CN110148108A - 基于功能磁共振的带状疱疹性神经痛疗效预测方法及系统 - Google Patents
基于功能磁共振的带状疱疹性神经痛疗效预测方法及系统 Download PDFInfo
- Publication number
- CN110148108A CN110148108A CN201910239012.2A CN201910239012A CN110148108A CN 110148108 A CN110148108 A CN 110148108A CN 201910239012 A CN201910239012 A CN 201910239012A CN 110148108 A CN110148108 A CN 110148108A
- Authority
- CN
- China
- Prior art keywords
- image
- herpes zoster
- zoster neuralgia
- functional mri
- curative effect
- 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.)
- Pending
Links
- 208000007514 Herpes zoster Diseases 0.000 title claims abstract description 131
- 208000004296 neuralgia Diseases 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000002599 functional magnetic resonance imaging Methods 0.000 title claims abstract description 64
- 230000000694 effects Effects 0.000 title claims abstract description 51
- 238000010801 machine learning Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 30
- 238000012937 correction Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 16
- 238000000611 regression analysis Methods 0.000 claims description 16
- 210000004885 white matter Anatomy 0.000 claims description 16
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 210000004884 grey matter Anatomy 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 206010013935 Dysmenorrhoea Diseases 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 5
- 230000037430 deletion Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 208000010201 Exanthema Diseases 0.000 claims description 3
- 201000005884 exanthem Diseases 0.000 claims description 3
- 206010037844 rash Diseases 0.000 claims description 3
- 230000008901 benefit Effects 0.000 claims description 2
- 238000004064 recycling Methods 0.000 claims 1
- 239000003814 drug Substances 0.000 abstract description 23
- 229940079593 drug Drugs 0.000 abstract description 20
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 239000002131 composite material Substances 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 27
- 210000004556 brain Anatomy 0.000 description 23
- 238000002595 magnetic resonance imaging Methods 0.000 description 8
- 208000002193 Pain Diseases 0.000 description 7
- 210000005036 nerve Anatomy 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 241000700605 Viruses Species 0.000 description 5
- 230000001154 acute effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000013519 translation Methods 0.000 description 5
- 230000014616 translation Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000002610 neuroimaging Methods 0.000 description 4
- 230000035479 physiological effects, processes and functions Effects 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000004886 head movement Effects 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 206010059866 Drug resistance Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 208000002352 blister Diseases 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000002651 drug therapy Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000116 mitigating effect Effects 0.000 description 2
