CN106251379B - 一种基于随机分块模型的脑结构网络连接优化方法 - Google Patents
一种基于随机分块模型的脑结构网络连接优化方法 Download PDFInfo
- Publication number
- CN106251379B CN106251379B CN201610592788.9A CN201610592788A CN106251379B CN 106251379 B CN106251379 B CN 106251379B CN 201610592788 A CN201610592788 A CN 201610592788A CN 106251379 B CN106251379 B CN 106251379B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- group
- brain
- connection
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明涉及图像处理技术,具体是一种基于随机分块模型的脑结构网络连接优化方法。本发明解决了现有脑结构网络构建方法构建出的脑结构网络可信度低的问题。一种基于随机分块模型的脑结构网络连接优化方法,该方法是采用如下步骤实现的:步骤S1:对磁共振扩散加权影像进行预处理,对预处理后的磁共振扩散加权影像进行区域分割;步骤S2:计算两两脑区间的纤维束数量;步骤S3:根据阈值对脑区间的纤维束数量矩阵进行二值化处理;步骤S4:构建基于多个脑结构网络模型样本的脑结构中枢网络模型;步骤S5:对脑结构中枢网络模型中的连接进行可信度计算;步骤S6:对脑结构中枢网络模型进行重构优化。本发明适用于脑结构网络构建。
Description
技术领域
本发明涉及图像处理技术,具体是一种基于随机分块模型的脑结构网络连接优化方法。
背景技术
作为磁共振扩散加权成像(diffusion weighted imaging,DWI)技术与复杂网络理论的结合,脑结构网络构建方法当前已经成为脑科学领域的热点之一。然而在现有技术条件下,脑结构网络构建方法由于受到数据采集环节中测量误差的影响,导致构建出的脑结构网络普遍存在可信度低的问题,由此严重影响其应用价值。基于此,有必要发明一种全新的脑结构网络连接优化方法,以解决现有脑结构网络构建方法存在的上述问题。
发明内容
本发明为了解决现有脑结构网络构建方法构建出的脑结构网络可信度低的问题,提供了一种基于随机分块模型的脑结构网络连接优化方法。
本发明是采用如下技术方案实现的:
一种基于随机分块模型的脑结构网络连接优化方法,该方法是采用如下步骤实现的:
步骤S1:对磁共振扩散加权影像进行预处理,然后根据选定的标准化脑图谱,对预处理后的磁共振扩散加权影像进行区域分割;
步骤S2:采用纤维束追踪算法,将预处理后的磁共振扩散加权影像映射到选定的标准化脑图谱中,然后根据纤维束追踪的结束条件,计算两两脑区间的纤维束数量,由此得到脑区间的纤维束数量矩阵;
步骤S3:设定阈值,然后根据阈值对脑区间的纤维束数量矩阵进行二值化处理,由此得到脑结构网络模型;
步骤S4:采用符号检验方法,构建基于多个脑结构网络模型样本的脑结构中枢网络模型;
步骤S5:采用随机分块模型算法,对脑结构中枢网络模型中的连接进行可信度计算;
步骤S6:根据可信度计算结果,对脑结构中枢网络模型进行重构优化。
与现有脑结构网络构建方法相比,本发明所述的一种基于随机分块模型的脑结构网络连接优化方法通过采用纤维束追踪算法、符号检验方法、随机分块模型算法,实现了脑结构网络的构建和重构优化,其有效消除了数据采集环节中测量误差的影响,由此使得构建出的脑结构网络可信度更高(如图1所示,本发明构建出的脑结构网络的连接正确率明显高于现有脑结构网络构建方法构建出的脑结构网络的连接正确率),从而使得应用价值更高。
本发明有效解决了现有脑结构网络构建方法构建出的脑结构网络可信度低的问题,适用于脑结构网络构建。
附图说明
图1是本发明与现有脑结构网络构建方法的对比示意图。
具体实施方式
本实施以猴脑数据为例进行说明,所有被试由3T磁共振设备(Siemens Trio 3-Tesla Scanner,Siemens,Erlangen,Germany)进行磁共振扩散加权扫描,样本数为23例,均为成年恒河猴。
一种基于随机分块模型的脑结构网络连接优化方法,该方法是采用如下步骤实现的:
步骤S1:对磁共振扩散加权影像进行预处理,然后根据选定的标准化脑图谱,对预处理后的磁共振扩散加权影像进行区域分割;
步骤S2:采用纤维束追踪算法,将预处理后的磁共振扩散加权影像映射到选定的标准化脑图谱中,然后根据纤维束追踪的结束条件,计算两两脑区间的纤维束数量,由此得到脑区间的纤维束数量矩阵;
步骤S3:设定阈值,然后根据阈值对脑区间的纤维束数量矩阵进行二值化处理,由此得到脑结构网络模型;
步骤S4:采用符号检验方法,构建基于多个脑结构网络模型样本的脑结构中枢网络模型;
步骤S5:采用随机分块模型算法,对脑结构中枢网络模型中的连接进行可信度计算;
步骤S6:根据可信度计算结果,对脑结构中枢网络模型进行重构优化。
所述步骤S1中,预处理采用FSL软件进行,预处理的步骤具体包括:磁化系数修正、涡流失真修正、头动矫正;标准化脑图谱采用MERatal14图谱。
