CN110136840B - 一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质 - Google Patents

一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质 Download PDF

Info

Publication number
CN110136840B
CN110136840B CN201910410932.6A CN201910410932A CN110136840B CN 110136840 B CN110136840 B CN 110136840B CN 201910410932 A CN201910410932 A CN 201910410932A CN 110136840 B CN110136840 B CN 110136840B
Authority
CN
China
Prior art keywords
self
mci
weighting
hierarchical
medical image
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
CN201910410932.6A
Other languages
English (en)
Other versions
CN110136840A (zh
Inventor
李颖
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.)
Shandong Management University
Original Assignee
Shandong Management University
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 Shandong Management University filed Critical Shandong Management University
Priority to CN201910410932.6A priority Critical patent/CN110136840B/zh
Publication of CN110136840A publication Critical patent/CN110136840A/zh
Application granted granted Critical
Publication of CN110136840B publication Critical patent/CN110136840B/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提出一种基于自加权分级生物特征的医学图像分类方法。该方法通过在脊回归过程中添加图正则化项，充分利用MCI患者脑区之间的邻域关系信息，得到的回归系数更加准确地反映出AD和NC向MCI传递信息的情况。然后，该方法利用自加权分级方法对回归系数进行融合，保证融合过程中具有较大回归系数值的样本获得较大的权重，使得计算得到的自加权分级生物特征具有更强的区分性和鲁棒性。最后，利用支持向量机分类器进行分类。本发明方法显著提高了pMCI患者和sMCI患者的分类准确率。

