CN106096636A - 一种基于神经影像的进展型轻度认知功能障碍识别方法 - Google Patents
一种基于神经影像的进展型轻度认知功能障碍识别方法 Download PDFInfo
- Publication number
- CN106096636A CN106096636A CN201610393554.1A CN201610393554A CN106096636A CN 106096636 A CN106096636 A CN 106096636A CN 201610393554 A CN201610393554 A CN 201610393554A CN 106096636 A CN106096636 A CN 106096636A
- Authority
- CN
- China
- Prior art keywords
- sample
- dimension
- data
- classification
- svm
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明公开了一种基于神经影像的进展型轻度认知功能障碍识别方法,属于计算机图像处理技术领域。本发明从ADNI数据库中下载测试样本的MRI图和PET图,并进行预处理及样本筛选,获得N组样本图像;选用人类的AAL模板对样本图像分别制作90个脑区模板,并获取相应脑区的灰质体素值得N×180维数据;最后构建一个二级集成分类器,对所得数据进行特征降维,并对降低的维数进行寻优,然后应用于二级集成分类器中,对进展型MCI患者和非进展型MCI患者进行分类识别。本发明对数据用随机投影的方法降维处理后运用于二级集成分类器中,分类准确率为74.22%,敏感度为66.25%,特异性为82.19%,既提高了运算速度,又提高了分类准确率。
Description
技术领域
本发明涉及计算机信息图像处理技术领域,更具体地说,涉及一种基于神经影像的进展型轻度认知功能障碍识别方法。
背景技术
阿尔茨海默病(Alzheimer’s Disease,AD)是一种致死性神经退行性疾病,严重损害了老年人的身体健康,我国八十岁以上老人发病率在30%,轻度认知功能障碍(MildCognitive Impairment,MCI)则被认为是介于正常老化与AD之间的一种临床状态。并不是所有的MCI患者都会进展为AD,所以轻度认知功能障碍(MCI)是对阿尔茨海默病(AD)进行预防和治疗的最佳时期。而若想在MCI时期给予有效的预防干预措施,就必须能够有效地识别和区分进展型MCI患者(MCI-C)和非进展型MCI患者(MCI-NC)。
随着影像医学和计算机信息图像处理相关技术的发展,如今诊断疾病很大程度上依赖于医学图像的识别来辅助医生进行诊断,所以通过实现基于医学图像的计算机辅助识别分类来辅助医生诊断MCI-C和MCI-NC具有重大的作用和意义。
目前已经有研究人员用基于形态学分析(voxel-based morphometry,VBM)方法发现MCI-C患者的脑灰质萎缩,其中灰质萎缩的主要脑区包括海马前部、杏仁核、岛叶和眶额回等。另外,Risacher(Risacher SL,Saykin AJ,West JD,et a1.Baseline MRIpredictors of conversion from MCI to probable AD in the ADNI cohort[J].CurtAlzheimer Res 2009,6(4):347-361.)等应用ADNI数据进行研究后的结果表明,MCI转化组的表现同AD相似,为全脑灰质密度降低,以左侧海马最为明显;而MCI稳定组灰质密度减低以右海马旁回、双侧杏仁核和海马区域为主。但上述研究只是得出了灰质萎缩和萎缩的主要脑区,普遍存在分类性能不高的问题。
经检索,现有技术中关于轻度认知功能障碍识别的方案已有公开。如中国专利申请号201510268415.1,申请日为2015年9月2日,发明创造名称为:一种基于二维特征和三维特征融合的阿尔茨海默病及轻度认知功能障碍识别方法,该申请案具体包括:1)对医学图像进行预处理,包括预分割和配准等过程;2)对医学图像进行二维纹理特征提取,包括灰度共生矩阵的二次统计量和Gabor小波变换的多尺度多方向特征值;3)对医学图像进行三维形态学特征提取,即提取感兴趣区域的体积特征;4)对三维形态学特征和二维纹理特征进行特征融合;5)构建支持向量机分类器实现对阿尔茨海默病和轻度认知功能障碍的识别。该申请案将三维形态学特征和二维纹理特征结合,能够提高对阿尔茨海默病和轻度认知功能障碍的识别。