- 230000008035 nerve activity Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000002269 spontaneous effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- XQFRJNBWHJMXHO-RRKCRQDMSA-N IDUR Chemical compound C1[C@H](O)[C@@H](CO)O[C@H]1N1C(=O)NC(=O)C(I)=C1 XQFRJNBWHJMXHO-RRKCRQDMSA-N 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010057190 Respiratory tract infections Diseases 0.000 description 1
- 206010052428 Wound Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000036737 immune function Effects 0.000 description 1
- 208000026278 immune system disease Diseases 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 230000030214 innervation Effects 0.000 description 1
- 230000005415 magnetization Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 230000007433 nerve pathway Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000017520 skin disease Diseases 0.000 description 1
- 210000003594 spinal ganglia Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Chemical & Material Sciences (AREA)
- Medicinal Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Radiology & Medical Imaging (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
Abstract
本发明公开了基于功能磁共振的带状疱疹性神经痛疗效预测方法及系统，方法包括：获取第一图像，所述第一图像包括带状疱疹性神经痛患者的功能磁共振图像和结构图像；根据第一图像进行参数计算，其中，所述参数包括局部一致性值和分数低频振幅；根据参数计算的结果采用机器学习的方法进行带状疱疹性神经痛疗效预测。本发明将第一图像的功能磁共振图像与机器学习相结合来预测带状疱疹性神经痛的疗效，通过机器学习的方法寻找局部一致性值和分数低频振幅等神经活动标志，能客观预判患者的药物疗效，让医生能够更合理地为患者制定医疗方案，提升医生的工作效率。本发明可广泛应用于医学图像模式识别领域。
Description
技术领域
本发明涉及医学图像模式识别领域，尤其是一种基于功能磁共振的带状疱疹性神经痛疗效预测方法及系统。
背景技术
带状疱疹是临床上较常见的急性疱疹样皮肤病，由水痘-带状疱疹病毒所致。这种病毒由呼吸道感染侵入体内，潜伏到脊神经后根神经节或其它发病部位的神经细胞中。这种病毒当机体免疫力下降(例如：创伤、劳累、感冒、免疫系统疾病等)时，潜伏的病毒就会大量繁殖，使神经节发炎和坏死，引起病人疼痛，同时该病毒沿神经通路下传到该神经支配的区域引起节段性疱疹。带状疱疹在临床多呈现数个簇集疱疹群，排列成带状，沿周围神经分布，常见于胸腹、腰背及颜面部，局部皮肤有灼热感，伴有神经痛，故又被称为带状疱疹性神经痛。
目前，临床上用视觉模拟评分(Visual Analog Score,VAS)表对带状疱疹性神经痛患者的疼痛情况进行评估，根据治疗前后的VAS评分下降情况来判别药物治疗是否有效。然而这种方法具有较强主观性，且无法帮助医生预判患者的药物疗效。
发明内容
为解决上述技术问题，本发明的目的在于：提供一种基于功能磁共振的带状疱疹性神经痛疗效预测方法及系统，以客观预判患者的药物疗效。
本发明一方面所采取的技术方案是：
基于功能磁共振的带状疱疹性神经痛疗效预测方法，包括以下步骤：
获取第一图像，所述第一图像包括带状疱疹性神经痛患者的功能磁共振图像和结构图像；
根据第一图像进行参数计算，其中，所述参数包括局部一致性值和分数低频振幅；
根据参数计算的结果采用机器学习的方法进行带状疱疹性神经痛疗效预测。
进一步，所述根据第一图像进行参数计算这一步骤，具体包括：
对第一图像进行预处理，得到预处理后的图像，所述预处理包括时间层校正、头动校正、配准以及进行空间标准化；
计算预处理后的图像的局部一致性值；
计算预处理后的图像的分数低频振幅。
进一步，所述对第一图像进行预处理，得到预处理后的图像这一步骤，具体包括：
对第一图像进行格式转换，以将第一图像从DICOM文件转换为NIFTI文件；
删除格式转换后带状疱疹性神经痛患者的功能磁共振图像中前若干个时间点的图像数据；
对删除后得到的功能磁共振图像进行时间层校正；
对时间层校正后的功能磁共振图像进行头动校正；
将带状疱疹性神经痛患者的结构图像配准到头动校正后的功能磁共振图像中；
将配准后的结构图像分割为灰质、白质和脑髓液三部分，并得到对应功能磁共振图像的灰质、白质和脑髓液；
对功能磁共振图像的灰质、白质和脑髓液进行空间标准化。
进一步，所述计算预处理后的图像的局部一致性值这一步骤，具体包括：
将预处理后的图像输入掩模模板中进行掩模处理；
对掩模处理后的图像进行去线性漂移处理；
对去线性漂移处理后的图像进行回归分析，去除协变量；
对回归分析后的图像进行滤波；
