CN109770903A - 功能磁共振影像的分类预测方法、系统、装置 - Google Patents
功能磁共振影像的分类预测方法、系统、装置 Download PDFInfo
- Publication number
- CN109770903A CN109770903A CN201811643975.0A CN201811643975A CN109770903A CN 109770903 A CN109770903 A CN 109770903A CN 201811643975 A CN201811643975 A CN 201811643975A CN 109770903 A CN109770903 A CN 109770903A
- Authority
- CN
- China
- Prior art keywords
- brain area
- magnetic resonance
- resonance imaging
- functional magnetic
- test sample
- 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 151
- 238000000034 method Methods 0.000 title claims abstract description 84
- 210000004556 brain Anatomy 0.000 claims abstract description 214
- 239000011159 matrix material Substances 0.000 claims abstract description 62
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims description 69
- 238000012549 training Methods 0.000 claims description 33
- 230000002159 abnormal effect Effects 0.000 claims description 29
- 230000000306 recurrent effect Effects 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 208000020016 psychiatric disease Diseases 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 13
- 239000012141 concentrate Substances 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 239000011229 interlayer Substances 0.000 claims description 3
- 210000004885 white matter Anatomy 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 239000003814 drug Substances 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 238000005481 NMR spectroscopy Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000008506 pathogenesis Effects 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 201000000980 schizophrenia Diseases 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Abstract
本发明属于计算医学技术领域，具体涉及一种功能磁共振影像的分类预测方法、系统、装置，旨在为了解决解决包含时间序列信息的功能磁共振影像分类问题。本发明方法包括：获取被测对象的功能磁共振影像组，包括多个功能磁共振影像；分别对每个功能磁共振影像的各脑区进行特征降维，并基于功能磁共振影像组中各功能磁共振影像的时间序列，构建脑区‑时序特征矩阵；将所述脑区‑时序特征矩阵，通过预先训练好的分类模型进行分类预测。本发明通过计算机手段快速、便捷的实现了包含时间序列信息的功能磁共振影像分类。
Description
技术领域
本发明属于计算医学技术领域，具体涉及一种功能磁共振影像的分类预测方法、系统、装置。
背景技术
伴随经济、卫生、医疗水平的发展，世界各国人民的平均寿命得到普遍延长。与此同时，全世界所有国家的精神疾患负担持续增加，对健康产生显著影响，并在社会、人权和经济方面造成重大后果。在临床上，尚未发现可用于评定精神疾病严重性与认知水平且具有一定稳定性的生物标志，因而目前对于精神疾病的诊断分类标准都是以临床症状和行为描述作为基础，具有较强的主观性。而且一些精神疾病经常会表现出临床特性上的重叠交叉，单纯依赖于症状或者行为表现的诊断存在明显不足，容易造成误诊而延误治疗或者造成更严重的后果。因此，寻找客观的评价指标来对精神疾病的潜在患者进行诊断并对精神疾病患者的恢复状况定量评估成为国内外共同关注的热点问题。
作为一种非侵入性的成像技术，功能磁共振成像技术通过采集血氧水平依赖(Blood Oxygen Level Dependent,BOLD)信号来反映大脑处于任务态或者静息态的神经元活动。具有无创伤，时间空间分辨率都较好的特性。功能磁共振技术的普及大大加深了人们对精神疾病复杂的发病机理和多变的临床生物学差异的理解，已经成为认知科学、神经科学和神经精神病学研究不可或缺的重要工具。然而磁共振影像的特征维度高，信噪比低以及图像采集成本高等特性，给磁共振分析带来了很大的障碍。伴随着互联网技术的兴起，人类在数据分析方法上取得了突破性的进展。各种算法理论层出不穷，数据挖掘、深度学习等一系列先进的数据分析方法已经成功地应用在金融、通讯、地理、电子工程、航天等诸多领域，成为推动社会进步的重要因素。将机器学习算法运用于医学图像分析，提取有效的生物特征，生产计算机辅助诊断系统已经成为一个备受关注的前沿热点问题。
