CN108197661A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN108197661A
CN108197661A CN201810053519.4A CN201810053519A CN108197661A CN 108197661 A CN108197661 A CN 108197661A CN 201810053519 A CN201810053519 A CN 201810053519A CN 108197661 A CN108197661 A CN 108197661A
Authority
CN
China
Prior art keywords
subject
function
voxel
information
fmri
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.)
Granted
Application number
CN201810053519.4A
Other languages
English (en)
Other versions
CN108197661B (zh
Inventor
石玉虎
曾卫明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN201810053519.4A priority Critical patent/CN108197661B/zh
Publication of CN108197661A publication Critical patent/CN108197661A/zh
Application granted granted Critical
Publication of CN108197661B publication Critical patent/CN108197661B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

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)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种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，利用fMRI脑功能连通性方法对同一参数条件下组中每个被试的功能磁共振数据单独进行功能信号分离，获得每个被试对应与特定阈值条件下fMRI数据中的激活体素；根据每个被试对应的激活体素位置，计算出所有被试的共同激活体素位置，构建每个被试对应于上述共同激活体素位置的功能连接信息矩阵；根据每个被试的功能连接信息矩阵，计算出所有被试在特定阈值条件下的共同功能连接位置，进而以每个被试对应该位置的功能连接信息作为输入特征样本，借助机器学习的方法对各种认知活动状态进行分类和分析。本发明具有对认知活动状态进行精确分类，且精确获取脑信息的优点。

