CN109522894A - 一种探测fMRI脑网络动态协变的方法 - Google Patents
一种探测fMRI脑网络动态协变的方法 Download PDFInfo
- Publication number
- CN109522894A CN109522894A CN201811344623.5A CN201811344623A CN109522894A CN 109522894 A CN109522894 A CN 109522894A CN 201811344623 A CN201811344623 A CN 201811344623A CN 109522894 A CN109522894 A CN 109522894A
- Authority
- CN
- China
- Prior art keywords
- roi
- brain
- network
- matrix
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
Abstract
本发明提供一种探测fMRI脑网络动态协变的方法,该方法包括:首先利用功能磁共振数据构建大脑功能网络,再按照一定的依据(年龄大小、病程长短、教育程度高低等因素)分别将不同的网络矩阵顺序排列起来,得到跨被试的网络矩阵序列,而后利用滑动窗方法进行跨被试的ROI脑区之间的协变关系研究,得到一系列协变矩阵,再通过计算刻画协变关系变异性的数学指标或通过统计检验对跨被试尺度下脑区间协同活动模式的差异,从而更好的理解在网络中脑区之间的交互关系。
Description
技术领域
本方法属于生物医学图像模式识别技术领域,具体涉及一种探测fMRI脑网络动态协变的方法。
背景技术
功能磁共振成像(functional magnetic resonance imaging,fMRI)技术为我们提供了一种无创的观测大脑的方法,其利用血氧水平依赖(BOLD)信号可以很好的反应大脑的功能活动。人的大脑各个部分之间的联系是非常错综复杂而且是具有一定特殊的模式结构的,近年来脑连接组(brain connectome)概念的提出以及快速的发展,越来越多的研究都从脑网络的角度来考量大脑的功能活动、结构特征等。现在的脑科学已经从以前的将大脑划分为独立的功能分区转变为探索各脑区之间是如何互相影响以及协同关系的变化情况。目前,已有研究利用滑动窗的方式来构建脑动态网络,但是,目前的方式纵向数据获取难度大,不能很好的探究疾病以及人脑认知功能等与脑活动模式间的关系。
发明内容
本发明的目的在于解决上述现有技术存在的缺陷,利用滑动窗方法度量跨被试尺度上各脑区之间的协同变化关系,提出一种基于fMRI探测脑功能网络动态协变的方法。
一种探测fMRI脑网络动态协变的方法,具体步骤如下:
(1)获取原始血氧依赖水平的功能磁共振(BOLD-fMRI)数据图像,将原始四维数据矩阵转换为二维V×T矩阵,其中,四维数据矩阵为三维空间×一维时间,V为磁共振图像中的体素个数,T为时间点个数;并且根据事先定义好的空间感兴趣区ROI模板,在所定义的同一ROI区域内将所有体素的BOLD-fMRI信号求取均值,并以此均值时间信号作为该ROI的BOLD-fMRI信号值,从而将V×T矩阵压缩为M×T矩阵,其中M为空间ROI模板所定义的大脑区域数量,T为时间点长度;
(2)计算所有ROI脑区之间两两配对得到的皮尔逊相关系数,其中两个ROI脑区之间的皮尔逊相关系数,计算如下式:
其中,r为两个ROI之间BOLD-fMRI信号之间的相关系数,X、Y为一个内任意两个ROI的时间序列,T为时间序列中时间点的个数,分别为X、Y的均值,Xi、Yi分别表示在第i个时间点A、B两个ROI的信号值;
(3)对所有被试重复(2)中的计算过程,从而在每个被试中都可以得到一个网络连接矩阵M×M,定义网络稀疏度将每个网络矩阵作稀疏化处理;其中M为脑区划分ROI的个数;
(4)将N名被试的网络矩阵按照一定的依据排列起来,得到网络矩阵序列M×M×N;
(5)针对所述网络矩阵序列M×M×N,求取其节点的度分布,从而得到网络度分布矩阵序列M×N,其中M为ROI脑区个数,N为被试人数;
(6)利用滑动窗思想,对于网络度分布矩阵序列中每个ROI脑区,均产生一个1×N序列,N为样本中被试人数,针对这一序列根据预先设定好的滑动窗长度L,1≤L<N,,滑动步长n,1≤n<L,将每个ROI中的被试度分布序列1×N向量划分为 段的1×L向量,其中S为滑动窗的个数,N为样本中被试人数,L、n分别为以时间点为单位滑动窗的长度以及步长,为向下取整函数;
