CN111652843A - 一种基于核磁共振结构影像加权的决策支持方法及系统 - Google Patents
一种基于核磁共振结构影像加权的决策支持方法及系统 Download PDFInfo
- Publication number
- CN111652843A CN111652843A CN202010342792.6A CN202010342792A CN111652843A CN 111652843 A CN111652843 A CN 111652843A CN 202010342792 A CN202010342792 A CN 202010342792A CN 111652843 A CN111652843 A CN 111652843A
- Authority
- CN
- China
- Prior art keywords
- decision support
- disease
- magnetic resonance
- nuclear magnetic
- alzheimer
- 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.)
- Pending
Links
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 42
- 208000024827 Alzheimer disease Diseases 0.000 claims abstract description 67
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 201000010099 disease Diseases 0.000 claims abstract description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 12
- 210000004556 brain Anatomy 0.000 claims description 13
- 238000009533 lab test Methods 0.000 claims description 12
- 206010003694 Atrophy Diseases 0.000 claims description 7
- 230000037444 atrophy Effects 0.000 claims description 7
- 208000010877 cognitive disease Diseases 0.000 description 8
- 238000002372 labelling Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000002595 magnetic resonance imaging Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 208000027061 mild cognitive impairment Diseases 0.000 description 6
- 238000010191 image analysis Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 206010012289 Dementia Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004159 blood analysis Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000006999 cognitive decline Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提出一种基于核磁共振结构影像加权的决策支持方法及系统，包括：使用已标注核磁共振结构影像作为训练数据，对卷积神经网络模型进行预训练，得到决策支持模型；根据待分析对象的临床资料通过数据库查询，得到该待分析对象患病的前置概率；采用深度学习和统计回归的方法，提取该待分析对象核磁共振结构影像的量化特征，将该量化特征作为权重引入该决策支持模型，将该前置概率输入至该决策支持模型，得到该待分析对象的疾病决策支持结果。本发明提供的种基于核磁共振结构影像加权的阿尔茨海默病早期预测的方法具有更高的准确率、假阴性率和假阳性率。
Description
技术领域
本发明涉及机器学习领域和智能图像分析领域，并特别涉及一种基于核磁共振结构影像加权的决策支持方法及系统。
背景技术
