CN110544252A - 基于多模态磁共振脑影像的帕金森病辅助诊断系统 - Google Patents

基于多模态磁共振脑影像的帕金森病辅助诊断系统 Download PDF

Info

Publication number
CN110544252A
CN110544252A CN201910845433.XA CN201910845433A CN110544252A CN 110544252 A CN110544252 A CN 110544252A CN 201910845433 A CN201910845433 A CN 201910845433A CN 110544252 A CN110544252 A CN 110544252A
Authority
CN
China
Prior art keywords
module
images
feature
image
series
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
Application number
CN201910845433.XA
Other languages
English (en)
Inventor
赵德春
唐琪
冯明扬
李小祥
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201910845433.XA priority Critical patent/CN110544252A/zh
Publication of CN110544252A publication Critical patent/CN110544252A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

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

Abstract

本发明涉及一种基于多模态磁共振脑影像的帕金森病辅助诊断系统，包括输入模块、特征筛选模块、特征选择模块以及诊断模块；输入模块包括T1WI图像、DTI图像和QSM图像的输入；特征筛选模块：用于对三组图像进行图像预处理，并提取感兴趣区域的特征数据，并将不同模态的特征数据进行串联，构造成一个串联特征矩阵X，将MOCA和样本标签则串联成一个相应矩阵Y；特征选择模块提取具有高表征性的特征；诊断模块用于对特征进行学习、数据回归和分类，最后获得诊断结果，从而为医生提供更准确的辅助诊断。

