CN110729046B - 一种基于时间序列的功能磁共振影像特征提取方法 - Google Patents

一种基于时间序列的功能磁共振影像特征提取方法 Download PDF

Info

Publication number
CN110729046B
CN110729046B CN201911017220.4A CN201911017220A CN110729046B CN 110729046 B CN110729046 B CN 110729046B CN 201911017220 A CN201911017220 A CN 201911017220A CN 110729046 B CN110729046 B CN 110729046B
Authority
CN
China
Prior art keywords
time
cost
magnetic resonance
brain
sequence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911017220.4A
Other languages
English (en)
Other versions
CN110729046A (zh
Inventor
赵翼飞
李楠楠
张世雄
李若尘
安欣赏
李革
张伟民
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.)
Instritute Of Intelligent Video Audio Technology Longgang Shenzhen
Original Assignee
Instritute Of Intelligent Video Audio Technology Longgang Shenzhen
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 Instritute Of Intelligent Video Audio Technology Longgang Shenzhen filed Critical Instritute Of Intelligent Video Audio Technology Longgang Shenzhen
Priority to CN201911017220.4A priority Critical patent/CN110729046B/zh
Publication of CN110729046A publication Critical patent/CN110729046A/zh
Application granted granted Critical
Publication of CN110729046B publication Critical patent/CN110729046B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公布了一种基于时间序列的功能磁共振影像特征提取方法，包括：步骤1)将脑部功能磁共振影像的转化为各脑部区域的时间序列，以及将时间序列之间的相关性作为特征；以及步骤2)计算两时间序列的最小重合操作成本，作为特征值。该方法是充分考虑数据特性之后优化的特征计算方法，相比传统特征计算方法，该方法量化了两时间序列之间幅值差异的情况，具有不对称性；同时能容忍两者的时间不同步现象。使用本方法所得到的特征相比于使用传统的相关性得到的特征，分类准确度得到明显的提升；同时对得到的特征进行分析，能够得到比传统相关性特征更清晰的疾病相关部位指引。

