CN110211671A - 一种基于权值分布的阈值化方法 - Google Patents

一种基于权值分布的阈值化方法 Download PDF

Info

Publication number
CN110211671A
CN110211671A CN201910452319.0A CN201910452319A CN110211671A CN 110211671 A CN110211671 A CN 110211671A CN 201910452319 A CN201910452319 A CN 201910452319A CN 110211671 A CN110211671 A CN 110211671A
Authority
CN
China
Prior art keywords
brain
sample
brain area
network
threshold value
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
CN201910452319.0A
Other languages
English (en)
Other versions
CN110211671B (zh
Inventor
接标
王正东
卞维新
丁新涛
周文
左开中
陈付龙
罗永龙
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.)
Anhui Normal University
Original Assignee
Anhui Normal 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 Anhui Normal University filed Critical Anhui Normal University
Priority to CN201910452319.0A priority Critical patent/CN110211671B/zh
Publication of CN110211671A publication Critical patent/CN110211671A/zh
Application granted granted Critical
Publication of CN110211671B publication Critical patent/CN110211671B/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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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

Landscapes

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

Abstract

本发明适用于机器学习与医学影像处理技术领域，提供了一种基于权值分布的阈值化方法，具体包括如下步骤：S1、基于类标签将训练集样本分为两个样本组，即病人组和正常人组；S2、针对两个样本组中所有样本，将各脑区时间序列间的Pearson相关系数作为其连接权重，构建脑网络邻接矩阵；S3、基于两样本组的功能连接分布差异，针对每个脑区对构建一个阈值。通过对网络中每个功能连接，利用其权重分布自适应的构建一个最佳阈值，对不同脑区间的功能连接构建不同阈值，对整个脑网络构建了阈值矩阵，用于阈值化脑网络，从而保留了不同脑区间功能连接的多样性，解决了单一阈值或百分比方法的不足。