Description

基于多模态磁共振脑影像的帕金森病辅助诊断系统
技术领域
本发明属于医学影像的计算机分析技术领域，涉及一种基于多模态磁共振脑影像的帕金森病辅助诊断系统。
背景技术
帕金森病(Parkinson’s Disease,PD)又名震颤麻痹，是中枢神经系统第二大常见退行性疾病，其特点是黑质致密部多巴胺能神经元退行或丧失造成运动功能障碍。目前帕金森病的诊断主要依靠临床症状，这在很大程度上依赖于临床医生的经验。因此，有效的早期诊断方法尤为必要。
为了更好地对早期PD进行诊断，常用磁共振成像(Magnetic Resonance Imaging,MRI)来量化大脑不同区域神经元的损失，以此达到检测PD的作用。MRI具有空间分辨率高、无侵袭性、成本低、可用性广等优点，对PD及脑肿瘤等相关疾病的诊断更加可靠、准确。但由于该病早期临床症状不典型，故诊断困难，加之常规MRI检查对其诊断也有一定的局限性，因此往往会延误治疗。近年来随着功能成像的快速发展，许多MRI的新技术广泛应用于PD的研究中，对PD的诊断、鉴别诊断以及其结构和功能方面的改变提供了更多的影像诊断依据。
基于计算机辅助诊断(Computer aided diagnosis，CAD)的方法给帕金森症诊断带来了巨大帮助，其让神经影像信息的识别能力最大化，能够从影像数据中提取潜在的有效信息。
现有的辅助诊断系统存在以下问题：
(1)辅助诊断系统任务单一：大多数的辅助诊断系统都仅仅具备分类模型，对测试模型进行简单的分类，并不能同时执行多个任务，例如对疾病进行分类的同时不能对临床数据进行预测，从而浪费了很多相关信息。
(2)特征单一不丰富：大多数的辅助诊断系统都是基于单一模态，所以所提取的数据特征也比较单一，早前有研究者采用经颅超声图像、MRI图像和PET图像提取特征，然而这三种模态的图像要实现配准特征融合，过程复杂耗时长。
发明内容
有鉴于此，本发明的目的在于提供一种基于多模态磁共振脑影像的帕金森病辅助诊断系统。
为达到上述目的，本发明提供如下技术方案：
一方面，本发明提供一种基于多模态磁共振脑影像的帕金森病辅助诊断系统，包括输入模块、特征筛选模块、特征选择模块以及诊断模块；
输入模块：包含三个模态的输入，包括通过T1WI图像(T1weighted image，T1加权图像)获取脑灰白质的体积质量，通过DTI(Diffusion Tensor Imaging，弥散张量成像)图像获取纹状体区各部位FA(Fractional Anisotropy，各向异性分数)值，通过QSM(Quantitative Susceptibility Mapping，磁敏感定量成像技术)获取黑质致密部的QSM值；
特征筛选模块：用于对三组图像进行图像预处理，还用于对预处理后的图像提取感兴趣区域ROI的特征数据，获得GM(Grey matter，灰质)，CSF(Cerebrospinal Fluid，脑脊液)、FA与QSM值，并将这些不同模态的特征数据进行串联，构造成一个串联特征矩阵X，将MOCA(Montreal Cognitive Assessment，蒙特利尔认知评估量表)和样本标签则串联成一个相应矩阵Y；
特征选择模块：将多维特征数据进行特征选择，提取其中具有高表征性的特征。
诊断模块：用于将特征选择后的多模态特征数据输入诊断模块后，通过多模态学习算法对特征进行学习，同时进行数据的回归和分类，最终获得诊断结果；
进一步，所述特征筛选模块中的预处理方式包括格式化、归一化、分割以及平滑。
进一步，所述特征选择模块中，是采用优化损失函数的多任务选择的方法提取其中具有高表征性的特征。
另一方面，本发明提供一种计算机装置，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现以下步骤：
步骤1，读入T1WI、DTI图像以及QSM图像的三个模态的数据；
步骤2，对T1WI图像、DTI图像和QSM图像采用不同的预处理方式筛选出有用特征，将这些不同模态的特征进行串联，构造成一个串联特征矩阵X，MOCA和样本标签则串联成一个相应矩阵Y；
步骤3，将多维特征进行特征选择，采用优化损失函数的多任务选择的方法提取其中具有高表征性的特征；
步骤4，利用多核的分类器对融合特征进行分类与预测，获得辅助诊断结果，供医生进行诊断辅助参考。
再一方面，本发明提供一种计算机可读存储介质，其特征在于：所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现以下步骤：
步骤1，读入T1WI、DTI图像以及QSM图像的三个模态的数据；
步骤2，对T1WI图像、DTI图像和QSM图像采用不同的预处理方式筛选出有用特征，将这些不同模态的特征进行串联，构造成一个串联特征矩阵X，MOCA和样本标签则串联成一个相应矩阵Y；
步骤3，将多维特征进行特征选择，采用优化损失函数的多任务选择的方法提取其中具有高表征性的特征；
步骤4，利用多核的分类器对融合特征进行分类与预测，获得辅助诊断结果，供医生进行诊断辅助参考。
本发明的有益效果在于：采用了本发明的系统，能够将多种模态的所表征的特性相结合，优化损失函数的特征选择方法，也能够实现同时完成回归与分类的任务，最大化的利用了受检者的信息，并为医生的诊断提供了有效的辅助作用。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明所述基于多模态磁共振脑影像的帕金森病辅助诊断系统结构示意图；
图2为本发明实施例基于多模态磁共振脑影像的帕金森病辅助诊断系统的操作示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
如图1所示，一种基于多模态磁共振脑影像的帕金森病辅助诊断系统，包括输入模块、特征筛选模块、特征选择模块以及诊断模块；
输入模块：包含三个模态的输入，包括通过T1WI图像获取脑灰白质的体积质量，通过DTI图像获取纹状体区各部位FA值，通过QSM获取黑质致密部的QSM值；
特征筛选模块：用于对三组图像进行图像预处理，还用于对预处理后的图像提取感兴趣区域ROI的特征数据，获得GM，CSF、FA与QSM值，并将这些不同模态的特征数据进行串联，构造成一个串联特征矩阵X，MOCA和样本标签则串联成一个相应矩阵Y；
