CN107967943B - 一种基于功能核磁共振图像的儿童多动症分析系统 - Google Patents
一种基于功能核磁共振图像的儿童多动症分析系统 Download PDFInfo
- Publication number
- CN107967943B CN107967943B CN201711330864.XA CN201711330864A CN107967943B CN 107967943 B CN107967943 B CN 107967943B CN 201711330864 A CN201711330864 A CN 201711330864A CN 107967943 B CN107967943 B CN 107967943B
- Authority
- CN
- China
- Prior art keywords
- data
- children
- magnetic resonance
- pattern
- nuclear magnetic
- 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
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 title claims abstract description 30
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 title claims abstract description 28
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 19
- 238000004458 analytical method Methods 0.000 title claims abstract description 15
- 210000004556 brain Anatomy 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 12
- 230000000284 resting effect Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000013461 design Methods 0.000 claims abstract description 7
- 230000001660 hyperkinetic effect Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000007405 data analysis Methods 0.000 claims abstract description 6
- 238000005516 engineering process Methods 0.000 claims abstract description 4
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 4
- 208000015802 attention deficit-hyperactivity disease Diseases 0.000 claims description 17
- 208000013403 hyperactivity Diseases 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 11
- 238000003745 diagnosis Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 206010038743 Restlessness Diseases 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 208000011580 syndromic disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 11
- 201000010099 disease Diseases 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000002950 deficient Effects 0.000 description 3
- 230000013016 learning Effects 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008576 chronic process Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于功能核磁共振图像的儿童多动症分析系统，包括，数据采集模块，具体如下，第一步骤，对大规模正常儿童和多动症儿童，采集他们的全脑静息态功能核磁共振影像数据；数据分析模块：具体如下，第二步骤，对这些影像数据按照SPM8工具箱进行标准化的信号分析处理流程，第三步骤，对116个脑区的影像时间序列分别进行频谱分析；第四步骤，按照标准的前向神经网络结构设计技术获得模式分类器；第五步骤，利用测试样本集对获得的116个模式分类器的分类正确率进行排序；数据判断模块：具体如下，第六步骤，对需要评估患多动症风险的高低的被测者；第七步骤，对第六步骤获得数据分别输入对应的模式分类器将获得对应的分类结果。
Description
技术领域
本发明涉及一种基于功能核磁共振图像的儿童多动症分析系统，属于医学技术领域。
背景技术