Description

一种基于权值分布的阈值化方法
技术领域
本发明属于机器学习与医学影像处理技术领域，提供了一种基于权值分布的阈值化方法。
背景技术
目前研究结果表明，人体大脑是基于各个脑区划分功能性连接的一个复杂系统。通常将其抽象成脑网络，即由各个脑区构成各个网络的顶点，各个脑区连接强度组成脑网络的边。脑网络分析为人类探索脑组织结构功能与预测一些脑部疾病导致结构与功能上的一些差异提供了一个有效的途径。目前已经有研究人员对阿尔兹海默症(Alzheimer’sdisease，AD)以及前期病症轻度认知障碍(Mild cognitive impairment，MCI)、注意力缺陷多动症(Attention Deficit Hyperactivity Disorder，ADHD)等脑部疾病展开了相关的研究。
目前，机器学习方法已经应用到医学图像处理领域，研究人员基于现代核磁共振成像(magnetic resonance imaging，MRI)数据已经提出很多脑网络分析方法。在分析过程中，其中阈值化为脑网络表示中的一个重要步骤，但目前主流方法主要可为(1)单一阈值方法；(2)百分比方法。前者是基于给定的阈值来阈值化整个脑网络，而后者则首先将功能连接根据权重值进行排序，而后选择一定百分比的功能连接。
目前，领域研究阈值确定方法都是基于上述两大类方法，给予一定的改进或者变化。比如基于单一阈值的多元时间序列表示的功能网络优化，功能性脑网络(不)稳定性跨域值度量等。这些方法都是在取值过程中对阈值获取过程进行优化，但最终确定的阈值都是唯一的。即在同一个网络中只用先前确定的阈值进行处理。单一阈值的处理方式在一定程度上限制了整个网络的连接性质，对于给定n个脑区，对于全连接网络来说有边数n(n-1)/2条，即实际上以一个阈值去衡量整个网络的连接权值，这样在实际场景中不合理，因为不同脑区间连接权重都有其各自的连接强弱，固定的单一阈值可能会造成强连接的差异性被忽略。而采用一定百分比来稀疏化脑网络的方法是对整体功能性脑网络连接权重排序按照从高到低依次采用1％～99％的比重阈值化网络，即依次使用此范围内的权重进行阈值化，这种方法仍然忽略掉连接强度之间(特别是强连接权重之间)多样性。另外，对单一阈值或按比例稀疏的方法，仍然没有一个好的标准去确定或定义阈值或比例。在实践中，通常尝试所有可能值来探索一个最优阈值或比例，这极大浪费计算代价。
发明内容
本发明实施例提供了一种基于权值分布的阈值化方法，对每对脑区的功能连接，充分利用其在不同样本组间的权重(即连接强度)的分布信息，自适应地构建一个特定的阈值。
本发明是这样实现的，一种基于权值分布的阈值化方法，所述方法具体包括如下步骤：
S1、基于类标签将训练集样本分为两个样本组，即病人组和正常人组；
S2、针对两个样本组中所有样本，将各脑区时间序列间的Pearson相关系数作为其连接权重，构建脑网络邻接矩阵；
S3、基于两样本组的功能连接分布差异，针对每个脑区对构建一个阈值。
进一步的，脑区对i和j的阈值构建方法具体如下:
S31、假定脑区对i和j功能性连接权值在每个样本组中的分布服从高斯分布，即和并利用两个组的样本分别估计出两个高斯分布的参数值；
S32、利用Kullback-Leibler散度估计两个高斯分布之间的距离
S33、若距离大于设定值δ，则计算两个高斯分布的交叉点τ，将交叉点τ作为脑区对i和j的阈值，否则移去脑区对i和j的连接边。
进一步的，高斯分布的参数采用如下公式进行计算：
其中，表示第t个病人网络的第i和j个脑区的功能连接权重，表示第t个正常人网络的第i和j个脑区的功能连接权重。
进一步的，的计算公式具体如下：
进一步的，在步骤S2之前还包括：对两个样本组中的所有样本进行预处理，获取样本中各脑区的时间序列。
本发明提供的基于权值分布的阈值化方法具有以下效果：通过对网络中每个功能连接，利用其权重分布自适应的构建一个最佳阈值，对不同脑区间的功能连接构建不同阈值，对整个脑网络构建了阈值矩阵T，用于阈值化脑网络，从而保留了不同脑区间功能连接的多样性。解决了单一阈值或百分比方法的不足。
附图说明
图1为本发明实施例提供的基于权值分布的阈值化方法流程图；
图2为本发明实施例提供的精准度Accuracy在MCI vs.NC数据集上随阈值的变化情况；
图3为本发明实施例提供的精准度Accuracy在IMCI vs.eMCI数据集上随阈值的变化情况；
图4为本发明实施例提供的精准度Accuracy在eMCI vs.NC数据集上随阈值的变化情况；