目前普遍应用的针对功能磁共振影像的时间序列特征提取方法主要分为两类：第一类是基于预定义的脑模板的特征提取方法；第二类是基于数据驱动的特征提取方法；基于模板的特征提取方法一般是基于固定的、预定义的模板(例如Automated AnatomicalLabelling(AAL)，Brainnetome Atlas)来进行脑区划分，进而提取每个脑区的时间序列，这种方法的优势在于稳定性好，容易在不同数据之间进行迁移，缺点是预定义的脑区与真实数据之间往往会有偏差；基于数据驱动的特征提取方法(独立成分分析等)可以直接从数据中提取有效的特征脑区，这种方法一般能够找到比基于脑模板更有针对性的功能网络，缺点是在于需要人工挑选特征，不容易在不同数据及之间进行迁移学习。在提取时间序列之后，之前的研究往往会计算不同脑区的时间序列的相关性，进而构建功能连接网络，并以此作为分类模型的输入特征，这类方法在很大程度上损失了原始信号中隐含的时间序列信息。伴随着深度学习技术的迅猛发展，深度学习模型(循环神经网络等)在分析时间序列(例如语音信号、自然语言处理)上的表现已经明显超过传统时间序列模型(如隐马尔科夫模型等)，然而目前国内外尚未有使用深度学习进行功能磁共振时间序列分析的研究。此外，深度学习的黑箱性质使得很难对其分类诊断结果进行有效的解释，因而在很大程度上阻碍了其在临床上的应用。因此，亟待产生一种具有良好的通用性和自适应性，能够充分用磁共振影像的时间序列特征，能够充分揭示每个特征的风险概率的模型。
发明内容
为了解决现有技术中的上述问题，即为了解决包含时间序列信息的功能磁共振影像分类问题，本发明的一方面，提出了一种功能磁共振影像的分类预测方法，包括：
步骤S10，获取被测对象的功能磁共振影像组，包括多个功能磁共振影像；
步骤S20，分别对每个功能磁共振影像的各脑区进行特征降维，并基于功能磁共振影像组中各功能磁共振影像的时间序列，构建脑区-时序特征矩阵；
步骤S30，将所述脑区-时序特征矩阵，通过预先训练好的分类模型进行分类预测；
其中，
所述分类模型基于循环神经网络构建，其训练样本包括特定精神疾病的脑区-时序特征矩阵样本、真实样本标签。
在一些优选实施例中，步骤S10还包括对所获取的功能磁共振影像进行预处理，并将预处理后的功能磁共振影像作为步骤S20进行特征降维的对象；
预处理的方法包括头动校正、层间时间校正、标准化到蒙特利尔标准空间、回归去除6个方向上的头动参数和白质和脑脊液信号以及它们的一阶导数、基于带宽滤波器进行滤波、采用高斯滤波核做平滑、去除影像中的噪声中的一种或多种。
在一些优选实施例中，步骤S20中“分别对每个功能磁共振影像的各脑区进行特征降维”，其方法为：
分别对每个功能磁共振影像进行脑区划分；
分别计算各脑区中所有体素的平均值作为该脑区的特征值；
在一些优选实施例中，步骤S20中所属构建脑区-时序特征矩阵为一个T×n的二维矩阵，该矩阵中的元素表示为(i,Qj,i)；其中，n为脑图谱定义脑区的总数，T为每个被测对象功能磁共振影像序列的总数，(i,Qj,i)为第j个功能磁共振影像第i个脑区的特征值。
在一些优选实施例中，步骤S20的“每个功能磁共振影像的各脑区”，通过脑网络组图谱对每个功能磁共振影像进行脑区划分获得。
本发明的第二方面，提出了一种基于功能磁共振影像的异常脑区识别方法，包括：
步骤A10，对第一测试样本集中各功能磁共振影像组，采用步骤S20的方法分别构建各功能磁共振影像组的脑区-时序特征矩阵；
步骤A20，基于测试样本中各功能磁共振影像组的真实标签样本真实样本标签、脑区-时序特征矩阵，构建第二测试样本集；
步骤A30，基于第二测试样本集，通过预先训练好的分类模型进行分类预测，获取基准准确度；
步骤A40，将第二测试样本集中各脑区-时序特征矩阵，对第i个脑区各时序下的特征采用该脑区所有时序下的特征均值进行替换，生成第i个脑区的贡献度评测样本；
步骤A50，基于第i个脑区的贡献度评测样本，通过预先训练好的分类模型进行分类预测，获取第i个脑区的贡献度评测样本的准确度，并依据所述基准准确度计算得到准确度下降幅度，作为第i个脑区的贡献度；
步骤A60，采用步骤A40、A50的方法对各脑区进行遍历，并选择贡献度满足预设的阈值的脑区作为所选择的异常脑区；
其中，
所述分类模型基于循环神经网络构建，其训练样本包括特定精神疾病的脑区-时序特征矩阵样本、真实样本标签。
本发明的第三方面，提出了一种功能磁共振影像的分类预测系统，包括：获取模块、特征提取模块、分类预测模块。
所述获取模块，配置为获取被测对象的功能磁共振影像组，包括多个功能磁共振影像；
所述特征提取模块，配置为分别对每个功能磁共振影像的各脑区进行特征降维，并基于功能磁共振影像组中各功能磁共振影像的时间序列，构建脑区-时序特征矩阵；
所述分类预测模块，配置为将所述脑区-时序特征矩阵，通过预先训练好的分类模型进行分类预测；其中，所述分类模型基于循环神经网络构建，其训练样本包括特定精神疾病的脑区-时序特征矩阵样本、真实样本标签。
本发明的第四方面，提出了一种基于功能磁共振影像的异常脑区识别系统，包括特征提取模块、第二测试样本集构建模块、基准准确度计算模块、贡献度评测样本生成模块、脑区的贡献度计算模块、异常脑区获取模块；
所述特征提取模块，配置为对第一测试样本集中各功能磁共振影像组，采用步骤S20的方法分别构建各功能磁共振影像组的脑区-时序特征矩阵；
所述第二测试样本集构建模块，配置为基于测试样本中各功能磁共振影像组的真实样本标签、脑区-时序特征矩阵，构建第二测试样本集；
所述基准准确度计算模块，配置为基于第二测试样本集，通过预先训练好的分类模型进行分类预测，获取基准准确度；