Description

一种基于自加权分级生物特征的医学图像分类方法、装置和 计算机可读存储介质
技术领域
本发明涉及医学影像处理领域，具体地说是一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质。
背景技术
阿尔茨海默病(Alzheimer’s disease,AD)是一种常见的渐进式神经退行性疾病，据预测，到2050年，每85个人中将会有1个AD患者。作为最常见的一种老年痴呆病，AD伴随着记忆损失，认知能力下降，语言功能退化等特征，严重影响着人们的正常生活。轻度认知障碍(Mild cognitive impairment,MCI)通常被认为是正常老龄化和AD之间的一种过渡状态，它的特点是患者具有轻微的记忆障碍但认知功能基本完好。调查发现，超过三分之一的MCI患者将会在5年内转化为AD。根据MCI能否在随访时间内转化为AD，可进一步分为进行性MCI(pMCI)和稳定性MCI(sMCI)。因此，准确地区分pMCI和sMCI患者，以便提供有效且有针对性的治疗，尽可能地阻止或延迟从MCI向AD的转化，具有至关重要的意义。
磁共振影像(Magnetic resonance imaging,MRI)技术具有完全无创性、空间分辨率高、适用范围广、成本适中等特点，在不同阶段的AD检测中得到了广泛的应用。现实生活中，MRI已经成为诊断AD和MCI的一种有效工具，人们提出了许多基于MRI的分类方法，实现对疾病的辅助诊断。
由于pMCI患者的大脑皮层与AD患者有一些相似之处，而sMCI患者更像正常对照者(normal controls,NCs)，大量研究表明，利用AD和NC人群的信息有助于准确地区分pMCI和sMCI患者，从而实现MCI向AD的转化预测。脊回归是一种专门用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法。该方法通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价，获得更为符合实际、更可靠的回归系数。因此，可以通过脊回归方法，利用AD和NC群体数据对每个MCI患者数据进行回归，得到回归系数。如果AD患者对应的回归系数值较大，说明该MCI患者具有较多的AD特性，则划分为pMCI；否则，说明该MCI更接近于NC，有更大的可能性是sMCI。之后，利用分级方法对该MCI患者的回归系数进行融合，得到分级生物特征，用于后续分类。虽然利用脊回归方法可以将AD和NC群体的信息传递给MCI患者，但是该方法在回归过程中并没有充分利用脑区之间的关系信息，因此，AD和NC群体的信息并不能通过脊回归系数精确地传递给MCI患者。另外，原有的分级方法对回归系数进行融合时给予不同回归系数值相同的权重，该方法得到的分级生物特征并不能充分反映该MCI患者的偏向性，从而不能有效地区分pMCI和sMCI。如何将AD和NC人群的信息充分地传递给MCI患者，此外，如何对回归系数进行充分的融合进而提取到具有较强鉴别能力的MCI生物特征，提高pMCI和sMCI的分类准确率，是亟待解决的重要问题。
发明内容
本发明为克服上述现有技术的不足，提出一种基于自加权分级生物特征的医学图像分类方法。该方法通过在脊回归过程中添加图正则化项，充分利用MCI患者脑区之间的邻域关系信息，得到的回归系数更加准确地反映出AD和NC向MCI传递信息的情况。然后，该方法利用自加权分级方法对回归系数进行融合，保证融合过程中具有较大回归系数值的样本获得较大的权重，使得计算得到的自加权分级生物特征具有更强的区分性和鲁棒性。最后，利用支持向量机分类器进行分类。本发明方法显著提高了pMCI患者和sMCI患者的分类准确率。
本发明的技术方案是：
一种基于自加权分级生物特征的医学图像分类方法，该方法首先从阿尔茨海默病AD和正常对照者NC样本空间映射到轻度认知障碍MCI样本空间，在投影过程中通过添加图正则化项保持MCI患者脑区之间的邻域关系信息，得到投影向量；再利用一个自加权分级方法对投影向量进行融合，计算得到MCI患者的自加权分级生物特征；然后，从多种形态学特征中提取的自加权分级生物特征串联成一个向量，从不同角度反映AD和NC群体的信息传播；最后，基于该自加权分级生物特征向量对医学图像进行分类，该方法包括如下步骤：
(1)对采集的MRI图像进行预处理，提取形态学特征；
(2)基于图指导的信息传播的特征提取
记X＝[x1,x2,…,xn]∈Rp×n定义为n幅AD和NC图像的特征矩阵，y∈Rp×1记为单幅MCI图像的特征向量，其中p为脑区数，通过脊回归方法得到y的表示如下：