Description

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
技术领域
本发明涉及一种认知活动状态分类的系统和方法，特别涉及一种基于fMRI体素水平脑功能信息的认知活动状态分类系统和方法。
背景技术
功能磁共振成像技术(fMRI，functional magnetic resonance imaging)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。与传统的非介入性脑功能定位技术(如：CT、PET、EEG以及MEG等)相比，具有无侵入、无创伤、无辐射、可重复、可精确定位以及较高的时间和空间分辨率等诸多优越特性，因而一经出现便成为脑功能成像的一种重要方法，被广泛的应用于各种领域的脑科学研究。
利用fMRI数据中隐含的脑功能连接信息对各种认知活动状态进行分类是目前国内外的研究热点，准确、高效的分类性能够为神经认知的研究、脑科疾病及心理疾病的预测和诊断等提供了有利的技术保障，有助于对数据进行深入地分析和判断。虽然当前存在许多利用fMRI数据功能连接信息的分类方法，并且在一定程度上获得不错的分类效果，但是在应用过程中还是存在各自的不足与缺陷，对认知活动状态的分类准确率还待进一步提高。例如，目前用于分类的功能连接信息一般都是在先验结构模板的基础上，将大脑划分成若干脑区或感兴趣区域，然后以每个区域内体素的平均时间序列来构造获得，进而以此为输入特征样本进行分类，从而忽略了脑区中每个体素时间序列所包含的功能信息，限制分类方法的分类能力。
因此，针对现有的利用功能磁共振成像数据进行认知活动状态分类的方法和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，提出更加完善的系统和方法。
发明内容
本发明的目的是提供一种基于fMRI体素水平脑功能信息的认知活动状态分类系统和方法，通过利用已有的组被试功能磁共振成像数据，挖掘出所有被试共同激活体素之间的功能连接信息，实现对各种认知活动状态的分类。
为了实现以上目的，本发明通过以下技术方案实现：
一种基于体素水平脑功能信息的认知活动状态分类系统，包含：用于分析个体水平功能磁共振数据的分析模块，其基于组中每个被试的功能磁共振数据具有相同的采集参数，利用fMRI脑功能连通性检测方法对组中每个被试的功能磁共振数据单独进行功能信号分离，得到每个被试对应fMRI数据的激活体素位置。
用于生成体素水平脑功能连接信息的获取模块，其与所述分析模块相连，用于获取每个单被试对应的fMRI数据中的激活体素位置，计算出所有被试共同的激活体素位置，得到这些激活体素位置在每个被试上对应的功能连接信息矩阵。
用于对认知活动状态进行分类的分类模块，其与所述获取模块连接，利用所述激活体素位置在每个被试上对应的功能连接信息矩阵，计算出所有被试在相同阈值条件下具有的相同功能连接位置，利用每个被试对应该位置的功能连接信息作为特征样本，结合机器学习方法对各种认知活动状态进行分类。
本发明第二个技术方案为一种基于上文所述的基于体素水平脑功能信息的认知活动状态分类的分类方法，包含以下过程：
步骤S1、对个体水平功能磁共振数据的分析：利用fMRI脑功能连通性检测方法对相同参数条件下组中每个被试的功能磁共振数据单独进行功能信号分离，进而获得每个被试在特定阈值条件下fMRI数据中对应的激活体素位置。
步骤S2、对体素水平脑功能信息的提取：根据步骤S1中得到的每个被试对应fMRI数据中的激活体素位置，获取所有被试的共同激活体素位置，并进一步利用原始fMRI数据计算出每个被试对应上述共同激活体素位置的功能连接信息矩阵。
步骤S3、利用体素水平脑功能连接信息对各种认知活动状态进行分类：根据步骤S2中获得的每个被试的功能连接信息矩阵，计算出所有被试在特定阈值条件下的共同功能连接位置，进而以每个被试对应该位置的功能连接信息作为输入特征样本，借助机器学习方法对各种认知活动状态进行分类和分析。
优选地，所述步骤S1进一步包含以下过程：
假设fMRI组数据中有K个被试，记被试i(i＝1，2，...，K)通过盲源分离获得的功能成分为其中Ni表示第i被试对应的功能成分个数。
优选地，所述步骤S2进一步包含以下过程：
步骤S2.1、利用步骤S1中获得的每个被试对应的功能成分Si(i＝1，2，...，K)，通过以下公式计算出每个被试在给定阈值条件下的激活体素位置AVLi：
式中，V表示每个被试fMRI数据经过预处理后包含的体素个数，θ1表示给定的阈值。
利用如下公式计算出fMRI组数据中所有被试的共同激活体素位置CAVL：
步骤S2.2、利用步骤S2.1中获得的共同激活体素位置CAVL构建每个被试对应的功能连接信息矩阵。首先计算出每个被试对应于共同激活体素之间的相关信息矩阵FCi(i＝1，2，...，K)；然后根据给定的阈值条件求出所有被试的共同功能连接位置CFCL：
其中，N表示组中所有被试共同激活体素的个数，θ2表示给定的阈值；
根据上述共同功能连接位置CFCL选出每个被试对应的功能连接信息样本CFCi(i＝1，2，...，K)：CFCi＝{FCi(j)|j∈CFCL}。
优选地，所述步骤S3进一步包含以下过程：将所述步骤S2.2中所获得的功能连接信息CFCi(i＝1，2，...，K)作为输入特征样本。