特征选择模块：将多维特征数据进行特征选择，提取其中具有高表征性的特征。
诊断模块：用于将特征选择后的多模态特征数据输入诊断模块后，通过多模态学习算法对特征进行学习，同时进行数据的回归和分类，最终获得诊断结果。
特征筛选模块中的预处理方式包括格式化、归一化、分割以及平滑。
特征选择模块中，是采用优化损失函数的多任务选择的方法提取其中具有高表征性的特征。
通过本发明的基于多模态磁共振脑影像的帕金森病辅助诊断系统，进行如下操作：
(1)读入T1WI、DTI图像以及QSM图像的三个模态的数据；
(2)对T1WI图像、DTI图像和QSM图像采用不同的预处理方式筛选出有用特征，将这些不同模态的特征进行串联，构造成一个串联特征矩阵X。MOCA和样本标签则串联成一个相应矩阵Y。
(3)将上述多维特征进行特征选择，采用优化损失函数的多任务选择的方法提取其中具有高表征性的特征；
(4)利用多核的分类器对融合特征进行分类与预测，获得辅助诊断结果，供医生进行诊断辅助参考。
具体地，如图2所示，提供一个实施例：
S1：读入三种模态图像，根据不同图像利用不同软件进行图像预处理，包括格式化、归一化、分割以及平滑，而后我们将预处理后的图像标注在AAL模板上，从而提取灰白质，FA值以及QSM值这些特征。每一模态被AAL模板分割成116份，故每一模态都有116维特征，而后将这些不同模态的特征进行串联，构造成一个串联特征矩阵，MOCA和样本标签则串联成一个相应矩阵。
S2：由于上述两步提取的特征维度过于高，对S1中获取的特征进行特征选择，通过多任务选择方法从不同模态的特征中选出共有的相关性最大的子特征集，该子特征集是与响应变量相关度较大的子集。
S3：本实施例中，采用多核学习的方法对多模态的特征进行学习。如图2所示，一个模态的特征为一个通道，对三模态组成三个通道，每一个通道包含一个核函数，然后训练每个通道的核函数权重，最终选出最佳通道组合来进行分类。具体公式如下：
K(xi，xj)＝∑f∈ρwf·kf(xi，xj)
其中，K为训练过程的最后组合核函数，为每一通道的核函数权重。在训练过程中，选出最佳核函数组合，构建出可靠的模型。在辅助诊断中，输入S1、S2中获得的特征矩阵与相应矩阵，利用学习的模型即可获得样本所属类别与临床得分，从而获取辅助诊断结果。针对目前帕金森早期诊断，本发明定量分析多模态数据，对于早期诊断帕金森病综上所述，MRI技术能够了解PD患者脑部解剖结构改变或是功能性连接的异常，监测疾病进展，在早期诊断和鉴别诊断帕金森病中具有巨大的潜力。对临床前或前驱期PD患者的研究可真正意义上促进PD的早期诊断和理解疾病的发生发展。结合多个序列的多模态MRI成像技术可能为临床工作带来更大的帮助。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于多模态磁共振脑影像的帕金森病辅助诊断系统，其特征在于：包括输入模块、特征筛选模块、特征选择模块以及诊断模块；
输入模块：包含三个模态的输入，包括通过T1WI图像获取脑灰白质的体积质量，通过DTI图像获取纹状体区各部位FA值，通过QSM获取黑质致密部的QSM值；
特征筛选模块：用于对三组图像进行图像预处理，还用于对预处理后的图像提取感兴趣区域ROI的特征数据，获得GM，CSF、FA与QSM值，并将这些不同模态的特征数据进行串联，构造成一个串联特征矩阵X，将MOCA和样本标签则串联成一个相应矩阵Y；
特征选择模块：将多维特征数据进行特征选择，提取其中具有高表征性的特征；
诊断模块：用于将特征选择后的多模态特征数据输入诊断模块后，通过多模态学习算法对特征进行学习，同时进行数据的回归和分类，最终获得诊断结果。
2.根据权利要求1所述的基于多模态磁共振脑影像的帕金森病辅助诊断系统，其特征在于：所述特征筛选模块中的预处理方式包括格式化、归一化、分割以及平滑。
3.根据权利要求1所述的基于多模态磁共振脑影像的帕金森病辅助诊断系统，其特征在于：所述特征选择模块中，是采用优化损失函数的多任务选择的方法提取其中具有高表征性的特征。
4.一种计算机装置，其特征在于：包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现以下步骤：
步骤1，读入T1WI、DTI图像以及QSM图像的三个模态的数据；
步骤2，对T1WI图像、DTI图像和QSM图像采用不同的预处理方式筛选出有用特征，将这些不同模态的特征进行串联，构造成一个串联特征矩阵X，MOCA和样本标签则串联成一个相应矩阵Y；
步骤3，将多维特征进行特征选择，采用优化损失函数的多任务选择的方法提取其中具有高表征性的特征；
步骤4，利用多核的分类器对融合特征进行分类与预测，获得辅助诊断结果。
5.一种计算机可读存储介质，其特征在于：所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现以下步骤：
步骤1，读入T1WI、DTI图像以及QSM图像的三个模态的数据；
步骤2，对T1WI图像、DTI图像和QSM图像采用不同的预处理方式筛选出有用特征，将这些不同模态的特征进行串联，构造成一个串联特征矩阵X，MOCA和样本标签则串联成一个相应矩阵Y；
步骤3，将多维特征进行特征选择，采用优化损失函数的多任务选择的方法提取其中具有高表征性的特征；
步骤4，利用多核的分类器对融合特征进行分类与预测，获得辅助诊断结果。
CN201910845433.XA 2019-09-05 2019-09-05 基于多模态磁共振脑影像的帕金森病辅助诊断系统 Pending CN110544252A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910845433.XA CN110544252A (zh) 2019-09-05 2019-09-05 基于多模态磁共振脑影像的帕金森病辅助诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910845433.XA CN110544252A (zh) 2019-09-05 2019-09-05 基于多模态磁共振脑影像的帕金森病辅助诊断系统

