CN110840468A - 自闭症风险评估方法及装置、终端设备、存储介质 - Google Patents
自闭症风险评估方法及装置、终端设备、存储介质 Download PDFInfo
- Publication number
- CN110840468A CN110840468A CN201911128597.7A CN201911128597A CN110840468A CN 110840468 A CN110840468 A CN 110840468A CN 201911128597 A CN201911128597 A CN 201911128597A CN 110840468 A CN110840468 A CN 110840468A
- Authority
- CN
- China
- Prior art keywords
- brain
- autism
- magnetic resonance
- risk
- parameters
- 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
Links
Images
Classifications
-
- 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
- A61B5/0033—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
-
- 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
- A61B5/05—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Psychiatry (AREA)
- Neurology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种自闭症风险评估方法及装置、终端设备、存储介质。所述自闭症风险评估方法包括:获取被试者的磁共振图像数据和相关信息,根据相关信息对磁共振图像数据进行分割处理;对处理后的磁共振图像数据进行预处理,生成包括若干脑区参数的可处理文件;根据可处理文件提取对自闭症风险预测起关键作用的脑区参数,对自闭症风险预测起关键作用的脑区参数名通过随机森林的特征排序算法确定;根据对自闭症风险预测起关键作用的脑区参数得到被试者发育异常程度结果,并通过训练得到的随机森林模型预测被试者患病风险预测结果。采用本发明,解决了目前缺乏一种可以对磁共振成像(MRI)进行处理分析的方法的问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种自闭症风险评估方法及装置、终端设备、存储介质。
背景技术
自闭症谱系障碍(Autism Spectrum Disorder,ASD)是一种高度异质性的神经发育疾病,包括自闭症、阿斯伯格综合症和其他未明确的广泛性发育障碍。自闭症谱系障碍具有多种病因和病程表现,无法由单一的自闭症表型所定义,这使得它的神经解剖学本质难以描述。但有大量的研究表明,对于自闭症患儿,会经历和年龄相关的大脑异常增长。对于2到4岁间自闭儿童以及家族性自闭症高风险婴儿的结构磁共振成像(MRI)研究证实,自闭症的新生儿在出生时的全脑体积(TBV)正常的或偏小,然而在2到4岁时,90%的自闭症儿童的平均全脑体积(TBV)大于正常儿童,其中37%被诊断为巨脑儿。与之相比,成年自闭症患者并不比正常人有更大的全脑体积(TBV)。自闭症儿童在其早期发育阶段表现出大脑的过度生长,然后增速逐渐减缓经历一个平稳期,最终他们的大脑尺寸回落到正常范围内。根据这一异常增长的特征,通过患病儿童与正常发育儿童的脑影像数据对比,将有助于我们对特定儿童的自闭症患病风险做出预测,阐明可能的病理机制并提出相应的干预目标。
根据以往研究表明,相对于典型发育儿童,自闭症患儿在亚皮层脑结构的形态计量学方面(如脑体积、皮层厚度和表面积)存在显著差异性,比如一些自闭症患者的大脑皮层随年龄变化,在苍白球、壳核、杏仁核和伏隔核等区域的皮层体积减小,额叶皮层厚度增加,颞叶皮层厚度减少。但是,目前临床上对于自闭症的诊断还是通过量表(如DSM-V)或凭医生的经验判断,尚缺乏相对客观的诊断工具。究其原因在于,目前缺乏一种可以对磁共振成像(MRI)进行处理分析的方法,不能主动将被试者的磁共振图像与正常样本进行比较分析得到预测结果,自闭症诊断需要依赖于医生的经验判断,不能得到定量的分析结果。
发明内容
本发明实施例提出一种自闭症风险评估方法及装置、终端设备、存储介质,旨在解决目前缺乏一种对磁共振成像进行处理分析方法,不能主动将被试者的磁共振图像与正常样本进行比较分析得到预测结果的问题。
本发明实施例提供的一种自闭症风险评估方法,具体包括:
获取被试者的磁共振图像数据和相关信息,根据相关信息对磁共振图像数据进行分割处理;
对处理后的磁共振图像数据进行预处理,生成包括若干脑区参数的可处理文件,所述脑区参数包括脑区参数名和对应参数值,所述参数名包括人脑结构和人脑功能属性;
根据可处理文件提取对自闭症风险预测起关键作用的脑区参数,对自闭症风险预测起关键作用的脑区参数名通过随机森林的特征排序算法确定;
根据对自闭症风险预测起关键作用的脑区参数得到被试者发育异常程度结果,并通过训练得到的随机森林模型预测被试者患病风险预测结果。
进一步地,所述自闭症风险评估方法,还包括:
根据被试者发育异常程度结果和被试者患病风险预测结果生成检测报告,输出检测报告并保存相关数据。
进一步地,所述获取被试者的磁共振图像数据和相关信息,根据相关信息对磁共振图像数据进行分类,具体包括:
检测到任一被试者的磁共振图像数据上传成功后,将磁共振图像加入待处理队列并读入相关信息,所述待处理队列中的磁共振图像根据添加时间进行排序,所述相关信息包括被试者年龄信息;
根据被试者年龄信息对磁共振图像进行配准和分割,当被试者年龄处于0-2岁,则使用UNC-1岁儿童年龄模板进行配准和分割,当被试者年龄处于2-4岁,则使用UNC-4岁儿童年龄模板进行配准和分割,当被试者年龄处于4岁以上则成人模板进行配准和分割。
进一步地,所述对处理后的磁共振图像数据进行预处理,生成包括若干脑区参数的可处理文件,所述脑区参数包括脑区参数名和对应参数值,所述参数名包括人脑结构和人脑功能属性,具体包括:
对经过分割处理的磁共振图像进行偏场校正处理;
将处理后的磁共振图像刚体配准到公共图像,所述刚体配准包括三个平移参数和三个旋转参数;
根据基于脑图谱的期望最大化算法对配准后的磁共振图像进行组织分割和颅骨分离处理;
根据处理后的磁共振图像生成概率图,并进行感兴趣区域处理完成感兴趣区域标注和脑区分割标注,得到预处理结果;
在预处理结果中提取若干脑区参数生成可处理文件,所述脑区参数包括脑区参数名和对应参数值,所述参数名包括人脑结构和人脑功能属性。
