CN108903942A - 一种利用复数fMRI空间源相位识别空间差异的方法 - Google Patents
一种利用复数fMRI空间源相位识别空间差异的方法 Download PDFInfo
- Publication number
- CN108903942A CN108903942A CN201810742529.9A CN201810742529A CN108903942A CN 108903942 A CN108903942 A CN 108903942A CN 201810742529 A CN201810742529 A CN 201810742529A CN 108903942 A CN108903942 A CN 108903942A
- Authority
- CN
- China
- Prior art keywords
- spatial
- source phase
- variance
- phase
- 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
Links
- 238000002599 functional magnetic resonance imaging Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000000926 separation method Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 14
- 210000004556 brain Anatomy 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 5
- 238000001134 F-test Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- HHZQLQREDATOBM-CODXZCKSSA-M Hydrocortisone Sodium Succinate Chemical compound [Na+].O=C1CC[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)COC(=O)CCC([O-])=O)[C@@H]4[C@@H]3CCC2=C1 HHZQLQREDATOBM-CODXZCKSSA-M 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 239000004615 ingredient Substances 0.000 abstract 2
- 238000000605 extraction Methods 0.000 abstract 1
- 238000012880 independent component analysis Methods 0.000 description 11
- ZMXDDKWLCZADIW-UHFFFAOYSA-N N,N-Dimethylformamide Chemical compound CN(C)C=O ZMXDDKWLCZADIW-UHFFFAOYSA-N 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000007177 brain activity Effects 0.000 description 2
- 230000003925 brain function Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 230000000698 schizophrenic effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/0037—Performing a preliminary scan, e.g. a prescan for identifying a region of interest
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
- A61B5/748—Selection of a region of interest, e.g. using a graphics tablet
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Neurology (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种利用复数fMRI空间源相位识别空间差异的方法，属于生物医学信号处理技术领域。对复数fMRI数据进行空间ICA分离，选取感兴趣成分，再进行相位校正和消噪，获得感兴趣成分的空间源相位，最后通过方差齐性分析和方差差异系数计算，识别SZs与HCs在空间源相位中的差异。与被广泛应用的幅值数据相比，本发明利用空间源相位识别精神分裂症患者组与健康对照组之间的空间差异，能展示更高的灵敏度以及可靠性。例如，针对82被试静息状态下采集的复数fMRI数据，在不使用FDR校正的前提下，空间源相位在DMN中多提取到了122.95％的差异性体素，并且由空间源相位提取到的能够通过FDR校正的差异性体素比幅值多出69％。
Description
技术领域
