CN109858513A - 基于脑灰质白质形态特征多重降维的脑认知能力测量方法 - Google Patents
基于脑灰质白质形态特征多重降维的脑认知能力测量方法 Download PDFInfo
- Publication number
- CN109858513A CN109858513A CN201811573452.3A CN201811573452A CN109858513A CN 109858513 A CN109858513 A CN 109858513A CN 201811573452 A CN201811573452 A CN 201811573452A CN 109858513 A CN109858513 A CN 109858513A
- Authority
- CN
- China
- Prior art keywords
- white matter
- cognitive ability
- ectocinerea
- matter
- dimensionality reduction
- 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
- 210000004885 white matter Anatomy 0.000 title claims abstract description 93
- 230000003930 cognitive ability Effects 0.000 title claims abstract description 54
- 210000004556 brain Anatomy 0.000 title claims abstract description 43
- 230000009467 reduction Effects 0.000 title claims abstract description 40
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 22
- 238000000691 measurement method Methods 0.000 title claims abstract description 17
- 210000004884 grey matter Anatomy 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000009792 diffusion process Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 230000001149 cognitive effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000002598 diffusion tensor imaging Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000001054 cortical effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 208000024806 Brain atrophy Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005714 functional activity Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- 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灰质白质形态特征多重降维的脑认知能力测量方法，旨在为了解决即为了解决脑认知能力测量的智能化与便捷化问题。本发明方法包括：对输入的磁共振图像进行特征提取，获得体素层面计算得到的灰质、白质的局部特征；对获得的灰质、白质的局部特征进行正交投影降维；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，并输出测量结果。本发明通过磁共振图像进行认知能力测量是实现了脑认知能力测量的自动化、智能化与便捷化。
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灰质白质形态特征多重降维的脑认知能力测量方法。
背景技术
目前测量人脑认知能力的方式，主要是问卷测量的方式，比如考试测验、问卷调查等方式。这种方式通常会受到主管因素的干扰，包括主试或被试的情绪或精神状态的影响，因此通常很难得到稳定客观的评测结果。目前随着脑成像技术的进步，已经能够以高时空分辨率的形式测量得到脑的结构和功能活动信息。但是，由于功能活动的测量需要花费较多的时间，在测量中也需要设计特定的任务让被试执行，在实际应用中推广受到较多限制。因此，实际应用中需要一种基于简单的能够稳定测量的人脑信号来评估人脑的认知能力。
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，提出了一种基于脑灰质白质形态特征多重降维的脑认知能力测量方法，包括：
步骤S10，对输入的磁共振图像进行特征提取，获得体素层面计算得到的灰质、白质的局部特征；
步骤S20，对步骤S10中获得的灰质、白质的局部特征进行正交投影降维；
步骤S30，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，并输出测量结果；
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：
将磁共振图像样本，通过步骤S10的方法获取灰质、白质的局部特征，并通过S20的方法进行降维获取。
在一些优选实施例中，所述磁共振图像包括磁共振T1结构图像，其灰质、白质的局部特征提取的方法为：
对磁共振T1结构图像进行脑组织分割，获取脑灰质皮层、白质结构，并分别进行建模；
基于脑灰质皮层模型中脑灰质皮层的外表面、内表面以及中间层面，计算脑灰质皮层的中间层每个体素位置的皮层厚度、皮层复杂度，以及脑灰质皮层的内表面两侧灰质和白质的灰度比值；
基于白质结构模型，计算白质的总体积；
将脑灰质皮层的中间层每个体素位置的皮层厚度、皮层复杂度，脑灰质皮层的内表面两侧灰质和白质的灰度比值，以及白质的总体积作为所提取的灰质、白质的局部特征。
在一些优选实施例中，所述磁共振图像还包括扩散磁共振所表示的结构图像，其特征提取的方法为：
通过扩散张量成像或者高角度分辨率的扩散磁共振成像，计算反映脑白质纤维结构信息的指标，并将该指标作为所提取的特征加入灰质、白质的局部特征；
所述反映脑白质纤维结构信息的指标包括白质的髓鞘化程度、和/或水分子扩散平均受阻碍程度。
在一些优选实施例中，所述皮层复杂度采用网格计数法进行计算获取；和/或
所述脑灰质皮层的内表面两侧灰质和白质的灰度比值，其获取方法为：对于一个灰质体素，获取器对应白质表面的法线，以法线和灰质表面的交点为起始点，往灰质和白质方向分别移动d/2后两个位置的灰质值和白质值的比值即为所要计算的灰度比值；其中d为该灰度体素位置的灰质厚度。