儿童多动症(简称多动症)，又称注意缺陷多动障碍(ADHD)。是一种常见的儿童行为异常问题。这类患儿的智力正常或接近正常，但学习、行为及情绪方面有缺陷，主要表现为与年龄和发育水平不相称的注意力不易集中、注意广度缩小、注意时间短暂，不分场合的活动过多、情绪易冲动等，并常伴有认知障碍和学习困难。该症于学前起病，呈慢性过程。该症不仅影响儿童的学校、家庭和校外生活，而且容易导致儿童持久的学习困难、行为问题和自尊心低，此类患儿在家庭及学校均难与人相处。如不能得到及时治疗，部分患儿成年后仍有症状，明显影响患者学业、身心健康以及成年后的家庭生活和社交能力。国内外调查发现该症患病率3％～10％，男女比为4～9：1，早产儿童患此病较多。
对导致ADHD病因中的环境因素进行早期的产前识别、必要的实验室检查，然后进行预防和治疗。对幼儿园和小学儿童进行ADHD的早期筛查，在社区和学校队重点人群加强ADHD相关知识的宣传和培训工作，提高家长、老师、基层保健医生对ADHD症状的早期识别水平，及早让患者诊治，提高ADHD的早期识别水平和诊治水平，减少疾病对自身、家庭和社会的危害。
本发明所提供的基于功能核磁共振图像的儿童多动症分析系统建立在频率分析和模式识别理论基础之上，能够在静息状态下获取易于患多动症风险识别的功能核磁共振图像的特征(即低频和高频能量)，并利用模式识别技术最终实现儿童患多动症的风险评估，辅助医疗工作者完成儿童多动症的初步诊断。
发明内容
本发明提供一种基于功能核磁共振图像的儿童多动症分析系统，辅助医疗工作者完成儿童多动症的初步诊断。
具体地，为了实现上述目的，本发明公开了一种基于功能核磁共振图像的儿童多动症分析系统，所述系统包括以下模块：
数据采集模块：其具体操作如下，第一步骤，对大规模正常儿童和多动症儿童，分别采集他们的全脑静息态功能核磁共振影像数据；
数据分析模块：具体操作如下，第二步骤，对正常儿童和多动症儿童这两类人群的全脑静息态功能核磁共振影像数据按照SPM8工具箱进行标准化的信号分析处理流程，获得116个脑区的影像时间序列；
第三步骤，对116个脑区的影像时间序列分别进行频谱分析，提取0-0.01Hz和0.08-0.2Hz这两个频段的能量，这样就获得了用于儿童多动症诊断的两大特征参数，并进而获得每个脑区的训练数据样本集和测试样本集；
第四步骤，对正常儿童和多动症儿童每个脑区的训练数据样本集和测试样本集按照标准的前向神经网络结构设计技术获得模式分类器，这样就获得了116个模式分类器；
第五步骤，利用测试样本集对第四步骤获得的116个模式分类器的分类正确率进行排序，获得了排名前七的模式分类器及其对应脑区；
数据判断模块：具体操作如下，第六步骤，对需要评估患多动症风险的高低的被测者，首先需要采集其全脑静息态功能核磁共振影像数据，接着按照SPM8工具箱进行标准化的信号处理流程从而获得116个脑区的影像时间序列，然后对第五步骤所获得的七个脑区的影像时间序列提取0-0.01Hz和0.08-0.2Hz这两个频段的能量；
第七步骤，对第六步骤获得数据分别输入到获得的七个模式分类器将获得对应的分类结果(即0代表正常，1代表患多动症的风险高)，最后对七个模式分类器的结果进行相加得到患多动症的风险评估结果；若结果大于4，则诊断结果为患多动症的风险高，否则诊断结果为患多动症的风险低。
进一步的，所述第三步骤中训练数据样本集和测试样本集的输入向量由0-0.01Hz频段的能量和0.08-0.2Hz频段的能量这两个变量构成，输出结果为{0，1}数据，其中0代表正常儿童的数据，1代表多动症儿童的数据。
进一步的，所述第四步骤中模式分类器采用了标准化的前向神经网络结构设计算法，确定隐层神经元数量、输入层权值与阈值、隐层权值与阈值、输出层权值与阈值等结构信息。
进一步的，所述模式分类器的隐层激励函数是Sigmoid函数
输出层激活函数为线性函数f(x)＝x；这样模式分类器的函数映射关系可以表示为：out＝W2*f(W1*in+B1)+B2，其中out为模式分类器的函数映射关系的输出、in为模式分类器的函数映射关系的输入、W1为隐层权值、W2为输出层权值、B1为隐层阈值、B2为输出层阈值。
相对于现有技术，本发明的有益效果如下：本发明建立在频率分析和模式识别理论基础之上，利用多动症儿童患者的功能核磁共振影像数据在0-0.01Hz和0.08-0.2Hz这两个频段能量存在的异常特性，建立了适合多动症儿童识别的频率特征参数和模式分类器，与现行主要依靠问卷或者行为观察的方法相比，可以提供更加客观的影像指标，辅助医疗工作者完成儿童多动症的初步诊断。
附图说明
图1为本发明中实现步骤的流程图；
图2为本发明中脑区影像时间序列的频率特征参数提取流程图；
图3为本发明中模式分类器的训练结构框图。
图4为本发明中模式分类器的应用流程图。
图5为本发明中多动症风险评估结果的流程图。
具体实施方式
以下参照附图对本发明所提出的技术方案做进一步详细的说明。如图1所示，本发明提供的一种基于功能核磁共振图像的儿童多动症分析系统，包括：
所述系统包括以下模块：
数据采集模块：其具体操作如下，第一步骤S1，对大规模正常儿童和多动症儿童，分别采集他们的全脑静息态功能核磁共振影像数据；
数据分析模块：具体操作如下，第二步骤S2，对正常儿童和多动症儿童这两类人群的全脑静息态功能核磁共振影像数据按照SPM8工具箱进行标准化的信号分析处理流程，获得116个脑区的影像时间序列；
第三步骤S3，对116个脑区的影像时间序列分别进行频谱分析，提取0-0.01Hz和0.08-0.2Hz这两个频段的能量，这样就获得了用于儿童多动症诊断的两大特征参数，并进而获得每个脑区的训练数据样本集和测试样本集；
