CN109646001A - 基于脑影像的脑认知能力测量系统 - Google Patents
基于脑影像的脑认知能力测量系统 Download PDFInfo
- Publication number
- CN109646001A CN109646001A CN201811574803.2A CN201811574803A CN109646001A CN 109646001 A CN109646001 A CN 109646001A CN 201811574803 A CN201811574803 A CN 201811574803A CN 109646001 A CN109646001 A CN 109646001A
- Authority
- CN
- China
- Prior art keywords
- brain
- cognitive ability
- module
- local feature
- brain image
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 101
- 230000003930 cognitive ability Effects 0.000 title claims abstract description 64
- 230000009467 reduction Effects 0.000 claims abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 36
- 238000009792 diffusion process Methods 0.000 claims description 19
- 210000004885 white matter Anatomy 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 16
- 210000004884 grey matter Anatomy 0.000 claims description 13
- 230000001149 cognitive effect Effects 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 2
- 210000003128 head Anatomy 0.000 description 7
- 230000019771 cognition Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000002598 diffusion tensor imaging Methods 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003920 cognitive function Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000024806 Brain atrophy Diseases 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000026676 system process 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
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- High Energy & Nuclear Physics (AREA)
- Psychiatry (AREA)
- Radiology & Medical Imaging (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明属于脑认知能力测量领域,具体涉及一种基于脑影像的脑认知能力测量系统,旨在为了解决脑认知能力测量的智能化与便捷化问题。本发明包括局部特征提取模块、特征降维模块、认知能力测量模块、输出模块;所述局部特征提取模块,配置为对输入的脑影像进行特征提取,获得体素层面计算得到的局部特征;所述特征降维模块,配置为对获得的局部特征进行正交投影降维;所述认知能力测量模块,配置为基于预先构建的认知能力‑局部特征对应关系,对降维后的局部特征进行认知能力的测量;所述输出模块,配置为输出测量结果。本发明实现了脑认知能力测量的自动化、智能化与便捷化;同时具有较高的识别准确度。
Description
技术领域
本发明属于脑认知能力测量领域,具体涉及一种基于脑影像的脑认知能力测量系统。
背景技术