Description

一种基于时间序列的功能磁共振影像特征提取方法
技术领域
本发明涉及计算机辅助诊断技术领域，具体涉及到一种基于时间序列的功能磁共振影像特征提取方法。
背景技术
功能磁共振影像是基于血氧水平依赖对比度增强原理的一种成像方式。具体的来说，人体血液中存在两种具有不同磁性的血红蛋白：含氧血红蛋白和去氧血红蛋白。当某个脑部区域处于激活状态时，该脑部区域神经元的氧气需求量增加，即表现为氧的利用率下降。它进一步会造成脑部区域中含氧血红蛋白的增加和去氧血红蛋白的减少，从而造成该区域的磁场梯度发生变化。该磁场梯度会进一步引发水分子中的磁共振散相，使脑部区域信号强度发生改变。功能磁共振影像的时间分辨率和空间分辨率高，且安全性好，不具有放射性，可对同一患者进行重复检查。由于这些特点，它在监测大脑活动和探索不同脑部区域之间的连通性起着重要的作用，目前广泛应用于人脑认知功能的研究，如在阿尔兹海默症的辅助诊断中使用该医学影像进行分类机器学习应用尤为常见。特征抽取是机器学习中非常重要的一步，选择合适的特征能够大大提高模型的分类表现，同时降低模型的复杂性。目前大多数使用功能磁共振影像进行的研究都使用皮尔森相关系数建立不同脑部区域时间序列之间的相关性，从而构建大脑功能网络。这种相关性虽然简单高效，但是却没有考虑到不同脑部区域时间序列之间存在不同步和幅值差异的情况。研究表明，在基于功能磁共振影像的大脑数据中，脑部区域时间序列之间是存在不同步的。因此，将这种不同步考虑到相关性建模中是很有必要的。
发明内容
基于此，本发明提出了一种基于时间序列的功能磁共振影像特征提取方法，该方法使用形似编辑距离的方法，考虑到从大脑功能磁共振影像中得到的不同脑部区域之间的时间序列存在不同步与幅值不匹配的现象，在特征提取方法中形式化这种差异，得到更好的特征表述，提高建立分类模型的准确度。
本发明提供的技术方案如下：
根据本发明的一个方面，提供了一种基于时间序列的功能磁共振影像特征提取方法，包括：步骤1)将脑部功能磁共振影像的转化为各脑部区域的时间序列，以及将时间序列之间的相关性作为特征；以及步骤2)计算两时间序列的最小重合操作成本，作为特征值。
优选地，在上述基于时间序列的功能磁共振影像特征提取方法中，在步骤1)中，包括将一段时间的脑部功能磁共振影像划分为各个脑部区域，对于一个区域每个时间点的数据经过滤波后取平均值作为该区域该时间点的值，多个时间点的值形成一个大脑区域的时间序列；计算同一大脑不同区域时间序列之间的距离，同一大脑所有区域时间序列两两之间的距离即作为功能磁共振影像的特征，其中，距离为一个时间序列与另一个时间序列重合所需要的操作成本。
优选地，在上述基于时间序列的功能磁共振影像特征提取方法中，步骤2)中，包括对一对时间序列的三种编辑操作：匹配、删除该对时间序列的节点；计算三种编辑操作的成本；通过迭代计算得到最后全局最小成本，全局最小成本即为最小重合操作成本。
优选地，在上述基于时间序列的功能磁共振影像特征提取方法中，其中，在匹配、删除该对时间序列的节点中，假设An，Bn为两个时间序列，其长度为n，ai和bj分别表示序列An上第i个时间点处的值和序列Bn上第j个时间点的值。表示序列An的第i个时间点处，/>表示序列Bn的第j个时间点处，其中，序列上的编辑操作分为三种：(a)匹配表示将An中(ai-1；ai)这一段取出并移动至与Bn中(bj-1；bj)这一段完全重合的操作，记为m(ai→bj)；(b)删除A节点表示将An上时间点ai删除同时将该节点移动至前一个时间点ai-1的操作，记为d(ai→ai-1)；(c)删除B节点与删除A节点相似，也是将bj删除同时移动至前一个时间点bj-1，记为d(bj→bj-1)。
优选地，在上述基于时间序列的功能磁共振影像特征提取方法中，在删除A节点操作中，该编辑成本与向量(ai-1；ai)长度是正相关的，编辑成本惩罚项为λ|ai-ai-1|；删除B节点操作同理，编辑成本惩罚项为λ|bj-bj-1|；在匹配操作中，编辑成本与两个向量(ai；bj)和(ai-1；bj-1)的长度相关，编辑距离的计算如下：
其中，Δ()表示编辑成本，如下：
其中|·|表示欧氏距离，λ≥0，