第四步骤S4，对正常儿童和多动症儿童每个脑区的训练数据样本集和测试样本集按照标准的前向神经网络结构设计技术获得模式分类器，这样就获得了116个模式分类器；
第五步骤S5，利用测试样本集对第四步骤获得的116个模式分类器的分类正确率进行排序，获得了排名前七的模式分类器及其对应脑区；
数据判断模块：具体操作如下，第六步骤S6，对需要评估患多动症风险的高低的被测者，首先需要采集其全脑静息态功能核磁共振影像数据，接着按照SPM8工具箱进行标准化的信号处理流程从而获得116个脑区的影像时间序列，然后对第五步骤所获得的七个脑区的影像时间序列提取0-0.01Hz和0.08-0.2Hz这两个频段的能量；
第七步骤S7，对第六步骤获得数据分别输入到获得的七个模式分类器将获得对应的分类结果,即0代表正常，1代表患多动症的风险高，最后对七个模式分类器的结果进行相加得到患多动症的风险评估结果；若结果大于4，则诊断结果为患多动症的风险高，否则诊断结果为患多动症的风险低。
所述第三步骤S2中训练数据样本集和测试样本集的输入向量由0-0.01Hz频段的能量和0.08-0.2Hz频段的能量这两个变量构成，输出结果为{0，1}数据，其中0代表正常儿童的数据，1代表多动症儿童的数据。
所述第四步骤S4中模式分类器采用了标准化的前向神经网络结构设计算法，确定隐层神经元数量、输入层权值与阈值、隐层权值与阈值、输出层权值与阈值等结构信息。
所述模式分类器的隐层激励函数是Sigmoid函数
输出层激活函数为线性函数f(x)＝x；这样模式分类器的函数映射关系可以表示为：out＝W2*f(W1*in+B1)+B2，其中out为模式分类器的函数映射关系的输出、in为模式分类器的函数映射关系的输入、W1为隐层权值、W2为输出层权值、B1为隐层阈值、B2为输出层阈值。
根据以上所述，便可实现本发明。
以上显示和描述了本发明的基本原理,主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种基于功能核磁共振图像的儿童多动症分析系统，其特征在于：所述系统包括以下模块：
数据采集模块：具体操作如下，第一步骤，对大规模正常儿童和多动症儿童，分别采集他们的全脑静息态功能核磁共振影像数据；
数据分析模块：具体操作如下，第二步骤，对正常儿童和多动症儿童这两类人群的全脑静息态功能核磁共振影像数据按照SPM8工具箱进行标准化的信号分析处理流程，获得116个脑区的影像时间序列；
第三步骤，对116个脑区的影像时间序列分别进行频谱分析，提取0-0.01Hz和0.08-0.2Hz这两个频段的能量，这样就获得了用于儿童多动症诊断的两大特征参数，并进而获得每个脑区的训练数据样本集和测试样本集；
第四步骤，对正常儿童和多动症儿童每个脑区的训练数据样本集和测试样本集按照标准的前向神经网络结构设计技术获得模式分类器，这样就获得了116个模式分类器；
第五步骤，利用测试样本集对第四步骤获得的116个模式分类器的分类正确率进行排序，获得了排名前七的模式分类器及其对应脑区；
数据判断模块：具体操作如下，第六步骤，对需要评估患多动症风险的高低的被测者，首先需要采集其全脑静息态功能核磁共振影像数据，接着按照SPM8工具箱进行标准化的信号处理流程从而获得116个脑区的影像时间序列，然后对第五步骤所获得的七个脑区的影像时间序列提取0-0.01Hz和0.08-0.2Hz这两个频段的能量；
第七步骤，对第六步骤获得数据分别输入到获得的七个模式分类器将获得对应的分类结果,即0代表正常，1代表患多动症的风险高，最后对七个模式分类器的结果进行相加得到患多动症的风险评估结果；若结果大于4，则诊断结果为患多动症的风险高，否则诊断结果为患多动症的风险低。
2.根据权利要求1所述一种基于功能核磁共振图像的儿童多动症分析系统，其特征在于：数据分析模块的所述第三步骤中训练数据样本集和测试样本集的输入向量由0-0.01Hz频段的能量和0.08-0.2Hz频段的能量这两个变量构成，输出结果为{0，1}数据，其中0代表正常儿童的数据，1代表多动症儿童的数据。
3.根据权利要求1所述一种基于功能核磁共振图像的儿童多动症分析系统，其特征在于：数据分析模块的所述第四步骤中模式分类器采用了标准化的前向神经网络结构设计算法，确定隐层神经元数量、输入层权值与阈值、隐层权值与阈值、输出层权值与阈值结构信息。
4.根据权利要求3所述一种基于功能核磁共振图像的儿童多动症分析系统，其特征在于：
所述模式分类器的隐层激励函数是Sigmoid函数
输出层激活函数为线性函数f(x)＝x；这样模式分类器的函数映射关系表示为：out＝W2*f(W1*in+B1)+B2，其中out为模式分类器的函数映射关系的输出、in为模式分类器的函数映射关系的输入、W1为隐层权值、W2为输出层权值、B1为隐层阈值、B2为输出层阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711330864.XA CN107967943B (zh) | 2017-12-13 | 2017-12-13 | 一种基于功能核磁共振图像的儿童多动症分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711330864.XA CN107967943B (zh) | 2017-12-13 | 2017-12-13 | 一种基于功能核磁共振图像的儿童多动症分析系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107967943A CN107967943A (zh) | 2018-04-27 |
| CN107967943B true CN107967943B (zh) | 2021-11-12 |