Figure GDA0003922018880000021
其中w∈Rn×1为回归系数，λ是一个控制参数，上式第一项表示从AD和NC样本空间到MCI样本空间的线性回归，第二项用来拒绝过拟合；
为了保持每个MCI患者脑区之间的邻域关系，定义了一个图正则化项，具体方法是：
定义一个无向对称的图G＝(V,S)，V是y中脑区的集合，S是一个关联矩阵，S中的每个元素sij定义为：
Figure GDA0003922018880000031
其中yi和yj分别定义为y中第i个和第j个脑区，NK(yj)和Nk(yi)分别定义为yi和yj的k近邻，k近邻通过热核计算，记ai为(Xw)T的第i列，图正则化项表示为：
Figure GDA0003922018880000032
其中L＝D-S是一个对称的半正定矩阵，D∈Rp×p是一个对角矩阵，其对角线元素dii＝∑jsij。
目标函数表示如下：
Figure GDA0003922018880000033
其中w∈Rn×1是回归系数，λ1和λ2是正则化调节参数，
求解优化问题，得到系数向量w；
(3)自加权分级生物特征的提取与整合
通过系数向量w以及AD和NC辅助数据的临床标记，计算自加权分级生物特征，辅助数据的临床标记定义为fj，具体方法为：
对于一个AD患者，fj设置为1，正常人的fj设置为-1，一个MCI患者的自加权分级生物特征定义如下：
Figure GDA0003922018880000034
其中n是X中AD和NC样本的数目，w(j)是对应的图像X(j)的系数，分别使用CT和VOL特征从AD和NC样本空间映射到MCI样本空间，因此，得到两个系数向量wCT和wVOL，然后，通过公式(5)计算得到两个自加权分级生物标记
Figure GDA0003922018880000041
和
Figure GDA0003922018880000042
最后，为了整合CT和VOL信息，对于每一个MCI患者，将
Figure GDA0003922018880000043
和
Figure GDA0003922018880000044
连接成向量，作为后续分类的特征向量；
(4)支持向量机分类
基于第(3)步得到的特征向量，使用训练样本训练支持向量机分类器，对测试样本进行分类。
特别地，步骤(1)的具体方式为：采集MRI图像数据，使用FreeSurfer软件进行预处理，提取皮层厚度CT和体积VOL两种形态学特征。CT指的是每个顶点中白质和灰质表面之间的最近距离，然后，使用高斯核函数对图像进行平滑，最后，使用自动解剖标记AAL模板计算每个解剖区域的平均CT和VOL。
特别地，由于缺乏CT特征，排除掉AAL模板皮质下区域，使用其余脑区的数据。
本发明还包括一种医学图像分类装置和计算机可读存储介质。
本发明的有益效果是：从AD和NC样本空间向MCI样本空间映射的过程中，使用图正则化项保持MCI患者脑区之间的邻域关系信息，使得投影向量更好地反映AD和NC群体的信息传播情况。通过自加权分级方法对投影向量进行融合得到目标MCI患者的生物特征，该特征能够获得具有较大投影向量值的辅助数据的更多特性。整合通过不同形态学数据提取的自加权分级生物特征，从多角度描述AD和NC群体向MCI个体传播信息的情况，有助于区分pMCI和sMCI患者。该方法提取的特征具有较强的区分性和鲁棒性。本发明显著提高了pMCI和sMCI患者的分类准确率。
附图说明
图1是本发明的基于自加权分级生物特征的医学图像分类方法示意框图；
图2是MR图像示意图。
具体实施方式
下面结合附图和实例对本发明作进一步说明。
如图1所示，本发明的基于自加权分级生物特征的医学图像分类方法用于对pMCI和sMCI分类的具体步骤如下文所示：
(1)图像预处理
从ADNI数据库中随机选取142个AD患者，165个正常人，126个pMCI患者和95个sMCI患者的MRI图像(如图2所示)，使用FreeSurfer软件进行预处理，提取皮层厚度(corticalthickness,CT)和体积(volume,VOL)两种形态学特征。CT指的是每个顶点中白质和灰质表面之间的最近距离。然后，使用高斯核函数对图像进行平滑。最后，使用自动解剖标记(Automated Anatomical Labeling,AAL)模板计算每个解剖区域的平均CT和VOL。特别地，由于缺乏CT特征，排除掉12个AAL皮质下区域，使用其余78个脑区的数据。
(2)基于图指导的信息传播的特征提取