所述步骤S2中,纤维束追踪算法具体包括三种:FACT、2ndorderRK、Tensoline;纤维束追踪的结束条件具体包括:1)在纤维束追踪过程中,若某条纤维束追踪到达某一体素时,该条纤维束的各向异性值FA小于0.1,则该条纤维束的追踪终止;2)在纤维束追踪过程中,若某条纤维束追踪到达某一体素时,该条纤维束位于大脑皮层的边界,则该条纤维束的追踪终止;3)在纤维束追踪过程中,若某条纤维束追踪到达某一体素时,该条纤维束的偏转角度大于45°,则该条纤维束的追踪终止。
所述步骤S3中,二值化处理公式具体表示如下:
公式(1)中:bij表示脑结构网络模型中第i行第j列的元素;FNij表示纤维束数量矩阵中第i行第j列的元素;τ表示阈值;脑结构网络模型的维度为29×29。
所述步骤S4中,构建脑结构中枢网络模型的步骤具体如下:将多个脑结构网络模型样本的同一对脑区(i,j)的连接组成一个一维向量L(i,j),并对一维向量L(i,j)进行符号检验,然后根据一维向量L(i,j)的检验结果,构建脑结构中枢网络模型;构建公式具体表示如下:
公式(2)中:bij表示脑结构中枢网络模型中第i行第j列的元素;P表示一维向量L(i,j)的检验结果;脑结构中枢网络模型的维度为29×29。
所述步骤S5中,可信度计算的步骤具体如下:
步骤S51:遍历脑结构中枢网络模型中的所有节点,并对所有节点进行随机分组,然后计算所有组的组内现有连接数、组内最大连接数、组间现有连接数、组间最大连接数;
步骤S52:根据随机分组结果,计算两两节点间的连接可信度值;计算的公式具体表示如下:
公式(3)中:表示节点i与节点j存在连接的可信度值;表示节点i所在的组σi与节点j所在的组σj之间的现有连接数;表示节点i所在的组σi与节点j所在的组σj之间的最大连接数;
步骤S53:根据随机分组结果,对所有节点进行重新分组,然后重新计算所有组的组内现有连接数、组内最大连接数、组间现有连接数、组间最大连接数;重新分组的步骤具体如下:随机选择一个节点i,并假设节点i属于组α中,然后根据添加规则将节点i添加到随机选择的一个组β中;添加规则具体表示如下:
公式(4)中:DH表示在某种特定的分组下,组α与组β之间连接数的关系;lαβ表示组α与组β中存在连接的连接数;rαβ表示组α与组β中可以存在的最大的连接数;若在两种不同的分组情况下,对所有组两两之间的DH求和,记为∑DH,若两种分组情况下的差值Δ(∑DH)≤0.0,则将节点i从组α添加到组β中;
步骤S54:计算所有可能的分组后两两节点间的连接可信度值;计算公式具体表示如下:
公式(5)-(7)中:表示节点i与节点j之间的连接可信度值;Z表示在每种分组情况下求得的划分函数的总和;p表示某一特定分组;P表示分组空间;表示节点i所在的组σi与节点j所在的组σj之间的现有连接数;表示节点i所在的组σi与节点j所在的组σj之间的最大连接数;H(p)表示进行分组的函数;lαβ表示组α与组β中存在连接的连接数;rαβ表示组α与组β中可以存在的最大的连接数。
所述步骤S6中,重构优化的步骤具体如下:
步骤S61:将所有可能的分组后两两节点间的连接分为已知连接和未知连接:已知连接为在脑结构中枢网络模型中存在的连接,未知连接为在脑结构中枢网络模型中不存在的连接;然后将已知连接的可信度值按照降序进行排名,同时将未知连接的可信度值按照升序进行排名;
步骤S62:设定阈值ε,然后选定已知连接中可信度值小于阈值ε的连接,并将其从脑结构中枢网络模型中移除;
步骤S63:设定阈值μ,然后选定未知连接中可信度值高于阈值μ的连接,并将其添加到脑结构中枢网络模型中;
步骤S64:计算脑结构中枢网络模型中正确连接的比例,然后根据计算结果对脑结构中枢网络模型进行评价;计算公式具体表示如下:
公式(8)中:accuracy表示脑结构中枢网络模型中正确连接的比例;right_count表示脑结构中枢网络模型中正确连接的数量;all_count表示脑结构中枢网络模型中所有连接的数量。
Claims (6)
1.一种基于随机分块模型的脑结构网络连接优化方法,其特征在于:该方法是采用如下步骤实现的:
步骤S1:对磁共振扩散加权影像进行预处理,然后根据选定的标准化脑图谱,对预处理后的磁共振扩散加权影像进行区域分割;
步骤S2:采用纤维束追踪算法,将预处理后的磁共振扩散加权影像映射到选定的标准化脑图谱中,然后根据纤维束追踪的结束条件,计算两两脑区间的纤维束数量,由此得到脑区间的纤维束数量矩阵;
步骤S3:设定阈值,然后根据阈值对脑区间的纤维束数量矩阵进行二值化处理,由此得到脑结构网络模型;
步骤S4:采用符号检验方法,构建基于多个脑结构网络模型样本的脑结构中枢网络模型;
步骤S5:采用随机分块模型算法,对脑结构中枢网络模型中的连接进行可信度计算;
步骤S6:根据可信度计算结果,对脑结构中枢网络模型进行重构优化;
所述步骤S5中,可信度计算的步骤具体如下:
步骤S51:遍历脑结构中枢网络模型中的所有节点,并对所有节点进行随机分组,然后计算所有组的组内现有连接数、组内最大连接数、组间现有连接数、组间最大连接数;
步骤S52:根据随机分组结果,计算两两节点间的连接可信度值;计算的公式具体表示如下:
<mrow>
<msubsup>