人的智商高低、记忆水平等表征可反应映人的认知、思维等高级功能。研究表明脑部的影像数据如沟回的深浅、脑白质的结构、脑室的体积大小等客观影像数据在反应脑部健康程度的同时,也从一定水平上反应人的思维情感等认知加工能力,甚至能够反映出人的情绪上的变化。然而人体脑部影像数据,如核磁数据通常在GB量级,横截面图片数量在上百量级,如果人工去标记脑部结构、判读和分析影响数据,不仅效率低下,容易出错,挖掘信息不重复,不全面。人工智能尤其是深度学习和大数据技术的迭代发展,在图像识别、自动驾驶、语意分析等领域得到飞速发展。如果能够将人工智能技术应用到脑部影像数据的分析,为用户(患者)提供客观有效的脑功能评估和预测未来记忆情感等高级认知功能发展。患者只需要通过网络上传脑影像数据,就能自动分析和预测未来记忆等认知情感的发展,甚至能为一些患有脑部疾病的病人提供康复信心。然而,目前没有发现任何一款针对脑部影像结构实时在线的挖掘、分析、预测认知功能的工具和理论。
发明内容
为了解决现有技术中的上述问题,即为了解决脑认知能力测量的智能化与便捷化问题,本发明的一方面,提出了一种基于脑影像的脑认知能力测量系统,包括局部特征提取模块、特征降维模块、认知能力测量模块、输出模块;
所述局部特征提取模块,配置为对输入的脑影像进行特征提取,获得体素层面计算得到的局部特征;
所述特征降维模块,配置为对获得的局部特征进行降维;
所述认知能力测量模块,配置为基于预先构建的认知能力-局部特征对应关系,对降维后的局部特征进行认知能力的测量;
所述输出模块,配置为输出测量结果;
其中,所述的认知能力-局部特征对应关系为:基于局部特征样本及对应的认知能力标签,通过线性或者非线性回归的方法获取的认知能力和局部特征的对应关系表示。
在一些优选实施例中,所述的局部特征样本,其获取方法为:
将脑影像样本,通过所述局部特征提取模块获取局部特征,并通过所述特征降维模块进行降维获取。
在一些优选实施例中,所述局部特征提取模块所获取的局部特征包括脑灰质体积、脑白质体积、灰质皮层的厚度、灰质皮层复杂度、功能连接、白质的髓鞘化程度、水分子扩散平均受阻碍程度中的一种或多种。
在一些优选实施例中,所述白质的髓鞘化程度,其计算方法为:
其中,FA为白质的髓鞘化程度,D为单个体素内高斯分布函数拟合的水分子扩散模型,为3行3列的正定矩阵,Trace(D)为D的三个特征值之和,I为3行3列的单位矩阵,为矩阵D的三个特征值的平均值,表示每个体素所近似拟合的椭球的三个轴的长度。
在一些优选实施例中,所述水分子扩散平均受阻碍程度,其计算方法为:
其中,MD为水分子扩散平均受阻碍程度,Trace(D)为D的三个特征值之和,为矩阵D的三个特征值的平均值,表示每个体素所近似拟合的椭球的三个轴的长度。
在一些优选实施例中,所述的认知能力-局部特征对应关系的获取过程中,所采用的线性或者非线性回归的方法为支持向量机的线性或者非线性回归的方法;
所述认知能力-局部特征对应关系还包括预设的置信区间。
在一些优选实施例中,还包括预处理模块;所述预处理模块配置为依据脑影像的分类按照预设的预处理方法进行处理,获得处理后的脑影像作为所述局部特征提取模块所输入的脑影像。
在一些优选实施例中,所述预处理模块中,所述脑影像的分类包括结构磁共振图像、功能磁共振图像、扩散磁共振图像;
预设的所述结构磁共振图像的预处理方法包括:磁场不均匀性矫正、磁场梯度非线性矫正;
预设的所述功能磁共振图像的预处理方法包括:时间插值矫正、磁场不均匀性矫正、头动矫正、配准到标准空间、空间-时间滤波、去头皮;
预设的所述扩散磁共振图像的预处理方法包括:磁场不均匀性矫正、头动矫正、去头皮。
在一些优选实施例中,该系统还包括用于获取输入信息输入模块,所述输入信息包括脑影像数据、年龄信息。
在一些优选实施例中,该系统还包括显示模块;所述显示模块,配置为获取所述输出模块的数据和/或所述输入模块的数据,并通过显示装置显示。
本发明的有益效果:
通过本发明通过特征提取网络进行特征提取,避免了人工对脑图像进行特征提取干预,并结合基于大量数据样本构建的认知能力-局部特征对应关系,实现了脑认知能力测量的自动化、智能化与便捷化;同时具有较高的识别准确度。并对海量特征进行降维,使得在简化特征的同时也能维持后续预测的有效性,提高了稳定性和泛化性能。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明一种实施例的基于脑影像的脑认知能力测量系统框架示意图。
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,下面将结合附图对本发明实施例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做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。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明的目的是为了填补现在关于利用脑部影像数据自动分析和预测被试认知能力的工具空白,为此本发明提出一种基于脑影像的脑认知能力测量系统,通过在线的方式对脑影像进行脑认知评估和预测系统。该系统可以部署在公网服务器中,用户只需要通过浏览器提交脑部影像数据,后台自动分析并呈现分析的结果。
