CN110110776A - 一种病人与健康人的静息态复数fMRI数据ICA-CNN分类框架 - Google Patents

一种病人与健康人的静息态复数fMRI数据ICA-CNN分类框架 Download PDF

Info

Publication number
CN110110776A
CN110110776A CN201910350137.2A CN201910350137A CN110110776A CN 110110776 A CN110110776 A CN 110110776A CN 201910350137 A CN201910350137 A CN 201910350137A CN 110110776 A CN110110776 A CN 110110776A
Authority
CN
China
Prior art keywords
subject
ica
cnn
network
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.)
Granted
Application number
CN201910350137.2A
Other languages
English (en)
Other versions
CN110110776B (zh
Inventor
林秋华
邱悦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201910350137.2A priority Critical patent/CN110110776B/zh
Publication of CN110110776A publication Critical patent/CN110110776A/zh
Application granted granted Critical
Publication of CN110110776B publication Critical patent/CN110110776B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种病人与健康人的静息态复数fMRI数据ICA‑CNN分类框架，属于生物医学信号处理领域。本发明以ICA从静息态复数fMRI数据中分离得到的感兴趣功能网络为研究对象，利用参数较少的2D CNN学习特征，实现病人与健康人分类；利用在多组模型阶数下获取的ICA结果进行数据增广，解决fMRI数据短缺的问题。与已有的3D CNN网络相比，既减少了训练量，又提高了准确率。例如，针对82被试静息状态下采集的复数fMRI数据，应用ICA提取到的DMN成分，切片识别准确率比3D CNN高(0.728vs 0.701)，并且由被试决策后得到的被试识别准确率进一步提高(0.914vs 0.701)。

