CN110916615A - 阿兹海默症检测装置及计算机设备 - Google Patents
阿兹海默症检测装置及计算机设备 Download PDFInfo
- Publication number
- CN110916615A CN110916615A CN201911233413.3A CN201911233413A CN110916615A CN 110916615 A CN110916615 A CN 110916615A CN 201911233413 A CN201911233413 A CN 201911233413A CN 110916615 A CN110916615 A CN 110916615A
- Authority
- CN
- China
- Prior art keywords
- network
- brain
- target
- subgraph
- frequent
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 79
- 210000004556 brain Anatomy 0.000 claims abstract description 299
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000010276 construction Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 22
- 230000008569 process Effects 0.000 abstract description 18
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 201000010099 disease Diseases 0.000 abstract description 3
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000001575 pathological effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000004126 nerve fiber Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—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
-
- 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
- A61B5/72—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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Neurology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Signal Processing (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- High Energy & Nuclear Physics (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请提供一种阿兹海默症检测装置及计算机设备，涉及医学病症检测领域。本申请通过脑网络构建模块，构建与待检测脑部对应的待检测脑网络，并通过特征参数计算模块，计算各个目标频繁子图在该待检测脑网络处的与目标特征参数类型对应的网络结构特征参数，其中不同目标频繁子图所对应的目标特征参数类型包括子图局部聚类系数、子图重要性分数及子图局部重要性分数中的任意一种或多种组合，而后通过特征参数分类模块将计算得到的网络结构特征参数输入到脑检测模型中进行阿兹海默症特征分类，从而在获取与待检测脑部对应的高匹配度的人脑结构特征的情况下，得到高精准度的阿兹海默症诊断结果，并降低诊断过程中的人工参与度。
Description
技术领域
本申请涉及医学病症检测领域，具体而言，涉及一种阿兹海默症检测装置及计算机设备。
背景技术
随着科学技术的不断发展，图像处理技术被用于到各个行业用以解决各式各样的问题，其中以医疗领域为例，医生可通过使用图像处理技术并结合自身的医学经验通过对人脑医学图像进行阿兹海默症诊断。目前，图像处理技术在阿兹海默症诊断的过程中的作用是提取人脑医学图像中的表现病理特征的局部图像，并对局部图像所对应的病理特征进行特征分析，以辅助医生进行阿兹海默症诊断。在此过程中，需要医生具有极高的医学素质，且具体的诊断效果会因局部图像选取的优劣受到极大影响，无法完整地表达出人脑真实状况，存在诊断结果不准确的问题。
发明内容
有鉴于此，本申请的目的在于提供一种阿兹海默症检测装置及计算机设备，其能够获取与待检测脑部对应的高匹配度的人脑结构特征，并基于获取到的人脑结构特征进行阿兹海默症检测，得到高精准度的阿兹海默症诊断结果，降低诊断过程中的人工参与度。
为了实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供一种阿兹海默症检测装置，所述装置包括：
脑网络构建模块，用于获取与待检测脑部对应的FMRI(Functional MagneticResonance Imaging，功能性磁共振成像)图像集，并根据获取到的FMRI图像集构建该待检测脑部所对应的待检测脑网络；
特征参数计算模块，用于针对与脑检测模型对应的各个目标频繁子图，计算该目标频繁子图在所述待检测脑网络处的与目标特征参数类型对应的网络结构特征参数，其中不同目标频繁子图各自对应的目标特征参数类型包括子图局部聚类系数、子图重要性分数及子图局部重要性分数中的任意一种或多种组合；
特征参数分类模块，用于将计算得到的网络结构特征参数输入到所述脑检测模型中，并由所述脑检测模型对输入的网络结构特征参数进行阿兹海默症特征分类，以判断该待检测脑部是否患有阿兹海默症。