本发明涉及生物医学信号处理领域，特别是涉及一种利用复数功能磁共振成像(functional magnetic resonance imaging,fMRI)数据的空间源相位，识别精神分裂症患者组(patients with schizophrenia,SZs)与健康对照组(healthy controls,HCs)之间空间激活脑区(spatial map，SM)差异的方法。
背景技术
fMRI是一种基于血氧水平依赖(blood-oxygenation-level-dependent)效应的神经学影像方式，能够反映大脑的内部活动。由于其非侵入式和高空间分辨率，fMRI技术已经被广泛地应用到许多领域，如基础的神经科学研究和临床医学等，是理解人类大脑功能以及研究疾病如何破坏大脑活动的重要工具之一。独立成分分析(independent componentanalysis,ICA)是一种典型的数据驱动盲源分离算法，可用于从fMRI数据中提取SM成分及其相应的时间过程(time course，TC)成分。
尽管原始获取的fMRI观测数据包括幅值数据和相位数据，由于相位数据的噪声严重，绝大多数fMRI数据分析集中在幅值数据上。然而，越来越多的研究表明，相位数据包含丰富的与大脑功能相关的生理信息，而且是从幅值数据中无法提取到的。首先，相位数据可用于更好地分析血氧水平、大小血管的影响以及探索更多不同的脑功能网络连接模式。其次，相位数据可作为幅值数据的补充，用于提取更多更有意义的脑区激活，并提高SZs和HCs的识别准确率。因此，对于fMRI相位数据的研究颇具重要意义。
如上所述，fMRI观测相位数据含有与大脑活动相关的成分，但也包含着严重的生理噪声。与之相比，空间源相位，即由空间ICA方法从复数fMRI数据中分离得到的SM相位信息，已经被大量去噪。研究表明，空间源相位能用于识别和去除不感兴趣的噪声体素。然而，与观测相位相比，空间源相位中是否也传递着有关大脑内部活动的独特信息呢？目前这一问题还未有答案。鉴于观测相位在提升SZs识别率方面展示出了良好的性能，探索应用空间源相位识别SZs与HCs之间空间差异的方法是非常必要的。
发明内容
本发明的目的在于提供一种空间源相位的分析方法。通过多被试的fMRI数据获取空间源相位，计算空间源相位的方差图，进一步定义方差差异系数，衡量和突显SZs与HCs之间的空间差异。
本发明的技术方案：
一种利用复数fMRI空间源相位识别空间差异的方法，首先对复数fMRI数据进行空间ICA分离，选取感兴趣成分，然后进行相位校正和消噪，获得感兴趣成分的空间源相位，最后通过方差齐性分析和方差差异系数计算，识别SZs与HCs在空间源相位中的差异。具体实现步骤如下：
第一步：输入多被试复数fMRI数据T表示时间维的全脑扫描次数，V表示空间维的脑内体素数目，K表示被试数目。
第二步：对所有的单被试Xk进行PCA(principle component analysis)降维，记模型阶数为N，N≤T，降维后单被试数据变为
第三步：采用复数EBM(entropy bound minimization)算法对所有降维后的单被试依次进行复数ICA分离得到N个估计成分，利用SM先验信息sref(林秋华，于谋川，龚晓峰，丛丰裕，一种对复数fMRI数据的ICA估计成分进行相位校正的方法，专利号201410189199.7)从中提取感兴趣成分。对该步骤重复R次，采用“Kuang LD,Lin QH,GongXF,Cong F,Sui J,Calhoun VD,2018.Model order effects on ICA of resting-statecomplex-valued fMRI data:application to schizophrenia.Journal of NeuroscienceMethods 304,24–38”中平均和显著性检测相结合的best run选取方法，利用感兴趣成分的R次SM估计确定best run，即最好的一次ICA结果，提取best run中感兴趣成分的TC估计和SM估计
第四步：采用专利201410189199.7中基于ICA所估计的时间过程成分进行相位角估计和校正的方法校正sk得到
第五步：对所有的单被试依次构建单被试二值化掩蔽bk如下：
式中，和分别表示中体素v的相位和幅值，Zr为幅值阈值，一般令Zr＝0.5；是被试k的二值化掩蔽。
第六步：构建组掩蔽
为多被试共有激活体素的组掩蔽，记M为中非零元素个数。
第七步：利用组掩蔽对K1个SZs和K2个HCs中所有的单被试进行相位消噪(K＝K1+K2)：
式中“ο”表示Hadamard乘积，求取所有单被试中激活体素的相位和和即为SZs和HCs中被试k的空间源相位。
第八步：构建K1个SZs和K2个HCs的体素级空间源相位向量
第九步：对和进行方差齐性分析(F-test)，并用FDR(false discoveryrate)校正p值，得到SZ-HC的方差差异图：
式中“var(·)”表示向量的方差，“p_ftest(·)”表示F-test的p值，pr表示p值的阈值，一般取pr＝0.05。为SZ-HC的方差差异图。
第十步：针对各个子脑区，记录具有显著差异的体素数目m*，也就是中该子脑区非零体素的个数，并计算下式定义的方差差异系数
式中和分别表示中子脑区含有正值和负值的体素个数，即
第十一步：选择具有显著SZ-HC差异的子脑区，即m*>mr且mr和qr均表示显著差异的阈值，一般取mr＝100，qr＝0.75。
第十二步：输出SZ-HC的方差差异图显著子脑区及其方差差异系数