图5为本发明实施例提供的精准度Accuracy在ADHD vs.NC数据集上随阈值的变化情况。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1为本发明实施例提供的基于权值分布的阈值化方法流程图，该方法具体包括如下步骤：
S1、基于类标签将训练集样本分为两个样本组，即病人组和正常人组；
S2、针对两个样本组中所有样本，使用Pearson相关系数构建各样本的脑区间功能性连接，将各脑区时间序列间的Pearson相关系数作为其连接权重，从而构建脑网络邻接矩阵，表示为 其中，为第t个病人脑网络的邻接矩阵，为第t个正常人脑网络的邻接矩阵，N为病人样本组中的样本数量，M为正常人样本组中的样本数量；
在步骤S2之前还包括：对两个样本组中的所有样本进行预处理，获取样本中各脑区的时间序列；
S3、基于两样本组的功能连接分布差异，针对每个脑区对构建一个阈值。
在本发明实施例中，对于给定的n个脑区，存在n(n-1)/2个脑区对，以于脑区对i和j为例进行说明，脑区对i和j的阈值构建方法具体如下：
S31、假定脑区对i和j功能性连接权值在每个样本组中的分布服从高斯分布，即和并利用两个组的样本分别估计出两个高斯分布的参数值，高斯分布的参数采用如下公式进行计算：
其中，表示第t个病人网络的第i和j个脑区的功能连接权重，表示第t个正常人网络的第i和j个脑区的功能连接权重。
S32、利用Kullback-Leibler散度估计两个高斯分布之间的距离其计算公式具体如下：
S33、若距离大于设定值δ，则计算两个高斯分布的交叉点τ，将交叉点τ作为脑区对i和j的阈值Tij，否则，认定两个高斯分布相同或相似，表明相应的功能连接并未受到疾病的影响，移去脑区对i和j的连接边(即令Tij＝1)，即：
本发明提供的基于权值分布的阈值化方法具有以下效果：通过对网络中每个功能连接，利用其权重分布自适应的构建一个最佳阈值，对不同脑区间的功能连接构建不同阈值，对整个脑网络构建了阈值矩阵T，用于阈值化脑网络，从而保留了不同脑区间功能连接的多样性。解决了单一阈值或百分比方法的不足。
在两个fMRI数据集上，即ADHD(Attention Deficit Hyperactivity Disorder)数据集与ADNI(the Alzheimer’s Disease Neuroimaging Initiative)数据集，验证了本发明提出WBT方法有效性。
列举了在ADHD与ADNI数据集上评价提出方法的有效性。表1给出了这些数据集的特性。
表1两个数据集的样本的统计信息
MMSE＝Mini-Mental State Examination
对于ADHD数据集，使用了来自NYU(New York University)站点已经预处理好时间序列数据，详细的预处理步骤可以在http://www.nitrc.org/plugins/mwiki/index.php/neurobureau:Athena找到。预处理后的数据根据AAL(Automated Anatomical Labeling)将大脑划分90脑区，每个脑区包含了172时间点数据，使用Pearson相关系数构建功能性脑网络。
对ADNI数据集，来自USC(University of Southern California)阿尔兹海默病研究机构公布，http://adni.loni.usc.edu/)，采用了标准预处理管道，包括时间片(矫正和头动矫正)。利用SPM8(Statistical Parametric Mapping software package)(http://www.fil.ion.ucl.ac.uk.spm)来完成图像预处理。对每个样本，丢弃前10幅fMRI图像，以确保磁化平衡。对保留图像首先进行切片间采集时间延迟上的矫正，紧接着进行头部运动矫正，消除头部运动的影响。由于脑室(ventricle)区域和白质(white matter，WM)区域包含相对较高的噪声，利用灰质(gray matter，GM)提取血氧水平依赖(the blood oxygenationlevel dependent，BOLD)信号来构建功能连接网络，为了消除WM和CSF可能的影响，每个样本GM组织被进一步用于罩化(mask)它们对应的fMRI图像。fMRI时间序列的第一次扫描被配准到同一样本的T1加权图像，所估计的变换被应用到相同样本其它时间序列。矫正后的fMRI图像首先利用HAMMER的变形配准方法将其配准到同一模板空间，并利用AAL模板把其划分为90个感兴趣的区域(region-of-interest，ROI)。最终，对每个ROI，所有体素(voxel)上平均fMRI时间序列被作为该ROI的时间序列。同样地也使用Pearson相关系数构建功能性脑网络。
