CN111543994B - 基于白质连接图及并联卷积神经网络的癫痫辅助检测系统 - Google Patents
基于白质连接图及并联卷积神经网络的癫痫辅助检测系统 Download PDFInfo
- Publication number
- CN111543994B CN111543994B CN202010333585.4A CN202010333585A CN111543994B CN 111543994 B CN111543994 B CN 111543994B CN 202010333585 A CN202010333585 A CN 202010333585A CN 111543994 B CN111543994 B CN 111543994B
- Authority
- CN
- China
- Prior art keywords
- white matter
- neural network
- parallel
- imaging mode
- parallel convolution
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—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
-
- 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Neurology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Neurosurgery (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于白质连接图和并联卷积神经网络的癫痫辅助检测系统,所述系统包括:每名受试者采集扩散敏感参数b值为0s/mm2、1000s/mm2、2000s/mm2的扩散磁共振数据,并进行预处理;针对不同的b值分别结合神经突方向分散度和密度成像方式、高角度分辨扩散成像方式,提取出受试者的大脑白质纤维特征信息和大脑白质纤维连接信息,将这两种白质信息配准到大脑皮质区域‑自动解剖模板中,输出白质连接图至并联卷积神经网络中;并联卷积神经网络输出检测结果。本发明通过该系统较为准确的自动分析出待检测人员患有癫痫的概率,提高了检测的效率。
Description
技术领域
本发明涉及癫痫智能辅助检测领域,尤其涉及一种基于白质连接图及并联卷积神经网络的癫痫辅助检测系统。
背景技术
全世界大约1%的人受到了癫痫疾病的影响。癫痫是一种神经系统疾病,会损害患者的大脑,并显著增加患者损伤的风险。癫痫不仅给患者带来了巨大的痛苦,而且给社会带来沉重的负担。而自动辅助检测癫痫疾病的系统不仅可以减少医生的工作量,还能有效提升医生诊断的速度和准确率,帮助癫痫患者早日诊断。
专利号CN110840432A公开了一种基于一维CNN-LSTM的多通道脑电图癫痫自动检测装置,但由于脑电图的空间分辨率低,只能检测到癫痫患者的头皮信号,而往往癫痫患者是先在白质结构发生病变,再导致脑电信号的改变,所以基于脑电信号的检测不能满足癫痫患者的早期检测需求。
有研究人员通过机器学习算法中的支持向量机(SVM)和扩散磁共振数据检测癫痫[1],但由于支持向量机算法需要人为的设计特征,而人工设计特征依赖大量的先验知识,难度较大,并且难以避免地会带来人为的偏差,导致算法的泛化能力不强。
参考文献
[1]Cantor-Rivera D,Khan A R,et al.,“Detection of temporal lobeepilepsy using support vector machines in multi-parametric quantitative MRimaging,”Computerized Medical Imaging and Graphics,vol.41,pp.14-28,2015.