本发明的效果和益处，与被广泛应用的幅值数据相比，本发明利用空间源相位识别SZs与HCs之间的空间差异，能展示更高的灵敏度以及可靠性。例如，针对82被试静息状态下采集的复数fMRI数据，在不使用FDR校正的前提下，空间源相位在DMN(Default modenetwork)中多提取到了122.95％的差异性体素，并且由空间源相位提取到的能够通过FDR校正的差异性体素(如附图1B所示)比幅值(如附图1A所示)多出69％。因此，本发明能够为脑疾病诊断提供新的生物标记。
附图说明
图1是本发明识别到的SZ-HC差异与幅值方法的对比。
图2是本发明利用空间源相位识别SZs与HCs之间空间差异的工作流程图。
具体实施方式
下面结合技术方案和附图，详细叙述本发明的一个具体实施方式。
现有K1＝42名SZs和K2＝40名HCs(K＝82)在静息状态下采集的复数fMRI数据。时间维度上进行了T＝146次扫描，每次扫描都获得了53×63×46的全脑数据，脑内体素数V＝62336。采用本发明分析空间源相位以识别SZs与HCs空间差异的步骤如附图2所示。
第一步：输入多被试复数fMRI数据
第二步：对所有的单被试Xk进行PCA降维，取N＝120，得到降维数据
第三步：采用复数EBM算法对所有的单被试依次进行R＝10次复数ICA分离，从120个估计成分中提取感兴趣成分DMN，采用平均和显著性检测相结合的best run选取方法确定best run，获取best run中DMN的TC估计和SM估计
第四步：采用基于ICA所估计的时间过程成分进行相位角估计和校正的方法对所有的sk进行相位校正得到
第五步：代入公式(1)，对所有的sk构建单被试掩蔽Zr为0.5。
第六步：代入公式(2)，构建组掩蔽M＝6028。
第七步：代入公式(3)，得到去噪后SZs的空间源相位 和HCs的空间源相位
第八步：构建空间源相位向量和(i＝1,…,6028)。
第九步：代入公式(4)，对和依次进行F-test，并用FDR校正p值，取pr＝0.05，得到SZ-HC的方差差异图
第十步：针对DMN的3个子脑区ACC(anterior cingulate cortex)，PCC(posteriorcingulate cortex)和IPL(inferior parietal lobule)记录显著差异体素数目m*分别为174，1109和213；代入公式(5)计算3个子脑区的方差差异系数，得到ACC区PCC区和IPL区
第十一步：取mr＝100，qr＝0.75，得到具有显著差异的子脑区为ACC。
第十二步：输出(如附图1B所示)，ACC区
Claims (2)
1.一种利用复数fMRI空间源相位识别空间差异的方法，首先对复数fMRI数据进行空间ICA分离，选取感兴趣成分，然后进行相位校正和消噪，获得感兴趣成分的空间源相位，最后通过方差齐性分析和方差差异系数计算，识别SZs与HCs在空间源相位中的差异；其特征在于以下步骤：
第一步：输入多被试复数fMRI数据T表示时间维的全脑扫描次数，V表示空间维的脑内体素数目，K表示被试数目；
第二步：对所有的单被试Xk进行PCA降维，记模型阶数为N，N≤T，降维后单被试数据变为
第三步：采用复数EBM算法对所有降维后的单被试依次进行复数ICA分离，得到N个估计成分，利用SM先验信息从中提取感兴趣成分；对该步骤重复R次，采用平均和显著性检测相结合的best run选取方法，利用感兴趣成分的R次SM估计确定best run，即最好的一次ICA结果，提取best run中感兴趣成分的TC估计和SM估计
第四步：采用基于ICA所估计的时间过程成分进行相位角估计和校正的方法校正sk，得到单被试s k；
第五步：对所有的单被试s k依次构建单被试二值化掩蔽bk如下：
式中，和分别表示s k中体素v的相位和幅值，Zr为幅值阈值，是被试k的二值化掩蔽；
第六步：构建组掩蔽
其中，为多被试共有激活体素的组掩蔽，记M为中非零元素个数；
第七步：利用组掩蔽对K1个SZs和K2个HCs中所有的单被试s k进行相位消噪，K＝K1+K2：
式中，表示Hadamard乘积，求取所有单被试中激活体素的相位和 和为SZs和HCs中被试k的空间源相位；
第八步：构建K1个SZs和K2个HCs的体素级空间源相位向量和M为中非零元素个数；
第九步：对和进行方差齐性分析F-test，并用FDR校正p值，得到SZ-HC的方差差异图：
式中，var(·)表示向量的方差，p_ftest(·)表示F-test的p值，pr表示p值的阈值，为SZ-HC的方差差异图；
第十步：针对各个子脑区，记录具有显著差异的体素数目m*，也就是中该子脑区非零体素的个数，并计算下式定义的方差差异系数
式中，和分别表示中子脑区含有正值和负值的体素个数，即
第十一步：选择具有显著SZ-HC差异的子脑区，即m*>mr且mr和qr均表示显著差异的阈值；
第十二步：输出SZ-HC的方差差异图显著子脑区及其方差差异系数
2.根据权利要求1所述的利用复数fMRI空间源相位识别空间差异的方法，其特征在于，取Zr＝0.5，pr＝0.05，mr＝100，qr＝0.75。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810742529.9A CN108903942B (zh) | 2018-07-09 | 2018-07-09 | 一种利用复数fMRI空间源相位识别空间差异的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810742529.9A CN108903942B (zh) | 2018-07-09 | 2018-07-09 | 一种利用复数fMRI空间源相位识别空间差异的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108903942A true CN108903942A (zh) | 2018-11-30 |