记X＝[x1,x2,…,xn]∈Rp×n定义为n幅AD和NC图像的特征矩阵，y∈Rp×1记为单幅MCI图像的特征向量，其中p(p＝78)为脑区数。通过脊回归方法得到y的表示如下：
Figure GDA0003922018880000051
其中w∈Rn×1为回归系数，λ是一个控制参数。上式第一项表示从AD和NC样本空间到MCI样本空间的线性回归。第二项用来拒绝过拟合。脊回归并没有充分利用MCI患者脑区之间的关系信息，因此，AD和NC群体的信息并不能通过回归系数精确地传递给MCI患者。
为了保持每个MCI患者脑区之间的邻域关系，定义了一个图正则化项。我们定义一个无向对称的图G＝(V,S)。V是y中脑区的集合，S是一个78*78的关联矩阵。S中的每个元素sij定义为：
Figure GDA0003922018880000052
其中yi和yj分别定义为y中第i个和第j个脑区，Nk(yj)和Nk(yi)分别定义为yi和yj的k近邻。k近邻(k＝3)通过热核计算。记ai为(Xw)T的第i列。图正则化项表示为：
Figure GDA0003922018880000053
其中L＝D-S是一个对称的半正定矩阵，D∈Rp×p是一个对角矩阵，其对角线元素dii＝∑jsij。
通过在公式(3)中增加局部保持限制，我们的目标函数表示如下：
Figure GDA0003922018880000061
其中w∈Rn×1是回归系数，λ1和λ2是正则化调节参数，通过实验确定。值得注意的是，公式(4)为MCI患者保持了每个脑区与其邻域之间的关系，提高了回归系数的鲁棒性。
令f(w)表示公式(4)的目标函数。通过设置f(w)相对于w的梯度为零：
Figure GDA0003922018880000065
我们得到
w＝(XTX+λ1XTLX+λ2I)-1XTy (4-2)
w中的系数值表示相应的AD和NC个体传递临床标记信息给目标MCI患者的权重。
另外，根据公式(4-1)，可以得到f(w)的二阶梯度。
Figure GDA0003922018880000062
显然地,
Figure GDA0003922018880000063
是正定的。因此，f(w)是一个凸函数，公式(4-2)是f(w)的全局最优解。
(3)自加权分级生物特征的提取与整合
自加权分级生物特征通过系数向量w，以及AD和NC辅助数据的临床标记计算。辅助数据的临床标记定义为fj。对于一个AD患者，fj设置为1，正常人的fj设置为-1。一个MCI患者的自加权分级生物特征定义如下：
Figure GDA0003922018880000064
其中n是X中AD和NC样本的数目，w(j)是对应的图像X(j)的系数。自加权的基本原理是不同辅助数据传播的临床标签信息具有不平衡性，因此系数较大的辅助数据应具有较大的权重。如果swgMCI接近1，表示MCI患者更可能是pMCI，将会在给定的时间内转化为AD。如果swgMCI接近-1，表示该MCI患者是稳定的，在给定的时间内不会转化为AD。分别使用CT和VOL特征从AD和NC样本空间映射到MCI样本空间。因此，得到两个系数向量wCT(λ1＝0.1,λ2＝0.01)和wVOL(λ1＝0.01,λ2＝1)。然后，通过公式(5)计算得到两个自加权分级生物标记
Figure GDA0003922018880000071
和
Figure GDA0003922018880000072
最后，为了整合CT和VOL信息，对于每一个MCI患者，我们将
Figure GDA0003922018880000073
和
Figure GDA0003922018880000074
连接成向量。
(4)支持向量机分类
基于第(3)步得到的特征向量，使用训练样本训练支持向量机分类器，对测试样本进行分类。支持向量机分类器采用高斯核函数，参数取默认值。
本发明的效果可以通过实验结果进一步说明。
实验数据为从ADNI数据库中随机选取的126个pMCI患者和95个sMCI患者的图像数据。将数据集划分为训练集和测试集两部分，采用十折交叉验证的方法进行实验。本方法与基于传统的分级生物特征的分类方法进行比较，表1记录了实验的结果。从表1可以看到，采用本发明的自加权分级生物特征后，算法识别的准确度、特异性和ROC曲线下面积均得到了有效提升，说明基于自加权分级生物特征的方法比基于传统的分级生物特征的方法更加充分地利用了AD和NC辅助数据的信息，从而有利于分类性能的提高。
表1传统的分级生物特征和自加权分级生物特征分类性能比较
Figure GDA0003922018880000075