进一步地,所述根据可处理文件提取对自闭症风险预测起关键作用的脑区参数,对自闭症风险预测起关键作用的脑区参数名通过随机森林的特征排序算法确定,具体包括:
从给定的已标注好自闭症或正常发育儿童的数据出发作为训练集,将脑区参数值作为特征,对原始数据进行多次随机的可重复的采样得到多个样本数据集;
将多个样本数据集作为生成决策树的训练对象,对每个抽样数据集构造一棵决策树,根据决策树所构建的预测模型,所述决策树分裂过程中计算每个特征的重要性并按降序排序,依据特征重要性剔除相应比例的特征,最后得到对于自闭症数据分类效果最好的特征集,确定对自闭症风险预测起关键作用的脑区参数名。
进一步地,所述根据对自闭症风险预测起关键作用的脑区参数得到被试者发育异常程度结果,并通过训练得到的随机森林模型得到被试者患病风险预测结果,具体包括:
根据对自闭症风险预测起关键作用的脑区参数与同年龄段正常发育儿童相应脑区的平均值作比较,并给出其中发育异常最显著的数值项得到被试者发育异常程度结果;
将对自闭症风险预测起关键作用的脑区参数输入训练得到的随机森林模型得到被试者患病风险预测结果,所述预测结果以百分比呈现。
相应地,本发明实施例还提供了一种自闭症风险评估装置,具体包括:
数据获取单元,用于获取被试者的磁共振图像数据和相关信息,根据相关信息对磁共振图像数据进行分割处理;
数据处理单元,用于对处理后的磁共振图像数据进行预处理,生成包括若干脑区参数的可处理文件,所述脑区参数包括脑区参数名和对应参数值,所述参数名包括人脑结构和人脑功能属性;
特征提取单元,用于根据可处理文件提取对自闭症风险预测起关键作用的脑区参数,对自闭症风险预测起关键作用的脑区参数名通过随机森林的特征排序算法确定;
结果预测单元,用于根据对自闭症风险预测起关键作用的脑区参数得到被试者发育异常程度结果,并通过训练得到的随机森林模型预测被试者患病风险预测结果。
进一步地,所述自闭症风险评估装置,还包括,报告输出单元,用于根据被试者发育异常程度结果和被试者患病风险预测结果生成检测报告,输出检测报告并保存相关数据。
本发明实施例还提供了一种终端设备,具体包括至少一个存储器以及至少一个处理器;
所述存储器,包括存储于其中的至少一个可执行程序;
所述可执行程序在由所述处理器执行时,使得所述处理器实现如上所述的自闭症风险评估方法。
本发明实施例还提供了一种计算机可读存储介质,具体包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的自闭症风险评估方法。
实施本发明实施例,具有如下有益效果:
本发明实施例提供的自闭症风险评估方法及装置、终端设备、存储介质,获取被试者的磁共振图像数据,对磁共振数据进行预处理得到被试者的脑区参数生产可处理文件,根据已有样本通过随机森林的特征排序算法确定对自闭症风险预测起关键作用的脑区参数名,根据参数名从可处理文件中提取对自闭症风险预测起关键作用的脑区参数(关键脑区参数),将关键脑区参数与同年龄段正常发育儿童相应脑区的平均值作比较并输入随机森林模型,得到被试者发育异常程度结果和患病风险预测结果。本发明提供了一种对被试者磁共振图像的处理及比较方法,通过随机森林算法对经过预处理所提取的自闭症患者的脑结构特征进行训练和建模,计算相应的脑区异常和综合患病风险概率,解决了目前缺乏一种可以对磁共振成像(MRI)进行处理分析的方法,不能主动将被试者的磁共振图像与正常样本进行比较分析得到预测结果,自闭症诊断需要依赖于医生的经验判断,不能得到定量的分析结果的问题。
附图说明
图1是本发明提供的自闭症风险评估方法的一个优选的实施例的流程示意图;
图2是本发明提供的自闭症风险评估方法中的另一个优选的实施例的流程示意图;
图3是本发明提供的自闭症风险评估装置的一个优选的实施例的结构示意图;
图4是本发明提供的自闭症风险评估装置的另一个优选的实施例的结构示意图;
图5是本发明提供的终端设备的一个优选的实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,为本发明提供的自闭症风险评估方法的一个优选的实施例的流程示意图,具体包括:获取被试者的磁共振图像数据和相关信息,根据相关信息对磁共振图像数据进行分割处理;对处理后的磁共振图像数据进行预处理,生成包括若干脑区参数的可处理文件,所述脑区参数包括脑区参数名和对应参数值,所述参数名包括人脑结构和人脑功能属性;根据可处理文件提取对自闭症风险预测起关键作用的脑区参数,对自闭症风险预测起关键作用的脑区参数名通过随机森林的特征排序算法确定;根据对自闭症风险预测起关键作用的脑区参数得到被试者发育异常程度结果,并通过训练得到的随机森林模型预测被试者患病风险预测结果。
本发明实施例提供的自闭症风险评估方法,获取被试者的磁共振图像数据,对磁共振数据进行预处理得到被试者的脑区参数生产可处理文件,根据已有样本通过随机森林的特征排序算法确定对自闭症风险预测起关键作用的脑区参数名,根据参数名从可处理文件中提取对自闭症风险预测起关键作用的脑区参数(关键脑区参数),将关键脑区参数与同年龄段正常发育儿童相应脑区的平均值作比较并输入随机森林模型,得到被试者发育异常程度结果和患病风险预测结果。本发明提供了一种对被试者磁共振图像的处理及比较方法,通过随机森林算法对经过预处理所提取的自闭症患者的脑结构特征进行训练和建模,计算相应的脑区异常和综合患病风险概率,解决了目前缺乏一种可以对磁共振成像(MRI)进行处理分析的方法,不能主动将被试者的磁共振图像与正常样本进行比较分析得到预测结果,自闭症诊断需要依赖于医生的经验判断,不能得到定量的分析结果的问题。
如图2所示,所述自闭症风险评估方法,还包括:根据被试者发育异常程度结果和被试者患病风险预测结果生成检测报告,输出检测报告并保存相关数据。本发明一个优选的实施例中,将得到的被试者发育异常程度结果和被试者患病风险预测结果生成检测报告增加结果可读性,便于读取预测结果并且将相关数据保存至数据库以便后续的数据统计和展示。本发明的一个具体实施例中,所示的检测报告其中主要报告的项目包括:
颞叶:自闭症患者的颞叶部分灰质体积的增长最为常见,在近期的17项关于自闭症脑区形态学变化的研究中,有76%的研究发现自闭症患者的颞叶灰质体积显著高于对照组。颞叶发育的异常通常被认为与自闭症患者的社交行为模式变化相关。
额叶:在17项关于自闭症的研究中,有9项研究表明额中回、额下回、额上回以及眶额皮层的显著增长,特别是在儿童自闭症患者中,额叶和颞叶的灰质体积增大和皮层厚度增加被认为是表征自闭症风险的最显著特征。
顶叶、枕叶:各有4项研究表明自闭症患者的顶叶和枕叶的灰质体积比正常人有所减小,但对于顶叶和枕叶的白质体积变化趋势,目前的研究中还存在着很多不一致性。
小脑与小脑蚓:相对于正常人,自闭症患者会表现出小脑体积减少,特别对于五岁以下儿童,小脑与小脑蚓的发育不足是尤为显著的。小脑皮层分形维数还与儿童认知能力和语言能力的差异有关,自闭症患儿的小脑结构更为平坦,这可能是造成他们沟通障碍的原因之一。
