CN110662490B - 用于在mri图像数据中检测复合物网络的系统和方法 - Google Patents
用于在mri图像数据中检测复合物网络的系统和方法 Download PDFInfo
- Publication number
- CN110662490B CN110662490B CN201880033848.0A CN201880033848A CN110662490B CN 110662490 B CN110662490 B CN 110662490B CN 201880033848 A CN201880033848 A CN 201880033848A CN 110662490 B CN110662490 B CN 110662490B
- Authority
- CN
- China
- Prior art keywords
- image data
- biotype
- time
- brain
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 109
- 238000012545 processing Methods 0.000 claims abstract description 74
- 210000004556 brain Anatomy 0.000 claims description 82
- 230000000284 resting effect Effects 0.000 claims description 55
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 43
- 230000000638 stimulation Effects 0.000 claims description 42
- 230000009257 reactivity Effects 0.000 claims description 41
- 230000001537 neural effect Effects 0.000 claims description 38
- 238000007781 pre-processing Methods 0.000 claims description 32
- 230000000926 neurological effect Effects 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 16
- 238000011282 treatment Methods 0.000 claims description 15
- 230000003993 interaction Effects 0.000 claims description 13
- 230000003304 psychophysiological effect Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 230000008555 neuronal activation Effects 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 35
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 21
- 238000001514 detection method Methods 0.000 description 20
- 239000003814 drug Substances 0.000 description 18
- 229940079593 drug Drugs 0.000 description 17
- 230000037361 pathway Effects 0.000 description 17
- 230000004044 response Effects 0.000 description 15
- 230000004913 activation Effects 0.000 description 13
- 239000002131 composite material Substances 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 9
- 238000002560 therapeutic procedure Methods 0.000 description 7
- 210000004885 white matter Anatomy 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 6
- 230000001815 facial effect Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000002996 emotional effect Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 229910000497 Amalgam Inorganic materials 0.000 description 3
- 208000003443 Unconsciousness Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 210000004884 grey matter Anatomy 0.000 description 3
- 230000001225 therapeutic effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010011953 Decreased activity Diseases 0.000 description 2
- 241001653634 Russula vesca Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000010004 neural pathway Effects 0.000 description 2
- 210000000118 neural pathway Anatomy 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 235000019788 craving Nutrition 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002598 diffusion tensor imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000008482 dysregulation Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000037433 frameshift Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000001404 mediated effect Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000001050 pharmacotherapy Methods 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 229940001470 psychoactive drug Drugs 0.000 description 1
- 230000008433 psychological processes and functions Effects 0.000 description 1
- 239000004089 psychotropic agent Substances 0.000 description 1
- 238000009717 reactive processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/168—Evaluating attention deficit, hyperactivity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/18—Image warping, e.g. rearranging pixels individually
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G06T2207/10076—4D tomography; Time-sequential 3D tomography
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Neurology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Developmental Disabilities (AREA)
- Neurosurgery (AREA)
- Hospice & Palliative Care (AREA)
- Child & Adolescent Psychology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Social Psychology (AREA)
- Educational Technology (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Signal Processing (AREA)
Abstract
图示了根据本发明的实施例的用于在MRI图像数据中检测复合物网络的系统和方法。一个实施例包括一种图像处理系统,其包括处理器、连接到处理器的显示设备、连接到处理器的图像捕获设备,以及连接到处理器的存储器,该存储器包含图像处理应用,其中图像处理应用指示处理器从图像捕获设备获得图像数据的时序序列、在图像数据的时序序列内识别复合物网络,以及使用显示设备提供识别出的复合物网络。
Description
技术领域
本发明一般而言涉及图像处理,包括自动化图像处理,并且更具体而言涉及图像内对象和/或信号的检测。
背景技术
对象检测是许多图像处理和使计算机能够对图像或图像序列内的对象进行定位和分类的计算机视觉系统的关键组件。对象检测的经典示例包括面部识别和对象跟踪。自动化图像跟踪的处理对于检测可能对图像的人类观看者不会立即明显的对象或图案也很有用。计算机感知和理解视觉数据的能力是增强计算机系统与其环境交互并提供关于其环境的反馈的能力的关键。
发明内容
图示了根据本发明的实施例的用于在磁共振成像(MRI)图像数据中检测复合物网络的系统和方法。一个实施例包括一种图像处理系统,其包括处理器、连接到处理器的显示设备、连接到处理器的图像捕获设备以及连接到处理器的存储器,该存储器包含图像处理应用,其中图像处理应用指示处理器从图像捕获设备获得图像数据的时序序列、在图像数据的时序序列内识别复合物网络,并使用显示设备提供识别出的复合物网络。