所述贡献度评测样本生成模块，配置为将第二测试样本集中各脑区-时序特征矩阵，对第i个脑区各时序下的特征采用该脑区所有时序下的特征均值进行替换，生成第i个脑区的贡献度评测样本；
所述脑区的贡献度计算模块，配置为基于第i个脑区的贡献度评测样本，通过预先训练好的分类模型进行分类预测，获取第i个脑区的贡献度评测样本的准确度，并依据所述基准准确度计算得到准确度下降幅度，作为第i个脑区的贡献度；
所述异常脑区获取模块，配置为采用步骤A40、A50的方法对各脑区进行遍历，并选择贡献度满足预设的阈值的脑区作为所选择的异常脑区；
其中，
所述分类模型基于循环神经网络构建，其训练样本包括特定精神疾病的脑区-时序特征矩阵样本、真实样本标签。
本发明的第五方面，提出了一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实上述功能磁共振影像的分类预测方法，或者上述基于功能磁共振影像的异常脑区识别方法。
本发明的第六方面，提出了一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以上述功能磁共振影像的分类预测方法，或者上述基于功能磁共振影像的异常脑区识别方法。
本发明的有益效果：
本发明通过构建的脑区-时序特征矩阵，通过计算机手段快速、便捷的实现了包含时间序列信息的功能磁共振影像分类。本发明通过使用预定义的脑模板对进行预处理之后的功能磁共振数据进行时间序列信号提取；利用循环神经网络对提取的序列进行分类模型建模，基于分类模型对新输入的被测对象的一组功能磁共振数据进行有效的分类。
本发明的基于功能磁共振影像的异常脑区识别方法通过对疾病生物标志的定量识别可以更加准确地定位与精神疾病发病机制密切相关的异常脑区。
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功能磁共振影像的分类预测方法流程示意图；
图2是本发明一种实施例中模型训练过程中基于一个被测对象样本训练示意图；
图3是本发明一种实施例的基于功能磁共振影像的异常脑区识别方法流程示意图；
图4是本发明一种实施例中发现的与精神分裂症相关的风险脑区示例；
图5是本发明一种实施例的功能磁共振影像的分类预测系统框架示意图；
图6是本发明一种实施例的基于功能磁共振影像的异常脑区识别系统框架示意图。
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。
本发明实施例的基本思想是以精神病人扫描的功能磁共振影像(fMRI)为基础，对其进行分割、配准、标准化等预处理操作得到可用于计算机系统处理分析的高维异构的四维数据。接下来使用预定义脑图谱或者基于数据驱动的特征选择降维算法(例如，独立成分分析，主成分分析等)或者完成原始数据的降维操作；分别提取大脑各区域对应的时间序列，将上述时间序列作为循环神经网络的输入，通过有监督学习方式，利用误差反向传播算法对循环神经网络模型参数进行迭代优化，得到最优的参数组合然后保存模型。对于新的被试样本，提取其各个脑区对应的时间序列输入保存的模型就可以计算得到该样本的诊断结果。此外，通过“去一法”对模型进行测试，通过评估模型的输出得出特定脑区与疾病的关系。从而达到鉴定潜在生物标志的目的。
本发明将充分利用现有的深度学习循环神经网络算法，对使用脑图谱进行降维后的磁共振时间序列信号进行建模，建立有效的功能磁共振影像分类模型对被测对象的功能磁共振影像进行分类预测；而且本发明还提出“去一法”，打开深度学习的黑箱，识别出异常的脑区，发现潜在生物标志，有助于辅助医师的临床决策。
本发明的一种功能磁共振影像的分类预测方法，包括：
步骤S10，获取被测对象的功能磁共振影像组，包括多个功能磁共振影像；
步骤S20，分别对每个功能磁共振影像的各脑区进行特征降维，并基于功能磁共振影像组中各功能磁共振影像的时间序列，构建脑区-时序特征矩阵；
步骤S30，将所述脑区-时序特征矩阵，通过预先训练好的分类模型进行分类预测；其中，所述分类模型基于循环神经网络构建，其训练样本包括特定精神疾病的脑区-时序特征矩阵样本、真实样本标签。
为了更清晰地对本发明进行说明，下面结合附图对本方发明各步骤进行展开详述。
本发明一实施例的功能磁共振影像的分类预测方法，如图1所示，包括：
步骤S10，获取被测对象的功能磁共振影像组，包括多个功能磁共振影像。
所获取的精神疾病病人的原始的功能磁共振影像(fMRI)，包含较多噪声，为了达到更好的效果，还可以增加预处理步骤，以去除噪声、增加信噪比。
对原始的功能磁共振影像进行预处理的方法可以包括(1)头动校正；(2)层间时间校正；(3)标准化到蒙特利尔标准空间(优选地，重采样成3×3×3mm)；(4)回归去除6个方向上的头动参数、白质和脑脊液信号以及它们的一阶导数；(5)基于带宽滤波器进行滤波，带宽可选择0.01-0.15HZ；(6)采用高斯滤波核做平滑，优选的可以采用8mm半最大值全宽高斯滤波核；(7)去除影像中的噪声。可以采用上述(1)-(7)的方法依次进行预处理，也可以采用其中一种或多种组合进行预处理。
步骤S20，分别对每个功能磁共振影像的各脑区进行特征降维，并基于功能磁共振影像组中各功能磁共振影像的时间序列，构建脑区-时序特征矩阵。
定义目标分类属性为：针对特定类型的精神疾病，根据专业的评定量表，对病人的认知能力或者症状表现进行量化评测，并以最终得分的形式表征其认知水平或症状严重性程度。
每个被测对象的功能磁共振影像组均包含多个功能磁共振图像序列，分别对每个功能磁共振影像进行脑区划分，分别计算各脑区中所有体素的平均值作为该脑区的特征值来表示该脑区。计算的结果是每个被测对象的功能磁共振影像组都可以得到一个T×n的二维矩阵，该矩阵即为脑区-时序特征矩阵，该矩阵中的元素表示为(i,Qj,i)，其中，n为脑图谱定义脑区的总数，T为被测对象功能磁共振影像的总数，(i,Qj,i)为第j个功能磁共振影像第i个脑区的特征值。
本实施例通过预定义的脑模板(优选脑网络组图谱，也可以选择其他脑模板)对每个功能磁共振影像进行特征降维，当然，除了使用脑模板外还有数据驱动的降维方式(独立成分分析等)，对功能磁共振数据应用独立成分分析降维时，需要先设定提取的独立成分个数，并且独立成分分析后需要根据实际情况排除掉伪独立成分。