Family
ID=61995060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711330864.XA Active CN107967943B (zh) | 2017-12-13 | 2017-12-13 | 一种基于功能核磁共振图像的儿童多动症分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107967943B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109034263B (zh) * | 2018-08-15 | 2021-08-10 | 东北大学 | 脑网络多频融合图核的阿尔茨海默病辅助诊断装置及方法 |
| CN109697718A (zh) * | 2018-12-25 | 2019-04-30 | 电子科技大学 | 一种基于图论的自闭症检测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011086563A2 (en) * | 2010-01-18 | 2011-07-21 | Elminda Ltd. | Method and system for weighted analysis of neurophysiological data |
| CN103646183A (zh) * | 2013-12-24 | 2014-03-19 | 张擎 | 一种基于人工神经网络和多模态mri的阿尔茨海默病智能判别分析方法 |
| 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 |
| CN104182621A (zh) * | 2014-08-08 | 2014-12-03 | 同济大学 | 基于深度信念网络的adhd判别分析方法 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9649502B2 (en) * | 2011-11-14 | 2017-05-16 | Neosync, Inc. | Devices and methods of low frequency magnetic stimulation therapy |
-
2017
- 2017-12-13 CN CN201711330864.XA patent/CN107967943B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011086563A2 (en) * | 2010-01-18 | 2011-07-21 | Elminda Ltd. | Method and system for weighted analysis of neurophysiological data |
| CN103646183A (zh) * | 2013-12-24 | 2014-03-19 | 张擎 | 一种基于人工神经网络和多模态mri的阿尔茨海默病智能判别分析方法 |
| 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 |
| CN104182621A (zh) * | 2014-08-08 | 2014-12-03 | 同济大学 | 基于深度信念网络的adhd判别分析方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| Frequency-specific abnormalities in regional homogeneity among children with attention deficit hyperactivity disorder: a resting-state fMRI study;Xiaoyan Yu et al.;《Life & Medical Sciences》;20150617;正文全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107967943A (zh) | 2018-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | A multichannel deep neural network model analyzing multiscale functional brain connectome data for attention deficit hyperactivity disorder detection | |
| CN101667289B (zh) | 基于nsct特征提取和监督分类的视网膜图像分割方法 | |
| CN103646183A (zh) | 一种基于人工神经网络和多模态mri的阿尔茨海默病智能判别分析方法 | |
| Yousefi et al. | Recognizing patterns of visual field loss using unsupervised machine learning | |
| CN109549644A (zh) | 一种基于脑电采集的人格特征匹配系统 | |
| CN107967943B (zh) | 一种基于功能核磁共振图像的儿童多动症分析系统 | |
| Kadry et al. | Retinal vessel segmentation with slime-mould-optimization based multi-scale-matched-filter | |