本发明的一种基于脑影像的脑认知能力测量系统,包括局部特征提取模块、特征降维模块、认知能力测量模块、输出模块;还可以进一步包括输入模块、预处理模块、显示模块。将在下述实施例中对各模块及其信息交互关系进行描述。
为了更清晰地对本发明基于脑影像的脑认知能力测量系统进行说明,下面结合附图对本方发明系统一种优选实施例中各模块进行展开详述。
本实施例的基于脑影像的脑认知能力测量系统,如图1所示,包括输入模块1、预处理模块2、局部特征提取模块3、特征降维模块4、认知能力测量模块5、输出模块6、显示模块7。
(1)输入模块1,配置为获取输入信息。输入信息包括脑影像数据,还可以包括年龄信息等被测对象的信息。输入的脑影像数据可以为一类或多类脑影像数据,可以包括结构磁共振图像、功能磁共振图像、扩散磁共振图像中一种或多种。
所上传的脑影像数据,可以按照行业通用的格式上传脑影像原始数据即可(NIFTI格式),也可以在被系统中加载转换工具自动将磁共振设备导出的原始数据(RAW DATA)转换为NIFTI格式。
(2)预处理模块2,配置为依据脑影像的分类按照预设的预处理方法进行处理,获得处理后的脑影像作为所述局部特征提取模块所输入的脑影像。
本实施例中脑影像的分类包括结构磁共振图像、功能磁共振图像、扩散磁共振图像;预设的所述结构磁共振图像的预处理方法包括:磁场不均匀性矫正、磁场梯度非线性矫正;预设的所述功能磁共振图像的预处理方法包括:时间插值矫正、磁场不均匀性矫正、头动矫正、配准到标准空间、空间-时间滤波、去头皮;预设的所述扩散磁共振图像的预处理方法包括:磁场不均匀性矫正、头动矫正、去头皮。
局部特征提取模块3,配置为对输入的脑影像进行特征提取,获得体素层面计算得到的局部特征。
(3)局部特征提取模块3所获取的局部特征包括两类:脑灰质/白质结构、功能活动/连接。本实施例中的局部特征包括脑灰质体积、脑白质体积、灰质皮层的厚度、灰质皮层复杂度、功能连接、白质的髓鞘化程度、水分子扩散平均受阻碍程度中的一种或多种。
脑灰质体积、脑白质体积通过体素数量及体积计算。
灰质皮层的厚度,通过该体素与灰质皮层内-外曲面法线方向辖区内的体素个数与体素单位的乘积计算得到。灰质皮层的内表面是指与白质结构相邻的表面,灰质皮层外表面是指灰质与脑膜组织相邻的表面,这两个表面与上述法线相交的两个点之间的距离也即是灰质皮层在该法线位置的厚度。
灰质皮层复杂度(FC,fractal dimensionality),采用Caserta等人1995年提出的网格计数法(Caserta et al,Determination of fractaldimension of physiologicallycharacterized neurons in two and threedimensions,J Neurosci Methods,1995)计算。还可以进一步参考Madan的论文描述(Madan and Kensinger,Cortical complexity asa measure ofage-related brain atrophy,Neuroimage 2016),此处不再展开描述。
功能连接表示的是体素或脑区之间的时间相关性,通常可以用皮尔森相关系数(Pearson Correlation)表示。
扩散磁共振图像通过扩散张量成像(DTI)或者高角度分辨率的扩散磁共振成像(HARDI),计算反映脑白质纤维结构信息的指标,该指标包括白质的髓鞘化程度FA(Fractional Anisotropy)、水分子扩散平均受阻碍程度MD(Mean Diffusivity)。其中,DTI和HARDI的选择取决于输入图像的具体参数类型,如果梯度方向少于45个,则用DTI方式计算,如果梯度方向多于45个,则用HARDI方式计算。
白质的髓鞘化程度FA,其计算如公式(1)所示:
其中,D为单个体素内高斯分布函数拟合的水分子扩散模型,为3行3列的正定矩阵,Trace(D)为D的三个特征值之和,I为3行3列的单位矩阵,为矩阵D的三个特征值的平均值,表示每个体素所近似拟合的椭球的三个轴的长度。
水分子扩散平均受阻碍程度MD,其计算如公式(2)所示:
(4)特征降维模块4,配置为对局部特征提取模块3输出的局部特征进行降维。
降维可以采用该领域常用的主成分分析PCA(PrincipalComponent Analysis)方法降维,PCA矩阵分解后保留最大能量的特征分量即可。当然,还可以采用其他降维方法,例如正交投影降维方法等。
(5)认知能力测量模块5,配置为基于预先构建的认知能力-局部特征对应关系,对降维后的局部特征进行认知能力的测量。
基于预先构建的认知能力-局部特征对应关系,可以对输入的脑影像提取的局部特征进行认知能力获取,在一些实施例中,在认知能力-局部特征对应关系中增加样本数据实际年龄的因素,可以对输入脑影像对应被测主体进行同龄认知能力对比,通过增加置信区间,来判断认知能力正常或异常,例如,落入致信区间中则表示认知能力属于常规水平,在置信区间的上方则表示明显高于平均水平,在置信区间的下方则表示明显低于平均水平。从而可以用于发育或老化水平研究,以判断在脑区局部水平以及全脑水平是发育迟缓或老化过快。