又如中国专利申请号201410159951.3,申请日为2014年7月23日,发明创造名称为:一种基于支持向量机的轻度认知障碍自动判别分析方法,该申请案利用多项检测指标数据(包括静息态fMRI、结构MRI、神经心理学检查数据),采用功能连接分析(FunctionalConnectivity,FC)、基于体素的形态学分析(Voxel-basedMorphometry,VBM)、纤维束示踪的方法(FiberTractography)提取静息态功能连接特征、灰质结构特征及白质纤维连接特征,进而基于粗糙集方法进行特征约简,最后基于支持向量机(SVM)方法对多模态MRI数据进行构建分类器,实现对轻度认知功能障碍的自动判别分析。
上述申请案均不失为较好的轻度认知功能障碍识别方法,但上述申请案的着眼点在于轻度认知功能障碍的识别,并不能达到有效地识别和区分进展型MCI(MCI-C)和非进展型MCI(MCI-NC)的目的,在应用上有其局限性。
发明内容
1.发明要解决的技术问题
为了克服现有技术的不足,本发明提出了一种基于神经影像的进展型轻度认知功能障碍识别方法,本发明应用随机投影降维方法对数据进行降维处理,很好的去除了不相关和冗余信息,应用二级集成分类器,很好的解决了样本不足的问题,且构建的强学习器提高了分类性能,可以在提高分类识别速度的同时提高分类性能。
2.技术方案
为达到上述目的,本发明提供的技术方案为:
本发明的一种基于神经影像的进展型轻度认知功能障碍识别方法,其步骤为:
步骤一、从ADNI数据库中获取测试样本基本信息,并下载测试样本的MRI图和PET图,对下载图像进行图像预处理,同时进行样本筛选,最终获得N组样本图像;
步骤二、选用人类的AAL模板对步骤一获得的N组样本图像分别制作90个脑区模板,并获取相应脑区的灰质体素值,最终获取N×180维的数据,其中包括从MRI图获取的N×90维灰质体素值数据和从PET图获取的N×90维灰质体素值数据;
步骤三、构建一个二级集成分类器,对步骤二所得数据进行特征降维,并对降低的维数进行寻优,然后应用于二级集成分类器中,对进展型MCI患者和非进展型MCI患者进行分类识别。
更进一步地,步骤一中首先对下载的MRI图和PET图进行头动校正,去除头动过大的样本图像,然后进行图像分割和空间标准化,去除分割和标准化质量较差的样本图像,最后对分割和标准化之后的灰质图像进行平滑处理。
更进一步地,所述的头动校正过程,若样本图像在x、y、z三个方向的头动平动均在2mm以内,转动角度都在2°以内则保留,否则剔除对应样本。
更进一步地,步骤一获得的N组样本图像,以N取64为最佳。
更进一步地,步骤三进行特征降维的过程为:将步骤二获得的N×90维MRI数据集其中N=64,L1=90,与随机矩阵相乘,如下式所示:
式中,xi是第i个样本从MRI图像中获取的90个脑区的灰质体素值,ri是随机矩阵的第i列数据;步骤二获得的N×90维PET数据的降维过程同上。
更进一步地,步骤三中对降低的维数进行寻优的过程如下:
(a)将L2的初始值设为30,对N×90维MRI数据、N×90维PET数据进行降维之后应用到一级分类器SVMM和SVMP中,得到分类准确率AccM和AccP,并计算两个分类器分类准确率的均值Acc;
(b)以步长为5对L2的值进行迭代直至90,并比较每次的均值Acc的大小,最大的均值Acc对应的L2的值就是最优降维维数;
(c)确定第一级的降维维数之后,设定第二级中L2的初始值为40,步长为10直至180,最大的准确率对应的L2的值就是第二级中的最优降维维数。
更进一步地,步骤三基于Stacking算法构建二级集成分类器,并对降维后N×L2维MRI数据、N×L2维PET数据计算核矩阵,将所得MRI核矩阵输入分类器SVMM,PET核矩阵输入分类器SVMP进行训练,采用十折交叉验证的方式得到两个分类器的结果。
更进一步地,对于同一个样本第一级两个分类器的分类结果可能相同也可能不同,整个样本集D被分成两部分D={DS,DU},DS内的样本是SVMM和SVMP分类器的分类结果相同的样本,DU内的样本是分类结果不同的样本;对于DS内的样本即为最终分类的结果,对于DU内的样本,作为二级分类器SVMS测试集的样本,DS内的样本作为二级分类器SVMS训练集的样本,使用分类器SVMS进行DU内的样本分类,分类结果统计到最终的分类结果中。
3.有益效果
采用本发明提供的技术方案,与已有的公知技术相比,具有如下显著效果:
(1)本发明的一种基于神经影像的进展型轻度认知功能障碍识别方法,应用对轻度认知功能障碍有较高区分度的灰质体素值进行研究,分别获取了每个样本的MRI和PET图像中90个脑区的灰质体素值,对进展型MCI患者(MCI-C)和非进展型MCI患者(MCI-NC)进行分类识别,分类结果显示本发明的方法与现阶段同领域研究结果相比取得了较高的分类性能;