对滤波后的图像计算中心体素及其周围26个体素的肯达尔相关系数，从而得到对应的局部一致性值；
对完成肯达尔相关系数计算的图像进行平滑处理。
进一步，所述计算预处理后的图像的分数低频振幅这一步骤，具体包括：
使用高斯滤波对预处理后的图像进行平滑；
将平滑后的图像输入掩模模板中进行掩模处理；
对掩模处理后的图像进行去线性漂移处理；
对去线性漂移处理后的图像进行回归分析，去除协变量；
计算回归分析后的功能磁共振图像的低频振幅和分数低频振幅。
进一步，所述根据参数计算的结果采用机器学习的方法进行带状疱疹性神经痛疗效预测这一步骤，具体包括：
从输入的样本中循环抽取每个带状疱疹性神经痛患者数据作为测试集，样本中其余带状疱疹性神经痛患者数据作为训练集；
根据参数计算的结果对训练集采用机器学习的方法进行模型训练，得到各个带状疱疹性神经痛疗效预测模型；
采用测试集对各个带状疱疹性神经痛疗效预测模型进行测试，得到各个带状疱疹性神经痛疗效预测模型的测试结果；
根据各个带状疱疹性神经痛疗效预测模型的测试结果得到最终带状疱疹性神经痛疗效预测模型的性能指标；
采用最终带状疱疹性神经痛疗效预测模型对待预测的对象进行带状疱疹性神经痛疗效预测。
进一步，所述机器学习的方法采用支持向量机算法。
本发明另一方面所采取的技术方案是：
基于功能磁共振的带状疱疹性神经痛疗效预测系统，包括：
获取模块，用于获取第一图像，所述第一图像包括带状疱疹性神经痛患者的功能磁共振图像和结构图像；
参数计算模块，用于根据第一图像进行参数计算，其中，所述参数包括局部一致性值和分数低频振幅；
预测模块，用于根据参数计算的结果采用机器学习的方法进行带状疱疹性神经痛疗效预测。
进一步，所述预测模块具体包括：
样本划分单元，用于从输入的样本中循环抽取每个带状疱疹性神经痛患者数据作为测试集，样本中其余带状疱疹性神经痛患者数据作为训练集；
训练单元，用于根据参数计算的结果对训练集采用机器学习的方法进行模型训练，得到各个带状疱疹性神经痛疗效预测模型；
测试单元，用于采用测试集对各个带状疱疹性神经痛疗效预测模型进行测试，得到各个带状疱疹性神经痛疗效预测模型的测试结果；
性能指标计算单元，用于根据各个带状疱疹性神经痛疗效预测模型的测试结果得到最终带状疱疹性神经痛疗效预测模型的性能指标；
预测单元，用于采用最终带状疱疹性神经痛疗效预测模型对待预测的对象进行带状疱疹性神经痛疗效预测。
本发明另一方面所采取的技术方案是：
基于功能磁共振的带状疱疹性神经痛疗效预测系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如本发明所述的基于功能磁共振的带状疱疹性神经痛疗效预测方法。
本发明的有益效果是：本发明基于功能磁共振的带状疱疹性神经痛疗效预测方法及系统，先获取第一图像，然后进行参数计算，最后采用机器学习的方法进行带状疱疹性神经痛疗效预测，将第一图像的功能磁共振图像与机器学习相结合来预测带状疱疹性神经痛的疗效，通过机器学习的方法寻找局部一致性值和分数低频振幅等神经影像标志，能客观预判患者的药物疗效，让医生能够更合理地为患者制定医疗方案，提升医生的工作效率。
附图说明
图1为本发明实施例提供的基于功能磁共振的带状疱疹性神经痛疗效预测方法的流程图；
图2为本发明具体实施例的带状疱疹性神经痛疗效预测方案流程图；
图3为静息态磁共振扫描得到的功能磁共振图像；
图4为静息态磁共振扫描得到的结构图像；
图5为本发明具体实施例的预处理流程图；
图6为本发明具体实施例的局部一致性值计算流程图；
图7为本发明具体实施例的分数低频振幅计算流程图；
图8为采用本发明的方法进行疗效预测得到的接受者操作特征曲线图。
具体实施方式
首先对本发明所涉及到的名词和术语进行说明：
fMRI：Functional magnetic resonance imaging，功能磁共振成像；
ReHo：Regional Homogenity，局部一致性，反映了局部脑区内部神经元活动的同步性；这种同步活动往往意味着神经元活动(激活)；
fALFF：Fractional amplitude of low frequency fluctuation，分数低频振幅，反映局部脑区自发性神经活动，这种低频振荡对不同的神经活动有一定的特异性；
SVM：Support Vector Machine，支持向量机，机器学习方法的一种；
MSP：Medication-sensitive Patients，大多数患者对药物治疗表现出积极反应，定义为药物敏感患者；
MRP：Medication-resistant Patients，一部分患者，特别是那些高龄和免疫功能低下的患者，药物治疗效果差，更易受药物毒副作用影响，定义为耐药患者。
ROC：Receiver Operating Characteristic Curve，接受者操作特征曲线。
AUROC：Area Under the Receiver Operating Characteristic Curve，接受者操作特征曲线下面积。
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。
参照图1，本发明实施例提供了一种基于功能磁共振的带状疱疹性神经痛疗效预测方法，包括以下步骤：
获取第一图像，所述第一图像包括带状疱疹性神经痛患者的功能磁共振图像和结构图像；
根据第一图像进行参数计算，其中，所述参数包括局部一致性值和分数低频振幅；
根据参数计算的结果采用机器学习的方法进行带状疱疹性神经痛疗效预测。
具体地，带状疱疹性神经痛患者的功能磁共振图像和结构图像可以通过对带状疱疹性神经痛患者进行静息态磁共振扫描来获取。结构图像主要起辅助作用，通常静息态磁共振扫描得到的功能磁共振图像是低分辨率的图像，故需要将其叠加或配准到高分辨率的结构图像中进行功能区的辨认。
机器学习是人工智能的一个分支，通过设计专门的算法令计算机自动完成数据分析以掌握规律(即“学习”)，并利用规律对未知数据做出判断或预测。机器学习方法可通过不断“学习”来分析、掌握规律，也可轻而易举地完成信息的处理，相比于统计分析方法，机器学习在分析大数据量与高变量维度方面有着不可比拟的优势。机器学习的方法包括随机森林算法、支持向量机算法、深度学习算法等。
局部一致性值反映了局部脑区内部神经元活动的同步性；这种同步活动往往意味着神经元活动(激活)。分数低频振幅反映局部脑区自发性神经活动；这种低频振荡对不同的神经活动有一定的特异性。故本实施例选择计算这两个参数来作为机器学习的模型特征，这样通过机器学习可得到药物敏感患者和耐药患者的二分类疗效预测模型，以更准确地预测不同带状疱疹性神经痛患者的药物疗效。