(7)在一个滑动窗内计算每个ROI脑区度序列之间的皮尔逊相关系数,得到一个M×M的ROI脑区间协变矩阵,对所有滑动窗重复此操作从而得到一M×M×S的协变矩阵序列;
(8)得到协变矩阵序列后分别计算每个ROI脑区在这S个协变矩阵内的变异情况。
进一步地,如上所述的探测fMRI脑网络动态协变的方法,步骤(8)所述变异情况通过方差、变异系数来刻画。
进一步地,如上所述的探测fMRI脑网络动态协变的方法,当有多组被试时,通过组间统计检验比较组别之间的差异。
进一步地,如上所述的探测fMRI脑网络动态协变的方法,所述步骤(4)中所有被试的网络矩阵利用行为学数据进行排序得到跨被试的网络矩阵序列。
进一步地,如上所述的探测fMRI脑网络动态协变的方法,步骤(4)中所述行为学数据为按照被试的年龄大小、病程长短、教育程度高低进行排列。
进一步地,如上所述的探测fMRI脑网络动态协变的方法,所述滑动窗为:矩形窗、高斯窗或者汉明窗,窗长以及步长的选择可以灵活选取。
有益效果:
该方法是按照一定的人口学信息以及行为信息、疾病症状信息等为依据顺序将被试排列,从而实现在跨被试尺度上研究排列依据因素对大脑活动的影响以及两者之间的关系,可以作为纵向研究的一种替代方案,解决纵向数据获取难度大的问题,更好的探究疾病以及人脑认知功能等与脑活动模式间的关系。
附图说明
图1为ROI脑区时间序列信号图;
图2为稀疏化后的网络矩阵及连接图;
图3为网络矩阵序列图;
图4为度分布序列滑窗示意图;
图5为协变矩阵序列以及所得各ROI脑区方差示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种探测fMRI脑网络动态协变的方法,属于生物医学图像模式识别技术领域,具体涉及基于功能磁共振时间序列的脑功能网络动态协变探测方法,该方法包括:首先利用功能磁共振(fMRI)数据构建大脑功能网络,再按照一定的依据(年龄大小、病程长短、教育程度高低等因素)分别将不同的网络矩阵顺序排列起来,得到跨被试的网络矩阵序列,而后利用滑动窗方法进行跨被试的ROI脑区之间的协变关系研究,得到一系列协变矩阵,再通过计算刻画协变关系变异性的数学指标或通过统计检验对跨被试尺度下脑区间协同活动模式的差异,从而更好的理解在网络中脑区之间的交互关系。
该方法具体实施步骤如下:
(1)将一组正常被试共计30人的原始功能磁共振数据,经过一系列预处理步骤消除存在的噪声影响,其主要操作包括:删除前5个时间点;以第30层为参考层进行时间层校正;将所有时间点的数据空间对其到第一个时间点,并估算包括3个平动、3个转动头动参数、以及层间位移等参数,并依据平动不超过1毫米,转动不超过1°,平均层间位移不超过0.2毫米的标准筛查被试数据;依照EPI模板将数据标准化到MNI(蒙特利尔神经学研究所)人脑标准空间去;将24个头动参数,平均白质、脑脊液信号,以及全脑信号通过广义线性模型(GLM)作回归处理;去除线性漂移;以0.01-0.08赫兹的频段进行带通滤波;从而得到预处理好的原始数据。
具体地,原始功能磁共振数据中的噪声信号非常多,如果不做处理的话会带来严重的影响,极大削弱结果的可信度。删除时间点是消除核磁共振仪器开始时磁场不稳定的影响;时间层校正以及头动参数的估计都是为了消除头动的影响,头动在该领域是公认的极大的数据污染因素;标准化到MNI空间是为了消除个体大脑结构差异造成的不可比性,将所有个体的大脑都标准化到相同的空间上去,从而才可以实现后续的统计比较分析;带通滤波是为了消除其他频段的噪声影响大脑活动信号的频段集中在0.01-0.08Hz频段上,这样做可以最大程度上的去除其他频段噪声的影响,保留有用目标信号。
(2)将原始四维数据矩阵(三维空间×一维时间)转换为二维V×T矩阵,其中V=61×73×61=271633为磁共振图像中的体素个数,T=240为时间点长度;并且根据事先定义好的空间感兴趣区(ROI)模板,在所定义的同一ROI区域内将所有体素的BOLD-fMRI信号求取均值,并以此均值时间信号作为该ROI的BOLD-fMRI信号值,从而将V×T矩阵压缩为M×T矩阵,其中M=256为空间ROI模板所定义的大脑区域数量;压缩过后的时间序列信号示意如图1;
(3)计算所有ROI脑区之间的皮尔逊相关系数,具体为将所有的ROI之间两两配对通过下式计算皮尔逊相关系数;其中以两个ROI为例,计算如下式:
其中,r为两个ROI之间BOLD-fMRI信号之间的相关系数,X、Y为一个内任意两个ROI(A脑区和B脑区)的时间序列(1×L向量),T=240为时间序列中时间点的个数,分别为X、Y的均值,Xi、Yi分别表示在第i个时间点A、B两个脑区的信号值;以此,计算所有可能配对情况下ROI脑区之间的相关系数从而得到一个M×M的网络连接矩阵;