步骤S30，将所述脑区-时序特征矩阵，通过预先训练好的分类模型进行分类预测，获取分类预测标签。
本实施例的分类模型基于循环神经网络构建，其训练样本集中的训练样本包括特定精神疾病的脑区-时序特征矩阵样本、真实样本标签。真实样本标签包括样本的疾病分类。
本实施例的分类模型优选采用长短期记忆网络模型(Long Short-term MemoryNetwork,LSTM)，该模型的优势在于可以利用门控开关有效地控制输入值，更新量和输出值，有效地避免了普通的循环神经网络可能带来的梯度消失或者梯度爆炸的问题。分类模型的训练过程中，以训练样本中的脑区-时序特征矩阵样本作为LSTM的输入，以训练样本中的真实样本标签作为模型输出的监督，借助误差反向传播算法来进行模型的参数优化，在模型优化过程中，需要从训练数据中抽出部分数据作为模型训练的监督，用来测试模型的分类性能是否持续提升(即是收敛)。当模型分类性能不再提升时，将模型保存下来。如图2所示为模型训练过程中基于一个被测对象样本训练示意图，通过该图可以看出，依次将各时序(t1、t2…tT)下的脑区特征(脑区1、脑区2…脑区n)输入LSTM，用于更新LSTM的隐含层变量并输出当前时刻的状态向量，LSTM将所有时刻的状态向量取平均值用于综合所有时刻的脑活动信息并与全连接层进行连接。在LSTM训练过程中，使用样本真实标签监督LSTM训练的过程。通过误差反向传播的方式进行迭代优化。
分类模型训练用训练样本通过步骤S20的方法对各被测对象样本数据进行特征降维，并获取脑区-时序特征矩阵样本。
为了进一步对本实施例方法进行充分说明，下面通过精神分裂症的功能磁共振影像分类模型的构建和训练来进行说明。
步骤B10，静息态功能磁共振数据采集。
原始数据可以为552名精神分裂症患者和548名年龄性别与精神分裂症患者数据及相匹配的健康被试的功能磁共振影像。
步骤B20，对原始数据进行预处理，从而得到信噪比更高的数据。
每个被测对象的各功能磁共振影像经过SPM(统计参数映射，StatisticalParameter Mapping)专业处理软件进行头动校正、配准、空间标准化、数据平滑处理，剔除每个被测对象的功能磁共振影像组中前5个功能磁共振影像，剩余170幅图经过时间延迟矫正和空间位移矫正，头动平移超过3mm或者旋转超过3°的被测对象数据将会被删除，数据重采样为3mm×3mm×3mm体素，经过带宽滤波为0.01-0.15HZ，空间平滑率为宽全高＝6mm。
步骤B30，利用脑图谱构建脑区-时序特征矩阵。
使用脑网络组图谱对每个被测对象的各功能磁共振影像进行特征降维，脑网络组图谱定义了246个脑区及其范围，利用此图谱对每个被试的各功能磁共振图像分别计算各脑区所有体素的平均值，对于每个被试得到一个[170×246]的二维矩阵，该矩阵中脑图谱定义脑区的总数为246，被测对象功能磁共振影像的总数为170。
基于此构建的脑区-时序特征矩阵为
其中，该矩阵中各行表示各功能磁共振影像下各脑区的特征值，本示例中有246个脑区，所有246列，行数与功能磁共振影像的数量一致，为170行。
步骤B40，基于循环神经网络的模型训练。
循环神经网络的具体训练细节如下，1100个样本被分割成两部分，一部分作为训练集，另一部分作为测试集，在训练集中又会进一步分出一部分作为验证集。模型的输入是每个样本的170×246的矩阵，循环神经网络采用LSTM模型，内部隐含层节点数量设置为32，初始学习率设置为0.001并在训练过程中逐渐递减。模型的输出是样本的预测标签。在模型训练过程中，通过使用训练样本的真实样本标签与预测标签的误差来进行网络的迭代优化。在每次迭代完成后将验证集输入模型以检测模型的判别性能是否在持续提升。当模型的性能不再提升时，停止训练保存模型及其参数。然后用测试集来进一步评估模型的泛化性能。
本发明第二实施例的基于功能磁共振影像的异常脑区识别方法，基于分类模型，使用“去一法”，识别出潜在的异常脑区，如图3所示，具体包括：
步骤A10，对第一测试样本集中各功能磁共振影像组，采用步骤S20的方法分别构建各功能磁共振影像组的脑区-时序特征矩阵；第一测试样本集中各功能磁共振影像组包含功能磁共振影像样本、真实样本标签；
步骤A20，基于测试样本中各功能磁共振影像组的真实样本标签、脑区-时序特征矩阵，构建第二测试样本集；第二测试样本集中各功能磁共振影像组包含脑区-时序特征矩阵样本、真实样本标签；
步骤A30，基于第二测试样本集，通过预先训练好的分类模型进行分类预测，获取基准准确度；所述分类模型基于循环神经网络构建；
步骤A40，将第二测试样本集中各脑区-时序特征矩阵，对第i个脑区各时序下的特征采用该脑区所有时序下的特征均值进行替换，生成第i个脑区的贡献度评测样本；
步骤A50，基于第i个脑区的贡献度评测样本，通过预先训练好的分类模型进行分类预测，获取第i个脑区的贡献度评测样本的准确度，并依据所述基准准确度计算得到准确度下降幅度，作为第i个脑区的贡献度；
步骤A60，采用步骤A40、A50的方法对各脑区进行遍历，并选择贡献度满足预设的阈值的脑区作为所选择的异常脑区。
一般情况下，由于排除了某一脑区的分类贡献值，分类模型的分类效果相比于基准准确度就会小幅度下降，那么就会根据准确率下降的程度就可以表征此脑区的贡献；将每个脑区的贡献程度从大到小排序，就能得到关键的与此精神疾病的风险脑区。如图4所示是用此方法发现的与精神分裂症相关的风险脑区示例。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的基于功能磁共振影像的异常脑区识别方法的部分细节有关说明，可以参考前述功能磁共振影像的分类预测实施例中的对应过程，在此不再赘述。
本发明第三实施例的一种功能磁共振影像的分类预测系统，如图5所示，包括获取模块、特征提取模块、分类预测模块；
所述获取模块，配置为获取被测对象的功能磁共振影像组，包括多个功能磁共振影像；
