CN109509552A - 一种基于功能连接网络的多层次特征融合的精神病自动判别方法 - Google Patents

一种基于功能连接网络的多层次特征融合的精神病自动判别方法 Download PDF

Info

Publication number
CN109509552A
CN109509552A CN201811477572.3A CN201811477572A CN109509552A CN 109509552 A CN109509552 A CN 109509552A CN 201811477572 A CN201811477572 A CN 201811477572A CN 109509552 A CN109509552 A CN 109509552A
Authority
CN
China
Prior art keywords
network
feature
coefficient
function
function connects
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
Application number
CN201811477572.3A
Other languages
English (en)
Inventor
谭官鑫
盛羽
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN201811477572.3A priority Critical patent/CN109509552A/zh
Publication of CN109509552A publication Critical patent/CN109509552A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提出了一种基于功能连接网络的多层次特征融合的精神病自动判别方法，采用静息态的功能核磁(Rs‑fMRI)构建功能连接网络，计算两种层次的特征，网络属性特征和功能连接特征，网络属性特征包括六种网络局部属性和六种网络全局属性，同时将所有功能连接网络进行叠加，计算平均网络，保留一定比例的边，将保留位置的相关性作为连接层次的特征。考虑到脑区的独立性和特征之间的关联性，采用组稀疏(Group Lasso)的方式分别对两种层次的特征进行简约，分别构建支持向量机(SVM)分类器，采用加权投票的方式得到最终分类结果。本发明实现对是否患有精神病进行自动判别分析，提高对精神病诊断的准确性，这一方法可被应用于实际临床诊断中。