阿尔茨海默病(Alzheimer’s Disease，AD)临床上表现为失忆、丧失行动、语言能力等，是典型的老年退行性疾病。阿尔茨海默病(Alzheimer’s Disease，AD)俗称老年痴呆症。国际阿尔茨海默病协会(ADI)颁布的“世界阿尔茨海默病2018年报告”指出：每隔3秒钟，全球将有一位老年人患阿尔茨海默病，产生认知障碍的问题。报告表明了2018年全球约有5千万人患有痴呆，到2050年，这一数字将增至1.52亿。2018年全球社会痴呆相关成本为1万亿美元，到2030年，这一数字将增至2万亿美元。而且因为AD的患病已到晚期的话，对于患者本人及患者家庭有巨大伤害，所以，“早期发现，早期治疗”一直是AD防治的首要原则。
轻度认知障碍(Mild Cognitive Impairment,MCI)可能是介于正常衰老和阿尔茨海默病之间的一种中间状态。研究表明，与年龄和社会经济条件相近的正常老人相比，轻度认知障碍患者的日常能力没有受到明显影响，但是轻度认知障碍患者存在轻度认知功能减退。与正常老人相比，轻度认知障碍患者患阿尔茨海默病的可能性大大增加。大部分的阿尔茨海默病患者确诊时为中度或者重度，治疗难度非常大，因此，轻度认知障碍阶段则是防治阿尔茨海默病的关键阶段。
核磁共振成像(Magnetic Resonance Imaging，MRI)作为一种当下很流行的神经成像方法，已广泛用于AD的辅助决策。《美国医学会杂志神经病学》(JAMA Neurology)的研究表明，阿尔兹海默病(AD)与静息态功能连接核磁共振成像而生成的默认模式网络的衰减相关。
机器学习是一门包含了概率论、统计学、算法复杂度、GPU并行计算等多门学科等多领域交叉学科，相关的算法包括决策树、提升方法、支持向量机(Support VectorMachines,SVM)、随机森林(Random Forest,RF)、聚类分析。机器学习对核磁共振成像分析起到了很重要的作用。目前，在阿尔茨海默病早期预测的技术领域，机器学习方法在分析核磁共振成像时有很好的效果。机器学习算法预测阿尔茨海默病能够达到很高的准确率。机器学习可以从MRI中提取阿尔茨海默病特征，包括与阿尔茨海默病相关的脑区的体积等信息。
基于深度学习分析核磁共振成像，从而对阿尔茨海默病进行预测，是一个近年来发展起来的技术领域。
发明内容
本发明的目的是解决上述现有技术的阿尔茨海默病早期预测的方法中，医学影像资料与相互脱节的问题，提出了一种基于核磁共振结构影像加权的阿尔茨海默病早期预测的方法及系统。其中临床资料包括：个人健康信息、实验室检测、电子病历等。
针对现有技术的不足，本发明提出一种基于核磁共振结构影像加权的决策支持方法，其中包括：
步骤1、使用已标注核磁共振结构影像作为训练数据，对卷积神经网络模型进行预训练，得到决策支持模型；
步骤2、根据待分析对象的临床资料通过数据库查询，得到该待分析对象患病的前置概率；
步骤3、采用深度学习和统计回归的方法，提取该待分析对象核磁共振结构影像的量化特征，将该量化特征作为权重引入该决策支持模型，将该前置概率输入至该决策支持模型，得到该待分析对象的疾病决策支持结果。
所述的基于核磁共振结构影像加权的决策支持方法，其中该步骤1包括：利用医学影像专家的精细标注的阿尔茨海默病核磁共振结构影像数据，对该卷积神经网络模型进行精细调整。
所述的基于核磁共振结构影像加权的决策支持方法，其中该量化特征为与阿尔茨海默病相关的脑区的萎缩体积与阿尔茨海默病相关的脑区的比值。
所述的基于核磁共振结构影像加权的决策支持方法，其中该临床资料包括：个人健康信息和/或实验室检测和/或电子病历。
本发明还提供了一种基于核磁共振结构影像加权的决策支持系统，其中包括：
模块1、使用已标注核磁共振结构影像作为训练数据，对卷积神经网络模型进行预训练，得到决策支持模型；
模块2、根据待分析对象的临床资料通过数据库查询，得到该待分析对象患病的前置概率；
模块3、采用深度学习和统计回归的系统，提取该待分析对象核磁共振结构影像的量化特征，将该量化特征作为权重引入该决策支持模型，将该前置概率输入至该决策支持模型，得到该待分析对象的疾病决策支持结果。
所述的基于核磁共振结构影像加权的决策支持系统，其中该模块1包括：利用医学影像专家的精细标注的阿尔茨海默病核磁共振结构影像数据，对该卷积神经网络模型进行精细调整。
所述的基于核磁共振结构影像加权的决策支持系统，其中该量化特征为与阿尔茨海默病相关的脑区的萎缩体积与阿尔茨海默病相关的脑区的比值。
所述的基于核磁共振结构影像加权的决策支持系统，其中该临床资料包括：个人健康信息和/或实验室检测和/或电子病历。
由以上方案可知，本发明的优点在于：
针对的问题，本发明提供的综合所有的阿尔茨海默病的临床资料(包括但不限于：个人健康信息、实验室检测、电子病历、医学影像)，提出了基于核磁共振结构影像加权的阿尔茨海默病早期预测的一体化模型。与现有的分别分析阿尔茨海默病的临床资料(包括但不限于：个人健康信息、实验室检测、电子病历、医学影像)的方法相比，本发明提供的种基于核磁共振结构影像加权的阿尔茨海默病早期预测的方法具有更高的性能(准确率、假阴性率、假阳性率)。
附图说明
图1为本发明实施例的流程图；
