CN109935321B - 基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测系统 - Google Patents
基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测系统 Download PDFInfo
- Publication number
- CN109935321B CN109935321B CN201910290482.1A CN201910290482A CN109935321B CN 109935321 B CN109935321 B CN 109935321B CN 201910290482 A CN201910290482 A CN 201910290482A CN 109935321 B CN109935321 B CN 109935321B
- Authority
- CN
- China
- Prior art keywords
- brain
- matrix
- magnetic resonance
- converting
- patient
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明属于图像处理和信号处理技术领域,特别涉及一种功能核磁共振影像数据的抑郁症转为双相情感障碍的风险预测系统,1)利用功能核磁共振技术,提取静息态功能信号;2)构建大脑动态功能网络,并对其进行稀疏化;3)构建多层模块化网络,计算动态模块化矩阵;4)计算模块化后的属性作为特征;5)运用支持向量机,采取非线性高斯核函数,构建单相患者转为双相情感障碍的风险预测模型,用以判断当前抑郁发作、无躁狂或轻躁狂发作历史的抑郁症患者是否具有转为双相情感障碍的风险;本发明形成的模型优点为纯数据驱动,完全由患者脑区信号来构建模型用于甄别抑郁症患者是否转为双相情感障碍的风险,避免了主观因素带来的误差。
Description
技术领域
本发明属于图像处理和信号处理技术领域,特别涉及一种功能核磁共振影像数据的抑郁症转为双相情感障碍的风险预测系统。
背景技术
双相情感障碍是一种复发性疾病,伴有认知和功能障碍、情绪状态和能量的波动以及行为的改变。临床上,双相情感障碍和单相抑郁症患者难以区分,因为双相情感障碍的症状包括反复发作的抑郁和躁狂/轻躁狂,但抑郁状态是病程中最常见的情绪状态。此外,阈下躁狂症状也使得两种疾病相互双混淆。将双相情感障碍误诊为抑郁症可能导致不恰当的治疗,预后较差,自杀倾向增加等不良事件。目前,只有五分之一的双相情感障碍患者寻求治疗的第一年得到正确的诊断。
众多临床已经采取措施来识别单相抑郁症转为双相情感障碍的风险:包括一些临床特点,如起病年龄早(小于25岁),双相障碍或者自杀家族史,更频繁的抑郁发作,伴有精神症状,存在药物滥用;此外,许多临床评分量表被用来识别阈下躁狂/轻躁狂症状,以帮助早期识别双相障碍,如情绪障碍问卷,轻躁狂量表,双相情感障碍症状量表,抑郁症极性筛查评估。尽管上述临床措施具有一定的效用,上述策略仍然缺乏足够的特异性来减少诊断的不确定性,严重依赖于医生的专业知识和主观判断。
根据目前功能核磁共振的血氧水平信号是不平稳的,本发明对信号进行动态划分,以大脑脑区之间的动态交互为基础,量化大脑的功能活动;进一步将满足五年随访期的抑郁症患者(有文献表明其转为双相情感障碍的几率极低)和扫描时被诊断为抑郁症后在随访过程中转为双相情感障碍的患者纳入研究,以期寻找到客观的生物标记用以判断抑郁症是否具有转相的风险。
发明内容
本发明解决现有技术中存在的上述技术问题,提供一种基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测模型,从大脑的动态交互性出发量化脑区之间的交互活动,有效预测抑郁症患者是否具有转为双相情感障碍的风险,从而辅助诊断,减少主观因素的干扰。
为解决上述问题,本发明的技术方案如下:
一种基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测模型,所述风险预测模型的构建方法包括以下步骤:
步骤1,利用功能核磁共振成像技术,在患者的大脑功能影像上提取患者的静息态血氧依赖水平信号,所述信号为时间序列形式;
步骤2,根据静息态血氧依赖水平信号时间序列,采用滑动时间窗的方式计算全脑动态功能连接,构建大脑的动态功能网络;
步骤3,对步骤2中所得的大脑的动态功能网络,按时序构建多层模块化网络,计算动态模块化矩阵;
步骤4,根据动态模块化矩阵,计算模块忠诚度矩阵作为后续模型建立的特征矩阵;
步骤5,运用主成分分析(PCA)对特征矩阵进行特征降维,运用支持向量机,采取非线性高斯核函数,构建抑郁症患者转为双相情感障碍的风险预测模型。
优选地,步骤1所述静息态血氧依赖水平信号时间序列提取方法为:根据将人脑划分的95个感兴趣区域,将大脑网络定义为95个节点;利用这些脑区峰值点的空间坐标,以6mm为半径对大脑影像数据以挖球的方式提取时间序列信号,即将球内所有体素(类似于图片中的像素)的平均信号作为该脑区的时间序列信号。
