CN110880008B - 基于脑核磁影像数据的结构特征提取和分类方法 - Google Patents
基于脑核磁影像数据的结构特征提取和分类方法 Download PDFInfo
- Publication number
- CN110880008B CN110880008B CN201811038652.9A CN201811038652A CN110880008B CN 110880008 B CN110880008 B CN 110880008B CN 201811038652 A CN201811038652 A CN 201811038652A CN 110880008 B CN110880008 B CN 110880008B
- Authority
- CN
- China
- Prior art keywords
- test
- data
- train
- brain
- 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.)
- Active
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000000605 extraction Methods 0.000 title abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 99
- 238000012549 training Methods 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000007635 classification algorithm Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 201000010099 disease Diseases 0.000 claims description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 10
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 claims description 4
- 210000004884 grey matter Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 210000003710 cerebral cortex Anatomy 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000005481 NMR spectroscopy Methods 0.000 claims 2
- 238000010276 construction Methods 0.000 claims 1
- 238000004195 computer-aided diagnosis Methods 0.000 abstract description 9
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 230000001054 cortical effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000000547 structure data Methods 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 206010008096 Cerebral atrophy Diseases 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 206010039966 Senile dementia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000005786 degenerative changes Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000971 hippocampal effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000001769 parahippocampal gyrus Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及面向核磁影像数据的特征提取和分析方法,具体涉及一种基于脑核磁影像数据的结构特征提取和分类方法。包括步骤为:对待处理训练数据和测试数据分别进行预处理,得到预处理后的训练数据和测试数据;对预处理前后的训练数据和测试数据,分别提取不同脑区的结构参数和特征参数,进而构造显著脑区的高相关组合特征矩阵;基于已构造的特征矩阵,采用有效的数据学习分类算法,实现对测试数据结构特征的识别分类。本发明通过构建显著脑区的高相关组合特征矩阵,可有效保留显著差异特征,提高机器学习算法的有效性;采用与受试者工作曲线相结合的分类算法,可以有效提高计算机辅助诊断的准确性。
Description
技术领域
本发明涉及面向核磁影像数据的特征提取和分析方法,具体涉及一种基于脑核磁影像数据的结构特征提取和分类方法。
背景技术
近年来,机器学习技术被广泛应用到医学影像分析中。基于核磁影像数据,采用机器学习方法可有效提高疾病诊断的效率,为临床医生提供辅助诊断参考。如何有效利用影像数据本身特征和机器学习的特征是计算机辅助诊断中需要解决的重要问题。本发明主要涉及面向脑核磁影像结构数据的特征提取和分类方法。
