CN106156484A - 基于磁共振影像的脑疾病个体化预测方法和系统 - Google Patents
基于磁共振影像的脑疾病个体化预测方法和系统 Download PDFInfo
- Publication number
- CN106156484A CN106156484A CN201610402863.0A CN201610402863A CN106156484A CN 106156484 A CN106156484 A CN 106156484A CN 201610402863 A CN201610402863 A CN 201610402863A CN 106156484 A CN106156484 A CN 106156484A
- Authority
- CN
- China
- Prior art keywords
- brain
- feature
- magnetic resonance
- space
- resonance image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 21
- 208000014644 Brain disease Diseases 0.000 title claims abstract description 17
- 210000004556 brain Anatomy 0.000 claims abstract description 93
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000011282 treatment Methods 0.000 claims abstract description 26
- 230000003340 mental effect Effects 0.000 claims abstract description 22
- 239000000090 biomarker Substances 0.000 claims abstract description 20
- 238000012417 linear regression Methods 0.000 claims abstract description 20
- 206010025482 malaise Diseases 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000007621 cluster analysis Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims 1
- 201000010099 disease Diseases 0.000 abstract description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 13
- 230000006870 function Effects 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 abstract description 5
- 230000008506 pathogenesis Effects 0.000 abstract description 2
- 238000011002 quantification Methods 0.000 abstract description 2
- 108010022579 ATP dependent 26S protease Proteins 0.000 abstract 1
- 208000024891 symptom Diseases 0.000 description 18
- 230000008569 process Effects 0.000 description 12
- 238000012360 testing method Methods 0.000 description 12
- 208000024714 major depressive disease Diseases 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 8
- 238000002610 neuroimaging Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000001225 therapeutic effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 3
- 210000004884 grey matter Anatomy 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 201000000980 schizophrenia Diseases 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000002635 electroconvulsive therapy Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000020925 Bipolar disease Diseases 0.000 description 1
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 241000168254 Siro Species 0.000 description 1
- 208000028552 Treatment-Resistant Depressive disease Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012984 biological imaging Methods 0.000 description 1
- 208000028683 bipolar I disease Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007278 cognition impairment Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 230000005593 dissociations Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 206010013932 dyslexia Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 231100000518 lethal Toxicity 0.000 description 1
- 230000001665 lethal effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- VYQNWZOUAUKGHI-UHFFFAOYSA-N monobenzone Chemical compound C1=CC(O)=CC=C1OCC1=CC=CC=C1 VYQNWZOUAUKGHI-UHFFFAOYSA-N 0.000 description 1