在另一个实施例中,图像数据的时序序列包括描述随着时间从特定视点拍摄的图像集合的数据。
在另一个实施例中,图像集合中的图像是三维图像。
在又一个实施例中,识别图像数据的时序序列内的复合物网络包括预处理图像数据的时序序列、检测图像数据的时序序列内的结构,以及测量图像数据的时序序列内的结构之间的连接性。
在又一个实施例中,预处理图像数据的时序序列包括:将图像数据的时序序列重新对准到固定的朝向、展开图像数据的时序序列;以及使图像数据的时序序列削峰。
在又一个实施例中,一种磁共振成像图像处理系统,包括至少一个处理器、连接到至少一个处理器并包含图像处理应用的存储器、与至少一个处理器通信的显示器、同步电路系统、与同步电路系统和至少一个处理器通信的磁共振成像机器,其中磁共振成像机器被指示以获得描述至少患者的脑部的图像数据,以及连接到同步电路系统的刺激设备,其中该刺激设备被配置为向患者提供刺激,其中图像处理应用指示处理器:经由网络从磁共振成像机器获得图像数据;生成患者的脑部的图像数据的时序序列,其中图像数据的时序序列用由刺激设备使用同步电路系统提供的刺激的时间来加时间戳;以及对图像数据的时序序列进行预处理以识别脑部区域;生成至少一个神经学模型,该至少一个神经学模型包括描述图像数据的时序序列内的至少一个网络的数据结构,以及指定在图像数据的时序序列内可观察到的神经活动的度量;基于神经学模型向患者分配生物型;以及使用显示器提供包含所分配的生物型的图形用户界面。
在又一个实施例中,对图像数据的时序序列进行预处理还包括:重新对准图像数据的时序序列;展开图像数据的时序序列;使图像数据的时序序列削峰;以及将能够在图像数据的时序序列中观察到的脑部结构和脑部图谱配准,其中脑部图谱包括存储在存储器中的数据结构并描述参考脑部内的物理区域。
在另一个附加实施例中,使图像数据的时序序列削峰包括:测量图像数据的时序序列中的图像之间的位移;以及识别图像数据的时序序列中的时间段,其中图像之间的位移大于帧位移阈值。
在还有的附加实施例中,该图谱是自动化解剖标记图谱。
再次在另一个实施例中,至少一个神经学模型中的至少一个是第一级反应性模型,并且指定神经学活动的度量指定跨脑部区域的神经元激活的强度。
再次在还有的实施例中,图像处理应用还指示处理器生成第一级反应性模型,其中生成第一级反应性模型包括从描述图像数据的时序序列中的非脑部结构的图像数据中提取描述脑部结构的图像数据、使用白噪声掩模从图像数据中去除全局信号、使用模糊核心在空间上平滑图像数据,以及确定响应于与图像数据的时序序列中的时间戳对应的所输送的刺激,神经元激活的程度。
在又一个实施例中,模糊核心是8毫米的模糊核心。
在还一个实施例中,至少一个神经学模型中的至少一个是心理生理学交互模型,并且指定神经学活动的度量指定脑部区域之间的连接性程度。
在又一个附加的实施例中,图像处理应用还指示处理器从图像数据的预处理时序序列生成心理生理学交互模型,其中生成心理生理学交互模型包括使用降序交错的采集序列对图像数据的预处理时序序列执行切片时间校正、将图像数据的预处理时序序列归一化到坐标系、使用模糊核心在空间上平滑图像数据的预处理时序序列、使用掩模定义图像数据的预处理时序序列中的至少一个目标体积、从至少一个目标体积中提取特征变量、生成目标体积数据结构,该目标体积结构包括反卷积的时间过程,该时间过程包括心理生理学交互模型的生理成分,根据目标对比描述任务开始的参数对比的心理变量,以及描述生理变量和心理变量之间的交互的数据。
在又一个附加的实施例中,至少一个神经学模型包括静息状态模型。
在还有的另一个实施例中,生成静息状态模型包括:跨刺激级联预处理的图像数据;按组织类型对级联的图像数据进行分割;生成至少一个回归量(regressor)矩阵;从分割的预处理图像数据生成残差图像;以及对残差图像进行带通滤波。
在还有的其它实施例中,组织类型至少是白质、灰质和脑脊髓液。
在又一个附加的实施例中,至少一个静息状态模型是目标区域静息状态模型。
在又一个另外的实施例中,至少一个静息状态模型是按体素(voxelwise)的静息状态模型。
再次在又一个实施例中,生成按体素的静息状态模型还包括从图像数据的分割时序序列中提取与特定刺激集合对应的图像数据的时序序列,以及针对特定刺激集合的图像数据的提取的时序序列,针对所有体素的图像数据的分割时序序列应用回归,指示每个体素的总体静息状态。
再次在又一个实施例中,分配生物型包括获得生物型分类的数据库,该数据库包括用与特定生物型相关联的反应性和连接性度量标注的图像数据,将来自静息状态模型的度量与最合适的生物型分类进行匹配。
再次在另一个附加实施例中,使用对训练数据集的机器学习来生成生物型分类的数据库。
再次在另一个附加实施例中,分配生物型包括生成描述该生物型与患者的匹配紧密程度的适合指示符。
在又一个附加的实施例中,所分配的生物型与至少一种治疗相关联,并且图像处理应用进一步指示处理器向用户推荐至少一种治疗。
在另一个实施例中,至少一种治疗是至少一种药物,并且医疗专业人员通过将至少一种药物开处方给患者来治疗患者。
在还有的另一个实施例中,图像处理应用还指示处理器基于所分配的生物型生成至少一个功效度量,其中至少一个功效度量指示使用至少一种药物成功治疗患者的可能性。
在又一个实施例中,磁共振成像机器连接到能够通过网络发送数据的第一通信端口,处理器连接到能够通过网络接收数据的第二通信端口;并且磁共振成像机和处理器使用第一通信端口和第二通信端口经由网络连接。
在又一个实施例中,刺激设备向患者提供通过不通过(GoNo-Go)成套测验和情绪调节成套测验。
在又一个实施例中,刺激设备是视觉显示设备。
在又一个实施例中,一种用于在图像数据的时序序列中识别复合物网络的方法,包括:从图像捕获设备获得图像数据的时序序列;使用图像处理服务器系统将图像数据的时序序列重新对准到固定朝向;使用图像处理服务器系统展开图像数据的时序序列;使用图像处理服务器系统使图像数据的时序序列削峰;使用图像处理服务器系统检测图像数据的时序序列内的对象;使用图像处理服务器系统测量在图像数据的时序序列内检测到的对象之间的连接性;使用处理器将测得的检测到的对象之间的连接性与存储在复合物网络的数据库中的至少一个复合物网络进行匹配;以及使用显示设备显示至少一个匹配的复合物网络。
附加的实施例和特征部分地在下面的描述中阐述,并且在阅读本说明书时对于本领域技术人员将部分地变得显而易见,或者可以通过实践本发明而获悉。可以通过参考说明书和附图的其余部分来实现对本发明的本质和优点的进一步理解,所述说明书和附图构成了本公开的一部分。
附图说明
图1是图示根据本发明的实施例的图像处理系统的连接组件的系统图。
图2是图示根据本发明的实施例的用于对图像中的对象进行检测和分类的方法的流程图。
图3是图示根据本发明的实施例的用于执行成套测验的方法的流程图。
图4是图示根据本发明的实施例的用于提供刺激的方法的流程图。
图5是图示根据本发明的实施例的用于预处理图像数据的方法的流程图。
图6是图示根据本发明的实施例的用于生成反应性模型的方法的高级概述的流程图。
图7是图示根据本发明的实施例的用于生成连接性模型的方法的高级概述的流程图。
图8是图示根据本发明的实施例的用于预处理用于连接性分析的数据的方法的流程图。
图9是图示根据本发明的实施例的用于生成PPI模型的方法的流程图。
图10是图示根据本发明的实施例的用于对静息状态建模的方法的流程图。
图11是图示根据本发明的实施例的若干种神经回路通路的图。
图12概念性地示图示了根据本发明的实施例的几种生物型神经回路通路。
图13是根据本发明的实施例的各种生物型的图示。
图14是根据本发明的实施例的调查排名的示例。
图15A、图15B和图15C是根据本发明的实施例的示例评估分数报告。
图16是根据本发明的实施例的各种神经回路通路的图示。
具体实施方式
现在转到附图,讨论了用于检测诸如(但不限于)图像数据中的神经回路通路之类的复合物网络的系统和方法。此外,公开了用于在像素数据的三维(3D)矩阵内进行复合物网络检测的方法。图像内的对象检测是机器视觉的关键方面,并且它使计算机能够解析和理解图像数据。在图像(视频)的按时间排序的序列中,视频上的对象检测可以用于跟踪活动,并使得能够检测复合物网络。此外,在其它组件可能触发观察到的图像中的变化的更大系统中,时间同步电路系统可以用于将系统活动与一系列图像中观察到的响应进行匹配。
增强的对象检测能力具有许多应用,包括但不限于图像内对象以及图像本身的标记和分类的自动化。对对象进行分类的能力允许计算机执行附加处理、提取附加数据和/或在其它处理操作中利用图像信息。在一些情况下,对象检测可以触发图像处理系统产生警告、报告和/或其它人类可理解的信号,以自动通知用户。
下面描述的网络检测方法可以与非常规图像捕获系统一起使用,并且还可以用于允许计算机系统以新的和非常规方式处理数据。在许多实施例中,对象检测和分类用于生成对象的分类法(taxonomy)。然后可以使用对象的分类法对未来图像进行快速分析。在一些实施例中,机器学习技术可以应用于生成分类法。
本领域的普通技术人员将认识到的是,虽然下面描述了用于执行复合物网络检测的方法和系统的特定实现,但是根据本发明的精神有许多实施例。虽然将具体讨论针对在MRI图像数据内执行复合物网络检测,但是以下所述的系统和方法可以用于检测各种类型的图像数据和/或应用中的复合物网络。
图像处理系统
图像处理系统可以用于获取图像数据、处理图像数据并显示处理后的数据。在许多实施例中,图像处理系统由多个计算系统构成。在各种实施例中,图像处理系统在单个计算系统上实现。图像处理系统可以处理各种各样的图像数据,但是某些特定的实施例可以用于处理MRI图像数据。
现在转到图1,图示了根据本发明的实施例的图像处理系统的系统图。图像处理系统100具有至少一个图像捕捉设备110。图像捕获设备110经由网络140连接到图像处理服务器系统120和图像处理接口设备130。在许多实施例中,图像捕获设备是MRI成像设备。但是,图像捕获设备可以是能够根据给定应用的要求捕获图像的任何设备。
图像捕获设备可以包括各种外围设备,包括终端、显示设备和其它接口设备。图像处理服务器系统可以在个人计算机、服务器计算机系统或适合于给定应用的要求的任何其它计算设备上实现。图像处理接口设备可以是个人计算机、平板计算机、智能电话、监视器和/或适合于给定应用的要求的任何其它设备。
图像处理服务器系统可以包括处理器、存储器和/或至少一个包含图像处理应用的存储系统,该图像处理应用包括机器可读指令,该机器可读指令将计算机配置为根据下述方法来处理图像数据。在一些实施例中,图像处理接口设备和图像处理服务器系统在同一平台上。网络可以是但不限于互联网、局域网、无线局域网、广域网、软件定义的网络和/或如适合于给定应用的要求的网络的任何其它类型或网络的类型的组合。
上述设备可以经由通信端口经由网络进行通信。在许多实施例中,数据经由网络在一个或多个设备之间传输。在各种实施例中,使用诸如闪存驱动器、紧凑盘或适合于给定应用的要求的任何其它物理存储介质之类的物理介质传输来实现一个或多个设备之间的数据传输。
一旦图像捕获设备获得图像,描述捕获图像的图像数据就可以经由网络发送到图像处理服务器系统进行分析。在一些实施例中,图像数据也被发送到图像处理接口设备。在许多实施例中,图像处理服务器系统处理接收到的图像数据并将结果输出到图像处理接口设备。在各种实施例中,一些处理由图像处理接口设备完成。