对于大脑核磁影像数据,其结构数据具有较好的稳定性,不易受被试身体状况、外界干扰等条件的影响,能够客观的反映大脑结构特征的变化,例如大脑皮层的体积和厚度变化,可有效说明大脑萎缩的程度,进而反映中枢神经系统退行性病变的程度。近年来,有很多特征提取方法被应用到不同机器学习算法中,例如子空间学习方法。其中,基于主成分投影表征的主成分分析方法、稀疏主成分分析方法、线性判别分析方法等是一类常用的子空间学习方法,通过求解子空间中的投影向量,计算数据在该向量上的投影表征,来实现对待分析数据特征的表达。该方法可以有效提取数据中的主要特征信息,同时实现对高维数据的降维操作。但是,现有计算机辅助诊断方法中,大多单纯依靠全脑的结构特征或所提取的全脑特征,没有有效的选择出对疾病分析有意义的显著脑区特征进行学习分析,从而影响疾病检测识别的效果。支持向量机方法和弹性网络方法是常用的有监督学习分类算法,基于已提取特征信息训练分类函数,根据测试样本数据在分类函数中的取值实现分类识别。在对测试数据的分类识别中,有效利用训练数据的最主要特征对于提高计算机辅助诊断效果至关重要。
因此,基于显著脑区的数据特征提取和有效的数据学习分类,对于提高核磁影像数据计算机辅助诊断的准确性有着重要的意义。
发明内容
本发明的目的在于面向脑核磁影像结构数据,提取不同脑区的结构参数和特征参数,构造显著脑区的高相关组合特征矩阵,采用有效的数据学习分类算法,实现对测试数据结构特征的识别分类,提高核磁影像数据计算机辅助诊断的准确性。
本发明是通过以下技术方案实现的,包括以下步骤:
第一步,对待处理训练数据和测试数据/>分别进行预处理,得到预处理后的训练数据Xtrain(r)和测试数据Xtest(r)。
所述的对待处理训练数据和测试数据/>分别进行预处理,具体是:选择脑核磁结构影像数据作为训练数据和测试数据,采用SPM(Statistical ParametricMaps)软件对其分别进行分割处理,选择分割后的灰质数据GMtrain(r)和GMtest(r),采用脑区模板W(p)(r),(p=1,2,...,P),例如AAL(Automated Anatomical Labeling)脑区模板,对其进行加模处理,得到预处理后的训练数据Xtrain(r)和测试数据Xtest(r),即
其中,P为所选模板对应的脑区个数,(p=1,2,...,P),r为空间位置。
第二步,对预处理前后的训练数据和测试数据,分别提取不同脑区的结构参数和特征参数,进而构造显著脑区的高相关组合特征矩阵Ytrain和Ytest。
所述的对预处理前后的训练数据和测试数据,分别提取不同脑区的结构参数和特征参数,进而构造显著脑区的高相关组合特征矩阵Ytrain和Ytest,具体是:
首先,对和/>采用核磁图像分析处理软件,例如FreeSurfer,估计不同脑区的结构参数Strain和Stest,即
其中,M为结构参数类型数,和/>分别代表训练数据和测试数据的第m个结构参数值,即
其中,N为FreeSurfer中选择脑区个数,K和L分别为训练数据和测试数据个数,和/>分别代表第k个训练数据和第l个测试数据对应的第n个脑区的第m个结构参数值,例如第n个脑区的大脑皮层表面积、平均曲率值、皮层厚度和皮层体积值;
然后,基于子空间学习方法,对Xtrain(r)和Xtest(r)分别采用其在子空间上的投影结果作为特征参数Ftrain和Ftest,即
其中,为投影矩阵,例如主成分分析方法中的主成分投影算子,Lp为子空间特征维度;
最后,基于已提取不同脑区的结构参数和特征参数,根据分析疾病特征的不同,选择与疾病显著脑区相关性高的脑区参数S′train,S′test,F′train,F′test,构造显著脑区的高相关组合特征矩阵Ytrain=[S′train F′train]和Ytest=[S′test F′test]。
第三步,基于Ytrain和Ytest,采用分类算法,实现对测试数据结构特征的识别分类。
所述的基于Ytrain和Ytest,采用分类算法,实现对测试数据结构特征的识别分类,具体是:基于Ytrain和Ytest,采用弹性网络方法作为分类算法,将Ytrain和Ytest作为分类器的输入,定义分类参数通过分析ρi与选定阈值/>的大小,判别测试数据是否属于类别i,即
其中,Z=Ytrain·B,Ci表示测试数据属于类别i,Cj表示测试数据属于类别j,为回归系数,可由弹性网络方法求得,/>为/>中第i类的非零表征系数,/>为受试者工作特征曲线上的最优阈值点,即敏感度和特异度最大差值的位置。
与现有技术相比,本发明的有益效果是:
(1)本发明一种基于脑核磁影像数据的结构特征提取和分类方法,通过提取不同脑区的结构参数和特征参数,分析脑区间参数的相关性,构造显著脑区的高相关组合特征矩阵,有效保留显著差异特征,提高机器学习算法的有效性;
(2)基于显著脑区特征提取结果,采用与受试者工作曲线相结合的分类算法,实现对测试数据结构特征的识别分类,有效利用训练数据的最主要特征,提高核磁影像数据计算机辅助诊断的准确性。
附图说明
图1为本发明基于脑核磁影像数据的结构特征提取和分析方法的流程图。
图2为本发明实施例中基于11个显著特征参数的分类准确率图。
图3为本发明实施例中基于11个显著特征参数的分类敏感度图。
图4为本发明实施例中基于11个显著特征参数的分类1-特异度图。
具体实施方式:
下面结合附图对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和过程,但本发明的保护范围不限于下述的实施例。
