CN109147941A - 基于结构磁共振影像数据的大脑健壮性评估方法 - Google Patents
基于结构磁共振影像数据的大脑健壮性评估方法 Download PDFInfo
- Publication number
- CN109147941A CN109147941A CN201811210112.4A CN201811210112A CN109147941A CN 109147941 A CN109147941 A CN 109147941A CN 201811210112 A CN201811210112 A CN 201811210112A CN 109147941 A CN109147941 A CN 109147941A
- Authority
- CN
- China
- Prior art keywords
- brain
- robustness
- image data
- magnetic resonance
- 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.)
- Pending
Links
Classifications
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种基于结构磁共振影像数据的大脑健壮性评估方法,所述大脑健壮性评估方法包括:获取评估对象的结构磁共振影像数据和基本个人信息,所述基本个人信息包括年龄信息;基于所述结构磁共振影像数据构建结构性脑网络;根据所述结构性脑网络和相应公式计算描述大脑健壮性的指标;根据评估对象的年龄信息和计算的描述大脑健壮性的指标构建标准曲线;根据所述标准曲线评估所述评估对象的大脑健壮性。本发明基于结构磁共振影像数据和基本个人信息建立的二次型函数(表现为标准曲线)的基础上,可以快速地实现定量评估大脑健壮性,对临床和大脑健康干预的指导具有现实意义。
Description
技术领域
本发明涉及脑神经技术领域,特别涉及一种基于结构磁共振影像数据的大脑健壮性评估方法。
背景技术
大脑健壮性,指的是大脑系统抵御外部环境变化或者自身损伤的能力。大脑的健壮性越低,患精神疾病或脑认知功能衰退的风险越高。研究表明,微小的创伤可能会给大脑带来广泛的甚至不可逆转的影响,而这些损伤往往又是难以预测的。因此,评估大脑健壮性对保持其功能稳定有重要的指导意义。
脑网络为大脑健壮性研究提供了便利的框架。图论分析将大脑抽象成节点与边的集合。大脑神经连接网络主要分为结构性脑网络和功能性脑网络。结构性脑网络由白质神经纤维束连接组成,代表了大脑的神经结构性连接模式;功能性脑网络则由各个区域间功能信号的统计相关性组成,代表了大脑各部分的功能性协同关系。目前,构建大脑结构性网络主要依靠弥散张量成像技术。该技术存在无创、高空间分辨率等优点,被广泛用于反映大脑细微结构以及重建白质纤维束。脑网络的框架大大地推动了大脑健壮性的研究。
近年来,脑网络的研究表明,年龄是影响大脑健壮性的重要因素。一方面,对于正常人来说,随着大脑发育,拓扑结构变化,大脑系统表现出对随机出错或靶向攻击容错性的提高。而在老化的过程中,由于部分脑区白质纤维受损,大脑健壮性表现出明显的下降。另一方面,在神经疾病患者身上,例如阿尔兹海默症患者,也发现了年龄对其认知恢复能力的影响。
然而,现有对于大脑健壮性的研究都是定性的,没有从定量的角度给出一个评估大脑健壮性的指标,也没有明确地指出大脑健壮性与年龄在数学上的联系。因此,难以进行更深层次的研究,对临床和大脑健康干预的指导缺乏现实意义。
发明内容
本发明的目的在于提供一种基于结构磁共振影像数据的大脑健壮性评估方法,以解决现有评估大脑健壮性的方式存在的不足。
为解决上述技术问题,本发明提供一种基于结构磁共振影像数据的大脑健壮性评估方法,所述基于结构磁共振影像数据的大脑健壮性评估方法包括如下步骤:
获取评估对象的结构磁共振影像数据和基本个人信息,所述基本个人信息包括年龄信息;
基于所述结构磁共振影像数据构建结构性脑网络;
根据所述结构性脑网络和相应公式计算描述大脑健壮性的指标;
根据评估对象的年龄信息和计算的描述大脑健壮性的指标构建标准曲线;
根据所述标准曲线评估所述评估对象的大脑健壮性。
可选的,在所述的基于结构磁共振影像数据的大脑健壮性评估方法中,所述结构磁共振影像数据包括弥散张量成像和T1加权像。
可选的,在所述的基于结构磁共振影像数据的大脑健壮性评估方法中,所述基于所述结构磁共振影像数据构建结构性脑网络的过程如下:
采用经典的确定性纤维束追踪算法,利用流线技术,从任一像素点起,沿临近每个像素点的特征值矢量方向,连接成相应的纤维束走向并延伸,并在限制条件下停止追踪,以获得白质纤维束走行信息;所述限制条件为各向异性小于预定阈值和/或传递角度大于预定阈值;
基于自动解剖标签模板建立大脑结构性连接,将评估对象的脑图像与标准图谱进行配准,以得到配准矩阵,然后将配准矩阵的逆矩阵乘上标准模板,反映射后获得所述评估对象的各个脑区;
将所述评估对象的每个脑区定义为一节点,获得任两节点的连接边权重为两脑区间的连接纤维上所有体素的部分各向异性均值,根据所有节点和任两节点的连接边权重构建结构性脑网络。
可选的,在所述的基于结构磁共振影像数据的大脑健壮性评估方法中,所述各向异性的预定阈值为0.2,所述传递角度的预定阈值为45°。
可选的,在所述的基于结构磁共振影像数据的大脑健壮性评估方法中,所述评估对象的脑区数量为90个。
可选的,在所述的基于结构磁共振影像数据的大脑健壮性评估方法中,所述相应公式如下:
其中,β表示描述大脑健壮性的指标;s表示90个节点的节点强度矩阵的转置矩阵,s=(s1,...si,...s90)T,每个节点表示一个脑区;节点强度si表示与节点i相连边的权重总和,wij表示第i节点与第j节点之间的连接强度;<S>表示所有节点的平均节点强度,
可选的,在所述的基于结构磁共振影像数据的大脑健壮性评估方法中,所述标准曲线用公式表示如下:
β(x)=p1x2+p2x+p3;
其中,x表示年龄信息;β表示描述大脑健壮性的指标,β(x)表示年龄x下对应的大脑健壮性指标标准值;在95%的置信区间下,系数p1=-0.000706,p2=-0.04991,p3=5.529。
可选的,在所述的基于结构磁共振影像数据的大脑健壮性评估方法中,所述基本个人信息还包括性别信息。
在本发明所提供的基于结构磁共振影像数据的大脑健壮性评估方法中,所述大脑健壮性评估方法包括:获取评估对象的结构磁共振影像数据和基本个人信息,所述基本个人信息包括年龄信息;基于所述结构磁共振影像数据构建结构性脑网络;根据所述结构性脑网络和相应公式计算描述大脑健壮性的指标;根据评估对象的年龄信息和计算的描述大脑健壮性的指标构建标准曲线;根据所述标准曲线评估所述评估对象的大脑健壮性。本发明基于结构磁共振影像数据和基本个人信息建立的二次型函数(表现为标准曲线)的基础上,可以快速地实现定量评估大脑健壮性,对临床和大脑健康干预的指导具有现实意义。
附图说明
图1是本发明一实施例的基于结构磁共振影像数据的大脑健壮性评估方法的步骤流程图;
图2是大脑健壮性指标标准值及正常范围下限随年龄变化的函数图。
具体实施方式
以下结合附图和具体实施例对本发明提出的基于结构磁共振影像数据的大脑健壮性评估方法作进一步详细说明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
遍及说明书和权利要求书使用了表示特定系统组件的某些术语。如本领域的技术人员将理解的,不同公司可能用不同的名称来表示一组件。本文不期望在名称不同但功能相同的组件之间进行区分。在说明书和权利要求书中,术语“包括”和“包含”按开放式的方式使用,且因此应被解释为“包括,但不限于…”。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
另外,以下说明内容的各个实施例分别具有一或多个技术特征,然此并不意味着使用本发明者必需同时实施任一实施例中的所有技术特征,或仅能分开实施不同实施例中的一部或全部技术特征。换句话说,在实施为可能的前提下,本领域技术人员可依据本发明的公开内容,并视设计规范或实作需求,选择性地实施任一实施例中部分或全部的技术特征,或者选择性地实施多个实施例中部分或全部的技术特征的组合,借此增加本发明实施时的弹性。
为使本发明的目的、特征更明显易懂,下面结合附图对本发明的具体实施方式作进一步的说明,然而,本发明可以用不同的形式实现,不应认为只是局限在所述的实施例。
请参考图1,其为本发明中基于结构磁共振影像数据的大脑健壮性评估方法的步骤流程图。如图1所示,所述基于结构磁共振影像数据的大脑健壮性评估方法包括如下步骤:
首先,执行步骤S1,获取评估对象的结构磁共振影像数据和基本个人信息,所述基本个人信息包括年龄信息;其中,所述结构磁共振影像数据包括弥散张量成像(DTI)和T1加权像。可以理解的,所述基本个人信息包括但不局限于年龄信息,还可包括性别信息、住址信息等等。
接着,执行步骤S2,基于所述结构磁共振影像数据构建结构性脑网络;具体构建过程如下:
S21:采用经典的确定性纤维束追踪算法,利用流线技术(VectorFlow Mapping,VFM),从任一像素点起,沿临近每个像素点的特征值矢量方向,连接成相应的纤维束走向并延伸,并在限制条件下停止追踪,以获得白质纤维束走行信息;所述限制条件为各向异性小于预定阈值和/或传递角度大于预定阈值;优选的,所述各向异性的预定阈值为0.2,所述传递角度的预定阈值为45°。
S22:基于自动解剖标签(AAL)模板建立大脑结构性连接,将评估对象的脑图像与标准图谱进行配准,以得到配准矩阵,然后将配准矩阵的逆矩阵乘上标准模板,反映射后获得所述评估对象的各个脑区;本实施例中,所述评估对象的脑区数量为90个。需要说明的是,建立大脑结构性连接包括但不局限于AAL模板,还可以采用其他模板。
S23:将所述评估对象的每个脑区定义为一节点,获得任两节点的连接边权重为两脑区间的连接纤维上所有体素的部分各向异性(FA)均值,根据所有节点和任两节点的连接边权重构建结构性脑网络。
接着,执行步骤S3,根据所述结构性脑网络和相应公式计算描述大脑健壮性的指标;所述相应公式如下:
其中,β表示描述大脑健壮性的指标;s表示90个节点的节点强度矩阵的转置矩阵,s=(s1,...si,...s90)T,每个节点表示一个脑区;节点强度si表示与节点i相连边的权重总和,wij表示第i节点与第j节点之间的连接强度;<s>表示所有节点的平均节点强度,
所述相应公式用于描述大脑健壮性的指标,其实际是基于最新的网络健壮性分析工具提出,该分析工具专门为高维的复杂网络设计,可以有效地将动力学和网络拓扑结果分离,实现系统健壮性的定量预测。作为一个典型的复杂网络,本发明首次将该指标应用于评估脑网络的健壮性,即大脑的健壮性。描述大脑健壮性的指标的数值越大,代表评估对象的大脑健壮性越强,反之越弱。
接着,执行步骤S4,根据评估对象的年龄信息和计算的描述大脑健壮性的指标构建标准曲线;所述标准曲线为大脑健壮性的指标关于年龄信息的二次函数,用公式表示如下:
β(x)=p1x2+p2x+p3;
其中,x表示年龄信息;β表示描述大脑健壮性的指标,β(x)表示年龄x下对应的大脑健壮性指标标准值;在95%的置信区间下,系数p1=-0.000706,p2=-0.04991,p3=5.529。
接着,执行步骤S5,根据所述标准曲线评估所述评估对象的大脑健壮性。
请参考图2,其为大脑健壮性指标标准值及正常范围下限随年龄变化的函数图。如图2所示,基于标准曲线能够迅速地给出特定年龄对应的标准β值。若评估对象的β值在对应标准值附近,则认为该对象的大脑健壮性较好。若低于标准值的80%,即正常范围的下限,则认为该对象的大脑健壮性不佳,易损性强,患脑疾病或脑功能衰退的风险较大。需要说明的是,这里给出的p1、p2和p3的值是一个具体实例,随着建立该模型的数据量的增加,这三个参数可能进一步获得修正。本发明提出这一模型,模型的参数包括但不限于这里的参数实例。
综上,在本发明所提供的基于结构磁共振影像数据的大脑健壮性评估方法中,所述大脑健壮性评估方法包括:获取评估对象的结构磁共振影像数据和基本个人信息,所述基本个人信息包括年龄信息;基于所述结构磁共振影像数据构建结构性脑网络;根据所述结构性脑网络和相应公式计算描述大脑健壮性的指标;根据评估对象的年龄信息和计算的描述大脑健壮性的指标构建标准曲线;根据所述标准曲线评估所述评估对象的大脑健壮性。本发明基于结构磁共振影像数据和基本个人信息建立的二次型函数(表现为标准曲线)的基础上,可以快速地实现定量评估大脑健壮性,对临床和大脑健康干预的指导具有现实意义。
上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (8)
1.一种基于结构磁共振影像数据的大脑健壮性评估方法,其特征在于,包括如下步骤:
获取评估对象的结构磁共振影像数据和基本个人信息,所述基本个人信息包括年龄信息;
基于所述结构磁共振影像数据构建结构性脑网络;
根据所述结构性脑网络和相应公式计算描述大脑健壮性的指标;
根据评估对象的年龄信息和计算的描述大脑健壮性的指标构建标准曲线;
根据所述标准曲线评估所述评估对象的大脑健壮性。
2.如权利要求1所述的基于结构磁共振影像数据的大脑健壮性评估方法,其特征在于,所述结构磁共振影像数据包括弥散张量成像和T1加权像。
3.如权利要求1所述的基于结构磁共振影像数据的大脑健壮性评估方法,其特征在于,所述基于所述结构磁共振影像数据构建结构性脑网络的过程如下:
采用经典的确定性纤维束追踪算法,利用流线技术,从任一像素点起,沿临近每个像素点的特征值矢量方向,连接成相应的纤维束走向并延伸,并在限制条件下停止追踪,以获得白质纤维束走行信息;所述限制条件为各向异性小于预定阈值和/或传递角度大于预定阈值;
基于自动解剖标签模板建立大脑结构性连接,将评估对象的脑图像与标准图谱进行配准,以得到配准矩阵,然后将配准矩阵的逆矩阵乘上标准模板,反映射后获得所述评估对象的各个脑区;
将所述评估对象的每个脑区定义为一节点,获得任两节点的连接边权重为两脑区间的连接纤维上所有体素的部分各向异性均值,根据所有节点和任两节点的连接边权重构建结构性脑网络。
4.如权利要求3所述的基于结构磁共振影像数据的大脑健壮性评估方法,其特征在于,所述各向异性的预定阈值为0.2,所述传递角度的预定阈值为45°。
5.如权利要求3所述的基于结构磁共振影像数据的大脑健壮性评估方法,其特征在于,所述评估对象的脑区数量为90个。
6.如权利要求3所述的基于结构磁共振影像数据的大脑健壮性评估方法,其特征在于,所述相应公式如下:
其中,β表示描述大脑健壮性的指标;s表示90个节点的节点强度矩阵的转置矩阵,s=(s1,...si,...s90)T,每个节点表示一个脑区;节点强度si表示与节点i相连边的权重总和,wij表示第i节点与第j节点之间的连接强度;<s>表示所有节点的平均节点强度,
7.如权利要求6所述的基于结构磁共振影像数据的大脑健壮性评估方法,其特征在于,所述标准曲线用公式表示如下:
β(x)=p1x2+p2x+p3;
其中,x表示年龄信息;β表示描述大脑健壮性的指标,β(x)表示年龄x下对应的大脑健壮性指标标准值;在95%的置信区间下,系数p1=-0.000706,p2=-0.04991,p3=5.529。
8.如权利要求1~7中任一项所述的基于结构磁共振影像数据的大脑健壮性评估方法,其特征在于,所述基本个人信息还包括性别信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811210112.4A CN109147941A (zh) | 2018-10-17 | 2018-10-17 | 基于结构磁共振影像数据的大脑健壮性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811210112.4A CN109147941A (zh) | 2018-10-17 | 2018-10-17 | 基于结构磁共振影像数据的大脑健壮性评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109147941A true CN109147941A (zh) | 2019-01-04 |
Family