Publications (1)

Publication Number Publication Date
CN110544252A true CN110544252A (zh) 2019-12-06

Family

ID=68712843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910845433.XA Pending CN110544252A (zh) 2019-09-05 2019-09-05 基于多模态磁共振脑影像的帕金森病辅助诊断系统

Country Status (1)

Country Link
CN (1) CN110544252A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111000571A (zh) * 2019-12-26 2020-04-14 上海市精神卫生中心（上海市心理咨询培训中心） 创伤后心理疾病的风险预测方法，相关设备及存储装置
CN111523617A (zh) * 2020-06-09 2020-08-11 天津大学 基于白质融合特征图和残差注意力网络的癫痫检测系统
CN112149735A (zh) * 2020-09-23 2020-12-29 上海联影医疗科技股份有限公司 数据处理方法以及装置
CN112802013A (zh) * 2021-03-12 2021-05-14 清华大学 基于图神经网络与多任务学习的脑疾病检测方法和装置
CN113012142A (zh) * 2021-04-02 2021-06-22 电子科技大学 一种基于磁共振图像的帕金森病的智能诊断系统
CN113143246A (zh) * 2021-04-27 2021-07-23 浙江大学医学院附属第二医院 基于多模态磁共振脑影像的帕金森病辅助临床决策系统
CN113222915A (zh) * 2021-04-28 2021-08-06 浙江大学 基于多模态磁共振影像组学的pd诊断模型的建立方法
CN113317763A (zh) * 2021-06-30 2021-08-31 平安科技（深圳）有限公司 基于多模态的帕金森病检测装置及计算机可读存储介质
CN114332947A (zh) * 2021-12-31 2022-04-12 深圳市儿童医院 一种图像分类系统及终端设备
CN118557154A (zh) * 2024-05-30 2024-08-30 杭州师范大学 一种多模态帕金森病辅助检测装置
WO2024192673A1 (zh) * 2023-03-21 2024-09-26 深圳先进技术研究院 帕金森病辅助分析系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6430430B1 (en) * 1999-04-29 2002-08-06 University Of South Florida Method and system for knowledge guided hyperintensity detection and volumetric measurement
CN101626727A (zh) * 2007-03-06 2010-01-13 皇家飞利浦电子股份有限公司 附加有pet/mr流动估计的自动诊断和对准
US20110199084A1 (en) * 2010-02-16 2011-08-18 Board Of Regents Of The University Of Texas System Method and system for diffusion tensor imaging
CN108961215A (zh) * 2018-06-05 2018-12-07 上海大学 基于多模态医学影像的帕金森病辅助诊断系统和方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6430430B1 (en) * 1999-04-29 2002-08-06 University Of South Florida Method and system for knowledge guided hyperintensity detection and volumetric measurement
CN101626727A (zh) * 2007-03-06 2010-01-13 皇家飞利浦电子股份有限公司 附加有pet/mr流动估计的自动诊断和对准
US20110199084A1 (en) * 2010-02-16 2011-08-18 Board Of Regents Of The University Of Texas System Method and system for diffusion tensor imaging
CN108961215A (zh) * 2018-06-05 2018-12-07 上海大学 基于多模态医学影像的帕金森病辅助诊断系统和方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAIJUN LEI等: "Joint detection and clinical score prediction in Parkinson"s disease via multi-modal sparse learning", 《2017 IEEE 14TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI 2017)》 *
张健等: "基于多模信息的帕金森症的诊断和预测方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 *
张娜等: "精神分裂症的MRI图像分类方法研究", 《中国科技论文》 *
王帅等: "磁共振图像中磁量图技术研究进展", 《生物医学工程学杂志》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111000571A (zh) * 2019-12-26 2020-04-14 上海市精神卫生中心（上海市心理咨询培训中心） 创伤后心理疾病的风险预测方法，相关设备及存储装置
CN111523617B (zh) * 2020-06-09 2022-03-29 天津大学 基于白质融合特征图和残差注意力网络的癫痫检测系统
CN111523617A (zh) * 2020-06-09 2020-08-11 天津大学 基于白质融合特征图和残差注意力网络的癫痫检测系统
CN112149735A (zh) * 2020-09-23 2020-12-29 上海联影医疗科技股份有限公司 数据处理方法以及装置
CN112802013A (zh) * 2021-03-12 2021-05-14 清华大学 基于图神经网络与多任务学习的脑疾病检测方法和装置
CN112802013B (zh) * 2021-03-12 2022-12-02 清华大学 基于图神经网络与多任务学习的脑疾病检测方法和装置
CN113012142A (zh) * 2021-04-02 2021-06-22 电子科技大学 一种基于磁共振图像的帕金森病的智能诊断系统
CN113143246A (zh) * 2021-04-27 2021-07-23 浙江大学医学院附属第二医院 基于多模态磁共振脑影像的帕金森病辅助临床决策系统
CN113222915A (zh) * 2021-04-28 2021-08-06 浙江大学 基于多模态磁共振影像组学的pd诊断模型的建立方法
CN113317763A (zh) * 2021-06-30 2021-08-31 平安科技（深圳）有限公司 基于多模态的帕金森病检测装置及计算机可读存储介质
CN113317763B (zh) * 2021-06-30 2024-03-19 平安科技（深圳）有限公司 基于多模态的帕金森病检测装置及计算机可读存储介质
CN114332947A (zh) * 2021-12-31 2022-04-12 深圳市儿童医院 一种图像分类系统及终端设备
WO2024192673A1 (zh) * 2023-03-21 2024-09-26 深圳先进技术研究院 帕金森病辅助分析系统及方法
CN118557154A (zh) * 2024-05-30 2024-08-30 杭州师范大学 一种多模态帕金森病辅助检测装置