(4)对所有被试重复(3)中的计算过程,从而在每个被试中都可以得到一个网络连接矩阵(256×256),定义网络稀疏度(Sparsity)为0.2,将每个网络矩阵作稀疏化处理,稀疏化后的网络矩阵以及脑连接模式示意如图2;
(5)将所有(30名)被试的网络矩阵按照年龄从大到小排列起来,得到网络矩阵序列(256×256×30),如图3所示;
(6)针对(5)中得到的网络矩阵序列,而后求取其节点的度分布,从而得到网络度分布矩阵序列;
(7)利用滑动窗思想,对于网络度分布矩阵序列中每个ROI脑区来说,都会产生一个1×30序列(30为样本中被试人数),针对这一序列根据预先设定好的滑动窗长度L=5(1≤L<N),滑动步长n=1(1≤n<L),将每个ROI中的被试度分布序列(1×30向量)划分为段的1×L向量,其中S=26为滑动窗的个数,N=30为样本中被试人数,L=5、n=1分别为滑动窗长度以及步长(以时间点为单位),为向下取整函数;过程示意如图4;
(8)在一个滑动窗内计算每个ROI脑区度分布序列之间的皮尔逊相关系数,方法同(3),可以得到一个256×256的ROI脑区间协变矩阵,对所有滑动窗重复此操作从而得到一256×256×26的协变矩阵序列;
(9)得到协变矩阵序列后可以分别计算每个ROI脑区在这26个协变矩阵上分布的方差,刻画ROI脑区之间的度在协同变化上的变异性,如图5所示。
本发明对得到的跨被试尺度上的网络矩阵序列采用滑动窗方法计算ROI脑区之间的协变,其中滑动窗可以选择矩形窗、高斯窗、汉明窗等,窗长以及步长的选择可以灵活选取;在每个滑动窗下可以得到ROI脑区之间的协变矩阵,之后可对这多个协变矩阵计算诸如方差、变异系数及其他刻画其协同变化变异情况的指标,在有多组被试的情况下也可以进行组间统计比较。
本实施例方法是按照一定的人口学信息以及行为信息、疾病症状信息等为依据顺序将被试排列以实现跨被试尺度研究的,这样做可以探究排列的依据因素对大脑活动的影响以及两者之间的关系,此后更可以用脑功能活动来预测该排列因素的情况;例如,以某疾病病程为排列因素,依照此方法可以研究患病时间对脑功能活动的影响,以及两者之间有何定量定性的关系。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种探测fMRI脑网络动态协变的方法,其特征在于,包括以下步骤:
(1)获取原始血氧依赖水平的功能磁共振(BOLD-fMRI)数据图像,将原始四维数据矩阵转换为二维V×T矩阵,其中,四维数据矩阵为三维空间×一维时间,V为磁共振图像中的体素个数,T为时间点个数;并且根据事先定义好的空间感兴趣区ROI模板,在所定义的同一ROI区域内将所有体素的BOLD-fMRI信号求取均值,并以此均值时间信号作为该ROI的BOLD-fMRI信号值,从而将V×T矩阵压缩为M×T矩阵,其中M为空间ROI模板所定义的大脑区域数量,T为时间点长度;
(2)计算所有ROI脑区之间两两配对得到的皮尔逊相关系数,其中两个ROI脑区之间的皮尔逊相关系数,计算如下式:
其中,r为两个ROI之间BOLD-fMRI信号之间的相关系数,X、Y为一个内任意两个ROI的时间序列,T为时间序列中时间点的个数,分别为X、Y的均值,Xi、Yi分别表示在第i个时间点A、B两个ROI的信号值;
(3)对所有被试重复(2)中的计算过程,从而在每个被试中都可以得到一个网络连接矩阵M×M,定义网络稀疏度将每个网络矩阵作稀疏化处理;其中M为脑区划分ROI的个数;
(4)将N名被试的网络矩阵按照一定的依据排列起来,得到网络矩阵序列M×M×N;
(5)针对所述网络矩阵序列M×M×N,求取其节点的度分布,从而得到网络度分布矩阵序列M×N,其中M为ROI脑区个数,N为被试人数;
(6)利用滑动窗思想,对于网络度分布矩阵序列中每个ROI脑区,均产生一个1×N序列,N为样本中被试人数,针对这一序列根据预先设定好的滑动窗长度L,1≤L<N,滑动步长n,1≤n<L,将每个ROI中的被试度分布序列1×N向量划分为段的1×L向量,其中S为滑动窗的个数,N为样本中被试人数,L、n分别为以时间点为单位滑动窗的长度以及步长,为向下取整函数;
(7)在一个滑动窗内计算每个ROI脑区度序列之间的皮尔逊相关系数,得到一个M×M的ROI脑区间协变矩阵,对所有滑动窗重复此操作从而得到一M×M×S的协变矩阵序列;
(8)得到协变矩阵序列后分别计算每个ROI脑区在这S个协变矩阵内的变异情况。
2.根据权利要求1所述的探测fMRI脑网络动态协变的方法,其特征在于,步骤(8)所述变异情况通过方差、变异系数来刻画。