(2)本发明的一种基于神经影像的进展型轻度认知功能障碍识别方法,首先通过对下载的样本图像进行头动校正、图像分割和空间标准化以及平滑处理,进行初步筛选,再利用制作好的90个脑区模板图逐个获取相应脑区的灰质体素值,获得的脑区灰质体素值准确率高,为后期获得高分类准确率提供了基础;
(3)本发明的一种基于神经影像的进展型轻度认知功能障碍识别方法,应用随机投影降维方法对数据进行降维处理,很好的去除了不相关和冗余的信息,从而有效的提高分类性能和运算速度;
(4)本发明的一种基于神经影像的进展型轻度认知功能障碍识别方法,应用二级集成分类器很好的解决了样本不足的问题,而且构建的强学习器提高了分类性能,分类准确率达到了74.22%,分类敏感度和特异性分别达到了66.25%和82.19%。
附图说明
图1为本发明中二级集成分类器分类流程框图;
图2为本发明中一级分类器的分类准确率随L2的变化图;
图3为本发明中二级分类器的分类准确率随L2的变化图;
图4为本发明中二级集成分类器的分类结果图。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。
实施例1
参看图1,本实施例的一种基于神经影像的进展型轻度认知功能障碍识别方法,按如下具体步骤进行:
步骤一、图像预处理:
从ADNI数据库(阿尔茨海默病的神经影像学研究数据库)中获取测试样本的性别、年龄、MMSE(简易精神状态检查)评分和CDR(临床痴呆评定)评分等基本信息,在研究对象的选择上应用控制变量的方法,使MCI-C和MCI-NC样本在年龄上尽量对等,即年龄均在60-90岁之间,而且大致的分布情况一致,例如60-70岁之间的MCI-C和MCI-NC的样本个数均为15,以消除年龄因素带来的影响,MMSE分数在24分以上,CDR均为0.5这两个分数值则是评判测试样本是否是MCI的标准之一,下载对应样本头部的磁共振图像(MRI)和正电子发射断层扫描(PET)图,然后对下载的MRI图和PET图进行预处理。具体的预处理过程为:
(1)头动校正:在图像采集过程中,虽然会对受检者的头部进行固定,并且告知受检者要尽量保持头部稳定,不过为了避免长时间的固定给受检者带来焦虑情绪,对检查结果造成影响,对头部的固定不会很紧。再加上整个受检过程所需要的时间比较长(一般要多于30分钟),受检者的呼吸和血流脉动等生理因素导致的轻微头部运动无法避免。如果不对图像进行头动校正处理就可能影响后期数据的准确性,乃至整个分类结果的准确性。
本实施例将从ADNI数据库中下载的ANALYZE格式的样本图像直接在SPM8中进行头动校正。在SPM8中进行头动校正的时候,选择菜单中的“Realign(Est&Res)”选项来处理,头动校正是对图像信息矩阵用相关算法进行处理,对头动较小的样本数据可以校正回来,但是如果样本的头动过大就没法将其校正到标准范围内。头动校正之后会生成一个包含校正之后头动值的.txt文件和一个图片报告,根据.txt文件中的数据对受检者的图像进行筛选,若图像在x、y、z三个方向的头动平动均在2mm以内,转动角度都在2°以内则保留,否则剔除对应样本。
(2)图像分割和空间标准化:对步骤(1)所得样本图像进行分割,分割出人脑中灰质、白质和脑脊液三部分图像。在进行分割时,图像需要和MNI先验模板对齐。若图像和模板方向差异较大,必须进行手动调整。由于每个人的人脑结构大小不一,因此需要将灰质、白质和脑脊液三部分图像变换到一个标准的脑空间,这样对后期提取到的数据进行处理才有意义。
对样本图像进行组织分割和空间标准化在VBM8中用Estimate and write功能就可以一起完成,经过上述处理后会分别得到灰质、白质和脑脊液三个维度的图像,再通过VBM8菜单中的“Display One slice for all Images”和“Check sample homogeneityusing covariance”来检验分割和标准化的质量,即用校正后的图像与不校正的原始图像比较,验证其分割和标准化后的质量。
(3)图像平滑:本实施例使用Gauss函数对步骤(2)所得图像进行空间上的卷积。图像平滑有如下作用:第一,提高信噪比,一般脑功能成像检测出来的神经生理信号都是数毫米尺度内脑血流等的变化,这在图像重建中对应着低空间频率部分,相反的,噪声却与高频部分相对应,经过平滑之后,噪声会得到很大抑制;第二,符合Gauss随机场的要求,空间平滑后,数据基本上可以满足Gauss随机场的要求;第三,消除不同被试脑结构之间的细微差别。对下载的样本图像进行上述预处理及筛选后,最终获取了64个样本的图像信息。
步骤二、各脑区灰质体素值的获取:
利用SPM8、WFU、Get-totals等工具制作90个大脑脑区模板,对于模板的制作,选用人类的AAL模板对经过分割、标准化和平滑之后的灰质图像的90个脑区分别制作模板,将90个脑区与灰质图像逐个对应,获得研究所需的90个脑区模板。然后,利用制作好的90个脑区模板图逐个获取相应脑区的灰质体素值,这一过程会在get-totals中执行。最终获取了研究所需的64×180维的数据,其中包括从MRI图获取的64×90维灰质体素值数据和从PET图获取的64×90维的灰质体素值数据。
步骤三、基于集成学习的进展型轻度认知功能障碍识别:
基于Stacking算法构建一个二级集成分类器,并对每一级的数据都运用随机投影方法进行降维处理,并对降低的维数进行寻优,然后应用于二级集成分类器中。
基于Stacking算法的思想,在第一级中,主要是为第二级分类划分训练集和测试集;在第二级中,利用新的训练集训练高层分类器,得到最终的预测结果。在第一级的分类器中,分别使用MRI和PET这两个模态的90个脑区的灰质体素值数据作为原始数据,进行降维等处理之后作为分类器SVMM和SVMP的输入量,经过十折交叉验证之后,用投票方法得到两个分类器的结果。对于同一个样本两个分类器的分类结果可能相同也可能不同,整个样本集D就被分成两部分D={DS,DU},DS内的样本是SVMM和SVMP分类器的分类结果相同的样本,即PM=PP,其中PM和PP分别是SVMM和SVMP分类器的分类结果,DU内的样本是SVMM和SVMP分类器的分类结果不同的样本,即PM≠PP。对于DS内的样本,我们认为分类结果就是最终分类的结果,并把它放到最终分类结果集中;对于DU内的样本,我们需要进一步分类学习,采用如下方式进行分类:DU内的样本作为二级分类器测试集的样本,DS内的样本作为二级分类器训练集的样本,使用分类器SVMS进行DU内的样本分类,分类结果统计到最终的分类结果中。
随机投影方法则是将本实施例中获取的64×90维MRI数据集其中N=64,L1=90,与随机矩阵相乘,如下式所示:
式中在本实施例中xi是第i个样本从MRI图像中获取的90个脑区的灰质体素值,ri是随机矩阵的第i列数据。投影过后的低维的子空间数据集为XR,MRI特征的原始数据集从64×90维降低到了64×L2维,这里L2<<L1。PET特征的原始64×90维数据集的降维方法同上。对于二级集成分类器来说,本实施例将随机投影降维方法应用在SVMM、SVMP和SVMS这三个支持向量机分类器中。
本实施例进行随机投影降维和二级集成分类的具体过程如下:
(1)对步骤二从MRI图获取的64×90维灰质体素值数据和从PET图获取的64×90维灰质体素值数据进行特征降维,对于第一级中数据的降维参数L2的选择方法如下:
(a)在第一级中MRI和PET模态数据的维数均是64×90,将L2的初始值设为30,对数据进行降维处理之后应用到SVMM和SVMP分类器中,得到的分类准确率分别是AccM和AccP,并计算两个分类器分类准确率的均值Acc;
(b)以步长为5对L2的值进行迭代直至90,并比较每次的均值Acc的大小;
(c)最大的均值Acc对应的L2的值就是最优降维维数;Acc随L2变化的情况如图2所示,图中MRI代表SVMM分类器的分类准确率,PET代表SVMP分类器的分类准确率,Ave(MRI+PET)代表SVMM分类器和SVMP分类器的分类准确率的均值;
(2)第二级数据的降维参数L2的选择方法是:确定了第一级的降维维数之后,再次利用迭代的方法寻找SVMS分类器最佳的分类性能所对应的降维维数L2的值。第二级中L2的初始值设为40,步长为10直至180,此时分类性能随L2值的变化如图3中所示,最大的准确率对应的L2的值就是第二级中的最优降维维数。
(3)对步骤(1)所得64×L2维数据本实施例采用径向基RBF核函数获取核矩阵。RBF核函数如下:
其中x为64×L2维数据中任一数值,x′为核函数中心,σ为函数的宽度参数
(4)将步骤(3)中所得MRI核矩阵输入分类器SVMM,PET核矩阵输入分类器SVMP进行训练,采用十折交叉验证的方式,即把数据集分成10等份,而在每一次训练中只有其中的一份被当做测试集,剩余的9份都作为训练集,使每一份都有作为测试集的机会。这样对每一个样本来说都能得到两个分别从SVMM和SVMP输出的分类结果。
(5)将步骤(4)中SVMM和SVMP分类器的分类结果不同的样本数据作为二级分类器测试集的样本数据,也进行降维处理,将步骤(4)中SVMM和SVMP分类器的分类结果相同的样本数据作为二级分类器训练集的样本数据,同样的也进行降维处理,输入到SVMS中进行DU内的样本分类,分类结果统计到最终的分类结果中。