Description

一种病人与健康人的静息态复数fMRI数据ICA-CNN分类框架
技术领域
本发明涉及生物医学信号处理领域，特别是涉及病人与健康人的静息态复数功能磁共振成像(functional magnetic resonance imaging,fMRI)数据独立成分分析(independent component analysis,ICA)与卷积神经网络(convolutional neuralnetworks，CNN)分类框架。
背景技术
静息态fMRI(resting-state fMRI，rs-fMRI)由于其高分辨率、非侵入式、易于在病人被试上采集等优势，已经被广泛地应用到脑功能以及疾病的研究中。已有研究表明，rs-fMRI在提取与神经疾病相关的脑功能信息方面颇具价值。尤为重要的是，由于额外利用了独特的相位信息，静息态复数fMRI数据比幅值fMRI数据蕴含更多的脑功能信息，在脑功能与疾病的研究中更具潜力。
目前，深度学习已经在包括精神分裂症在内的多种神经疾病诊断方面展示出了极大的优越性。一些深度学习方法被用于静息态fMRI的分析，包括深度自编码器(deep auto-encoders，DAE)，深度置信网络(deep belief networks，DBN)以及CNN。其中，CNN能充分挖掘和利用相邻体素间的关联性，所以展示出了更大的应用前景。
尽管如此，应用CNN对fMRI进行分析和疾病诊断的研究仍存在一些问题。首先，一些研究直接将fMRI观测数据输入CNN网络框架进行训练。然而，fMRI观测数据既含有与大脑活动相关的成分，也包含着严重的生理噪声，这些噪声会对研究结果造成负面的干扰。其次，一些研究利用盲源分离算法对fMRI观测数据进行分离，然后利用3D CNN从分离得到的功能网络中提取特征用于分类。较之fMRI观测数据，盲源分离得到的功能网络不但已经被大量去噪，而且在一定程度上减轻了CNN网络的训练消耗。然而，由于3D CNN参数比较多，而fMRI数据有限，这很可能会造成过拟合问题。与之相比，2D CNN更适用于数据量有限的fMRI研究。然而，以ICA分离得到的功能网络为研究对象，利用2D CNN学习特征用于疾病分类的方法还未见报道。因此，以ICA功能网络为输入，构建适用fMRI疾病分类的2D CNN网络框架，同时解决fMRI数据短缺问题，具有重要意义。
发明内容
本发明提供了一种病人与健康人分类的静息态复数fMRI数据ICA-CNN框架，有效解决了fMRI数据短缺问题。
本发明的技术方案是，以ICA从静息态复数fMRI数据中分离得到的感兴趣功能网络为研究对象，利用参数较少的2D CNN学习特征，实现病人与健康人分类；利用在多组模型阶数下获取的ICA结果进行数据增广，以解决fMRI数据短缺的问题。
一种病人与健康人的静息态复数fMRI数据ICA-CNN分类框架，包括以下步骤：
第一步：输入多被试静息态复数fMRI数据(k＝1,…,K)及被试所属类别其中，T表示时间维的全脑扫描次数，V表示空间维的脑内体素数目，K表示被试数目，表示被试k为健康人，表示被试k为病人。
第二步：对所有的单被试Zk进行PCA(principle component analysis)降维，得到N为模型阶数，N≤T，N共有l种不同取值。
第三步：对所有模型阶数下的先采用复数EBM(entropy bound minimization)算法进行复数ICA分离得到N个估计成分，然后利用“Qiu Y,Lin QH,Kuang LD,Gong XF,CongF,Wang YP,Calhoun VD,2019.Spatial source phase:A new feature for identifyingspatial differences based on complex-valued resting-state fMRI data.HumanBrain Mapping 2019,1–15”中方法从中提取感兴趣成分。重复EBM分离和感兴趣成分提取R次。接着，采用“Kuang LD,Lin QH,Gong XF,Cong F,Sui J,Calhoun VD,2018.Model ordereffects on ICA of resting-state complex-valued fMRI data:application toschizophrenia.Journal of Neuroscience Methods 304,24–38”中方法，利用R次感兴趣成分的空间激活图求取best run，即最好的一次ICA结果。最后，提取best run中感兴趣成分的时间过程和空间激活图
第四步：采用“林秋华，于谋川，龚晓峰，丛丰裕，一种复数fMRI数据的ICA估计成分进行相位校正的方法，专利号201410189199.7”中的方法校正sk得到sk。
第五步：对所有的单被试sk分别构建单被试二值化掩蔽bk如下：
式中，和分别表示sk中体素v的相位和幅值，v＝1,…,V，Zr为幅值阈值，一般令Zr＝0.5；是被试k的二值化掩蔽。
第六步：利用掩蔽bk对所有单被试s k进行相位消噪得到：