在计算距离时，由于ai和bj表示两时间序列上的值，即它们之间的距离只有幅值上的差距，上式的编辑成本没有考虑时域上的成本，本发明引入一个时域惩罚项。该时域惩罚项使用一个弹性参数μ使其编辑成本参数化。最后的编辑成本如下：
其中μ≥0。上述距离的计算是依次迭代进行的，迭代的初始化值如下：
其中a0＝b0＝0。
根据本发明的另一方面，提供了一种基于时间序列的功能磁共振影像特征提取系统，包括脑部功能磁共振影像的特征提取模块以及特征值的计算模块；其中：脑部功能磁共振影像的特征提取模块，用于将脑部功能磁共振影像转化为各脑部区域的时间序列，以及将时间序列之间的相关性作为特征；以及特征值的计算模块，用于计算两时间序列最小重合操作成本，作为特征值。
与现有技术相比，本发明的有益效果是：
该方法使用更准确的建模方式提取特征，能够更准确地获得数据中的信息，挖掘出数据中有意义的特征，提高辅助诊断的分类准确度。利用本发明提供的技术方案，在进行基于功能磁共振影像的阿尔兹海默症辅助诊断分类的问题上，使用本方法所得到的特征相比于使用传统的皮尔森相关性得到的特征，分类准确度得到明显的提升。同时对该方法得到的特征进行分析，能够得到比皮尔森相关性更清晰的疾病相关部位指引。
附图说明
下面结合附图，通过实施例子对本发明进一步说明如下：
图1为本发明的基于时间序列的功能磁共振影像特征提取方法的流程图。
图2为本发明的基于时间序列的功能磁共振影像特征提取方法的时间序列相关性特征计算方法示意图。
图3为使用本发明的基于时间序列的功能磁共振影像特征提取方法的特征与传统特征分类结果对比图。
图4为本发明的基于时间序列的功能磁共振影像特征提取方法特征与传统特征所指示的异常脑区分布图。
具体实施方式
本发明基于时间序列的功能磁共振影像特征提取方法，通过采用一种新的思想对功能磁共振影像进行特征提取，设计出一种类似编辑距离的时间序列特征提取方法，该方法得到的特征相比传统特征能取得更好的分类结果。
本发明的原理是：1.)对于一段时间的脑部功能磁共振影像，使用脑部区域划分模板得到不同大脑区域的功能磁共振影像数据，对于一个区域每个时间点的数据经过滤波后取平均值作为该区域该时间点的值，这样即可得到一个大脑区域的时间序列；2.)计算同一大脑不同区域时间序列之间的距离，该距离为一个时间序列与另一个时间序列重合所需要的操作成本，该成本与两时间序列之间的幅值相关，同时能容忍两者的时间不同步性以及具有不对称性。同一大脑所有区域时间序列两两之间的距离即作为功能磁共振影像的特征。
本发明提供的基于时间序列的功能磁共振影像特征提取方法包含：
步骤1：将脑部功能磁共振影像转化为各脑部区域的时间序列，以及将时间序列之间的相关性作为特征。具体地，将一段时间的脑部功能磁共振影像划分为各个脑部区域，对于一个区域每个时间点的数据经过滤波后取平均值作为该区域该时间点的值，多个时间点的值形成一个大脑区域的时间序列；计算同一大脑不同区域时间序列之间的距离，同一大脑所有区域时间序列两两之间的距离即作为功能磁共振影像的特征，其中，该距离为一个时间序列与另一个时间序列重合所需要的操作成本，该成本与两时间序列之间的幅值相关，同时能容忍两者的时间不同步性以及具有不对称性。
步骤2：计算两时间序列的最小重合操作成本，作为特征值。该步骤2包括对一对时间序列(时间序列A和时间序列B)的三种编辑操作，包括匹配、删除时间序列A的节点以及删除时间序列B的节点；计算三种编辑操作的成本；每个时间点迭代计算得到最后全局最小成本，该全局最小成本即为最小重合操作成本。
本发明还提供了一种基于时间序列的功能磁共振影像特征提取系统，包括脑部功能磁共振影像的特征提取模块以及特征值的计算模块；其中：
脑部功能磁共振影像的特征提取模块，用于将脑部功能磁共振影像转化为各脑部区域的时间序列，以及将时间序列之间的相关性作为特征。
特征值的计算模块，用于计算两时间序列最小重合操作成本，作为特征值。具体用于对一对时间序列A和B的三种编辑操作，即匹配某时间点的节点、删除时间序列A的节点以及删除时间序列B的节点；计算三种编辑操作的成本；通过迭代计算得到最后全局最小成本。