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。
本发明的第二方面，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现上述的基于脑灰质白质形态特征多重降维的脑认知能力测量方法。
本发明的第三方面，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实现上述的基于脑灰质白质形态特征多重降维的脑认知能力测量方法。
本发明的有益效果：
1.对被试的数据要求低，只要求磁共振结构T1图像或磁共振扩散加权图像(DWI)，或者两者的组合，而不需要被试对象参与任务执行，避免了任务设计带来的不确定性；而且通过计算机手段进行磁共振图像的特征提取，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，进行认知能力测量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。
2.该方法在体素水平进行训练，充分利用了结构图像的特征，并且通过综合利用测量对象和预测对象进行有效降维，使得在低维空间进行回归预测，有更好的稳定性和泛化性能。
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灰质白质形态特征多重降维的脑认知能力测量方法流程示意图。
具体实施方式
为使本发明目的、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。
本发明的一种基于脑灰质白质形态特征多重降维的脑认知能力测量方法，如图1所示，包括：
步骤S10，对输入的磁共振图像进行特征提取，获得体素层面计算得到的灰质、白质的局部特征；
步骤S20，对步骤S10中获得的灰质、白质的局部特征进行正交投影降维；
步骤S30，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，并输出测量结果；
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。
为了更清晰地对本发明基于脑灰质白质形态特征多重降维的脑认知能力测量方法进行说明，下面结合附图对本方发明方法一种实施例中各步骤进行展开详述。
步骤S10，对输入的磁共振图像进行特征提取，获得体素层面计算得到的灰质、白质的局部特征。
磁共振图像为磁共振T1结构图像时，则先进行脑组织分割，分割出脑灰质皮层、白质结构，并分别进行建模，进而获取灰质、白质的局部特征，包括：脑灰质皮层的中间层每个体素位置的皮层厚度、皮层复杂度，脑灰质皮层的内表面两侧灰质和白质的灰度比值，以及白质的总体积。结合局部特征的需求，还可以对分割和特征提取进一步扩充，例如分割出的结构包括脑灰质皮层、白质结构、脑室，以及脑皮层外的组织(包括脑脊液颅骨等)，随后对所提取的脑组织进行建模并提取结构特征。
对于脑灰质皮层，通过脑灰质皮层模型获取脑灰质皮层的外表面、内表面以及中间层面，利用这三个层面的结构信息，计算脑灰质皮层的中间层每个体素位置的皮层厚度、皮层复杂度，以及脑灰质皮层的内表面两侧灰质和白质的灰度比值。
脑灰质皮层的中间层每个体素位置的皮层厚度为：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。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。
脑灰质皮层的中间层每个体素位置的皮层复杂度(FC,fractaldimensionality)，采用Caserta等人1995年提出的网格计数法(Caserta et al,Determination of fractal dimension of physiologically characterized neuronsin two and three dimensions,J Neurosci Methods,1995)计算，还可以进一步参考Madan的论文(Madan and Kensinger,Cortical complexity as a measure of age-related brain atrophy,Neuroimage 2016)，此处不再展开描述。
脑灰质皮层的内表面两侧灰质和白质的灰度比值，其获取方法为：对于一个灰质体素，获取器对应白质表面的法线，以法线和灰质表面的交点为起始点，往灰质和白质方向(相反的方向)分别移动d/2后两个位置的灰质值和白质值的比值即为所要计算的灰度比值；其中d为该灰度体素位置的灰质厚度。
白质的总体积的计算方式是，计算机与结构图像(T1)分割灰质、白质、脑脊液之后的白质区域的总体素个数，随后乘以体素大小即可。
本实施例的灰质、白质的局部特征包括：脑灰度皮层的中间层每个体素位置的皮层厚度、皮层复杂度，脑灰度皮层的内表面两侧灰质和白质的灰度比值，以及白质的总体积。
如果输入的图像还包括扩散磁共振所表示的结构图像，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，并将该指标作为所提取的特征加入灰质、白质的局部特征。反映脑白质纤维结构信息的指标包括白质的髓鞘化程度FA(Fractional Anisotropy)、和/或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(2)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(3)所示：
如果输入的图像还包括扩散磁共振所表示的结构图像时，灰质、白质的局部特征还可以增加白质的髓鞘化程度、和/或水分子扩散平均受阻碍程度。
步骤S20，对步骤S10中获得的灰质、白质的局部特征进行正交投影降维。
基于样本数据库获取投影矩阵U和V：假设样本数据库中的脑影像数据样本经步骤S10提取后的特征的集合为Xm×n，(m为样本个数，n为特征的个数)，样本数据库中认知能力标签为Ym×k，k≤n，对Xm×n、Ym×k采用偏相关最小二乘的方法进行综合正交投影分解，如公式(4)所示：
R＝YTX＝UΔVT, (4)
其中，R表示Y和X的协方差矩阵，UΔVT通过对YTX进行奇异值分解后得到，进而得到两个正交矩阵U和V。因此，在正交变换后的空间可以得到X和Y的投影LX和LY，分别如式(5)、(6)所示，
LX＝XV (5)
LY＝YU (6)
因为正交投影涉及多个脑区，所以最后选出的特征可能是某单一脑区的特征，也有可能是多个脑区的特征的组合。因此，对灰质、白质的局部特征降维后得到的局部特征为某些脑区的灰质/白质特征，或者是多个脑区的特征的组合。
在实际计算过程中，降维的方式可以通过选取主要成分来实现。利用通过样本数据库获取的投影矩阵U和V，对新来的被试样本，在按照上述方式提取了局部系列特征以后，根据投影矩阵U和V对被测对象的局部特征采用公式(2)、(3)的方法进行投影分解降维。该方法不但通过正交投影减少了变量的冗余信息，并且在正交分解的同时考虑了自变量和因变量的共同的空间信息，使得更能有效去除后续回归信息的冗余。这是与传统的降维方式，比如主成分分析(PCA)等方法相比最大的优势。