Description

一种基于功能连接网络的多层次特征融合的精神病自动判别 方法
技术领域
本发明涉及一种基于功能连接网络的多层次特征融合的精神病自动判别方法，属于疾病分类诊断技术领域。
背景技术
精神分裂症是最常见的一种重性精神病，临床表现为症状各异的综合征，涉及感知觉、思维、情感和行为等多方面的障碍，以及精神活动的不协调。传统医学对精神分裂症的诊断大多是依据美国DSM-IV、国际ICD-10及国内精神障碍分类与诊断标准来判断。随着医疗影像技术的快速发展，设计对精神分裂症患者客观且方便的自动判别分类方法将在鉴别诊断精神病方面具有良好的应用前景。功能核磁共振成像(fMRI)利用人体自身的血液浓度的变化来快速成像，是一种活体脑功能检测的技术，并具有无创性，可以做到不侵入人体、大脑，无损伤地实施高质量的脑功能活动的探测。
利用功能核磁共振成像做精神病诊断是一个比较客观和有效的方法，常见的功能磁共振成像构建功能连接网络提取网络特征，但是没有考虑网络到平均网络的共性，在提取网络属性的时候，没有考虑到网络属性的分组情况。采用组稀疏的特征简约方式，考虑到了脑区的独立性和网络特征之间的内在关联。
发明内容
本发明所要解决的技术问题是，构建基于功能连接网络的多个层次的特征，选择最合适的阈值网络，计算出每个脑区的6种网络局部属性，同时考虑到6种网络全局属性；考虑到功能连接网络的共性，采用平均网络的方式，得到连接层面的特征；根据脑区的性质对特征进行分组，采用组稀疏的方式进行特征简约。为了融合两个层次的分类效果，采用加权投票的方式，得到最终分类结果，，从而实现对精神病自动判。为了实现上述目的，本发明的技术方案如下：
一种基于功能连接网络的多层次特征融合的精神病自动判别方法，包括以下步骤：
(1)对获取的静息态的功能核磁(Rs-fMRI)图像进行预处理。
由于个体脑部形状和大小的差异，图像采集的过程中存在噪声，首先对数据进行预处理，包括时间校正，头动校正，将T1结构像配准到功能像空间，匹配到标准MNI空间，滤波处理，空间平滑处理。从而消除个体差异和采集设备的误差。
(2)采用脑模板Brainnetome Atlas对预处理后的静息态的功能核磁图像进行脑区划分，得到每个脑区的平均时间序列，计算功能连接矩阵。
采用脑模板Brainnetome Atlas对预处理后的静息态的功能核磁图像进行分区，得到246个脑区，计算每个脑区每个时间点所有体素的平均值，最终得到每个脑区的平均时间序列，并计算任意两个脑区的平均时间序列之间的皮尔逊相关系数(Pearsoncorrelation coefficient)，计算公式如下：
其中，ya(t)和yb(t)表示脑区a和脑区b的时间序列，表示时间序列a的平均值，表示时间序列b的平均值，最终得到246x246的全连接矩阵。将每个脑区作为一个节点，节点和节点的边用皮尔逊相关系数表示，构成了功能连接网络。
(3)将功能连接矩阵进行阈值处理，保留一定比例的相关性的值，得到阈值网络。
保留功能连接网络一定比例的边，其中采用百分比的方式，首先取矩阵的上三角矩阵的值，按照相关系数从大到小递减排序，保留一定数量相关性值较大的边，其他的值都设置为零，同时对下三角进行相同处理，对角线元素全部设置为零，得到最终的阈值网络。
(4)根据图论，计算阈值网络的网络属性，包括6种网络局部属性和6种网络全局属性，作为网络层面的特征。
根据阈值网络，计算属阈值网络的网络属性，其中包括6中网络局部性，6种网络全局属性，网络局全局部属性：介质中心性(betweenness centrality)，度(degree)，紧密中心性(closeness centrality)，节点聚类系数(node clustering coefficient)，局部效率(local efficiency)，参与系数(participation coefficient)。网络属性：特征路径长度(characteristic path length)，全局效率(global efficiency)，平均聚类系数(averageclustering coefficient)，度相关系数(assortativity coefficient)，网络的传递性(graph transitivity)，小世界性(small-worldness)。
(5)对所有的功能连接矩阵进行叠加，计算平均网络，获得相应的连接性特征。
将所有对象的功能连接矩阵叠加，包括正常人的功能连接矩阵和患有精神病的功能连接矩阵，之后计算平均网络。得到平均网络的阈值网络，之后将阈值网路对应非零位置映射到每个对象的功能连接网络上，保留相应位置的相关系数得值，这些保留的相关系数提取出来，得到一个向量，代表网络的连接特征。
(6)采用组稀疏(Group Lasso)分别对两种特征进行简约。
考虑到脑区的独立性和网络特征之间的内在关联性，分别采用组稀疏对两种层面的特征进行简约，其中组稀疏的公式如下：