3.根据权利要求1所述的探测fMRI脑网络动态协变的方法,其特征在于,当有多组被试时,通过组间统计检验比较组别之间的差异。
4.根据权利要求1所述的探测fMRI脑网络动态协变的方法,其特征在于,所述步骤(4)中所有被试的网络矩阵利用行为学数据进行排序得到跨被试的网络矩阵序列。
5.根据权利要求4所述的探测fMRI脑网络动态协变的方法,其特征在于,步骤(4)中所述行为学数据为按照被试的年龄大小、病程长短、教育程度高低进行排列。
6.根据权利要求1所述的探测fMRI脑网络动态协变的方法,其特征在于,所述滑动窗为:矩形窗、高斯窗或者汉明窗,窗长以及步长的选择可以灵活选取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811344623.5A CN109522894B (zh) | 2018-11-12 | 2018-11-12 | 一种探测fMRI脑网络动态协变的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811344623.5A CN109522894B (zh) | 2018-11-12 | 2018-11-12 | 一种探测fMRI脑网络动态协变的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109522894A true CN109522894A (zh) | 2019-03-26 |
CN109522894B CN109522894B (zh) | 2021-08-27 |
Family
ID=65776104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811344623.5A Active CN109522894B (zh) | 2018-11-12 | 2018-11-12 | 一种探测fMRI脑网络动态协变的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109522894B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647870A (zh) * | 2019-11-01 | 2020-01-03 | 中国计量大学 | 一种基于滑动窗计算静息态fMRI数据近似熵的方法 |
CN111612746A (zh) * | 2020-04-30 | 2020-09-01 | 杭州电子科技大学 | 一种基于图论的功能脑网络中枢节点的动态检测方法 |
CN111785379A (zh) * | 2020-06-22 | 2020-10-16 | 深圳大学 | 脑功能连接预测方法、装置、计算机设备及存储介质 |
CN112068056A (zh) * | 2020-09-14 | 2020-12-11 | 中国计量大学 | 一种确定fmri动态脑功能时间窗口的方法 |
CN113506248A (zh) * | 2021-06-24 | 2021-10-15 | 电子科技大学 | 一种融合mri形态学多指标的方法 |
CN113627360A (zh) * | 2021-08-13 | 2021-11-09 | 电子科技大学 | 基于形态学相似网络对fMRI信号进行滤波分解的方法 |
CN113947157A (zh) * | 2021-10-26 | 2022-01-18 | 北京工业大学 | 一种基于层次聚类和结构方程模型的动态脑效应连接网络生成方法 |
CN114463607A (zh) * | 2022-04-08 | 2022-05-10 | 北京航空航天大学杭州创新研究院 | 基于h无穷滤波方式构建因效脑网络的方法和装置 |
CN115251889A (zh) * | 2022-07-19 | 2022-11-01 | 江南大学附属医院 | 一种功能磁共振影像动态连接网络特征描述方法 |
CN115294413A (zh) * | 2022-10-10 | 2022-11-04 | 齐鲁工业大学 | 一种基于时序脑电数据的脑疾病分类方法 |
CN115546124A (zh) * | 2022-09-21 | 2022-12-30 | 电子科技大学 | 联合ica和功能梯度的小脑-大脑运动功能整合方法 |