第二方面，本申请实施例提供一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器存储有前述实施方式中的阿兹海默症检测装置所包括的可由所述处理器执行的软件功能模块。
相对于背景技术而言，本申请具有以下有益效果：
本申请通过脑网络构建模块获取与待检测脑部对应的FMRI图像集，并根据获取到的FMRI图像集构建该待检测脑部所对应的待检测脑网络，而后通过特征参数计算模块计算与脑检测模型对应的各个目标频繁子图在该待检测脑网络处的，与该目标频繁子图所对应的目标特征参数类型匹配的网络结构特征参数，其中不同目标频繁子图所对应的目标特征参数类型包括子图局部聚类系数、子图重要性分数及子图局部重要性分数中的任意一种或多种组合，最后通过特征参数分类模块将计算得到的网络结构特征参数输入到脑检测模型中，由该脑检测模型对输入的网络结构特征参数进行阿兹海默症特征分类，从而在获取与待检测脑部对应的高匹配度的人脑结构特征的情况下，得到高精准度的阿兹海默症诊断结果，并降低诊断过程中的人工参与度。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的计算机设备的结构方框示意图；
图2为本申请实施例提供的阿兹海默症检测装置的功能模块示意图之一；
图3为本申请实施例提供的阿兹海默症检测装置的功能模块示意图之二；
图4为本申请实施例提供的目标子图确定模块的模块组成示意图。
图标：10-计算机设备；11-存储器；12-处理器；13-通信单元；100-阿兹海默症检测装置；110-脑网络构建模块；120-特征参数计算模块；130-特征参数分类模块；140-目标子图确定模块；150-目标类型确定模块；160-网络样本划分模块；170-训练样本构建模块；180-检测模型构建模块；141-第一闭图确定子模块；142-第二闭图确定子模块；143-目标子图创建子模块。
具体实施方式
下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参照图1，图1是本申请实施例提供的计算机设备10的结构方框示意图。在本申请实施例中，所述计算机设备10可用于获取与待检测脑部对应的高匹配度的人脑结构特征，并基于获取到的人脑结构特征进行阿兹海默症检测，得到高精准度的阿兹海默症诊断结果，降低诊断过程中的人工参与度，从而辅助医生进行病症诊断。在本实施例中，所述计算机设备10可以是，但不限于，个人电脑、平板电脑及服务器等。
在本实施例中，所述计算机设备10包括阿兹海默症检测装置100、存储器11、处理器12及通信单元13。所述存储器11、所述处理器12及所述通信单元13各个元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，所述存储器11、所述处理器12及所述通信单元13这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
在本实施例中，所述存储器11可用于存储程序，所述处理器12在接收到执行指令后，可相应地执行所述程序。其中，所述存储器11可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable ProgrammableRead-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory，EEPROM)等。
其中，所述存储器11还可用于存储脑检测模型及与该脑检测模型对应的各个目标频繁子图，以及每个目标频繁子图对应的目标特征参数类型。所述脑检测模型用于对待检测脑部所对应的脑网络进行阿兹海默症检测，所述目标频繁子图为众多脑部图像的包括在阿兹海默症检测过程中起关键作用的脑部特征的频繁子图，而不同目标频繁子图各自对应的目标特征参数类型包括子图局部聚类系数、子图重要性分数及子图局部重要性分数中的任意一种或多种组合。例如，目标频繁子图A的目标特征参数类型包括子图局部聚类系数与子图重要性分数，目标频繁子图B的目标特征参数类型包括局子图重要性分数及子图局部重要性分数，目标频繁子图C的目标特征参数类型包括子图局部聚类系数、子图重要性分数及子图局部重要性分数。
其中，所述目标频繁子图所包括的网络节点相对于脑网络中的其他网络节点而言，与阿兹海默症的关联性更强，重要性更强。所述子图局部聚类系数与所述子图局部重要性分数用于描述脑网络中的对应目标频繁子图和与该目标频繁子图所连接的脑局部网络之间的关系，表达了脑网络中重要的局部结构特征信息；所述子图重要性分数用于描述对应目标频繁子图与整个脑网络之间的全局连接关系，表达了脑网络中的重要全局结构特征信息。
而本申请在计算上述三种网络结构特征参数时，通过以目标频繁子图作为基础单位，并基于目标频繁子图与脑网络中其他网络节点之间的连接关系进行参数计算，确定对应目标频繁子图在待检测脑部中的局部影响力大小及全局影响力大小，从而确保针对该目标频繁子图确定出的三种网络结构特征参数与待检测脑部的真实情况之间的数据表达一致性更强，提高阿兹海默症检测的精准度。
本申请通过使用目标频繁子图进行阿兹海默症检测，着重分析脑网络中重要的局部网络即目标频繁子图，与脑网络的局部关系及全局关系，以构造脑网络中能表达阿兹海默症的病理特征，提高检测精准度。
在本实施例中，所述处理器12可以是一种具有信号的处理能力的集成电路芯片。所述处理器12可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)及网络处理器(Network Processor，NP)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。
在本实施例中，所述通信单元13用于通过网络建立所述计算机设备10与其他电子设备之间的通信连接，并通过网络收发数据。例如，所述计算机设备10通过所述通信单元13与FMRI设备通信连接，以从所述FMRI设备处获取被检查人员的待检测脑部的FMRI图像集。