发明内容
本发明提供了一种基于白质连接图及并联卷积神经网络的癫痫辅助检测系统,本发明通过该系统较为准确的自动分析出待检测人员患有癫痫的概率,提高了检测的效率,详见下文描述:
一种基于白质连接图和并联卷积神经网络的癫痫辅助检测系统,所述系统包括:
每名受试者采集扩散敏感参数b值为0s/mm2、1000s/mm2、2000s/mm2的扩散磁共振数据,并进行预处理;
针对不同的b值分别结合神经突方向分散度和密度成像方式、高角度分辨扩散成像方式,提取出受试者的大脑白质纤维特征信息和大脑白质纤维连接信息,将这两种白质信息配准到大脑皮质区域-自动解剖模板中,输出白质连接图至并联卷积神经网络中;
并联卷积神经网络输出检测结果。
其中,b值为1000s/mm2和2000s/mm2的数据采集64个梯度方向,b值为0s/mm2的数据通过前向到后向、后向到前向的采集方式。
进一步地,针对不同的b值分别结合神经突方向分散度和密度成像方式、高角度分辨扩散成像方式,提取出受试者的大脑白质纤维特征信息和大脑白质纤维连接信息具体为:
针对b值为0s/mm2、1000s/mm2、2000s/mm2的预处理后数据,通过神经突方向分散度和密度成像方式得到神经突内容积比值,该值能表现神经突密度的精细特征,作为大脑白质纤维特征信息;
针对b值为2000s/mm2的预处理后数据,通过高角度分辨扩散成像方式重建方位分布函数图像,进行全脑追踪得到大脑白质纤维连接信息。
其中,所述并联卷积神经网络一共有47层卷积层,并联的卷积层结构算作1层卷积层,
其整体结构是先串联5个卷积层和2个最大值池化层,重复3次第一并联卷积模块;
连接第二并联卷积模块,重复4次第三并联卷积模块;
连接第四并联卷积模块,重复2次第五并联卷积模块,最后连接一个全连接层和Softmax层。
本发明提供的技术方案的有益效果是:
(1)本发明所公开的癫痫智能辅助检测系统识别准确率能达到88.3%,具有较高的准确率;
(2)本发明提出了一种通过扩散磁共振数据构建白质连接图的方法,能有效的显示出健康人和癫痫患者的大脑结构差异,找到了自动检测的一种生物标志物;
(3)本发明提出了一种有47层卷积层的并联卷积神经网络,比传统卷积神经网络有更多维度和更宽的感受野,能更好地拟合白质连接图数据,从而具有更强的检测分类能力。
附图说明
图1为一种基于白质连接图和并联卷积神经网络的癫痫辅助检测系统的原理图;
图2为构建白质连接图的原理图;
图3为并联卷积神经网络的结构图;
图4为健康人和癫痫患者的白质连接图;
图5为测试结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
由于白质连接图是基于扩散磁共振成像数据获得的,具有较高的空间分辨率,并且其特征参数是神经突密度,所以白质连接图能很好的显示出健康人和癫痫患者的微小白质变化,克服脑电信号的缺陷,有效作为早期检测癫痫患者的生物标志物;并联卷积神经网络不需要手工设计特征,可以自动提取白质连接图的特征,所以可以避免人为提取特征带来的困难和偏差;另外专门针对白质纤维数据设计的有47层卷积层的并联卷积神经网络,其比传统卷积神经网络具有更多维度和更宽的感受野,能更好地拟合白质连接图数据,实验证明该系统具有较好的效果。
本发明内容公开的一种基于白质连接图和并联卷积神经网络的癫痫智能辅助检测系统,其主要内容包括:
(1)特征数据集:通过扩散磁共振成像数据构建白质连接图。
(2)检测算法:搭建了有47层卷积层结构的并联卷积神经网络。
一、扩散磁共振成像数据的采集:
在医院用3-tesla MRI扫描仪获得健康人和癫痫患者的扩散磁共振成像数据,在数据采集前,要求受试者充分休息。在数据采集中,受试者通过泡沫头垫保持头部静止。每名受试者采集3种扩散敏感参数b值(0s/mm2、1000s/mm2、2000s/mm2)的扩散磁共振数据,采集参数如下:切片数55个,切片厚度2.3mm,视野220×220mm2,基质尺寸96×96,体素尺寸2.3×2.3×2.3mm3,重复时间8300ms,回声时间100ms。另外,b值为1000s/mm2和2000s/mm2的数据采集64个梯度方向,b值为0s/mm2的数据通过前向到后向、后向到前向的采集方式。
二、数据预处理:
将采集到的DICOM格式的原始数据转换为NIfTI格式的图像数据,然后进行如下步骤的预处理:(1)时间片校准,校准各层图像扫描时间片不同步时存在的问题;(2)头部运动校准,降低图像扫描过程中受试者因为头部动作导致大脑图像的定位误差;(3)空间标准化,调整受试者大脑形态结构为标准的形态结构;(4)空间平滑,进一步消除受试者大脑形态结构空间标准化之后的细微差异。
三、白质连接图的构建:
将受试者的扩散磁共振成像数据经过数据预处理,分别通过两种成像方式提取出受试者的大脑白质纤维特征信息和大脑白质纤维连接信息,然后将这两种白质信息配准到大脑皮质区域-自动解剖模板中,输出白质连接图。白质连接图是一个大小为90*90的矩阵,矩阵中的元素值等于大脑白质特征信息。