本实施例应用了机器学习的方法，根据已有的带状疱疹性神经痛患者的药物疗效数据寻找带状疱疹性神经痛患者药物疗效的规律，得到带状疱疹性神经痛疗效预测模型，下次再有一些新的数据(即对待预测的对象)就可以按照先前学习到的规律，让该预测模型自动预测带状疱疹性神经痛患者的药物疗效。
由上述内容可知，本实施例使用机器学习训练用于预测的带状疱疹性神经痛疗效预测模型，探究和药物疗效相关的局部一致性值和分数低频振幅等神经影像标志，并通过该神经影像标志客观预测患者的药物疗效，帮助医生为患者制定高效率的治疗方案，提高医生诊疗效率及患者的生活质量，同时减轻患者的精神和经济负担。
进一步作为优选的实施方式，所述根据第一图像进行参数计算这一步骤，具体包括：
对第一图像进行预处理，得到预处理后的图像，所述预处理包括时间层校正、头动校正、配准以及进行空间标准化；
计算预处理后的图像的局部一致性值；
计算预处理后的图像的分数低频振幅。
具体地，时间层校正是为了校正Volume(脑体积，由静息态磁共振扫描每次在短时间内采集得到的一系列图像组成)中层与层之间获取(采集)时间所存在的差异。
头动校正是为了消除扫描过程中的头部运动的影响。
配准是为了将高分辨率的结构图像配准到低分辨率的功能磁共振图像中，以便于进行功能区的辨认。
进一步作为优选的实施方式，所述对第一图像进行预处理，得到预处理后的图像这一步骤，具体包括：
对第一图像进行格式转换，以将第一图像从DICOM文件转换为NIFTI文件；
删除格式转换后带状疱疹性神经痛患者的功能磁共振图像中前若干个时间点的图像数据；
对删除后得到的功能磁共振图像进行时间层校正；
对时间层校正后的功能磁共振图像进行头动校正；
将带状疱疹性神经痛患者的结构图像配准到头动校正后的功能磁共振图像中；
将配准后的结构图像分割为灰质、白质和脑髓液三部分，并得到对应功能磁共振图像的灰质、白质和脑髓液；
对功能磁共振图像的灰质、白质和脑髓液进行空间标准化。
具体地，配准是将患者的高分辨率结构图像配准到患者的功能图像空间里。分割则是在将配准后的患者结构像图像配准到MNI空间后，通过仿射变换，分割出灰质、白质、脑脊液。空间标准化目的是为了把不同的患者大脑图像进行空间标准化处理，保证不同患者的图像数据可以在相同的坐标系统进行评价，因此首先要保证患者的功能图像与患者的结构图像在同一个位置，这就是预处理的配准步骤，其次，在分割步骤把患者的配准后结构图像配准到了MNI空间上(MNI空间是Montreal Neurological Institute根据一系列正常人脑的磁共振图像而建立的坐标系统)并进行分割就可以得到对应功能图像的灰质、白质、脑脊液。也就是说，本实施例先把患者的结构图像变换到患者的功能图像空间里，然后将变换到功能图像里的结构图像分割所得到的相应信息运用到功能图像里。
进一步作为优选的实施方式，所述计算预处理后的图像的局部一致性值这一步骤，具体包括：
将预处理后的图像输入掩模模板中进行掩模处理；
对掩模处理后的图像进行去线性漂移处理；
对去线性漂移处理后的图像进行回归分析，去除协变量；
对回归分析后的图像进行滤波；
对滤波后的图像计算中心体素及其周围26个体素的肯达尔相关系数，从而得到对应的局部一致性值；
对完成肯达尔相关系数计算的图像进行平滑处理。
具体地，掩模模板可选用REST软件提供的由SPM5的先验掩模制成的默认模板，其中全脑模板(Brainmask.nii)的阈值为50％。
为了减少生理伪影的影响，本实施例在进行回归分析时，可把全脑平均信号、六个平动和转动参数、脑脊液和白质信号等无关变量作为协变量进行回归处理，以减少头部运动和非神经元活动相关的BOLD(血氧水平依赖性)信号的影响。
进一步作为优选的实施方式，所述计算预处理后的图像的分数低频振幅这一步骤，具体包括：
使用高斯滤波对预处理后的图像进行平滑；
将平滑后的图像输入掩模模板中进行掩模处理；
对掩模处理后的图像进行去线性漂移处理；
对去线性漂移处理后的图像进行回归分析，去除协变量；
计算回归分析后的功能磁共振图像的低频振幅和分数低频振幅。
具体地，掩模模板可选用REST软件提供的由SPM5的先验掩模制成的默认模板，其中全脑模板(Brainmask.nii)的阈值为50％。
为了减少生理伪影的影响，本实施例在进行回归分析时，可把全脑平均信号、六个平动和转动参数、脑脊液和白质信号等无关变量作为协变量进行回归处理，以减少头部运动和非神经元活动相关的BOLD(血氧水平依赖性)信号的影响。
计算功能磁共振图像的低频振幅和分数低频振幅时，可先将功能磁共振图像每个体素的时序信号进行快速傅里叶变换生成功率谱，接着把频率段0.01-0.08Hz对应的功率开方，并计算这个频段的开方功率的均值作为低频振幅值ALFF；为了消除脑池及大血管波动引起的高频生理噪声，将低频振幅值用全频段波动振幅标准化得到分数低频振幅fALFF值。
进一步作为优选的实施方式，所述根据参数计算的结果采用机器学习的方法进行带状疱疹性神经痛疗效预测这一步骤，具体包括：
从输入的样本中循环抽取每个带状疱疹性神经痛患者数据作为测试集，样本中其余带状疱疹性神经痛患者数据作为训练集；
根据参数计算的结果对训练集采用机器学习的方法进行模型训练，得到各个带状疱疹性神经痛疗效预测模型；
采用测试集对各个带状疱疹性神经痛疗效预测模型进行测试，得到各个带状疱疹性神经痛疗效预测模型的测试结果；
根据各个带状疱疹性神经痛疗效预测模型的测试结果得到最终带状疱疹性神经痛疗效预测模型的性能指标；
采用最终带状疱疹性神经痛疗效预测模型对待预测的对象进行带状疱疹性神经痛疗效预测。
具体地，输入的样本为预先采集的带状疱疹性神经痛患者的实际药物疗效数据。
本实施例使用留一法循环抽取一个带状疱疹性神经痛患者数据作为测试集，样本中其余带状疱疹性神经痛患者数据作为训练集输入机器学习分类器中训练疗效预测模型，然后使用测试集对训练出来的模型进行测试，并循环以上过程，直至将每个带状疱疹性神经痛患者数据都作为测试集一次，最后得出所有测试集的测试结果来计算样本中所有患者数据全部用作训练集时训练出的分类器的性能指标。
进一步作为优选的实施方式，所述机器学习的方法采用支持向量机算法。
目前在带状疱疹性神经痛的诊疗方面，暂未有使用fMRI影像结合机器学习的疗效预测方法，因此本具体实施例提出了一种基于功能磁共振和机器学习的急性疱疹性神经痛患者的疗效预测方案，可以填补该方面的技术空缺。本具体实施例的疗效预测方案通过结合fMRI影像和机器学习的方法对采用常规药物治疗的带状疱疹性神经痛患者的疗前影像进行分析，探究和药物疗效相关的局部一致性值和分数低频振幅等神经影像标志，并通过该神经标志客观预测患者的药物疗效，帮助医生为患者制定高效率的治疗方案，提高医生诊疗效率及患者的生活质量，同时减轻患者的精神和经济负担。如图2所示，本具体实施例的疗效预测方案主要实现步骤如下：
一、数据收集