图2为本发明实施例中基于深度学习(迁移学习)的核磁共振影像分析量化的技术路线图；
图3为本发明实施例中阿尔茨海默病的决策支持的加权贝叶斯网络的结构示意图。
具体实施方式
本发明使用深度学习(Deep Learning，DL)方法，将阿尔茨海默病核磁共振结构影像的量化结果，通过权重的形式，引入到阿尔茨海默病的决策支持模型中，达到了比仅仅使用临床资料(包括但不限于：个人健康信息、实验室检测、电子病历)的决策支持模型有更好的效果。
本发明的核心是整体技术路线：将阿尔茨海默病核磁共振结构影像的量化结果，通过权重的形式，引入到阿尔茨海默病的决策支持模型中。本发明还包括阿尔茨海默病核磁共振结构影像的量化方法、权重计算、决策支持模型的构建：图加权贝叶斯网络、结果的解释方法。
现有技术中该项缺陷是由医学影像资料与临床资料(包括但不限于：个人健康信息、实验室检测、电子病历)相互脱节的问题(缺陷)导致的，发明人经过仔细研究发现，解决该项缺陷可以通过将阿尔茨海默病核磁共振结构影像的量化结果，通过权重的形式，引入到阿尔茨海默病的决策支持模型的方法来实现。
本发明的整体技术路线；技术效果：将阿尔茨海默病核磁共振结构影像的量化结果，通过权重的形式，引入到阿尔茨海默病的决策支持模型中；阿尔茨海默病核磁共振结构影像的量化结果，是用萎缩程度来表示的：与阿尔茨海默病相关的脑区的萎缩体积与阿尔茨海默病相关的脑区的比值；
一种基于加权贝叶斯网络的决策支持模型；技术效果：加权的方法的设计：wnP，其中w为权重，n为指数，P为前置概率。为了提高加权的效果，需要选择合适的n值，n值可以是人工根据多次实验的结果进行设定也可以通过机器学习训练自学习得到。
为让本发明的上述特征和效果能阐述的更明确易懂，下文特举实施例，并配合说明书附图作详细说明如下。
本发明提供一种基于核磁共振结构影像加权的阿尔茨海默病早期预测的方法，包括整体技术路线、基于深度学习的量化方法、权重计算、决策支持模型：图加权贝叶斯网络、结果的解释方法。
在一种实施方式中，整体框架采用了加权贝叶斯网络的方法，其中核磁共振结构影像部分采用了深度学习的方法。
在一种实施方式中，阿尔茨海默病的临床资料(包括但不限于：个人健康信息、实验室检测、电子病历)特征的前置概率的计算，采用基于医院信息系统HIS统计的方法，其中前置概率计算是模型输入的要求，前置概率是通过数据库查询以后计算得到的。
本发明还提供一种阿尔茨海默病核磁共振结构影像特征的选择、提取、量化的方法，包括以下步骤：
阿尔茨海默病核磁共振结构影像特征的提取，采用深度学习的方法；
阿尔茨海默病核磁共振结构影像特征的量化，采用统计回归的方法。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
图1是本发明实施例中整体技术路线，如图1所示，早期预测的方法的输入包括两个不同的部分:
阿尔茨海默病的临床资料(包括但不限于：个人健康信息、实验室检测、电子病历)，其特征可以直接选择、提取和量化；
待分析核磁共振结构影像，其特征需要经过深度学习的方法来进行提取、量化。
输入还包括从数据库获取阿尔茨海默病医学专家评分，并通过加权模型将评分转换成权重，将输出结果阿尔茨海默病患病的概率输入到加权决策支持模型之中。
加权诊断决策支持模型的输出是阿尔茨海默病的临床决策支持数据，包括相关的解释和判读，临床决策支持数据可在在医疗教学中起到辅助教学的作用。
图2是本发明实施例中基于深度学习的阿尔茨海默病核磁共振影像分析量化的技术路线图，如图2所示，影像分析量化分为两个步骤：
基于模板的初标注。因为阿尔茨海默病核磁共振结构影像的标注非常困难，为了避免大量的标注工作，影像分析量化的第一步骤是：基于模板的阿尔茨海默病核磁共振结构影像的初始标注；
基于初标注的深度学习模型预训练。利用初标注的阿尔茨海默病核磁共振结构影像数据，对卷积神经网络模型进行预训练；
基于医学影像专家的精细标注。利用医学影像标注软件3D Slicer，医学影像专家对阿尔茨海默病核磁共振结构影像数据进行精细的标注；
基于精细标注的深度学习模型的精细调整(fine tuning)。利用医学影像专家的精细标注的阿尔茨海默病核磁共振结构影像数据，对核磁共振模型进行精细调整(finetuning)，得到高的准确率和IoU或者Dice系数(Dice系数是评价分割准确程度的一个指标)。
图3是本发明实施例中阿尔茨海默病的决策支持的加权贝叶斯网络的结构示意图。如图3所示，面向阿尔茨海默病的决策支持的加权贝叶斯网络包含三个层次结构：阿尔茨海默病患者的个人健康信息；阿尔茨海默病；电子病历(量表检查)、实验室检查(主要是血液检查指标，医院的检验科提供的数据)、核磁共振结构影像特征是的。(第三层)。
以下为与上述方法实施例对应的系统实施例，本实施方式可与上述实施方式互相配合实施。上述实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在上述实施方式中。
本发明还提供了一种基于核磁共振结构影像加权的决策支持系统，其中包括：