CN116898401A (zh) * | 2023-07-17 | 2023-10-20 | 燕山大学 | 基于联合递归量化的孤独症谱系障碍亚型分类方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008018763A1 (en) * | 2006-08-09 | 2008-02-14 | Seoul National University Industry Foundation | Neurobiological method for measuring human intelligence and system for the same |
US20110301431A1 (en) * | 2010-06-05 | 2011-12-08 | The Board Of Trustees Of The Leland Stanford Junior University | Methods of classifying cognitive states and traits and applications thereof |
CN103838788A (zh) * | 2012-11-27 | 2014-06-04 | 大连灵动科技发展有限公司 | 一种基于fMRI脑激活数据仓库的数据分析方法 |
CN104700120A (zh) * | 2015-03-23 | 2015-06-10 | 南京工业大学 | 一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法 |
CN104715241A (zh) * | 2015-03-23 | 2015-06-17 | 南京工业大学 | 一种基于张量分解的fMRI特征提取与识别方法 |
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 |
CN105894493A (zh) * | 2016-01-27 | 2016-08-24 | 电子科技大学 | 一种基于稳定性选择的fMRI数据特征的选择方法 |
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 |
CN107944490A (zh) * | 2017-11-22 | 2018-04-20 | 中南大学 | 一种基于半多模态融合特征约简框架的图像分类方法 |
-
2018
- 2018-11-12 CN CN201811344623.5A patent/CN109522894B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008018763A1 (en) * | 2006-08-09 | 2008-02-14 | Seoul National University Industry Foundation | Neurobiological method for measuring human intelligence and system for the same |
US20110301431A1 (en) * | 2010-06-05 | 2011-12-08 | The Board Of Trustees Of The Leland Stanford Junior University | Methods of classifying cognitive states and traits and applications thereof |
CN103838788A (zh) * | 2012-11-27 | 2014-06-04 | 大连灵动科技发展有限公司 | 一种基于fMRI脑激活数据仓库的数据分析方法 |
CN104700120A (zh) * | 2015-03-23 | 2015-06-10 | 南京工业大学 | 一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法 |
CN104715241A (zh) * | 2015-03-23 | 2015-06-17 | 南京工业大学 | 一种基于张量分解的fMRI特征提取与识别方法 |
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 |
CN105894493A (zh) * | 2016-01-27 | 2016-08-24 | 电子科技大学 | 一种基于稳定性选择的fMRI数据特征的选择方法 |
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 |
CN107944490A (zh) * | 2017-11-22 | 2018-04-20 | 中南大学 | 一种基于半多模态融合特征约简框架的图像分类方法 |