式中表示Hadamard乘积。消噪后，对脑外体素补零，将的幅值恢复成三维空间激活图
第七步：对所有单被试三维空间激活图依次沿z轴展开成堆叠的二维切片，去除不具有功能信息的切片。对于剩余的切片，设为q个，根据该被试的所属类别依次进行健康人或者病人标记。所有被试的切片最终构成样本集其中xi为二维切片，yi为切片类别标签。
第八步：随机打乱被试顺序，将被试按照3：1：1的比例，把样本集(总数为K×q×l)划分为训练集，验证集和测试集。
第九步：将训练集送入CNN网络进行训练。如图2所示，CNN网络共包括2个卷积层，2个最大池化层，1个全连接层以及输出层。其中，卷积层的核大小为3×3，卷积核个数依次为8和16；池化层的核大小为2×2；全连接层共64个节点，激活函数为修正线性单元(rectified linear unit,ReLU)，输出层两个节点分别表示健康人和病人。给定模型训练的epoch和batch大小，采用Adam算法进行参数更新。网络的损失函数为交叉熵函数，增加了L2正则化后，网络损失计算如下：
其中W和b是网络参数，M是样本个数，λ为L2正则化参数,Hw,b(·)是网络学习的函数，Hw,b(xi)是网络输入xi时的输出。每轮训练得到的网络利用验证集进行评估，评价指标为准确率：
其中TP,TN,FP和FN分别表示真阳性,真阴性,假阳性和假阴性。在验证集上具有最高准确率的模型确定为训练得到的最终模型。
第十步：将测试集送入已训练CNN网络模型进行预测，对于所有切片样本xi，根据网络输出Hw,b(xi)与其真值yi，利用公式(4)计算切片识别准确率。
第十一步：对于测试集中被试k，比较其q个切片送入CNN网络后输出为健康人和病人的个数，将被标记次数较多的类别(健康人或者病人)认定为最终预测结果根据所有被试的与其真值利用公式(4)计算被试识别准确率。
第十二步：重复第八到十一步P次，形成P折交叉验证，计算并输出平均切片识别准确率和平均被试识别准确率。
本发明所达到的效果和益处是，提供了将ICA提取的脑功能网络用于疾病识别的2D CNN网络，与已有的3D CNN网络相比，既减少了训练量，又提高了准确率。例如，针对82被试静息状态下采集的复数fMRI数据，将ICA提取到的默认网络(default mode network，DMN)用于本发明提出的2D CNN框架，切片识别准确率比3D CNN高(0.728vs.0.701)，并且由被试决策后得到的被试识别准确率进一步提高(0.914vs.0.701)。本发明不但为精神分裂症分类提供了一种新的方法，也为其他脑疾病诊断提供了实现方法。
附图说明
附图1是本发明结合ICA与2D CNN网络识别病人与健康人的工作流程图。
附图2是本发明构建的2D CNN网络。
具体实施方式
下面结合技术方案和附图1，详细叙述本发明的一个具体实施例。
现有K1＝42名精神分裂症患者和K2＝40名健康人(K＝K1+K2＝82)在静息状态下采集的复数fMRI数据。时间维度上进行了T＝146次扫描，每次扫描都获得了53×63×46的全脑数据，脑内体素数V＝62336。采用本发明识别精神分裂症患者与健康人的步骤如附图1所示。
第一步：输入多被试静息态复数fMRI数据(k＝1,…,82)及被试所属类别
第二步：对所有的单被试Zk进行PCA降维，模型阶数N从20到140，每间隔10取一个值，即l＝13，得到13种不同模型阶数N的降维数据
第三步：对所有模型阶数下的先采用复数EBM算法进行R＝10次复数ICA分离，从中提取10次感兴趣成分DMN，求取best run，获取best run中DMN的时间过程和空间激活图
第四步：采用专利201410189199.7中的方法对所有的sk进行相位校正得到
第五步：代入公式(1)，对所有的s k分别构建单被试掩蔽Zr＝0.5。
第六步：代入公式(2)，对所有的单被试s k进行相位消噪得到消噪后，对脑外体素补零，将的幅值恢复为三维空间激活图
第七步：对所有单被试三维空间激活图依次沿z轴展开成46个维数为53×63的二维切片，去除21个不具有功能信息的切片，剩余q＝25个切片。根据该被试的所属类别对剩余的25个切片依次进行健康人或者精神分裂症患者标记。所有被试的切片最终构成样本集
第八步：随机打乱被试顺序，将被试按照3：1：1的比例，把样本集(总数为26650)划分为训练集，验证集和测试集。
第九步：将训练集送入图2所示的CNN网络进行训练，模型共训练epoch＝50轮，batch大小为64。利用公式(3)进行损失计算，其中L2正则化参数λ＝0.1。每轮训练得到的网络利用验证集进行评估，评价指标为公式(4)的准确率，50轮中，在验证集上具有最高准确率的模型确定为训练得到的最终模型。
第十步：将测试集送入已训练CNN网络模型进行预测，利用公式(4)计算切片识别准确率。
第十一步：对于测试集中被试k，比较其25个切片送入网络后输出为健康人和精神分裂症患者的个数，将被标记次数较多的类别(健康人或者精神分裂症患者)认定为最终预测结果，利用公式(4)计算被试识别准确率。
第十二步：重复第八到十一步P＝5次，形成5折交叉验证，计算并输出平均切片识别准确率为0.728，平均被试识别准确率为0.914。