图4所示是二级集成分类器的分类结果,从图4可以看出本实施例分类准确率和特异性都比较高,分类敏感度较低,但是这三个分类指标的波动幅度都不大,比较平稳,说明本实施例的分类模型的稳定性较好。
表1是二级集成分类器的分类结果与其他方法的分类结果的均值和分布范围表(表1括号中内容是数值的取值范围),从表1可得只用一级SVM分类器的分类准确率,即One方法为69.06%,敏感度为66.25%,特异性为71.88%,而同时,使用基于Random投影分类器的方法即Random-One的分类准确率是72.34%,灵敏度和特异性分别为63.44%和81.25%。最后,本实施例的方法,实现了最佳的分类准确率为74.22%,敏感性为66.25%,特异性为82.19%。
表1
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (8)
1.一种基于神经影像的进展型轻度认知功能障碍识别方法,其步骤为:
步骤一、从ADNI数据库中获取测试样本基本信息,并下载测试样本的MRI图和PET图,对下载图像进行图像预处理,同时进行样本筛选,最终获得N组样本图像;
步骤二、选用人类的AAL模板对步骤一获得的N组样本图像分别制作90个脑区模板,并获取相应脑区的灰质体素值,最终获取N×180维的数据,其中包括从MRI图获取的N×90维灰质体素值数据和从PET图获取的N×90维灰质体素值数据;
步骤三、构建一个二级集成分类器,对步骤二所得数据进行特征降维,并对降低的维数进行寻优,然后应用于二级集成分类器中,对进展型MCI患者和非进展型MCI患者进行分类识别。
2.根据权利要求1所述的一种基于神经影像的进展型轻度认知功能障碍识别方法,其特征在于:步骤一中首先对下载的MRI图和PET图进行头动校正,去除头动过大的样本图像,然后进行图像分割和空间标准化,去除分割和标准化质量较差的样本图像,最后对分割和标准化之后的灰质图像进行平滑处理。
3.根据权利要求2所述的一种基于神经影像的进展型轻度认知功能障碍识别方法,其特征在于:所述的头动校正过程,若样本图像在x、y、z三个方向的头动平动均在2mm以内,转动角度都在2°以内则保留,否则剔除对应样本。
4.根据权利要求1所述的一种基于神经影像的进展型轻度认知功能障碍识别方法,其特征在于:步骤一获得的N组样本图像,以N取64为最佳。
5.根据权利要求1~4任一项所述的一种基于神经影像的进展型轻度认知功能障碍识别方法,其特征在于:步骤三进行特征降维的过程为:将步骤二获得的N×90维MRI数据集其中N=64,L1=90,与随机矩阵相乘,如下式所示:
式中,xi是第i个样本从MRI图像中获取的90个脑区的灰质体素值,ri是随机矩阵的第i列数据;步骤二获得的N×90维PET数据的降维过程同上。
6.根据权利要求5所述的一种基于神经影像的进展型轻度认知功能障碍识别方法,其特征在于:步骤三中对降低的维数进行寻优的过程如下:
(a)将L2的初始值设为30,对N×90维MRI数据、N×90维PET数据进行降维之后应用到一级分类器SVMM和SVMP中,得到分类准确率AccM和AccP,并计算两个分类器分类准确率的均值Acc;
(b)以步长为5对L2的值进行迭代直至90,并比较每次的均值Acc的大小,最大的均值Acc对应的L2的值就是最优降维维数;
(c)确定第一级的降维维数之后,设定第二级中L2的初始值为40,步长为10直至180,最大的准确率对应的L2的值就是第二级中的最优降维维数。
7.根据权利要求6所述的一种基于神经影像的进展型轻度认知功能障碍识别方法,其特征在于:步骤三基于Stacking算法构建二级集成分类器,并对降维后N×L2维MRI数据、N×L2维PET数据计算核矩阵,将所得MRI核矩阵输入分类器SVMM,PET核矩阵输入分类器SVMP进行训练,采用十折交叉验证的方式得到两个分类器的结果。
8.根据权利要求7所述的一种基于神经影像的进展型轻度认知功能障碍识别方法,其特征在于:对于同一个样本第一级两个分类器的分类结果可能相同也可能不同,整个样本集D被分成两部分D={DS,DU},DS内的样本是SVMM和SVMP分类器的分类结果相同的样本,DU内的样本是分类结果不同的样本;对于DS内的样本即为最终分类的结果,对于DU内的样本,作为二级分类器SVMS测试集的样本,DS内的样本作为二级分类器SVMS训练集的样本,使用分类器SVMS进行DU内的样本分类,分类结果统计到最终的分类结果中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610393554.1A CN106096636A (zh) | 2016-05-31 | 2016-05-31 | 一种基于神经影像的进展型轻度认知功能障碍识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610393554.1A CN106096636A (zh) | 2016-05-31 | 2016-05-31 | 一种基于神经影像的进展型轻度认知功能障碍识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106096636A true CN106096636A (zh) | 2016-11-09 |