图1为本发明方法的流程图。将一段时间的脑部功能磁共振影像，即fMRI数据划分为各个脑部区域，对于一个区域每个时间点的数据经过滤波后取平均值作为该区域该时间点的值，多个时间点的值形成一个大脑区域的时间序列，这样得到各脑区时间序列；然后计算同一大脑不同区域时间序列之间的距离，同一大脑所有区域时间序列两两之间的距离即作为功能磁共振影像的特征，即特征计算；这些特征可看做大脑不同区域脑功能连接网络的权值，即一个网络的邻接矩阵。最后，对特征进行标准化以及特征选择，得到的特征选择后特征训练分类器，进行疾病的计算机辅助诊断。
图2为本发明方法的时间序列相关性特征计算方法示意图。其中A和B分别表示两个时间序列中的一段，(a)表示匹配操作，(b)表示删除时间序列A的节点操作，(c)表示删除时间序列B的节点操作，具体地：
假设An，Bn为两个时间序列，其长度为n，ai和bi分别表示序列An上第i个时间点处的值和序列Bn上第j个时间点的值。表示序列An的第i个时间点处，/>表示序列Bn的第j个时间点处。序列上的编辑操作分为三种：(a)匹配表示将An中(ai-1；ai)这一段取出并移动至与Bn中(bj-1；bj)这一段完全重合的操作，记为m(ai→bj)；(b)删除A节点表示将An上时间点ai删除同时将该节点移动至前一个时间点ai-1的操作，记为d(ai→ai-1)；(c)删除B节点与删除A节点相似，也是将bj删除同时移动至前一个时间点bj-1，记为d(bj→bj-1)。
在删除A节点操作中，该编辑成本与向量(ai-1；ai)长度是正相关的，因此此处添加了一个惩罚项λ|ai-ai-1|。删除B节点操作同理，编辑成本惩罚项为λ|bj-bj-1|。在匹配操作中，编辑成本与两个向量(ai；bj)和(ai-1；bj-1)的长度相关。综上，编辑距离的计算如下：
其中，Δ()表示编辑成本，具体如下：
其中|·|表示欧氏距离，λ≥0。
在计算距离时，由于ai和bj表示两时间序列上的值，即它们之间的距离只有幅值上的差距，上式的编辑成本没有考虑时域上的成本，本发明引入一个时域惩罚项。该时域惩罚项使用一个弹性参数μ使其编辑成本参数化。最后的编辑成本如下：
其中μ≥0。上述距离的计算是依次迭代进行的，迭代的初始化值如下：
其中a0＝b0＝0。在计算每一步编辑距离时，一个时间序列下标只增加1，另一个时间序列下标或者增加1或者保持不变。该计算步骤提供了一系列有序的三元组，即第k步涉及的两个时间序列下标以及该步得到的编辑成本。最终，该距离计算操作得到全局最小成本的编辑操作序列，最后的编辑距离即为简称最小重合操作成本。该最小重合操作成本即作为两时间序列的特征。
本发明提出的方法与现有的方法相比有两点主要的改进：1.)本发明的方法充分考虑到脑部功能磁共振影像所得到的不同脑部区域时间序列之间存在不同步与幅值差异的情况，具有不对称性，同时能容忍两者的时间不同步现象，在提取特征时能够量化这种差异，而皮尔森相关性则忽略这些因素；2.)本发明提出的特征提取模型是双向的，即对于两个脑部区域的时间序列，本发明方法得到的时间序列相关性特征是不对称的，这符合大脑区域有从属关系的特点。而皮尔森相关性是对称的，即一个序列A到另一个序列B的相关性与B到A的相关性是完全相同的。
图3为使用本发明方法的特征与传统特征分类结果对比图。使用阿尔兹海默症疾病样本与健康样本的功能磁共振影像作为数据，分别使用传统特征提取方法(即计算两两时间序列之间的皮尔森相关性)以及本发明方法(即计算两两时间序列之间的最小重合操作成本)，进行分类器训练分类得到的结果。可以看出，使用本发明方法得到的特征，在支持向量机以及判别分析分类器上的结果均优于使用传统特征的结果。
图4为本发明方法特征与传统特征所指示异常脑区分布图。在阿尔兹海默症疾病样本与健康样本的功能磁共振影像数据上，计算所有大脑区域时间序列之间的特征。图中序号表示大脑区域编号，左上角白色为使用皮尔森相关性计算的特征，右下角黑色为使用本发明方法计算的最小重合操作成本特征。标注了颜色的位置表示对疾病样本与健康样本该位置特征值使用t检验存在显著性差异，可反映该位置的脑部区域与疾病可能存在相关性。可以看出，使用本发明得到的异常区域分布比较规律，而使用传统方法得到的异常区域分布比较散乱，说明本发明方法得到的特征对疾病具有更强的指导意义。
以上即为本发明提出的一种基于时间序列的功能磁共振影像特征提取方法的具体实施方案。使用该发明方法得到的特征在阿尔兹海默症的辅助诊断上取得了比传统特征更高的准确度与更具指导意义的疾病相关性结果。