步骤S30，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，并输出测量结果。
基于预先构建的认知能力-局部特征对应关系，可以对输入磁共振图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，可以对输入磁共振图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，通过步骤S10的方法获取灰质、白质的局部特征，并通过S20的方法进行降维获取局部特征样本，构建第二样本数据集。原始样本包括磁共振图像样本、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。
本发明第二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基于脑灰质白质形态特征多重降维的脑认知能力测量方法。
本发明第三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基于脑灰质白质形态特征多重降维的脑认知能力测量方法。
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)
1.一种基于脑灰质白质形态特征多重降维的脑认知能力测量方法，其特征在于，包括：
步骤S10，对输入的磁共振图像进行特征提取，获得体素层面计算得到的灰质、白质的局部特征；
步骤S20，对步骤S10中获得的灰质、白质的局部特征进行正交投影降维；
步骤S30，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，并输出测量结果；
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所述的基于脑灰质白质形态特征多重降维的脑认知能力测量方法，其特征在于，所述的局部特征样本，其获取方法为：
将磁共振图像样本，通过步骤S10的方法获取灰质、白质的局部特征，并通过S20的方法进行降维获取。
3.根据权利要求1所述的基于脑灰质白质形态特征多重降维的脑认知能力测量方法，其特征在于，所述磁共振图像包括磁共振T1结构图像，其灰质、白质的局部特征提取的方法为：
对磁共振T1结构图像进行脑组织分割，获取脑灰质皮层、白质结构，并分别进行建模；
基于脑灰质皮层模型中脑灰质皮层的外表面、内表面以及中间层面，计算脑灰质皮层的中间层每个体素位置的皮层厚度、皮层复杂度，以及脑灰质皮层的内表面两侧灰质和白质的灰度比值；
基于白质结构模型，计算白质的总体积；
将脑灰质皮层的中间层每个体素位置的皮层厚度、皮层复杂度，脑灰质皮层的内表面两侧灰质和白质的灰度比值，以及白质的总体积作为所提取的灰质、白质的局部特征。
4.根据权利要求3所述的基于脑灰质白质形态特征多重降维的脑认知能力测量方法，其特征在于，所述磁共振图像还包括扩散磁共振所表示的结构图像，其特征提取的方法为：
通过扩散张量成像或者高角度分辨率的扩散磁共振成像，计算反映脑白质纤维结构信息的指标，并将该指标作为所提取的特征加入灰质、白质的局部特征；
所述反映脑白质纤维结构信息的指标包括白质的髓鞘化程度、和/或水分子扩散平均受阻碍程度。
5.根据权利要求3所述的基于脑灰质白质形态特征多重降维的脑认知能力测量方法，其特征在于，所述皮层复杂度采用网格计数法进行计算获取；和/或
所述脑灰质皮层的内表面两侧灰质和白质的灰度比值，其获取方法为：对于一个灰质体素，获取器对应白质表面的法线，以法线和灰质表面的交点为起始点，往灰质和白质方向分别移动d/2后两个位置的灰质值和白质值的比值即为所要计算的灰度比值；其中d为该灰度体素位置的灰质厚度。
6.根据权利要求4所述的基于脑灰质白质形态特征多重降维的脑认知能力测量方法，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。
7.根据权利要求4所述的基于脑灰质白质形态特征多重降维的脑认知能力测量方法，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。
8.根据权利要求1-7中任一项所述的基于脑灰质白质形态特征多重降维的脑认知能力测量方法，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。
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1-8中任一项所述的基于脑灰质白质形态特征多重降维的脑认知能力测量方法。
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1-8中任一项所述的基于脑灰质白质形态特征多重降维的脑认知能力测量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811573452.3A CN109858513B (zh) | 2018-12-21 | 2018-12-21 | 基于脑灰质白质形态特征多重降维的脑认知能力测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811573452.3A CN109858513B (zh) | 2018-12-21 | 2018-12-21 | 基于脑灰质白质形态特征多重降维的脑认知能力测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109858513A true CN109858513A (zh) | 2019-06-07 |
| CN109858513B CN109858513B (zh) | 2021-01-29 |
Family
ID=66891886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811573452.3A Active CN109858513B (zh) | 2018-12-21 | 2018-12-21 | 基于脑灰质白质形态特征多重降维的脑认知能力测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109858513B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113545751A (zh) * | 2021-07-20 | 2021-10-26 | 遵义医科大学附属医院 | 基于机器学习的Rolandic癫痫儿童的脑龄评估方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101002104A (zh) * | 2004-05-04 | 2007-07-18 | 卑尔根大学研究基金会 | 动脉输入和组织残留函数在灌注磁共振成像中的盲确定 |