Family
ID=57447636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610393554.1A Pending CN106096636A (zh) | 2016-05-31 | 2016-05-31 | 一种基于神经影像的进展型轻度认知功能障碍识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106096636A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067395A (zh) * | 2017-04-26 | 2017-08-18 | 中国人民解放军总医院 | 一种基于卷积神经网络的核磁共振图像处理装置与方法 |
CN107067396A (zh) * | 2017-04-26 | 2017-08-18 | 中国人民解放军总医院 | 一种基于自编码器的核磁共振图像处理装置与方法 |
CN107169955A (zh) * | 2017-04-26 | 2017-09-15 | 中国人民解放军总医院 | 一种智能化的医学图像处理装置与方法 |
CN107392907A (zh) * | 2017-09-01 | 2017-11-24 | 上海理工大学 | 基于静息态功能性磁共振成像的海马旁回功能分区方法 |
CN107607723A (zh) * | 2017-08-02 | 2018-01-19 | 兰州交通大学 | 一种基于随机投影集成分类的蛋白质间相互作用测定方法 |
CN107887029A (zh) * | 2017-12-05 | 2018-04-06 | 深圳大学 | 疾病预测方法及装置 |
CN109359685A (zh) * | 2018-10-17 | 2019-02-19 | 西安邮电大学 | 基于特征选择的多模态数据分类方法 |
CN109646001A (zh) * | 2018-12-21 | 2019-04-19 | 中国科学院自动化研究所 | 基于脑影像的脑认知能力测量系统 |
CN109830286A (zh) * | 2019-02-13 | 2019-05-31 | 四川大学 | 基于非参数统计的脑功能磁共振编码能量成像方法 |
CN113011462A (zh) * | 2021-02-22 | 2021-06-22 | 广州领拓医疗科技有限公司 | 瘤细胞图像的分类和装置 |
CN107133461B (zh) * | 2017-04-26 | 2021-11-12 | 中国人民解放军总医院 | 一种基于自编码器的医学图像处理装置与方法 |
CN107145727B (zh) * | 2017-04-26 | 2021-11-12 | 中国人民解放军总医院 | 一种利用卷积神经网络的医学图像处理装置与方法 |
CN115500794A (zh) * | 2022-10-08 | 2022-12-23 | 南京邮电大学 | 一种识别主观认知下降的方法及电子设备 |
-
2016
- 2016-05-31 CN CN201610393554.1A patent/CN106096636A/zh active Pending
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169955B (zh) * | 2017-04-26 | 2021-11-12 | 中国人民解放军总医院 | 一种智能化的医学图像处理装置与方法 |
CN107067396A (zh) * | 2017-04-26 | 2017-08-18 | 中国人民解放军总医院 | 一种基于自编码器的核磁共振图像处理装置与方法 |
CN107169955A (zh) * | 2017-04-26 | 2017-09-15 | 中国人民解放军总医院 | 一种智能化的医学图像处理装置与方法 |
CN107067395B (zh) * | 2017-04-26 | 2022-01-25 | 中国人民解放军总医院 | 一种基于卷积神经网络的核磁共振图像处理装置与方法 |