Claims (1)

1.一种病人与健康人的静息态复数fMRI数据ICA-CNN分类框架，以ICA从静息态复数fMRI数据中分离得到的感兴趣功能网络为研究对象，利用参数较少的2D CNN学习特征，实现病人与健康人分类；利用在多组模型阶数下获取的ICA结果进行数据增广，以解决fMRI数据短缺的问题；其特征在于以下步骤：
第一步：输入多被试静息态复数fMRI数据及被试所属类别其中，k＝1,…,K，T表示时间维的全脑扫描次数，V表示空间维的脑内体素数目，K表示被试数目，表示被试k为健康人，表示被试k为病人；
第二步：对所有的单被试Zk进行PCA降维，得到N为模型阶数，N≤T，N共有l种不同取值；
第三步：对所有模型阶数下的先采用复数EBM算法进行复数ICA分离得到N个估计成分，然后利用“Qiu Y,Lin QH,Kuang LD,Gong XF,Cong F,Wang YP,Calhoun VD,2019.Spatial source phase:A new feature for identifying spatial differencesbased on complex-valued resting-state fMRI data.Human Brain Mapping 2019,1–15”中方法从中提取感兴趣成分；重复EBM分离和感兴趣成分提取R次；接着，采用“KuangLD,Lin QH,Gong XF,Cong F,Sui J,Calhoun VD,2018.Model order effects on ICA ofresting-state complex-valued fMRI data:application to schizophrenia.Journalof Neuroscience Methods 304,24–38”中方法，利用R次感兴趣成分的空间激活图求取best run，即最好的一次ICA结果；最后，提取best run中感兴趣成分的时间过程和空间激活图
第四步：采用“中国专利201410189199.7”中的方法校正sk得到s k；
第五步：对所有的单被试s k分别构建单被试二值化掩蔽bk如下：
式中，和分别表示s k中体素v的相位和幅值，v＝1,…,V，Zr为幅值阈值，令Zr＝0.5；是被试k的二值化掩蔽；
第六步：利用掩蔽bk对所有单被试s k进行相位消噪得到：
式中“。”表示Hadamard乘积；消噪后，对脑外体素补零，将的幅值恢复成三维空间激活图
第七步：对所有单被试三维空间激活图依次沿z轴展开成堆叠的二维切片，去除不具有功能信息的切片；对于剩余的切片，设为q个，根据该被试的所属类别依次进行健康人或者病人标记；所有被试的切片最终构成样本集其中xi为二维切片，yi为切片类别标签；
第八步：随机打乱被试顺序，将被试按照3：1：1的比例，把总数为K×q×l的样本集划分为训练集，验证集和测试集；
第九步：将训练集送入CNN网络进行训练；CNN网络共包括2个卷积层，2个最大池化层，1个全连接层以及输出层；其中，卷积层的核大小为3×3，卷积核个数依次为8和16；池化层的核大小为2×2；全连接层共64个节点，激活函数为修正线性单元，输出层两个节点分别表示健康人和病人；给定模型训练的epoch和batch大小，采用Adam算法进行参数更新；网络的损失函数为交叉熵函数，增加了L2正则化之后，网络损失计算如下：
其中W和b是网络参数，M是样本个数，λ为L2正则化参数,Hw,b(·)是网络学习的函数，Hw,b(xi)是网络输入xi时的输出；每轮训练得到的网络利用验证集进行评估，评价指标为准确率：
其中TP,TN,FP和FN分别表示真阳性,真阴性,假阳性和假阴性；在验证集上具有最高准确率的模型确定为训练得到的最终模型；
第十步：将测试集送入已训练CNN网络模型进行预测，对于所有切片样本xi，根据网络输出Hw,b(xi)与其真值yi，利用公式(4)计算切片识别准确率；
第十一步：对于测试集中被试k，比较其q个切片送入CNN网络后输出为健康人和病人的个数，将被标记次数多的类别认定为最终预测结果根据所有被试的与其真值利用公式(4)计算被试识别准确率；
第十二步：重复第八到十一步P次，形成P折交叉验证，计算并输出平均切片识别准确率和平均被试识别准确率。
CN201910350137.2A 2019-04-28 2019-04-28 一种构建病人与健康人的静息态复数fMRI数据ICA-CNN分类框架的方法 Active CN110110776B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910350137.2A CN110110776B (zh) 2019-04-28 2019-04-28 一种构建病人与健康人的静息态复数fMRI数据ICA-CNN分类框架的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910350137.2A CN110110776B (zh) 2019-04-28 2019-04-28 一种构建病人与健康人的静息态复数fMRI数据ICA-CNN分类框架的方法