<mi>R</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>L</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>l</mi>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<msub>
<mi>r</mi>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
<mo>+</mo>
<mn>2</mn>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
公式(1)中:表示节点i与节点j存在连接的可信度值;表示节点i所在的组σi与节点j所在的组σj之间的现有连接数;表示节点i所在的组σi与节点j所在的组σj之间的最大连接数;
步骤S53:根据随机分组结果,对所有节点进行重新分组,然后重新计算所有组的组内现有连接数、组内最大连接数、组间现有连接数、组间最大连接数;重新分组的步骤具体如下:随机选择一个节点i,并假设节点i属于组α中,然后根据添加规则将节点i添加到随机选择的一个组β中;添加规则具体表示如下:
<mrow>
<mi>D</mi>
<mi>H</mi>
<mo>=</mo>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>&alpha;</mi>
<mi>&beta;</mi>
</mrow>
</msub>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>l</mi>
<mi>n</mi>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msub>
<mi>l</mi>
<mrow>
<mi>&alpha;</mi>
<mi>&beta;</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mi>&alpha;</mi>
<mi>&beta;</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
公式(2)中:DH表示在某种特定的分组下,组α与组β之间连接数的关系;lαβ表示组α与组β中存在连接的连接数;rαβ表示组α与组β中可以存在的最大的连接数;若在两种不同的分组情况下,对所有组两两之间的DH求和,记为∑DH,若两种分组情况下的差值Δ(∑DH)≤0.0,则将节点i从组α添加到组β中;
步骤S54:计算所有可能的分组后两两节点间的连接可信度值;计算公式具体表示如下:
<mrow>
<msubsup>
<mi>R</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<msup>
<mi>L</mi>
<mo>,</mo>
</msup>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>Z</mi>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>&Element;</mo>
<mi>P</mi>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<msup>
<mi>l</mi>
<mo>,</mo>
</msup>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<msub>
<msup>
<mi>r</mi>
<mo>,</mo>
</msup>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
<mo>+</mo>
<mn>2</mn>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>&alpha;</mi>
<mo>&le;</mo>
<mi>&beta;</mi>
</mrow>
</munder>
<mo>&lsqb;</mo>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>&alpha;</mi>
<mi>&beta;</mi>
</mrow>
</msub>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>l</mi>
<mi>n</mi>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msub>
<mi>l</mi>
<mrow>
<mi>&alpha;</mi>
<mi>&beta;</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mi>&alpha;</mi>
<mi>&beta;</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<mi>Z</mi>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>P</mi>
<mo>&Element;</mo>