Non-Patent Citations (2)
Title |
---|
MEICHEN YU 等: "Statistical harmonization corrects site effects in functional connectivity measurements from multi-site fMRI data", 《HUM BRAIN MAPPING》 * |
陈华富 等: "动态脑网络成像方法与应用研究", 《第四届全国神经动力学学术会议》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647870B (zh) * | 2019-11-01 | 2022-11-29 | 中国计量大学 | 一种基于滑动窗计算静息态fMRI数据近似熵的方法 |
CN110647870A (zh) * | 2019-11-01 | 2020-01-03 | 中国计量大学 | 一种基于滑动窗计算静息态fMRI数据近似熵的方法 |
CN111612746A (zh) * | 2020-04-30 | 2020-09-01 | 杭州电子科技大学 | 一种基于图论的功能脑网络中枢节点的动态检测方法 |
CN111612746B (zh) * | 2020-04-30 | 2023-10-13 | 杭州电子科技大学 | 一种基于图论的功能脑网络中枢节点的动态检测方法 |
CN111785379A (zh) * | 2020-06-22 | 2020-10-16 | 深圳大学 | 脑功能连接预测方法、装置、计算机设备及存储介质 |
CN111785379B (zh) * | 2020-06-22 | 2023-12-26 | 深圳大学 | 脑功能连接预测方法、装置、计算机设备及存储介质 |
CN112068056A (zh) * | 2020-09-14 | 2020-12-11 | 中国计量大学 | 一种确定fmri动态脑功能时间窗口的方法 |
CN113506248B (zh) * | 2021-06-24 | 2023-05-23 | 电子科技大学 | 一种融合mri形态学多指标的方法 |
CN113506248A (zh) * | 2021-06-24 | 2021-10-15 | 电子科技大学 | 一种融合mri形态学多指标的方法 |
CN113627360A (zh) * | 2021-08-13 | 2021-11-09 | 电子科技大学 | 基于形态学相似网络对fMRI信号进行滤波分解的方法 |
CN113627360B (zh) * | 2021-08-13 | 2023-04-07 | 电子科技大学 | 基于形态学相似网络对fMRI信号进行滤波分解的方法 |
CN113947157A (zh) * | 2021-10-26 | 2022-01-18 | 北京工业大学 | 一种基于层次聚类和结构方程模型的动态脑效应连接网络生成方法 |
CN113947157B (zh) * | 2021-10-26 | 2024-04-30 | 北京工业大学 | 一种基于层次聚类和结构方程模型的动态脑效应连接网络生成方法 |
CN114463607A (zh) * | 2022-04-08 | 2022-05-10 | 北京航空航天大学杭州创新研究院 | 基于h无穷滤波方式构建因效脑网络的方法和装置 |
CN115251889A (zh) * | 2022-07-19 | 2022-11-01 | 江南大学附属医院 | 一种功能磁共振影像动态连接网络特征描述方法 |
CN115546124B (zh) * | 2022-09-21 | 2023-04-18 | 电子科技大学 | 联合ica和功能梯度的小脑-大脑运动功能整合方法 |
CN115546124A (zh) * | 2022-09-21 | 2022-12-30 | 电子科技大学 | 联合ica和功能梯度的小脑-大脑运动功能整合方法 |
CN115294413B (zh) * | 2022-10-10 | 2023-01-24 | 齐鲁工业大学 | 一种基于时序脑电数据的脑疾病分类方法 |
CN115294413A (zh) * | 2022-10-10 | 2022-11-04 | 齐鲁工业大学 | 一种基于时序脑电数据的脑疾病分类方法 |
CN116898401A (zh) * | 2023-07-17 | 2023-10-20 | 燕山大学 | 基于联合递归量化的孤独症谱系障碍亚型分类方法及装置 |