CN107067395A (zh) * | 2017-04-26 | 2017-08-18 | 中国人民解放军总医院 | 一种基于卷积神经网络的核磁共振图像处理装置与方法 |
CN107145727B (zh) * | 2017-04-26 | 2021-11-12 | 中国人民解放军总医院 | 一种利用卷积神经网络的医学图像处理装置与方法 |
CN107133461B (zh) * | 2017-04-26 | 2021-11-12 | 中国人民解放军总医院 | 一种基于自编码器的医学图像处理装置与方法 |
CN107607723A (zh) * | 2017-08-02 | 2018-01-19 | 兰州交通大学 | 一种基于随机投影集成分类的蛋白质间相互作用测定方法 |
CN107392907A (zh) * | 2017-09-01 | 2017-11-24 | 上海理工大学 | 基于静息态功能性磁共振成像的海马旁回功能分区方法 |
CN107887029B (zh) * | 2017-12-05 | 2021-02-19 | 深圳大学 | 疾病预测方法及装置 |
CN107887029A (zh) * | 2017-12-05 | 2018-04-06 | 深圳大学 | 疾病预测方法及装置 |
CN109359685A (zh) * | 2018-10-17 | 2019-02-19 | 西安邮电大学 | 基于特征选择的多模态数据分类方法 |
CN109646001A (zh) * | 2018-12-21 | 2019-04-19 | 中国科学院自动化研究所 | 基于脑影像的脑认知能力测量系统 |
CN109830286A (zh) * | 2019-02-13 | 2019-05-31 | 四川大学 | 基于非参数统计的脑功能磁共振编码能量成像方法 |
CN109830286B (zh) * | 2019-02-13 | 2022-09-30 | 四川大学 | 基于非参数统计的脑功能磁共振编码能量成像方法 |
CN113011462A (zh) * | 2021-02-22 | 2021-06-22 | 广州领拓医疗科技有限公司 | 瘤细胞图像的分类和装置 |
CN113011462B (zh) * | 2021-02-22 | 2021-10-22 | 广州领拓医疗科技有限公司 | 瘤细胞图像的分类和装置 |
CN115500794A (zh) * | 2022-10-08 | 2022-12-23 | 南京邮电大学 | 一种识别主观认知下降的方法及电子设备 |
CN115500794B (zh) * | 2022-10-08 | 2023-04-28 | 南京邮电大学 | 一种识别主观认知下降的方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106096636A (zh) | 一种基于神经影像的进展型轻度认知功能障碍识别方法 | |
Gao et al. | A review of the application of deep learning in the detection of Alzheimer's disease | |
Cheng et al. | Classification of MR brain images by combination of multi-CNNs for AD diagnosis | |
García-Lorenzo et al. | Review of automatic segmentation methods of multiple sclerosis white matter lesions on conventional magnetic resonance imaging | |
CN102737250B (zh) | 3d医学图像数据中对脊椎骨损伤自动检测的方法和系统 | |
Alksas et al. | A novel computer-aided diagnostic system for accurate detection and grading of liver tumors | |
Zhang et al. | Structured learning for 3-D perivascular space segmentation using vascular features | |
CN108629785B (zh) | 基于自步学习的三维磁共振胰腺图像分割方法 | |