所述特征提取模块，配置为分别对每个功能磁共振影像的各脑区进行特征降维，并基于功能磁共振影像组中各功能磁共振影像的时间序列，构建脑区-时序特征矩阵；
所述分类预测模块，配置为将所述脑区-时序特征矩阵，通过预先训练好的分类模型进行分类预测；其中，所述分类模型基于循环神经网络构建，其训练样本包括特定精神疾病的脑区-时序特征矩阵样本、真实样本标签。
本发明第四实施例的基于功能磁共振影像的异常脑区识别系统，如图6所示，包括特征提取模块、第二测试样本集构建模块、基准准确度计算模块、贡献度评测样本生成模块、脑区的贡献度计算模块、异常脑区获取模块；
所述特征提取模块，配置为对第一测试样本集中各功能磁共振影像组，采用步骤S20的方法分别构建各功能磁共振影像组的脑区-时序特征矩阵；
所述第二测试样本集构建模块，配置为基于测试样本中各功能磁共振影像组的真实样本标签、脑区-时序特征矩阵，构建第二测试样本集；
所述基准准确度计算模块，配置为基于第二测试样本集，通过预先训练好的分类模型进行分类预测，获取基准准确度；
所述贡献度评测样本生成模块，配置为将第二测试样本集中各脑区-时序特征矩阵，对第i个脑区各时序下的特征采用该脑区所有时序下的特征均值进行替换，生成第i个脑区的贡献度评测样本；
所述脑区的贡献度计算模块，配置为基于第i个脑区的贡献度评测样本，通过预先训练好的分类模型进行分类预测，获取第i个脑区的贡献度评测样本的准确度，并依据所述基准准确度计算得到准确度下降幅度，作为第i个脑区的贡献度；
所述异常脑区获取模块，配置为采用步骤A40、A50的方法对各脑区进行遍历，并选择贡献度满足预设的阈值的脑区作为所选择的异常脑区；
本实施例中所述分类模型基于循环神经网络构建，其训练样本包括特定精神疾病的脑区-时序特征矩阵样本、真实样本标签。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的功能磁共振影像的分类预测系统、基于功能磁共振影像的异常脑区识别系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的功能磁共振影像的分类预测系统、基于功能磁共振影像的异常脑区识别系统，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。
本发明第五实施例的一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的上述功能磁共振影像的分类预测方法，或者上述基于功能磁共振影像的异常脑区识别方法。
本发明第六实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的上述功能磁共振影像的分类预测方法，或者上述基于功能磁共振影像的异常脑区识别方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
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、方法步骤，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)
1.一种功能磁共振影像的分类预测方法，其特征在于，包括：
步骤S10，获取被测对象的功能磁共振影像组，包括多个功能磁共振影像；
步骤S20，分别对每个功能磁共振影像的各脑区进行特征降维，并基于功能磁共振影像组中各功能磁共振影像的时间序列，构建脑区-时序特征矩阵；
步骤S30，将所述脑区-时序特征矩阵，通过预先训练好的分类模型进行分类预测；
其中，
所述分类模型基于循环神经网络构建，其训练样本包括特定精神疾病的脑区-时序特征矩阵样本、真实样本标签。
2.根据权利要求1所述的功能磁共振影像的分类预测，其特征在于，步骤S10还包括对所获取的功能磁共振影像进行预处理，并将预处理后的功能磁共振影像作为步骤S20进行特征降维的对象；
预处理的方法包括头动校正、层间时间校正、标准化到蒙特利尔标准空间、回归去除6个方向上的头动参数和白质信号和脑脊液信号以及它们的一阶导数、基于带宽滤波器进行滤波、采用高斯滤波核做平滑、去除影像中的噪声中的一种或多种。
3.根据权利要求1所述的功能磁共振影像的分类预测，其特征在于，步骤S20中“分别对每个功能磁共振影像的各脑区进行特征降维”，其方法为：
分别对每个功能磁共振影像进行脑区划分；
分别计算各脑区中所有体素的平均值作为该脑区的特征值。
4.根据权利要求3所述的功能磁共振影像的分类预测，其特征在于，步骤S20中所属构建脑区-时序特征矩阵为一个T×n的二维矩阵，该矩阵中的元素表示为(i,Qj,i)；其中，n为脑图谱定义脑区的总数，T为被测对象功能磁共振影像的总数，(i,Qj,i)为第j个功能磁共振影像第i个脑区的特征值。
5.根据权利要求1-4任一项所述的功能磁共振影像的分类预测，其特征在于，步骤S20的“每个功能磁共振影像的各脑区”，通过脑网络组图谱对每个功能磁共振影像进行脑区划分获得。
6.一种基于功能磁共振影像的异常脑区识别方法，其特征在于，包括：
步骤A10，对第一测试样本集中各功能磁共振影像组，采用步骤S20的方法分别构建各功能磁共振影像组的脑区-时序特征矩阵；
步骤A20，基于测试样本中各功能磁共振影像组的真实样本标签、脑区-时序特征矩阵，构建第二测试样本集；
步骤A30，基于第二测试样本集，通过预先训练好的分类模型进行分类预测，获取基准准确度；
步骤A40，将第二测试样本集中各脑区-时序特征矩阵，对第i个脑区各时序下的特征采用该脑区所有时序下的特征均值进行替换，生成第i个脑区的贡献度评测样本；
步骤A50，基于第i个脑区的贡献度评测样本，通过预先训练好的分类模型进行分类预测，获取第i个脑区的贡献度评测样本的准确度，并依据所述基准准确度计算得到准确度下降幅度，作为第i个脑区的贡献度；
步骤A60，采用步骤A40、A50的方法对各脑区进行遍历，并选择贡献度满足预设的阈值的脑区作为所选择的异常脑区；
其中，
所述分类模型基于循环神经网络构建，其训练样本包括特定精神疾病的脑区-时序特征矩阵样本、真实样本标签。