<mi>p</mi>
</mrow>
</munder>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
公式(3)-(5)中:表示重新分组后节点i与节点j之间的连接可信度值;Z表示在每种分组情况下求得的划分函数的总和;p表示某一特定分组;P表示分组空间;表示重新分组后节点i所在的组σi与节点j所在的组σj之间的现有连接数;表示重新分组后节点i所在的组σi与节点j所在的组σj之间的最大连接数;H(p)表示进行分组的函数;lαβ表示组α与组β中存在连接的连接数;rαβ表示组α与组β中可以存在的最大的连接数。
2.根据权利要求1所述的一种基于随机分块模型的脑结构网络连接优化方法,其特征在于:所述步骤S1中,预处理采用FSL软件进行,预处理的步骤具体包括:磁化系数修正、涡流失真修正、头动矫正;标准化脑图谱采用MERatal14图谱。
3.根据权利要求1所述的一种基于随机分块模型的脑结构网络连接优化方法,其特征在于:所述步骤S2中,纤维束追踪算法具体包括三种:FACT、2ndorderRK、Tensoline;纤维束追踪的结束条件具体包括:1)在纤维束追踪过程中,若某条纤维束追踪到达某一体素时,该条纤维束的各向异性值FA小于0.1,则该条纤维束的追踪终止;2)在纤维束追踪过程中,若某条纤维束追踪到达某一体素时,该条纤维束位于大脑皮层的边界,则该条纤维束的追踪终止;3)在纤维束追踪过程中,若某条纤维束追踪到达某一体素时,该条纤维束的偏转角度大于45°,则该条纤维束的追踪终止。
4.根据权利要求1所述的一种基于随机分块模型的脑结构网络连接优化方法,其特征在于:所述步骤S3中,二值化处理公式具体表示如下:
<mrow>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>FN</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<mi>&tau;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>FN</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo><</mo>
<mi>&tau;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
公式(6)中:bij表示脑结构网络模型中第i行第j列的元素;FNij表示纤维束数量矩阵中第i行第j列的元素;τ表示阈值;脑结构网络模型的维度为29×29。
5.根据权利要求1所述的一种基于随机分块模型的脑结构网络连接优化方法,其特征在于:所述步骤S4中,构建脑结构中枢网络模型的步骤具体如下:将多个脑结构网络模型样本的同一对脑区(i,j)的连接组成一个一维向量L(i,j),并对一维向量L(i,j)进行符号检验,然后根据一维向量L(i,j)的检验结果,构建脑结构中枢网络模型;构建公式具体表示如下:
<mrow>
<msub>
<msup>
<mi>b</mi>
<mo>,</mo>
</msup>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>g</mi>
<mo>&le;</mo>
<mn>0.05</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>g</mi>
<mo>></mo>
<mn>0.05</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
2
公式(7)中:b'ij表示脑结构中枢网络模型中第i行第j列的元素;Sig表示一维向量L(i,j)的检验结果;脑结构中枢网络模型的维度为29×29。
6.根据权利要求1所述的一种基于随机分块模型的脑结构网络连接优化方法,其特征在于:所述步骤S6中,重构优化的步骤具体如下:
步骤S61:将所有可能的分组后两两节点间的连接分为已知连接和未知连接:已知连接为在脑结构中枢网络模型中存在的连接,未知连接为在脑结构中枢网络模型中不存在的连接;然后将已知连接的可信度值按照降序进行排名,同时将未知连接的可信度值按照升序进行排名;
步骤S62:设定阈值ε,然后选定已知连接中可信度值小于阈值ε的连接,并将其从脑结构中枢网络模型中移除;
步骤S63:设定阈值μ,然后选定未知连接中可信度值高于阈值μ的连接,并将其添加到脑结构中枢网络模型中;
步骤S64:计算脑结构中枢网络模型中正确连接的比例,然后根据计算结果对脑结构中枢网络模型进行评价;计算公式具体表示如下:
<mrow>
<mi>a</mi>
<mi>c</mi>
<mi>c</mi>
<mi>u</mi>
<mi>r</mi>
<mi>a</mi>
<mi>c</mi>
<mi>y</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>r</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
<mi>t</mi>
<mo>_</mo>
<mi>c</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>t</mi>