| CN105976393A (zh) * | 2016-05-30 | 2016-09-28 | 北京理工大学 | 大脑局灶性病变自动探测方法及装置 |
| CN108154924A (zh) * | 2017-12-07 | 2018-06-12 | 广州市本真网络科技有限公司 | 基于支持向量机的阿尔茨海默症特征分类方法及系统 |
-
2018
- 2018-12-21 CN CN201811573452.3A patent/CN109858513B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101002104A (zh) * | 2004-05-04 | 2007-07-18 | 卑尔根大学研究基金会 | 动脉输入和组织残留函数在灌注磁共振成像中的盲确定 |
| CN105976393A (zh) * | 2016-05-30 | 2016-09-28 | 北京理工大学 | 大脑局灶性病变自动探测方法及装置 |
| CN108154924A (zh) * | 2017-12-07 | 2018-06-12 | 广州市本真网络科技有限公司 | 基于支持向量机的阿尔茨海默症特征分类方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| DENIS LE BIHAN ET AL.: "Diffusion Tensor Imaging: Concepts and Applications", 《JOURNAL OF MAGNETIC RESONANCE IMAGING》 * |
| 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》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113545751A (zh) * | 2021-07-20 | 2021-10-26 | 遵义医科大学附属医院 | 基于机器学习的Rolandic癫痫儿童的脑龄评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109858513B (zh) | 2021-01-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Esses et al. | Automated image quality evaluation of T2‐weighted liver MRI utilizing deep learning architecture | |
| JP7438230B2 (ja) | 予測モデルを用いたモデルパラメータの判定 | |
| Fillard et al. | Quantitative evaluation of 10 tractography algorithms on a realistic diffusion MR phantom | |
| Zhang et al. | Automated quality assessment of cardiac MR images using convolutional neural networks | |
| Alexander | An introduction to computational diffusion MRI: the diffusion tensor and beyond | |
| CN112036678B (zh) | 一种磁共振影像的综合质量评价体系构建方法及质控方法 | |
| US9402562B2 (en) | Systems and methods for improved tractographic processing | |
| CN106981051A (zh) | 用于运动解析的mri的系统和方法 | |
| CN106793971A (zh) | 磁共振成像装置 | |
| Canales-Rodríguez et al. | Comparison of non-parametric T2 relaxometry methods for myelin water quantification | |
| CN109498037A (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 | |
| Zhang et al. | Multi-input and dataset-invariant adversarial learning (MDAL) for left and right-ventricular coverage estimation in cardiac MRI | |
| Tax et al. | Sheet Probability Index (SPI): Characterizing the geometrical organization of the white matter with diffusion MRI | |
| CN112990266A (zh) | 多模态脑影像数据处理的方法、装置、设备及存储介质 | |
| CN102202572B (zh) | 用于提供实时扩散峭度成像的系统和方法 | |
| Adluru et al. | Cosine series representation of 3D curves and its application to white matter fiber bundles in diffusion tensor imaging | |
| CN109858513A (zh) | 基于脑灰质白质形态特征多重降维的脑认知能力测量方法 | |
| CN106296682B (zh) | 用于医学图像中文本区域检测的方法及装置 | |
| CN108961292A (zh) | 一种在脑部医学图像中检测msp的方法和装置 | |
| CN109598201A (zh) | 动作检测方法、装置、电子设备及可读存储介质 | |
| Tarroni et al. | Learning-based heart coverage estimation for short-axis cine cardiac MR images | |
| WO2014106747A1 (en) | Methods and apparatus for image processing | |
| CN109646001A (zh) | 基于脑影像的脑认知能力测量系统 | |
| Yu et al. | Local tests for identifying anisotropic diffusion areas in human brain with DTI | |
| Il’yasov et al. | Validation of MRI-based fiber-tracking results |
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 |