本发明以核磁共振医学图像(MRI,Magnetic Resonance Imaging)数据为应用对象,对老年痴呆症患者(AD,Alzheimer’s disease)和正常老年人(HC,Healthy Control)的MRI数据进行结构参数提取、特征参数提取和学习分类。实验中所使用的数据来源于ADNI数据网站(http://www.loni.ucla.edu/ADNI)。这些数据是采用MPRAGE或相当协议,在3.0T磁共振设备上采集得到的T1加权大脑结构数据。本实验所研究对象的年龄分布在55岁到90岁,其中训练数据包括AD患者182例(男性93例,女性89例),正常老年人170例(男性83例,女性87例);正常老年人MMSE评分在26到30之间,CDR值为0;AD患者MMSE评分在10到24之间,CDR值为0.5或1。本实验中每次随机选择150个AD样本和150个HC样本的特征参数作为训练数据,余下的作为测试数据,重复进行了20次的蒙特卡洛实验。
如图1所示,本发明分部式特征提取和分类方法实施例的流程如下:
第一步,对待处理训练数据和测试数据/>分别进行预处理,得到预处理后的训练数据Xtrain(r)和测试数据Xtest(r)。
(1)选择脑核磁结构影像数据作为训练数据和测试数据,采用SPM(StatisticalParametric Maps)(http://www.fil.ion.ucl.ac.uk/spm/software/spm8/)软件对其分别进行分割处理;
(2)选择分割后的灰质数据GMtrain(r)和GMtest(r),采用脑区模板W(p)(r),(p=1,2,...,P),例如采用WFU_PickAtlas(http://www.nitrc.org/projects/wfu_pickatlas/)中的AAL(Automated Anatomical Labeling)脑区模板,对其进行加模处理,得到预处理后的训练数据Xtrain(r)和测试数据Xtest(r),即
其中,P=45为所选模板对应的脑区个数,(p=1,2,...,P),r为空间位置。
第二步,对预处理前后的训练数据和测试数据,分别提取不同脑区的结构参数和特征参数,进而构造显著脑区的高相关组合特征矩阵Ytrain和Ytest。
(1)对和/>采用核磁图像分析处理软件,例如FreeSurfer(http://www.freesurfer.net/),估计不同脑区的结构参数Strain和Stest,即
其中,和/>分别代表训练数据和测试数据的第m个结构参数值,即
其中,N=31为FreeSurfer中采用DKT模板选择的脑区个数,K和L分别为训练数据和测试数据个数,和/>分别代表第k个训练数据和第l个测试数据对应的第n个脑区的第m个结构参数值,例如第n个脑区的大脑皮层表面积、平均曲率值、皮层厚度和皮层体积值;
(2)基于子空间学习方法,对Xtrain(r)和Xtest(r)分别采用其在子空间上的投影结果作为特征参数Ftrain和Ftest,即
其中,为投影矩阵,例如主成分分析方法中的主成分投影算子、稀疏主成分分析方法中的稀疏投影算子,Lp为子空间特征维度;
(3)基于已提取不同脑区的结构参数和特征参数,根据分析疾病特征的不同,选择与海马旁回区和海马区相关性高的脑区参数S′train,S′test,F′train,F′test,构造显著脑区的高相关组合特征矩阵Ytrain=[S′train F′train]和Ytest=[S′test F′test]。
第三步,基于Ytrain和Ytest,采用分类算法,实现对测试数据结构特征的识别分类。
(1)基于Ytrain和Ytest,采用弹性网络方法(Elastic Net,EN)作为分类算法,将Ytrain和Ytest作为分类器的输入,计算回归系数即
其中,Z=Ytrain·B,λ1和λ2是非负拉格朗日惩罚系数;
(2)定义分类参数通过分析ρi与选定阈值/>的大小,判别测试数据是否属于类别i,即
其中,为/>中第i类的非零表征系数,Ci表示测试数据属于AD类别,Cj表示测试数据属于HC类别,/>为受试者工作特征曲线上的最优阈值点,即敏感度和特异度最大差值的位置。
本实施例中基于11个显著特征参数的分类准确率、敏感度和1-特异度分别如图2-图4所示.由图2可见,子空间特征提取方法所提取的特征参数可有效反映出AD与HC的结构特征差异,与采用FreeSurfer估计的脑结构参数具有相近的区分特性;与单一特征参数识别结果相比较,将结构参数与特征参数相结合的高相关组合特征(图中freesurfer+pca)具有更好的分类识别效果。由图2-图4所示,采用本发明所提的结合ROC曲线的EN-ROC分类方法(红色柱状条),在分类准确性、敏感度和特异性方面均明显优于SVM方法(蓝色柱状条)和原始EN方法(绿色柱状条)。综合来看,对于大脑核磁影像结构数据,本发明通过构建显著脑区的高相关组合特征矩阵,可有效保留显著差异特征,提高机器学习算法的有效性;采用ROC相结合的EN-ROC分类方法,可以更有效的提高计算机辅助诊断的准确性。
上述说明已经充分介绍了本发明的具体实施方式。需要指出的是,熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应的,本发明的权利要求的范围也并不仅仅局限于前述具体实施方式。
Claims (3)
1.一种基于脑核磁影像数据的结构特征提取和分类方法,其特征在于,包括以下步骤:
(1)对待处理训练数据和测试数据/>分别进行预处理,得到预处理后的训练数据Xtrain(r)和测试数据Xtest(r);
(2)对预处理后的训练数据和测试数据,分别提取不同脑区的结构参数和特征参数,根据分析疾病特征的不同,分别选择不同脑区与疾病显著脑区相关性高的脑区结构参数和脑区特征参数,进而采用两种已选择脑区参数的组合构造显著脑区的高相关组合特征矩阵Ytrain和Ytest;其中,高相关组合特征矩阵Ytrain和Ytest的构造方法具体是:
首先,对和/>采用FreeSurfer核磁图像分析处理软件估计不同脑区的结构参数Strain和Stest,即
其中,m=1,2,...,M,M为结构参数类型数,和/>分别代表训练数据和测试数据的第m个结构参数值,即
其中,n=1,2,...,N,k=1,2,...,K,l=1,2,...,L,N为FreeSurfer中选择脑区个数,K和L分别为训练数据和测试数据个数,和/>分别代表第k个训练数据和第l个测试数据对应的第n个脑区的第m个结构参数值,即第n个脑区的大脑皮层表面积、平均曲率值、皮层厚度或皮层体积值;
然后,基于子空间学习方法,对Xtrain(r)和Xtest(r)分别采用其在子空间上的投影结果作为特征参数Ftrain和Ftest,即
其中, 为主成分分析方法中的主成分投影矩阵,Lp为子空间特征维度;
最后,基于已提取不同脑区的结构参数和特征参数,根据分析疾病特征的不同,选择与疾病显著脑区相关性高的脑区参数S′train,S′test,F′train,F′test,构造显著脑区的高相关组合特征矩阵Ytrain=[S′train F′train]和Ytest=[S′test F′test];
(3)基于Ytrain和Ytest,采用弹性网络方法作为分类算法,实现对测试数据结构特征的识别分类。
2.根据权利要求1所述的基于脑核磁影像数据的结构特征提取和分类方法,其特征在于,所述步骤(1)的对待处理训练数据和测试数据/>分别进行预处理,具体是:选择脑核磁结构影像数据作为训练数据和测试数据,采用SPM软件对其分别进行分割处理,选择分割后的灰质数据GMtrain(r)和GMtest(r),采用AAL脑区模板W(p)(r)对其进行加模处理,得到预处理后的训练数据Xtrain(r)和测试数据Xtest(r),即
其中,p=1,2,...,P,P为所选模板对应的脑区个数,r为空间位置。
3.根据权利要求1所述的基于脑核磁影像数据的结构特征提取和分类方法,其特征在于,所述步骤(3)的基于Ytrain和Ytest,采用弹性网络方法作为分类算法,实现对测试数据结构特征的识别分类,具体是:基于Ytrain和Ytest,采用弹性网络方法作为分类算法,将Ytrain和Ytest作为分类器的输入,定义分类参数通过分析ρi与选定阈值/>的大小,判别测试数据是否属于类别i,即
其中,Z=Ytrain·B,为主成分分析方法中的主成分投影矩阵,Ci表示测试数据属于类别i,Cj表示测试数据属于类别j,/>为回归系数,可由弹性网络方法求得,/>为中第i类的非零表征系数,/>为受试者工作特征曲线上的最优阈值点,即敏感度和特异度最大差值的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811038652.9A CN110880008B (zh) | 2018-09-06 | 2018-09-06 | 基于脑核磁影像数据的结构特征提取和分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811038652.9A CN110880008B (zh) | 2018-09-06 | 2018-09-06 | 基于脑核磁影像数据的结构特征提取和分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110880008A CN110880008A (zh) | 2020-03-13 |
CN110880008B true CN110880008B (zh) | 2023-10-17 |
Family
ID=69727192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811038652.9A Active CN110880008B (zh) | 2018-09-06 | 2018-09-06 | 基于脑核磁影像数据的结构特征提取和分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110880008B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112043273B (zh) * | 2020-09-07 | 2022-11-08 | 西安电子科技大学 | 一种脑影像数据处理方法、装置、设备以及存储介质 |
CN113362944B (zh) * | 2021-05-14 | 2023-06-30 | 西安交通大学 | 一种基于机器学习的功能性消化不良和针刺疗效预测模型的评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316065A (zh) * | 2017-06-26 | 2017-11-03 | 刘艳 | 基于分部式子空间模型的稀疏特征提取和分类方法 |
WO2017210873A1 (zh) * | 2016-06-08 | 2017-12-14 | 中国科学院自动化研究所 | 基于磁共振影像的脑疾病个体化预测方法和系统 |
CN107680677A (zh) * | 2017-10-11 | 2018-02-09 | 四川大学 | 基于脑网络分析的神经精神疾病分类方法 |
-
2018
- 2018-09-06 CN CN201811038652.9A patent/CN110880008B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017210873A1 (zh) * | 2016-06-08 | 2017-12-14 | 中国科学院自动化研究所 | 基于磁共振影像的脑疾病个体化预测方法和系统 |