优选地,步骤2所述构建大脑的动态功能网络的方法为:采用滑动时间窗的方法对脑区的时间序列进行分割;选择窗长为30个时间点,步长为1个时间点,共98个窗;为了提高时间窗的稳定性,计算全脑的动态功能连接时加入了L1范数正则项来稀疏。
优选地,具体的计算方法为:
1)根据每个窗口的时间序列,计算两两节点间的协方差矩阵Σ;
2)运用基于高斯图模型的LASSO算法来估计协方差矩阵的稀疏模式,该算法的目的是发现一个正定阵使以下式最大化:
J=L(Ω)-λ||Ω||1=log(detΩ)-tr(Ω∑)-λ||Ω||1
det和tr分别表示行列式的对数和矩阵的迹,||·||1为矩阵的L1范数,λ是控制Ω稀疏度的正则化参数,Ω即为每个窗口稀疏后的功能连接网络,∑是协方差矩阵。
优选地,步骤3所述动态模块化矩阵计算方法为:
(1)动态模块划分依据由以下质量函数Q定义:
其中,l,r表示不同的时间层(时间窗),i,j表示不同的节点;Aijl表示第l个时间层中节点i和节点j间的功能连接,γl是l层的结构分辨率参数;是定义的零模型,表示l层中节点i和节点j间边的期望权值,其中/>(‘+’和‘-’分别表示所有的正连接和负连接);δlr是狄利克雷函数:当l=r时,δlr=1;否则为0;δij,δ(gil,gjl)用法与δlr相同,即:当i=j时,δij=1;否则为0;δ(gil,gjl)=1;否则为0;ωjlr是层间耦合参数,也可称为时间分辨率参数;gil(gjr)表示第l(r)层的节点i(j)被划分到某个模块;μ表示为网络的边权值之和,定义为/>其中|·|表示边权值的绝对值;
2)动态模块化划分的实现过程就是要将衡量网络模块化的质量函数Q最大化,这样可以将多层网络划分到多个社区,模块内部的总边权值就尽可能大。
优选地,步骤4所述模块忠诚度矩阵的计算方法为:具体计算方法如下:
其中MAij表示节点i和节点j间的模块忠诚度的值,gil,gjl分别表示第l次最优结果中节点i和节点j模块的归属,δ(gil,gjl)是狄利克雷函数;故最终每个被试可以得到一个95×95的对称矩阵,即为模块忠诚度矩阵。
MA表示两个节点被归属到同一个模块的概率,两节点间的MA值越大,表示两个节点之间的亲密度越强。
优选地,步骤5所述构建抑郁症患者转为双相情感障碍的风险预测模型的具体过程为:
1)选择训练样本,纳入两组被试:a)扫描时仅为抑郁发作、且其病史中未有过躁狂或者轻躁狂发作,但在其后续观察中转为双相情感障碍的患者,这里定义为转相患者;b)抑郁症患者,在五年观察期内未转为双相情感障碍的患者,此类患者根据既往研究其在未来转为双相情感障碍患者的概率极低;
2)利用功能核磁共振技术对患者的脑影像进行扫描,对其进行预处理,并按照以上步骤计算MA矩阵;
3)因输入特征的维数远大于样本的数量,采用主成分分析(PCA)对特征矩阵进行特征降维;
4)迭代选择前k个主成分,即PCA降维后形成的前k个特征作支持向量机(SVM)的输入,采用RBF核函数,建立最优的基于功能核磁共振影响数据的抑郁症转为双相情感障碍的风险预测模型,对抑郁发作个体进行是否具有转为双相情感障碍的风险预测。
相对于现有技术,本发明的优点如下,
本发明提出了基于静息态功能磁共振影像数据的抑郁症转为双相情感障碍风险预测模型,以客观的影像学数据来辅助疾病的诊断,采用本发明的技术方案,具有如下优点:
(1)纯数据驱动,通过全脑影像学信号构建动态模块化结构模型,并量化大脑脑区之间的动态交互来判断当前抑郁发作的患者是否具有转为双相情感障碍的风险,此过程没有人工判断参与,避免了主观因素带来的误差。
(2)为抑郁症和双相情感障碍的鉴别提供帮助,加深对两种疾病生理机制上差异的理解,并为临床诊断提供辅助判断信息。
附图说明
图1是本发明提出的基于静息态功能磁共振影像数据的抑郁症转为双相情感障碍风险预测模型的构建流程示意图;
图2是新样本进入模型获得客观评估的流程示意图;
图3是社区探测算法多层网络示意图。
具体实施方式
实施例1:
一种基于静息态功能磁共振影像数据的抑郁症转为双相情感障碍风险预测模型,具体包括如下步骤,如附图1所示:
(1)利用静息态功能磁共振成像技术,对于每个样本的成像数据,既往研究将人脑分为99个感兴趣区域,本模型中因小脑部分未扫全,排除其中4个脑区,一个脑区即为大脑网络的一个节点,共95个节点。利用这些脑区峰值点的空间坐标,以6mm为半径对大脑影像数据以挖球的方式提取时间序列信号,即将球内所有体素(类似于图片中的像素)的平均信号作为该脑区的时间序列信号。
(2)采用滑动时间窗对脑区的时间序列进行分割。选择窗长为30个时间点,步长为1个时间点,共98个窗。为了提高时间窗的稳定性,每个时间窗计算动态功能连接时加入了L1范数正则项来稀疏。具体计算方法如下:
1)根据每个窗口的时间序列,计算两两节点间的协方差矩阵Σ;
2)运用基于高斯图模型的LASSO算法来估计协方差矩阵的稀疏模式,该算法的目的是发现一个正定阵使以下式最大化:
J=L(Ω)-λ||Ω||1=log(detΩ)-tr(Ω∑)-λ||Ω||1