本发明与现有技术相比具有以下优点：
与现有利用功能磁共振数据进行分类的方法相比，本发明利用fMRI脑功能连通性检测获取体素水平脑功能信息的系统，利用该系统实现认知活动状态进行分类，具体通过利用组中被试的功能磁共振信号数据，自适应的挖掘出隐含在这些数据中潜在的体素水平脑功能信息，为传统利用脑信息的分类方法提供了一种更加精确的脑信息获取途径。并且进一步利用这种脑信息通过机器学习的方法来实现各种认知活动状态的分类，达到准确分类的目的，这样不仅克服了传统分类方法中脑信息获取不够精确的缺陷，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为本发明一种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的模块架构图；
图2为本发明一种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的具体实现流程图。
具体实施方式
以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。
如图1所示，本发明提供一种基于fMRI体素水平脑功能信息的认知活动状态分类系统，包含：
用于分析个体水平功能磁共振数据的分析模块1，其基于组中每个被试的功能磁共振数据具有相同的大小采集参数，利用fMRI脑功能连通性检测方法对组中每个被试的功能磁共振数据单独进行功能信号分离，得到每个被试对应fMRI数据的激活体素位置。
用于生成体素水平脑功能连接信息的获取模块2，其与所述功能磁共振数据分析模块1相连，获取每个单被试对应的fMRI数据中的激活体素位置，然后计算出各个被试共同的激活体素位置，进而计算得到这些激活体素位置在每个被试上对应的功能连接信息矩阵；
用于对认知活动状态进行分类的分类模块3，其与所述获取模块2相连，利用上述激活体素位置在每个被试上对应的功能连接信息矩阵，计算出所有被试在相同阈值条件下具有的相同功能连接位置，进而利用每个被试对应该位置的功能连接信息作为特征样本，结合机器学习方法对各种认知活动状态进行分类，其具有较好的分类效果。
基于上文所述的基于fMRI体素水平脑功能信息的认知活动状态分类系统本文还公开了一种基于fMRI体素水平脑功能信息的认知活动状态分类方法，具体包含以下步骤：
步骤S1、对个体水平功能磁共振数据的分析：利用fMRI脑功能连通性检测方法对相同参数条件下组中每个被试的功能磁共振数据单独进行功能信号分离，进而获得每个被试在特定阈值条件下fMRI数据中对应的激活体素位置；
步骤S2、对体素水平脑功能信息的提取：根据步骤S1中得到的每个被试对应的fMRI数据中的激活体素位置，获取所有被试的共同激活体素位置，并进一步利用原始fMRI数据计算出每个被试对应的所述共同激活体素位置的功能连接信息矩阵；
步骤S3、利用体素水平脑功能连接信息对认知活动状态进行分类：根据步骤S2中获得的每个被试的功能连接信息矩阵，计算出所有被试在特定阈值条件下的共同功能连接位置，进而以每个被试对应该位置的功能连接信息作为输入特征样本，借助机器学习方法对各种认知活动状态进行分类和分析。
在本实施例中，所述步骤S1具体过程为：利用fMRI脑功能连通性检测方法(如：独立成分分析)对经过预处理后的每个被试单独进行功能磁共振信号的盲源分离，得到每个被试所对应的功能成分，进而可以得到给定阈值条件下激活体素的位置，假设fMRI组数据中有K个被试，记被试i(i＝1，2，...，K)通过盲源分离获得的功能成分为其中Ni表示第被试i对应的功能成分个数。
所述步骤S2具体过程为：对体素水平脑功能连接信息的提取操作主要包括了两方面的工作。
步骤S2.1、利用步骤S1中获得的每个被试对应的功能成分Si(i＝1，2，...，K)，按如下方式计算出每个被试在给定阈值条件下的激活体素位置AVLi：
式中，V表示每个被试fMRI数据经过预处理后包含的体素个数，θ1表示给定的阈值，这里的阈值没有固定的选择标准，需要根据实际情况进行选择。比如对经过标准化后的功能成分选取2作为阈值，可以得到95％的可信区间。进一步，根据如下公式可计算出组中所有被试的共同激活体素位置CAVL：
步骤S2.2、利用步骤S2.1中获得的共同激活体素位置CAVL构建每个被试对应的功能连接信息矩阵。具体来说，首先计算出每个被试对应于共同激活体素之间的相关信息矩阵FCi(i＝1，2，...，K)；然后根据给定的阈值条件求出所有被试的共同功能连接位置CFCL，即：
其中，N表示组中所有被试共同激活体素的个数，θ2表示给定的阈值，这里的阈值θ2没有固定的选择标准，需要根据实际情况进行选择。最后根据上述共同功能连接位置CFCL选出每个被试对应的功能连接信息样本CFCi(i＝1，2，...，K)，即：
CFCi＝{FCi(j)|j∈CFCL} (4)
步骤S3的具体过程为：基于体素水平脑功能连接信息的认知活动状态分类：与传统分类方法不同，利用体素水平脑信息的基础上，利用步骤S2.2中所获得的功能连接信息CFCi(i＝1，2，...，K)作为输入特征样本，借助机器学习方法实现对不同认知活动状态的分类。
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 (5)