两个数据集进行了四组分类任务，具体为：MCI vs.NC分类、lMCI vs.eMCI分类、eMCI vs.NC分类和ADHD vs.NC分类，其中，MCI为轻度认知障碍-mild cognitiveimpairmen，NC为正常对照组-normal control，lMCI为晚期轻度认知障碍-late MCI，eMCI为早期轻度认知障碍-early MCI，ADHD为注意力缺陷多动症，分类在实验中从阈值化脑网络中提取每个脑区的聚类系数特征用于分类分类。对比了单一阈值方法(表示为ST)和按照百分比来稀疏化的方式(表示为PT)，为了比较，对原始的没有阈值的脑网络也提取了权重聚类系数作为特征用于分类(表示为baseline方法)。在实验中，采用支持向量机(SupportVector Machine,SVM)进行分类，在分类过程中，采用10折交叉验证来评价分类性能。特别注意的阈值的确定是在训练集中获取。这个过程被独立的重复10次，目的是为了减少在交叉验证过程中因随机划分样本而造成对分类结果的影响。最后，四种测度即精度(所有样本被正确分类比例)、敏感度(病人当中被正确分类比例)、特异度(正常人当中被正确分类比例)和受试者工作特征曲线下方面积(AUC)。其中表2～表5为所有方法在四个分类任务上的性能。注意，在ST和PT方法中，采用不同阈值获得不同结果。公平起见，表2～表5报到了它们的最好结果。
表2:所有方法在MCI vs.NC分类上性能(％)
表3:所有方法在lMCI vs.eMCI分类上性能(％)
表4:所有方法在eMCI vs.NC分类上性能(％)
表5:所有方法在ADHD vs.NC分类上性能(％)
附图2至附图5给出了为四种方法在两个数据集上随阈值的变化情况，从图2至图5可以看出，本发明提出的WDT方法能够获得最好的性能，此外，两种比较的方法(即ST和PT)受阈值变化的影响比较大，反映了选择阈值的重要性。而本发明提出的WDT方法在计算量上具有优势，具有很好的鲁棒性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于权值分布的阈值化方法，其特征在于，所述方法具体包括如下步骤：
S1、基于类标签将训练集样本分为两个样本组，即病人组和正常人组；
S2、针对两个样本组中所有样本，将各脑区时间序列间的Pearson相关系数作为其连接权重，构建脑网络邻接矩阵；
S3、基于两样本组的功能连接分布差异，针对每个脑区对构建一个阈值。
2.如权利要求1所述基于权值分布的阈值化方法，其特征在于，脑区对i和j的阈值构建方法具体如下:
S31、假定脑区对i和j功能性连接权值在每个样本组中的分布服从高斯分布，即和并利用两个组的样本分别估计出两个高斯分布的参数值；
S32、利用Kullback-Leibler散度估计两个高斯分布之间的距离
S33、若距离大于设定值δ，则计算两个高斯分布的交叉点τ，将交叉点τ作为脑区对i和j的阈值，否则移去脑区对i和j的连接边。
3.如权利要求2所述基于权值分布的阈值化方法，其特征在于，高斯分布的参数采用如下公式进行计算：
其中，表示第t个病人网络的第i和j个脑区的功能连接权重，表示第t个正常人网络的第i和j个脑区的功能连接权重。
4.如权利要求2所述基于权值分布的阈值化方法，其特征在于，的计算公式具体如下：
5.如权利要求2所述基于权值分布的阈值化方法，其特征在于，在步骤S2之前还包括：
在步骤S2之前还包括：对两个样本组中的所有样本进行预处理，获取样本中各脑区的时间序列。
CN201910452319.0A 2019-05-28 2019-05-28 一种基于权值分布的阈值化方法 Active CN110211671B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910452319.0A CN110211671B (zh) 2019-05-28 2019-05-28 一种基于权值分布的阈值化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910452319.0A CN110211671B (zh) 2019-05-28 2019-05-28 一种基于权值分布的阈值化方法