</mrow>
<mrow>
<mi>a</mi>
<mi>l</mi>
<mi>l</mi>
<mo>_</mo>
<mi>c</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
公式(8)中:accuracy表示脑结构中枢网络模型中正确连接的比例;right_count表示脑结构中枢网络模型中正确连接的数量;all_count表示脑结构中枢网络模型中所有连接的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610592788.9A CN106251379B (zh) | 2016-07-25 | 2016-07-25 | 一种基于随机分块模型的脑结构网络连接优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610592788.9A CN106251379B (zh) | 2016-07-25 | 2016-07-25 | 一种基于随机分块模型的脑结构网络连接优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106251379A CN106251379A (zh) | 2016-12-21 |
CN106251379B true CN106251379B (zh) | 2017-11-07 |
Family
ID=57605072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610592788.9A Active CN106251379B (zh) | 2016-07-25 | 2016-07-25 | 一种基于随机分块模型的脑结构网络连接优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106251379B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110838173B (zh) * | 2019-11-15 | 2023-06-02 | 天津医科大学 | 基于三维纹理特征的个体化脑共变网络构建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7346382B2 (en) * | 2004-07-07 | 2008-03-18 | The Cleveland Clinic Foundation | Brain stimulation models, systems, devices, and methods |
CN102509282A (zh) * | 2011-09-26 | 2012-06-20 | 东南大学 | 一种融合结构连接的各脑区间的效能连接分析方法 |
CN103049901A (zh) * | 2012-08-03 | 2013-04-17 | 上海理工大学 | 磁共振弥散张量成像纤维束追踪装置 |
CN103077298A (zh) * | 2012-10-24 | 2013-05-01 | 西安电子科技大学 | 融合图像体素及先验脑图谱划分的大脑网络构建方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102266223B (zh) * | 2010-06-01 | 2013-01-30 | 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 |
CN102706881A (zh) * | 2012-03-19 | 2012-10-03 | 天津工业大学 | 基于机器视觉的布匹瑕疵检测方法 |
CN102855496B (zh) * | 2012-08-24 | 2016-05-25 | 苏州大学 | 遮挡人脸认证方法及系统 |
CN103093087B (zh) * | 2013-01-05 | 2015-08-26 | 电子科技大学 | 一种基于多任务学习的多模态脑网络特征融合方法 |
CN103886328B (zh) * | 2014-03-19 | 2015-07-29 | 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 |
-
2016
- 2016-07-25 CN CN201610592788.9A patent/CN106251379B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7346382B2 (en) * | 2004-07-07 | 2008-03-18 | The Cleveland Clinic Foundation | Brain stimulation models, systems, devices, and methods |
CN102509282A (zh) * | 2011-09-26 | 2012-06-20 | 东南大学 | 一种融合结构连接的各脑区间的效能连接分析方法 |
CN103049901A (zh) * | 2012-08-03 | 2013-04-17 | 上海理工大学 | 磁共振弥散张量成像纤维束追踪装置 |