脑脊液与脑室:在轴外或蛛网膜下腔、以及侧脑室中脑脊液的增加是自闭症患者的特征之一,脑室增大的现象在低出生体重的儿童中也被普遍观察到,而后者是自闭症风险的高危人群,这表明脑室容积可能是导致自闭症发展的危险因素之一。
海马、杏仁核、基地核与丘脑等:目前的研究结果所展现的这些区域和自闭症相关的趋势变化仍然是不一致的。因此这些区域的参数异常程度将仅仅被作为参考值列在最后。
进一步地,所述获取被试者的磁共振图像数据和相关信息,根据相关信息对磁共振图像数据进行分类,具体包括:
检测到任一被试者的磁共振图像数据上传成功后,将磁共振图像加入待处理队列并读入相关信息,所述待处理队列中的磁共振图像根据添加时间进行排序,所述相关信息包括被试者年龄信息;
根据被试者年龄信息对磁共振图像进行配准和分割,当被试者年龄处于0-2岁,则使用UNC-1岁儿童年龄模板进行配准和分割,当被试者年龄处于2-4岁,则使用UNC-4岁儿童年龄模板进行配准和分割,当被试者年龄处于4岁以上则成人模板进行配准和分割。
本发明一个优选的实施例中,通过年龄不同对被试者采用不同的配准分割模板,保证图像处理效果。
进一步地,所述对处理后的磁共振图像数据进行预处理,生成包括若干脑区参数的可处理文件,所述脑区参数包括脑区参数名和对应参数值,所述参数名包括人脑结构和人脑功能属性,具体包括以下步骤:
对经过分割处理的磁共振图像进行偏场校正处理;
本实施例中该步骤具体为,利用一种快速和稳健的非参数非均匀逼近算法结合修正后的分层优化方案(N4ITK)进行偏场校正,以除去MRI采集过程中由于低频平滑偏场信号而造成的图像损坏。
将处理后的磁共振图像刚体配准到公共图像,所述刚体配准包括三个平移参数和三个旋转参数;
本实施例中该步骤具体为,所有被试图像被刚体配准到同一座标空间,刚体配准包括三个平移参数和三个旋转参数,对于年龄在0-2岁间的儿童,使用UNC-1岁儿童年龄模板进行配准,对于年龄在2-4岁间的儿童,使用UNC-4岁儿童年龄模板进行配准,对于4岁以上儿童使用成人模板进行配准。
根据基于脑图谱的期望最大化算法对配准后的磁共振图像进行组织分割和颅骨分离处理;
本实施例中该步骤具体为,利用基于脑图谱的EM(期望最大化)算法进行组织分割,以补偿儿童成长早期(主要在两岁以下)大脑白质髓鞘化的程度所呈现的不均匀性。EM算法所输出的图像包括:一个用于过滤的强度校正图像;一个标记了白质、灰质和脑脊液的分割图像;以及白质、灰质和脑脊液的概率图谱;然后将颅骨剥离。根据源数据的不同,整个分割过程将循环进行N次。之后所得的图像将进行强度重标以与脑图谱进行匹配。
根据处理后的磁共振图像生成概率图,并进行感兴趣区域处理完成感兴趣区域标注和脑区分割标注,得到预处理结果;
本实施例中该步骤具体为,利用包括15个参数的仿射变换(平移、旋转、缩放、扭曲)将脑图谱配准,配准计算采用共轭梯度下降优化算法和三次样条插值,然后将所得到的仿射配准图像再向颅骨剥离后的图像进行线性插值的卷绕配准,最终生成概率图。
在预处理结果中提取若干脑区参数生成可处理文件,所述脑区参数包括脑区参数名和对应参数值,所述参数名包括人脑结构和人脑功能属性;
本实施例中该步骤具体为,进行感兴趣区域(ROI)阈值化,感兴趣区域(ROI)聚集和标注,具体为,为了得到亚皮层结构的硬分割,所有的概率图被取阈值到最大强度的一半,而侧脑室则用先前经过最近邻域插值仿射变换所得到的掩膜生成,最后将所有的亚皮层结构和侧脑室汇集成为一个单一文件。最后,仿射变换和流体变形被应用到脑图谱中所定义的标签,完成ROI标注和脑区分割标注。在预处理结果中提取若干脑区参数名和对应的参数值生成CSV文件;所述参数名包括人脑结构和人脑功能属性。
进一步地,所述根据可处理文件提取对自闭症风险预测起关键作用的脑区参数,对自闭症风险预测起关键作用的脑区参数名通过随机森林的特征排序算法确定,具体包括:
从给定的已标注好自闭症或正常发育儿童的数据出发作为训练集,将脑区参数值作为特征,对原始数据进行多次随机的可重复的采样得到多个样本数据集;
将多个样本数据集作为生成决策树的训练对象,对每个抽样数据集构造一棵决策树,根据决策树所构建的预测模型,所述决策树分裂过程中计算每个特征的重要性并按降序排序,依据特征重要性剔除相应比例的特征,最后得到对于自闭症数据分类效果最好的特征集,确定对自闭症风险预测起关键作用的脑区参数名。
本发明一个优选的实施例中,对自闭症风险预测起关键作用的脑区参数名通过随机森林的特征排序算法确定具体为利用随机森林的特征排序算法给出对自闭症风险预测起关键作用的脑区参数。将预处理过程中所提取若干脑区参数名和对应参数值所生成的CSV文件导入随机森林模型进行训练,所用编译环境为Python 3.7,随机森林训练用函数为scikit-learn模块中的机器学习函数RandomForestClassifier。
首先从给定的已标注好自闭症或正常发育儿童的数据出发作为训练集,将脑区体积、皮层厚度等参数值作为特征,通过对原始数据多次随机的可重复的采样得到多个样本数据集,然后将这样的采样结果作为生成决策树的训练对象,对每个抽样数据集构造一棵决策树,即通过迭代过程将数据点分为两个子集,这个分割过程是通过贪婪算法搜索分割函数的参数空间,以达到在最大信息增益下的参数最优化的过程。每个终结点(叶节点)是带有分类标签的数据集合,从决策树的根节点到叶节点的每一条路径都形成一个类,直到由决策树所构建的预测模型能够将全部数据准确分类为止。
在分裂决策树时最优条件的选择依据是不纯度,通常为基尼指数或袋外数据错误率。通过直接测量每种特征对模型预测准确率的影响,重新排列某一列特征值的顺序,通过计算袋外数据误差来观测某个特征降低了多少模型的准确率。对于重要的特征,当加入噪声干扰之后会极大降低模型的准确率。在此过程中计算每个特征的重要性并按降序排序,用于输出特征重要性的函数为RandomForestClassifier的feature_importances_,并依据特征重要性剔除相应比例的特征,最后得到对于自闭症数据分类效果最好的特征集。
进一步地,所述根据对自闭症风险预测起关键作用的脑区参数得到被试者发育异常程度结果,并通过训练得到的随机森林模型得到被试者患病风险预测结果,具体包括:
根据对自闭症风险预测起关键作用的脑区参数与同年龄段正常发育儿童相应脑区的平均值作比较,并给出其中发育异常最显著的数值项得到被试者发育异常程度结果;
将对自闭症风险预测起关键作用的脑区参数输入训练得到的随机森林模型得到被试者患病风险预测结果,所述预测结果以百分比呈现。
本发明一个优选的实施例中,通过训练得到的随机森林模型得到被试者患病风险预测结果具体为对于目标受试者的磁共振图像(MRI)数据,利用训练获得的随机森林模型给出预测结果。