Publications (2)

Publication Number Publication Date
CN110110776A true CN110110776A (zh) 2019-08-09
CN110110776B CN110110776B (zh) 2021-11-05

Family

ID=67487279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910350137.2A Active CN110110776B (zh) 2019-04-28 2019-04-28 一种构建病人与健康人的静息态复数fMRI数据ICA-CNN分类框架的方法

Country Status (1)

Country Link
CN (1) CN110110776B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110870770A (zh) * 2019-11-21 2020-03-10 大连理工大学 一种ICA-CNN分类的fMRI空间激活图平滑增广方法
RU2716914C1 (ru) * 2019-10-22 2020-03-17 Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный университет" (ЮЗГУ) Способ автоматической классификации рентгеновских изображений с использованием масок прозрачности
CN110916661A (zh) * 2019-11-21 2020-03-27 大连理工大学 一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法
CN111046918A (zh) * 2019-11-21 2020-04-21 大连理工大学 一种ICA-CNN分类的fMRI数据空间预平滑增广方法
CN114176518A (zh) * 2021-12-06 2022-03-15 大连理工大学 一种提高CNN分类性能的复数fMRI数据空间成分相位反校正方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110028827A1 (en) * 2009-07-28 2011-02-03 Ranganatha Sitaram Spatiotemporal pattern classification of brain states
KR20160016357A (ko) * 2014-08-05 2016-02-15 연세대학교 산학협력단 기능적 자기 공명 영상의 패턴 분류 장치 및 방법
CN106875366A (zh) * 2017-03-01 2017-06-20 大连理工大学 对静息态复数fMRI数据进行ICA后处理消噪的相位精确范围检测方法
CN108903942A (zh) * 2018-07-09 2018-11-30 大连理工大学 一种利用复数fMRI空间源相位识别空间差异的方法
CN109376751A (zh) * 2018-08-21 2019-02-22 北京工业大学 一种基于卷积神经网络的人脑功能网络分类方法
CN109620257A (zh) * 2018-11-28 2019-04-16 华南理工大学 基于生物反馈的精神状态干预与调节系统及其工作方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110028827A1 (en) * 2009-07-28 2011-02-03 Ranganatha Sitaram Spatiotemporal pattern classification of brain states
KR20160016357A (ko) * 2014-08-05 2016-02-15 연세대학교 산학협력단 기능적 자기 공명 영상의 패턴 분류 장치 및 방법
CN106875366A (zh) * 2017-03-01 2017-06-20 大连理工大学 对静息态复数fMRI数据进行ICA后处理消噪的相位精确范围检测方法
CN108903942A (zh) * 2018-07-09 2018-11-30 大连理工大学 一种利用复数fMRI空间源相位识别空间差异的方法
CN109376751A (zh) * 2018-08-21 2019-02-22 北京工业大学 一种基于卷积神经网络的人脑功能网络分类方法
CN109620257A (zh) * 2018-11-28 2019-04-16 华南理工大学 基于生物反馈的精神状态干预与调节系统及其工作方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TAE-EUI KAM ETAL.: "A Novel Deep Learning Framework on Brain Functional Networks for Early MCI Diagnosis", 《MICCAI2018》 *
李楠等: "fMＲI 在注意缺陷多动障碍症的应用", 《计算机应用与软件》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2716914C1 (ru) * 2019-10-22 2020-03-17 Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный университет" (ЮЗГУ) Способ автоматической классификации рентгеновских изображений с использованием масок прозрачности
CN110870770A (zh) * 2019-11-21 2020-03-10 大连理工大学 一种ICA-CNN分类的fMRI空间激活图平滑增广方法
CN110916661A (zh) * 2019-11-21 2020-03-27 大连理工大学 一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法
CN111046918A (zh) * 2019-11-21 2020-04-21 大连理工大学 一种ICA-CNN分类的fMRI数据空间预平滑增广方法
CN110870770B (zh) * 2019-11-21 2021-05-11 大连理工大学 一种ICA-CNN分类的fMRI空间激活图平滑增广方法
CN111046918B (zh) * 2019-11-21 2022-09-20 大连理工大学 一种ICA-CNN分类的fMRI数据空间预平滑增广方法
CN114176518A (zh) * 2021-12-06 2022-03-15 大连理工大学 一种提高CNN分类性能的复数fMRI数据空间成分相位反校正方法
CN114176518B (zh) * 2021-12-06 2023-10-10 大连理工大学 一种提高CNN分类性能的复数fMRI数据空间成分相位反校正方法