在本实施例中，所述阿兹海默症检测装置100包括至少一个能够以软件或固件的形式存储于所述存储器11或固化在所述计算机设备10的操作系统中的软件功能模块。所述处理器12可用于执行所述存储器11存储的可执行模块，例如所述阿兹海默症检测装置100所包括软件功能模块及计算机程序等。所述计算机设备10通过所述阿兹海默症检测装置100获取与待检测脑部对应的高匹配度的人脑结构特征，并基于获取到的人脑结构特征进行阿兹海默症检测，得到高精准度的阿兹海默症诊断结果，降低诊断过程中的人工参与度。
可以理解的是，图1所示的方框示意图仅为计算机设备10的一种结构组成示意图，所述计算机设备10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
在本申请中，为确保上述计算机设备10能够获取与待检测脑部对应的高匹配度的人脑结构特征，并基于获取到的人脑结构特征进行阿兹海默症检测，得到高精准度的阿兹海默症诊断结果，降低诊断过程中的人工参与度，本申请通过对阿兹海默症检测装置100进行功能模块划分，以通过阿兹海默症检测装置100所包括的功能软件模块实现上述功能。下面对本申请提供的阿兹海默症检测装置100的具体组成进行相应描述。
请参照图2，图2是本申请实施例提供的阿兹海默症检测装置100的功能模块示意图之一。在本申请实施例中，所述阿兹海默症检测装置100包括脑网络构建模块110、特征参数计算模块120及特征参数分类模块130。
所述脑网络构建模块110，用于获取与待检测脑部对应的FMRI图像集，并根据获取到的FMRI图像集构建该待检测脑部所对应的待检测脑网络。
在本实施例中，所述FMRI图像集包括同一脑部对应的多张FMRI图像，所述脑网络构建模块110可采用不同脑图谱对所述FMRI图像集进行脑纤维追踪，其次再进行全脑扫描，最后将脑皮层分割成若干个感兴趣区域，得到与脑图谱对应的包括多个网络层级的脑网络。在本实施例的一种实施方式中，所述脑网络构建模块110采用Harvard-Oxfordcortical and subcortical structural atlases脑图谱构建脑网络，其中得到的脑网络包括三个网络层级，其中第一个网络层级用于表达不同网络节点之间的神经纤维数量，第二个网络层级用于表达不同网络节点之间的神经纤维平均长度，第三个网络层级用于表达不同网络节点之间的各向异性。
所述特征参数计算模块120，用于针对与脑检测模型对应的各个目标频繁子图，计算该目标频繁子图在所述待检测脑网络处的与目标特征参数类型对应的网络结构特征参数，其中不同目标频繁子图各自对应的目标特征参数类型包括子图局部聚类系数、子图重要性分数及子图局部重要性分数中的任意一种或多种组合。
在本实施例中，所述网络结构特征参数用于表示对应目标频繁子图与脑网络中其他网络节点之间的关系，不同目标频繁子图对应所述待检测脑网络的不同网络层级，每个目标频繁子图所对应的目标特征参数类型可以相同，也可以不同。所述特征参数计算模块120通过计算不同目标频繁子图在同一待检测脑网络中对应的网络结构特征参数的方式，得到与该待检测脑部对应的高匹配度的人脑结构特征。
其中，若某个目标频繁子图所对应的目标特征参数类型包括子图局部聚类系数，则所述特征参数计算模块120计算该目标频繁子图在所述待检测脑网络处对应的子图局部聚类系数时，可采用如下公式进行计算：
其中，n表示第n个脑网络，k表示第k个网络层级，g表示对应脑网络在第k个网络层级处的一个目标频繁子图，
表示目标频繁子图g在第n个脑网络的第k个网络层级处的子图局部聚类系数，
表示第n个脑网络的第k个网络层级中与目标频繁子图g相邻的网络节点的节点数目，
表示第n个脑网络的第k个网络层级中与目标频繁子图g相邻的网络节点的集合，
表示第n个脑网络的第k个网络层级中的处于
内的网络节点i与目标频繁子图g中所有网络节点之间的边权值中的最小值，
表示第n个脑网络的第k个网络层级中的处于
内的网络节点j与目标频繁子图g中所有网络节点之间的边权值中的最小值，
表示第n个脑网络的第k个网络层级中的处于
内的网络节点i与网络节点j之间的最小边权值。
其中，若某个目标频繁子图所对应的目标特征参数类型包括子图重要性分数，则所述特征参数计算模块120计算该目标频繁子图在所述待检测脑网络处对应的子图重要性分数时，可采用如下公式进行计算：
其中，
表示目标频繁子图g在第n个脑网络的第k个网络层级处的子图重要性分数，M表示第n个脑网络的第k个网络层级所包括的网络节点的节点数目，N表示目标频繁子图g所包括的网络节点的节点数目，
表示第n个脑网络的第k个网络层级所包括的网络节点的集合，
表示第n个脑网络的第k个网络层级中除去目标频繁子图g所包括的网络节点外的网络节点的集合，
表示第n个脑网络的第k个网络层级中的处于
内的网络节点i与网络节点j之间的最短路径长度，
表示第n个脑网络的第k个网络层级中的处于
内的网络节点i'与网络节点j'之间的最短路径长度。
其中，若某个目标频繁子图所对应的目标特征参数类型包括子图局部重要性分数，则所述特征参数计算模块120计算该目标频繁子图在所述待检测脑网络处对应的子图局部重要性分数时，可采用如下公式进行计算：
其中，
表示目标频繁子图g在第n个脑网络的第k个网络层级处的子图局部重要性分数，
表示第n个脑网络的第k个网络层级中与目标频繁子图g对应的局部网络所包括的网络节点的节点数目，N表示目标频繁子图g所包括的网络节点的节点数目，
表示第n个脑网络的第k个网络层级中与目标频繁子图g对应的局部网络所包括的网络节点的集合，
表示第n个脑网络的第k个网络层级中的与目标频繁子图g对应的局部网络中除去目标频繁子图g所包括的网络节点外的网络节点的集合，
表示第n个脑网络的第k个网络层级中的处于
内的网络节点i与网络节点j之间的最短路径长度，
表示第n个脑网络的第k个网络层级中的处于
内的网络节点i'与网络节点j'之间的最短路径长度，其中目标频繁子图g所对应的局部网络由目标频繁子图g所包括的网络节点及与该目标频繁子图g相邻的网络节点组成。
在本实施例中，所述特征参数计算模块120可根据上述三种计算公式及每个目标频繁子图对应的目标特征参数类型，计算与脑检测模型对应的各个目标频繁子图在该待检测脑网络处对应的网络结构特征参数。