其中,扩散磁共振成像数据的是采集自受试者的3种扩散敏感参数b值(0s/mm2、1000s/mm2、2000s/mm2)的扩散磁共振数据。大脑皮质区域-自动解剖模板为本领域技术人员所公知,本发明实施例以90*90为例进行说明,具体实现时,对此不做限制。
其中,大脑白质纤维特征信息的获取如下:通过对b值为0s/mm2、1000s/mm2、2000s/mm2的数据进行预处理后,通过神经突方向分散度和密度成像方式得到神经突内容积比值,该值能表现神经突密度这种精细特征,所以作为大脑白质纤维特征信息。
其中,大脑白质纤维连接信息的获取如下:通过对b值为2000s/mm2的数据进行预处理后,通过高角度分辨扩散成像方式重建方位分布函数图像,然后进行全脑追踪得到大脑白质纤维连接信息。
通过上述方法构建得到健康人和癫痫患者的白质连接图。在本次具体实施方式中共采集了30名健康人和33名癫痫患者的扩散磁共振数据,并对构建得到的白质连接图进行数据增强,通过十重裁剪将数据扩增10倍。
四、并联卷积神经网络的设计:
并联卷积神经网络一共有47层卷积层,其整体结构是先串联5个卷积层和2个最大值池化层,然后重复3次第一并联卷积模块1,再连接第二并联卷积模块2,然后重复4次第三并联卷积模块3,再连接第四并联卷积模块4,然后重复2次第五并联卷积模块5,最后连接一个全连接层和Softmax层。
其中,第一并联卷积模块1内部并联了4个卷积层支路,卷积层数最多的支路有3层卷积层,且有1个平均值池化层;
其中,第二并联卷积模块2内部并联了2个卷积层支路,卷积层数最多的支路有3层卷积层,且有1个最大值池化层;
其中,第三并联卷积模块3内部并联了4个卷积层支路,卷积层数最多的支路有5层卷积层,且有1个平均值池化层;
其中,第四并联卷积模块4内部并联了2个卷积层支路,卷积层数最多的支路有4层卷积层,且有1个最大值池化层;
其中,第五并联卷积模块5内部并联了4个卷积层支路,另外其中有2个支路又分别并联了2个卷积层,卷积层数最多的支路有3层卷积层,且有1个平均值池化层。
进一步地,并联卷积神经网络中每个卷积层的卷积核的大小和卷积核数量如图3所示,例如第一个卷积层的卷积核大小为3×3,卷积核数量为32,第三个卷积层的卷积核大小为3×3,卷积核数量为64个。
进一步地,所述的并联卷积神经网络的优化算法是Adam,损失函数是交叉熵,激活函数是ReLu,在全连接层中使用了dropout机制。
进一步地,所述的并联卷积神经网络,其训练的超参数是:学习率:0.00002,dropout:0.2,训练批次大小:24,训练次数:200。
进一步地,在具体实施例中,使用python语言、TensorFlow 1.9框架,在windows系统,GTX1060-6G的环境中训练并联卷积神经网络。
五、系统检测结果评估:
将构建的白质连接图的特征数据集按照80%训练集和20%测试集划分,用训练集通过反向传播算法训练并联卷积神经网络,测试集检验训练好的并联卷积神经网络。并联卷积神经网络重复实验50次后得到的平均效果如图5所示,在测试集上癫痫患者的识别准确率为88.3%。
对于待检测人员,通过上述一样的方法构建待检测人员的白质连接图,将其白质连接图送入已经训练好的并联卷积神经网络,得出待检测人员患有癫痫的概率。这项检测指标能更好的诊断癫痫患者。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于白质连接图及并联卷积神经网络的癫痫辅助检测系统,其特征在于,所述系统包括:
每名受试者采集扩散敏感参数b值为0s/mm2、1000s/mm2、2000s/mm2的扩散磁共振数据,并进行预处理;
针对不同的b值分别结合神经突方向分散度和密度成像方式、高角度分辨扩散成像方式,提取出受试者的大脑白质纤维特征信息和大脑白质纤维连接信息,将这两种白质信息配准到大脑皮质区域-自动解剖模板中,输出白质连接图至并联卷积神经网络中;
并联卷积神经网络输出检测结果;
其中,针对不同的b值分别结合神经突方向分散度和密度成像方式、高角度分辨扩散成像方式,提取出受试者的大脑白质纤维特征信息和大脑白质纤维连接信息具体为:
针对b值为0s/mm2、1000s/mm2、2000s/mm2的预处理后数据,通过神经突方向分散度和密度成像方式得到神经突内容积比值,该值能表现神经突密度的精细特征,作为大脑白质纤维特征信息;
针对b值为2000s/mm2的预处理后数据,通过高角度分辨扩散成像方式重建方位分布函数图像,进行全脑追踪得到大脑白质纤维连接信息;
所述并联卷积神经网络一共有47层卷积层,并联的卷积层结构算作1层卷积层,
其整体结构是先串联5个卷积层和2个最大值池化层,重复3次第一并联卷积模块;
连接第二并联卷积模块,重复4次第三并联卷积模块;
连接第四并联卷积模块,重复2次第五并联卷积模块,最后连接一个全连接层和Softmax层。