Claims (3)

1.一种基于时间序列的功能磁共振影像特征提取方法，其特征在于，包括：
步骤1)将脑部功能磁共振影像的转化为各脑部区域的时间序列，以及将时间序列之间的相关性作为特征；以及
步骤2)计算两时间序列的最小重合操作成本，作为特征值，具体地，包括对一对时间序列的三种编辑操作：匹配、删除该对时间序列的节点；计算三种编辑操作的成本；通过迭代计算得到最后全局最小成本，所述全局最小成本即为所述最小重合操作成本；
在匹配、删除该对时间序列的节点中，假设An，Bn为两个时间序列，其长度为n，ai和bj分别表示序列An上第i个时间点处的值和序列Bn上第j个时间点的值，表示序列An的第i个时间点处，/>表示序列Bn的第j个时间点处，其中，所述序列上的编辑操作分为三种：(a)匹配表示将An中(ai-1；ai)这一段取出并移动至与Bn中(bj-1；bj)这一段完全重合的操作，记为m(ai→bj)；(b)删除A节点表示将An上时间点ai删除同时将该节点移动至前一个时间点ai-1的操作，记为d(ai→ai-1)；(c)删除B节点与删除A节点相似，也是将bj删除同时移动至前一个时间点bj-1，记为d(bj→bj-1)；
在删除A节点操作中，该编辑成本与向量(ai-1；ai)长度是正相关的，编辑成本惩罚项为λ|ai-ai-1|；删除B节点操作同理，编辑成本惩罚项为λ|bj-bj-1|；在匹配操作中，编辑成本与两个向量(ai；bj)和(ai-1；bj-1)的长度相关，编辑距离的计算如下：
其中，Δ()表示编辑成本，如下：
其中|·|表示欧氏距离，λ≥0，
在计算距离时，由于ai和bj表示两时间序列上的值，即它们之间的距离只有幅值上的差距，上式的编辑成本没有考虑时域上的成本，本发明引入一个时域惩罚项，该时域惩罚项使用一个弹性参数μ使其编辑成本参数化，最后的编辑成本如下：
其中μ≥0，上述距离的计算是依次迭代进行的，迭代的初始化值如下：
其中a0＝b0＝0。
2.根据权利要求1所述的基于时间序列的功能磁共振影像特征提取方法，其特征在于，在步骤1)中，包括将一段时间的脑部功能磁共振影像划分为各个脑部区域，对于一个区域每个时间点的数据经过滤波后取平均值作为该区域该时间点的值，多个时间点的值形成一个大脑区域的时间序列；计算同一大脑不同区域时间序列之间的距离，同一大脑所有区域时间序列两两之间的距离即作为功能磁共振影像的特征，其中，所述距离为一个时间序列与另一个时间序列重合所需要的操作成本。
3.一种基于时间序列的功能磁共振影像特征提取系统，包括脑部功能磁共振影像的特征提取模块以及特征值的计算模块；其中：
所述脑部功能磁共振影像的特征提取模块，用于将脑部功能磁共振影像转化为各脑部区域的时间序列，以及将时间序列之间的相关性作为特征；以及
所述特征值的计算模块，用于计算两时间序列最小重合操作成本，作为特征值；
该系统用于实现根据权利要求1或2任意一项所述的基于时间序列的功能磁共振影像特征提取方法。
CN201911017220.4A 2019-10-24 2019-10-24 一种基于时间序列的功能磁共振影像特征提取方法 Active CN110729046B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911017220.4A CN110729046B (zh) 2019-10-24 2019-10-24 一种基于时间序列的功能磁共振影像特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911017220.4A CN110729046B (zh) 2019-10-24 2019-10-24 一种基于时间序列的功能磁共振影像特征提取方法

Publications (2)