Also Published As

Publication number Publication date
CN110110776B (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN110110776A (zh) 一种病人与健康人的静息态复数fMRI数据ICA-CNN分类框架
Yue et al. Auto-detection of Alzheimer's disease using deep convolutional neural networks
Vijayakumar et al. Segmentation and grading of brain tumors on apparent diffusion coefficient images using self-organizing maps
Mohsen et al. A machine learning technique for MRI brain images
Bhanumathi et al. CNN based training and classification of MRI brain images
CN108903942A (zh) 一种利用复数fMRI空间源相位识别空间差异的方法
CN110327055A (zh) 一种基于高阶谱和卷积神经网络的心冲击信号的分类方法
Kumar et al. Brain tumor detection analysis using CNN: a review
Rathi et al. Detection and characterization of brain tumor using segmentation based on HSOM, wavelet packet feature spaces and ANN
Amarapur An automated approach for brain tumor identification using ANN classifier
Mahmood et al. Automatic brain MRI slices classification using hybrid technique
Ahmed et al. A deep learning based system for accurate diagnosis of brain tumors using T1-w MRI
Ramana Alzheimer disease detection and classification on magnetic resonance imaging (MRI) brain images using improved expectation maximization (IEM) and convolutional neural network (CNN)
Shehata et al. A deep learning-based cad system for renal allograft assessment: diffusion, bold, and clinical biomarkers
Jiménez del Toro et al. Epileptogenic lesion quantification in MRI using contralateral 3D texture comparisons
CN106570880B (zh) 结合模糊聚类和马尔科夫随机场的脑组织mri图像分割方法
Gallego-Ortiz et al. Interpreting extracted rules from ensemble of trees: Application to computer-aided diagnosis of breast MRI
Joshi et al. Ishemic stroke lesion segmentation by analyzing mri images using dilated and transposed convolutions in convolutional neural networks
Paul et al. A fuzzy c mean clustering algorithm for automated segmentation of brain MRI
CN113558602B (zh) 一种假设驱动的认知障碍脑网络分析方法
CN111192209B (zh) 一种基于深度学习的磁感应断层成像优化方法
Nalini Classification and segmentation of brain MRI images using deep learning
Varghese et al. Discrimination between Alzheimer’s disease, mild cognitive impairment and normal aging using ANN based MR brain image segmentation
FARUQ et al. Brain tumor MRI identification and classification using DWT, PCA, and KSVM
Riza et al. Convolutional Neural Network as an Image Processing Technique for Classification of Bacilli Tuberculosis Extra Pulmonary (TBEP) Disease.

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