ID=64808495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811210112.4A Pending CN109147941A (zh) | 2018-10-17 | 2018-10-17 | 基于结构磁共振影像数据的大脑健壮性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109147941A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110738635A (zh) * | 2019-09-11 | 2020-01-31 | 深圳先进技术研究院 | 一种特征追踪方法及装置 |
CN111340821A (zh) * | 2020-02-20 | 2020-06-26 | 太原理工大学 | 一种基于模块连接的大脑结构网络的偏测性检测方法 |
TWI698887B (zh) * | 2019-05-31 | 2020-07-11 | 行政院原子能委員會核能研究所 | 腦功能影像數據擴增方法 |
CN113598795A (zh) * | 2021-08-03 | 2021-11-05 | 罗慕科技(北京)有限公司 | 头颅结构标准率评估装置、方法及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101172042A (zh) * | 2006-11-01 | 2008-05-07 | 上海匡复医疗设备发展有限公司 | 一种脑血管循环动力学分析方法及仪器 |
CN105512493A (zh) * | 2015-12-22 | 2016-04-20 | 重庆大学 | 基于脑部病理年龄估计的脑疾病检测系统 |
CN107358022A (zh) * | 2017-06-02 | 2017-11-17 | 常州大学 | 一种大脑功能网络的模块化分析方法 |
US20180268942A1 (en) * | 2016-12-06 | 2018-09-20 | Darmiyan, Inc. | Methods and systems for identifying brain disorders |
WO2018186589A1 (ko) * | 2017-04-04 | 2018-10-11 | 이현섭 | 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법 |
-
2018
- 2018-10-17 CN CN201811210112.4A patent/CN109147941A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101172042A (zh) * | 2006-11-01 | 2008-05-07 | 上海匡复医疗设备发展有限公司 | 一种脑血管循环动力学分析方法及仪器 |
CN105512493A (zh) * | 2015-12-22 | 2016-04-20 | 重庆大学 | 基于脑部病理年龄估计的脑疾病检测系统 |
US20180268942A1 (en) * | 2016-12-06 | 2018-09-20 | Darmiyan, Inc. | Methods and systems for identifying brain disorders |
WO2018186589A1 (ko) * | 2017-04-04 | 2018-10-11 | 이현섭 | 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법 |
CN107358022A (zh) * | 2017-06-02 | 2017-11-17 | 常州大学 | 一种大脑功能网络的模块化分析方法 |
Non-Patent Citations (1)
Title |
---|
严晓晓: "基于MRI的阿尔兹海默症患者大脑形态学及结构性网络研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
TWI698887B (zh) * | 2019-05-31 | 2020-07-11 | 行政院原子能委員會核能研究所 | 腦功能影像數據擴增方法 |
CN110738635A (zh) * | 2019-09-11 | 2020-01-31 | 深圳先进技术研究院 | 一种特征追踪方法及装置 |
CN111340821A (zh) * | 2020-02-20 | 2020-06-26 | 太原理工大学 | 一种基于模块连接的大脑结构网络的偏测性检测方法 |
CN113598795A (zh) * | 2021-08-03 | 2021-11-05 | 罗慕科技(北京)有限公司 | 头颅结构标准率评估装置、方法及计算机可读存储介质 |
CN113598795B (zh) * | 2021-08-03 | 2024-03-15 | 罗慕科技(北京)有限公司 | 头颅结构标准率评估装置、方法及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109147941A (zh) | 基于结构磁共振影像数据的大脑健壮性评估方法 | |
US20210209761A1 (en) | Systems and methods for modeling neural architecture | |
Moussa et al. | Changes in cognitive state alter human functional brain networks | |