- 230000003562 morphometric effect Effects 0.000 description 1
- 238000013425 morphometry Methods 0.000 description 1
- 210000001009 nucleus accumben Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 210000001769 parahippocampal gyrus Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009329 sexual behaviour Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 208000011117 substance-related disease Diseases 0.000 description 1
- 230000004584 weight gain Effects 0.000 description 1
- 235000019786 weight gain Nutrition 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Classifications
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于磁共振影像的脑疾病个体化预测方法和系统。其中，该方法包括步骤1：获取精神疾病病人脑磁共振影像；步骤2：对病人脑磁共振影像进行去噪和降维处理；步骤3：利用ReliefF算法，进行特征选择；步骤4：使用空间聚类分析方法自适应地得到空间脑区；步骤5：利用基于相关的特征选择算法，去除冗余特征，得到最优特征子集；步骤6：基于最优特征子集，进行多元线性回归分析，识别出潜在的生物标志。本发明实施例综合了多种机器学习方法，可以快速、便捷地基于多种不同模态类型的影像数据,实现对精神疾病的兴趣特征,如临床指标等进行定量化、个体化地精准预测，有利于理解疾病的脑结构和功能异常与潜在的发病机制。
Description
技术领域
本发明实施例涉及生物信息及计算医学技术领域，具体涉及一种基于磁共振影像的脑疾病个体化预测方法和系统。
背景技术
伴随经济、卫生、医疗水平的发展，世界各国人民的平均寿命得到延长。但与此同时，由于竞争压力增大等诸多因素，在全球范围内，精神疾病的发病率逐年增长，并成为导致死亡的主要原因之一[1](van Waarde et al.A functional MRI marker may predictthe outcome of electroconvulsive therapy in severe and treatment-resistantdepression.Mol Psychiatry 20,609-614,2015)。在临床上，人们对精神疾病的认识主要是通过磁共振影像(MRI)。作为一种非侵入性的成像技术，它大大加深了人们对精神疾病复杂的发病机理和多变的临床生物学差异的理解，已经成为认知科学、神经科学和神经精神病学研究不可或缺的工具。同时，伴随人类进入高科技信息化时代，数据挖掘、机器学习等一系列先进技术的发展成熟成为推动社会进步的重要因素，并已成功地应用在金融、通讯、地理、电子工程、航天等诸多领域，随之产生了各种尖端的算法理论体系模型。然而，这些尖端算法理论在神经影像数据上的应用在一定程度上受到了限制。
在临床上，尚未发现可用于评定精神疾病严重性与认知水平且具有一定稳定性的生物标志，目前流行的大多数准则主要依赖于病人行为表现和医生的经验进行定性分析及在此基础上的合理推测。此外，由于多种精神疾病的认知或者行为表现之间存在较大程度的表征重叠交叉，单纯的只依赖于症状或者行为表现的诊断存在明显不足，因此急需一种能够及时辅助诊断或治疗，并具有客观性的神经影像标志。利用数据挖掘、机器学习的算法思想从已有的高维异构神经影像中提取潜在的特征信息，建立影像特征与目标度量(如症状表现、认知水平等)之间的关系模型，并识别出潜在的生物标志，进行个性化预测，已成为当前国际神经影像学研究的热点和前沿，并在教育、医疗、刑侦等诸多领域取得了一定成果[2-7](Demos et al,Individual differences in nucleus accumbens activity tofood and sexual images predict weight gain and sexual behavior.J Neurosci 32,5549-5552,2012；Hoeft et al.,Functional and morphometric brain dissociationbetween dyslexia and reading ability.Proc Natl Acad Sci U S A 104,4234-4239,2007；Lener and Iosifescu,In pursuit of neuroimaging biomarkers to guidetreatment selection in major depressive disorder:a review of theliterature.Ann N Y Acad Sci 1344,50-65,2015；Mahmood et al.,Adolescents'fMRIactivation to a response inhibition task predicts future substance use.AddictBehav 38,1435-1441,2013；Risacher et al.,Alzheimer's Disease Neuroimaging,I.,2009.Baseline MRI predictors of conversion from MCI to probable AD in theADNI cohort.Curr Alzheimer Res 6,347-361,2009；Sui et al.,In search ofmultimodal neuroimaging biomarkers of cognitive deficits inschizophrenia.Biol Psychiatry 78,794-804,2015)。
然而，已有算法往往基于固定的、预定义的模板(如AAL template)来进行脑区划分，并以此作为预测模型的输入特征，这在很大程度上限制了寻找更加精准的、具有预测性能的兴趣脑区(predictor，regions of interest，ROI).因为实际情况中起到关键预测作用的脑区(ROI)很可能是由预定模板划分得到的多个分区的部分组成。当前已有的研究模型多采用单一的数据类型或单一特征选择算法，不能有效地推广到多种模态影像数据类型及不同目标度量等不确定因子的预测任务中，这在很大程度上限制了其在多种类型的疾病诊断及影像模态上的推广，对于复杂的疾病研究，其重复性较差。因此，亟待产生一种具有一定良好的通用性和自适应性，并能在多种个性化预测任务中产生稳定结果的预测模型。本发明将充分利用现有机器学习、模式识别等高效优质算法理论，挖掘出隐藏在影像数据内的、对特定疾病具有针对性的潜在生物标志，识别出大脑结构与功能中存在的差异，有助于辅助医师的临床决策，提高人们的生活质量。这是世界各国科研人员研究的热点与难点所在，有望产生突破性的科学成果。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于磁共振影像的脑疾病个体化预测方法。此外，还提供一种基于磁共振影像的脑疾病个体化预测系统。