数据收集可通过静息态磁共振扫描来完成。扫描前已通过大量带状疱疹性神经痛病例计算出合适的扫描参数，静息态磁共振扫描在某知名医院影像科的3.0TSIEMENSskyra设备完成。静息态磁共振扫描时采用单次激发梯度回波平面回波(echo planarimaging,EPI)序列进行检查，EPI扫描参数为：180层，TR/TE＝2430ms/30ms，翻转角90°，层厚3mm，空间分辨率＝3.75×3.75×3.60mm3，间隔3.6mm，FOV 240×240mm2，矩阵大小64×64。静息态磁共振扫描得到的功能图像如图3所示。
为佐证fMRI扫描参数及分析结果，本具体实施例同时进行结构图像数据的采集，用三维Turbo FLASH磁化准备快速梯度回波成像(Magnetization Prepared RApidGradient Echo,MP-RAGE)序列行矢状位连续320层覆盖全脑扫描，以进行三维重建及空间配准，其扫描参数为：TR/TE＝1900ms/2.12ms，反转时间900ms，翻转角9°，层厚0.60mm，FOV256×256mm2，空间分辨率＝0.57×0.57×3.00mm3，矩阵256×256。三维Turbo FLASH扫描得到的结构图像如图4所示。
二、数据预处理及参数计算
数据预处理及参数计算过程具体包括：
1.对原始图像进行预处理操作
如图5所示，预处理过程主要包括：
(1)EPI DICOM to NIFTI：把EPI扫描得到的原始图像从DICOM文件转换为NIFTI文件；
(2)Remove First 10Time Points：机器刚开始运行，产生的磁场尚不稳定，且患者面对陌生的环境需要一段适应的时间，可能导致初始扫描的图像存在伪影，因此需删除前十个Volumes(脑体积)；
(3)Slice Timing：时间层校正，因为一个Volume中层与层之间获取(采集)时间存在差异，所以要进行时间层校正；
(4)Realign：头动校正，即使对患者的头部做了很好的固定，在扫描过程中，患者也会不由自主有一些轻微的头动,尤其是需要经过一段较长时间才能完整采集fMRI图像时，图像头动位移出现的频率更高。头动校正就是把单个患者每个volume的每一帧图像都和整个volume扫描过程的中间时间点的那帧图像按照给定的算法对齐，以矫正头动，同时计算该时间点扫描过程中被试者的头部平动和转动参数，若头动参数超过一定范围，如平动>2mm及转动>2°，则判断该时间点图像不符合分析标准而需要舍去；
(5)Coregister：配准，将单次fMRI扫描的所有volumes配准到标准的结构图像模板中，使得不同的volumes之间具有可比较性；
(6)Segment：分割，将结构图像分割为灰质、白质和脑髓液三部分，以作为下一步空间标准化的结构图像模板；
(7)Normalize：空间标准化，因为患者的大脑在解剖结构上存在差异，所以需要把不同的大脑图像进行空间标准化处理，保证不同个体的图像数据在相同的坐标系统进行评价。
2.对预处理后的图像数据进行参数的计算
参数的计算主要过程包括：
2.1计算ReHo
如图6所示，计算ReHo的具体步骤如下：
(1)Default mask：使用REST软件提供的由SPM5的先验掩模制成的默认模板，其中全脑模板(Brainmask.nii)的阈值为50％；
(2)Detrend：去线性漂移，可以消除长期的生理变化、因噪声引起的运动调整以及扫描仪器的不稳定可能导致的时间信号的线性漂移；
(3)Nuisance Covariates Regression：回归分析去除协变量，为了减少生理伪影的影响，需要把全脑平均信号、六个平动和转动参数、脑脊液和白质信号等无关变量作为协变量进行回归处理，以减少头部运动和非神经元活动相关的BOLD(血氧水平依赖性)信号的影响；
(4)Fitler：滤波，保留0.01～0.08Hz范围的信号用于计算，以降低极低频和高频生理噪声的影响；
(5)ReHo：计算中心体素及其周围26个体素的肯达尔相关系数，作为该体素ReHo值；
(6)Smooth：使用高斯滤波对信号进行平滑。为了减少局部信号相似性的影响，图像平滑处理应在ReHo计算完成后进行。
2.2.计算fALFF
如图7所示，计算fALFF的具体步骤如下：
(1)Smooth：使用高斯滤波对信号进行平滑，减少噪音的影响；
(2)Default mask：使用REST软件提供的由SPM5的先验掩模制成的默认模板，其中全脑模板(Bra inmask.nii)的阈值为50％；
(3)Detrend：去线性漂移，可以消除长期的生理变化、因噪声引起的运动调整以及扫描仪器的不稳定而可能导致的时间信号的线性漂移；
(4)Nuisance Covariates Regression：回归分析去除协变量，为了减少生理伪影的影响，需要把全脑平均信号、六个平动和转动参数、脑脊液和白质信号等无关变量作为协变量进行回归处理，以减少头部运动和非神经元活动相关的BOLD信号的影响；
(5)ALFF+fALFF：将fMRI图像每个体素的时序信号进行快速傅里叶变换生成功率谱，接着把频率段0.01-0.08Hz对应的功率开方，并计算这个频段的开方功率的均值作为ALFF值；为了消除脑池及大血管波动引起的高频生理噪声，将ALFF值用全频段波动振幅标准化得到fALFF值。
三、机器学习预测模型的建立、筛选及评估
在本预测方案中，将用药疗效不好的患者定义为MRP组，用药疗效好的患者定义为MSP组，使用留一法保留一位患者数据作为测试集，其余作为训练集输入机器学习分类器中训练疗效预测模型，然后使用测试集对训练出来的模型进行测试，并循环以上过程，直至将每个患者都作为测试集一次，得出各个测试测试的结果来计算这批患者全部用作训练集时训练出的分类器的性能指标；
本实施例使用受试者工作特征曲线(receiver operating characteristiccurve，简称ROC曲线)评估分类模型的性能，通过计算所有受试者的平均测试结果画出对应分类模型(即预测模型)的ROC曲线，用ROC曲线下的面积(Area under curve,AUC)，以及由ROC曲线确定的最佳分类阈值下的准确率、敏感度、特异度来对分类模型的性能进行评估，其中准确率、敏感度、特异度的计算方法如下：
准确率Accuracy＝(TP+TN)/(TP+TN+FP+FN) (1)
敏感度Sensitivity＝TP/(TP+FN) (2)
特异度Specificity＝TN/(TN+FP) (3)
其中，TP：True Positive，真阳性，被判定为正样本，事实上也是正样本的样本总数。
TN：True Negative，真阴性，被判定为负样本，事实上也是负样本的样本总数。
FP：False Positive，假阳性，被判定为正样本，但事实上是负样本的样本总数。