可以通过用户界面设备将处理后的数据和/或系统的任何其它输出提供给用户。在许多实施例中,用户界面设备提供使用户能够访问数据的图形用户界面。在许多实施例中,用户界面设备连接到网络。
在许多实施例中,网络上的一个或多个设备并入或可以访问同步电路系统。同步电路系统可以用于使图像捕获与提供的刺激同步。在许多实施例中,图像处理接口设备被配置为使用刺激设备来提供刺激。在各种实施例中,刺激设备由图像处理服务器系统和/或图像捕获设备控制。刺激设备可以是视觉显示设备,诸如,但不限于监视器、虚拟现实耳机、投影仪和/或适合于给定应用的要求的任何其它视觉显示设备。刺激设备可以是音频显示设备,诸如扬声器。刺激设备可以提供视觉刺激、音频刺激、触觉刺激和/或适合于给定应用的要求的任何其它刺激。
虽然上面已经描述了特定的网络配置,但是本领域的普通技术人员可以认识到的是,可以根据具体应用的要求适当地使用任何配置或设备。下面描述使用图像处理系统进行图像处理的方法。
使用图像处理系统在MRI图像数据中执行复合物网络检测
患者头部的MRI扫描以非侵入性方式产生患者的脑部的高质量图像数据。虽然有许多不同类型的MRI扫描技术,但MRI扫描分为两类:功能性MRI(fMRI)和结构性MRI(sMRI)。sMRI扫描通常获取患者的脑部的3D图像数据,从而定义结构解剖体。在许多实施例中,sMRI扫描可以包括不同的成像技术,诸如,但不限于扩散张量成像或任何其它专门的扫描技术。fMRI扫描是一种类型的MRI扫描,其产生描述患者的脑内神经元激活的图像数据的时序序列。在许多实施例中,神经元激活模式可以指示患者的脑部的不同区域之间的连接程度。在许多实施例中,对MRI数据进行预处理以去除伪像。在各种实施例中,神经元激活模式可以指示对患者的脑中特定刺激的反应程度。图像处理系统可以用于处理fMRI数据,以提取关于连接性和反应性的数据。基于连接性和/或反应性数据,可以将一种或多种生物型分配给患者。生物型可以与一种或更多种药物和/或疗法相关联,所述药物和/或疗法可以更有效地治疗患者所遭受的至少一种阴性症状。在许多实施例中,可以利用机器学习来将生物型与特定的连接性和/或反应性相关联。在各种实施例中,支持向量机用于将生物型与特定的连接性和/或反应性相关联。下面描述用于将特定的连接性和/或反应性与生物型相关联的系统和方法。
现在转到图2,示出了根据本发明的实施例的用于执行复合物网络检测的处理。处理200包括(210)获得fMRI扫描数据,以及预处理(220)图像数据。生成反应性度量(230)、生成连接性图(240),并且所观察到的连接性形成复合物网络分类的基础,使得能够将生物型(250)分配给所观察到的神经回路通路。在一些实施例中,可以基于所分配的生物型来推荐疗法(260)。在许多实施例中,处理200由图像处理服务器系统执行。但是,在一些实施例中,处理200的一部分或全部可以由图像捕获设备和/或图像处理接口设备执行。下面描述用于获得图像数据的方法。
虽然上面参考图2描述了用于识别和/或分类复合物网络(诸如神经回路通路)的各种处理,但是根据本发明的许多实施例,可以使用适合具体应用的要求的图像数据利用任何各种处理来识别和分类复合物网络。下面讨论根据本发明的某些实施例的可以用于识别和分类复合物网络的许多处理。
获得图像数据
可以使用输出MRI扫描数据的专用图像捕获设备(诸如MRI机器)获得图像数据。在许多实施例中,患者被放置在MRI机器内部。可以经由刺激设备向患者提供刺激,并且至少可以使用MRI机器来记录患者的心理响应。可以使用fMRI技术随着时间记录这些响应,以生成时序序列数据。在许多实施例中,生成静息状态fMRI。在许多实施例中,在任务的执行期间获取的MRI数据可以用于过滤在不执行任务的时段期间获得的MRI数据,以提供更准确的静息状态神经回路激活模型。
现在转到图3,图示了根据本发明的实施例的用于获得图像数据的方法。处理300包括获得(310)患者的脑部的sMRI扫描。处理300还包括使至少一个刺激设备与fMRI设备同步(320)、对患者的脑部执行(330)fMRI扫描,同时向患者提供(340)刺激。在许多实施例中,sMRI扫描是由MRI机器捕获的图像数据。在各种实施例中,使用相同的MRI机器来执行sMRI扫描和fMRI扫描。MRI机器可以具有辅助组件,包括连接的计算设备,这些设备从MRI的扫描组件收集和存储数据。在许多实施例中,执行fMRI扫描生成描绘患者的脑内神经活动的图像数据的时序序列。图像数据的时序序列可以是图像集合的集合,其一起显示脑部的3-D结构。在一些实施例中,每个图像是表示脑部的一部分的3D图像。图像的子部分被称为体素。在许多实施例中,在fMRI会话的过程中生成图像数据集合的单个时序序列。但是,在许多实施例中,获取图像数据的若干时序序列。在各种实施例中,每个刺激测验(任务)获取图像数据的至少一个时序序列集合。
可以在扫描期间将刺激应用于患者,以测量刺激对脑内神经元激活的影响。在许多实施例中,刺激是显示给患者的图像。将刺激与时序序列中的图像同步会将响应与引起响应的刺激相关联。刺激设备与MRI扫描仪的同步可以使用同步电路系统来实现。在许多实施例中,同步是由设计为将连续时序图像数据与连续时序刺激方案相关联的软件应用介导的。以这种方式,可以相对于特定刺激来处理由MRI机器输出的图像数据。在各种实施例中,生成带有时间戳的时序数据,其中时间戳与由MRI机器捕获的图像数据内存在的时间戳同步。在许多实施例中,刺激与所得图像数据时间戳之间的延迟约为100毫秒。为了校正延迟,可以将刺激图像抖动+/-200毫秒。但是,可以应用适合给定应用的要求的任何抖动量。即,可以将在图像内检测到的刺激的效果与引起响应的具体刺激相关。
虽然上面参考图3描述了可以用于检测复合物网络的各种刺激和测量技术,诸如但不限于神经回路通路,但根据本发明的许多实施例,可以利用适合给定应用的要求的任何各种刺激和测量技术。另外,虽然上面描述了根据本发明的各种实施例的利用MRI机器的系统和方法,但是类似的系统和方法可以应用于从其它图像捕获设备(诸如,但不限于,计算机断层扫描仪、正电子发射断层扫描仪或任何其它适合给定应用的要求的脑部成像设备)获得的图像数据。刺激的方法和类型在下面描述。
fMRI刺激
心理生理响应取决于所提供的刺激。特定刺激和患者的响应可以用于生成诊断和治疗数据。在许多实施例中,诊断和治疗数据描述了患者的生物型和/或针对患者的具体生物型裁剪的适当治疗。在许多实施例中,将特定响应与具体刺激关联可以用于生成数据。在一些实施例中,特定刺激序列在针对同一患者的测试之间保持一致。在各种实施例中,特定刺激序列在许多患者之间保持一致。可以以减少伪像的可能性的方式选择刺激序列。
现在转到图4,图示了根据本发明的实施例的用于向患者提供刺激的方法。方法400包括执行(410)通过不通过成套测验,以及执行(420)情绪调节成套测验。在许多实施例中,情绪成套测验包括至少一个面部成套测验。面部成套测验可以包括但不限于有意识的面部成套测验、无意识的面部成套测验或适合给定应用的要求的任何其它情绪调节任务。方法400还包括执行(430)静息状态分析。
在许多实施例中,通过不通过成套测验包括向患者提供一系列表示作为刺激,其中一些表示指示“通过(Go)”状态,而一些表示指示“不通过(No-Go)”状态。例如,通过状态可以是词语,诸如但不限于“Press”,和/或颜色指示器,诸如但不限于绿色。不通过状态可以是词语和/或颜色指示器,诸如但不限于红色。在许多实施例中,以预定义间隔显示表示。在一些实施例中,指示器以750毫秒的刺激间隔显示500毫秒。但是,可以根据给定应用的要求使用任何显示和/或刺激间隔持续时间。
面部成套测验可以包括提供表示情绪状态的面部的表示。可以按照具体的、伪随机的或随机的排序放置表示。有意识的面部成套测验可以以允许患者有意识地识别的间隔显示表示,诸如但不限于具有750毫秒刺激延迟的500毫秒显示时间。无意识的面部成套测验可以以与具有向后掩蔽的有意识的面部成套测验类似的方式进行设计。可以将情绪状态表示显示10毫秒,然后显示神经(非情绪状态)表示490毫秒。但是,可以使用适合给定应用的要求的任何时间间隔。例如,可以使用允许无意识地识别情绪状态表示的任何间隔集合。
可以通过向患者呈现黑屏和/或任何其它中性、非任务刺激,并在患者保持清醒时执行fMRI扫描来获取静息状态扫描。虽然以上已经关于图4描述了若干测试,但是本领域的普通技术人员将认识到,根据各种应用的要求,可以使用任何数量的任务和测试。
本领域普通技术人员将认识到,可以以任何顺序执行测试,并且不需要具体的排序。此外,并非所有测试都需要被执行。在一些实施例中,仅利用静息状态分析。下面描述用于预处理获取的图像数据的方法。
预处理图像数据
可以由图像处理系统执行预处理图像数据以去除伪像,并准备图像数据用于后续分析和处理步骤。在许多实施例中,预处理可以用于将图像数据标准化为已知参考图像。例如,在若干实施例中,可以对MRI图像数据进行预处理以产生图像数据的时序序列,其中可以通过图像处理系统识别在预处理的时序内的脑部结构和/或区域。在各种实施例中,利用机器学习系统使用脑部图像的训练数据集来识别脑部结构和/或区域。在各种实施例中,图像处理系统使用参考图谱来识别结构。
现在转到图5,图示了用于预处理图像数据的方法。处理500包括重新对准和展开(510)图像数据。图像数据可以相对于移动进行削峰(520),并且相对于方差和/或适合给定应用的要求的噪声伪像的任何来源进行削峰(530)。在许多实施例中,相对于方差的削峰是极端响应的结果,极端响应诸如但不限于非常高活跃时段之后是非常低活跃时段。此外,处理500包括将线性共配准应用于(540)图像数据中的已识别结构。重新对准和展开图像数据可以用于从图像的fMRI扫描时序中去除移动伪像。可以根据本发明的若干实施例使用的用于重新对准和展开图像数据的方法可以在英国伦敦的伦敦大学学院University CollegeLondon的Wellcome Trust Centre for Neuroimaging的统计参数图(SPM)库中找到。SPM版本8(SPM8)的手册可以在http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf中找到。但是,可以使用适合给定应用的要求的其它处理,包括其它版本的SPM,诸如SPM12。
fMRI图像数据可以相对于移动和方差进行削峰。在许多实施例中,重复时间(TR)可以用于映射何时出现尖峰。在各种实施例中,建立帧位移(FD)阈值并将其用于检测尖峰。在一些实施例中,使用0.3mm的FD阈值。但是,根据本发明的给定实施例的各种应用,可以使用各种FD阈值中的任何一个。在许多实施例中,生成默认方差截止值(cut-offs)和尖峰回归量。在执行后续的回归步骤时,可以利用方差截止值和/或尖峰回归量。在许多实施例中,截止值用于确保回归模型的质量数据。
此外,可以生成质量控制(QC)图像和度量。例如,可以生成整个时序的缩放和未缩放的平均方差图像。在一些实施例中,可以生成整个时序的最大方差图像。在各种实施例中,可以跨时序测量时间信噪比。虽然上面描述了具体QC图像和度量,但是根据给定应用,可以使用任何数量的不同QC度量。