所述特征参数分类模块130，用于将计算得到的网络结构特征参数输入到所述脑检测模型中，并由所述脑检测模型对输入的网络结构特征参数进行阿兹海默症特征分类，以判断该待检测脑部是否患有阿兹海默症。
在本实施例中，所述特征参数分类模块130通过将计算得到的与待检测脑网络对应的网络结构特征参数输入到所述脑检测模型中，使该脑检测模型对得到的网络结构特征参数进行阿兹海默症特征分类，以输出对应的高精准度的阿兹海默症诊断结果，从而降低医生在阿兹海默症诊断过程中的人工参与度，并辅助医生进行病症诊断。
在本申请中，所述阿兹海默症检测装置100在对待检测脑部进行阿兹海默症检测的过程中，针对不同的用于表达脑网络的在阿兹海默症检测过程中起关键作用的脑部特征的目标频繁子图，确定每个目标频繁子图在该待检测脑部的脑网络中对应的网络结构特征参数，从而通过网络结构特征参数中的子图局部聚类系数及子图局部重要性分数，来表达对应目标频繁子图在该待检测脑部的网络结构中与周边脑部区域之间的关联关系，以体现该待检测脑部与该目标频繁子图相关的局部结构特征信息，并通过网络结构特征参数中的子图重要性分数，来表达对应目标频繁子图在待检测脑部的网络结构中与整个网络结构之间的全局连接关系，以体现该待检测脑部与该目标频繁子图相关的全局结构特征信息。
而后，由所述阿兹海默症检测装置100基于训练好的脑检测模型对与该待检测脑部相关联的不同目标频繁子图的网络结构特征参数进行特征分类，进而得到检测结果与真实结果之间的差异更小的阿兹海默症诊断结果，实现高精准度的阿兹海默症诊断操作。其中，所述目标频繁子图所包括的网络节点相对于脑网络中其他网络节点而言，与阿兹海默症的关联性更强，重要性更强。在此过程中，本申请着重分析目标频繁子图与脑网络中其他网络节点之间的连接关系，并相应地分析了目标频繁子图所代表的脑部区域子在待检测脑部中的局部结构特征信息及全局结构特征信息，从而构造脑网络中能表达阿兹海默症的病理特征的网络结构参数，进而基于得到的各项网络结构参数进行阿兹海默症检测，得以确保最终的检测结果与真实结果之间的差异更小，提高检测精准度。
在本申请中，为确定所述脑检测模型所对应的所有目标频繁子图及每个阿兹海默症所对应的目标特征参数类型，并确保所述脑检测模型能够训练成功，本申请通过提供另外一种阿兹海默症检测装置100用以实现上述功能，下面对所述另外一种阿兹海默症检测装置100的具体组成进行详细描述。
请参照图3，图3是本申请实施例提供的阿兹海默症检测装置100的功能模块示意图之二。在本申请实施例中，图3所示的阿兹海默症检测装置100与图2所示的阿兹海默症检测装置100相比，图3所示的阿兹海默症检测装置100还可以包括目标子图确定模块140、目标类型确定模块150、网络样本划分模块160、训练样本构建模块170及检测模型构建模块180。
所述目标子图确定模块140，用于获取患有阿兹海默症的患病脑网络集及未患有阿兹海默症的正常脑网络集，并在所述患病脑网络集与所述正常脑网络集中确定出参与脑检测模型构建操作的目标频繁子图集。
在本实施例中，所述患病脑网络集由多个被判定患有阿兹海默症的脑部所对应的脑网络组成，所述正常脑网络集由多个健康脑部所对应的脑网络组成。所述目标子图确定模块140通过对所述患病脑网络集的频繁子图集进行确定，并对所述正常脑网络集的频繁子图集进行确定的方式，从而得以确定与脑检测模型对应的目标频繁子图集，其中所述目标频繁子图集由与脑检测模型对应的所有目标频繁子图组成。
可选地，请参照图4，图4是本申请实施例提供的目标子图确定模块140的模块组成示意图。在本实施例中，所述目标子图确定模块140包括第一闭图确定子模块141、第二闭图确定子模块142及目标子图创建子模块143。
所述第一闭图确定子模块141，用于根据所述正常脑网络集中每个脑网络在不同网络层级处的网络结构，确定所述正常脑网络集在不同层级处对应的第一频繁子图集，并确定不同层级的第一频繁子图集中与所述正常脑网络集对应的频繁闭图集。
在本实施例中，所述第一频繁子图集的数目与脑网络的网络层级数目相同，每个第一频繁子图集由所述正常脑网络集在同一网络层级处对应的所有频繁子图组成，每个第一频繁子图集对应至少一张与所述正常脑网络集对应的频繁闭图，而每个第一频繁子图集所对应的所有频繁子图形成一个频繁闭图集。
所述第二闭图确定子模块142，用于根据所述患病脑网络集中每个脑网络在不同网络层级处的网络结构，确定所述患病脑网络集在不同网络层级处对应的第二频繁子图集，并确定不同层级的第二频繁子图集中与所述患病脑网络集对应的频繁闭图集。
在本实施例中，所述第二频繁子图集的数目与脑网络的网络层级数目相同，每个第二频繁子图集由所述患病脑网络集在同一网络层级处对应的所有频繁子图组成，每个第二频繁子图集对应至少一张与所述患病脑网络集对应的频繁闭图，而每个第一频繁子图集所对应的所有频繁子图形成一个频繁闭图集。
所述目标子图创建子模块143，用于将确定出的所述频繁闭图集中的每个频繁闭图作为一个目标频繁子图，得到由多个目标频繁子图组成的所述目标频繁子图集。
请再次参照图3，所述特征参数计算模块120，还用于计算所述目标频繁子图集中的每个目标频繁子图在所述患病脑网络集及所述正常脑网络集所包括的各脑网络处的待筛选网络特征参数，其中所述待筛选网络特征参数包括对应频繁子图在对应脑网络处的子图局部聚类系数、子图重要性分数及子图局部重要性分数。
在本实施例中，所述特征参数计算模块120在所述目标子图确定模块140确定出对应的目标频繁子图集后，通过上述三个计算公式计算每个目标频繁子图在所述患病脑网络集包括的每个患病脑网络处对应的待筛选网络特征参数，并计算每个目标频繁子图在所述正常脑网络集所包括的每个正常脑网络处对应的待筛选网络特征参数。其中，所述待筛选网络特征参数所对应的特征参数类型包括子图局部聚类系数、子图重要性分数及子图局部重要性分数的组合。
所述目标类型确定模块150，用于根据每个目标频繁子图所对应的待筛选网络特征参数，确定每个目标频繁子图的参与脑检测模型构建操作的目标特征参数类型，并筛选出每个目标频繁子图的与目标特征参数类型对应的目标网络特征参数。
在本实施例中，所述目标类型确定模块150根据每个目标频繁子图所对应的待筛选网络特征参数，确定每个目标频繁子图的参与脑检测模型构建操作的目标特征参数类型的方式，包括：