为了实现上述目的，根据本发明的一个方面，提供了以下技术方案：
一种基于磁共振影像的脑疾病个体化预测方法，所述方法可以包括：
步骤1：获取精神疾病病人脑磁共振影像；
步骤2：对所述病人脑磁共振影像进行去噪和降维处理；
步骤3：利用ReliefF算法，对所述步骤2的处理结果进行特征选择；
步骤4：基于所述步骤3的结果，使用空间聚类分析方法自适应地得到空间脑区；
步骤5：基于所述步骤4得到的空间脑区，利用基于相关的特征选择算法，去除冗余特征，得到最优特征子集；
步骤6：基于所述最优特征子集，进行多元线性回归分析，识别出潜在的具有预测性的生物标志。
为了实现上述目的，根据本发明的另一个方面，还提供了一种基于磁共振影像的脑疾病个体化预测系统，该系统可以包括：
获取模块，被配置为获取精神疾病病人脑磁共振影像；
预处理模块，被配置为对所述病人脑磁共振影像进行去噪和降维处理；
特征选择模块，被配置为利用ReliefF算法，对所述处理模块的处理结果进行特征选择；
聚类模块，被配置为基于所述特征选择模块的结果，使用基于数据驱动的空间聚类分析方法自适应的得到空间脑区；
筛选模块，被配置为基于所述聚类模块得到的空间脑区，利用基于相关的特征选择算法，去除冗余特征，得到最优特征子集；
识别模块，被配置为基于所述最优特征子集，进行多元线性回归分析，识别出潜在的具有预测性的生物标志。
与现有技术相比，上述技术方案至少具有以下有益效果：
本发明实施例通过基于全脑的体素搜索，对进行了去噪和降维处理的病人脑磁共振影像进行特征选择，避免了传统算法中基于模型的特征提取需在预定义固定模板下受脑区数量、大小等的限制，促进更加精确的脑区异常的发现。使用基于数据驱动的空间聚类分析方法得到空间脑区，使得自动聚类生成感兴趣脑区(ROI)的过程不受参数的限制。无论是对于多种模态脑影像特征，还是不同类型的精神疾病都有很好的泛化性能，不拘泥于特定的影像特征及疾病类型的组合。基于得到的空间脑区，利用基于相关的特征选择算法，去除冗余特征，得到最优特征子集；然后基于最优特征子集，进行多元线性回归分析，识别出潜在的具有预测性的生物标志。由此，对疾病生物标志的定量识别可以更加准确地定位与精神疾病发病机制密切相关的异常脑区。本发明实施例综合了多种机器学习方法，可以快速、便捷地基于多种不同模态类型的影像数据实现对精神疾病个体化特征(认知水平或症状表现)进行定量化精准预测，进而识别出具有临床意义的生物标识，为理解疾病的脑结构、功能异常与潜在的发病机制提供有价值的线索。
当然，实施本发明的任一产品不一定需要同时实现以上所述的所有优点。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其它优点可通过在所写的说明书、权利要求书以及附图中所特别指出的方法来实现和获得。
附图说明
附图作为本发明的一部分，用来提供对本发明的进一步的理解，本发明的示意性实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。在附图中：
图1为根据一示例性实施例示出的基于磁共振影像的脑疾病个体化预测方法的流程示意图；
图2为根据另一示例性实施例示出的使用基于数据驱动的空间聚类分析自适应地得到若干脑区的示意图；
图3为根据一示例性实施例示出的利用本发明实施例所提出的方法对重度抑郁症患者接受治疗前治疗效果进行预测的流程示意图；
图4a为根据一示例性实施例示出的利用该发明实施例所提出的多元线性回归模型对重度抑郁症患者接受电击治疗后症状减轻状况的预测结果及鉴定出的相关脑区示意图；
图4b为根据一示例性实施例示出的利用多元线性回归模型驱动的AAL模板对重度抑郁症患者接受治疗后症状减轻状况的预测结果的示意图；
图5为根据一示例性实施例示出的基于磁共振影像的脑疾病个体化预测系统的结构示意图。
这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
下面结合附图以及具体实施例对本发明实施例解决的技术问题、所采用的技术方案以及实现的技术效果进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请的一部分实施例，并不是全部实施例。基于本申请中的实施例，本领域普通技术人员在不付出创造性劳动的前提下，所获的所有其它等同或明显变型的实施例均落在本发明的保护范围内。本发明实施例可以按照权利要求中限定和涵盖的多种不同方式来具体化。
需要说明的是，在下面的描述中，为了方便理解，给出了许多具体细节。但是很明显，本发明的实现可以没有这些具体细节。
需要说明的是，在没有明确限定或不冲突的情况下，本发明中的各个实施例及其中的技术特征可以相互组合而形成技术方案。
本发明实施例的基本思想是以精神病人扫描的功能磁共振影像(fMRI)、结构磁共振影像(sMRI)或者弥散张量成像(DTI)等影像为基础，对其进行分割、配准、标准化等预处理操作得到可用于计算机系统处理分析的高维异构三维空间数据。接下来利用诸如ReliefF特征选算法计算所有特征对目标待预测属性的区分能力进行排序，选取所有全脑体素中具有较高权重值的若干体素特征，完成原始数据的降维操作；将空间稀疏分布的体素特征构成具有生理意义并具有直观可视化效果的空间脑区，基于数据驱动的全脑体素搜索通过空间邻域连通规则进行自适应聚类操作，并以其均值作为脑区特征代表，利用基于相关的特征选择(CFS)算法去除冗余特征，并最终结合多重交叉验证和多元线性回归分析，得到特征脑区与病人个性化特征(认知水平或者症状表现)之间的关系，从而达到鉴定潜在生物标志的目的。
本发明实施例提供一种基于磁共振影像的脑疾病个体化预测方法。如图1所示，该方法可以包括步骤S1至步骤S6。
步骤S1：获取精神疾病病人脑磁共振影像。
其中，精神疾病是指以精神分裂症(SZ)、重度抑郁症(MDD)和躁郁症(BP)等为主的一系列以患者严重的心理障碍和行为异常为特征，并伴有严重的认知损害的精神疾病。
磁共振影像可以为功能磁共振影像(fMRI)、结构磁共振影像(sMRI)及弥散张量成像(DTI)在内的多种影像。
步骤S2：对病人脑磁共振影像进行去噪和降维处理。
本发明实施例从精神疾病的病人的功能磁共振影像(fMRI)、结构磁共振影像(sMRI)及弥散张量成像(DTI)在内的多种影像模态预处理后得到的人脑特征(如低频振荡振幅ALFF、分割灰质图GM及脑白质完整性与一致性等)入手，将其作为研究精神疾病患者认知或者症状表现的数据依据。
扫描精神病人群组磁共振影像，对其进行灰质分割、平滑、标准化等预处理操作，以去除影像中的噪声等干扰因素后，得到预测流程最原始的数据。该图像通常拥有高达数十万数量的维度，每一个维度是空间脑区的一个具有特异性的体素特征(也即脑体素特征)。为了降其维度，通常可以根据每个体素的差异大小，去除掉所有病人样本中不具有显著组内差异的特征。通常意义上，该具有较小差异的特征在疾病的认知或症状表现上不具有有效的区分能力，由此可实现对原始高维数据的降维操作。