CN116898401B (zh) * | 2023-07-17 | 2024-02-02 | 燕山大学 | 基于联合递归量化的孤独症谱系障碍亚型分类方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109522894B (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522894A (zh) | 一种探测fMRI脑网络动态协变的方法 | |
Gerig et al. | Automating segmentation of dual-echo MR head data | |
CN107944490B (zh) | 一种基于半多模态融合特征约简框架的图像分类方法 | |
Li et al. | Wavelet-based segmentation of renal compartments in DCE-MRI of human kidney: initial results in patients and healthy volunteers | |
CN115359045B (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 | |
Makrogiannis et al. | Automated quantification of muscle and fat in the thigh from water‐, fat‐, and nonsuppressed MR images | |
CN103942781B (zh) | 一种基于脑影像的脑网络构造方法 | |
CN107316334B (zh) | 个性化精准磁共振影像方法 | |
CN106096636A (zh) | 一种基于神经影像的进展型轻度认知功能障碍识别方法 | |
Coupé et al. | LesionBrain: an online tool for white matter lesion segmentation | |
CN105117731A (zh) | 一种大脑功能网络的社团划分方法 | |
CN109730678A (zh) | 一种多层大脑功能网络模块划分方法 | |
CN105842642A (zh) | 基于峰度张量分数各向异性微结构特征提取方法与装置 | |
CN115359305B (zh) | 一种大脑纤维束异常区域精准定位系统 | |
CN103793711A (zh) | 一种基于脑部核磁共振图像的多维度纹理提取方法 | |
CN109886944A (zh) | 一种基于多图谱的脑白质高信号检测和定位方法 | |
CN108629770B (zh) | 基于支持向量机的超声图像分割方法 | |
CN110322554A (zh) | 一种脑动态功能模式稳定性计算方法 | |
Slator et al. | InSpect: INtegrated SPECTral component estimation and mapping for multi-contrast microstructural MRI | |
CN111488934A (zh) | 脑影像数据处理方法、存储介质、计算机设备和装置 | |
Maitra | On the Expectation-Maximization algorithm for Rice-Rayleigh mixtures with application to noise parameter estimation in magnitude MR datasets | |
Trotier et al. | The compressed sensing MP2RAGE as a surrogate to the MPRAGE for neuroimaging at 3 T | |
Wang et al. | A faithful deep sensitivity estimation for accelerated magnetic resonance imaging | |
CN113935957A (zh) | 医疗图像对比方法、装置、电子设备及存储介质 | |
Colak et al. | Detecting the shape differences of the corpus callosum in Behçet's disease by statistical shape analysis |
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 |