FN：False Negative，假阴性，被判定为负样本，但事实上是正样本的样本总数。
从某医院处收集来共38例带状疱疹急性期神经痛患者(简称病例)数据，考虑纳入准则、T-test分析和通过本具体实施例的预处理后，共保留下26例数据，其中MRP组13人，MSP组13人，按本具体实施例的方案计算参数、建模和评测。
具体地，使用留一交叉验证的方法检验本具体实施例所建立模型对于预测带状疱疹急性期神经痛患者的疗效效果。在留一交叉验证中，循环抽取每个病例作为测试集，其余作为训练集训练出分类预测模型，再用测试集检验预测模型，最后综合每次的分类测试结果来计算最终分类预测模型(即全部数据作为训练集训练出来的分类器)的性能指标。
使用ReHo值作为训练分类器的参数，训练SVM分类器，得到ROC曲线如图8所示，对应结果的AUC：0.943，准确率：92.3％，敏感度：92.3％，特异度：92.3％，即该分类模型对于带状疱疹急性期神经痛的药物疗后效果具有较好的预测能力。
与图1的方法相对应，本发明实施例还提供了一种基于功能磁共振的带状疱疹性神经痛疗效预测系统，包括：
获取模块，用于获取第一图像，所述第一图像包括带状疱疹性神经痛患者的功能磁共振图像和结构图像；
参数计算模块，用于根据第一图像进行参数计算，其中，所述参数包括局部一致性值和分数低频振幅；
预测模块，用于根据参数计算的结果采用机器学习的方法进行带状疱疹性神经痛疗效预测。
进一步作为优选的实施方式，所述预测模块具体包括：
样本划分单元，用于从输入的样本中循环抽取每个带状疱疹性神经痛患者数据作为测试集，样本中其余带状疱疹性神经痛患者数据作为训练集；
训练单元，用于根据参数计算的结果对训练集采用机器学习的方法进行模型训练，得到各个带状疱疹性神经痛疗效预测模型；
测试单元，用于采用测试集对各个带状疱疹性神经痛疗效预测模型进行测试，得到各个带状疱疹性神经痛疗效预测模型的测试结果；
性能指标计算单元，用于根据各个带状疱疹性神经痛疗效预测模型的测试结果得到最终带状疱疹性神经痛疗效预测模型的性能指标；
预测单元，用于采用最终带状疱疹性神经痛疗效预测模型对待预测的对象进行带状疱疹性神经痛疗效预测。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
与图1的方法相对应，本发明实施例还提供了一种基于功能磁共振的带状疱疹性神经痛疗效预测系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如本发明所述的基于功能磁共振的带状疱疹性神经痛疗效预测方法。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.基于功能磁共振的带状疱疹性神经痛疗效预测方法，其特征在于：包括以下步骤：
获取第一图像，所述第一图像包括带状疱疹性神经痛患者的功能磁共振图像和结构图像；
根据第一图像进行参数计算，其中，所述参数包括局部一致性值和分数低频振幅；
根据参数计算的结果采用机器学习的方法进行带状疱疹性神经痛疗效预测。
2.根据权利要求1所述的基于功能磁共振的带状疱疹性神经痛疗效预测方法，其特征在于：所述根据第一图像进行参数计算这一步骤，具体包括：
对第一图像进行预处理，得到预处理后的图像，所述预处理包括时间层校正、头动校正、配准以及进行空间标准化；
计算预处理后的图像的局部一致性值；
计算预处理后的图像的分数低频振幅。
3.根据权利要求2所述的基于功能磁共振的带状疱疹性神经痛疗效预测方法，其特征在于：所述对第一图像进行预处理，得到预处理后的图像这一步骤，具体包括：
对第一图像进行格式转换，以将第一图像从DICOM文件转换为NIFTI文件；
删除格式转换后带状疱疹性神经痛患者的功能磁共振图像中前若干个时间点的图像数据；
对删除后得到的功能磁共振图像进行时间层校正；
对时间层校正后的功能磁共振图像进行头动校正；
将带状疱疹性神经痛患者的结构图像配准到头动校正后的功能磁共振图像中；
将配准后的结构图像分割为灰质、白质和脑髓液三部分，并得到对应功能磁共振图像的灰质、白质和脑髓液；
对功能磁共振图像的灰质、白质和脑髓液进行空间标准化。
4.根据权利要求2所述的基于功能磁共振的带状疱疹性神经痛疗效预测方法，其特征在于：所述计算预处理后的图像的局部一致性值这一步骤，具体包括：
将预处理后的图像输入掩模模板中进行掩模处理；
对掩模处理后的图像进行去线性漂移处理；
对去线性漂移处理后的图像进行回归分析，去除协变量；
对回归分析后的图像进行滤波；
对滤波后的图像计算中心体素及其周围26个体素的肯达尔相关系数，从而得到对应的局部一致性值；
对完成肯达尔相关系数计算的图像进行平滑处理。
5.根据权利要求2所述的基于功能磁共振的带状疱疹性神经痛疗效预测方法，其特征在于：所述计算预处理后的图像的分数低频振幅这一步骤，具体包括：
使用高斯滤波对预处理后的图像进行平滑；
将平滑后的图像输入掩模模板中进行掩模处理；
对掩模处理后的图像进行去线性漂移处理；
对去线性漂移处理后的图像进行回归分析，去除协变量；
计算回归分析后的功能磁共振图像的低频振幅和分数低频振幅。
6.根据权利要求1所述的基于功能磁共振的带状疱疹性神经痛疗效预测方法，其特征在于：所述根据参数计算的结果采用机器学习的方法进行带状疱疹性神经痛疗效预测这一步骤，具体包括：
从输入的样本中循环抽取每个带状疱疹性神经痛患者数据作为测试集，样本中其余带状疱疹性神经痛患者数据作为训练集；
根据参数计算的结果对训练集采用机器学习的方法进行模型训练，得到各个带状疱疹性神经痛疗效预测模型；
采用测试集对各个带状疱疹性神经痛疗效预测模型进行测试，得到各个带状疱疹性神经痛疗效预测模型的测试结果；
根据各个带状疱疹性神经痛疗效预测模型的测试结果得到最终带状疱疹性神经痛疗效预测模型的性能指标；
采用最终带状疱疹性神经痛疗效预测模型对待预测的对象进行带状疱疹性神经痛疗效预测。
7.根据权利要求1所述的基于功能磁共振的带状疱疹性神经痛疗效预测方法，其特征在于：所述机器学习的方法采用支持向量机算法。
8.基于功能磁共振的带状疱疹性神经痛疗效预测系统，其特征在于：包括：
获取模块，用于获取第一图像，所述第一图像包括带状疱疹性神经痛患者的功能磁共振图像和结构图像；
参数计算模块，用于根据第一图像进行参数计算，其中，所述参数包括局部一致性值和分数低频振幅；
预测模块，用于根据参数计算的结果采用机器学习的方法进行带状疱疹性神经痛疗效预测。
9.根据权利要求8所述的基于功能磁共振的带状疱疹性神经痛疗效预测系统，其特征在于：所述预测模块具体包括：
样本划分单元，用于从输入的样本中循环抽取每个带状疱疹性神经痛患者数据作为测试集，样本中其余带状疱疹性神经痛患者数据作为训练集；