可以使用英国牛津的牛津大学University of Oxford的Oxford Centre forFunctional MRI of the Brain(FMRIB)的FSL软件库来执行线性共配准,其中包括FMRIB的线性图像配准工具(FLIRT)。可以在(https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/)找到FSL软件包(包括FLIRT和本文讨论的各种其它程序)的在线手册。虽然上面描述了用于预处理图像数据的具体方法,但是可以根据给定应用的要求并入任何数量的步骤来预处理图像数据。预处理的数据可以以多种方式使用,包括但不限于生成反应性模型和连接性模型。下文讨论了生成反应性模型的方法。
生成反应性模型
可以从预处理的图像数据生成反应性模型。反应性模型指示脑部的哪些区域和/或结构响应于刺激而变得活跃和/或反应。在许多实施例中,反应性处理在脑部中逐个区域地执行。反应性处理可以涉及生成第一级反应性模型。第一级反应性模型可以包括描述脑部中特定目标区域(ROI)的反应性的数据。ROI可以是单个结构和/或结构组。在许多实施例中,反应性模型描述了脑部的各个区域内的活跃度。在若干实施例中,区域中的活跃度可以被分类为活跃低下、典型活跃或过度活跃。可以利用特定区域的活跃性来确定有效的治疗。治疗会影响特定脑部区域的活跃性。在各种实施例中,利用附加的处理步骤来准备预处理的图像数据用于分析。
现在转到图6,图示了根据本发明的实施例的用于生成反应性模型的方法。处理600包括获得(610)预处理的图像数据。提取脑部数据(620),并且可以使用白质掩模使全局信号退化(620)。可以对图像数据进行空间平滑(630),并且可以生成第一级反应性模型(640)。
在许多实施例中,从图像处理服务器系统的存储器获得预处理的图像数据。但是,可以从各种存储系统获得预处理的图像数据,诸如,但不限于闪存驱动器、随机存取存储器、硬盘驱动器、固态驱动器、SD卡或适合给定应用的要求的任何其它存储介质。可以从预处理的图像数据中以可以从图像中去除非脑部组织的方式提取脑部数据。在各种实施例中,FSL软件包的脑部提取工具(BET)可以用于执行脑部提取。但是,可以使用多种结构检测方法中的任何一种从图像中提取非脑部材料,包括但不限于边缘检测、灰度匹配、梯度匹配、拐角检测、脊检测、霍夫变换、结构张量、特征描述算法和/或适合给定应用的要求的任何其它特征检测算法。
全局信号可以使用白噪声掩模经由回归来去除。在各种实施例中,白噪声掩模被扭曲到被处理的图像数据的原生空间中。可以通过对时序中的每个图像应用模糊核心来平滑图像数据。在各种实施例中,利用了8毫米的模糊核心。但是,可以使用适合给定应用的要求的任意数量的不同核心大小。在各种实施例中,应用公害(nuisance)回归量来去除附加的尖峰。可以从图像数据生成第一级反应性模型。在许多实施例中,第一级反应性模型描述了神经元激活,包括响应于特定刺激的不同程度的激活,诸如激活低下、典型激活和过度激活。
虽然上面图示了生成反应性模型的具体方法,但是本领域的普通技术人员将认识到的是,可以以不同的顺序执行所述的处理,或者可以适合给定应用的要求添加或省略一些处理。除了生成反应性模型之外,预处理的数据还可以用于生成连接性模型。下面描述用于生成连接性模型的方法。
生成连接性模型
连接性模型可以描述脑部的各个区域之间的连接。在一些情况下,区域之间的神经元连接欠发达、典型发达或过度发达。在各种实施例中,连接性模型和反应性模型描述了复合物网络。但是,根据给定应用的要求,复合物网络可能包含仅来自反应性模型或仅来自连接性模型的信息。在若干实施例中,从预处理的图像数据生成连接性模型。在许多实施例中,预处理的图像数据可以通过附加的连接性预处理步骤传递,以使得能够根据捕获的MRI数据创建准确的连接性模型。各种连接性模型和度量可以描述如何传输来自患者的脑部的不同区域和/或结构的信号。
在许多实施例中,各种脑部结构和/或区域之间的连接的组织可以用来指示对各种心理活性化学物质的响应性。连接性模型和度量可以包括心理生理交互(PPI)模型、ROI静息状态模型和按体素的静息状态模型。PPI模型可以描述ROI与其它脑部区域之间的连接性,从而指示活跃性取决于ROI的心理背景和生理状态的脑部区域。静息状态模型用于估计特定ROI或由一个体素或一组体素定义的区域的静息状态。下面描述用于执行连接性分析的方法。
现在转到图7,图示了根据本发明的实施例的用于执行连接性分析的方法。处理700包括获得预处理的图像数据。可以以与上文关于反应性模型所述的类似方式获得预处理的图像数据。处理700还包括生成(720)PPI模型,以及执行(730)用于静息状态建模的二次处理。可以生成ROI静息状态模型(740),并且可以生成按体素的静息状态模型(750)。下面描述用于执行附加的连接性预处理步骤的方法。
连接性预处理
预处理的图像数据可以通过附加的连接性预处理步骤传递,以使得能够准确测量时序数据。连接性预处理可以包括将图像数据映射到坐标系以便定义脑部的区域。现在转到图8,下面描述根据本发明的实施例的用于执行连接性预处理的处理。
处理800包括获得(810)预处理的图像数据。可以执行切片时间校正(820),并且可以将图像数据归一化(830)到坐标系。图像数据还可以被平滑(830)。
在许多实施例中,切片时间校正可以使用给定数量的切片来实现,其中重复时间(TR)为2.5秒并且用降序的交错采集序列。在一些实施例中,切片的给定数量是40,但是根据给定应用的要求可以使用任何数量的切片。切片时间校正可以帮助校正在扫描迭代期间由非同时切片记录引入的错误。此外,当将图像数据归一化到坐标系时,可以使用各种坐标系。在许多实施例中,使用了蒙特利尔神经病学研究所(MNI)坐标系。但是,可以使用许多其它坐标系,包括但不限于Talairach坐标系。另外,可以类似于上面关于相对性分析描述的方法来执行空间平滑。在各种实施例中,一旦发生连接性预处理,就可以生成连接性模型。此外,可以初始化第一级通用线性模型(GLM)。下面描述用于生成PPI模型的方法。
生成PPI模型
PPI模型可以用于确定在给定时间脑部中的哪些神经元激活取决于给定刺激。PPI分析可洞悉个人脑部的功能。在许多实施例中,FSL软件包的FEAT程序可以用于生成PPI模型。但是,可以使用适合给定应用的需求的任意数量的程序和/或程序包来生成PPI模型。
现在转到图9,图示了根据本发明的实施例的用于生成PPI模型的处理。处理9包括获得(910)预处理的连接性图像数据。从目标体积(VOI)中提取(920)时序的特征变量,并且生成(930)VOI数据结构。
在许多实施例中,VOI由掩模定义。在各种实施例中,VOI由解剖学衍生的掩膜定义。解剖学衍生的掩模可以是遮掩脑部的特定区域的球体。但是,可以使用适合给定应用的要求的任何形状的掩模,包括复合物三维结构。在许多实施例中,用于定义VOI的掩模遮掩不在ROI中的区域。可以使用SPM8库从VOI中提取时序的特征变量。在一些实施例中,提取特征变量还包括获得具体任务。在各种实施例中,提取特征变量包括获得具体掩膜。在许多实施例中,提取特征变量包括从第一级GLM获得对比度数。生成VOI数据结构可以包括仅包含PPI的生理成分的反卷积的时间过程、根据目标对比描述任务开始的参数对比的心理变量,以及生理变量和心理变量之间的交互。该数据结构可以用作PPI模型。在许多实施例中,从第一级GLM使用公害回归量。虽然上面已经描述了生成PPI数据结构的具体方法,但是可以使用适合给定应用的要求的任意数量的其它变量。连接性预处理图像数据可以进一步用于生成静息状态模型。下面描述用于生成静息状态模型的方法。
生成静息模型
静息状态模型可以用于确定脑部的默认静息状态。默认的静息状态可以洞察所讨论的个体的脑部的特定区域的正常反应性水平。不同区域之间的激活低下、典型激活或过度激活既可以对脑部相关疾病又可以对潜在的治疗方法提供宝贵的见解。
在许多实施例中,通过对被指示不执行任何任务且未被提供任何刺激的患者执行fMRI扫描来获取静息状态模型。在各种实施例中,可以使用在成套测验期间获取的fMRI数据来生成静息状态模型。可以使用成套测验fMRI数据生成残留图像,其可以用于生成患者静息状态的模型。在各种任务期间获取的图像数据可以用于帮助隔离在未执行任务但与任务相关的间隔期间观察到的神经激活。以这种方式,可以更好地将在静息状态期间激活的神经回路通路与激活(作为由于在成像期间将患者维持在真正静息状态下的挑战所引起的伪像)更好地分开。虽然去除此类伪像通常导致信息量更大的神经回路通路分类,但是可以使用没有或仅有最少的伪像去除的处理来执行神经回路通路分类。
现在转到图10,图示了根据本发明的实施例的用于生成静息状态模型的处理。处理1000包括获得(1010)连接性预处理的图像数据,以及跨任务级联(1020)预处理的图像数据。执行分割(1030),并且生成任务和公害回归量矩阵(1040)。使用回归量矩阵生成(1050)残差图像,并对残差图像进行滤波(1060)。生成按体素的静息状态模型(1070)并且生成ROI静息状态模型(1080)。
在许多实施例中,为提供给患者的每个任务生成时序数据。可以将时序数据级联以形成单个时序图像序列。在许多实施例中,通过将连续时序附加到所选择的第一时序来执行级联。可以对时序执行分割,以便将结构图像分割为白质、灰质和脑脊髓液(CSF)概率图。在许多实施例中,使用来自FSL库的FAST程序执行分割。为了优化分割,可以将白质和CSF掩模从边缘向内腐蚀若干次迭代,以便确保掩模正在捕获正确的组织物质。在各种实施例中,可以使用SPM库执行腐蚀。在许多实施例中,应用了三个迭代,但是根据给定应用的要求可以应用任何数量的迭代。可以将分割的图像数据的时序序列扭曲到由蒙特利尔神经病学研究所定义的坐标空间(MNI空间)中,并且可以将附加的掩模应用于微调分割。例如,由于腐蚀,可以使用掩模从白质段中去除额外的灰质。在许多实施例中,掩模是来自由蒙特利尔神经病学研究所提供的AAL单一受试者图集的图集。一旦已执行分割,就可以存储和/或提供每个分割的平均时序。
可以生成用于与分割的时序一起使用的回归量矩阵。在许多实施例中,回归量矩阵包括以下中的一些或全部:任务回归量信息,包括指示总体任务效果的常数;尖峰回归量信息;重新对准参数及其时间导数和其平方;以及所有任务中的白质和CSF时序。残差图像可以通过运行回归以使用生成的回归量矩阵来移动与特定任务、移动和白质/CSF噪声相关联的方差来生成。然后可以通过带通滤波对残留图像进行滤波。在许多实施例中,使用0.009Hz的高频截止值和0.08Hz的低频截止值。但是,可以使用适合给定应用的要求的不同的截止值。
静息状态模型可以使用过滤后的图像生成。可以通过提取具体任务的时序,并对脑部中所有体素的时序进行回归来生成按体素的静息状态模型。可以生成费舍尔测试、Z变换和/或整个脑部图集的时序,从而指示每个体素的总体静息状态。ROI静息状态模型可以通过使用R-fMRI网络的DPABI工具箱来生成,其可以在http://rfmri.org/dpabi上找到。如上所述,使用与任务相关的体素的激活有关的信息来开发静息状态模型的能力可以帮助去除由于患者在成像期间维持真正静息状态的挑战而导致的伪像。但是,在许多实施例中,仅使用在患者不接收刺激时获得的数据来建立静息状态模型。
静息状态模型可以用于识别与生物型分类对应的神经回路通路。在许多实施例中,反应性和连接性的具体模式可以用于对观察到的数据中的具体复合物的存在进行分类。在MRI数据的背景下,具体复合物网络分类可以被称为生物型分类,并且可以使用图像处理系统发布用于治疗给定反应性不平衡的药物信息。下面讨论生物型分类的示例。