对训练获得的随机森林模型的评估是通过交叉验证完成的,所用函数为scikit-learn中的train_test_split。在确定了对于自闭症分类效能最好的特征集之后,导入目标受试者关键脑区特征的数据,然后由随机森林模型给出预测结果。输出计算结果的函数为predict_proba,结果以百分比呈现,表征目标受试者自闭症患病风险的大小。
同时输出对自闭症风险预测起关键作用的脑区参数,将目标被试者的各项参数值与同年龄段正常发育儿童相应脑区的平均值作比较,并给出其中发育异常最显著的数值项。
相应地,本发明还提供一种自闭症风险评估装置,能够实现上述实施例中的自闭症风险评估方法的所有流程。
如图3所示,为本发明提供的自闭症风险评估装置的一个优选的实施例的结构示意图,具体如下:
数据获取单元,用于获取被试者的磁共振图像数据和相关信息,根据相关信息对磁共振图像数据进行分割处理;
数据处理单元,用于对处理后的磁共振图像数据进行预处理,生成包括若干脑区参数的可处理文件,所述脑区参数包括脑区参数名和对应参数值,所述参数名包括人脑结构和人脑功能属性;
特征提取单元,用于根据可处理文件提取对自闭症风险预测起关键作用的脑区参数,对自闭症风险预测起关键作用的脑区参数名通过随机森林的特征排序算法确定;
结果预测单元,用于根据对自闭症风险预测起关键作用的脑区参数得到被试者发育异常程度结果,并通过训练得到的随机森林模型预测被试者患病风险预测结果。
如图4所示,所述自闭症风险评估装置,还包括,报告输出单元,用于根据被试者发育异常程度结果和被试者患病风险预测结果生成检测报告,输出检测报告并保存相关数据。本发明一个优选的实施例中,将得到的被试者发育异常程度结果和被试者患病风险预测结果生成检测报告增加结果可读性,便于读取预测结果并且将相关数据保存至数据库以便后续的数据统计和展示。本发明的一个具体实施例中,所示的检测报告其中主要报告的项目包括:
颞叶:自闭症患者的颞叶部分灰质体积的增长最为常见,在近期的17项关于自闭症脑区形态学变化的研究中,有76%的研究发现自闭症患者的颞叶灰质体积显著高于对照组。颞叶发育的异常通常被认为与自闭症患者的社交行为模式变化相关。
额叶:在17项关于自闭症的研究中,有9项研究表明额中回、额下回、额上回以及眶额皮层的显著增长,特别是在儿童自闭症患者中,额叶和颞叶的灰质体积增大和皮层厚度增加被认为是表征自闭症风险的最显著特征。
顶叶、枕叶:各有4项研究表明自闭症患者的顶叶和枕叶的灰质体积比正常人有所减小,但对于顶叶和枕叶的白质体积变化趋势,目前的研究中还存在着很多不一致性。
小脑与小脑蚓:相对于正常人,自闭症患者会表现出小脑体积减少,特别对于五岁以下儿童,小脑与小脑蚓的发育不足是尤为显著的。小脑皮层分形维数还与儿童认知能力和语言能力的差异有关,自闭症患儿的小脑结构更为平坦,这可能是造成他们沟通障碍的原因之一。
脑脊液与脑室:在轴外或蛛网膜下腔、以及侧脑室中脑脊液的增加是自闭症患者的特征之一,脑室增大的现象在低出生体重的儿童中也被普遍观察到,而后者是自闭症风险的高危人群,这表明脑室容积可能是导致自闭症发展的危险因素之一。
海马、杏仁核、基地核与丘脑等:目前的研究结果所展现的这些区域和自闭症相关的趋势变化仍然是不一致的。因此这些区域的参数异常程度将仅仅被作为参考值列在最后。
进一步地,所述数据获取单元具体包括:
磁共振图像获取模块,检测到任一被试者的磁共振图像数据上传成功后,将磁共振图像加入待处理队列并读入相关信息,所述待处理队列中的磁共振图像根据添加时间进行排序,所述相关信息包括被试者年龄信息;
磁共振图像分割模块,根据被试者年龄信息对磁共振图像进行配准和分割,当被试者年龄处于0-2岁,则使用UNC-1岁儿童年龄模板进行配准和分割,当被试者年龄处于2-4岁,则使用UNC-4岁儿童年龄模板进行配准和分割,当被试者年龄处于4岁以上则成人模板进行配准和分割。
本发明一个优选的实施例中,通过年龄不同对被试者采用不同的配准分割模板,保证图像处理效果。
进一步地,数据处理单元具体包括:
偏场校正模块,用于对经过分割处理的磁共振图像进行偏场校正处理;
本实施例中该模块具体为,利用一种快速和稳健的非参数非均匀逼近算法结合修正后的分层优化方案(N4ITK)进行偏场校正,以除去MRI采集过程中由于低频平滑偏场信号而造成的图像损坏。
刚体配准模块,用于将处理后的磁共振图像刚体配准到公共图像,所述刚体配准包括三个平移参数和三个旋转参数;
本实施例中该模块具体为,所有被试图像被刚体配准到同一座标空间,刚体配准包括三个平移参数和三个旋转参数,对于年龄在0-2岁间的儿童,使用UNC-1岁儿童年龄模板进行配准,对于年龄在2-4岁间的儿童,使用UNC-4岁儿童年龄模板进行配准,对于4岁以上儿童使用成人模板进行配准。
组织分割和颅骨分离模块,用于根据基于脑图谱的期望最大化算法对配准后的磁共振图像进行组织分割和颅骨分离处理;
本实施例中该模块具体为,利用基于脑图谱的EM(期望最大化)算法进行组织分割,以补偿儿童成长早期(主要在两岁以下)大脑白质髓鞘化的程度所呈现的不均匀性。EM算法所输出的图像包括:一个用于过滤的强度校正图像;一个标记了白质、灰质和脑脊液的分割图像;以及白质、灰质和脑脊液的概率图谱;然后将颅骨剥离。根据源数据的不同,整个分割过程将循环进行N次。之后所得的图像将进行强度重标以与脑图谱进行匹配。
感兴趣区域处理模块,用于根据处理后的磁共振图像生成概率图,并进行感兴趣区域处理完成感兴趣区域标注和脑区分割标注,得到预处理结果;
本实施例中该模块具体为,利用包括15个参数的仿射变换(平移、旋转、缩放、扭曲)将脑图谱配准,配准计算采用共轭梯度下降优化算法和三次样条插值,然后将所得到的仿射配准图像再向颅骨剥离后的图像进行线性插值的卷绕配准,最终生成概率图。
可处理文件生成模块,用于在预处理结果中提取若干脑区参数生成可处理文件,所述脑区参数包括脑区参数名和对应参数值,所述参数名包括人脑结构和人脑功能属性;
本实施例中该模块具体为,进行感兴趣区域(ROI)阈值化,感兴趣区域(ROI)聚集和标注,具体为,为了得到亚皮层结构的硬分割,所有的概率图被取阈值到最大强度的一半,而侧脑室则用先前经过最近邻域插值仿射变换所得到的掩膜生成,最后将所有的亚皮层结构和侧脑室汇集成为一个单一文件。最后,仿射变换和流体变形被应用到脑图谱中所定义的标签,完成ROI标注和脑区分割标注。在预处理结果中提取若干脑区参数名和对应的参数值生成CSV文件;所述参数名包括人脑结构和人脑功能属性。
进一步地,所述特征提取单元具体包括:样本处理模块,用于从给定的已标注好自闭症或正常发育儿童的数据出发作为训练集,将脑区参数值作为特征,对原始数据进行多次随机的可重复的采样得到多个样本数据集;模型训练模块,用于将多个样本数据集作为生成决策树的训练对象,对每个抽样数据集构造一棵决策树,根据决策树所构建的预测模型,所述决策树分裂过程中计算每个特征的重要性并按降序排序,依据特征重要性剔除相应比例的特征,最后得到对于自闭症数据分类效果最好的特征集,确定对自闭症风险预测起关键作用的脑区参数名。