步骤S3：利用ReliefF算法，对步骤2的处理结果进行特征选择。
定义目标预测属性为：针对特定类型的精神疾病，根据专业的评定量表，对病人的认知能力或者症状表现进行量化评测，并以最终得分的形式代表其认知水平高低或症状严重性程度。
本步骤具体可以包括：利用ReliefF算法，计算每个体素特征对目标预测属性的区分能力；以权值大小作为划分能力量化标准，按照从大到小的顺序，选择预定数量的体素特征。
对于每一个体素特征属性而言，好的体素特征应该使得目标预测属性差别小的样本尽量靠近，而使目标预测属性差别较大的不同类样本尽量远离，这样的体素特征有着较优质的区分性能。基于被预测属性的相对距离，计算每个体素特征对目标预测属性的区分能力，并以权值大小作为所有其划分能力量化标准，按照从大到小的顺序对所有属性进行排序。根据实际需要，选择若干拥有高权值、对目标预测属性影响因子较大的体素特征作为原始数据集的代表，根据实际情况，重复多次试验选择出最好的阈值大小。
步骤S4：基于步骤3的结果，使用基于数据驱动的空间聚类分析方法自适应地得到空间脑区。
具体地，基于步骤3的结果，针对空间稀疏分布的全脑体素，以每一体素为中心，构建空间正方体，通过空间邻域连通规则聚集与该中心体素相邻接的所有体素，构成空间脑区。
在实际实施过程中，对于与认知或者症状表现相关的生物标志的鉴定，通常需要获取空间紧密连接、具有临床意义的联通区域。通过基于诸如空间26(3×3×3-1)邻域连通规则将稀疏的3D全脑体素聚集成连接紧密的团簇，实现超高维数据特征的降维操作的同时，构成具有生理意义并具有直观可视化效果的空间脑区，并去除掉包含体素数量小于5的那些脑区。由于包含体素较少，其不具有可解释的生理意义。该过程的实现是通过将reliefF选出的全脑空间体素置为1，其他没有体素的位置置为0，然后以每一个体素为中心，构建3×3×3的空间正方体，聚集与该中心体素相邻接的所有体素，将其连接成具有生理意义并具有直观可视化效果的空间脑区，从而完成稀疏体素到空间连通脑区的转化。以每个聚集脑区簇中所有的体素的均值作为该脑区的特征属性值，成为该感兴趣脑区的代表(即该脑区整体特征代表)，最终得到数量在100左右的空间脑区。图2示例性地示出了使用自动空间聚类分析得到若干脑区的示意图。
步骤S5：基于步骤4得到的空间脑区，利用基于相关的特征选择算法，去除冗余特征，得到最优特征子集。
具体地，以步骤4空间聚类后得到的空间脑区为基础特征，以该空间脑区体素的均值为特征代表，利用基于相关的特征选择(CFS)算法去除冗余特征，提取最优特征子集。
其中，最优特征子集是指在所有可能数量的脑区组合中，各脑区间相关性最小、而与目标预测属性相关性最大的脑区集合。
通过计算每个特征与目标预测属性的相关性以及各特征之间的相关性大小，选择出所有可能数量的特征组合中能产生最优效果的特征子集，从而使得所选特征集与目标预测属性拥有最大的相关程度而特征属性之间冗余度最小，从而减少了特征数量。
步骤S6：基于所选择出的最优特征子集，进行多元线性回归分析，识别出潜在的生物标志。
其中，回归分析是指结合多元线性回归、Pace回归或者其他多种回归分析算法。
本步骤具体可以包括建立最优特征子集与所述目标预测属性之间的回归关系；通过回归关系，计算目标预测属性的预测值与真实值之间的相关系数；根据相关系数，确定最佳拟合程度；将得到最佳拟合程度所对应的回归关系中的脑区，确定为具有预测性的生物标志。
识别出潜在的生物标志是指通过回归方程计算得到目标预测属性的预测值与真实值间的相关系数，并以回归方程中出现的脑区变量作为识别出的生物标志。如果能得到较好的相关系数以及较为集中的特征脑区，说明检测到的脑区可以作为该精神疾病的重要生物标记，并可以通过将该生物标记应用到其他的独立样本群体中进行检验分析，辅助医师进行疾病的早期诊断与治疗。
具体地，将所选择出的最优特征子集作为自变量，将认知水平得分或者症状表现得分作为因变量，借助多元线性回归分析建立自变量与因变量之间的回归函数。通过回归方程计算目标预测属性的预测值与真实值之间的皮尔逊相关系数，可以得到多元线性回归模型的预测能力，越接近于1，多元线性回归模型的拟合程度越好。回归方程中出现的脑区即可作为从影像中鉴定出的与该疾病密切相关联的生物标志。
下面以预测重度抑郁症(MDD)电击治疗(ECT)效果并鉴定相关生物标志为例来说明本发明的实现过程。
其中，病人经电击治疗前后的症状表现得分由汉密顿抑郁量表(HDRS)进行测量，其差值代表症状减轻程度(△HDRS)。
步骤S21：获取原始数据。
其中，原始数据可以为38名重度抑郁症患者治疗前后的结构磁共振影像(sMRI)。
步骤S22：对原始数据进行去噪和降维处理。
具体地，每个被试样本的影像经过SPM专业处理软件进行灰质分割、平滑、标准化等过程去除掉噪声干扰，得到适用于实验分析的10e+4量级体素特征。同时，鉴于数据的高维特性，可以利用各特征的组内差异大小进行降维处理。
步骤S23：利用ReliefF算法进行特征选择。
其中，通过选取所有特征中对症状减轻程度△HDRS得分影响因子较大的几千个体素特征，原始的高维异构数据维度得到降低。
步骤S24：基于数据驱动的空间聚类分析自适应得到空间脑区。
其中，将空间稀疏分布的体素特征基于空间26邻域连通进行聚类操作，去除掉包含体素数量少于5的脑区，最终产生数十个空间感兴趣脑区。
步骤S25：利用CFS选择最优特征子集去除冗余特征。
本步骤中，将上述空间脑区通过CFS特征选择去除掉冗余特征，最终简化到十几个。
步骤S26：多元线性回归分析。
建立上述感兴趣区域(空间脑区)与△HDRS之间的多元线性回归模型，出现在回归方程中的脑区为识别出的具有潜在预测性的脑区。
在本发明实施例所述方法的基础之上，利用图3所示流程图在嵌套留一交叉验证框架下进行个体预测。每次通过将一个样本作为测试集，其他样本(37个样本)作为训练集。训练集中的样本经由本发明所提方法进行特征选择、空间聚类分析自适应得到空间脑区、计算聚类均值、特征子集选择以及回归分析等过程。然后利用得到的回归方程对测试集样本进行目标兴趣指标预测计算。最后，对回归分析的结果进行十折交叉验证，验证通过特征子集选择得到的验证集。通过重复该过程38次，将最终得到模型对所有样本的预测结果，并根据38次回归方程中脑区重复出现的次数，确定对治疗效果具有预测性的影像标志。用选择出的脑区与产生的回归模型对测试集中的样本进行临床特征个性化预测。最终得到6个脑区出现频次较高(优选地，频次大于20次)的特征脑区，其包括左侧海马、海马旁回、颞下回、额中回及右角回等脑区。通过检验所得脑区对应的脑结构名称及相应的功能特性，图4a示例性地示出了与重度抑郁症接受电击治疗症状恢复相关的空间脑区。该空间脑区与已有的科研结果中关于电击治疗重度抑郁症的相关发现具有很大的交叉性，保持相一致，说明了该预测模型(即多元线性回归模型)的有效性与可靠性。图4a示例性地示出了利用该发明实施例所提出的多元线性回归模型对重度抑郁症患者接受治疗后症状减轻状况的预测结果，通过模型预测得到的症状下降值与真实值之间的相关系数达到了0.89，并且对病人的恢复情况的预测敏感性为88.9％，特异性为90.9％，而对治疗效果的预测达到了97.4％。所有38名病人中仅有一名病人分类错误；图4b示例性地示出了利用多元线性回归模型驱动的AAL模板对重度抑郁症患者接受治疗后症状减轻状况的预测结果。由结果对比可知，该基于全脑搜索的预测方法能够显著提高预测精度，并且能够识别出具有临床意义的特征脑区，可作为辅助医疗诊断的生物标志，对病情恢复情况高达89.5％的预测精度能够真正地实现在病人接受治疗前就对其治疗效果进行预测，实现精准医疗的目标。