det和tr分别表示行列式的对数和矩阵的迹,||·||1为矩阵的L1范数,λ是控制Ω稀疏度的正则化参数,Ω即为每个窗口稀疏后的功能连接网络,∑是协方差矩阵;
3)由此得到每个被试的大脑动态功能网络。
(3)计算动态模块化矩阵:
1)在得到一系列稀疏的动态脑功能网络后,对该多层网络采用动态模块化算法。该算法要求每个时间层层内节点按动态功能连接值进行连接,相邻层间设置统一耦合度相连,构成完整的网络。如图3所示,假设滑动时间窗选取了时间序列中的四层动态功能连接网络。同一层网络表示某一时间窗内的功能连接,图中用实线表示。相邻时间层的同一节点间假设存在耦合,因为相邻时间层的同一节点间存在着时间依赖性,图中用虚线表示。
2)动态模块化算法将动态功能连接构建的三维脑网络中连接紧密的节点分到一个模块中,连接稀疏的节点分到不同的模块中。具体划分依据由以下质量函数定义:
其中,l,r表示不同的时间层(时间窗),i,j表示不同的节点。Aijl表示第l个时间层中节点i和节点j间的功能连接,γl是l层的结构分辨率参数。是定义的零模型,表示l层中节点i和节点j间边的期望权值,其中/>(‘+’和‘-’分别表示所有的正连接和负连接)。δlr是狄利克雷函数:当l=r时,δlr=1;否则为0(δij,δ(gil,gjl)用法相同,即:当i=j时,δij=1;否则为0;δ(gil,gjl)=1;否则为0;)。ωjlr是层间耦合参数,也可称为时间分辨率参数。gil(gjr)表示第l(r)层的节点i(j)被划分到某个模块。μ表示为网络的边权值之和,定义为/>其中|·|表示边权值的绝对值。
3)动态模块化算法的实现过程就是要将衡量网络模块化的质量函数Q最大化,这样可以将多层网络划分到多个社区,模块内部的总边权值就尽可能大。目标函数的求解采用启发式算法,循环迭代过程如下:每次随机选择一个节点。如果选择节点的相邻节点和它不属于同一个模块,则尝试移动这一节点到其相邻节点所属的模块中去。同时,计算更改节点归属后质量函数的增益。如果更改后质量函数增加,算法保留之前的节点归属模块更改,不然放弃节点归属更改。保持循环直到所有节点在移动后质量函数都没有产生增益时停止这一次的迭代。将此时的节点在各自确定的模块内聚拢,从而形成新的网络。再重复以上步骤继续迭代,直到不能再增加模块化的质量函数为止。
因求解算法的结果为局部最优,所以每个被试的模块化结构都计算了10000次,每100次中选择模块化的质量函数最大的一个,最后保留100次最优的结果,得到一个95×98×100的矩阵M。并计算这100次最优结果的质量函数均值作为模型最后的质量函数值。
(4)计算模块忠诚度(MA)矩阵:
MA表示两个节点被归属到同一个模块的概率,两节点间的MA值越大,表示两个节点之间的亲密度越强。具体计算方法如下:
其中MAij表示节点i和节点j间的模块忠诚度的值,gil,gjl分别表示第l次最优结果中节点i和节点j模块的归属,狄利克雷函数δ(gil,gjl)的用法同上相同。故最终每个被试可以得到一个95×95的对称矩阵,即为MA矩阵。
(5)抑郁症患者转为双相情感障碍的风险预测模型构建过程:
1)选择训练样本,纳入两组被试:a)扫描时仅为抑郁发作、且其病史中未有过躁狂或者轻躁狂发作,但在其后续观察中转为双相情感障碍的患者,这里定义为转相患者;b)抑郁症患者,且满足五年观察期,未转为双相情感障碍的患者,此类患者根据既往研究发生转相的概率很低。
2)利用功能核磁共振技术对患者的脑影像进行扫描,对其进行预处理,并按照以上步骤计算MA矩阵。
3)因输入特征的维数远大于样本的数量,采用主成分分析(PCA)对特征矩阵进行特征降维。
4)迭代选择前k个主成分,即PCA降维后形成的前k个特征作为SVM的输入,采用RBF核函数,建立最优的基于功能核磁共振影像数据的抑郁症转为双相情感障碍的风险预测模型。通过将未知个体的MA特征映射到相同的主成分超空间,再根据其在模型特征超平面上的分布位置,判断抑郁症个体是否具有转为双相情感障碍的风险。
实施例2:
根据实施例1构建的抑郁症患者转为双相情感障碍的风险预测模型可以应用于一个新的抑郁症患者上用于判断其是否具有转为双相情感障碍的风险,预测过程如图2所示,具体步骤如下:
(1)利用功能核磁共振成像技术,根据相同的大脑功能模板,在患者的大脑功能影像上提取患者的静息态血氧依赖水平信号,该信号为时间序列形式;
(2)根据静息态血氧依赖水平信号时间序列,采用滑动时间窗的方式计算全脑动态功能连接,构建大脑的动态功能网络;
(3)对(2)中所得的大脑的动态功能网络,按时序构建多层模块化网络,计算动态模块化矩阵;
(4)根据动态模块化矩阵,计算模块忠诚度(MA)矩阵作为后续模型建立的特征矩阵;
(5)利用建模时PCA主成分的权值矩阵将MA映射到相同的超空间中,以此为新的特征向量。将新样本的特征向量输入到风险预测模型之中,根据个体在模型特征超平面的相对位置,判断新样本是否具有转为双相情感障碍的风险。
需要说明的是上述实施例仅仅是本发明的较佳实施例,并没有用来限定本发明的保护范围,在上述基础上做出的等同替换或者替代均属于本发明的保护范围。