1.一种基于体素水平脑功能信息的认知活动状态分类系统，其特征在于，包含：
用于分析个体水平功能磁共振数据的分析模块，其基于组中每个被试的功能磁共振数据具有相同的采集参数，利用fMRI脑功能连通性检测方法对组中每个被试的功能磁共振数据单独进行功能信号分离，得到每个被试对应fMRI数据的激活体素位置；
用于生成体素水平脑功能连接信息的获取模块，其与所述分析模块相连，用于获取每个单被试对应的fMRI数据中的激活体素位置，计算出所有被试共同的激活体素位置，得到这些激活体素位置在每个被试上对应的功能连接信息矩阵；
用于对认知活动状态进行分类的分类模块，其与所述获取模块连接，利用所述激活体素位置在每个被试上对应的功能连接信息矩阵，计算出所有被试在相同阈值条件下具有的相同功能连接位置，利用每个被试对应该位置的功能连接信息作为特征样本，结合机器学习方法对各种认知活动状态进行分类。
2.一种基于权利要求1所述的基于体素水平脑功能信息的认知活动状态分类的分类方法：其特征在于，包含以下过程：
步骤S1、对个体水平功能磁共振数据的分析：利用fMRI脑功能连通性检测方法对相同参数条件下组中每个被试的功能磁共振数据单独进行功能信号分离，进而获得每个被试在特定阈值条件下fMRI数据中对应的激活体素位置；
步骤S2、对体素水平脑功能信息的提取：根据步骤S1中得到的每个被试对应fMRI数据中的激活体素位置，获取所有被试的共同激活体素位置，并进一步利用原始fMRI数据计算出每个被试对应上述共同激活体素位置的功能连接信息矩阵；
步骤S3、利用体素水平脑功能连接信息对各种认知活动状态进行分类：根据步骤S2中获得的每个被试的功能连接信息矩阵，计算出所有被试在特定阈值条件下的共同功能连接位置，进而以每个被试对应该位置的功能连接信息作为输入特征样本，借助机器学习方法对各种认知活动状态进行分类和分析。
3.如权利要求2所述的基于体素水平脑功能信息的认知活动状态的分类方法，其特征在于，所述步骤S1进一步包含以下过程：
假设fMRI组数据中有K个被试，记被试i(i＝1，2，...，K)通过盲源分离获得的功能成分为其中Ni表示第i被试对应的功能成分个数。
4.如权利要求3所述的基于体素水平脑功能信息的认知活动状态的分类方法，其特征在于，所述步骤S2进一步包含以下过程：
步骤S2.1、利用步骤S1中获得的每个被试对应的功能成分Si(i＝1，2，...，K)，通过以下公式计算出每个被试在给定阈值条件下的激活体素位置AVLi：
式中，V表示每个被试fMRI数据经过预处理后包含的体素个数，θ1表示给定的阈值；
利用如下公式计算出fMRI组数据中所有被试的共同激活体素位置CAVL：
步骤S2.2、利用步骤S2.1中获得的共同激活体素位置CAVL构建每个被试对应的功能连接信息矩阵；首先计算出每个被试对应于共同激活体素之间的相关信息矩阵FCi(i＝1，2，...，K)；然后根据给定的阈值条件求出所有被试的共同功能连接位置CFCL：
其中，N表示组中所有被试共同激活体素的个数，θ2表示给定的阈值；
根据上述共同功能连接位置CFCL选出每个被试对应的功能连接信息样本CFCi(i＝1，2，...，K)：CFCi＝{FCi(j)|j∈CFCL}。
5.如权利要求4所述的基于体素水平脑功能信息的认知活动状态的分类方法，其特征在于，所述步骤S3进一步包含以下过程：
将所述步骤S2.2中所获得的功能连接信息CFCi(i＝1，2，...，K)作为输入特征样本。
CN201810053519.4A 2018-01-19 2018-01-19 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 Active CN108197661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810053519.4A CN108197661B (zh) 2018-01-19 2018-01-19 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810053519.4A CN108197661B (zh) 2018-01-19 2018-01-19 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