其中α是特征系数，其中λ1和λ2是正则化系数，是组节点Gj的系数，ωj是Gj的权重，Mc是特征分组。对于网络层面的特征，按照脑区分为246组，每个脑区分为一组，每个组包含6种局部网络特征，最终将6种全局特征分为一组，总共分组为247组，进行特征简约；对于连接特征，将所有特征分为一个组，进行特征简约。
(7)分别训练支持向量机(SVM)分类模型，最终采用加权投票的方式进行分类。
由于每种特征的差异较大，所有特征值分别进行归一化处理，分别训练两个支持向量机(SVM)分类器，得到每个分类器的分类准确率，之后进行加权投票方式得到最终分类结果，权重采用单个分类器的分类准确率。采用十倍交叉验证方法做验证，以平均预测准确率为模型的诊断准确率。
附图说明
图1是本发明方法的流程示意图。
图2是本发明的十倍交叉验证图。
具体实施方式
以下将结合附图和具体实施例对本发明做进一步详细说明：
本实施以精神病人静息态核磁共振成像数据为例进行说明，具体数据包含145例，其中正常人是74例，患有精神病的是71例。
1、首先对数据进行预处理，采用DPABI/DPARSF软件进行预处理，其中包括弃除前10个时间点，时间校正，头动校正；将被试的高分辨T1结构像配准到功能像空间，噪音去除处理，采用线性回归模型，利用分割函数信息将回归后的纯净信号标准化到MNI空间；滤波处理(0.01-0.1Hz)；空间平滑处理(FWHM＝6mm)。
2、采用脑模板Brainnetome Atlas对预处理的静息态核磁共振图像进行脑区划分，Brainnetome Atlas包含246个脑区，进而得到每个脑区的平均时间序列，计算脑区之间的相关性，其中相关性采用皮尔逊相关系数(Pearson correlation coefficient)，其中计算公式如下：
其中，ya(t)和yb(t)表示脑区a和脑区b的时间序列，表示时间序列a的平均值，表示时间序列b的平均值。从而得到功能连接矩阵，功能连接矩阵大小为246x246的对称矩阵，每个一个脑区相当于网络的节点，网络的边是两个脑区的皮尔逊相关系数，值越大表示两个脑区联系越紧密。
3、由于根据两个脑区平均时间序列计算的皮尔逊相关系数存在负值，负值的含义在功能连接网络中没有解释性，需要采用阈值方法，保留一部分的相关性系数，取矩阵的上三角的值，按照从大到小递减排序，保留一定比例相关性值比较大的值，其他的值都设置为零，同时下三角进行相同处理，对角线全部设置为零，得到最终的阈值网络。经过尝试保留不同比例的边，最终的保留比例为确定在30％，对分类有较好的结果。
4、在阈值网络中，其中保留了30％的边，其他边都没有零，为零表示两个节点不直接相连，计算阈值网络的网络属性，包括6种网络局部属性：介质中心性(betweennesscentrality)，度(degree)，紧密中心性(closeness centrality)，节点聚类系数(nodeclustering coefficient)，局部效率(local efficiency)，参与系数(participationcoefficient)。6种网络全局属性：特征路径长度(characteristic path length)，全局效率(global efficiency)，平均聚类系数(average clustering coefficient)，度相关系数(assortativity coefficient)，网络的传递性(graph transitivity)，小世界性(small-worldness)，每个脑区有6种网络局部属性，整个网络有6种全局属性。
5、考虑到网络的共性，得到连接层次的特征，需要将还没有进行阈值操作的功能连接网络进行叠加，包含74个正常人的功能连接网络和71个精神病患者的功能连接网络，之后计算得到平均网络，对平均网路进行阈值操作，保留一定比例的边，之后将保留边的位置映射到每一个网络，将这些位置上的连接强度的值作为特征，经过尝试保留不同比例，最终的保留比例为22％，获得较好的分类结果。
6、对于获得的两种层次的特征，由于特征维度较大，存在较多的噪声，分别对两种层面的特征采用组稀疏进行特征简约。其中组稀疏的公式如下：
其中α是特征系数，其中λ1和λ2是正则化系数，是组节点Gj的系数，ωj是Gj的权重，Mc是特征分组。对于网络层面的特征，每一个网路节点(脑区)将得到6种局部网络特征，将这六种局部网络属性分为一组，整个大脑分为246个脑区，同时分为246组，还有6种全局网络属性，分为一组，总的分组是247组，λ1和λ2采用网格搜索的方式获得最优的正则化参数。对于连接特征，将所有特征分为一个组，进行特征简约，由于只有一种分组，实际过程中组稀疏将退化为简单的Lasso的稀疏。
7、分别对两个层次的特征进行特征简约，之后单独训练SVM分类模型，最后分类采用加权投票方式，权重采用单独模型的分类准确率，最终的分类准确率达到85％。为测试本发明的效果，在本实施例中具体采用十倍交叉验证来进行测试。总共样本是145个，每一次用随机选择14个样本作为测试集，用剩下的作为训练集。最后把所有测试集的准确率进行平均，得到最终的分类结果，上述所述的特征选择仅仅基于训练集，并未用到测试集的信息。