生物型分类
由根据本发明的各种实施例的图像处理系统揭示的神经通路回路可以用于自动识别和/或分类可以被称为生物型的复合物网络的存在。在许多实施例中,机器学习用于基于观察到的静息状态神经通路回路来自动识别和/或执行生物型分类。在一些实施例中,支持向量机用于自动进行生物型分类。在若干实施例中,卷积神经网络用于执行生物型分类。数据库可以用于训练机器学习系统,以基于观察到的神经激活和连接性来识别和分类具体的生物型。在许多实施例中,数据库由标注有复合物网络分类的MRI图像数据构成,和/或可以使用适合给定应用的要求的任何其它类型的训练数据。可以使用标准化的数据收集过程来收集数据库中的数据,包括但不限于标准化的刺激顺序、标准化的刺激时间、标准化的图像处理和/或适合给定应用的要求的任何其它标准化技术。
可以通过分析脑部的区域之间的连接性和反应性来分配生物型分类。在许多实施例中,静息状态模型用于分配生物型分类。静息状态模型可以包含一组数字,该组数字表示脑部的区域之间的连接的强度。脑部的区域可以与各种神经回路相关联。在许多实施例中,选择大约50个区域用于分析,但是根据给定应用的要求可以使用更多或更少数量的区域。将所选择的区域上连接的平均强度与基线测量值进行比较。基于连接的平均强度,可以确定神经回路系统是正常还是异常表现。在各种实施例中,使用阈值确定异常。阈值可以是特定强度、与正常值的预定义数量的标准偏差和/或适合给定应用的要求的任何其它标准。
正常和/或异常回路可以用于分配至少一种生物型。在许多实施例中,使用试探法来执行使用异常回路分配生物型分类。在一些实施例中,使用排名系统。在各种实施例中,使用机器学习算法。机器学习算法可以学习在确定如何分配生物型时如何对具体区域的重要性进行加权。在许多实施例中,利用了轮廓方法。轮廓方法可以包括将患者的观察到的神经回路通路与已知的神经回路通路轮廓的数据库匹配。可以给患者分配一种或多种生物型。在许多实施例中,患者神经回路通路可以适当地被分类为生物型分类的汞齐(amalgam)。在一些实施例中,图像处理系统提供患者的静息状态神经回路通路最紧密匹配的生物型分类。生物型分类的供给可以包括适合度的指示符,其指示患者与给定生物型匹配的紧密程度。适合度的指示符可以是百分比、统计估计值或根据给定应用的要求的任何其它指示符。
脑部中负责执行一组不同的生理和/或心理功能的脑部的各个区域之间的连接可以被定义为神经回路通路。神经回路通路可以被映射并存储在分类法和/或脑部图谱中。现在转到图11,图示了根据本发明的实施例的一组示例性神经回路通路。在特定区域中的反应性和/或连接性的偏差会破坏神经回路通路的正常功能。活跃低下、典型活跃和过度活跃和/或连接性状态可以与具体神经系统问题相关,这些神经系统问题可以被表达为精神失调。现在转到图12,图示了图示根据本发明的实施例的连接性和反应性之间的相互作用的图表。图示了显示默认模式、显著性、负面影响、正面影响、注意力和认知控制的神经回路系统的脑部图像,并且图示了示例条件(沉思、焦虑回避、负面偏见、威胁调节异常、快感不足、情境不敏感、注意力不集中,以及认知失控)及其相应的异常连接性和反应性。虽然图12中图示了具体神经回路通路,但许多神经回路通路作为复合物网络存在于脑部内,并且可以根据给定应用的要求被识别和/或分配。
图像处理系统可以使用反应性和连接性模型生成表示患者的脑部的图像数据,以产生类似的输出。患者生物型还可以被显示为如图13中所示的雷达图。在许多实施例中,可以生成表示神经组织中的各种连接和反应的分数。在各种实施例中,可以生成表示引起特定症状的各种回路的分数。在许多实施例中,可以将诸如分数、获得的图像、处理的图像、生物型分类和/或由图像处理系统收集或生成的任何其它类型的数据之类的数据提供给用户。在各种实施例中,经由用户接口设备提供数据。但是,根据给定的应用,可以使用任何数量的设备和方法来向用户提供数据。现在转到图14、图15A、图15B和图15C,图示了根据本发明的实施例的计分板。在一些实施例中,分数可以伴随有对特定生物型的描述。在许多实施例中,分数报告和生物型分配是由图像检测系统基于连接性和反应性数据自动执行的。在许多实施例中,仅需要静息状态fMRI来分配生物型。基于指定的生物型,可以推荐特定的药物和/或药物类别来调节由异常神经回路引起的功能障碍。下面描述用于分配药物的方法。
基于生物型分配药物
在许多实施例中,如由图像处理系统识别出的脑部内的特定复合物网络(即,生物型分类)可以用于分配药物以补救患者。不同的药物和药物类别会影响脑部内的不同化学问题。通过识别异常回路系统及其异常行为,可以推荐特定的药物疗法和心理健康治疗技术,以便针对可能导致特定行为倾向的特定神经回路通路。现在转到图16,图示了根据本发明的实施例的影响特定神经回路的特定疗法的示例。在许多实施例中,图像处理系统可以与描述特定精神活性药物的功能的药物数据库集成。图像处理系统可以基于其生理作用分配药物,以补救识别出的异常回路系统。在一些实施例中,利用机器学习来改善特定疗法对生物型和/或生物型的汞齐的作用。在一些实施例中,疗法可以存储在数据库中,诸如,但不限于脑部图谱、分类法、药物数据库或适合给定应用的要求的任何其它数据结构。在许多实施例中,存储在数据库中的疗法与至少一种生物型和/或神经回路相关联。
在许多实施例中,医生使用由图像处理系统建议的方法来治疗患者。在各种实施例中,使用MRI机器扫描患者。图像处理系统可以使用所得的扫描数据来分配生物型。生物型可以与一种或多种可以施用于患者的治疗和/或药物疗法相关联。在许多实施例中,生物型和/或分数可以用于生成描述特定药物和/或药物的类别对特定患者的功效的功效度量。功效度量可以用于预测特定治疗对患者的治疗结果。在许多实施例中,功效度量用于推荐具有最高成功可能性的特定治疗。
虽然已经在某些具体方面描述了本发明,但是许多附加的修改和变化对于本领域技术人员将是显而易见的。特别地,上述各种处理中的任何处理都可以按替代顺序执行,以便以更适合具体应用的要求的方式实现相似的结果。因此,应该理解的是,在不脱离本发明的范围和精神的情况下,可以以不同于具体描述的方式来实践本发明。因此,本发明的实施例在所有方面都应被认为是说明性的而非限制性的。
Claims (20)
1.一种用于确定生物型的方法,包括:
使用磁共振成像系统获得描述至少患者的脑部的图像数据;
生成患者的脑部的图像数据的时序序列;
预处理图像数据的所述时序序列,以识别脑部区域;
生成至少一个神经学模型,其中至少一个神经学模型包括:
描述图像数据的所述时序序列内的至少一个神经回路的数据结构,以及
指定在图像数据的所述时序序列内能够观察到的神经学活动的度量;
基于所述神经学模型为所述患者分配至少一种生物型,其中至少一种生物型对患者的神经回路的布置的类型进行分类,其中至少一种生物型还基于脑部区域之间的连接性和反应性;
为每个患者生成描述其至少一种生物型的简档;以及
使用显示器提供包含所分配的生物型的图形用户界面。
2.如权利要求1所述的用于确定生物型的方法,其中预处理图像数据的所述时序序列还包括:
重新对准图像数据的所述时序序列;
展开图像数据的所述时序序列;
使图像数据的所述时序序列削峰;以及
将能够在图像数据的所述时序序列观察到的脑部结构和脑部图谱配准,其中所述脑部图谱包括存储在存储器中的数据结构,并且描述参考脑部内的物理区域。
3.如权利要求2所述的用于确定生物型的方法,其中使图像数据的所述时序序列削峰包括:
测量图像数据的所述时序序列中的图像之间的位移;以及
识别图像数据的时序序列中图像之间的位移大于帧位移阈值的时间段。
4.如权利要求3所述的用于确定生物型的方法,其中至少一个神经学模型中的至少一个是第一级反应性模型,并且指定所述神经学活动的度量指定跨脑部区域的神经元激活的强度。
5.如权利要求4所述的用于确定生物型的方法,还包括生成第一级反应性模型,其中生成所述第一级反应性模型包括:
从图像数据的所述时序序列中描述非脑部结构的图像数据中提取描述脑部结构的图像数据;
使用白噪声掩膜从所述图像数据中去除全局信号;
使用模糊核心在空间上平滑所述图像数据;以及
根据空间上平滑的图像数据确定患者的脑部中神经元激活的程度。
6.如权利要求1所述的用于确定生物型的方法,其中至少一个神经学模型中的至少一个是心理生理学交互模型,并且指定所述神经学活动的度量指定脑部区域之间的连接性程度。
7.如权利要求6所述的用于确定生物型的方法,还包括:
根据图像数据的预处理时序序列生成心理生理学交互模型,其中生成所述心理生理学交互模型包括:
使用降序交错采集序列对图像数据的预处理时序序列执行切片时间校正;
将图像数据的预处理时序序列归一化到坐标系;
使用模糊核心在空间上平滑图像数据的预处理时序序列;
使用掩模在图像数据的预处理时序序列中定义至少一个目标体积;
从至少一个目标体积中提取特征变量;
生成目标体积数据结构,包括:
反卷积的时间过程,包括心理生理学交互模型的生理成分;
根据目标对比描述任务开始的参数对比的心理变量;以及
描述生理变量和心理变量之间的交互的数据。
8.如权利要求1所述的用于确定生物型的方法,其中至少一个神经学模型包括静息状态模型。
9.如权利要求8所述的用于确定生物型的方法,其中生成所述静息状态模型包括:
按组织类型分割所述图像数据;
生成至少一个回归量矩阵;
从分割的预处理图像数据生成残差图像;以及
对所述残差图像进行带通滤波。
10.如权利要求9所述的用于确定生物型的方法,其中至少一个静息状态模型是目标区域的静息状态模型。
11.如权利要求9所述的用于确定生物型的方法,其中至少一个静息状态模型是按体素的静息状态模型。
12.如权利要求11所述的用于确定生物型的方法,其中生成按体素的静息状态模型还包括:
提取图像数据的所述时序序列;以及
针对所有体素的图像数据的分割的时序序列,针对图像数据的提取的时序序列应用回归,指示每个体素的总体静息状态。
13.如权利要求8所述的用于确定生物型的方法,其中分配生物型包括:
获得生物型分类的数据库,所述数据库包括用与特定生物型相关联的反应性和连接性度量标注的图像数据;
将来自所述静息状态模型的度量与最合适的生物型分类和生成的简档进行匹配。
14.如权利要求1所述的用于确定生物型的方法,其中分配生物型包括生成描述所述生物型与所述患者的匹配紧密程度的指示符。
15.如权利要求1所述的用于确定生物型的方法,其中所分配的生物型与至少一种治疗相关联,并且所述方法还包括向用户推荐至少一种治疗。
16.如权利要求15所述的用于确定生物型的方法,还包括基于所分配的生物型生成至少一种功效度量,其中至少一种功效度量指示使用至少一种治疗成功治疗所述患者的可能性。
17.如权利要求1所述的用于确定生物型的方法,还包括使用刺激设备在所述磁共振成像机器中向所述患者提供至少一个刺激,其中使用同步电路系统以至少一个刺激被提供的时间来为所述图像数据加时间戳。
18.如权利要求17所述的用于确定生物型的方法,其中至少一个刺激是成套测验。
19.一种用于确定生物型的方法,包括:
使用磁共振成像机器获得描述至少患者的脑部的图像数据;
使用刺激设备向患者提供刺激;
生成患者的脑部的图像数据的时序序列,其中使用同步电路系统以刺激被所述刺激设备提供的时间来为图像数据的所述时序序列加时间戳;