模块1、使用已标注核磁共振结构影像作为训练数据，对卷积神经网络模型进行预训练，得到决策支持模型；
模块2、根据待分析对象的临床资料通过数据库查询，得到该待分析对象患病的前置概率；
模块3、采用深度学习和统计回归的系统，提取该待分析对象核磁共振结构影像的量化特征，将该量化特征作为权重引入该决策支持模型，将该前置概率输入至该决策支持模型，得到该待分析对象的疾病决策支持结果。
所述的基于核磁共振结构影像加权的决策支持系统，其中该模块1包括：利用医学影像专家的精细标注的阿尔茨海默病核磁共振结构影像数据，对该卷积神经网络模型进行精细调整。
所述的基于核磁共振结构影像加权的决策支持系统，其中该量化特征为与阿尔茨海默病相关的脑区的萎缩体积与阿尔茨海默病相关的脑区的比值。
所述的基于核磁共振结构影像加权的决策支持系统，其中该临床资料包括：个人健康信息和/或实验室检测和/或电子病历。
Claims (8)
1.一种基于核磁共振结构影像加权的决策支持方法，其特征在于，包括：
步骤1、使用已标注核磁共振结构影像作为训练数据，对卷积神经网络模型进行预训练，得到决策支持模型；
步骤2、根据待分析对象的临床资料通过数据库查询，得到该待分析对象患病的前置概率；
步骤3、采用深度学习和统计回归的方法，提取该待分析对象核磁共振结构影像的量化特征，将该量化特征作为权重引入该决策支持模型，将该前置概率输入至该决策支持模型，得到该待分析对象的疾病决策支持结果。
2.如权利要求1所述的基于核磁共振结构影像加权的决策支持方法，其特征在于，该步骤1包括：利用医学影像专家的精细标注的阿尔茨海默病核磁共振结构影像数据，对该卷积神经网络模型进行精细调整。
3.如权利要求1所述的基于核磁共振结构影像加权的决策支持方法，其特征在于，该量化特征为与阿尔茨海默病相关的脑区的萎缩体积与阿尔茨海默病相关的脑区的比值。
4.如权利要求1所述的基于核磁共振结构影像加权的决策支持方法，其特征在于，该临床资料包括：个人健康信息和/或实验室检测和/或电子病历。
5.一种基于核磁共振结构影像加权的决策支持系统，其特征在于，包括：
模块1、使用已标注核磁共振结构影像作为训练数据，对卷积神经网络模型进行预训练，得到决策支持模型；
模块2、根据待分析对象的临床资料通过数据库查询，得到该待分析对象患病的前置概率；
模块3、采用深度学习和统计回归的系统，提取该待分析对象核磁共振结构影像的量化特征，将该量化特征作为权重引入该决策支持模型，将该前置概率输入至该决策支持模型，得到该待分析对象的疾病决策支持结果。
6.如权利要求1所述的基于核磁共振结构影像加权的决策支持系统，其特征在于，该模块1包括：利用医学影像专家的精细标注的阿尔茨海默病核磁共振结构影像数据，对该卷积神经网络模型进行精细调整。
7.如权利要求1所述的基于核磁共振结构影像加权的决策支持系统，其特征在于，该量化特征为与阿尔茨海默病相关的脑区的萎缩体积与阿尔茨海默病相关的脑区的比值。
8.如权利要求1所述的基于核磁共振结构影像加权的决策支持系统，其特征在于，该临床资料包括：个人健康信息和/或实验室检测和/或电子病历。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010342792.6A CN111652843A (zh) | 2020-04-27 | 2020-04-27 | 一种基于核磁共振结构影像加权的决策支持方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010342792.6A CN111652843A (zh) | 2020-04-27 | 2020-04-27 | 一种基于核磁共振结构影像加权的决策支持方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111652843A true CN111652843A (zh) | 2020-09-11 |
Family
ID=72348317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010342792.6A Pending CN111652843A (zh) | 2020-04-27 | 2020-04-27 | 一种基于核磁共振结构影像加权的决策支持方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111652843A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112155550A (zh) * | 2020-09-28 | 2021-01-01 | 深圳市万佳安物联科技股份有限公司 | 一种基于支持向量机的阿尔兹海默症检测装置 |
| CN117542528A (zh) * | 2024-01-10 | 2024-02-09 | 中国人民解放军总医院第一医学中心 | 基于影像组学的强直性脊柱炎髋关节受累风险标注系统 |