本实施例中认知能力-局部特征对应关系为预先构建,基于大量样本数据的原始样本数据集,通过局部特征提取模块获局部特征,并通过特征降维模块进行降维获取局部特征样本,构建第二样本数据集。原始样本包括脑影像样本、认知能力标签,还可包括年龄标签;对应的第二样本数据包括局部特征样本、认知能力标签,对应的还可以包括年龄标签。基于第二样本数据集,通过线性或者非线性回归的方法获取的认知能力和局部特征的对应关系表示。优选采用支持向量机(SVM)的线性或者非线性回归的方法进行认知能力和局部特征的对应关系的构建,该方法在系统中的最大优点是把降维后的向量再次透射到高维空间以增强分类距离。本实施例中采用线性回归模型GLM(Generalized LinearModel)。
认知能力测量模块5目标就是选择与拟评估的认知能力最相关的特征,然后通过线性或非线性回归的方式,寻找输入被试在群组上的统计特征表现;该模块可以实现对大脑脑龄及各类认知特征计算评估,该评估是基于后台大样本数据库进行,给出输入被试的各项认知特征在群组上的统计水平。
(6)输出模块6,配置为输出测量结果。
(7)显示模块7,配置为获取所述输出模块的数据和/或所述输入模块的数据,并通过显示装置显示。
该模块一般包括显示设备,为显示器或投影仪等,可以基于大脑二维及三维结构的认知能力水平在大样本中所处的概率分布水平展示。
本实施例还以在认知能力测量模块测量结果的基础上,基于输入模块获取的数据、进行展示内容的丰富化,例如对所输入的被试数据在大数据样本上各种脑状态及认知能力的统计水平及发展趋势,包括大脑年龄(脑龄)、智力水平、记忆能力等认知能力进行综合处理和展示。
在实际应用中,可以构建包括客户端和服务后台的硬件交互系统,客户端通过网页浏览器的方式进行信息录入和信息展示,网页浏览器为了实时显示二维、三维及高维动态图像,采用webGL设计。
本发明的上述优选实施例展示了一个较为完整系统模块架构,在实际应用过程中,还可以将局部特征提取模块3、特征降维模块4、认知能力测量模块5、输出模块6进行系统集成,或预处理模块2、局部特征提取模块3、特征降维模块4、认知能力测量模块5、输出模块6进行系统集成,结合硬件处理装置,构建独立的服务器系统作为单独商品,使用方只用配置相应的信息输入装置、显示装置即可,以便于技术的快速推广应用。
需要说明的是,上述实施例提供的基于脑影像的脑认知能力测量系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于脑影像的脑认知能力测量系统,其特征在于,包括局部特征提取模块、特征降维模块、认知能力测量模块、显示模块;
所述局部特征提取模块,配置为对输入的脑影像进行特征提取,获得体素层面计算得到的局部特征;
所述特征降维模块,配置为对获得的局部特征进行降维;
所述认知能力测量模块,配置为基于预先构建的认知能力-局部特征对应关系,对降维后的局部特征进行认知能力的测量;
所述输出模块,配置为输出测量结果;
其中,所述的认知能力-局部特征对应关系为:基于局部特征样本及对应的认知能力标签,通过线性或者非线性回归的方法获取的认知能力和局部特征的对应关系表示。
2.根据权利要求1所述的脑影像的脑认知能力测量系统,其特征在于,所述的局部特征样本,其获取方法为:
将脑影像样本,通过所述局部特征提取模块获取局部特征,并通过所述特征降维模块进行降维获取。
3.根据权利要求1所述的脑影像的脑认知能力测量系统,其特征在于,所述局部特征提取模块所获取的局部特征包括脑灰质体积、脑白质体积、灰质皮层的厚度、灰质皮层复杂度、功能连接、白质的髓鞘化程度、水分子扩散平均受阻碍程度中的一种或多种。
4.根据权利要求3所述的基于脑影像的脑认知能力测量系统,其特征在于,所述白质的髓鞘化程度,其计算方法为:
其中,FA为白质的髓鞘化程度,D为单个体素内高斯分布函数拟合的水分子扩散模型,为3行3列的正定矩阵,Trace(D)为D的三个特征值之和,I为3行3列的单位矩阵,为矩阵D的三个特征向量的平均值,表示每个体素所近似拟合的椭球的三个轴的长度。
5.根据权利要求3所述的基于脑影像的脑认知能力测量系统,其特征在于,所述水分子扩散平均受阻碍程度,其计算方法为:
其中,MD为水分子扩散平均受阻碍程度,Trace(D)为矩阵D的三个特征值之和,为矩阵D的三个特征值的平均值,表示每个体素所近似拟合的椭球的三个轴的长度。
6.根据权利要求1-5任一项所述的基于脑影像的脑认知能力测量系统,其特征在于,所述的认知能力-局部特征对应关系的获取过程中,所采用的线性或者非线性回归的方法为支持向量机的线性或者非线性回归的方法;
所述认知能力-局部特征对应关系还包括预设的置信区间。