预处理图像数据的所述时序序列,以识别脑部区域;
生成至少一个神经学模型,至少一个神经学模型包括:
描述图像数据的所述时序序列内的至少一个网络的数据结构,以及
指定可在图像数据的所述时序序列内能够观察到的神经学活动的度量;
基于所述神经学模型为所述患者分配生物型,其中所分配的生物型对患者的神经回路的布置的类型进行分类,其中至少一种生物型还基于脑部区域之间的连接性和反应性;以及
使用显示器提供包含所分配的生物型的图形用户界面。
20.一种磁共振成像图像处理系统,包括:
至少一个处理器;
与所述至少一个处理器通信的显示器;
磁共振成像机器,以及
存储器,连接到所述至少一个处理器并包含图像处理应用;
其中所述图像处理应用指示所述处理器:从所述磁共振成像机器获得图像数据;
生成患者的脑部的图像数据的时序序列;
预处理图像数据的所述时序序列,以识别脑部区域;
生成至少一个神经学模型,至少一个神经学模型包括:
描述图像数据的所述时序序列内的至少一个网络的数据结构,以及
指定能够在图像数据的所述时序序列内观察到的神经学活动的度量;
基于所述神经学模型为所述患者分配生物型,其中所分配的生物型对患者的神经回路的布置的类型进行分类,其中至少一种生物型还基于脑部区域之间的连接性和反应性;以及
使用所述显示器提供包含所分配的生物型的图形用户界面。
Applications Claiming Priority (11)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762485196P | 2017-04-13 | 2017-04-13 | |
US62/485,196 | 2017-04-13 | ||
US201762563611P | 2017-09-26 | 2017-09-26 | |
US62/563,611 | 2017-09-26 | ||
US201762568676P | 2017-10-05 | 2017-10-05 | |
US62/568,676 | 2017-10-05 | ||
US201762589452P | 2017-11-21 | 2017-11-21 | |
US15/820,338 US10034645B1 (en) | 2017-04-13 | 2017-11-21 | Systems and methods for detecting complex networks in MRI image data |
US62/589,452 | 2017-11-21 | ||
US15/820,338 | 2017-11-21 | ||
PCT/US2018/027606 WO2018191685A1 (en) | 2017-04-13 | 2018-04-13 | Systems and methods for detecting complex networks in mri image data |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110662490A CN110662490A (zh) | 2020-01-07 |
CN110662490B true CN110662490B (zh) | 2023-12-08 |
Family
ID=62949005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880033848.0A Active CN110662490B (zh) | 2017-04-13 | 2018-04-13 | 用于在mri图像数据中检测复合物网络的系统和方法 |
Country Status (7)
Country | Link |
---|---|
US (5) | US10034645B1 (zh) |
EP (1) | EP3606432A4 (zh) |
JP (1) | JP7371910B2 (zh) |
KR (1) | KR20190138821A (zh) |
CN (1) | CN110662490B (zh) |
AU (1) | AU2018252010B2 (zh) |
WO (1) | WO2018191685A1 (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10034645B1 (en) * | 2017-04-13 | 2018-07-31 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for detecting complex networks in MRI image data |
US11810340B2 (en) * | 2017-11-29 | 2023-11-07 | International Business Machines Corporation | System and method for consensus-based representation and error checking for neural networks |
US20210248514A1 (en) * | 2018-05-06 | 2021-08-12 | Strong Force TX Portfolio 2018, LLC | Artificial intelligence selection and configuration |
US11295410B2 (en) * | 2019-04-12 | 2022-04-05 | Rocket Innovations, Inc. | Writing surface boundary markers for computer vision |
US11568307B2 (en) * | 2019-05-20 | 2023-01-31 | International Business Machines Corporation | Data augmentation for text-based AI applications |
US20200390357A1 (en) * | 2019-06-13 | 2020-12-17 | Neurofeedback-Partner GmbH | Event related brain imaging |
CN110473202B (zh) * | 2019-06-18 | 2023-03-31 | 山东工商学院 | 一种高阶动态功能连接网络的时序不变特征提取方法 |
CN110652307B (zh) * | 2019-09-11 | 2021-01-12 | 中国科学院自动化研究所 | 基于功能核磁影像的精神分裂症患者纹状体功能检测系统 |
US20210177295A1 (en) * | 2019-12-11 | 2021-06-17 | GE Precision Healthcare LLC | Systems and methods for generating diagnostic scan parameters from calibration images |
US11727284B2 (en) | 2019-12-12 | 2023-08-15 | Business Objects Software Ltd | Interpretation of machine learning results using feature analysis |
US20210192376A1 (en) * | 2019-12-23 | 2021-06-24 | Sap Se | Automated, progressive explanations of machine learning results |
US11982993B2 (en) | 2020-02-03 | 2024-05-14 | Strong Force TX Portfolio 2018, LLC | AI solution selection for an automated robotic process |
US11580455B2 (en) | 2020-04-01 | 2023-02-14 | Sap Se | Facilitating machine learning configuration |
US11783198B2 (en) * | 2020-04-03 | 2023-10-10 | Baidu Usa Llc | Estimating the implicit likelihoods of generative adversarial networks |
EP4016453B1 (en) * | 2020-12-21 | 2023-08-09 | Siemens Healthcare GmbH | Method and system for automated segmentation of biological object parts in mri |
CN112712073A (zh) * | 2021-03-29 | 2021-04-27 | 北京远鉴信息技术有限公司 | 基于眼部变化特征的活体识别方法、识别装置及电子设备 |
WO2022217311A1 (en) * | 2021-04-13 | 2022-10-20 | EMvision Medical Devices Ltd | Apparatus and process for medical sensing |
CN114159043A (zh) * | 2021-12-17 | 2022-03-11 | 天津大学 | 基于Qcut算法的脑功能网络异常脑节点数据检测方法 |
WO2023205103A1 (en) * | 2022-04-18 | 2023-10-26 | Celligence International Llc | Method and computing apparatus for operating a form-based interface |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104207778A (zh) * | 2014-10-11 | 2014-12-17 | 上海海事大学 | 一种基于静息态功能磁共振成像技术的心理健康检测方法 |
CN104605853A (zh) * | 2015-01-21 | 2015-05-13 | 北京师范大学 | 一种基于脑功能特征的实时神经解码系统 |
JP2017012480A (ja) * | 2015-07-01 | 2017-01-19 | 国立大学法人福井大学 | 自閉スペクトラム症診断補助のための医療用画像処理方法及び医療用画像処理システム並びにバイオマーカー |
Family Cites Families (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2586913Y2 (ja) * | 1993-01-28 | 1998-12-14 | ジーイー横河メディカルシステム株式会社 | Mri装置 |