本发明一个优选的实施例中,特征提取单元利用随机森林的特征排序算法给出对自闭症风险预测起关键作用的脑区参数。将预处理过程中所提取若干脑区参数名和对应参数值所生成的CSV文件导入随机森林模型进行训练,所用编译环境为Python 3.7,随机森林训练用函数为scikit-learn模块中的机器学习函数RandomForestClassifier。
特征提取单元具体为,首先从给定的已标注好自闭症或正常发育儿童的数据出发作为训练集,将脑区体积、皮层厚度等参数值作为特征,通过对原始数据多次随机的可重复的采样得到多个样本数据集,然后将这样的采样结果作为生成决策树的训练对象,对每个抽样数据集构造一棵决策树,即通过迭代过程将数据点分为两个子集,这个分割过程是通过贪婪算法搜索分割函数的参数空间,以达到在最大信息增益下的参数最优化的过程。每个终结点(叶节点)是带有分类标签的数据集合,从决策树的根节点到叶节点的每一条路径都形成一个类,直到由决策树所构建的预测模型能够将全部数据准确分类为止。
在分裂决策树时最优条件的选择依据是不纯度,通常为基尼指数或袋外数据错误率。通过直接测量每种特征对模型预测准确率的影响,重新排列某一列特征值的顺序,通过计算袋外数据误差来观测某个特征降低了多少模型的准确率。对于重要的特征,当加入噪声干扰之后会极大降低模型的准确率。在此过程中计算每个特征的重要性并按降序排序,用于输出特征重要性的函数为RandomForestClassifier的feature_importances_,并依据特征重要性剔除相应比例的特征,最后得到对于自闭症数据分类效果最好的特征集。
进一步地,所述结果预测单元具体包括:异常程度预测模块,用于根据对自闭症风险预测起关键作用的脑区参数与同年龄段正常发育儿童相应脑区的平均值作比较,并给出其中发育异常最显著的数值项得到被试者发育异常程度结果;患病风险预测模块,用于将对自闭症风险预测起关键作用的脑区参数输入训练得到的随机森林模型得到被试者患病风险预测结果,所述预测结果以百分比呈现。
本发明一个优选的实施例中,结果预测单元用于对于目标受试者的磁共振图像(MRI)数据,利用训练获得的随机森林模型给出预测结果。
结果预测单元具体为,对训练获得的随机森林模型的评估是通过交叉验证完成的,所用函数为scikit-learn中的train_test_split。在确定了对于自闭症分类效能最好的特征集之后,导入目标受试者关键脑区特征的数据,然后由随机森林模型给出预测结果。输出计算结果的函数为predict_proba,结果以百分比呈现,表征目标受试者自闭症患病风险的大小。
同时输出对自闭症风险预测起关键作用的脑区参数,将目标被试者的各项参数值与同年龄段正常发育儿童相应脑区的平均值作比较,并给出其中发育异常最显著的数值项。
本发明实施例提供的自闭症风险评估装置,获取被试者的磁共振图像数据,对磁共振数据进行预处理得到被试者的脑区参数生产可处理文件,根据已有样本通过随机森林的特征排序算法确定对自闭症风险预测起关键作用的脑区参数名,根据参数名从可处理文件中提取对自闭症风险预测起关键作用的脑区参数(关键脑区参数),将关键脑区参数与同年龄段正常发育儿童相应脑区的平均值作比较并输入随机森林模型,得到被试者发育异常程度结果和患病风险预测结果。本发明提供了一种对被试者磁共振图像的处理及比较方法,通过随机森林算法对经过预处理所提取的自闭症患者的脑结构特征进行训练和建模,计算相应的脑区异常和综合患病风险概率,解决了目前缺乏一种可以对磁共振成像(MRI)进行处理分析的方法,不能主动将被试者的磁共振图像与正常样本进行比较分析得到预测结果,自闭症诊断需要依赖于医生的经验判断,不能得到定量的分析结果的问题。
本发明还提供了一种终端设备。
如图4所示,为本发明提供的终端设备的一个优选的实施例的结构示意图,具体包括至少一个存储器41以及至少一个处理器42;
所述存储器41,包括存储于其中的至少一个可执行程序;
所述可执行程序在由所述处理器42执行时,使得所述处理器42实现如上任一实施例所述的自闭症风险评估方法。
需要说明的是,图5仅以该终端设备中的一个存储器和一个处理器相连接为例进行示意,在一些具体的实施例中,该终端设备中还可以包括多个存储器和/或多个处理器,其具体的数目及连接方式可根据实际情况需要进行设置和适应性调整。
本发明实施例提供的终端设备,通过获取被试者的磁共振图像数据,对磁共振数据进行预处理得到被试者的脑区参数生产可处理文件,根据已有样本通过随机森林的特征排序算法确定对自闭症风险预测起关键作用的脑区参数名,根据参数名从可处理文件中提取对自闭症风险预测起关键作用的脑区参数(关键脑区参数),将关键脑区参数与同年龄段正常发育儿童相应脑区的平均值作比较并输入随机森林模型,得到被试者发育异常程度结果和患病风险预测结果。本发明提供了一种对被试者磁共振图像的处理及比较方法,通过随机森林算法对经过预处理所提取的自闭症患者的脑结构特征进行训练和建模,计算相应的脑区异常和综合患病风险概率,解决了目前缺乏一种可以对磁共振成像(MRI)进行处理分析的方法,不能主动将被试者的磁共振图像与正常样本进行比较分析得到预测结果,自闭症诊断需要依赖于医生的经验判断,不能得到定量的分析结果的问题。
本发明还提供了一种计算机可读存储介质,具体包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任一实施例所述的自闭症风险评估方法。
需要说明的是,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要进一步说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本发明实施例提供的计算机可读存储介质,通过获取被试者的磁共振图像数据,对磁共振数据进行预处理得到被试者的脑区参数生产可处理文件,根据已有样本通过随机森林的特征排序算法确定对自闭症风险预测起关键作用的脑区参数名,根据参数名从可处理文件中提取对自闭症风险预测起关键作用的脑区参数(关键脑区参数),将关键脑区参数与同年龄段正常发育儿童相应脑区的平均值作比较并输入随机森林模型,得到被试者发育异常程度结果和患病风险预测结果。本发明提供了一种对被试者磁共振图像的处理及比较方法,通过随机森林算法对经过预处理所提取的自闭症患者的脑结构特征进行训练和建模,计算相应的脑区异常和综合患病风险概率,解决了目前缺乏一种可以对磁共振成像(MRI)进行处理分析的方法,不能主动将被试者的磁共振图像与正常样本进行比较分析得到预测结果,自闭症诊断需要依赖于医生的经验判断,不能得到定量的分析结果的问题。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种自闭症风险评估方法,其特征在于,包括:
获取被试者的磁共振图像数据和相关信息,根据相关信息对磁共振图像数据进行分割处理;
对处理后的磁共振图像数据进行预处理,生成包括若干脑区参数的可处理文件,所述脑区参数包括脑区参数名和对应参数值,所述参数名包括人脑结构和人脑功能属性;