7.根据权利要求1-5任一项所述的脑影像的脑认知能力测量系统,其特征在于,还包括预处理模块;所述预处理模块配置为依据脑影像的分类按照预设的预处理方法进行处理,获得处理后的脑影像作为所述局部特征提取模块所输入的脑影像。
8.根据权利要求7所述的脑影像的脑认知能力测量系统,其特征在于,所述预处理模块中,所述脑影像的分类包括结构磁共振图像、功能磁共振图像、扩散磁共振图像;
预设的所述结构磁共振图像的预处理方法包括:磁场不均匀性矫正、磁场梯度非线性矫正;
预设的所述功能磁共振图像的预处理方法包括:时间插值矫正、磁场不均匀性矫正、头动矫正、配准到标准空间、空间-时间滤波、去头皮;
预设的所述扩散磁共振图像的预处理方法包括:磁场不均匀性矫正、头动矫正、去头皮。
9.根据权利要求1-5任一项所述的脑影像的脑认知能力测量系统,其特征在于,该系统还包括用于获取输入信息的输入模块,所述输入信息包括脑影像数据、年龄信息。
10.根据权利要求9所述的脑影像的脑认知能力测量系统,其特征在于,该系统还包括显示模块;所述显示模块,配置为获取所述输出模块的数据和/或所述输入模块的数据,并通过显示装置显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811574803.2A CN109646001A (zh) | 2018-12-21 | 2018-12-21 | 基于脑影像的脑认知能力测量系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811574803.2A CN109646001A (zh) | 2018-12-21 | 2018-12-21 | 基于脑影像的脑认知能力测量系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109646001A true CN109646001A (zh) | 2019-04-19 |
Family
ID=66115651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811574803.2A Pending CN109646001A (zh) | 2018-12-21 | 2018-12-21 | 基于脑影像的脑认知能力测量系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109646001A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393141A (zh) * | 2021-06-23 | 2021-09-14 | 科大讯飞股份有限公司 | 一种阅读能力的测评方法、装置以及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116764A (zh) * | 2013-03-02 | 2013-05-22 | 西安电子科技大学 | 一种基于多线性主元分析的大脑认知状态判定方法 |
CN103440512A (zh) * | 2013-09-17 | 2013-12-11 | 西安电子科技大学 | 一种基于张量局部保持投影的大脑认知状态的识别方法 |
CN106096636A (zh) * | 2016-05-31 | 2016-11-09 | 安徽工业大学 | 一种基于神经影像的进展型轻度认知功能障碍识别方法 |
CN109498037A (zh) * | 2018-12-21 | 2019-03-22 | 中国科学院自动化研究所 | 基于深度学习提取特征和多重降维算法的脑认知测量方法 |
-
2018
- 2018-12-21 CN CN201811574803.2A patent/CN109646001A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116764A (zh) * | 2013-03-02 | 2013-05-22 | 西安电子科技大学 | 一种基于多线性主元分析的大脑认知状态判定方法 |
CN103440512A (zh) * | 2013-09-17 | 2013-12-11 | 西安电子科技大学 | 一种基于张量局部保持投影的大脑认知状态的识别方法 |
CN106096636A (zh) * | 2016-05-31 | 2016-11-09 | 安徽工业大学 | 一种基于神经影像的进展型轻度认知功能障碍识别方法 |
CN109498037A (zh) * | 2018-12-21 | 2019-03-22 | 中国科学院自动化研究所 | 基于深度学习提取特征和多重降维算法的脑认知测量方法 |
Non-Patent Citations (2)
Title |
---|
崔兴伟: "基于功能磁共振成像的Ⅱ型糖尿病患者认知功能预测分析", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