针对所述目标频繁子图集中的每个目标频繁子图，根据该目标频繁子图的待筛选网络特征参数，确定该目标频繁子图在不同特征参数类型处的与所述正常脑网络集对应的第一参数数值分布区间及与所述患病脑网络集对应的第二参数数值分布区间；
计算该目标频繁子图在每个特征参数类型处的第一参数数值分布区间与第二参数数值分布区间之间的参数分布重叠量；
将对应参数分布重叠量小于预设重叠量阈值的特征参数类型作为该目标频繁子图的目标特征参数类型。
其中，同一目标频繁子图所对应的第一参数数值分布区间的数目，与所述待筛选网络特征参数所对应的特征参数类型的数目相同；同一目标频繁子图所对应的第二参数数值分布区间的数目，与所述待筛选网络特征参数所对应的特征参数类型的数目相同。
所述第一参数数值分布区间用于表示同一特征参数类型的与所述正常脑网络集包括的各正常脑网络对应的待筛选网络特征参数的数值分布情况，所述第二参数数值分布区间用于表示同一特征参数类型的与所述患病脑网络集包括的各患病脑网络对应的待筛选网络特征参数的数值分布情况，所述参数分布重叠量用于表示同一特征参数类型下的第一参数数值分布区间与第二参数数值分布区间的数值范围交集的具体大小。
例如，同一特征参数类型下的第一参数数值分布区间与第二参数数值分布区间分别为(a，b)和(c，d)，若a<c<b<d，则该第一参数数值分布区间与该第二参数数值分布区间之间的参数分布重叠量等于|c-b|；若c<a<d<b，则该第一参数数值分布区间与该第二参数数值分布区间之间的参数分布重叠量等于|a-d|；若c<a<b<d，则该第一参数数值分布区间与该第二参数数值分布区间之间的参数分布重叠量等于|b-a|；若a<c<d<b，则该第一参数数值分布区间与该第二参数数值分布区间之间的参数分布重叠量等于|d-c|。
在本实施例中，当所述目标类型确定模块150确定出每个目标频繁子图的参与脑检测模型构建操作的目标特征参数类型后，将从计算得到的与患病脑网络集及所述正常脑网络集所包括的各脑网络对应的筛选网络特征参数中，筛选出每个目标频繁子图的与其对应的目标特征参数类型相匹配的目标网络特征参数。
所述网络样本划分模块160，用于对筛选出的所有目标网络特征参数进行样本划分，得到多个脑网络样本，其中每个脑网络样本包括对应脑网络的与各目标频繁子图对应的目标网络特征参数。
所述训练样本构建模块170，用于基于划分出的多个所述脑网络样本构建得到多个模型训练样本组，其中每个模型训练样本组包括多个脑网络样本。
在本实施例中，所述训练样本构建模块170，用于基于划分出的多个所述脑网络样本构建得到多个模型训练样本组的方式，包括：
针对每个模型训练样本组，采用自助法对划分出的多个所述脑网络样本进行有放回的样本抽取，直至被抽取的脑网络样本的数目等于预设样本数目阈值；
采用被抽取的各脑网络样本组成该模型训练样本组。
所述检测模型构建模块180，用于基于得到的多个所述模型训练样本组构建随机森林模型，得到所述脑检测模型。
在本申请中，所述脑网络构建模块110，还用于获取多个患有阿兹海默症的患病脑部的FMRI图像集及多个未患有阿兹海默症的正常脑部的FMRI图像集，并根据每个脑部的FMRI图像集构建该脑部所对应的脑网络，得到患病脑网络集及正常脑网络集。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个可读存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，在本申请提供的一种阿兹海默症检测装置及计算机设备中，本申请通过脑网络构建模块获取与待检测脑部对应的FMRI图像集，并根据获取到的FMRI图像集构建该待检测脑部所对应的待检测脑网络，而后通过特征参数计算模块计算与脑检测模型对应的各个目标频繁子图在该待检测脑网络处的，与该目标频繁子图所对应的目标特征参数类型匹配的网络结构特征参数，其中不同目标频繁子图所对应的目标特征参数类型包括子图局部聚类系数、子图重要性分数及子图局部重要性分数中的任意一种或多种组合，最后通过特征参数分类模块将计算得到的网络结构特征参数输入到脑检测模型中，由该脑检测模型对输入的网络结构特征参数进行阿兹海默症特征分类，从而在获取与待检测脑部对应的高匹配度的人脑结构特征的情况下，得到高精准度的阿兹海默症诊断结果，并降低诊断过程中的人工参与度。
其中，所述目标频繁子图为众多脑部图像的包括在阿兹海默症检测过程中起关键作用的脑部特征的频繁子图，所述目标频繁子图所包括的网络节点相对于脑网络中的其他网络节点，与阿兹海默症的关联性更强，重要性更强。所述网络结构特征参数中的子图局部聚类系数及子图局部重要性分数，可以表达对应目标频繁子图在该待检测脑部的网络结构中与周边脑部区域之间的关联关系，以体现该待检测脑部与该目标频繁子图相关的局部结构特征信息。所述网络结构特征参数中的子图重要性分数，可以表达对应目标频繁子图在待检测脑部的网络结构中与整个网络结构之间的全局连接关系，以体现该待检测脑部与该目标频繁子图相关的全局结构特征信息。
此外，本申请在计算上述三种网络结构特征参数的过程中，通过以目标频繁子图作为基础单位，并基于目标频繁子图与脑网络中其他网络节点之间的连接关系进行参数计算，确定对应目标频繁子图在待检测脑部中的局部影响力大小及全局影响力大小，从而确保针对该目标频繁子图确定出的三种网络结构特征参数与待检测脑部的真实情况之间的数据表达一致性更强，提高阿兹海默症检测的精准度。
因此，本申请通过将脑网络中挖掘出的频繁子图作为基础分析对象，提出了基于频繁子图的脑网络结构特征表征方法。该方法既表达了频繁子图内部重要网络节点之间的连接特征，即脑网络中重要节点之间的边连接，又有效表达了这些重要区域(频繁子图)的局部结构特征信息，以及这些重要区域(频繁子图)与脑网络中其他网络节点所构成的网络之间的全局结构特征。本申请通过构造得到脑网络中能表达阿兹海默症的病理特征的网络结构参数，进而基于得到的各项网络结构参数进行阿兹海默症检测，从而确保最终的检测结果与真实结果之间的差异更小，提高检测精准度。相对于传统的直接采用脑网络的频繁子图作为分类特征进行分类检测的方式，以及传统的通过网络复杂参数(例如，常规的网络聚类系数及网络节点的度分布)表达一些基本特征的方式，本申请通过上述三种网络结构特征参数既可以表达频繁子图内部重要网络节点间的连接特征，又可以针对性地反映频繁子图所代表的脑部区域在整个待检测脑部中的局部结构特征信息及全局结构特征信息，从而深入挖掘出与阿兹海默症相关的病理特征在脑网络中的具体参数表达情况，提高检测精准度。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种阿兹海默症检测装置，其特征在于，所述装置包括：
