CN110110776B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110110776B
CN110110776B CN201910350137.2A CN201910350137A CN110110776B CN 110110776 B CN110110776 B CN 110110776B CN 201910350137 A CN201910350137 A CN 201910350137A CN 110110776 B CN110110776 B CN 110110776B
Authority
CN
China
Prior art keywords
ica
network
cnn
tested
fmri
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
Application number
CN201910350137.2A
Other languages
English (en)
Other versions
CN110110776A (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

Images

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，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
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，包括以下步骤：
第一步：输入多被试静息态复数fMRI数据
Figure GDA0003261491430000021
及被试所属类别
Figure GDA0003261491430000022
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，
Figure GDA0003261491430000023
表示被试k为健康人，
Figure GDA0003261491430000024
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
Figure GDA0003261491430000025
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
Figure GDA0003261491430000026
先采用复数EBM(entropy boundminimization)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,KuangLD,Gong XF,Cong F,Wang YP,Calhoun VD,2019.Spatial source phase:A new featurefor identifying spatial differences based on complex-valued resting-statefMRI 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“Kuang LD,Lin QH,Gong XF,Cong F,Sui J,CalhounVD,2018.Model order effects on ICA of resting-state complex-valued fMRI data:application to schizophrenia.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
Figure GDA0003261491430000031
和空间激活图
Figure GDA0003261491430000032
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：
Figure GDA0003261491430000033
式中，
Figure GDA0003261491430000034
和
Figure GDA0003261491430000035
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，一般令Zr＝0.5；
Figure GDA0003261491430000036
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：
Figure GDA0003261491430000037
式中
Figure GDA0003261491430000038
表示Hadamard乘积。消噪后，对脑外体素补零，将
Figure GDA0003261491430000039
的幅值恢复成三维空间激活图
Figure GDA00032614914300000310
第七步：对所有单被试三维空间激活图
Figure GDA00032614914300000311
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
Figure GDA00032614914300000312
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
Figure GDA00032614914300000313
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：
Figure GDA0003261491430000041
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：
Figure GDA0003261491430000042
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
Figure GDA0003261491430000043
根据所有被试的
Figure GDA0003261491430000044
与其真值
Figure GDA0003261491430000045
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
Figure GDA0003261491430000051
及被试所属类别
Figure GDA0003261491430000052
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
Figure GDA0003261491430000053
第三步：对所有模型阶数下的
Figure GDA0003261491430000054
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
Figure GDA0003261491430000055
和空间激活图
Figure GDA0003261491430000056
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
Figure GDA0003261491430000061
第五步：代入公式(1)，对所有的s k分别构建单被试掩蔽
Figure GDA0003261491430000062
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
Figure GDA0003261491430000063
消噪后，对脑外体素补零，将
Figure GDA0003261491430000064
的幅值恢复为三维空间激活图
Figure GDA0003261491430000065
第七步：对所有单被试三维空间激活图
Figure GDA0003261491430000066
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
Figure GDA0003261491430000067
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
Figure GDA0003261491430000068
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，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
Figure FDA0003261491420000011
及被试所属类别
Figure FDA0003261491420000012
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，
Figure FDA0003261491420000013
表示被试k为健康人，
Figure FDA0003261491420000014
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
Figure FDA0003261491420000015
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
Figure FDA0003261491420000016
先采用复数EBM算法，即entropy boundminimization算法进行复数ICA分离得到N个估计成分，然后提取感兴趣成分；重复EBM分离和感兴趣成分提取R次；接着，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
Figure FDA0003261491420000017
和空间激活图
Figure FDA0003261491420000018
第四步：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：
Figure FDA0003261491420000019
式中，
Figure FDA00032614914200000110
和
Figure FDA00032614914200000111
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；
Figure FDA00032614914200000112
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：
Figure FDA0003261491420000021
式中
Figure FDA0003261491420000029
表示Hadamard乘积；消噪后，对脑外体素补零，将
Figure FDA0003261491420000022
的幅值恢复成三维空间激活图
Figure FDA0003261491420000023
第七步：对所有单被试三维空间激活图
Figure FDA0003261491420000024
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
Figure FDA0003261491420000025
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
Figure FDA0003261491420000026
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：
Figure FDA0003261491420000027
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：
Figure FDA0003261491420000028
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
Figure FDA0003261491420000031
根据所有被试的
Figure FDA0003261491420000032
与其真值
Figure FDA0003261491420000033
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 CN110110776A (zh) 2019-08-09
CN110110776B true 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)

Families Citing this family (5)

* 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
CN110916661B (zh) * 2019-11-21 2021-06-08 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
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
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

Family Cites Families (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
KR101601041B1 (ko) * 2014-08-05 2016-03-08 연세대학교 산학협력단 기능적 자기 공명 영상의 패턴 분류 장치 및 방법
CN106875366B (zh) * 2017-03-01 2019-06-21 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
CN108903942B (zh) * 2018-07-09 2021-05-11 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
CN109376751B (zh) * 2018-08-21 2022-03-22 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
CN109620257B (zh) * 2018-11-28 2020-12-22 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

Also Published As

Publication number Publication date
CN110110776A (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
CN110110776B (zh) 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
CN110236543B (zh) 基于深度学习的阿尔茨海默病多分类诊断系统
US20230301542A1 (en) Brain atlas individualization method and system based on magnetic resonance and twin graph neural network
Mohsen et al. A machine learning technique for MRI brain images
CN115147600A (zh) 基于分类器权重转换器的gbm多模态mr图像分割方法
Rathi et al. Detection and characterization of brain tumor using segmentation based on HSOM, wavelet packet feature spaces and ANN
Yagis et al. Convolutional autoencoder based deep learning approach for Alzheimer's disease diagnosis using brain MRI
Ren et al. 3-d functional brain network classification using convolutional neural networks
Dhinagar et al. Efficiently Training Vision Transformers on Structural MRI Scans for Alzheimer’s Disease Detection
Jiménez del Toro et al. Epileptogenic lesion quantification in MRI using contralateral 3D texture comparisons
CN115909016B (zh) 基于GCN分析fMRI图像的系统、方法、电子设备及介质
Devi Detection and automated classification of brain tumor types in MRI images using convolutional neural network with grid search optimization
Rezaei et al. Brain abnormality detection by deep convolutional neural network
Si et al. Grammatical swarm based segmentation methodology for lesion segmentation in brain MRI
Öziç et al. T-test feature ranking based 3D MR classification with VBM mask
CN110870770B (zh) 一种ICA-CNN分类的fMRI空间激活图平滑增广方法
George et al. Cancer tissues recognition system using box counting method and artificial neural network
Kaur et al. Neurological disease prediction using ensembled Machine Learning Model
Adar et al. Feature selection on MR images using genetic algorithm with SVM and naive Bayes classifiers
CN114176518B (zh) 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
Dessouky et al. Effective features extracting approach using MFCC for automated diagnosis of Alzheimer’s disease
CN110916661B (zh) 一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法
Souid et al. Fusion of CNN and feature extraction methods for multiple sclerosis classification
Shankaran Multi-site Diagnostic Classification Of Schizophrenia Using 3D CNN On Aggregated Task-based fMRI Data
CN114862834B (zh) 一种静息态功能磁共振影像数据分类方法

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