| CN108903942B CN108903942B (zh) | 2021-05-11 |
Family
ID=64425580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810742529.9A Active CN108903942B (zh) | 2018-07-09 | 2018-07-09 | 一种利用复数fMRI空间源相位识别空间差异的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108903942B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109700462A (zh) * | 2019-03-06 | 2019-05-03 | 长沙理工大学 | 引入空间源相位稀疏约束的多被试复数fMRI数据移不变CPD分析方法 |
| CN109903354A (zh) * | 2019-02-20 | 2019-06-18 | 南方医科大学 | 一种基于人工稀疏的动态磁共振图像重建方法及系统 |
| CN109948529A (zh) * | 2019-03-18 | 2019-06-28 | 大连理工大学 | 一种fMRI数据空间源相位从实数域到复数域的映射方法 |
| CN110110776A (zh) * | 2019-04-28 | 2019-08-09 | 大连理工大学 | 一种病人与健康人的静息态复数fMRI数据ICA-CNN分类框架 |
| CN110335682A (zh) * | 2019-06-13 | 2019-10-15 | 大连理工大学 | 一种实部虚部联合的复数fMRI数据稀疏表示方法 |
| CN111046918A (zh) * | 2019-11-21 | 2020-04-21 | 大连理工大学 | 一种ICA-CNN分类的fMRI数据空间预平滑增广方法 |
| CN114187475A (zh) * | 2021-12-06 | 2022-03-15 | 大连理工大学 | 一种基于热力图解释多被试复数fMRI数据CNN分类结果的方法 |
| CN114176518A (zh) * | 2021-12-06 | 2022-03-15 | 大连理工大学 | 一种提高CNN分类性能的复数fMRI数据空间成分相位反校正方法 |
| CN114202023A (zh) * | 2021-12-06 | 2022-03-18 | 大连理工大学 | 一种利用复数fMRI数据空间源相位图进行CNN分类的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103961103A (zh) * | 2014-05-07 | 2014-08-06 | 大连理工大学 | 一种对复数fMRI数据的ICA估计成分进行相位校正的方法 |
| CN103985092A (zh) * | 2014-05-07 | 2014-08-13 | 大连理工大学 | 一种对复数fMRI数据进行ICA分析的后处理消噪方法 |
| CN105760700A (zh) * | 2016-03-18 | 2016-07-13 | 大连理工大学 | 一种适于多被试复数fMRI数据分析的自适应定点IVA算法 |
| US20160334492A1 (en) * | 2015-05-13 | 2016-11-17 | Medizinische Universität Wien | Method for Magnetic Resonance Imaging |
| CN106875366A (zh) * | 2017-03-01 | 2017-06-20 | 大连理工大学 | 对静息态复数fMRI数据进行ICA后处理消噪的相位精确范围检测方法 |
| CN107240098A (zh) * | 2017-06-16 | 2017-10-10 | 大连理工大学 | 一种脑功能连接分析的稀疏贝叶斯网络与Granger双约束方法 |
-
2018
- 2018-07-09 CN CN201810742529.9A patent/CN108903942B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103961103A (zh) * | 2014-05-07 | 2014-08-06 | 大连理工大学 | 一种对复数fMRI数据的ICA估计成分进行相位校正的方法 |
| CN103985092A (zh) * | 2014-05-07 | 2014-08-13 | 大连理工大学 | 一种对复数fMRI数据进行ICA分析的后处理消噪方法 |
| US20160334492A1 (en) * | 2015-05-13 | 2016-11-17 | Medizinische Universität Wien | Method for Magnetic Resonance Imaging |
