适应先验信息的提取模块(2),其与所述的单被试水平上的功能磁共振数据分析模块(1)相连,利用主成分分析方法从每个单被试所对应的功能成分中提取用来指导组单被试水平上的功能磁共振数据分析的自适应先验信息;
自适应先验信息指导的组被试水平上的功能磁共振数据分析模块(3),其与所述的自适应先验信息的提取模块(2)相连,利用自适应先验信息,基于多目标优化框架,结合权重求和算法和快速不动点算法,对组被试水平上的功能磁共振数据进行盲源信号分离,得到反映组中所有被试共性的组功能成分。
2.如权利要求1所述的基于自适应先验信息指导下的脑功能连通性检测系统,其特征在于,所述的自适应先验信息的提取模块(2)包含:
功能成分选择模块,其与所述的单被试水平上的功能磁共振数据分析模块(1)相连,从组被试中的每个单被试的独立功能成分中选择所需的功能成分,并构成一个成分矩阵;
成分矩阵分析模块,其分别与所述的功能成分选择模块以及自适应先验信息指导的组被试水平上的功能磁共振数据分析模块(3)相连,对成分矩阵分析后得到主成分,并且在给定的阈值下找出该主成分中的激活区域,并选取该主成分中对应于激活区域的部分信息,该部分信息即为被用来指导组被试水平上的功能磁共振数据分析的自适应先验信息。
3.一种基于自适应先验信息指导下的脑功能连通性检测方法,其特征在于,具体包含以下步骤:
S1、单被试水平上的功能磁共振数据分析:利用独立成分分析方法对由同一面罩采集到的组被试中的每个单被试的功能磁共振数据单独进行盲源信号分离,得到每个单被试所对应的独立功能成分;
S2、自适应先验信息的提取:利用主成分分析方法,从S1中得到的每个单被试所对应的功能成分中提取用来指导组单被试水平上的功能磁共振数据分析的自适应先验信息;
S3、先验信息指导下的组被试水平上的功能磁共振数据分析:利用S2中得到的自适应先验信息,基于多目标优化框架,结合权重求和算法和快速不动点算法,对组被试水平上的功能磁共振数据进行盲源信号分离,得到反映组中所有被试共性的组功能成分,完成脑功能连通性检测。
4.如权利要求3所述的基于自适应先验信息指导下的脑功能连通性检测方法,其特征在于,所述的S1中,对某一个单被试的功能磁共振数据进行盲源信号分离的方法,具体包含以下步骤:
S11、由N个相互独立源信号经过大小为M×N的混合矩阵A线性混合产生某个被试的功能磁共振数据 ,即在不考虑噪声的情况下为X=AS,其中,M>N,X为一个大小为M×V的矩阵,M表示功能磁共振数据的个数,V表示包含在面罩中的大脑体素个数;
S12、利用源信号S的独立性,从功能磁共振数据X中计算出一个N×M的解混矩阵W,使得通过Y=WX求出的近似于源信号,获得该被试所对应的独立功能成分Y。
5.如权利要求4所述的基于自适应先验信息指导下的脑功能连通性检测方法,其特征在于,所述的S2中,具体包含以下步骤:
S21、从S1中获得的组被试中的每个单被试的独立功能成分中选择所需的功能成分,并构成一个成分矩阵;
S22、对S21中获得的成分矩阵分析后得到主成分,并且在给定的阈值下找出该主成分中的激活区域,并选取该主成分中对应于激活区域的部分信息,该部分信息即为被用来指导组被试水平上的功能磁共振数据分析的自适应先验信息。
6.如权利要求5所述的基于自适应先验信息指导下的脑功能连通性检测方法,其特征在于,所述的S21中,具体包含以下步骤:
S211、从组被试中的每个单被试的独立功能成分Y中选择所需的功能成分Yi,其中,Yi为视觉网络成分、听觉网络成分、运动网络成分或默认网络成分;
S212、将从每个单被试中选出的功能成分Yi作为行向量,组合构成一个成分矩阵R,R为一个大小为n×V的矩阵,n为组被试中的单被试的数量。
7.如权利要求6所述的基于自适应先验信息指导下的脑功能连通性检测方法,其特征在于,所述的S22中,具体包含以下步骤:
S221、计算成分矩阵R的相关矩阵;求出C的特征值与相应的特征向量,并且从中选出最大的特征值λmax及相应的特征向量eλ;根据,计算得到R的主成分P;
S222、根据给定的阈值求出主成分P中的激活区域,把P中对应于激活区域以外部分的值置为0,仅保留P中对应于激活区域的信息,其即为用来指导组被试水平上的功能磁共振数据分析的自适应先验信息。
8.如权利要求7所述的基于自适应先验信息指导下的脑功能连通性检测方法,其特征在于,所述的S3中,具体包含以下步骤:
S31、同时优化两个目标函数,其中一个目标函数是用来度量盲源信号独立性的目标函数,另一个目标函数是用来度量盲源信号与上述先验信息之间近似度的目标函数;
S32、采用权重求和算法,分别赋予每个目标函数一个权重,且这两个目标函数的权重的和为1;
S33、基于时间级联方法,即按时间维度级联组中所有被试的功能磁共振数据的基础上,利用快速不动点算法求解单目标优化问题,得到反映组中所有被试共性的组功能成分,完成脑功能连通性检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510352183.8A CN104921727B (zh) | 2015-06-24 | 2015-06-24 | 基于自适应先验信息指导的脑功能连通性检测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510352183.8A CN104921727B (zh) | 2015-06-24 | 2015-06-24 | 基于自适应先验信息指导的脑功能连通性检测系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104921727A CN104921727A (zh) | 2015-09-23 |
CN104921727B true CN104921727B (zh) | 2017-11-07 |
Family
ID=54109413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510352183.8A Expired - Fee Related CN104921727B (zh) | 2015-06-24 | 2015-06-24 | 基于自适应先验信息指导的脑功能连通性检测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104921727B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE202017104953U1 (de) * | 2016-08-18 | 2017-12-04 | Google Inc. | Verarbeiten von Fundusbildern unter Verwendung von Maschinenlernmodellen |
CN106980753B (zh) * | 2017-02-28 | 2019-05-31 | 浙江工业大学 | 一种用于神经疾病的基于体素分析的数据驱动机器学习方法 |