Ljungqvist et al. | Longitudinal study of the diffusion tensor imaging properties of the corpus callosum in acute and chronic diffuse axonal injury | |
Lazar et al. | Estimation of the orientation distribution function from diffusional kurtosis imaging | |
Li et al. | Multiscale adaptive regression models for neuroimaging data | |
Roccatagliata et al. | Detection of motor cortex thinning and corticospinal tract involvement by quantitative MRI in amyotrophic lateral sclerosis | |
Xia et al. | Chinese adolescents' decision-making, parent-adolescent communication and relationships | |
Wiseman et al. | Cognitive abilities, brain white matter hyperintensity volume, and structural network connectivity in older age | |
Yan et al. | Exploring the intentions and practices of principals regarding inclusive education: an application of the Theory of Planned Behaviour | |
CN102999917B (zh) | 基于t2-mri和dw-mri的宫颈癌图像自动分割方法 | |
Jannin et al. | Model for defining and reporting reference-based validation protocols in medical image processing | |
CN104361318B (zh) | 一种基于弥散张量成像技术的疾病诊断辅助系统 | |
CN109065128A (zh) | 一种加权图正则化稀疏脑网络构建方法 | |
CN115359045A (zh) | 基于多模态磁共振成像的图卷积神经网络疾病预测系统 | |
JPWO2007043462A1 (ja) | 脳機能データ解析方法、脳機能解析装置及び脳機能解析プログラム | |
Lin et al. | Mapping brain–behavior networks using functional and structural connectome fingerprinting in the HCP dataset | |
CN102282587B (zh) | 用于处理图像的系统和方法 | |
Tax et al. | Sheet Probability Index (SPI): Characterizing the geometrical organization of the white matter with diffusion MRI | |
Lee et al. | Magnetic resonance imaging based anatomical assessment of tongue impairment due to amyotrophic lateral sclerosis: a preliminary study | |
CN107731283A (zh) | 一种基于多子空间建模的图像预选系统 | |
Gunther et al. | Heterogeneity in PFC-amygdala connectivity in middle childhood, and concurrent interrelations with inhibitory control and anxiety symptoms | |
Mark et al. | Testing measurement equivalence in a patient satisfaction instrument | |
Adrian et al. | Ricean over Gaussian modelling in magnitude fMRI analysis—added complexity with negligible practical benefits | |
Setiawan et al. | Multidimensional causal path on organizational commitment and job satisfaction in intention to leave by accountants |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190104 |
|
WD01 | Invention patent application deemed withdrawn after publication |