本实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
基于与方法实施例相同的技术构思，本发明实施例还提供一种基于磁共振影像的脑疾病个体化预测系统。如图5所示，该系统可以包括：获取模块51、预处理模块52、特征选择模块53、聚类模块54、筛选模块55和识别模块56。其中，获取模块51被配置为获取精神疾病病人脑磁共振影像。预处理模块52被配置为对病人脑磁共振影像进行去噪和降维处理。特征选择模块53被配置为利用ReliefF算法，对处理模块的处理结果进行特征选择。聚类模块54被配置为基于特征选择模块的结果，使用基于数据驱动的空间聚类分析方法自适应地得到空间脑区。筛选模块55被配置为基于聚类模块得到的空间脑区，利用基于相关的特征选择算法，去除冗余特征，得到最优特征子集。识别模块56被配置为基于最优特征子集，进行多元线性回归分析，识别出潜在的生物标志。
需要说明的是，上述实施例提供的基于磁共振影像的脑疾病个体化预测系统在进行脑疾病个体化预测时，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
本领域技术人员可以理解，上述基于磁共振影像的脑疾病个体化预测系统还包括一些其他公知结构，例如处理器、存储器等，为了不必要地模糊本公开的实施例，这些公知的结构未在图5中示出。
应该理解，图5中的各个模块的数量仅仅是示意性的。根据实际需要，可以具有任意数量的各模块。
上述系统实施例可以用于执行上述方法实施例，其技术原理、所解决的技术问题及产生的技术效果相似，所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
应指出的是，上面分别对本发明的系统实施例和方法实施例进行了描述，但是对一个实施例描述的细节也可应用于另一个实施例。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。本领域技术人员应该理解：本发明实施例中的模块或者步骤还可以再分解或者组合。例如上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
以上对本发明实施例所提供的技术方案进行了详细的介绍。虽然本文应用了具体的个例对本发明的原理和实施方式进行了阐述，但是，上述实施例的说明仅适用于帮助理解本发明实施例的原理；同时，对于本领域技术人员来说，依据本发明实施例，在具体实施方式以及应用范围之内均会做出改变。
需要说明的是，本文中涉及到的流程图或框图不仅仅局限于本文所示的形式，其还可以进行划分和/或组合。
需要说明的是：附图中的标记和文字只是为了更清楚地说明本发明，不视为对本发明保护范围的不当限定。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
如本文中所使用的，术语“模块”可以指代在计算系统上执行的软件对象或例程。可以将本文中所描述的不同模块实现为在计算系统上执行的对象或过程(例如，作为独立的线程)。虽然优选地以软件来实现本文中所描述的系统和方法，但是以硬件或者软件和硬件的组合的实现也是可以的并且是可以被设想的。
本发明的各个步骤可以用通用的计算装置来实现，例如，它们可以集中在单个的计算装置上，例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备或者多处理器装置，也可以分布在多个计算装置所组成的网络上，它们可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。因此，本发明不限于任何特定的硬件和软件或者其结合。
本发明提供的方法可以使用可编程逻辑器件来实现，也可以实施为计算机程序软件或程序模块(其包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件或数据结构等等)，例如根据本发明的实施例可以是一种计算机程序产品，运行该计算机程序产品使计算机执行用于所示范的方法。所述计算机程序产品包括计算机可读存储介质，该介质上包含计算机程序逻辑或代码部分，用于实现所述方法。所述计算机可读存储介质可以是被安装在计算机中的内置介质或者可以从计算机主体上拆卸下来的可移动介质(例如：采用热插拔技术的存储设备)。所述内置介质包括但不限于可重写的非易失性存储器，例如：RAM、ROM、快闪存储器和硬盘。所述可移动介质包括但不限于：光存储介质(例如：CD－ROM和DVD)、磁光存储介质(例如：MO)、磁存储介质(例如：磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如：存储卡)和具有内置ROM的媒体(例如：ROM盒)。
本发明并不限于上述实施方式，在不背离本发明实质内容的情况下，本领域普通技术人员可以想到的任何变形、改进或替换均落入本发明的保护范围。
Claims (6)
1.一种基于磁共振影像的脑疾病个体化预测方法，其特征在于，所述方法至少包括：
步骤1：获取精神疾病病人脑磁共振影像；
步骤2：对所述病人脑磁共振影像进行去噪和降维处理；
步骤3：利用ReliefF算法，对所述步骤2的处理结果进行特征选择；
步骤4：基于所述步骤3的结果，使用基于数据驱动的空间聚类分析方法自适应地得到空间脑区；
步骤5：基于所述步骤4得到的空间脑区，利用基于相关的特征选择算法，去除冗余特征，得到最优特征子集；
步骤6：基于所述最优特征子集，进行多元线性回归分析，识别出潜在的生物标志。
2.根据权利要求1所述的方法，其特征在于，所述步骤3具体包括：
基于所述步骤2的处理结果，利用ReliefF算法，计算每个体素特征对目标预测属性的区分能力；
以权值大小作为划分能力量化标准，按照从大到小的顺序，选择预定数量的体素特征。
3.根据权利要求2所述的方法，其特征在于，所述步骤4具体包括：
基于所述步骤3的结果，针对空间稀疏分布的全脑体素，以每一体素为中心，构建空间正方体，通过空间邻域连通规则聚集与该中心体素相邻接的所有体素，构成空间脑区。
4.根据权利要求3所述的方法，其特征在于，所述步骤5具体包括：
以所述步骤4所得的空间脑区为基础特征，以该空间脑区体素的均值为特征代表，利用基于相关的特征选择算法去除冗余特征，提取最优特征子集。
5.根据权利要求4所述的方法，其特征在于，所述步骤6具体包括：
建立所述最优特征子集与所述目标预测属性之间的回归关系；
通过所述回归关系，计算所述目标预测属性的预测值与真实值之间的相关系数；
根据所述相关系数，确定最佳拟合程度；
将得到最佳拟合程度所对应的回归关系中的脑区，确定为具有预测性的生物标志。
6.一种基于磁共振影像的脑疾病个体化预测系统，其特征在于，所述系统至少包括：
获取模块，被配置为获取精神疾病病人脑磁共振影像；
预处理模块，被配置为对所述病人脑磁共振影像进行去噪和降维处理；
特征选择模块，被配置为利用ReliefF算法，对所述处理模块的处理结果进行特征选择；
聚类模块，被配置为基于所述特征选择模块的结果，使用基于数据驱动的空间聚类分析方法自适应地得到空间脑区；