2.根据权利要求1所述的一种基于白质连接图及并联卷积神经网络的癫痫辅助检测系统,其特征在于,b值为1000s/mm2和2000s/mm2的数据采集64个梯度方向,b值为0s/mm2的数据通过前向到后向、后向到前向的采集方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010333585.4A CN111543994B (zh) | 2020-04-24 | 2020-04-24 | 基于白质连接图及并联卷积神经网络的癫痫辅助检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010333585.4A CN111543994B (zh) | 2020-04-24 | 2020-04-24 | 基于白质连接图及并联卷积神经网络的癫痫辅助检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111543994A CN111543994A (zh) | 2020-08-18 |
CN111543994B true CN111543994B (zh) | 2023-04-07 |
Family
ID=71996338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010333585.4A Active CN111543994B (zh) | 2020-04-24 | 2020-04-24 | 基于白质连接图及并联卷积神经网络的癫痫辅助检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111543994B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509282A (zh) * | 2011-09-26 | 2012-06-20 | 东南大学 | 一种融合结构连接的各脑区间的效能连接分析方法 |
CN102791185A (zh) * | 2009-12-21 | 2012-11-21 | S·华 | 通过非正交和正交轨道插入颅骨内的医疗装置及其使用方法 |
CN107669244A (zh) * | 2017-10-27 | 2018-02-09 | 中国人民解放军国防科技大学 | 基于EEG‑fMRI的癫痫异常放电位点定位方法及系统 |
CN109222902A (zh) * | 2018-08-27 | 2019-01-18 | 上海铱硙医疗科技有限公司 | 基于核磁共振的帕金森预测方法、系统、存储介质及设备 |
CN109691985A (zh) * | 2018-12-19 | 2019-04-30 | 北京工业大学 | 一种基于dti技术及svm的颞叶癫痫辅助诊断方法 |
CN109965895A (zh) * | 2019-03-28 | 2019-07-05 | 济南国科医工科技发展有限公司 | 一种基于脑影像融合特征的癫痫灶定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9478026B2 (en) * | 2014-03-31 | 2016-10-25 | Musc Foundation For Research Development | Systems and methods for determining white matter fiber tractography |
-
2020
- 2020-04-24 CN CN202010333585.4A patent/CN111543994B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102791185A (zh) * | 2009-12-21 | 2012-11-21 | S·华 | 通过非正交和正交轨道插入颅骨内的医疗装置及其使用方法 |
CN102509282A (zh) * | 2011-09-26 | 2012-06-20 | 东南大学 | 一种融合结构连接的各脑区间的效能连接分析方法 |
CN107669244A (zh) * | 2017-10-27 | 2018-02-09 | 中国人民解放军国防科技大学 | 基于EEG‑fMRI的癫痫异常放电位点定位方法及系统 |
CN109222902A (zh) * | 2018-08-27 | 2019-01-18 | 上海铱硙医疗科技有限公司 | 基于核磁共振的帕金森预测方法、系统、存储介质及设备 |
CN109691985A (zh) * | 2018-12-19 | 2019-04-30 | 北京工业大学 | 一种基于dti技术及svm的颞叶癫痫辅助诊断方法 |