训练单元，用于根据参数计算的结果对训练集采用机器学习的方法进行模型训练，得到性能指标计算单元，用于根据各个带状疱疹性神经痛疗效预测模型的测试结果得到最终带状疱疹性神经痛疗效预测模型的性能指标；
预测单元，用于采用最终带状疱疹性神经痛疗效预测模型对待预测的对象进行带状疱疹性神经痛疗效预测。
10.基于功能磁共振的带状疱疹性神经痛疗效预测系统，其特征在于：包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7任一项所述的基于功能磁共振的带状疱疹性神经痛疗效预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910239012.2A CN110148108A (zh) | 2019-03-27 | 2019-03-27 | 基于功能磁共振的带状疱疹性神经痛疗效预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910239012.2A CN110148108A (zh) | 2019-03-27 | 2019-03-27 | 基于功能磁共振的带状疱疹性神经痛疗效预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110148108A true CN110148108A (zh) | 2019-08-20 |
Family
ID=67588886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910239012.2A Pending CN110148108A (zh) | 2019-03-27 | 2019-03-27 | 基于功能磁共振的带状疱疹性神经痛疗效预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110148108A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110584663A (zh) * | 2019-09-20 | 2019-12-20 | 深圳大学 | 一种带状疱疹的药效判断装置及其使用方法 |
| CN110604572A (zh) * | 2019-10-08 | 2019-12-24 | 江苏海洋大学 | 基于人脑特征图谱的脑活动状态识别方法 |
| CN113838007A (zh) * | 2021-09-07 | 2021-12-24 | 深圳睿心智能医疗科技有限公司 | 生理参数获取方法、装置、电子设备及存储介质 |
| CN116013522A (zh) * | 2022-12-31 | 2023-04-25 | 中日友好医院(中日友好临床医学研究所) | 一种用于带状疱疹后遗神经痛的预测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104720804A (zh) * | 2015-04-09 | 2015-06-24 | 哈尔滨医科大学 | 宫颈癌患者使用紫杉醇和顺铂进行化疗敏感性预测方法 |
| CN105046709A (zh) * | 2015-07-14 | 2015-11-11 | 华南理工大学 | 一种基于核磁共振影像的脑龄分析方法 |
| CN105163657A (zh) * | 2013-03-11 | 2015-12-16 | 泰勒顿国际控股公司 | 自主神经系统建模及其用途 |
| CN105708462A (zh) * | 2016-01-14 | 2016-06-29 | 内蒙古医科大学附属医院 | 基于原发性癫痫的静息态功能磁共振的数据处理方法 |
| CN106667490A (zh) * | 2017-01-09 | 2017-05-17 | 北京师范大学 | 一种基于磁共振脑影像的被试对象间个体差异的数据间关系分析方法 |
| CN107669244A (zh) * | 2017-10-27 | 2018-02-09 | 中国人民解放军国防科技大学 | 基于EEG‑fMRI的癫痫异常放电位点定位方法及系统 |
-
2019
- 2019-03-27 CN CN201910239012.2A patent/CN110148108A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105163657A (zh) * | 2013-03-11 | 2015-12-16 | 泰勒顿国际控股公司 | 自主神经系统建模及其用途 |
| CN104720804A (zh) * | 2015-04-09 | 2015-06-24 | 哈尔滨医科大学 | 宫颈癌患者使用紫杉醇和顺铂进行化疗敏感性预测方法 |
| CN105046709A (zh) * | 2015-07-14 | 2015-11-11 | 华南理工大学 | 一种基于核磁共振影像的脑龄分析方法 |
| CN105708462A (zh) * | 2016-01-14 | 2016-06-29 | 内蒙古医科大学附属医院 | 基于原发性癫痫的静息态功能磁共振的数据处理方法 |
| CN106667490A (zh) * | 2017-01-09 | 2017-05-17 | 北京师范大学 | 一种基于磁共振脑影像的被试对象间个体差异的数据间关系分析方法 |
| CN107669244A (zh) * | 2017-10-27 | 2018-02-09 | 中国人民解放军国防科技大学 | 基于EEG‑fMRI的癫痫异常放电位点定位方法及系统 |
Non-Patent Citations (8)
| Title |
|---|
| SONG CAO等: "Local Brain Activity Differences Between Herpes Zoster and Postherpetic Neuralgia Patients: A Resting-State Functional MRI Study", 《PAIN PHYSICIAN》 * |
| SONG CAO等: "Local Brain Activity Differences Between Herpes Zoster and Postherpetic Neuralgia Patients: A Resting-State Functional MRI Study", 《PAIN PHYSICIAN》, 31 August 2017 (2017-08-31), pages 687 - 696 * |
| 于淼: "慢性缺陷型精神分裂症患者神经认知与基于静息态功能磁共振的神经影像学研究", 《中国博士学位论文全文数据库医药卫生科技辑》, pages 071 - 33 * |