脑网络构建模块，用于获取与待检测脑部对应的FMRI图像集，并根据获取到的FMRI图像集构建该待检测脑部所对应的待检测脑网络；
特征参数计算模块，用于针对与脑检测模型对应的各个目标频繁子图，计算该目标频繁子图在所述待检测脑网络处的与目标特征参数类型对应的网络结构特征参数，其中不同目标频繁子图各自对应的目标特征参数类型包括子图局部聚类系数、子图重要性分数及子图局部重要性分数中的任意一种或多种组合；
特征参数分类模块，用于将计算得到的网络结构特征参数输入到所述脑检测模型中，并由所述脑检测模型对输入的网络结构特征参数进行阿兹海默症特征分类，以判断该待检测脑部是否患有阿兹海默症。
2.根据权利要求1所述的装置，其特征在于，所述装置还包括：
目标子图确定模块，用于获取患有阿兹海默症的患病脑网络集及未患有阿兹海默症的正常脑网络集，并在所述患病脑网络集与所述正常脑网络集中确定出参与脑检测模型构建操作的目标频繁子图集；
所述特征参数计算模块，还用于计算所述目标频繁子图集中的每个目标频繁子图在所述患病脑网络集及所述正常脑网络集所包括的各脑网络处的待筛选网络特征参数，其中所述待筛选网络特征参数包括对应频繁子图在对应脑网络处的子图局部聚类系数、子图重要性分数及子图局部重要性分数；
目标类型确定模块，用于根据每个目标频繁子图所对应的待筛选网络特征参数，确定每个目标频繁子图的参与脑检测模型构建操作的目标特征参数类型，并筛选出每个目标频繁子图的与目标特征参数类型对应的目标网络特征参数；
网络样本划分模块，用于对筛选出的所有目标网络特征参数进行样本划分，得到多个脑网络样本，其中每个脑网络样本包括对应脑网络的与各目标频繁子图对应的目标网络特征参数；
训练样本构建模块，用于基于划分出的多个所述脑网络样本构建得到多个模型训练样本组，其中每个模型训练样本组包括多个脑网络样本；
检测模型构建模块，用于基于得到的多个所述模型训练样本组构建随机森林模型，得到所述脑检测模型。
3.根据权利要求2所述的装置，其特征在于，所述目标子图确定模块包括：
第一闭图确定子模块，用于根据所述正常脑网络集中每个脑网络在不同网络层级处的网络结构，确定所述正常脑网络集在不同网络层级处对应的第一频繁子图集，并确定不同层级的第一频繁子图集中与所述正常脑网络集对应的频繁闭图集；
第二闭图确定子模块，用于根据所述患病脑网络集中每个脑网络在不同网络层级处的网络结构，确定所述患病脑网络集在不同网络层级处对应的第二频繁子图集，并确定不同层级的第二频繁子图集中与所述患病脑网络集对应的频繁闭图集；
目标子图创建子模块，用于将确定出的所述频繁闭图集中的每个频繁闭图作为一个目标频繁子图，得到由多个目标频繁子图组成的所述目标频繁子图集。
4.根据权利要求2所述的装置，其特征在于，所述目标类型确定模块根据每个目标频繁子图所对应的待筛选网络特征参数，确定每个目标频繁子图的参与脑检测模型构建操作的目标特征参数类型，包括：
针对所述目标频繁子图集中的每个目标频繁子图，根据该目标频繁子图的待筛选网络特征参数，确定该目标频繁子图在不同特征参数类型处的与所述正常脑网络集对应的第一参数数值分布区间及与所述患病脑网络集对应的第二参数数值分布区间；
计算该目标频繁子图在每个特征参数类型处的第一参数数值分布区间与第二参数数值分布区间之间的参数分布重叠量；
将对应参数分布重叠量小于预设重叠量阈值的特征参数类型作为该目标频繁子图的目标特征参数类型。
5.根据权利要求2所述的装置，其特征在于，所述训练样本构建模块基于划分出的多个所述脑网络样本构建得到多个模型训练样本组，包括：
针对每个模型训练样本组，采用自助法对划分出的多个所述脑网络样本进行有放回的样本抽取，直至被抽取的脑网络样本的数目等于预设样本数目阈值；
采用被抽取的各脑网络样本组成该模型训练样本组。
6.根据权利要求2所述的装置，其特征在于，
所述脑网络构建模块，还用于获取多个患有阿兹海默症的患病脑部的FMRI图像集及多个未患有阿兹海默症的正常脑部的FMRI图像集，并根据每个脑部的FMRI图像集构建该脑部所对应的脑网络，得到患病脑网络集及正常脑网络集。
7.根据权利要求1-6中任意一项所述的装置，其特征在于，所述目标频繁子图在某个脑网络处对应的子图局部聚类系数的计算公式如下所示：
其中，n表示第n个脑网络，k表示第k个网络层级，g表示对应脑网络在第k个网络层级处的一个目标频繁子图，
表示目标频繁子图g在第n个脑网络的第k个网络层级处的子图局部聚类系数，
表示第n个脑网络的第k个网络层级中与目标频繁子图g相邻的网络节点的节点数目，
表示第n个脑网络的第k个网络层级中与目标频繁子图g相邻的网络节点的集合，
表示第n个脑网络的第k个网络层级中的处于
内的网络节点i与目标频繁子图g中所有网络节点之间的边权值中的最小值，
表示第n个脑网络的第k个网络层级中的处于
内的网络节点j与目标频繁子图g中所有网络节点之间的边权值中的最小值，
表示第n个脑网络的第k个网络层级中的处于
内的网络节点i与网络节点j之间的最小边权值。
8.根据权利要求7所述的装置，其特征在于，所述目标频繁子图在某个脑网络处对应的子图重要性分数的计算公式如下所示：
其中，
表示目标频繁子图g在第n个脑网络的第k个网络层级处的子图重要性分数，M表示第n个脑网络的第k个网络层级所包括的网络节点的节点数目，N表示目标频繁子图g所包括的网络节点的节点数目，
表示第n个脑网络的第k个网络层级所包括的网络节点的集合，
表示第n个脑网络的第k个网络层级中除去目标频繁子图g所包括的网络节点外的网络节点的集合，
表示第n个脑网络的第k个网络层级中的处于
内的网络节点i与网络节点j之间的最短路径长度，
表示第n个脑网络的第k个网络层级中的处于