沈瑾: "儿童大脑白质纤维磁共振弥散张量成像的研究", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393141A (zh) * | 2021-06-23 | 2021-09-14 | 科大讯飞股份有限公司 | 一种阅读能力的测评方法、装置以及设备 |
CN113393141B (zh) * | 2021-06-23 | 2023-12-01 | 科大讯飞股份有限公司 | 一种阅读能力的测评方法、装置以及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其系统 | |
CN109978872B (zh) | 基于白质纤维束的白质微结构特征筛选系统及方法 | |
CN112927799B (zh) | 融合多示例学习和多任务深度影像组学的生存期分析系统 | |
CN109498037B (zh) | 基于深度学习提取特征和多重降维算法的脑认知测量方法 | |
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 | |
CN108664986B (zh) | 基于lp范数正则化的多任务学习图像分类方法及系统 | |
CN111192248A (zh) | 一种用于核磁共振成像中的椎体定位、识别和分割的多任务关系学习方法 | |
CN113506308A (zh) | 一种医学图像中基于深度学习的椎骨定位与脊柱分割方法 | |
Osmanlıoğlu et al. | Connectomic consistency: a systematic stability analysis of structural and functional connectivity | |
CN116579975A (zh) | 一种卷积神经网络的脑龄预测方法及系统 | |
Gonzalez et al. | Description and analysis of spatial patterns in geometric morphometric data | |
Tward | An optical flow based left-invariant metric for natural gradient descent in affine image registration | |
Dhinagar et al. | Efficiently Training Vision Transformers on Structural MRI Scans for Alzheimer’s Disease Detection | |
CN109646001A (zh) | 基于脑影像的脑认知能力测量系统 | |
Xiong et al. | Reproducibility evaluation of SLANT whole brain segmentation across clinical magnetic resonance imaging protocols | |
CN103268494A (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
CN108805181A (zh) | 一种基于多分类模型的图像分类装置及分类方法 | |
EP3767634B1 (en) | Method and system for data augmentation using simulated contrasts | |
Nbonsou Tegang et al. | A gaussian process model based generative framework for data augmentation of multi-modal 3d image volumes | |
Teich et al. | Crystallinity characterization of white matter in the human brain | |
CN112017177B (zh) | 一种参考影像确定方法、装置、设备及存储介质 | |
CN116312965A (zh) | 一种基于多模态大脑网络的认知功能状态预测方法 | |
CN112052882B (zh) | 磁共振脑结构影像的分类模型构建、分类与可视化方法 | |
CN111738999B (zh) | 基于弥散张量成像的大脑张量模板构建方法 | |
CN114494132A (zh) | 基于深度学习和纤维束空间统计分析的疾病分类系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190419 |
|
RJ01 | Rejection of invention patent application after publication |