筛选模块，被配置为基于所述聚类模块得到的空间脑区，利用基于相关的特征选择算法，去除冗余特征，得到最优特征子集；
识别模块，被配置为基于所述最优特征子集，进行多元线性回归分析，识别出潜在的生物标志。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610402863.0A CN106156484A (zh) | 2016-06-08 | 2016-06-08 | 基于磁共振影像的脑疾病个体化预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610402863.0A CN106156484A (zh) | 2016-06-08 | 2016-06-08 | 基于磁共振影像的脑疾病个体化预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106156484A true CN106156484A (zh) | 2016-11-23 |
Family
ID=57353310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610402863.0A Pending CN106156484A (zh) | 2016-06-08 | 2016-06-08 | 基于磁共振影像的脑疾病个体化预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106156484A (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107665736A (zh) * | 2017-09-30 | 2018-02-06 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
| CN108133122A (zh) * | 2016-12-01 | 2018-06-08 | 深圳华大基因股份有限公司 | 基因聚类方法和基于该方法的宏基因组组装方法和装置 |
| CN108288070A (zh) * | 2018-01-12 | 2018-07-17 | 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 |
| CN108802648A (zh) * | 2018-04-03 | 2018-11-13 | 上海东软医疗科技有限公司 | 一种基于梯度回波的磁共振定量成像方法和装置 |
| CN109359403A (zh) * | 2018-10-29 | 2019-02-19 | 上海市同济医院 | 一种基于面孔表情识别磁共振成像的精神分裂症早期诊断模型及其应用 |
| CN109493929A (zh) * | 2018-09-20 | 2019-03-19 | 北京工业大学 | 基于分组变量的低冗余特征选择方法 |
| CN109498037A (zh) * | 2018-12-21 | 2019-03-22 | 中国科学院自动化研究所 | 基于深度学习提取特征和多重降维算法的脑认知测量方法 |
| CN109561852A (zh) * | 2017-04-04 | 2019-04-02 | 李昡燮 | 用于个性化定制脑疾病诊断和状态判定的医学图像处理系统及方法 |
| CN109770903A (zh) * | 2018-12-29 | 2019-05-21 | 中国科学院自动化研究所 | 功能磁共振影像的分类预测方法、系统、装置 |
| TWI679652B (zh) * | 2019-01-14 | 2019-12-11 | 國立陽明大學 | 個人化大腦影像評估之方法、非暫時性電腦可讀媒體及設備 |
| CN111063442A (zh) * | 2019-11-28 | 2020-04-24 | 南京邮电大学 | 基于弱监督多任务矩阵补全的脑疾病进程预测方法及系统 |
| WO2020103683A1 (zh) * | 2018-11-20 | 2020-05-28 | 中国科学院脑科学与智能技术卓越创新中心 | 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 |
| CN111401783A (zh) * | 2020-04-07 | 2020-07-10 | 国网山东省电力公司 | 一种电力系统运行数据集成特征选择方法 |
| CN111415324A (zh) * | 2019-08-09 | 2020-07-14 | 复旦大学附属华山医院 | 基于磁共振成像的脑病灶图像空间分布特征的分类鉴别方法 |
| CN111436903A (zh) * | 2019-07-05 | 2020-07-24 | 四川大学华西医院 | 精神影像技术链 |
| CN112568872A (zh) * | 2020-12-30 | 2021-03-30 | 深圳大学 | 基于mri影像和血液生化指标的脑龄融合预测方法 |
| CN112735569A (zh) * | 2020-12-31 | 2021-04-30 | 四川大学华西医院 | 脑肿瘤多模态mri术前胶质瘤手术区结果输出系统及方法 |
| CN113724160A (zh) * | 2021-08-26 | 2021-11-30 | 浙江大学医学院附属邵逸夫医院 | 一种脑影像处理方法、装置、设备及存储介质 |
| CN116385441A (zh) * | 2023-06-05 | 2023-07-04 | 中国科学院深圳先进技术研究院 | 一种基于mri对少突胶质细胞瘤进行风险分层的方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886328A (zh) * | 2014-03-19 | 2014-06-25 | 太原理工大学 | 基于脑网络模块结构特征的功能磁共振影像数据分类方法 |
| CN104207778A (zh) * | 2014-10-11 | 2014-12-17 | 上海海事大学 | 一种基于静息态功能磁共振成像技术的心理健康检测方法 |
| CN104715150A (zh) * | 2015-03-19 | 2015-06-17 | 上海海事大学 | 一种基于复杂网络的偏头痛患者大脑皮层的辅助分类分析方法 |
| US20150272468A1 (en) * | 2014-03-31 | 2015-10-01 | Hesheng Liu | System And Method For Functional Brain Organization Mapping |
-
2016
- 2016-06-08 CN CN201610402863.0A patent/CN106156484A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886328A (zh) * | 2014-03-19 | 2014-06-25 | 太原理工大学 | 基于脑网络模块结构特征的功能磁共振影像数据分类方法 |