Claims (7)

1.一种基于功能连接网络的多层次特征融合的精神病自动判别方法，其特征在于，包括以下步骤：
步骤1：对获取的静息态的功能核磁图像(Rs-fMRI)进行预处理；
步骤2：采用脑模板对预处理后的静息态fMRI进行脑区划分得到平均时间序列，计算功能连接矩阵；
步骤3：将功能连接矩阵进行阈值处理，保留一定比例的相关性的值，得到阈值网络；
步骤4：根据图论，计算阈值网络属性，包括局部属性和全局属性，得到网络层面的特征；
步骤5：将步骤2得到的所有的功能连接矩阵进行叠加，计算平均网络，获得相应的连接性特征；
步骤6：采用组稀疏(Group Lasso)分别对特征进行简约；
步骤7：分别训练支持向量机(SVM)分类模型，采用加权投票的方式进行分类。
2.根据权利要求1所述的一种基于功能连接网络的多层次特征融合的精神病自动判别方法，其特征在于：所述步骤1和步骤2中，首先对静息态的功能核磁图像进行预处理，减少个体差异，采用脑模板Brainnetome Atlas对预处理后的静息态的功能核磁图像进行分区，得到246个脑区，计算每个时间点的所有体素的平均值，得到每个脑区的平均时间序列，并计算任意两个脑区的时间序列之间的皮尔逊相关系数，计算公式如下：
其中，ya(t)和yb(t)表示脑区a和脑区b的时间序列，表示时间序列a的平均值，表示时间序列b的平均值，最终得到大小246乘246的全连接矩阵。将每个脑区作为一个节点，节点和节点的边用皮尔逊相关系数表示，构成了功能连接网络。
3.根据权利要求1所述的一种基于功能连接网络的多层次特征融合的精神病自动判别方法，其特征在于：步骤3中，保留功能连接网络一定比例的边，其中采用百分比的方式，首先取连接矩阵的上三角的值，按照相关系数值进行递减排序，保留一定数量相关系数值较大边，其他的值都设置为零，同时对下三角进行相同处理，对角线元素全部设置为零，得到最终的阈值网络。
4.根据权利要求1所述的一种基于功能连接网络的多层次特征融合的精神病自动判别方法，其特征在于：步骤4中，计算属阈值网络的网络属性，其中包括6中网络局部属性，6种网络全局属性，网络局部属性：介质中心性(betweenness centrality)，度(degree)，紧密中心性(closeness centrality)，节点聚类系数(node clustering coefficient)，局部效率(local efficiency)，参与系数(participation coefficient)。网络全局属性：特征路径长度(characteristic path length)，全局效率(global efficiency)，平均聚类系数(average clustering coefficient)，度相关系数(assortativity coefficient)，网络的传递性(graph transitivity)，小世界性(small-worldness)。
5.根据权利要求1所述的一种基于功能连接网络的多层次特征融合的精神病自动判别方法，其特征在于：步骤5中，将所有对象的功能连接矩阵叠加，包括正常人的功能连接矩阵和患有精神病的功能连接矩阵，之后计算平均网络。采用步骤3中的方法，得到平均网络的阈值网络，之后将阈值网路对应非零位置映射到每个对象的功能连接网络上，保留相应位置的相关系数的值，这些保留的相关系数提取出来，得到一个向量，代表网络的连接特征。
6.根据权利要求1所述的一种基于功能连接网络的多层次特征融合的精神病自动判别方法，其特征在于：步骤6中，根据组稀疏，分别对两种层次的特征进行简约，其中组稀疏的公式如下：
其中α是特征系数，其中λ1和λ2是正则化系数，是组节点Gj的系数，ωj是Gj的权重，Mc是特征分组。对于网络层面的特征，按照脑区分为246组，每个脑区分为一组，每个组包含步骤4中提取的6种网络局部特征，最终将6种网络全局特征分为一组，总共分组为247组，进行特征简约；对于连接性特征，将所有特征分为一个组，进行特征简约。
7.根据权利要求1所述的一种基于功能连接网络的多层次特征融合的精神病自动判别方法，其特征在于：步骤7中，将上述步骤中所有特征值分别进行归一化处理，分别训练两个支持向量机(SVM)分类器，得到每个分类器的分类准确率，之后进行加权投票方式得到最终分类结果，权重采用单个分类器的分类准确率，采用十倍交叉验证方法做验证，以平均预测准确率为模型的诊断准确率。
CN201811477572.3A 2018-12-05 2018-12-05 一种基于功能连接网络的多层次特征融合的精神病自动判别方法 Pending CN109509552A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811477572.3A CN109509552A (zh) 2018-12-05 2018-12-05 一种基于功能连接网络的多层次特征融合的精神病自动判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811477572.3A CN109509552A (zh) 2018-12-05 2018-12-05 一种基于功能连接网络的多层次特征融合的精神病自动判别方法

Publications (1)

Publication Number Publication Date
CN109509552A true CN109509552A (zh) 2019-03-22

Family

ID=65751640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811477572.3A Pending CN109509552A (zh) 2018-12-05 2018-12-05 一种基于功能连接网络的多层次特征融合的精神病自动判别方法

Country Status (1)

Country Link
CN (1) CN109509552A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948740A (zh) * 2019-04-26 2019-06-28 中南大学湘雅医院 一种基于静息态脑影像的分类方法
CN110211671A (zh) * 2019-05-28 2019-09-06 安徽师范大学 一种基于权值分布的阈值化方法
CN110491501A (zh) * 2019-08-14 2019-11-22 电子科技大学 一种青少年孤独症大脑功能网络模型分析方法
CN111048200A (zh) * 2019-11-25 2020-04-21 上海交通大学 一种自闭症患者刻板行为评估系统、方法及终端
CN111325268A (zh) * 2020-02-18 2020-06-23 中南大学 基于多层次特征表示和集成学习的影像分类方法及装置
CN111710415A (zh) * 2020-06-18 2020-09-25 中南大学 一种基于Granger神经疾病全脑有向网络分析方法
CN111863244A (zh) * 2020-07-28 2020-10-30 中国人民解放军国防科技大学 基于稀疏池化图卷积的功能连接精神疾病分类方法和系统
CN115130828A (zh) * 2022-06-07 2022-09-30 北京科技大学 一种敏捷研发项目的冲刺划分及其排序优化方法及装置
CN115349833A (zh) * 2022-10-19 2022-11-18 之江实验室 一种基于解码的实时功能磁共振神经反馈调控系统及装置