根据可处理文件提取对自闭症风险预测起关键作用的脑区参数,对自闭症风险预测起关键作用的脑区参数名通过随机森林的特征排序算法确定;
根据对自闭症风险预测起关键作用的脑区参数得到被试者发育异常程度结果,并通过训练得到的随机森林模型预测被试者患病风险预测结果。
2.如权利要求1所述的自闭症风险评估方法,其特征在于,还包括,
根据被试者发育异常程度结果和被试者患病风险预测结果生成检测报告,输出检测报告并保存相关数据。
3.如权利要求1所述的自闭症风险评估方法,其特征在于,所述获取被试者的磁共振图像数据和相关信息,根据相关信息对磁共振图像数据进行分类,具体包括:
检测到任一被试者的磁共振图像数据上传成功后,将磁共振图像加入待处理队列并读入相关信息,所述待处理队列中的磁共振图像根据添加时间进行排序,所述相关信息包括被试者年龄信息;
根据被试者年龄信息对磁共振图像进行配准和分割,当被试者年龄处于0-2岁,则使用UNC-1岁儿童年龄模板进行配准和分割,当被试者年龄处于2-4岁,则使用UNC-4岁儿童年龄模板进行配准和分割,当被试者年龄处于4岁以上则成人模板进行配准和分割。
4.如权利要求1所述的自闭症风险评估方法,其特征在于,所述对处理后的磁共振图像数据进行预处理,生成包括若干脑区参数的可处理文件,所述脑区参数包括脑区参数名和对应参数值,所述参数名包括人脑结构和人脑功能属性,具体包括:
对经过分割处理的磁共振图像进行偏场校正处理;
将处理后的磁共振图像刚体配准到公共图像,所述刚体配准包括三个平移参数和三个旋转参数;
根据基于脑图谱的期望最大化算法对配准后的磁共振图像进行组织分割和颅骨分离处理;
根据处理后的磁共振图像生成概率图,并进行感兴趣区域处理完成感兴趣区域标注和脑区分割标注,得到预处理结果;
在预处理结果中提取若干脑区参数生成可处理文件,所述脑区参数包括脑区参数名和对应参数值,所述参数名包括人脑结构和人脑功能属性。
5.如权利要求1所述的自闭症风险评估方法,其特征在于,所述根据可处理文件提取对自闭症风险预测起关键作用的脑区参数,对自闭症风险预测起关键作用的脑区参数名通过随机森林的特征排序算法确定,具体包括:
从给定的已标注好自闭症或正常发育儿童的数据出发作为训练集,将脑区参数值作为特征,对原始数据进行多次随机的可重复的采样得到多个样本数据集;
将多个样本数据集作为生成决策树的训练对象,对每个抽样数据集构造一棵决策树,根据决策树所构建的预测模型,所述决策树分裂过程中计算每个特征的重要性并按降序排序,依据特征重要性剔除相应比例的特征,最后得到对于自闭症数据分类效果最好的特征集,确定对自闭症风险预测起关键作用的脑区参数名。
6.如权利要求1所述的自闭症风险评估方法,其特征在于,所述根据对自闭症风险预测起关键作用的脑区参数得到被试者发育异常程度结果,并通过训练得到的随机森林模型得到被试者患病风险预测结果,具体包括:
根据对自闭症风险预测起关键作用的脑区参数与同年龄段正常发育儿童相应脑区的平均值作比较,并给出其中发育异常最显著的数值项得到被试者发育异常程度结果;
将对自闭症风险预测起关键作用的脑区参数输入训练得到的随机森林模型得到被试者患病风险预测结果,所述预测结果以百分比呈现。
7.一种自闭症风险评估装置,其特征在于,包括:
数据获取单元,用于获取被试者的磁共振图像数据和相关信息,根据相关信息对磁共振图像数据进行分割处理;
数据处理单元,用于对处理后的磁共振图像数据进行预处理,生成包括若干脑区参数的可处理文件,所述脑区参数包括脑区参数名和对应参数值,所述参数名包括人脑结构和人脑功能属性;
特征提取单元,用于根据可处理文件提取对自闭症风险预测起关键作用的脑区参数,对自闭症风险预测起关键作用的脑区参数名通过随机森林的特征排序算法确定;
结果预测单元,用于根据对自闭症风险预测起关键作用的脑区参数得到被试者发育异常程度结果,并通过训练得到的随机森林模型预测被试者患病风险预测结果。
8.如权利要求7所述的自闭症风险评估装置,其特征在于,还包括:报告输出单元,用于根据被试者发育异常程度结果和被试者患病风险预测结果生成检测报告,输出检测报告并保存相关数据。
9.一种终端设备,其特征在于,包括至少一个存储器以及至少一个处理器;
所述存储器,包括存储于其中的至少一个可执行程序;
所述可执行程序在由所述处理器执行时,使得所述处理器实现如权利要求1至6中任一项所述的自闭症风险评估方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任一项所述的自闭症风险评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911128597.7A CN110840468B (zh) | 2019-11-18 | 2019-11-18 | 自闭症风险评估方法及装置、终端设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911128597.7A CN110840468B (zh) | 2019-11-18 | 2019-11-18 | 自闭症风险评估方法及装置、终端设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110840468A true CN110840468A (zh) | 2020-02-28 |
CN110840468B CN110840468B (zh) | 2022-04-22 |
Family
ID=69601920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911128597.7A Active CN110840468B (zh) | 2019-11-18 | 2019-11-18 | 自闭症风险评估方法及装置、终端设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110840468B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111403032A (zh) * | 2020-03-05 | 2020-07-10 | 上海市精神卫生中心(上海市心理咨询培训中心) | 一种儿童脑发育水平评估方法,系统及存储设备 |
CN111387981A (zh) * | 2020-04-07 | 2020-07-10 | 解春丽 | 脑图谱分析系统 |
CN111445451A (zh) * | 2020-03-20 | 2020-07-24 | 上海联影智能医疗科技有限公司 | 脑图像处理方法、系统、计算机设备和存储介质 |
CN112289412A (zh) * | 2020-10-09 | 2021-01-29 | 深圳市儿童医院 | 自闭症谱系障碍分类器的构建方法、其装置及电子设备 |