Claims (5)

1.一种基于自加权分级生物特征的医学图像分类方法，该方法首先从阿尔茨海默病AD和正常对照者NC样本空间映射到轻度认知障碍MCI样本空间，在投影过程中通过添加图正则化项保持MCI患者脑区之间的邻域关系信息，得到投影向量；再利用一个自加权分级方法对投影向量进行融合，计算得到MCI患者的自加权分级生物特征；然后，从多种形态学特征中提取的自加权分级生物特征串联成一个向量，从不同角度反映AD和NC群体的信息传播；最后，基于该自加权分级生物特征向量对医学图像进行分类，该方法包括如下步骤：
(1)对采集的MRI图像进行预处理，提取形态学特征；
(2)基于图指导的信息传播的特征提取
记X＝[x1,x2,…,xn]∈Rp×n定义为n幅AD和NC图像的特征矩阵，y∈Rp×1记为单幅MCI图像的特征向量，其中p为脑区数，通过脊回归方法得到y的表示如下：
Figure FDA0003922018870000011
其中w∈Rn×1为回归系数，λ是一个控制参数，上式第一项表示从AD和NC样本空间到MCI样本空间的线性回归，第二项用来拒绝过拟合；
为了保持每个MCI患者脑区之间的邻域关系，定义了一个图正则化项，具体方法是：
定义一个无向对称的图G＝(V,S)，V是y中脑区的集合，S是一个关联矩阵，S中的每个元素sij定义为：
Figure FDA0003922018870000012
其中yi和yj分别定义为y中第i个和第j个脑区，Nk(yj)和Nk(yi)分别定义为yi和yj的k近邻，k近邻通过热核计算，记ai为(Xw)T的第i列，图正则化项表示为：
Figure FDA0003922018870000013
其中L＝D-S是一个对称的半正定矩阵，D∈Rp×p是一个对角矩阵，其对角线元素dii＝∑jsij；
目标函数表示如下：
Figure FDA0003922018870000021
其中w∈Rn×1是回归系数，λ1和λ2是正则化调节参数，
求解优化问题，得到系数向量w；
(3)自加权分级生物特征的提取与整合
通过系数向量w以及AD和NC辅助数据的临床标记，计算自加权分级生物特征，辅助数据的临床标记定义为fj，具体方法为：
对于一个AD患者，fj设置为1，正常人的fj设置为-1，一个MCI患者的自加权分级生物特征定义如下：
Figure FDA0003922018870000022
其中n是X中AD和NC样本的数目，w(j)是对应的图像X(j)的系数，分别使用皮层厚度CT和体积VOL特征从AD和NC样本空间映射到MCI样本空间，因此，得到两个系数向量wCT和wVOL，然后，通过公式(5)计算得到两个自加权分级生物标记
Figure FDA0003922018870000023
和
Figure FDA0003922018870000024
最后，为了整合CT和VOL信息，对于每一个MCI患者，将
Figure FDA0003922018870000025
和
Figure FDA0003922018870000026
连接成向量，作为后续分类的特征向量；
(4)支持向量机分类
基于第(3)步得到的特征向量，使用训练样本训练支持向量机分类器，对测试样本进行分类。
2.根据权利要求1所述的基于自加权分级生物特征的医学图像分类方法，其特征在于，步骤(1)的具体方式为：采集MRI图像数据，使用FreeSurfer软件进行预处理，提取皮层厚度CT和体积VOL两种形态学特征，CT指的是每个顶点中白质和灰质表面之间的最近距离，然后，使用高斯核函数对图像进行平滑，最后，使用自动解剖标记AAL模板计算每个解剖区域的平均CT和VOL。
3.根据权利要求1所述的基于自加权分级生物特征的医学图像分类方法，其特征在于，由于缺乏CT特征，排除掉AAL模板皮质下区域，使用其余脑区的数据。
4.一种医学图像分类装置，该装置包括数据采集部件、存储器和处理器，其中，
所述数据采集部件采集对采集的MRI图像进行预处理，提取形态学特征；
所述存储器存储有计算机程序，所述程序被处理器执行时能够实现权利要求1所述方法的步骤。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1所述方法的步骤。
CN201910410932.6A 2019-05-17 2019-05-17 一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质 Active CN110136840B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910410932.6A CN110136840B (zh) 2019-05-17 2019-05-17 一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910410932.6A CN110136840B (zh) 2019-05-17 2019-05-17 一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110136840A CN110136840A (zh) 2019-08-16
CN110136840B true CN110136840B (zh) 2022-12-20