7.一种功能磁共振影像的分类预测系统，其特征在于，包括：获取模块、特征提取模块、分类预测模块；
所述获取模块，配置为获取被测对象的功能磁共振影像组，包括多个功能磁共振影像；
所述特征提取模块，配置为分别对每个功能磁共振影像的各脑区进行特征降维，并基于功能磁共振影像组中各功能磁共振影像的时间序列，构建脑区-时序特征矩阵；
所述分类预测模块，配置为将所述脑区-时序特征矩阵，通过预先训练好的分类模型进行分类预测；其中，所述分类模型基于循环神经网络构建，其训练样本包括特定精神疾病的脑区-时序特征矩阵样本、真实样本标签。
8.一种基于功能磁共振影像的异常脑区识别系统，其特征在于，包括特征提取模块、第二测试样本集构建模块、基准准确度计算模块、贡献度评测样本生成模块、脑区的贡献度计算模块、异常脑区获取模块；
所述特征提取模块，配置为对第一测试样本集中各功能磁共振影像组，采用步骤S20的方法分别构建各功能磁共振影像组的脑区-时序特征矩阵；
所述第二测试样本集构建模块，配置为基于测试样本中各功能磁共振影像组的真实样本标签、脑区-时序特征矩阵，构建第二测试样本集；
所述基准准确度计算模块，配置为基于第二测试样本集，通过预先训练好的分类模型进行分类预测，获取基准准确度；
所述贡献度评测样本生成模块，配置为将第二测试样本集中各脑区-时序特征矩阵，对第i个脑区各时序下的特征采用该脑区所有时序下的特征均值进行替换，生成第i个脑区的贡献度评测样本；
所述脑区的贡献度计算模块，配置为基于第i个脑区的贡献度评测样本，通过预先训练好的分类模型进行分类预测，获取第i个脑区的贡献度评测样本的准确度，并依据所述基准准确度计算得到准确度下降幅度，作为第i个脑区的贡献度；
所述异常脑区获取模块，配置为采用步骤A40、A50的方法对各脑区进行遍历，并选择贡献度满足预设的阈值的脑区作为所选择的异常脑区；
其中，
所述分类模型基于循环神经网络构建，其训练样本包括特定精神疾病的脑区-时序特征矩阵样本、真实样本标签。
9.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-5任一项所述功能磁共振影像的分类预测方法，或者权利要求6所述基于功能磁共振影像的异常脑区识别方法。
10.一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-5任一项所述功能磁共振影像的分类预测方法，或者权利要求6所述基于功能磁共振影像的异常脑区识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811643975.0A CN109770903B (zh) | 2018-12-29 | 2018-12-29 | 功能磁共振影像的分类预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811643975.0A CN109770903B (zh) | 2018-12-29 | 2018-12-29 | 功能磁共振影像的分类预测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109770903A true CN109770903A (zh) | 2019-05-21 |
| CN109770903B CN109770903B (zh) | 2019-12-20 |
Family
ID=66499589
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811643975.0A Active CN109770903B (zh) | 2018-12-29 | 2018-12-29 | 功能磁共振影像的分类预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109770903B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110674872A (zh) * | 2019-09-24 | 2020-01-10 | 广州大学 | 一种高维磁共振影像的分类方法及装置 |
| CN110889836A (zh) * | 2019-11-22 | 2020-03-17 | 中国人民解放军第四军医大学 | 一种影像数据分析方法、装置、终端设备及存储介质 |
| CN111062420A (zh) * | 2019-11-26 | 2020-04-24 | 深圳大学 | 脑结构特征选择方法、移动终端及计算机可读存储介质 |
| CN111488934A (zh) * | 2020-04-13 | 2020-08-04 | 脑结构(南京)科技有限公司 | 脑影像数据处理方法、存储介质、计算机设备和装置 |
| CN112052882A (zh) * | 2020-08-14 | 2020-12-08 | 北京师范大学 | 磁共振脑结构影像的分类模型构建、分类与可视化方法 |
| CN112185523A (zh) * | 2020-09-30 | 2021-01-05 | 南京大学 | 基于多尺度卷积神经网络的糖尿病视网膜病变分类方法 |
| CN112257769A (zh) * | 2020-10-19 | 2021-01-22 | 中国科学院自动化研究所 | 基于强化学习类脑读图的多层核磁影像分类方法及系统 |
| CN112614126A (zh) * | 2020-12-31 | 2021-04-06 | 中国科学院自动化研究所 | 基于机器学习的磁共振图像脑区划分方法、系统和装置 |
| CN113591860A (zh) * | 2021-06-24 | 2021-11-02 | 深圳大学 | 一种图像分类方法、装置及存储介质 |
| CN113723239A (zh) * | 2021-08-18 | 2021-11-30 | 广东工业大学 | 一种基于因果关系的磁共振图像分类方法及系统 |