| US20150272468A1 (en) * | 2014-03-31 | 2015-10-01 | Hesheng Liu | System And Method For Functional Brain Organization Mapping |
| CN104207778A (zh) * | 2014-10-11 | 2014-12-17 | 上海海事大学 | 一种基于静息态功能磁共振成像技术的心理健康检测方法 |
| CN104715150A (zh) * | 2015-03-19 | 2015-06-17 | 上海海事大学 | 一种基于复杂网络的偏头痛患者大脑皮层的辅助分类分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| XING MENG 等: "Predicting individualized clinical measures by a generalized prediction framework and multimodal fusion of MRI data", 《NEUROIMAGE》 * |
Cited By (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108133122A (zh) * | 2016-12-01 | 2018-06-08 | 深圳华大基因股份有限公司 | 基因聚类方法和基于该方法的宏基因组组装方法和装置 |
| CN108133122B (zh) * | 2016-12-01 | 2020-09-15 | 深圳华大基因股份有限公司 | 基因聚类方法和基于该方法的宏基因组组装方法和装置 |
| CN109561852A (zh) * | 2017-04-04 | 2019-04-02 | 李昡燮 | 用于个性化定制脑疾病诊断和状态判定的医学图像处理系统及方法 |
| CN109561852B (zh) * | 2017-04-04 | 2022-09-06 | 李昡燮 | 用于个性化定制脑疾病诊断和状态判定的医学图像处理系统及方法 |
| CN107665736A (zh) * | 2017-09-30 | 2018-02-06 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
| CN107665736B (zh) * | 2017-09-30 | 2021-05-25 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
| CN108288070A (zh) * | 2018-01-12 | 2018-07-17 | 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 |
| CN108802648A (zh) * | 2018-04-03 | 2018-11-13 | 上海东软医疗科技有限公司 | 一种基于梯度回波的磁共振定量成像方法和装置 |
| CN108802648B (zh) * | 2018-04-03 | 2020-12-01 | 上海东软医疗科技有限公司 | 一种基于梯度回波的磁共振定量成像方法和装置 |
| CN109493929B (zh) * | 2018-09-20 | 2022-03-15 | 北京工业大学 | 基于分组变量的低冗余特征选择方法 |
| CN109493929A (zh) * | 2018-09-20 | 2019-03-19 | 北京工业大学 | 基于分组变量的低冗余特征选择方法 |
| CN109359403A (zh) * | 2018-10-29 | 2019-02-19 | 上海市同济医院 | 一种基于面孔表情识别磁共振成像的精神分裂症早期诊断模型及其应用 |
| WO2020103683A1 (zh) * | 2018-11-20 | 2020-05-28 | 中国科学院脑科学与智能技术卓越创新中心 | 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 |
| CN109498037A (zh) * | 2018-12-21 | 2019-03-22 | 中国科学院自动化研究所 | 基于深度学习提取特征和多重降维算法的脑认知测量方法 |
| CN109770903A (zh) * | 2018-12-29 | 2019-05-21 | 中国科学院自动化研究所 | 功能磁共振影像的分类预测方法、系统、装置 |
| TWI679652B (zh) * | 2019-01-14 | 2019-12-11 | 國立陽明大學 | 個人化大腦影像評估之方法、非暫時性電腦可讀媒體及設備 |
| CN111436903A (zh) * | 2019-07-05 | 2020-07-24 | 四川大学华西医院 | 精神影像技术链 |
| CN111415324B (zh) * | 2019-08-09 | 2024-03-08 | 复旦大学附属华山医院 | 基于磁共振成像的脑病灶图像空间分布特征的分类鉴别方法 |
| CN111415324A (zh) * | 2019-08-09 | 2020-07-14 | 复旦大学附属华山医院 | 基于磁共振成像的脑病灶图像空间分布特征的分类鉴别方法 |
| CN111063442A (zh) * | 2019-11-28 | 2020-04-24 | 南京邮电大学 | 基于弱监督多任务矩阵补全的脑疾病进程预测方法及系统 |
| CN111063442B (zh) * | 2019-11-28 | 2022-07-15 | 南京邮电大学 | 基于弱监督多任务矩阵补全的脑疾病进程预测方法及系统 |
| CN111401783A (zh) * | 2020-04-07 | 2020-07-10 | 国网山东省电力公司 | 一种电力系统运行数据集成特征选择方法 |
| CN112568872B (zh) * | 2020-12-30 | 2021-11-02 | 深圳大学 | 基于mri影像和血液生化指标的脑龄融合预测方法 |
| CN112568872A (zh) * | 2020-12-30 | 2021-03-30 | 深圳大学 | 基于mri影像和血液生化指标的脑龄融合预测方法 |
| CN112735569B (zh) * | 2020-12-31 | 2022-09-02 | 四川大学华西医院 | 脑肿瘤多模态mri术前胶质瘤手术区结果输出系统及方法 |
| CN112735569A (zh) * | 2020-12-31 | 2021-04-30 | 四川大学华西医院 | 脑肿瘤多模态mri术前胶质瘤手术区结果输出系统及方法 |
| CN113724160A (zh) * | 2021-08-26 | 2021-11-30 | 浙江大学医学院附属邵逸夫医院 | 一种脑影像处理方法、装置、设备及存储介质 |
| CN113724160B (zh) * | 2021-08-26 | 2023-09-05 | 浙江大学医学院附属邵逸夫医院 | 一种脑影像处理方法、装置、设备及存储介质 |
| CN116385441A (zh) * | 2023-06-05 | 2023-07-04 | 中国科学院深圳先进技术研究院 | 一种基于mri对少突胶质细胞瘤进行风险分层的方法及系统 |