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948740A (zh) * 2019-04-26 2019-06-28 中南大学湘雅医院 一种基于静息态脑影像的分类方法
CN110211671A (zh) * 2019-05-28 2019-09-06 安徽师范大学 一种基于权值分布的阈值化方法
CN110211671B (zh) * 2019-05-28 2021-03-16 安徽师范大学 一种基于权值分布的阈值化方法
CN110491501A (zh) * 2019-08-14 2019-11-22 电子科技大学 一种青少年孤独症大脑功能网络模型分析方法
CN110491501B (zh) * 2019-08-14 2023-05-02 电子科技大学 一种青少年孤独症大脑功能网络模型分析方法
CN111048200A (zh) * 2019-11-25 2020-04-21 上海交通大学 一种自闭症患者刻板行为评估系统、方法及终端
CN111325268A (zh) * 2020-02-18 2020-06-23 中南大学 基于多层次特征表示和集成学习的影像分类方法及装置
CN111710415A (zh) * 2020-06-18 2020-09-25 中南大学 一种基于Granger神经疾病全脑有向网络分析方法
CN111863244A (zh) * 2020-07-28 2020-10-30 中国人民解放军国防科技大学 基于稀疏池化图卷积的功能连接精神疾病分类方法和系统
CN111863244B (zh) * 2020-07-28 2022-12-16 中国人民解放军国防科技大学 基于稀疏池化图卷积的功能连接精神疾病分类方法和系统
CN115130828A (zh) * 2022-06-07 2022-09-30 北京科技大学 一种敏捷研发项目的冲刺划分及其排序优化方法及装置
CN115349833A (zh) * 2022-10-19 2022-11-18 之江实验室 一种基于解码的实时功能磁共振神经反馈调控系统及装置

Similar Documents

Publication Publication Date Title
CN109509552A (zh) 一种基于功能连接网络的多层次特征融合的精神病自动判别方法
CN110443798B (zh) 一种基于磁共振图像的自闭症检测方法、装置及系统
Castellazzi et al. A machine learning approach for the differential diagnosis of Alzheimer and vascular dementia fed by MRI selected features
WO2024083057A1 (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
Stanley et al. Defining nodes in complex brain networks
CN109325942A (zh) 基于全卷积神经网络的眼底图像结构分割方法
CN111009324B (zh) 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法
CN110236543A (zh) 基于深度学习的阿尔茨海默病多分类诊断系统
CN106127769A (zh) 一种基于脑连接网络的脑龄预测方法
CN112418337B (zh) 基于脑功能超网络模型的多特征融合数据分类方法
CN107358022A (zh) 一种大脑功能网络的模块化分析方法
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
CN104636580A (zh) 一种基于人脸的健康监控手机
CN109902682A (zh) 一种基于残差卷积神经网络的乳腺x线图像检测方法
CN112634214A (zh) 一种结合节点属性与多层次拓扑的脑网络分类方法
Han et al. A novel convolutional variation of broad learning system for Alzheimer’s disease diagnosis by using MRI images
Shrivastava et al. Control or autism-classification using convolutional neural networks on functional MRI
Kadhim et al. Detection of COVID-19 in X-Rays by convolutional neural networks
He et al. Quantification of cognitive function in Alzheimer’s disease based on deep learning
CN112784924B (zh) 基于分组聚合深度学习模型的肋骨骨折ct图像分类方法
Ellis et al. Identifying neuropsychiatric disorder subtypes and subtype-dependent variation in diagnostic deep learning classifier performance
CN116523839A (zh) 帕金森病辅助分析系统
CN113283465B (zh) 一种弥散张量成像数据分析方法及装置
CN114305387A (zh) 基于磁共振成像的脑小血管病变图像分类方法、设备及介质
CN111652840B (zh) 一种x光胸透图像肺部浑浊筛查分类装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190322