| CN115005798A (zh) * | 2022-06-02 | 2022-09-06 | 四川大学 | 一种基于连边功能连接的脑影像特征提取方法 |
| CN115937087A (zh) * | 2022-10-11 | 2023-04-07 | 首都医科大学附属北京友谊医院 | 脑灌注状态分类方法、装置、设备和存储介质 |
Citations (3)
| 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 |
| US9072496B2 (en) * | 2012-02-02 | 2015-07-07 | International Business Machines Corporation | Method and system for modeling and processing fMRI image data using a bag-of-words approach |
| CN106156484A (zh) * | 2016-06-08 | 2016-11-23 | 中国科学院自动化研究所 | 基于磁共振影像的脑疾病个体化预测方法和系统 |
-
2018
- 2018-12-29 CN CN201811643975.0A patent/CN109770903B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9072496B2 (en) * | 2012-02-02 | 2015-07-07 | International Business Machines Corporation | Method and system for modeling and processing fMRI image data using a bag-of-words approach |
| 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 |
| CN106156484A (zh) * | 2016-06-08 | 2016-11-23 | 中国科学院自动化研究所 | 基于磁共振影像的脑疾病个体化预测方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| H N SUMA 等: "Neural Network Approach towards Pattern Classification using fMRI Activation Maps", 《PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATION ENGINEERING 2008》 * |
| MADIHA J. JAFRI 等: "Functional Classification of Schizophrenia Using Feed Forward Neural Networks", 《PROCEEDINGS OF THE 28TH IEEE EMBS ANNUAL INTERNATIONAL CONFERENCE》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110674872B (zh) * | 2019-09-24 | 2022-03-01 | 广州大学 | 一种高维磁共振影像的分类方法及装置 |
| CN110674872A (zh) * | 2019-09-24 | 2020-01-10 | 广州大学 | 一种高维磁共振影像的分类方法及装置 |
| CN110889836A (zh) * | 2019-11-22 | 2020-03-17 | 中国人民解放军第四军医大学 | 一种影像数据分析方法、装置、终端设备及存储介质 |
| CN111062420A (zh) * | 2019-11-26 | 2020-04-24 | 深圳大学 | 脑结构特征选择方法、移动终端及计算机可读存储介质 |
| CN111062420B (zh) * | 2019-11-26 | 2023-04-25 | 深圳大学 | 脑结构特征选择方法、移动终端及计算机可读存储介质 |
| CN111488934A (zh) * | 2020-04-13 | 2020-08-04 | 脑结构(南京)科技有限公司 | 脑影像数据处理方法、存储介质、计算机设备和装置 |
| CN112052882A (zh) * | 2020-08-14 | 2020-12-08 | 北京师范大学 | 磁共振脑结构影像的分类模型构建、分类与可视化方法 |
| CN112052882B (zh) * | 2020-08-14 | 2023-08-22 | 北京师范大学 | 磁共振脑结构影像的分类模型构建、分类与可视化方法 |
| CN112185523A (zh) * | 2020-09-30 | 2021-01-05 | 南京大学 | 基于多尺度卷积神经网络的糖尿病视网膜病变分类方法 |
| CN112185523B (zh) * | 2020-09-30 | 2023-09-08 | 南京大学 | 基于多尺度卷积神经网络的糖尿病视网膜病变分类方法 |
| CN112257769B (zh) * | 2020-10-19 | 2022-10-21 | 中国科学院自动化研究所 | 基于强化学习类脑读图的多层核磁影像分类方法及系统 |
| CN112257769A (zh) * | 2020-10-19 | 2021-01-22 | 中国科学院自动化研究所 | 基于强化学习类脑读图的多层核磁影像分类方法及系统 |
| CN112614126A (zh) * | 2020-12-31 | 2021-04-06 | 中国科学院自动化研究所 | 基于机器学习的磁共振图像脑区划分方法、系统和装置 |
| CN113591860A (zh) * | 2021-06-24 | 2021-11-02 | 深圳大学 | 一种图像分类方法、装置及存储介质 |