Similar Documents

Publication Publication Date Title
CN110544252A (zh) 基于多模态磁共振脑影像的帕金森病辅助诊断系统
Gao et al. A review of the application of deep learning in the detection of Alzheimer's disease
Sadeghi et al. An overview of artificial intelligence techniques for diagnosis of Schizophrenia based on magnetic resonance imaging modalities: Methods, challenges, and future works
Basheera et al. A novel CNN based Alzheimer’s disease classification using hybrid enhanced ICA segmented gray matter of MRI
Zhang et al. Radiological images and machine learning: trends, perspectives, and prospects
Rachmadi et al. Segmentation of white matter hyperintensities using convolutional neural networks with global spatial information in routine clinical brain MRI with none or mild vascular pathology
CN108288070B (zh) 一种神经指纹提取分类方法及系统
EP2158574B1 (en) Model-based differential diagnosis of dementia and interactive setting of level of significance
CN107944490B (zh) 一种基于半多模态融合特征约简框架的图像分类方法
Wu et al. MR brain segmentation based on DE-ResUnet combining texture features and background knowledge
Yang et al. Diagnosis of Parkinson’s disease based on 3D ResNet: The frontal lobe is crucial
Yang et al. Exploring sMRI biomarkers for diagnosis of autism spectrum disorders based on multi class activation mapping models
Kumar et al. Brain tissue segmentation in neurosurgery: A systematic analysis for quantitative tractography approaches
Abed et al. Improving Lumbar Disc Bulging Detection in MRI Spinal Imaging: A Deep Learning Approach
Hassen et al. Deep learning methods for early detection of Alzheimer’s disease using structural MR images: A survey
Yaman et al. Application of novel DIRF feature selection algorithm for automated brain disease detection
CN116452859A (zh) 基于多模态磁共振成像的帕金森病数据分类方法及系统
Elakkiya Toward improving the accuracy in the diagnosis of schizophrenia using functional magnetic resonance imaging (fMRI)
Palraj et al. Predicting the abnormality of brain and compute the cognitive power of human using deep learning techniques using functional magnetic resonance images
Abd Hamid et al. Incorporating attention mechanism in enhancing classification of alzheimer’s disease
Davatzikos Computational neuroanatomy using brain deformations: From brain parcellation to multivariate pattern analysis and machine learning
ElNakieb et al. Identifying brain pathological abnormalities of autism for classification using diffusion tensor imaging
Hofer et al. An empirical assessment of appearance descriptors applied to MRI for automated diagnosis of TLE and MCI
Mumtaz et al. Effect of Accurate Segmentation on the Detection of Herniated Lumbar Spine Disc Using CAD System
Varnagar An Ensemble System Encompassing Quantitative Biomarkers from Multimodal MR Imaging Techniques for Automatic Classification of Alzheimer’s 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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191206

RJ01 Rejection of invention patent application after publication