| Bertè et al. | Elman neural network for the early identification of cognitive impairment in Alzheimer’s disease | |
| Chiang et al. | An EEG-based fuzzy probability model for early diagnosis of Alzheimer’s disease | |
| Zou et al. | Deep learning based automatic diagnoses of attention deficit hyperactive disorder | |
| Liu et al. | Multi-LSTM networks for accurate classification of attention deficit hyperactivity disorder from resting-state fMRI data | |
| Mahim et al. | Unlocking the potential of XAI for improved alzheimer’s disease detection and classification using a ViT-GRU model | |
| Herath et al. | Autism spectrum disorder diagnosis support model using Inception V3 | |
| Deng et al. | Detection of ADHD based on eye movements during natural viewing | |
| Alam et al. | Benchmarking deep learning frameworks for automated diagnosis of OCULAR TOXOPLASMOSIS: A comprehensive approach to classification and segmentation | |
| CN106778830A (zh) | 基于双聚类挖掘及AdaBoost的肿瘤分类方法 | |
| Wang et al. | Diagnosis of Early Mild Cognitive Impairment Based on Associated High-Order Functional Connection Network Generated by Multimodal MRI | |
| Zhu et al. | Detecting abnormality in optic nerve head images using a feature extraction analysis | |
| AlSharabi et al. | EEG-based clinical decision support system for Alzheimer's disorders diagnosis using EMD and deep learning techniques | |
| Singh et al. | Chronological sewing training optimization enabled deep learning for autism spectrum disorder using EEG signal | |
| CN113558643A (zh) | 基于vmd和nltwsvm的多特征癫痫信号分类方法 | |
| Yang et al. | Functional Connectivity Based Classification for Autism Spectrum Disorder Using Spearman’s Rank Correlation | |
| Thamizhvani et al. | Classification of progressive stages of alzheimer’s disease in MRI hippocampal region | |
| Salah et al. | Utilization of fMRI with optical amplification to diagnose attention deficit hyperactivity disorder | |
| Kim et al. | A computer system to rate the variety of color in drawings |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231122 Address after: Room 802-23024, Information Building, No. 13 Linyin North Street, Pinggu District, Beijing, 101299 Patentee after: Beijing Hongsu Cultural Development Co.,Ltd. Address before: 210096, No. four archway, Xuanwu District, Jiangsu, Nanjing 2 Patentee before: SOUTHEAST University |
|
| TR01 | Transfer of patent right |