| CN105760700A (zh) * | 2016-03-18 | 2016-07-13 | 大连理工大学 | 一种适于多被试复数fMRI数据分析的自适应定点IVA算法 |
| CN106875366A (zh) * | 2017-03-01 | 2017-06-20 | 大连理工大学 | 对静息态复数fMRI数据进行ICA后处理消噪的相位精确范围检测方法 |
| CN107240098A (zh) * | 2017-06-16 | 2017-10-10 | 大连理工大学 | 一种脑功能连接分析的稀疏贝叶斯网络与Granger双约束方法 |
Non-Patent Citations (2)
| Title |
|---|
| LI-DAN KUANG等: "Model order effects on ICA of resting-state complex-valued fMRI data:Application to schizophrenia", 《JOURNAL OF NEUROSCIENCE METHODS》 * |
| MOU-CHUAN YU等: "ICA of full complex-valued fMRI data using phase information of spatial maps", 《JOURNAL OF NEUROSCIENCE METHODS》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109903354A (zh) * | 2019-02-20 | 2019-06-18 | 南方医科大学 | 一种基于人工稀疏的动态磁共振图像重建方法及系统 |
| CN109700462A (zh) * | 2019-03-06 | 2019-05-03 | 长沙理工大学 | 引入空间源相位稀疏约束的多被试复数fMRI数据移不变CPD分析方法 |
| CN109700462B (zh) * | 2019-03-06 | 2022-07-19 | 长沙理工大学 | 多被试复数fMRI数据移不变CPD分析方法 |
| CN109948529B (zh) * | 2019-03-18 | 2022-02-15 | 大连理工大学 | 一种fMRI数据空间源相位从实数域到复数域的映射方法 |
| CN109948529A (zh) * | 2019-03-18 | 2019-06-28 | 大连理工大学 | 一种fMRI数据空间源相位从实数域到复数域的映射方法 |
| CN110110776A (zh) * | 2019-04-28 | 2019-08-09 | 大连理工大学 | 一种病人与健康人的静息态复数fMRI数据ICA-CNN分类框架 |
| CN110335682B (zh) * | 2019-06-13 | 2023-02-10 | 大连理工大学 | 一种实部虚部联合的复数fMRI数据稀疏表示方法 |
| CN110335682A (zh) * | 2019-06-13 | 2019-10-15 | 大连理工大学 | 一种实部虚部联合的复数fMRI数据稀疏表示方法 |
| CN111046918A (zh) * | 2019-11-21 | 2020-04-21 | 大连理工大学 | 一种ICA-CNN分类的fMRI数据空间预平滑增广方法 |
| CN111046918B (zh) * | 2019-11-21 | 2022-09-20 | 大连理工大学 | 一种ICA-CNN分类的fMRI数据空间预平滑增广方法 |
| CN114187475A (zh) * | 2021-12-06 | 2022-03-15 | 大连理工大学 | 一种基于热力图解释多被试复数fMRI数据CNN分类结果的方法 |
| CN114176518A (zh) * | 2021-12-06 | 2022-03-15 | 大连理工大学 | 一种提高CNN分类性能的复数fMRI数据空间成分相位反校正方法 |
| CN114202023A (zh) * | 2021-12-06 | 2022-03-18 | 大连理工大学 | 一种利用复数fMRI数据空间源相位图进行CNN分类的方法 |
| CN114176518B (zh) * | 2021-12-06 | 2023-10-10 | 大连理工大学 | 一种提高CNN分类性能的复数fMRI数据空间成分相位反校正方法 |
| CN114202023B (zh) * | 2021-12-06 | 2024-08-23 | 大连理工大学 | 一种利用复数fMRI数据空间源相位图进行CNN分类的方法 |
| CN114187475B (zh) * | 2021-12-06 | 2024-09-27 | 大连理工大学 | 一种基于热力图解释多被试复数fMRI数据CNN分类结果的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108903942B (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108903942B (zh) | 一种利用复数fMRI空间源相位识别空间差异的方法 | |
| Jie et al. | Hyper-connectivity of functional networks for brain disease diagnosis | |