CN109965895A (zh) * | 2019-03-28 | 2019-07-05 | 济南国科医工科技发展有限公司 | 一种基于脑影像融合特征的癫痫灶定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111543994A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110522448B (zh) | 一种基于图卷积神经网络的脑网络分类方法 | |
Yue et al. | Auto-detection of Alzheimer's disease using deep convolutional neural networks | |
CN109522894B (zh) | 一种探测fMRI脑网络动态协变的方法 | |
US20210401289A1 (en) | Brain functional connectivity correlation value adjustment method, brain functional connectivity correlation value adjustment system, brain activity classifier harmonization method, brain activity classifier harmonization system, and brain activity biomarker system | |
CN107669244B (zh) | 基于EEG-fMRI的癫痫异常放电位点定位系统 | |
EP3865061A1 (en) | Brain functional connectivity correlation value adjustment method, brain functional connectivity correlation value adjustment system, brain activity classifier harmonization method, brain activity classifier harmonization system, and brain activity biomarker system | |
CN108898135B (zh) | 一种大脑边缘系统图谱构建方法 | |
CN112002428B (zh) | 以独立成分网络为参照的全脑个体化脑功能图谱构建方法 | |
CN106127769A (zh) | 一种基于脑连接网络的脑龄预测方法 | |
CN106096636A (zh) | 一种基于神经影像的进展型轻度认知功能障碍识别方法 | |
CN111523617B (zh) | 基于白质融合特征图和残差注意力网络的癫痫检测系统 | |
CN109920550A (zh) | 一种基于dMRI研究青少年肌阵挛性癫痫的方法 | |
CN110111296A (zh) | 深度学习的新发皮层下小梗死病灶自动分割系统及其方法 | |
WO2024083058A1 (zh) | 一种大脑纤维束异常区域精准定位系统 | |
CN112233086B (zh) | 基于脑区功能连接的fMRI数据分类识别方法及装置 | |
CN111543994B (zh) | 基于白质连接图及并联卷积神经网络的癫痫辅助检测系统 | |
Dachena et al. | Application of MRI, fMRI and cognitive data for Alzheimer’s disease detection | |
CN114596306A (zh) | 基于机器学习诊断帕金森疾病的系统 | |
CN114708256A (zh) | 基于磁共振图像的颈动脉斑块分析装置 | |
CN111369637B (zh) | 一种融合白质功能信号的dwi纤维优化重建方法及系统 | |
CN114723937A (zh) | 一种基于核磁共振影像的血管周围间隙分类方法及系统 | |
CN113057620A (zh) | 青少年肌阵挛癫痫患者不同脑区耦合关系的有效连接方法 | |
CN113687285A (zh) | 一种疾病筛查与诊断系统、模型训练方法 | |
Ding et al. | Exploring the relevance between brain glucose metabolism and functional connectivity in Chinese cognitive dysfunctions’ subjects using integrated resting-state PET/MRI images | |
Guo | Automatic Autism Diagnosis Model Based on a 3D Convolutional Neural Network and ReHo |
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 |