Publications (2)

Publication Number Publication Date
CN108197661A true CN108197661A (zh) 2018-06-22
CN108197661B CN108197661B (zh) 2022-03-01

Family

ID=62590316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810053519.4A Active CN108197661B (zh) 2018-01-19 2018-01-19 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

Country Status (1)

Country Link
CN (1) CN108197661B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109316188A (zh) * 2018-09-30 2019-02-12 上海海事大学 一种偏头痛脑功能连接模式的提取方法
WO2021223574A1 (zh) * 2020-05-08 2021-11-11 中国科学技术大学 实时功能性磁共振神经反馈调节认知控制的系统及方法
WO2023040588A1 (zh) * 2021-09-17 2023-03-23 之江实验室 基于图模型的脑功能配准方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050215889A1 (en) * 2004-03-29 2005-09-29 The Board of Supervisory of Louisiana State University Methods for using pet measured metabolism to determine cognitive impairment
CN101292871A (zh) * 2007-04-25 2008-10-29 中国科学院自动化研究所 一种基于模式识别分类提取磁共振成像脑激活区的方法
CN102508184A (zh) * 2011-10-26 2012-06-20 中国科学院自动化研究所 一种基于移动平均时间序列模型的脑功能激活区检测方法
CN103006220A (zh) * 2012-12-28 2013-04-03 上海海事大学 一种基于信号稀疏近似的脑功能连通区域检测方法
CN103034778A (zh) * 2012-09-28 2013-04-10 中国科学院自动化研究所 适合多被试脑功能数据分析的个体脑功能网络提取方法
CN103942567A (zh) * 2014-04-22 2014-07-23 张擎 一种基于支持向量机的轻度认知障碍自动判别分析方法
US20140350380A1 (en) * 2011-09-19 2014-11-27 The Feinstein Institute For Medical Research Identification and uses of brain activity networks
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
CN104715261A (zh) * 2015-03-23 2015-06-17 南京工业大学 fMRI动态脑功能子网络构建及并联SVM加权识别方法
CN104921727A (zh) * 2015-06-24 2015-09-23 上海海事大学 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
US9275457B1 (en) * 2014-08-28 2016-03-01 International Business Machines Corporation Real-time subject-driven functional connectivity analysis
CN105934683A (zh) * 2013-12-19 2016-09-07 皇家飞利浦有限公司 具有对主磁场变化的估计的dixon型水/脂肪分离的mri
CN107194934A (zh) * 2017-05-08 2017-09-22 西安交通大学 一种基于相关性分析的脑激活区检测方法
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

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050215889A1 (en) * 2004-03-29 2005-09-29 The Board of Supervisory of Louisiana State University Methods for using pet measured metabolism to determine cognitive impairment
CN101292871A (zh) * 2007-04-25 2008-10-29 中国科学院自动化研究所 一种基于模式识别分类提取磁共振成像脑激活区的方法
US20140350380A1 (en) * 2011-09-19 2014-11-27 The Feinstein Institute For Medical Research Identification and uses of brain activity networks
CN102508184A (zh) * 2011-10-26 2012-06-20 中国科学院自动化研究所 一种基于移动平均时间序列模型的脑功能激活区检测方法
CN103034778A (zh) * 2012-09-28 2013-04-10 中国科学院自动化研究所 适合多被试脑功能数据分析的个体脑功能网络提取方法
CN103006220A (zh) * 2012-12-28 2013-04-03 上海海事大学 一种基于信号稀疏近似的脑功能连通区域检测方法
CN105934683A (zh) * 2013-12-19 2016-09-07 皇家飞利浦有限公司 具有对主磁场变化的估计的dixon型水/脂肪分离的mri
CN103942567A (zh) * 2014-04-22 2014-07-23 张擎 一种基于支持向量机的轻度认知障碍自动判别分析方法
US9275457B1 (en) * 2014-08-28 2016-03-01 International Business Machines Corporation Real-time subject-driven functional connectivity analysis
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
CN104715261A (zh) * 2015-03-23 2015-06-17 南京工业大学 fMRI动态脑功能子网络构建及并联SVM加权识别方法
CN104921727A (zh) * 2015-06-24 2015-09-23 上海海事大学 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
CN107194934A (zh) * 2017-05-08 2017-09-22 西安交通大学 一种基于相关性分析的脑激活区检测方法
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