Claims (7)
1.一种基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测系统,其特征在于,所述风险预测系统包括以下模块:
信号提取模块,用于利用功能核磁共振成像技术,在患者的大脑功能影像上提取患者的静息态血氧依赖水平信号,所述信号为时间序列形式;
信号处理模块,用于根据静息态血氧依赖水平信号时间序列,采用滑动时间窗的方式计算全脑动态功能连接,构建大脑的动态功能网络;
第一计算模块,用于对所述大脑的动态功能网络按时序构建多层模块化网络,计算动态模块化矩阵;
第二计算模块,用于根据动态模块化矩阵,计算模块忠诚度矩阵作为后续模型建立的特征矩阵;
模型构建模块,用于运用主成分分析对特征矩阵进行特征降维,运用支持向量机,采取非线性高斯核函数,构建抑郁症患者转为双相情感障碍的风险预测模型。
2.如权利要求1所述的基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测系统,其特征在于,所述静息态血氧依赖水平信号时间序列提取方法为:将人脑划分的95个感兴趣区域,将大脑网络定义为95个节点;利用所述人脑划分的95个感兴趣区域的峰值点的空间坐标,以6mm为半径对大脑影像数据以挖球的方式提取时间序列信号,即将球内所有体素的平均信号作为所述人脑划分的95个感兴趣区域的时间序列信号。
3.如权利要求2所述的基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测系统,其特征在于,所述构建大脑的动态功能网络的方法为:采用滑动时间窗的方法对脑区的时间序列进行分割;选择窗长为30个时间点,步长为1个时间点,共98个窗;为了提高时间窗的稳定性,计算全脑的动态功能连接时加入了L1范数正则项来稀疏。
4.如权利要求3所述的基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测系统,其特征在于,所述构建大脑的动态功能网络的具体方法为:
1)根据每个窗口的时间序列,计算两两节点间的协方差矩阵Σ;
2)运用基于高斯图模型的LASSO算法来估计协方差矩阵的稀疏模式,该算法的目的是发现一个正定阵使以下式最大化:
J=L(Ω)-λ||Ω||1=log(detΩ)-tr(ΩΣ)-λ||Ω||1
det和tr分别表示行列式的对数和矩阵的迹,||·||1为矩阵的L1范数,λ是控制Ω稀疏度的正则化参数,Ω即为每个窗口稀疏后的功能连接网络,∑是协方差矩阵。
5.如权利要求4所述的基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测系统,其特征在于,所述动态模块化矩阵计算方法为:
(1)动态模块划分依据由以下质量函数Q定义:
其中,l,r表示不同的时间层,i,j表示不同的节点;Aijl表示第l个时间层中节点i和节点j间的功能连接,γl是l层的结构分辨率参数;是定义的零模型,表示l层中节点i和节点j间边的期望权值,其中/>‘+’和‘-’分别表示所有的正连接和负连接;δlr是狄利克雷函数:当l=r时,δlr=1;否则为0;δij,δ(gil,gjl)用法与δlr相同,即:当i=j时,δij=1;否则为0;δ(gil,gjl)=1;否则为0;ωjlr是层间耦合参数,也可称为时间分辨率参数;gil(gjr)表示第l(r)层的节点i(j)被划分到某个模块;μ表示为网络的边权值之和,定义为/>其中|·|表示边权值的绝对值;
(2)动态模块化划分的实现过程就是将衡量网络模块化的质量函数Q最大化。
7.如权利要求6所述的基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测系统,其特征在于,所述构建抑郁症患者转为双相情感障碍的风险预测模型的具体过程为:
1)选择训练样本,纳入两组被试:a)扫描时仅为抑郁发作、且其病史中未有过躁狂或者轻躁狂发作,但在其后续观察中转为双相情感障碍的患者,这里定义为转相患者;b)抑郁症患者,在五年观察期内未转为双相情感障碍的患者;
2)利用功能核磁共振技术对患者的脑影像进行扫描,对其进行预处理,计算模块忠诚度矩阵;
3)采用主成分分析对特征矩阵进行特征降维;
4)迭代选择前k个主成分,即PCA降维后形成的前k个特征作支持向量机的输入,采用RBF核函数,建立最优的基于功能核磁共振影响数据的抑郁症转为双相情感障碍的风险预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910290482.1A CN109935321B (zh) | 2019-04-11 | 2019-04-11 | 基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910290482.1A CN109935321B (zh) | 2019-04-11 | 2019-04-11 | 基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109935321A CN109935321A (zh) | 2019-06-25 |