CN113197578A (zh) * | 2021-05-07 | 2021-08-03 | 天津医科大学 | 一种基于多中心模型的精神分裂症分类方法及系统 |
CN113706458A (zh) * | 2021-07-15 | 2021-11-26 | 电子科技大学 | 基于Gossip模型的自闭症检测装置 |
CN113889274A (zh) * | 2021-10-11 | 2022-01-04 | 中山大学 | 一种孤独症谱系障碍的风险预测模型构建方法及装置 |
CN113947580A (zh) * | 2021-10-18 | 2022-01-18 | 上海市精神卫生中心(上海市心理咨询培训中心) | 针对精神疾病实现神经影像辅助诊断处理的系统 |
EP4290453A1 (en) * | 2022-06-07 | 2023-12-13 | Gil Medical Center | System and method for segmentating brain in mri images |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104662173A (zh) * | 2012-07-26 | 2015-05-27 | 加利福尼亚大学董事会 | 自闭症和其它发育障碍的筛查、诊断和预后 |
CN108351862A (zh) * | 2015-08-11 | 2018-07-31 | 科格诺亚公司 | 利用人工智能和用户输入来确定发育进展的方法和装置 |
CN109223002A (zh) * | 2018-08-27 | 2019-01-18 | 上海铱硙医疗科技有限公司 | 自闭症患病预测方法、装置、设备及存储介质 |
CN109561852A (zh) * | 2017-04-04 | 2019-04-02 | 李昡燮 | 用于个性化定制脑疾病诊断和状态判定的医学图像处理系统及方法 |
US20190133446A1 (en) * | 2016-06-29 | 2019-05-09 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for utilizing functional connectivity brain imaging for diagnosis of a neurobehavioral disorder |
US20190209097A1 (en) * | 2015-05-15 | 2019-07-11 | The General Hospital Corporation | System and methods for early diagnosis of autism spectrum disorders |
-
2019
- 2019-11-18 CN CN201911128597.7A patent/CN110840468B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104662173A (zh) * | 2012-07-26 | 2015-05-27 | 加利福尼亚大学董事会 | 自闭症和其它发育障碍的筛查、诊断和预后 |
US20190209097A1 (en) * | 2015-05-15 | 2019-07-11 | The General Hospital Corporation | System and methods for early diagnosis of autism spectrum disorders |
CN108351862A (zh) * | 2015-08-11 | 2018-07-31 | 科格诺亚公司 | 利用人工智能和用户输入来确定发育进展的方法和装置 |
US20190133446A1 (en) * | 2016-06-29 | 2019-05-09 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for utilizing functional connectivity brain imaging for diagnosis of a neurobehavioral disorder |
CN109561852A (zh) * | 2017-04-04 | 2019-04-02 | 李昡燮 | 用于个性化定制脑疾病诊断和状态判定的医学图像处理系统及方法 |
CN109223002A (zh) * | 2018-08-27 | 2019-01-18 | 上海铱硙医疗科技有限公司 | 自闭症患病预测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
XIANG XIAO等: "Diagnostic Model Generated by MRI-Derived Brain Features in Toddlers With Autism Spectrum Disorder", 《RESEARCH ARTICLE》 * |
韩保祯: "基于多模态信息融合的脑网络研究及其应用", 《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》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111403032A (zh) * | 2020-03-05 | 2020-07-10 | 上海市精神卫生中心(上海市心理咨询培训中心) | 一种儿童脑发育水平评估方法,系统及存储设备 |
CN111445451A (zh) * | 2020-03-20 | 2020-07-24 | 上海联影智能医疗科技有限公司 | 脑图像处理方法、系统、计算机设备和存储介质 |
CN111445451B (zh) * | 2020-03-20 | 2023-04-25 | 上海联影智能医疗科技有限公司 | 脑图像处理方法、系统、计算机设备和存储介质 |
CN111387981A (zh) * | 2020-04-07 | 2020-07-10 | 解春丽 | 脑图谱分析系统 |
CN111387981B (zh) * | 2020-04-07 | 2024-06-04 | 解春丽 | 脑图谱分析系统 |
CN112289412A (zh) * | 2020-10-09 | 2021-01-29 | 深圳市儿童医院 | 自闭症谱系障碍分类器的构建方法、其装置及电子设备 |
CN113197578A (zh) * | 2021-05-07 | 2021-08-03 | 天津医科大学 | 一种基于多中心模型的精神分裂症分类方法及系统 |