Family

ID=67574800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910410932.6A Active CN110136840B (zh) 2019-05-17 2019-05-17 一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110136840B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111090764B (zh) * 2019-12-20 2023-06-23 中南大学 基于多任务学习和图卷积神经网络的影像分类方法及装置
CN112508902B (zh) * 2020-11-30 2024-05-14 上海联影智能医疗科技有限公司 白质高信号分级方法、电子设备及存储介质
CN113505863B (zh) * 2021-09-08 2021-12-03 武大吉奥信息技术有限公司 基于级联均值向量综合评分的图片多级分类方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10900977B2 (en) * 2015-10-16 2021-01-26 Georgetown University Protein biomarkers for memory loss
CN107403201A (zh) * 2017-08-11 2017-11-28 强深智能医疗科技（昆山）有限公司 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法
CN108597615A (zh) * 2018-04-19 2018-09-28 南京脑科医院 一种轻度认知障碍患者痴呆转化的筛选参考方法
CN109086809A (zh) * 2018-07-18 2018-12-25 安徽安大笃北信息科技有限责任公司 基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN110136840A (zh) 2019-08-16

Similar Documents

Publication Publication Date Title
CN108288070B (zh) 一种神经指纹提取分类方法及系统
Salam et al. Automated detection of glaucoma using structural and non structural features
Zhang et al. Detecting anatomical landmarks for fast Alzheimer’s disease diagnosis
Ben Ahmed et al. Classification of Alzheimer’s disease subjects from MRI using hippocampal visual features
CN106295124B (zh) 多种图像检测技术综合分析基因子图相似概率量的方法
CN110136840B (zh) 一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质
Duraisamy et al. Alzheimer disease detection from structural MR images using FCM based weighted probabilistic neural network
CN112365464B (zh) 一种基于gan的医学图像病变区域弱监督定位方法
Klein et al. Early diagnosis of dementia based on intersubject whole-brain dissimilarities
CN109086809A (zh) 基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法
CN114945941A (zh) 用于支持肿瘤检测和分析的非肿瘤分割
Al-Adhaileh Diagnosis and classification of Alzheimer's disease by using a convolution neural network algorithm
Sunil Babu et al. An effective approach for sub-acute Ischemic stroke lesion segmentation by adopting meta-heuristics feature selection technique along with hybrid Naive Bayes and sample-weighted random forest classification
Alkabawi et al. Computer-aided classification of multi-types of dementia via convolutional neural networks
Chen et al. Hybrid facial image feature extraction and recognition for non-invasive chronic fatigue syndrome diagnosis
Mohan et al. Fast and robust exudate detection in retinal fundus images using extreme learning machine autoencoders and modified kaze features
CN108520283A (zh) 一种基于脑区间接关系网络构建的医学图像分类方法
Sørensen et al. Dementia diagnosis using MRI cortical thickness, shape, texture, and volumetry
Maffei et al. Radiomics classifier to quantify automatic segmentation quality of cardiac sub-structures for radiotherapy treatment planning
Angkoso et al. Analysis of brain tissue and cerebrospinal fluid feature for Alzheimer’s disease detection
Matoug et al. Predicting Alzheimer's disease by classifying 3D-Brain MRI images using SVM and other well-defined classifiers
Stanley et al. Effective feature extraction for cerebral microbleed detection using edge emphasized weber maximum directional co-occurance matrix
Eldeeb et al. Alzheimer’s disease classification using bag-of-words based on visual pattern of diffusion anisotropy for DTI imaging
CN113080929A (zh) 一种基于机器学习的抗nmdar脑炎图像特征分类方法
KR102373992B1 (ko) 질감 특징을 이용한 알츠하이머 병 분류 방법 및 장치

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