| 曾萍: "基于功能磁共振和机器学习的疼痛神经标志研究进展", 《中国疼痛医学杂志》 * |
| 曾萍: "基于功能磁共振和机器学习的疼痛神经标志研究进展", 《中国疼痛医学杂志》, 15 April 2018 (2018-04-15), pages 281 - 287 * |
| 毛帅: "基于静息态功能磁共振成像的阿尔茨海默症神经指纹研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, pages 138 - 3107 * |
| 韦洁瑶: "基于fMRI与MEG数据融合的大脑语言处理的激活分析", 《中央民族大学学报》, pages 41 - 48 * |
| 顾星逸: "112例住院带状疱疹临床分析", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, pages 075 - 3 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110584663A (zh) * | 2019-09-20 | 2019-12-20 | 深圳大学 | 一种带状疱疹的药效判断装置及其使用方法 |
| CN110584663B (zh) * | 2019-09-20 | 2022-04-12 | 深圳大学 | 一种带状疱疹的药效判断装置及其使用方法 |
| CN110604572A (zh) * | 2019-10-08 | 2019-12-24 | 江苏海洋大学 | 基于人脑特征图谱的脑活动状态识别方法 |
| CN113838007A (zh) * | 2021-09-07 | 2021-12-24 | 深圳睿心智能医疗科技有限公司 | 生理参数获取方法、装置、电子设备及存储介质 |
| CN116013522A (zh) * | 2022-12-31 | 2023-04-25 | 中日友好医院(中日友好临床医学研究所) | 一种用于带状疱疹后遗神经痛的预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110148108A (zh) | 基于功能磁共振的带状疱疹性神经痛疗效预测方法及系统 | |
| CN111402228B (zh) | 图像检测方法、装置和计算机可读存储介质 | |
| CN110025312B (zh) | 基于结构磁共振的带状疱疹性神经痛疗效预测方法及系统 | |
| CN107007257B (zh) | 面部不自然度的自动评级方法和装置 | |
| Kamiya et al. | Automated segmentation of psoas major muscle in X-ray CT images by use of a shape model: preliminary study | |
| CN109472263A (zh) | 一种结合全局和局部信息的大脑磁共振图像分割方法 | |
| Balasooriya et al. | Intelligent brain hemorrhage diagnosis using artificial neural networks | |
| Langner et al. | Identifying morphological indicators of aging with neural networks on large-scale whole-body MRI | |
| CN109255354A (zh) | 面向医用ct的计算机图像处理方法和装置 | |
| CN113180693A (zh) | 静息态脑电rTMS疗效预测及干预闭环反馈诊疗方法 | |
| CN110400301A (zh) | 一种基于眼部特征的脑卒中人工智能筛查方法 | |
| CN116784820A (zh) | 一种基于种子点连接的脑功能网络构建方法及系统 | |
| CN111899880A (zh) | 腰椎骨小梁负载应力改变及隐匿骨折人工风险评估方法 | |
| CN107194417A (zh) | 基于mr图像的手指损伤检测方法及系统 | |
| CN117153379B (zh) | 一种胸廓出口综合征的预测装置 | |
| Önal et al. | Convolutional neural network-based diabetes diagnostic system via iridology technique | |
| Calivá et al. | Surface spherical encoding and contrastive learning for virtual bone shape aging | |
| CN116433967B (zh) | 一种面向无创神经调控技术的个性化靶点选择方法 | |
| US11842491B2 (en) | Novel, quantitative framework for the diagnostic, prognostic, and therapeutic evaluation of spinal cord diseases | |
| CN108065934B (zh) | 基于lme模型的减重手术引起大脑结构变化的影像学统计分析方法 | |
| CN110403631A (zh) | 一种基于连续超声图像的无创颅内压测量方法 | |
| Vashishtha et al. | Nerve segmentation in ultrasound images | |
| Tucciarelli et al. | Does ipsilateral remapping following hand loss impact motor control of the intact hand? | |
| Wald et al. | Automated quantification of adipose and skeletal muscle tissue in whole-body MRI data for epidemiological studies | |
| Chen et al. | Acromion morphology affects lateral extension of acromion: A three-dimensional computed tomographic study |
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 |