CN109935321B true CN109935321B (zh) | 2023-07-07 |
Family
ID=66989779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910290482.1A Active CN109935321B (zh) | 2019-04-11 | 2019-04-11 | 基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109935321B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462899A (zh) * | 2020-04-07 | 2020-07-28 | 上海市精神卫生中心(上海市心理咨询培训中心) | 基于氧化应激指标计算双相障碍发病风险概率的方法 |
CN112259241B (zh) * | 2020-10-23 | 2024-02-13 | 广州中医药大学第一附属医院 | 基于动态因果模型抑郁症脑功能连接改变检测系统及方法 |
CN114246587A (zh) * | 2021-12-22 | 2022-03-29 | 成都市第四人民医院 | 一种抑郁症研究检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010039526A1 (en) * | 2008-09-23 | 2010-04-08 | Indiana University Research And Technology Corporation | Genes and single nucleotide polymorphisms for genetic testing in bipolar disorder |
CN105512454A (zh) * | 2015-07-28 | 2016-04-20 | 东南大学 | 基于功能核磁共振的抑郁症患者自杀风险客观评估模型 |
CN106823137A (zh) * | 2016-12-30 | 2017-06-13 | 王征 | 一种优化神经调控的方法和装置 |
CN109431521A (zh) * | 2018-10-12 | 2019-03-08 | 西北工业大学 | 一种基于音视频信息的多模态双相抑郁障碍自动检测方法 |
-
2019
- 2019-04-11 CN CN201910290482.1A patent/CN109935321B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010039526A1 (en) * | 2008-09-23 | 2010-04-08 | Indiana University Research And Technology Corporation | Genes and single nucleotide polymorphisms for genetic testing in bipolar disorder |
CN105512454A (zh) * | 2015-07-28 | 2016-04-20 | 东南大学 | 基于功能核磁共振的抑郁症患者自杀风险客观评估模型 |
CN106823137A (zh) * | 2016-12-30 | 2017-06-13 | 王征 | 一种优化神经调控的方法和装置 |
CN109431521A (zh) * | 2018-10-12 | 2019-03-08 | 西北工业大学 | 一种基于音视频信息的多模态双相抑郁障碍自动检测方法 |
Non-Patent Citations (2)
Title |
---|
抑郁症中潜在双相型障碍的预测因子及治疗;龙赟 等;《国际精神病学杂志》;20150228;第42卷(第1期);第96-100页 * |
鉴别单相抑郁和双相抑郁的磁共振研究进展;毛睿智 等;《中国神经精神疾病杂志》;20131031;第39卷(第10期);第630-633页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109935321A (zh) | 2019-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376751B (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
CN113040715B (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
Khojaste-Sarakhsi et al. | Deep learning for Alzheimer's disease diagnosis: A survey | |