CN113706458B (zh) * | 2021-07-15 | 2023-03-28 | 电子科技大学 | 基于Gossip模型的自闭症检测装置 |
CN113706458A (zh) * | 2021-07-15 | 2021-11-26 | 电子科技大学 | 基于Gossip模型的自闭症检测装置 |
CN113889274B (zh) * | 2021-10-11 | 2022-09-13 | 中山大学 | 一种孤独症谱系障碍的风险预测模型构建方法及装置 |
CN113889274A (zh) * | 2021-10-11 | 2022-01-04 | 中山大学 | 一种孤独症谱系障碍的风险预测模型构建方法及装置 |
CN113947580A (zh) * | 2021-10-18 | 2022-01-18 | 上海市精神卫生中心(上海市心理咨询培训中心) | 针对精神疾病实现神经影像辅助诊断处理的系统 |
EP4290453A1 (en) * | 2022-06-07 | 2023-12-13 | Gil Medical Center | System and method for segmentating brain in mri images |
Also Published As
Publication number | Publication date |
---|---|
CN110840468B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110840468B (zh) | 自闭症风险评估方法及装置、终端设备、存储介质 | |
Basheera et al. | Convolution neural network–based Alzheimer's disease classification using hybrid enhanced independent component analysis based segmented gray matter of T2 weighted magnetic resonance imaging with clinical valuation | |
Arslan et al. | Human brain mapping: A systematic comparison of parcellation methods for the human cerebral cortex | |
US10303986B2 (en) | Automated measurement of brain injury indices using brain CT images, injury data, and machine learning | |
Nigri et al. | Explainable deep CNNs for MRI-based diagnosis of Alzheimer’s disease | |
Dimitriadis et al. | Improving the reliability of network metrics in structural brain networks by integrating different network weighting strategies into a single graph | |
Coupé et al. | LesionBrain: an online tool for white matter lesion segmentation | |
KR20190105452A (ko) | 딥러닝 기반 뇌 질환 진단 방법 | |
Liu et al. | An enhanced multi-modal brain graph network for classifying neuropsychiatric disorders | |
CN115337000B (zh) | 基于脑结构影像评估疾病引起大脑衰老的机器学习方法 | |
CN112348785A (zh) | 一种癫痫病灶定位方法及系统 | |
CN109191422B (zh) | 基于常规ct图像的缺血性脑卒中早期检测系统和方法 | |
Han et al. | A novel convolutional variation of broad learning system for Alzheimer’s disease diagnosis by using MRI images | |
CN108597615A (zh) | 一种轻度认知障碍患者痴呆转化的筛选参考方法 | |
Qu et al. | A graph convolutional network based on univariate neurodegeneration biomarker for alzheimer’s disease diagnosis | |
KR20190068254A (ko) | 병변 발생 시점 추정 방법, 장치 및 프로그램 | |
CN111488934A (zh) | 脑影像数据处理方法、存储介质、计算机设备和装置 | |
CN114847922A (zh) | 一种基于纤维束自动识别的脑年龄预测方法 | |
Afshar et al. | Age prediction based on brain mri images using extreme learning machine | |
CN108805181B (zh) | 一种基于多分类模型的图像分类装置及分类方法 | |
Farouk et al. | Statistical features and voxel-based morphometry for alzheimer's disease classification | |
Haweel et al. | A review on autism spectrum disorder diagnosis using task-based functional mri | |
Cigdem et al. | Classification of healthy siblings of bipolar disorder patients from healthy controls using MRI | |
Sharma et al. | Machine learning of diffusion weighted imaging for prediction of seizure susceptibility following traumatic brain injury | |
CN114305387A (zh) | 基于磁共振成像的脑小血管病变图像分类方法、设备及介质 |
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 |