US6463328B1 (en) * | 1996-02-02 | 2002-10-08 | Michael Sasha John | Adaptive brain stimulation method and system |
US6066163A (en) * | 1996-02-02 | 2000-05-23 | John; Michael Sasha | Adaptive brain stimulation method and system |
US6272370B1 (en) * | 1998-08-07 | 2001-08-07 | The Regents Of University Of Minnesota | MR-visible medical device for neurological interventions using nonlinear magnetic stereotaxis and a method imaging |
US6622036B1 (en) * | 2000-02-09 | 2003-09-16 | Cns Response | Method for classifying and treating physiologic brain imbalances using quantitative EEG |
US5938688A (en) * | 1997-10-22 | 1999-08-17 | Cornell Research Foundation, Inc. | Deep brain stimulation method |
US6198958B1 (en) * | 1998-06-11 | 2001-03-06 | Beth Israel Deaconess Medical Center, Inc. | Method and apparatus for monitoring a magnetic resonance image during transcranial magnetic stimulation |
US6539263B1 (en) * | 1999-06-11 | 2003-03-25 | Cornell Research Foundation, Inc. | Feedback mechanism for deep brain stimulation |
US6167311A (en) * | 1999-06-14 | 2000-12-26 | Electro Core Techniques, Llc | Method of treating psychological disorders by brain stimulation within the thalamus |
US6708064B2 (en) * | 2000-02-24 | 2004-03-16 | Ali R. Rezai | Modulation of the brain to affect psychiatric disorders |
JP3712348B2 (ja) * | 2000-07-18 | 2005-11-02 | 独立行政法人科学技術振興機構 | 心房粗動および心房細動の心臓磁界診断装置およびその作動方法 |
US6678413B1 (en) * | 2000-11-24 | 2004-01-13 | Yiqing Liang | System and method for object identification and behavior characterization using video analysis |
EP1397144A4 (en) * | 2001-05-15 | 2005-02-16 | Psychogenics Inc | SYSTEMS AND METHODS FOR MONITORING BEHAVIOR INFORMATION |
AU785226B2 (en) * | 2001-09-25 | 2006-11-16 | United States Department Of Veterans Affairs | Method and apparatus for diagnosing schizophrenia and schizophrenia subtype |
US8014847B2 (en) * | 2001-12-13 | 2011-09-06 | Musc Foundation For Research Development | Systems and methods for detecting deception by measuring brain activity |
US20040092809A1 (en) * | 2002-07-26 | 2004-05-13 | Neurion Inc. | Methods for measurement and analysis of brain activity |
WO2005023086A2 (en) * | 2003-08-25 | 2005-03-17 | University Of North Carolina At Chapel Hill | Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surgical planning |
WO2006093513A2 (en) * | 2004-06-14 | 2006-09-08 | Cephos Corp. | Question and control paradigms for detecting deception by measuring brain activity |
US20090099623A1 (en) * | 2004-09-13 | 2009-04-16 | Neuronix Ltd. | Systems and methods for treatment of medical conditions related to the central nervous system and for enhancing cognitive functions |
EP1714613A1 (de) * | 2005-04-22 | 2006-10-25 | F. Hoffmann-La Roche Ag | Analytisches Hilfsmittel |
US9101276B2 (en) * | 2006-07-06 | 2015-08-11 | Regents Of The University Of Minnesota | Analysis of brain patterns using temporal measures |
US8494227B2 (en) * | 2007-04-17 | 2013-07-23 | Francine J. Prokoski | System and method for using three dimensional infrared imaging to identify individuals |
JP2014522247A (ja) * | 2011-03-29 | 2014-09-04 | ボストン サイエンティフィック ニューロモデュレイション コーポレイション | リード線位置付けのためのシステムおよび方法 |
US8861815B2 (en) * | 2011-08-03 | 2014-10-14 | International Business Machines Corporation | Systems and methods for modeling and processing functional magnetic resonance image data using full-brain vector auto-regressive model |
US9510756B2 (en) * | 2012-03-05 | 2016-12-06 | Siemens Healthcare Gmbh | Method and system for diagnosis of attention deficit hyperactivity disorder from magnetic resonance images |
US9042645B2 (en) * | 2012-05-16 | 2015-05-26 | Imec | Feature detection in numeric data |
JP6452612B2 (ja) | 2012-11-13 | 2019-01-16 | エルミンダ リミテッド | 神経生理学的データを分析するシステム、神経生理学的データからデータベースを構築する方法、コンピュータ可読媒体 |
JP6305742B2 (ja) * | 2012-11-30 | 2018-04-04 | キヤノンメディカルシステムズ株式会社 | 医用画像診断装置、表示方法 |
WO2014178323A1 (ja) | 2013-05-01 | 2014-11-06 | 株式会社国際電気通信基礎技術研究所 | 脳活動解析装置、脳活動解析方法およびバイオマーカー装置 |
US9265441B2 (en) | 2013-07-12 | 2016-02-23 | Siemens Aktiengesellschaft | Assessment of traumatic brain injury |
US20150272469A1 (en) | 2014-03-31 | 2015-10-01 | Michael Fox | System and Methods For Combined Functional Brain Mapping |
AU2015266749B2 (en) * | 2014-05-30 | 2021-02-04 | Leidos Innovations Technology, Inc. | Method and system for signal processing |
US9773308B2 (en) * | 2014-07-15 | 2017-09-26 | The Brigham And Women's Hospital | Systems and methods for generating biomarkers based on multivariate classification of functional imaging and associated data |
US10206632B2 (en) * | 2014-07-25 | 2019-02-19 | The Trustees Of Dartmouth College | Systems and methods for cardiovascular-dynamics correlated imaging |
EP3242601B1 (en) * | 2015-01-09 | 2022-03-09 | Max-Planck-Gesellschaft zur Förderung der Wissenschaften e.V. | Method of and apparatus for characterizing spatial-temporal dynamics of media excitable for deformation |