内的网络节点i'与网络节点j'之间的最短路径长度。
9.根据权利要求8所述的装置，其特征在于，所述目标频繁子图在某个脑网络处对应的子图局部重要性分数的计算公式如下所示：
其中，
表示目标频繁子图g在第n个脑网络的第k个网络层级处的子图局部重要性分数，
表示第n个脑网络的第k个网络层级中与目标频繁子图g对应的局部网络所包括的网络节点的节点数目，N表示目标频繁子图g所包括的网络节点的节点数目，
表示第n个脑网络的第k个网络层级中与目标频繁子图g对应的局部网络所包括的网络节点的集合，
表示第n个脑网络的第k个网络层级中的与目标频繁子图g对应的局部网络中除去目标频繁子图g所包括的网络节点外的网络节点的集合，
表示第n个脑网络的第k个网络层级中的处于
内的网络节点i与网络节点j之间的最短路径长度，
表示第n个脑网络的第k个网络层级中的处于
内的网络节点i'与网络节点j'之间的最短路径长度，其中目标频繁子图g所对应的局部网络由目标频繁子图g所包括的网络节点及与该目标频繁子图g相邻的网络节点组成。
10.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器存储有权利要求1-9中任意一项所述的阿兹海默症检测装置所包括的可由所述处理器执行的软件功能模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911233413.3A CN110916615B (zh) | 2019-12-05 | 2019-12-05 | 阿兹海默症检测装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911233413.3A CN110916615B (zh) | 2019-12-05 | 2019-12-05 | 阿兹海默症检测装置及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110916615A true CN110916615A (zh) | 2020-03-27 |
| CN110916615B CN110916615B (zh) | 2020-09-25 |
Family
ID=69856926
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911233413.3A Active CN110916615B (zh) | 2019-12-05 | 2019-12-05 | 阿兹海默症检测装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110916615B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150018630A1 (en) * | 2013-07-15 | 2015-01-15 | Neurexpand Brain Center Llc | Systems and methods for creating comprehensive and personalized brain health programs |
| 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 |
| CN109034263A (zh) * | 2018-08-15 | 2018-12-18 | 东北大学 | 脑网络多频融合图核的阿尔茨海默病辅助诊断装置及方法 |
| CN109840554A (zh) * | 2018-12-26 | 2019-06-04 | 贵州联科卫信科技有限公司 | 一种基于svm-rfe-mrmr算法的阿兹海默症mri图像分类方法 |
| CN110236543A (zh) * | 2019-05-23 | 2019-09-17 | 东华大学 | 基于深度学习的阿尔茨海默病多分类诊断系统 |
| CN110459317A (zh) * | 2019-08-13 | 2019-11-15 | 东北大学 | 基于动态脑网络图核的阿尔茨海默病辅助诊断系统及方法 |
-
2019
- 2019-12-05 CN CN201911233413.3A patent/CN110916615B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150018630A1 (en) * | 2013-07-15 | 2015-01-15 | Neurexpand Brain Center Llc | Systems and methods for creating comprehensive and personalized brain health programs |
| 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 |
| CN109034263A (zh) * | 2018-08-15 | 2018-12-18 | 东北大学 | 脑网络多频融合图核的阿尔茨海默病辅助诊断装置及方法 |
| CN109840554A (zh) * | 2018-12-26 | 2019-06-04 | 贵州联科卫信科技有限公司 | 一种基于svm-rfe-mrmr算法的阿兹海默症mri图像分类方法 |
| CN110236543A (zh) * | 2019-05-23 | 2019-09-17 | 东华大学 | 基于深度学习的阿尔茨海默病多分类诊断系统 |
| CN110459317A (zh) * | 2019-08-13 | 2019-11-15 | 东北大学 | 基于动态脑网络图核的阿尔茨海默病辅助诊断系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张岩庆 等: "《一种基于Hadoop的大规模Internet频繁闭图挖掘算法》", 《四川大学学报（工程科学版）》 * |