| McKeown et al. | Independent component analysis of functional MRI: what is signal and what is noise? | |
| de Cheveigné et al. | Denoising based on spatial filtering | |
| DSouza et al. | Mutual connectivity analysis of resting-state functional MRI data with local models | |
| CN107240125B (zh) | 一种扩散加权成像方法 | |
| CN111212600B (zh) | 帕金森病诊断装置 | |
| Wismueller et al. | Model-free functional MRI analysis for detecting low-frequency functional connectivity in the human brain | |
| Windischberger et al. | Fuzzy cluster analysis of high-field functional MRI data | |
| Mehta et al. | Propagating uncertainty across cascaded medical imaging tasks for improved deep learning inference | |
| CN112233086B (zh) | 基于脑区功能连接的fMRI数据分类识别方法及装置 | |
| Rathi et al. | Detection and characterization of brain tumor using segmentation based on HSOM, wavelet packet feature spaces and ANN | |
| Niu et al. | Sample augmentation for classification of schizophrenia patients and healthy controls using ica of fmri data and convolutional neural networks | |
| Penso et al. | Cardiovascular magnetic resonance images with susceptibility artifacts: artificial intelligence with spatial-attention for ventricular volumes and mass assessment | |
| Golkov et al. | Model-free novelty-based diffusion MRI | |
| WO2017132403A1 (en) | Symplectomorphic image registration | |
| CN106875366B (zh) | 对静息态复数fMRI数据进行ICA后处理消噪的相位精确范围检测方法 | |
| Avants et al. | Sparse unbiased analysis of anatomical variance in longitudinal imaging | |
| Yang et al. | A multi-channel deep learning approach for segmentation of the left ventricular endocardium from cardiac images | |
| Olson et al. | Automated machine learning pipeline framework for classification of pediatric functional nausea using high-resolution electrogastrogram | |
| Nasser et al. | fMRI and Artifact computation and Analysis | |
| Zhang et al. | Spatial-temporal analysis of multi-subject functional magnetic resonance imaging data | |
| CN114176518B (zh) | 一种提高CNN分类性能的复数fMRI数据空间成分相位反校正方法 | |
| Minarno et al. | Pneumonia Classification using Gabor-Convolutional Neural Networks and Image Enhancement | |
| Ngan et al. | Investigating the enhancement of template-free activation detection of event-related fMRI data using wavelet shrinkage and figures of merit |
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 |