| CN116385441B (zh) * | 2023-06-05 | 2023-09-05 | 中国科学院深圳先进技术研究院 | 一种基于mri对少突胶质细胞瘤进行风险分层的方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106156484A (zh) | 基于磁共振影像的脑疾病个体化预测方法和系统 | |
| Castellazzi et al. | A machine learning approach for the differential diagnosis of Alzheimer and vascular dementia fed by MRI selected features | |
| Ramzan et al. | A deep learning approach for automated diagnosis and multi-class classification of Alzheimer’s disease stages using resting-state fMRI and residual neural networks | |
| Khodatars et al. | Deep learning for neuroimaging-based diagnosis and rehabilitation of autism spectrum disorder: a review | |
| Islam et al. | Brain MRI analysis for Alzheimer’s disease diagnosis using an ensemble system of deep convolutional neural networks | |
| Khan et al. | Machine learning and deep learning approaches for brain disease diagnosis: principles and recent advances | |
| WO2017210873A1 (zh) | 基于磁共振影像的脑疾病个体化预测方法和系统 | |
| Maglanoc et al. | Multimodal fusion of structural and functional brain imaging in depression using linked independent component analysis | |
| Chen et al. | Detecting abnormal brain regions in schizophrenia using structural MRI via machine learning | |
| Karrer et al. | Brain‐based ranking of cognitive domains to predict schizophrenia | |
| US11806146B2 (en) | Systems and methods for identifying a neurophysiological biotype of depression in the brain of a patient | |
| Antila et al. | The PredictAD project: development of novel biomarkers and analysis software for early diagnosis of the Alzheimer's disease | |
| Guo et al. | Characterization of early stage Parkinson's disease from resting-state fMRI data using a long short-term memory network | |
| Nebli et al. | Quantifying the reproducibility of graph neural networks using multigraph data representation | |
| Ballav et al. | Image processing: An early detection tool for Alzheimer’s disease | |
| Kumari et al. | A review on brain age prediction models | |
| Gupta et al. | Adversarial Network-Based Classification for Alzheimer’s Disease Using Multimodal Brain Images: A Critical Analysis | |
| Pallawi et al. | Study of Alzheimer’s disease brain impairment and methods for its early diagnosis: a comprehensive survey | |
| Chen et al. | A deep learning-based model for classification of different subtypes of subcortical vascular cognitive impairment with FLAIR | |
| Waugh et al. | Classification of Functional Movement Disorders with Resting-State Functional Magnetic Resonance Imaging | |
| Li et al. | Automated diagnosis of major depressive disorder with multi-modal MRIs based on contrastive learning: a few-shot study | |
| Deng et al. | Fully Connected Multi-Kernel Convolutional Neural Network Based on Alzheimer’s Disease Diagnosis | |
| Gharaibeh et al. | Machine learning for Alzheimer’s disease detection based on neuroimaging techniques: A review | |
| Mohapatra et al. | Meta-Analysis of Transfer Learning for Segmentation of Brain Lesions | |
| Subasi et al. | Alzheimer’s disease detection using artificial intelligence |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161123 |