-
2020
- 2020-04-27 CN CN202010342792.6A patent/CN111652843A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112155550A (zh) * | 2020-09-28 | 2021-01-01 | 深圳市万佳安物联科技股份有限公司 | 一种基于支持向量机的阿尔兹海默症检测装置 |
| CN117542528A (zh) * | 2024-01-10 | 2024-02-09 | 中国人民解放军总医院第一医学中心 | 基于影像组学的强直性脊柱炎髋关节受累风险标注系统 |
| CN117542528B (zh) * | 2024-01-10 | 2024-03-12 | 中国人民解放军总医院第一医学中心 | 基于影像组学的强直性脊柱炎髋关节受累风险标注系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447183B (zh) | 预测模型训练方法、装置、设备以及介质 | |
| CN109935336B (zh) | 一种儿童呼吸科疾病的智能辅助诊断系统 | |
| CN113314205B (zh) | 一种高效的医学影像标注与学习系统 | |
| CN109558912A (zh) | 一种基于深度可分离卷积的阿尔兹海默病分类方法 | |
| WO2023104173A1 (zh) | 基于人脑功能磁共振影像的自闭症分类器构建方法及系统 | |
| CN111461233A (zh) | 一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法及装置 | |
| CN111652843A (zh) | 一种基于核磁共振结构影像加权的决策支持方法及系统 | |
| WO2023198224A1 (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
| CN113838577B (zh) | 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法 | |
| 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 | |
| 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 | |
| CN113128654A (zh) | 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统 | |
| CN111932522A (zh) | 一种基于脑成像大数据深度学习的阿尔兹海默症分类器 | |
| Shukla et al. | Alz-ConvNets for classification of Alzheimer disease using transfer learning approach | |
| CN114983341A (zh) | 基于多模态特征融合的阿尔茨海默病多分类预测系统 | |
| 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 | |
| CN115035346A (zh) | 一种基于协作学习方法增强的阿尔兹海默病的分类方法 | |
| CN114246588A (zh) | 一种抑郁症研究方法 | |
| CN113197578A (zh) | 一种基于多中心模型的精神分裂症分类方法及系统 | |
| CN112837807A (zh) | 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法 | |
| Akbarifar et al. | Fuzzy Clustering to Asses BALI and LIBRA factors for Estimation of DTI measures | |
| CN117197637B (zh) | 神经影像脑网络效率指标的常模构建方法、应用及装置 | |
| CN116309336B (zh) | 一种血管认知障碍的关键影像标记物的提取方法 | |
| CN115064267B (zh) | 一种胆道闭锁风险评估系统及其建立方法 | |
| CN116228717A (zh) | 用于失眠诊断的智能舌诊特征提取方法及失眠诊断系统 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200911 |
|
| WD01 | Invention patent application deemed withdrawn after publication |