CN108197661B (zh) * | 2018-01-19 | 2022-03-01 | 上海海事大学 | 基于体素水平脑功能信息的认知活动状态分类系统和方法 |
CN113762370A (zh) * | 2021-08-30 | 2021-12-07 | 东北大学 | 一种结合高斯随机场的深度网络集合生成方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102266223A (zh) * | 2010-06-01 | 2011-12-07 | 四川大学华西医院 | 基于磁共振静息态功能成像的疼痛评定系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110028827A1 (en) * | 2009-07-28 | 2011-02-03 | Ranganatha Sitaram | Spatiotemporal pattern classification of brain states |
KR101238780B1 (ko) * | 2011-03-03 | 2013-03-04 | 서울대학교산학협력단 | 준비전위기반 뇌-컴퓨터 인터페이스 장치 및 방법 |
-
2015
- 2015-06-24 CN CN201510352183.8A patent/CN104921727B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102266223A (zh) * | 2010-06-01 | 2011-12-07 | 四川大学华西医院 | 基于磁共振静息态功能成像的疼痛评定系统 |
Non-Patent Citations (1)
Title |
---|
利用独立成分分析实现成组的fMRI信号的盲分离;张伟伟等;《中国医学影象技术》;20050414;第21卷(第3期);第333-335页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104921727A (zh) | 2015-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moccia et al. | Development and testing of a deep learning-based strategy for scar segmentation on CMR-LGE images | |
JP2022525198A (ja) | 陽電子放射断層撮影を用いた腫瘍セグメンテーションのための深層畳み込みニューラルネットワーク | |
CN104921727B (zh) | 基于自适应先验信息指导的脑功能连通性检测系统和方法 | |
CN102496156B (zh) | 基于协同量子粒子群算法的医学图像分割方法 | |
Lyashenko et al. | Contour detection and allocation for cytological images using Wavelet analysis methodology | |
US20210236095A1 (en) | Ultrasound ct image reconstruction method and system based on ray theory | |
CN105096310B (zh) | 利用多通道特征在磁共振图像中分割肝脏的方法和系统 | |
NL2025814B1 (en) | Precise positioning system for three-dimensional position of tumor by multi-image fusion | |
CN113177943B (zh) | 一种脑卒中ct影像分割方法 | |
WO2007079207B1 (en) | An integrated segmentation and classification approach applied to medical applications analysis | |
CN103942781B (zh) | 一种基于脑影像的脑网络构造方法 | |
CN110211671B (zh) | 一种基于权值分布的阈值化方法 | |
CN104182755A (zh) | 基于塔形pca的乳腺钼靶x线图像块特征提取方法 | |
El-Hariri et al. | Comparative evaluation of hand-engineered and deep-learned features for neonatal hip bone segmentation in ultrasound | |
CN107346541A (zh) | 一种基于超声射频时间序列小波分析的组织定征方法 | |
CN104905786A (zh) | 一种心电伪迹在线去除算法 | |
CN103544695A (zh) | 一种高效的基于博弈框架的医学图像分割方法 | |
Wurts et al. | Segmentation of tau stained Alzheimers brain tissue using convolutional neural networks | |
CN105395210A (zh) | 一种ct扫描成像方法 | |
CN108197661A (zh) | 基于体素水平脑功能信息的认知活动状态分类系统和方法 | |
CN107076820A (zh) | 用于评估和提高在精细结构分析数据中的数据质量的方法 | |
Muthiah et al. | Fusion of MRI and PET images using deep learning neural networks | |
Lecesne et al. | Segmentation of cardiac infarction in delayed-enhancement MRI using probability map and transformers-based neural networks | |
CN115984257A (zh) | 一种基于多尺度transformer的多模态医学图像融合方法 | |
CN105225231B (zh) | 基于病灶容积测量的mri自动图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171107 Termination date: 20200624 |
|
CF01 | Termination of patent right due to non-payment of annual fee |