CN107316065A (zh) * | 2017-06-26 | 2017-11-03 | 刘艳 | 基于分部式子空间模型的稀疏特征提取和分类方法 |
CN107680677A (zh) * | 2017-10-11 | 2018-02-09 | 四川大学 | 基于脑网络分析的神经精神疾病分类方法 |
Non-Patent Citations (1)
Title |
---|
韩鸿宾 ; 李凯 ; 闫军浩 ; 朱凯 ; 傅瑜 ; .应用MRI示踪法在体研究大鼠脑组织间液的生物学特点.中国科学:生命科学.(第08期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110880008A (zh) | 2020-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107909117B (zh) | 基于脑功能网络特征对早晚期轻度认知障碍的分类装置 | |
US9123095B2 (en) | Method for increasing the robustness of computer-aided diagnosis to image processing uncertainties | |
JP4025823B2 (ja) | 脳疾患の診断支援方法及び装置 | |
JP5695648B2 (ja) | 医用画像処理方法および装置 | |
CN108109140A (zh) | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统 | |
CN107133461B (zh) | 一种基于自编码器的医学图像处理装置与方法 | |
Beheshti et al. | Histogram-based feature extraction from individual gray matter similarity-matrix for Alzheimer’s disease classification | |
CN108960341B (zh) | 一种面向脑网络的结构化特征选择方法 | |
CN102509123A (zh) | 一种基于复杂网络的脑功能磁共振图像分类方法 | |
CN110298364B (zh) | 面向功能性脑网络的多阈值下基于多任务的特征选择方法 | |
CN110880008B (zh) | 基于脑核磁影像数据的结构特征提取和分类方法 | |
CN110211671B (zh) | 一种基于权值分布的阈值化方法 | |
Mehta et al. | Propagating uncertainty across cascaded medical imaging tasks for improved deep learning inference | |
CN103345633A (zh) | 一种用于阿尔兹海默病早期发现的结构性核磁共振影像处理方法 | |
Cui et al. | Alzheimer's disease diagnosis using enhanced inception network based on brain magnetic resonance image | |
KR101944069B1 (ko) | 기계 학습을 기반으로 한 알츠하이머 병 결정 방법 및 장치 | |
Avizenna et al. | Classification of brain magnetic resonance images based on statistical texture | |
Arivuselvam | Skin cancer detection and classification using SVM classifier | |
Sacchet et al. | Elucidating brain connectivity networks in major depressive disorder using classification-based scoring | |
Somasundaram et al. | Brain extraction method for T1-weighted magnetic resonance scans | |
Qu et al. | A graph convolutional network based on univariate neurodegeneration biomarker for alzheimer’s disease diagnosis | |
WO2023198224A1 (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
Khedher et al. | Automatic classification of segmented MRI data combining independent component analysis and support vector machines | |
Hasanah et al. | Classification of brain tumor on magnetic resonance imaging using support vector machine | |
CN107316065B (zh) | 基于分部式子空间模型的稀疏特征提取和分类方法 |
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 |