| 郭浩 等: "《基于高阶最小生成树的脑网络分析及对阿兹海默氏症患者的分类》", 《计算机应用》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110916615B (zh) | 2020-09-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Amico et al. | Mapping hybrid functional-structural connectivity traits in the human connectome | |
| US10733726B2 (en) | Pathology case review, analysis and prediction | |
| Dimitriadis et al. | Improving the reliability of network metrics in structural brain networks by integrating different network weighting strategies into a single graph | |
| Tang et al. | Measuring Granger causality between cortical regions from voxelwise fMRI BOLD signals with LASSO | |
| Smith et al. | Accounting for the complex hierarchical topology of EEG phase-based functional connectivity in network binarisation | |
| Biasiolli et al. | Automated localization and quality control of the aorta in cine CMR can significantly accelerate processing of the UK Biobank population data | |
| CN111862020B (zh) | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 | |
| Peterson et al. | Personalized Gaussian processes for future prediction of Alzheimer's disease progression | |
| CN113053535A (zh) | 一种医疗信息预测系统及医疗信息预测方法 | |
| KR100998630B1 (ko) | 폐질환 자동 분류 방법 | |
| Van Kesteren et al. | Exploratory factor analysis with structured residuals for brain network data | |
| Kassani et al. | Causality-based feature fusion for brain neuro-developmental analysis | |
| 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 | |
| Corvò et al. | PathoVA: A visual analytics tool for pathology diagnosis and reporting | |
| CN110916615B (zh) | 阿兹海默症检测装置及计算机设备 | |
| JP7359163B2 (ja) | 判別装置、細胞塊の判別方法、及びコンピュータプログラム | |
| Bachmann et al. | On the extraction and analysis of graphs from resting-state fMRI to support a correct and robust diagnostic tool for Alzheimer's disease | |
| Naz et al. | An automated unsupervised deep learning–based approach for diabetic retinopathy detection | |
| Binaghi et al. | Collection and fuzzy estimation of truth labels in glial tumour segmentation studies | |
| Moon et al. | Feature attention graph neural network for estimating brain age and identifying important neural connections in mouse models of genetic risk for Alzheimer’s disease | |
| Kajiwara et al. | Inhibitory neurons are a Central Controlling regulator in the effective cortical microconnectome | |
| Pigeot et al. | The uncertainty of a selected graphical model | |
| CN112052882B (zh) | 磁共振脑结构影像的分类模型构建、分类与可视化方法 | |
| CN109858513B (zh) | 基于脑灰质白质形态特征多重降维的脑认知能力测量方法 | |
| Alonso et al. | Composite index for the quantitative evaluation of image segmentation results |
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 |