EP3250128B1 (en) * | 2015-01-26 | 2020-10-21 | Spectrum Dynamics Medical Limited | Systems and methods for medical image registration |
WO2017116582A1 (en) * | 2015-12-31 | 2017-07-06 | Brainscope Company, Inc. | System and methods for neurological monitoring and assisted diagnosis |
US10034645B1 (en) | 2017-04-13 | 2018-07-31 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for detecting complex networks in MRI image data |
-
2017
- 2017-11-21 US US15/820,338 patent/US10034645B1/en active Active
-
2018
- 2018-04-13 CN CN201880033848.0A patent/CN110662490B/zh active Active
- 2018-04-13 JP JP2019555568A patent/JP7371910B2/ja active Active
- 2018-04-13 KR KR1020197032681A patent/KR20190138821A/ko not_active Application Discontinuation
- 2018-04-13 WO PCT/US2018/027606 patent/WO2018191685A1/en unknown
- 2018-04-13 AU AU2018252010A patent/AU2018252010B2/en active Active
- 2018-04-13 EP EP18784682.9A patent/EP3606432A4/en active Pending
- 2018-06-04 US US15/997,631 patent/US10285658B2/en active Active
-
2019
- 2019-03-28 US US16/368,774 patent/US10702232B2/en active Active
-
2020
- 2020-07-06 US US16/921,388 patent/US11701078B2/en active Active
-
2023
- 2023-06-22 US US18/339,952 patent/US20230414188A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104207778A (zh) * | 2014-10-11 | 2014-12-17 | 上海海事大学 | 一种基于静息态功能磁共振成像技术的心理健康检测方法 |
CN104605853A (zh) * | 2015-01-21 | 2015-05-13 | 北京师范大学 | 一种基于脑功能特征的实时神经解码系统 |
JP2017012480A (ja) * | 2015-07-01 | 2017-01-19 | 国立大学法人福井大学 | 自閉スペクトラム症診断補助のための医療用画像処理方法及び医療用画像処理システム並びにバイオマーカー |
Also Published As
Publication number | Publication date |
---|---|
US10285658B2 (en) | 2019-05-14 |
JP2020516372A (ja) | 2020-06-11 |
US11701078B2 (en) | 2023-07-18 |
JP7371910B2 (ja) | 2023-10-31 |
US20200397394A1 (en) | 2020-12-24 |
US20230414188A1 (en) | 2023-12-28 |
US10702232B2 (en) | 2020-07-07 |
AU2018252010B2 (en) | 2024-01-18 |
CN110662490A (zh) | 2020-01-07 |
AU2018252010A1 (en) | 2019-10-31 |
WO2018191685A1 (en) | 2018-10-18 |
EP3606432A1 (en) | 2020-02-12 |
US20190282191A1 (en) | 2019-09-19 |
US10034645B1 (en) | 2018-07-31 |
KR20190138821A (ko) | 2019-12-16 |
EP3606432A4 (en) | 2020-07-29 |
US20180325482A1 (en) | 2018-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110662490B (zh) | 用于在mri图像数据中检测复合物网络的系统和方法 | |
Gratton et al. | Evidence for two independent factors that modify brain networks to meet task goals | |
Gao et al. | The neural sources of N170: Understanding timing of activation in face‐selective areas | |
Serences et al. | Estimating the influence of attention on population codes in human visual cortex using voxel-based tuning functions | |
Haxby et al. | A common, high-dimensional model of the representational space in human ventral temporal cortex | |
Foster et al. | Spontaneous neural dynamics and multi-scale network organization | |
Duff et al. | Task-driven ICA feature generation for accurate and interpretable prediction using fMRI | |
Bush et al. | Brain states that encode perceived emotion are reproducible but their classification accuracy is stimulus-dependent | |
Li et al. | BrainK for structural image processing: creating electrical models of the human head | |
Singer et al. | The spatiotemporal neural dynamics of object recognition for natural images and line drawings | |
Nasim et al. | Multicore and GPU based pupillometry using parabolic and elliptic Hough Transform | |
Kupas et al. | Decision support system for the diagnosis of neurological disorders based on gaze tracking | |
Fraedrich et al. | Hippocampal involvement in processing of indistinct visual motion stimuli | |
JP2020049005A (ja) | 印象評価システム、及び、印象評価方法 | |
KR20200005303A (ko) | 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치 및 방법, 상기 방법을 수행하기 위한 기록 매체 | |
Martinez | Brain network signatures of depressive symptoms | |
Taminato et al. | Neuronal substrates characterizing two stages in visual object recognition | |
Nentwich | Neural processing of semantic content in movies | |
Perez Diukina | A Comparative Assessment of Statistical Approaches for fMRI Data to Obtain Activation Maps | |
Alderson | Dynamical Complexity of Large-scale Neurocognitive Networks in Healthy and Pathological Brain States | |
Kragel | The representation of emotion in autonomic and central nervous system activity | |
Singer et al. | Funding information | |
Leonardi | Dynamic brain networks explored by structure-revealing methods | |
Gratton | Attention and disruption: Modulating the interactions between large-scale brain networks and the properties of local cortical regions | |
Maurer | Use of Bayesian filtering and adaptive learning methods to improve the detection and estimation of pathological and neurological disorders |
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 |