Publication Number Publication Date
CN110729046A CN110729046A (zh) 2020-01-24
CN110729046B true CN110729046B (zh) 2023-08-25

Family

ID=69223083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911017220.4A Active CN110729046B (zh) 2019-10-24 2019-10-24 一种基于时间序列的功能磁共振影像特征提取方法

Country Status (1)

Country Link
CN (1) CN110729046B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115114345B (zh) * 2022-04-02 2024-04-09 腾讯科技（深圳）有限公司 特征表示的提取方法、装置、设备、存储介质及程序产品

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104434109A (zh) * 2014-12-19 2015-03-25 大连海事大学 一种功能核磁共振时间序列匹配方法
CN106709244A (zh) * 2016-12-12 2017-05-24 西北工业大学 一种静息态同步EEG‑fMRI的脑功能网络建模方法
CN109330595A (zh) * 2018-11-15 2019-02-15 郑州轻工业学院 基于连接强度分析的脑核团动态可变性测量方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104434109A (zh) * 2014-12-19 2015-03-25 大连海事大学 一种功能核磁共振时间序列匹配方法
CN106709244A (zh) * 2016-12-12 2017-05-24 西北工业大学 一种静息态同步EEG‑fMRI的脑功能网络建模方法
CN109330595A (zh) * 2018-11-15 2019-02-15 郑州轻工业学院 基于连接强度分析的脑核团动态可变性测量方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Kumar Arun ; Lin Feng ; Rajapakse Jagath C.Mixed Spectrum Analysis on fMRI Time-Series.IEEE Transactions on Medical Imaging.2016,第35卷(第6期),全文. *

Also Published As

Publication number Publication date
CN110729046A (zh) 2020-01-24

Similar Documents

Publication Publication Date Title
WO2023077603A1 (zh) 一种异常脑连接预测系统、方法、装置及可读存储介质
Danelakis et al. Survey of automated multiple sclerosis lesion segmentation techniques on magnetic resonance imaging
CN109978850B (zh) 一种多模态医学影像半监督深度学习分割系统
CN112735570B (zh) 影像驱动的脑图谱构建方法、装置、设备及存储介质
Poulin et al. Tractography and machine learning: Current state and open challenges
CN113040715B (zh) 一种基于卷积神经网络的人脑功能网络分类方法
Ma et al. Multiple sclerosis lesion analysis in brain magnetic resonance images: techniques and clinical applications
Kam et al. A novel deep learning framework on brain functional networks for early MCI diagnosis
CN111462264B (zh) 医学图像重建方法、医学图像重建网络训练方法和装置
Liu et al. An enhanced multi-modal brain graph network for classifying neuropsychiatric disorders
CN103957784A (zh) 对脑功能磁共振数据进行处理的方法
Ding et al. Graph convolutional networks for multi-modality medical imaging: Methods, architectures, and clinical applications
CN112750132A (zh) 基于双路径网络和通道注意的白细胞图像分割方法
WO2021184195A1 (zh) 医学图像重建方法、医学图像重建网络训练方法和装置
CN115272295A (zh) 基于时域-空域联合状态的动态脑功能网络分析方法及系统
Zhou et al. Evolutionary neural architecture search for automatic esophageal lesion identification and segmentation
Mo et al. Mutual information-based graph co-attention networks for multimodal prior-guided magnetic resonance imaging segmentation
Mouches et al. Unifying brain age prediction and age-conditioned template generation with a deterministic autoencoder
CN110729046B (zh) 一种基于时间序列的功能磁共振影像特征提取方法
Zuo et al. Alzheimer’s disease prediction via brain structural-functional deep fusing network
CN112686899B (zh) 医学图像分析方法和装置、计算机设备及存储介质
Liu et al. Medical image segmentation using deep learning
Jung et al. Inter-regional high-level relation learning from functional connectivity via self-supervision
CN117765530A (zh) 一种多模态脑网络分类方法、系统、电子设备及介质
Pan et al. Collaborative image synthesis and disease diagnosis for classification of neurodegenerative disorders with incomplete multi-modal neuroimages

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