CN110598793B (zh) | 一种大脑功能网络特征分类方法 | |
CN109935321B (zh) | 基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测系统 | |
CN113113130A (zh) | 一种肿瘤个体化诊疗方案推荐方法 | |
West et al. | Improving diagnostic accuracy using a hierarchical neural network to model decision subtasks | |
Jain et al. | A novel AI-based system for detection and severity prediction of dementia using MRI | |
CN113693563A (zh) | 一种基于超图注意力网络的脑功能网络分类方法 | |
Liu et al. | BrainTGL: A dynamic graph representation learning model for brain network analysis | |
CN115984555A (zh) | 一种基于深度自编码器构图的冠状动脉狭窄识别方法 | |
Xi et al. | Brain Functional Networks with Dynamic Hypergraph Manifold Regularization for Classification of End-Stage Renal Disease Associated with Mild Cognitive Impairment. | |
Ma et al. | Multi-Scale Dynamic Graph Learning for Brain Disorder Detection with Functional MRI | |
Yellu et al. | Deep Learning-Assisted Diagnosis of Alzheimer's Disease from Brain Imaging Data | |
Narotamo et al. | Deep learning for ECG classification: A comparative study of 1D and 2D representations and multimodal fusion approaches | |
CN109191425B (zh) | 基于多层神经网络模型医学影像分析方法 | |
Cao et al. | Temporal graph representation learning for autism spectrum disorder brain networks | |
CN116596836A (zh) | 基于多视图邻域证据熵的肺炎ct影像属性约简方法 | |
Jing et al. | Optimization of Deep-learning network using Resnet50 based model for corona virus disease (COVID-19) histopathological image classification | |
CN115331051A (zh) | 基于近邻传播偏标签学习的脑影像数据分类模型建立方法 | |
Alharthi et al. | Do it the transformer way: A comprehensive review of brain and vision transformers for autism spectrum disorder diagnosis and classification | |
CN113080847A (zh) | 基于图的双向长短期记忆模型诊断轻度认知障碍的装置 | |
Khachnaoui et al. | Enhanced Parkinson’s Disease Diagnosis Through Convolutional Neural Network Models Applied to SPECT DaTSCAN Images | |
Li et al. | Multi-bands joint graph convolution EEG functional connectivity network for predicting mental disorders | |
Asha et al. | An optimized modified faster region convolutional neural network for spina bifida identification from ultrasound images |
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 |