CN103077298A (zh) * | 2012-10-24 | 2013-05-01 | 西安电子科技大学 | 融合图像体素及先验脑图谱划分的大脑网络构建方法 |
Non-Patent Citations (5)
Title |
---|
《不同节点尺度下基于共同邻居的功能脑网络建模方法研究》;杨艳丽等;《太原理工大学学报》;20151130;第46卷(第6期);第760-763,767页 * |
《基于弥散张量成像的脑结构网络参数研究》;余敏等;《北京生物医学工程》;20141031;第33卷(第5期);第446-451页 * |
《基于随机分块模型的静息态功能脑网络可信度优化》;王希等;《太原理工大学学报》;20160331;第47卷(第2期);第218-222页 * |
《磁共振弥散张量成像纤维束追踪算法的研究进展》;姚旭峰等;《医学研究杂志》;20120630;第41卷(第6期);第174-176页 * |
《脑网络组学构建分析及应用研究》;陈俊杰等;《太原理工大学学报》;20120530;第43卷(第3期);第329-333,343页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106251379A (zh) | 2016-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Dn-detr: Accelerate detr training by introducing query denoising | |
CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
CN103093087B (zh) | 一种基于多任务学习的多模态脑网络特征融合方法 | |
CN110543860B (zh) | 基于tjm迁移学习的机械故障诊断方法及系统 | |
WO2019090879A1 (zh) | 一种基于交叉小波特征的模拟电路故障诊断方法 | |
CN106548206A (zh) | 基于最小生成树的多模态磁共振影像数据分类方法 | |
CN111870245B (zh) | 一种跨对比度引导的超快速核磁共振成像深度学习方法 | |
CN109584164B (zh) | 基于二维影像迁移学习的医学图像超分辨率三维重建方法 | |
CN106471389A (zh) | 在多激发mri中由于激发间运动造成的伪影的降低 | |
Chung et al. | Topological distances between brain networks | |
RU2004101179A (ru) | Анализ ямр-данных многократных измерений на основе максимальной энтропии | |
CN106251379B (zh) | 一种基于随机分块模型的脑结构网络连接优化方法 | |
CN110895320A (zh) | 基于深度学习的无变形单次激发平面回波成像方法及装置 | |
CN109492766A (zh) | 一种基于最小p范数的宽度学习方法 | |
CN111353391B (zh) | 雷达干扰效果评估方法、装置、电子设备及其存储介质 | |
CN105759233B (zh) | 一种快速化学交换饱和转移成像方法和系统 | |
Kaestle et al. | Sampling asymmetric open quantum systems for artificial neural networks | |
Lyu et al. | Quantitative MRI: absolute T1, T2 and proton density parameters from deep learning | |
Sikdar et al. | Design of multiple attractor gf (2/sup p/) cellular automata for diagnosis of vlsi circuits | |
CN114235970B (zh) | 一种自适应超声重叠回波分离方法 | |
CN115471580A (zh) | 一种物理智能高清磁共振扩散成像方法 | |
Gou et al. | Efficient asymmetrical extended designs under wrap-around L 2-discrepancy | |
Keirstead et al. | Collective detection of motion in the presence of noise | |
Zhu et al. | Improving image reconstruction in electrical capacitance tomography based on deep learning | |
Liu et al. | Impulse force based ART network with GA optimization |
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 |