| CN113723239A (zh) * | 2021-08-18 | 2021-11-30 | 广东工业大学 | 一种基于因果关系的磁共振图像分类方法及系统 |
| CN113723239B (zh) * | 2021-08-18 | 2023-10-20 | 广东工业大学 | 一种基于因果关系的磁共振图像分类方法及系统 |
| CN115005798A (zh) * | 2022-06-02 | 2022-09-06 | 四川大学 | 一种基于连边功能连接的脑影像特征提取方法 |
| CN115937087A (zh) * | 2022-10-11 | 2023-04-07 | 首都医科大学附属北京友谊医院 | 脑灌注状态分类方法、装置、设备和存储介质 |
| CN115937087B (zh) * | 2022-10-11 | 2023-06-23 | 首都医科大学附属北京友谊医院 | 脑灌注状态分类方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109770903B (zh) | 2019-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109770903A (zh) | 功能磁共振影像的分类预测方法、系统、装置 | |
| US20230127698A1 (en) | Automated stereology for determining tissue characteristics | |
| Bjornsson et al. | Associative image analysis: a method for automated quantification of 3D multi-parameter images of brain tissue | |
| Ke et al. | Exploring the structural and strategic bases of autism spectrum disorders with deep learning | |
| Gillette et al. | The DIADEM metric: comparing multiple reconstructions of the same neuron | |
| CN107133651B (zh) | 基于超网络判别子图的功能磁共振影像数据分类方法 | |
| CN113255728B (zh) | 一种基于图嵌入和多模态脑网络的抑郁症分类方法 | |
| CN106156484A (zh) | 基于磁共振影像的脑疾病个体化预测方法和系统 | |
| Norouzifard et al. | Automated glaucoma diagnosis using deep and transfer learning: Proposal of a system for clinical testing | |
| Aghili et al. | Predictive modeling of longitudinal data for alzheimer’s disease diagnosis using rnns | |
| CN111863244B (zh) | 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 | |
| CN102436551B (zh) | 基于目标跟踪的胃部切片图像处理方法 | |
| Bagaskara et al. | Evaluation of VGG-16 and VGG-19 deep learning architecture for classifying dementia people | |
| CN110931112A (zh) | 一种基于多维信息融合和深度学习的脑部医学影像分析方法 | |
| CN109359403A (zh) | 一种基于面孔表情识别磁共振成像的精神分裂症早期诊断模型及其应用 | |
| Spitzer et al. | Parcellation of visual cortex on high-resolution histological brain sections using convolutional neural networks | |
| CN109087702B (zh) | 用于中医健康状态分析的四诊表征信息融合方法 | |
| Alahmadi et al. | Classifying cognitive profiles using machine learning with privileged information in mild cognitive impairment | |
| CN117116434B (zh) | 人脑白质结构连接组的个体差异评估方法、应用及装置 | |
| Maduri et al. | Malaria detection using image processing and machine learning | |
| Wanner et al. | Methods for mapping neuronal activity to synaptic connectivity: lessons from larval zebrafish | |
| CN116959714A (zh) | 一种自闭症谱系障碍分类方法、电子设备及存储介质 | |
| CN110738641A (zh) | 基于图像处理及kelm的医药试剂浓度定性检测方法 | |
| CN115337000A (zh) | 基于脑结构影像评估疾病引起大脑衰老的机器学习方法 | |
| CN114847922A (zh) | 一种基于纤维束自动识别的脑年龄预测方法 |
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 |