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
NIKOLAUS KRIEGESKORTE等: ""How does an fMRI voxel sample the neuronal activity pattern: compact kernel or complex spatiotemporal filter?"", 《NEUROIMAGE》 *
XIAOYUN LIANG等: ""Voxel-Wise Functional Connectomics Using Arterial Spin Labeling Functional Magnetic Resonance Imaging: The Role of Denoising"", 《BRAIN CONNECTIVITY》 *
ZHI WANG等: ""Temporally and Spatially Constrained ICA of fMRI Data Analysis"", 《PLOS ONE》 *
张健 等: ""基于SVM-RFE的静息态fMRI分类研究及应用"", 《现代计算机(专业版)》 *
徐君海: ""静息状态下脑网络及其与注意的关系"", 《中国博士学位论文全文数据库 医药卫生科技辑》 *
曾卫明 等: ""功能磁共振成像视角下的脑功能连通性分析与脑可塑性"", 《数据采集与处理》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109316188A (zh) * 2018-09-30 2019-02-12 上海海事大学 一种偏头痛脑功能连接模式的提取方法
WO2021223574A1 (zh) * 2020-05-08 2021-11-11 中国科学技术大学 实时功能性磁共振神经反馈调节认知控制的系统及方法
WO2023040588A1 (zh) * 2021-09-17 2023-03-23 之江实验室 基于图模型的脑功能配准方法

Also Published As

Publication number Publication date
CN108197661B (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN106780475B (zh) 一种基于病理组织切片图像组织区域的图像处理装置
CN107909117A (zh) 一种基于脑功能网络特征对早晚期轻度认知障碍的分类方法及装置
CN104414636B (zh) 基于磁共振图像的脑微出血计算机辅助检测系统
CN103996196B (zh) 一种基于多变量的dti图像分析方法
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
CN104207778B (zh) 心理健康评估分类器的静息态功能磁共振数据处理方法
Abidin et al. Detecting cognitive impairment in HIV-infected individuals using mutual connectivity analysis of resting state functional MRI
CN104598575A (zh) 基于实时功能磁共振成像的脑机交互图像检索系统
JP2010526572A (ja) 被検者の脳の画像を解析するための方法、そのような画像を解析するためのコンピュータプログラム製品、および前記方法を実施するための装置
Tan et al. Automated detection of congenital heart disease in fetal ultrasound screening
Li et al. Uncovering brain differences in preschoolers and young adolescents with autism spectrum disorder using deep learning
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
Haweel et al. A review on autism spectrum disorder diagnosis using task-based functional mri
Mousavian et al. Depression detection using atlas from fMRI images
Umadevi et al. Diagnosis of Diabetes from Tongue Image Using Versatile Tooth-Marked Region Classification
Alazawee et al. Analyzing and detecting hemorrhagic and ischemic strokebased on bit plane slicing and edge detection algorithms
CN109711467B (zh) 数据处理装置及方法、计算机系统
Chen et al. Early diagnosis of Alzheimer using mini mental state examination method: MMSE
CN112052882A (zh) 磁共振脑结构影像的分类模型构建、分类与可视化方法
CN116597994B (zh) 基于脑激活聚类算法的精神疾病脑功能活动测评装置
EP3320520B1 (en) Apparatus, system and method for assisting in providing a diagnosis of a medical condition of a mammal brain as well a computer readable medium comprising a program for carrying out the method
CN106055896B (zh) 中医体外诊断方法及装置
CN110598561A (zh) 基于机器学习的细胞玻片分析方法、装置及存储介质
CN103211597B (zh) 一种基于仿射聚类的静息脑功能连通区域检测方法
Jayachitra et al. Blood Cancer Identification using Hybrid Ensemble Deep Learning Technique

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