Publications (2)

Publication Number Publication Date
CN110211671A true CN110211671A (zh) 2019-09-06
CN110211671B CN110211671B (zh) 2021-03-16

Family

ID=67789089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910452319.0A Active CN110211671B (zh) 2019-05-28 2019-05-28 一种基于权值分布的阈值化方法

Country Status (1)

Country Link
CN (1) CN110211671B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111049125A (zh) * 2019-09-24 2020-04-21 安徽师范大学 一种基于机器学习的电动车智能接入控制方法
CN111063423A (zh) * 2019-12-16 2020-04-24 哈尔滨工程大学 阿尔茨海默病和轻度认知障碍脑网络特异性结构提取方法
CN112712891A (zh) * 2020-12-28 2021-04-27 聊城大学 一种无超参数的大脑功能连接网络学习方法
CN115064262A (zh) * 2022-06-08 2022-09-16 华侨大学 一种基于长短时记忆的阿尔兹海默症病程预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104715150A (zh) * 2015-03-19 2015-06-17 上海海事大学 一种基于复杂网络的偏头痛患者大脑皮层的辅助分类分析方法
KR101718130B1 (ko) * 2016-02-12 2017-03-20 서울대학교산학협력단 자기공명영상을 이용한 뇌 영역의 분할 방법 및 시스템
CN108447546A (zh) * 2018-02-02 2018-08-24 常州大学 基于加权网络的大脑功能连接模块划分方法
CN109259764A (zh) * 2018-07-27 2019-01-25 昆明理工大学 一种确定动态脑功能网络阈值方法
CN109509552A (zh) * 2018-12-05 2019-03-22 中南大学 一种基于功能连接网络的多层次特征融合的精神病自动判别方法
CN109697718A (zh) * 2018-12-25 2019-04-30 电子科技大学 一种基于图论的自闭症检测方法及装置
CN109767435A (zh) * 2019-01-07 2019-05-17 哈尔滨工程大学 一种基于持续同调技术的阿尔兹海默症脑网络特征提取方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104715150A (zh) * 2015-03-19 2015-06-17 上海海事大学 一种基于复杂网络的偏头痛患者大脑皮层的辅助分类分析方法
KR101718130B1 (ko) * 2016-02-12 2017-03-20 서울대학교산학협력단 자기공명영상을 이용한 뇌 영역의 분할 방법 및 시스템
CN108447546A (zh) * 2018-02-02 2018-08-24 常州大学 基于加权网络的大脑功能连接模块划分方法
CN109259764A (zh) * 2018-07-27 2019-01-25 昆明理工大学 一种确定动态脑功能网络阈值方法
CN109509552A (zh) * 2018-12-05 2019-03-22 中南大学 一种基于功能连接网络的多层次特征融合的精神病自动判别方法
CN109697718A (zh) * 2018-12-25 2019-04-30 电子科技大学 一种基于图论的自闭症检测方法及装置
CN109767435A (zh) * 2019-01-07 2019-05-17 哈尔滨工程大学 一种基于持续同调技术的阿尔兹海默症脑网络特征提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BIAO JIE 等: "Topological graph kernel on multiple thresholded functional connectivity networks for mild cognitive impairment classification", 《HUMAN BRAIN MAPPING》 *
ZHENGDONG WANG 等: "Adaptive Thresholding of Functional Connectivity Networks for fMRI-Based Brain Disease Analysis", 《HTTPS://KOREAUNIV.PURE.ELSEVIER.COM/EN/PUBLICATIONS/ADAPTIVE-THRESHOLDING-OF-FUNCTIONAL-CONNECTIVITY-NETWORKS-FOR-FMR》 *
屠黎阳: "《基于稠密子图挖掘的脑网络分类研究及应用》", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111049125A (zh) * 2019-09-24 2020-04-21 安徽师范大学 一种基于机器学习的电动车智能接入控制方法
CN111063423A (zh) * 2019-12-16 2020-04-24 哈尔滨工程大学 阿尔茨海默病和轻度认知障碍脑网络特异性结构提取方法
CN111063423B (zh) * 2019-12-16 2022-05-20 哈尔滨工程大学 阿尔茨海默病和轻度认知障碍脑网络特异性结构提取方法
CN112712891A (zh) * 2020-12-28 2021-04-27 聊城大学 一种无超参数的大脑功能连接网络学习方法
CN112712891B (zh) * 2020-12-28 2022-02-08 聊城大学 一种无超参数的大脑功能连接网络学习方法
CN115064262A (zh) * 2022-06-08 2022-09-16 华侨大学 一种基于长短时记忆的阿尔兹海默症病程预测方法

Also Published As

Publication number Publication date
CN110211671B (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN110070935B (zh) 基于对抗神经网络的医学图像合成方法、分类方法及装置
CN110211671A (zh) 一种基于权值分布的阈值化方法
CN109035263B (zh) 基于卷积神经网络的脑肿瘤图像自动分割方法
CN113616184B (zh) 基于多模态磁共振图像的脑网络建模与个体预测方法
WO2023040588A1 (zh) 基于图模型的脑功能配准方法
CN110797123B (zh) 一种动态脑结构的图卷积神经网络演化方法
CN109697718A (zh) 一种基于图论的自闭症检测方法及装置
CN111488914A (zh) 一种基于多任务学习的阿尔茨海默症分类及预测系统
CN103093087A (zh) 一种基于多任务学习的多模态脑网络特征融合方法
CN104700120A (zh) 一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法
CN115393269A (zh) 一种基于多模态影像数据的可扩展多层级图神经网络模型
CN105117731A (zh) 一种大脑功能网络的社团划分方法
CN110853009A (zh) 基于机器学习的视网膜病理图像分析系统
CN113989551B (zh) 一种基于改进ResNet网络的阿尔茨海默病分类方法
CN102509123A (zh) 一种基于复杂网络的脑功能磁共振图像分类方法
CN108960341A (zh) 一种面向脑网络的结构化特征选择方法
CN113177943A (zh) 一种脑卒中ct影像分割方法
Wang et al. Deep neural network heatmaps capture Alzheimer’s disease patterns reported in a large meta-analysis of neuroimaging studies
CN110853048A (zh) 基于粗、精训练的mri图像分割方法、装置和存储介质
CN110298364B (zh) 面向功能性脑网络的多阈值下基于多任务的特征选择方法
CN111325282B (zh) 适应多机型的乳腺x射线影像识别方法和装置
Zhang et al. Relationships between human brain structural connectomes and traits
CN104751461A (zh) 一种基于直方图阈值及低秩表示的白细胞细胞核分割方法
CN107590806A (zh) 一种基于大脑医学成像的检测方法和系统
CN115984266A (zh) 一种脑区中靶点定位方法及系统

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