CN107016395A (zh) | 基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别方法 | |
Rueda et al. | Bag of features for automatic classification of Alzheimer’s disease in magnetic resonance images | |
CN102247144A (zh) | 基于时间强度特征的乳腺病灶良恶性诊断计算机辅助方法 | |
Yang et al. | Diagnosis of Parkinson’s disease based on 3D ResNet: The frontal lobe is crucial | |
Alghamedy et al. | Machine Learning‐Based Multimodel Computing for Medical Imaging for Classification and Detection of Alzheimer Disease | |
Qian et al. | [Retracted] 3D Automatic Segmentation of Brain Tumor Based on Deep Neural Network and Multimodal MRI Images | |
Eskildsen et al. | Detecting Alzheimer’s disease by morphological MRI using hippocampal grading and cortical thickness | |
Ramanathan et al. | Alzheimer’s disease shape detection model in brain magnetic resonance images via whale optimization with kernel support vector machine | |
Seshadri Ramana et al. | Deep convolution neural networks learned image classification for early cancer detection using lightweight | |
Chiou et al. | Prostate cancer classification on VERDICT DW-MRI using convolutional neural networks | |
CN115984257A (zh) | 一种基于多尺度transformer的多模态医学图像融合方法 | |
Supriyanti et al. | Simple Classification of the Alzheimer’s Severity in Supporting Strengthening the Diagnosis of Patients based on ROC Diagram | |
Pallawi et al. | Study of Alzheimer’s disease brain impairment and methods for its early diagnosis: a comprehensive survey | |
Qu et al. | Advancing diagnostic performance and clinical applicability of deep learning-driven generative adversarial networks for Alzheimer's disease | |
Srilakshmi et al. | Performance enhancement of content based medical image retrieval for MRI brain images based on hybrid approach | |
Skandha et al. | Magnetic resonance based Wilson’s disease tissue characterization in an artificial intelligence framework using transfer learning | |
Bandyopadhyay | Brain Tumor Causes Neurological Disorders in Brain |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |