CN111753833A - 基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法 - Google Patents
基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法 Download PDFInfo
- Publication number
- CN111753833A CN111753833A CN202010718062.1A CN202010718062A CN111753833A CN 111753833 A CN111753833 A CN 111753833A CN 202010718062 A CN202010718062 A CN 202010718062A CN 111753833 A CN111753833 A CN 111753833A
- Authority
- CN
- China
- Prior art keywords
- fmri
- dti
- brain
- image
- connection
- 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
- 238000002599 functional magnetic resonance imaging Methods 0.000 title claims abstract description 97
- 210000004556 brain Anatomy 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 239000000835 fiber Substances 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 208000024891 symptom Diseases 0.000 claims abstract description 13
- 230000003925 brain function Effects 0.000 claims abstract description 8
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims description 18
- 230000004886 head movement Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 9
- 238000009792 diffusion process Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 2
- 208000027089 Parkinsonian disease Diseases 0.000 claims 1
- 206010034010 Parkinsonism Diseases 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract 1
- 208000018737 Parkinson disease Diseases 0.000 description 60
- 230000000694 effects Effects 0.000 description 15
- 238000003745 diagnosis Methods 0.000 description 11
- 201000010099 disease Diseases 0.000 description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- WTDRDQBEARUVNC-LURJTMIESA-N L-DOPA Chemical compound OC(=O)[C@@H](N)CC1=CC=C(O)C(O)=C1 WTDRDQBEARUVNC-LURJTMIESA-N 0.000 description 7
- WTDRDQBEARUVNC-UHFFFAOYSA-N L-Dopa Natural products OC(=O)C(N)CC1=CC=C(O)C(O)=C1 WTDRDQBEARUVNC-UHFFFAOYSA-N 0.000 description 7
- 229960004502 levodopa Drugs 0.000 description 7
- 229940079593 drug Drugs 0.000 description 6
- 239000003814 drug Substances 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010832 independent-sample T-test Methods 0.000 description 4
- 206010006100 Bradykinesia Diseases 0.000 description 3
- 208000006083 Hypokinesia Diseases 0.000 description 3
- 208000002740 Muscle Rigidity Diseases 0.000 description 3
- 206010044565 Tremor Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000003748 differential diagnosis Methods 0.000 description 3
- 238000013399 early diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000004770 neurodegeneration Effects 0.000 description 3
- 208000015122 neurodegenerative disease Diseases 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 208000003174 Brain Neoplasms Diseases 0.000 description 2
- 206010017577 Gait disturbance Diseases 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 238000012307 MRI technique Methods 0.000 description 2
- 206010071390 Resting tremor Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000546 chi-square test Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000002597 diffusion-weighted imaging Methods 0.000 description 2
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 230000008338 local blood flow Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010831 paired-sample T-test Methods 0.000 description 2
- 230000008506 pathogenesis Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- INGWEZCOABYORO-UHFFFAOYSA-N 2-(furan-2-yl)-7-methyl-1h-1,8-naphthyridin-4-one Chemical compound N=1C2=NC(C)=CC=C2C(O)=CC=1C1=CC=CO1 INGWEZCOABYORO-UHFFFAOYSA-N 0.000 description 1
- 206010002653 Anosmia Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 206010050515 Hyposmia Diseases 0.000 description 1
- 108010064719 Oxyhemoglobins Proteins 0.000 description 1
- 208000028752 abnormal posture Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 230000036992 cognitive tasks Effects 0.000 description 1
- 230000003412 degenerative effect Effects 0.000 description 1
- 108010002255 deoxyhemoglobin Proteins 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 229960003638 dopamine Drugs 0.000 description 1
- 239000003136 dopamine receptor stimulating agent Substances 0.000 description 1
- 210000005064 dopaminergic neuron Anatomy 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000005714 functional activity Effects 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 235000019559 hyposmia Nutrition 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000004558 lewy body Anatomy 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002418 meninge Anatomy 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000036284 oxygen consumption Effects 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 230000005408 paramagnetism Effects 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000008925 spontaneous activity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000000542 thalamic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明所提出的基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法,提取用户脑部的fMRI影像,并对fMRI影像进行预处理,然后基于感兴趣区域计算得到fMRI功能连接矩阵,识别与PD运动症状相关的脑功能连接;提取用户脑部的DTI影像,并对DTI影像进行预处理,然后基于感兴趣区域计算得到DTI概率纤维连接矩阵;进而分别进行fMRI影像的预处理和DTI影像进行预处理;识别fMRI功能连接矩阵和DTI概率纤维连接矩阵中具有高表征性的脑功能连接和概率纤维连接;将具有高表征性的脑功能连接和概率纤维连接通过机器学习得到PD相关连接特征,通过fMRI功能连接矩阵和DTI概率连接矩阵的高表征性连接特征,获得与PD患者脑区域最相近的表征参数,从而对比判断PD患者的状态。
Description
技术领域
本发明涉及医学影像的计算机分析技术领域,尤其涉及一种基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法。
背景技术
帕金森(Parkinson’sdisease,PD)是一种常见的神经系统退行性疾病,临床表现为运动迟缓、静止性震颤、肌强直、步态姿势异常、嗅觉减退、抑郁等症状,其发病原因及机制迄今不明。目前帕金森临床诊断主要依靠体格检查、病史及患者临床表现进行确诊。但大多数患者确诊时,已处于中晚期,使得多数帕金森患者错失了最佳治疗时期。因此,发展帕金森早期诊断技术,寻找帕金森生物学标记是目前亟待解决的问题;特别是寻找到运动症状改善的个体化神经影像标志物对后续治疗以及判断病情程度都有更加直观的作用。
为了更好地对早期PD进行诊断,常用磁共振成像(MagneticResonanceImaging,MRI)来量化大脑不同区域神经元的损失,以此达到检测PD的作用。MRI具有空间分辨率高、无侵袭性、成本低、可用性广等优点,对PD及脑肿瘤等相关疾病的诊断更加可靠、准确。但由于该病早期临床症状不典型,故诊断困难,加之常规MRI检查对其诊断也有一定的局限性,因此往往会延误治疗。近年来随着功能成像的快速发展,许多MRI的新技术广泛应用于PD的研究中,对PD的诊断、鉴别诊断以及其结构和功能方面的改变提供了更多的影像诊断依据。
而现在利用DTI和fMRI角度对PD患者脑网络模型分析的方法,均为分别利用DTI影像和fMRI影像从单模态脑网络去反应大脑的侧面信息,所以需要一种基于fMRI与DTI构件脑网络建模的辅影像识别辅助方法。
发明内容
针对上述技术中存在的如:在现有的PD患者辅助诊断系统任务单一,特征单一不丰富,使得基于机器判断的结果不准确、并且过程复杂耗时长。所以提供一种基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法。
具体为一种基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法,
提取用户脑部的fMRI影像,并对fMRI影像进行预处理,然后基于感兴趣区域计算得到fMRI功能连接矩阵,识别与PD运动症状相关的脑功能连接;
提取用户脑部的DTI影像,并对DTI影像进行预处理,然后基于所述感兴趣区域计算得到DTI概率纤维连接矩阵;
其中,在fMRI影像和DTI影像预处理中;均需要T1图像配准:运用DARTEL算法,先将被试的T1图像配准到MNI脑模板空间,并记录原空间每一个体素到目标空间的形变向量;然后分别将fMRI影像和DTI影像配准到TI图像,得到MNI空间下的fMRI图像以及MNI空间下的DTI影响;进而分别进行fMRI影像的预处理和DTI影像进行预处理;
识别所述fMRI功能连接矩阵和所述DTI概率纤维连接矩阵中具有高表征性的脑功能连接和概率纤维连接;
将具有高表征性的所述脑功能连接和概率纤维连接通过机器学习得到PD相关连接特征,并根据所述PD相关连接特征得到用户的PD状态。
作为优选,在fMRI影像的预处理中,依次包括:起始时间点去除、时间层矫正、头动矫正、所述TI与图像配准、空间平滑、去线性漂移、干扰变量回归去除。
作为优选,在起始时间点去除步骤中,去除起始的十个时间点;
在头动矫正中,通过刚体配准算法,利用3个平动参数、3个旋转参数的仿射变换将每个时间点图像配准到同一个参考时间点;
在空间平滑步骤中,使用半峰宽为4mm的三维高斯平滑核对图像进行空间平滑。
作为优选,在基于感兴趣区域计算fMRI功能连接时,基于标准脑空间模板AAL3进行区域划定划定,并划定为170个所述感兴趣区域;根据提取170个所述感兴趣区域的平均fMRI时间信号,对两两区域进行皮尔森相关系数计算:皮尔森相关系数的计算公式如下:
其中x、y表示任意两个脑区的fMRI时间信号,ρx,y表示皮尔森相关系数,cov表示协方差,σ表示标准差。
作为优选,在DTI影像的预处理中,依次包括:涡流矫正与头动矫正、配准与剥脑、空间标准化。
作为优选,在涡流矫正与头动矫正步骤中,使用FSL软件的eddy_correct工具,以DTI最开始扫描的不加弥散梯度磁场的b0像完成校正。
作为优选,在基于所述感兴趣区域计算得到DTI概率纤维连接矩阵前,通过BEDPOSTX算法基于马尔可夫链蒙特卡洛抽样来构建每个体素的限位分布参数;并依据AAL3脑图谱划分为170个所述感兴趣区域,取所述感兴趣区域两两组合作为起始点和终止点,从起始点出发进行以下迭代:
从体素的BEDPOSTX参数确定步进方向;往所述步进方向前进一步,直至遇到终止条件则停止迭代;
当迭代停止后,对所述感兴趣区域连接两个所述感兴趣区域之间的线路进行计数形成连线数量分布,基于所述连线数量分布得到脑区间纤维连接概率。
作为优选,所述终止条件为到达终止所述感兴趣区域、离开大脑区域、遇到设定不可通过区中的一种或多种。
作为优选,在获得具有高表征性的脑功能连接和概率纤维连接后,将所述fMRI功能连接矩阵和所述DTI概率连接矩阵进行匹配,具体为:取所述fMRI功能连接矩阵对角线以下的下三角矩阵,除去缺失值,展平为13530维向量;所述DTI概率纤维连接矩阵取双向连接强度的算术平均,展平为13530维向量;然后进行高表征性的脑功能连接和概率纤维连接匹配。
作为优选,在将所述fMRI功能连接矩阵和所述DTI概率连接矩阵进行匹配后,需要进行多重比较验证。
本发明的有益效果是:本发明所提出的一种基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法,提取用户脑部的fMRI影像,并对fMRI影像进行预处理,然后基于感兴趣区域计算得到fMRI功能连接矩阵,识别与PD运动症状相关的脑功能连接;提取用户脑部的DTI影像,并对DTI影像进行预处理,然后基于感兴趣区域计算得到DTI概率纤维连接矩阵;其中,在fMRI影像和DTI影像预处理中;均需要T1图像配准:运用DARTEL算法,先将被试的T1图像配准到MNI脑模板空间,并记录原空间每一个体素到目标空间的形变向量;然后分别将fMRI影像和DTI影像配准到TI图像,得到MNI空间下的fMRI图像以及MNI空间下的DTI影响;进而分别进行fMRI影像的预处理和DTI影像进行预处理;识别fMRI功能连接矩阵和DTI概率纤维连接矩阵中具有高表征性的脑功能连接和概率纤维连接;将具有高表征性的脑功能连接和概率纤维连接通过机器学习得到PD相关连接特征,并根据PD相关连接特征得到用户的PD状态;通过fMRI功能连接矩阵和DTI概率连接矩阵的高表征性连接特征,获得与PD患者脑区域最相近的表征参数,从而对比判断PD患者的状态。
附图说明
图1为本发明方法流程图。
具体实施方式
为了更清楚地表述本发明,下面结合附图对本发明作进一步地描述。
帕金森病(Parkinson’sdisease,PD)是一种相对常见的神经退行性疾病,多发于老年人,平均发病年龄在60岁左右。在我国,65岁以上的人群PD的患病率大约是1.7%,全国范围内约有221万名患者。PD最主要的病理改变为中脑黑质多巴胺能神经元的变性死亡,由此引起纹状体多巴胺含量显著减少而致病。临床症状主要表现为静止性震颤、运动迟缓、肌强直和姿势步态障碍,PD作为一种神经退行性疾病,随着病程进展出现自下而上的路易体病理,并伴有神经元丧失。但是目前PD发病的机理仍未十分明确;为了更好地对早期PD进行诊断,常用磁共振成像(MagneticResonanceImaging,MRI)来量化大脑不同区域神经元的损失,以此达到检测PD的作用。MRI具有空间分辨率高、无侵袭性、成本低、可用性广等优点,对PD及脑肿瘤等相关疾病的诊断更加可靠、准确。但由于该病早期临床症状不典型,故诊断困难,加之常规MRI检查对其诊断也有一定的局限性,因此往往会延误治疗。近年来随着功能成像的快速发展,许多MRI的新技术广泛应用于PD的研究中,对PD的诊断、鉴别诊断以及其结构和功能方面的改变提供了更多的影像诊断依据。其中,fMRI可反映脑皮质对认知任务或外界刺激响应的血样功能;DTI可以追踪出脑区之间纤维束连接的结构,所以对于辅助诊断PD患者状态的手段来说,通过fMRI和DTI两种图像的特征训练,可精确直观的揭示脑功能区之间纤维结构连接关系,从而和患者对比判断出PD患者的状态。
T1加权成像:氢原子核的自旋在射频脉冲的激励下发生的变化可分为两种效应:部分原子核吸收射频能量使得自旋跃迁到方向相反的高能级,最终正反方向数量接近,纵向合磁矩接近为0;射频激励使得自旋相位从均匀分布转变为相同相位(即共振),使得横向合磁矩从原本接近为0变为最大。射频脉冲停止后,自旋相位迅速从共相转为散相,横向合磁矩消失;处于高能级的原子核释放能量跃迁回低能级,正反方向原子核数量不再相等,纵向合磁矩恢复到最大值。前一过程称为T2弛豫,后一过程称为T1弛豫。一般情况下,T2弛豫要快于T1弛豫。通过调整射频脉冲激发的重复时间(Repeattime,TR)以及回波时间(Echotime,TE)可以控制接收到的回波信号中T1弛豫和T2弛豫所占的比重。突显T1弛豫效应的TR和TE设置称为T1加权成像。
不同组织中的氢原子核因为局部环境不同,T1弛豫和T2弛豫都会有不同。而脑中的三种组织成分灰质、白质、脑脊液的T1弛豫效应具有明显区别,在T1加权图像中对比度好。临床上采用T1加权图像来显示脑组织的解剖结构,空间分辨率一般在1mm或以下。高分辨率的T1加权图像也是多模态MR影像研究的基础。不同成像模态依照T1图像进行配准,才能在统一的空间坐标下进行分析研究。不同被试的图像也要依照T1图像配准到统一的脑模板空间中才能进行比较。
fMRI:是一种利用血氧合度依赖对比(BloodOxygenationLevelDependentContrast,BOLDContrast)来反映神经活动的技术。局部神经活动的增加会引起局部血流量增加,增加的氧输送大于神经活动增加的氧消耗。总的效应是局部氧合血红蛋白浓度升高,脱氧血红蛋白浓度降低。而这两种物质具有不同的顺磁性,因而局部血流量的变化又能通过对局部磁场不均匀性敏感的MR成像序列来反映,从而间接地定量测量局部神经活动。一般fMRI每2s可以扫描一次全脑,一次研究扫描100次以上,得到频率为0.5Hz的长达数分钟的全脑体素的功能活动信号。具体可分为任务态和静息态。任务态fMRI要求被试进行某种活动或对被试施加某种刺激,用于研究与活动或刺激相关的脑活动;静息态fMRI在被试闭眼放松、不进行任何活动或系统性思考时进行扫描,反映脑固有的有规律的自发活动。本发明对被试进行了静息态fMRI扫描,得出PD脑功能活动方面的异常。
DTI是反映组织中自由水扩散强度和各向异性的一种MR成像模态,其基础是弥散加权成像(DWI);施加扩散敏感梯度所成的像称为b1像;不施加时成的像称为b0像。将b1像和b0像相减得到组织间扩散效应不同引起的对比度图像,即DWI图像。
具体为一种基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法,
提取用户脑部的fMRI影像,并对fMRI影像进行预处理,然后基于感兴趣区域计算得到fMRI功能连接矩阵,识别与PD运动症状相关的脑功能连接;
提取用户脑部的DTI影像,并对DTI影像进行预处理,然后基于感兴趣区域计算得到DTI概率纤维连接矩阵;
其中,在fMRI影像和DTI影像预处理中;均需要T1图像配准:运用DARTEL算法,先将被试的T1图像配准到MNI脑模板空间,并记录原空间每一个体素到目标空间的形变向量;然后分别将fMRI影像和DTI影像配准到TI图像,得到MNI空间下的fMRI图像以及MNI空间下的DTI影响;进而分别进行fMRI影像的预处理和DTI影像进行预处理;
识别fMRI功能连接矩阵和DTI概率纤维连接矩阵中具有高表征性的脑功能连接和概率纤维连接;
将具有高表征性的脑功能连接和概率纤维连接通过机器学习得到PD相关连接特征,并根据PD相关连接特征得到用户的PD状态。
在本实施例中,在fMRI影像的预处理中,依次包括:起始时间点去除、时间层矫正、头动矫正、TI与图像配准、空间平滑、去线性漂移、干扰变量回归去除。
其中,在起始时间点去除步骤中,去除起始的十个时间点;由于fMRI图像扫描是逐层进行的,故一个时间点内的每一层实际时间并不完全相等。而层间的时间差是一个固定值,所以可以利用前后时间点的信息通过插值得到其间任一时刻的fMRI信号强度。参照扫描仪厂商的参数说明,本发明所用的31层fMRI图像的扫描顺序为:1、3、5、……、29、31、2、4、6、……、28、30。故选择每个时间点内中间层第31层的具体扫描时间作为参考,其他层通过插值得到该具体时间的信号强度。
在头动矫正中,通过刚体配准算法,利用3个平动参数、3个旋转参数的仿射变换将每个时间点图像配准到同一个参考时间点;在fMRI扫描的数分钟过程中,被试的头部不可避免的会有微小的平移或转动,使得不同时间点图像中被试头部的位置或朝向会有微小漂移,不利于后续处理分析。通过刚体配准算法,利用6个参数(3个平动参数、3个旋转参数)的仿射变换将每个时间点图像配准到一个参考时间点,本发明选用去除初始10个时间点后的第一个时间点。
在空间平滑步骤中,为了降低扫描仪采集信号的各种噪声、磁场不均匀和头部运动引起的失真或错位以及空间标准化过程中引入的误差的影响,需要对图像进行空间平滑;使用半峰宽为4mm的三维高斯平滑核对图像进行空间平滑。
在基于感兴趣区域(Regionofinterest,ROI)计算fMRI功能连接时,由于各种错位、失真以及配准误差,不同被试在MNI脑空间中的同一个体素可能具有较大差异,单个体素的信号噪声成分也较大,使得基于体素的功能连接可靠性较低。基于ROI的功能连接通过划定包含若干体素的3维区域,对其中体素信号求平均,可以降低噪声和误差的影响;基于标准脑空间模板AAL3进行区域划定,包括各丘脑亚区和中脑核团,并划定为170个感兴趣区域;根据提取170个感兴趣区域的平均fMRI时间信号,对两两区域进行皮尔森相关系数计算:皮尔森相关系数的计算公式如下:
其中x、y表示任意两个脑区的fMRI时间信号,ρx,y表示皮尔森相关系数,cov表示协方差,σ表示标准差。
其中,在DTI影像的预处理中,依次包括:涡流矫正与头动矫正、配准与剥脑、空间标准化。为减小计算量以及避免干扰,后续的计算只在脑组织里进行,需要剔除颅骨、脑膜、眼球等其他组织。
在涡流矫正与头动矫正步骤中,使用FSL软件的eddy_correct工具,以DTI最开始扫描的不加弥散梯度磁场的b0像完成校正。DTI所用的MR成像序列的弥散梯度场会产生较大的涡流,造成图像变形,所以需要对涡流效应进行校正。同时,DTI扫描时间也较长,扫描过程中被试头动的平移和旋转也需要校正。
其中,在基于感兴趣区域计算得到DTI概率纤维连接矩阵前,通过BEDPOSTX算法基于马尔可夫链蒙特卡洛抽样来构建每个体素的限位分布参数;并依据AAL3脑图谱划分为170个感兴趣区域,取感兴趣区域两两组合作为起始点和终止点,从起始点出发进行以下迭代:
从体素的BEDPOSTX参数确定步进方向;往步进方向前进一步,直至遇到终止条件则停止迭代;
当迭代停止后,对感兴趣区域连接两个感兴趣区域之间的线路进行计数形成连线数量分布,基于连线数量分布得到脑区间纤维连接概率。
作为优选,终止条件为到达终止感兴趣区域、离开大脑区域、遇到设定不可通过区中的一种或多种。
作为优选,在获得具有高表征性的脑功能连接和概率纤维连接后,将fMRI功能连接矩阵和DTI概率连接矩阵进行匹配,具体为:取fMRI功能连接矩阵对角线以下的下三角矩阵,除去缺失值,展平为13530维向量;DTI概率纤维连接矩阵取双向连接强度的算术平均,展平为13530维向量;然后进行高表征性的脑功能连接和概率纤维连接匹配。
在本实施例中,在将fMRI功能连接矩阵和DTI概率连接矩阵进行匹配后,需要进行多重比较验证。
验证例
实验被试为在某脑科医院就诊的PD患者36名以及招募的健康对照组志愿者42名,排除了未接受影像扫描的健康志愿者3名。PD组的中位年龄为61岁,范围为52-71岁。男性/女性数量比为1.12(19:17)。中位病程为6年,范围1-15年。H-Y分期中位数为2期,范围1-3.5期。HC组的中位年龄为58岁,范围为49-67岁。男性/女性数量比为0.68(17:25)。
PD患者在进行冲击试验72h前停服多巴胺受体激动剂,试验12h前停服复方左旋多巴制剂以及其他抗PD药物。试验药物选用复方左旋多巴标准片,剂量为患者先前每天第一次服药剂量换算为左旋多巴的等效剂量的1.5倍。空腹状态下,进行第一次MR扫描和PD量表测定,作为off期数据。30-60min后,服用左旋多巴标准片。30-60min后,进行第二次MR扫描和PD量表测定,作为on期数据。PD-off组代表未服药时的自然病理状态,PD-on组代表左旋多巴药物作用后的状态,而HC组代表健康状态。下表为多模态MR影响扫描参数:
表1
本课题所使用的PD量表为统一帕金森病评定量表第三版(UPDRS-Ⅲ),将患者震颤评分、强直评分、运动迟缓评分和轴性症状评分相加作为运动症状量表值。将off期与on期的总运动评分相减所得差值作为运动症状的改善值。然后将所得数据通过上述辅助识别方法进行处理;
在进行组间对比研究之前,首先需要对被试的人口学特征进行组间差异检验。如果人口学特征存在组间差异,则要将其作为协变量回归去除,避免影响研究结果。本课题中对被试的性别和年龄进行了检验和回归去除。性别为分类变量,使用卡方检验。年龄为数值变量,使用双独立样本T检验。由于PD和HC两组年龄不满足方差齐性,故使用Welch’sT检验。人口学因素和假设检验p值见下表:
表2
注:PD,帕金森病人;HC,健康对照组;年龄表示为中位数和范围。
由于性别的卡方检验p=0.39>0.05,不能拒绝原假设。故认为PD和HC分组的性别分布没有差异。年龄T检验的p<0.01,PD和HC分组的年龄分布具有显著差异,需要作为协变量回归去除。将被试年龄作为自变量x,将fMRI功能连接矩阵及DTI概率纤维连接矩阵中的每个元素位置(即某两个脑区之间的连接强度)依次作为因变量y,进行线性回归:y=ax+b+ε;其中a为回归系数,b为常数项,ε为残差。ε即为去除年龄协变量影响的新特征。故令:y′=y-ax-b,其中y′作为去除年龄协变量影响的新特征用于后续分析。
通过将上述人群获得的fMRI影像和DTI影像通过本发明的方法进行处理,所提特征表征PD患者与正常人差异方面的识别效果,一方面体现在提取的特征在PD患者与正常人之间差异是否明显,另一方面体现在基于该特征所训练的辅助识别模型是否有优良的准确识别性能;其中,因为复方左旋多巴标准片作为本领域中用来治疗PD患者的有效药物之一,所以用药前后与健康对照人群组间的脑功能和纤维连接的差异以及脑连接,均与PD运动症状具有高相关性;可以验证本方法的识别准确性。
仅对数据样本做出标记,但提取后的数据直接经过本发明的训练和处理,以判断识别方法的准确性。具体为,对PD-off组和HC组的DTI概率纤维连接的双独立样本T检验、PD-off组和HC组的fMRI功能连接的双独立样本T检验,以及PD-off组和PD-on组fMRI功能连接的配对样本T检验。经FDR为0.2的多重比较校正,q-Value<0.2认为具有统计显著性;共有以下几组判断性结论:
PD-off组和HC组的DTI概率纤维连接的双独立样本T检验显示,13530个连接中,有8个连接PD-off组比HC组显著降低;此脑功能连接矩阵和概率连接矩阵所提取的高表征性单元被准确识别;如下表3:
表3
同样对PD-off组和HC组双独立样本T检验,fMRI的功能连接则有13个连接具有显著差异;参阅表4:
表4
对于PD-off组和PD-on组的配对样本T检验,有67个fMRI功能连接具有显著差异;如下表5:
表5
综上所述,将本发明识别后的判断结果和数据标记进行对比;显示有差异特征的脑功能连接和纤维连接均属于PD患者;识别准确率高,表现出良好的泛化性能。
本发明包括模态相关的特殊预处理、图像校正和空间标准化等一般预处理、图像参数的计算、基于图像参数计算功能连接矩阵与概率纤维连接矩阵等步骤。本发明的识别方法能够明确的识别PD患者与健康人群之间具有显著差异的一些纤维和功能连接。
本发明的优势在于:
通过对fMRI影像和DTI影像,准确构建PD患者大脑超连接网络模型,提取最大化差异特征,辅助PD临床诊断。监测疾病进展,在早期诊断和鉴别诊断帕金森病中具有巨大的潜力。对临床前或前驱期PD患者的研究可真正意义上促进PD的早期诊断和理解疾病的发生发展。
以上公开的仅为本发明的几个具体实施例,但是本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (10)
1.一种基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法,其特征在于,
提取患者脑部的fMRI影像,并对fMRI影像进行预处理,然后基于感兴趣区域计算得到fMRI功能连接矩阵,识别与PD运动症状相关的脑功能连接;
提取患者脑部的DTI影像,并对DTI影像进行预处理,然后基于所述感兴趣区域计算得到DTI概率纤维连接矩阵;
其中,在fMRI影像和DTI影像预处理中;均需要T1图像配准:运用DARTEL算法,先将被试的T1图像配准到MNI脑模板空间,并记录原空间每一个体素到目标空间的形变向量;然后分别将fMRI影像和DTI影像配准到TI图像,得到MNI空间下的fMRI图像以及MNI空间下的DTI影响;进而分别进行fMRI影像的预处理和DTI影像进行预处理;
识别所述fMRI功能连接矩阵和所述DTI概率纤维连接矩阵中具有高表征性的脑功能连接和概率纤维连接;
将具有高表征性的所述脑功能连接和概率纤维连接通过机器学习得到PD相关连接特征,并根据所述PD相关连接特征得到用户的PD状态。
2.根据权利要求1所述的基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法,其特征在于,
在fMRI影像的预处理中,依次包括:起始时间点去除、时间层矫正、头动矫正、所述TI与图像配准、空间平滑、去线性漂移、干扰变量回归去除。
3.根据权利要求2所述的基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法,其特征在于,
在起始时间点去除步骤中,去除起始的十个时间点;
在头动矫正中,通过刚体配准算法,利用3个平动参数、3个旋转参数的仿射变换将每个时间点图像配准到同一个参考时间点;
在空间平滑步骤中,使用半峰宽为4mm的三维高斯平滑核对图像进行空间平滑。
5.根据权利要求1所述的基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法,其特征在于,在DTI影像的预处理中,依次包括:涡流矫正与头动矫正、配准与剥脑、空间标准化。
6.根据权利要求5所述的基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法,其特征在于,
在涡流矫正与头动矫正步骤中,使用FSL软件的eddy_correct工具,以DTI最开始扫描的不加弥散梯度磁场的b0像完成校正。
7.根据权利要求1所述的基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法,其特征在于,
在基于所述感兴趣区域计算得到DTI概率纤维连接矩阵前,通过BEDPOSTX算法基于马尔可夫链蒙特卡洛抽样来构建每个体素的限位分布参数;并依据AAL3脑图谱划分为170个所述感兴趣区域,取所述感兴趣区域两两组合作为起始点和终止点,从起始点出发进行以下迭代:
从体素的BEDPOSTX参数确定步进方向;往所述步进方向前进一步,直至遇到终止条件则停止迭代;
当迭代停止后,对所述感兴趣区域连接两个所述感兴趣区域之间的线路进行计数形成连线数量分布,基于所述连线数量分布得到脑区间纤维连接概率。
8.根据权利要求7所述的基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法,其特征在于,
所述终止条件为到达终止所述感兴趣区域、离开大脑区域、遇到设定不可通过区中的一种或多种。
9.根据权利要求1所述的基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法,其特征在于,在获得具有高表征性的脑功能连接和概率纤维连接后,将所述fMRI功能连接矩阵和所述DTI概率连接矩阵进行匹配,具体为:取所述fMRI功能连接矩阵对角线以下的下三角矩阵,除去缺失值,展平为13530维向量;所述DTI概率纤维连接矩阵取双向连接强度的算术平均,展平为13530维向量;然后进行高表征性的脑功能连接和概率纤维连接匹配。
10.根据权利要求9所述的基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法,其特征在于,在将所述fMRI功能连接矩阵和所述DTI概率连接矩阵进行匹配后,需要进行多重比较验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010718062.1A CN111753833A (zh) | 2020-07-23 | 2020-07-23 | 基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010718062.1A CN111753833A (zh) | 2020-07-23 | 2020-07-23 | 基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111753833A true CN111753833A (zh) | 2020-10-09 |
Family
ID=72710781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010718062.1A Pending CN111753833A (zh) | 2020-07-23 | 2020-07-23 | 基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753833A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052800A (zh) * | 2021-03-09 | 2021-06-29 | 山东大学 | 一种阿尔茨海默症影像分析方法与装置 |
CN113222915A (zh) * | 2021-04-28 | 2021-08-06 | 浙江大学 | 基于多模态磁共振影像组学的pd诊断模型的建立方法 |
CN113616184A (zh) * | 2021-06-30 | 2021-11-09 | 北京师范大学 | 基于多模态磁共振图像的脑网络建模与个体预测方法 |
CN114052704A (zh) * | 2021-11-25 | 2022-02-18 | 电子科技大学 | 一种基于功能网络图能量的帕金森病识别系统 |
CN114129147A (zh) * | 2021-10-14 | 2022-03-04 | 北京理工大学 | 基于脑功能网络的帕金森患者dbs术后效果预测系统及方法 |
CN114376522A (zh) * | 2021-12-29 | 2022-04-22 | 四川大学华西医院 | 构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法 |
CN114534106A (zh) * | 2022-01-21 | 2022-05-27 | 上海远葆医疗器械有限公司 | 基于多模态脑成像的神经环路个体化定位方法及调控方法 |
CN114999657A (zh) * | 2022-08-03 | 2022-09-02 | 首都医科大学附属北京友谊医院 | 评估帕金森病患者的神经纤维束与步态障碍的相关性的方法和相关产品 |
CN115054228A (zh) * | 2022-06-13 | 2022-09-16 | 浙江工业大学 | 一种基于多尺度特征提取的帕金森病大脑异常标注方法 |
CN116313131A (zh) * | 2023-05-24 | 2023-06-23 | 山东大学 | 基于仿造变量的脑网络差异识别系统、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020082495A1 (en) * | 2000-03-29 | 2002-06-27 | Biswal Bharat B. | Method for determining the reliability of fMRI parameters |
CN103093087A (zh) * | 2013-01-05 | 2013-05-08 | 电子科技大学 | 一种基于多任务学习的多模态脑网络特征融合方法 |
CN107658018A (zh) * | 2017-10-12 | 2018-02-02 | 太原理工大学 | 一种基于结构连接和功能连接的融合脑网络构建方法 |
CN108229066A (zh) * | 2018-02-07 | 2018-06-29 | 北京航空航天大学 | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 |
CN111127441A (zh) * | 2019-12-25 | 2020-05-08 | 兰州大学 | 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统 |
-
2020
- 2020-07-23 CN CN202010718062.1A patent/CN111753833A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020082495A1 (en) * | 2000-03-29 | 2002-06-27 | Biswal Bharat B. | Method for determining the reliability of fMRI parameters |
CN103093087A (zh) * | 2013-01-05 | 2013-05-08 | 电子科技大学 | 一种基于多任务学习的多模态脑网络特征融合方法 |
CN107658018A (zh) * | 2017-10-12 | 2018-02-02 | 太原理工大学 | 一种基于结构连接和功能连接的融合脑网络构建方法 |
CN108229066A (zh) * | 2018-02-07 | 2018-06-29 | 北京航空航天大学 | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 |
CN111127441A (zh) * | 2019-12-25 | 2020-05-08 | 兰州大学 | 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统 |
Non-Patent Citations (2)
Title |
---|
蒋思明;徐德恩;马涛;倪建明;: "基于脚桥核神经网络的帕金森病冻结步态的机制探讨", 临床神经病学杂志, no. 06 * |
高家红 等: "《脑影像与脑图谱研究前沿》", 31 December 2019, 上海交通大学出版社, pages: 114 - 122 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052800B (zh) * | 2021-03-09 | 2022-02-22 | 山东大学 | 一种阿尔茨海默症影像分析方法与装置 |
CN113052800A (zh) * | 2021-03-09 | 2021-06-29 | 山东大学 | 一种阿尔茨海默症影像分析方法与装置 |
CN113222915A (zh) * | 2021-04-28 | 2021-08-06 | 浙江大学 | 基于多模态磁共振影像组学的pd诊断模型的建立方法 |
CN113616184A (zh) * | 2021-06-30 | 2021-11-09 | 北京师范大学 | 基于多模态磁共振图像的脑网络建模与个体预测方法 |
CN113616184B (zh) * | 2021-06-30 | 2023-10-24 | 北京师范大学 | 基于多模态磁共振图像的脑网络建模与个体预测方法 |
CN114129147A (zh) * | 2021-10-14 | 2022-03-04 | 北京理工大学 | 基于脑功能网络的帕金森患者dbs术后效果预测系统及方法 |
CN114052704B (zh) * | 2021-11-25 | 2023-04-18 | 电子科技大学 | 一种基于功能网络图能量的帕金森病识别系统 |
CN114052704A (zh) * | 2021-11-25 | 2022-02-18 | 电子科技大学 | 一种基于功能网络图能量的帕金森病识别系统 |
CN114376522A (zh) * | 2021-12-29 | 2022-04-22 | 四川大学华西医院 | 构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法 |
CN114376522B (zh) * | 2021-12-29 | 2023-09-05 | 四川大学华西医院 | 构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法 |
CN114534106A (zh) * | 2022-01-21 | 2022-05-27 | 上海远葆医疗器械有限公司 | 基于多模态脑成像的神经环路个体化定位方法及调控方法 |
CN115054228A (zh) * | 2022-06-13 | 2022-09-16 | 浙江工业大学 | 一种基于多尺度特征提取的帕金森病大脑异常标注方法 |
CN114999657A (zh) * | 2022-08-03 | 2022-09-02 | 首都医科大学附属北京友谊医院 | 评估帕金森病患者的神经纤维束与步态障碍的相关性的方法和相关产品 |
CN116313131A (zh) * | 2023-05-24 | 2023-06-23 | 山东大学 | 基于仿造变量的脑网络差异识别系统、设备及存储介质 |
CN116313131B (zh) * | 2023-05-24 | 2023-09-15 | 山东大学 | 基于仿造变量的脑网络差异识别系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753833A (zh) | 基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法 | |
Zhang et al. | An anatomically curated fiber clustering white matter atlas for consistent white matter tract parcellation across the lifespan | |
Zelaya et al. | An evaluation of the time dependence of the anisotropy of the water diffusion tensor in acute human ischemia | |
Raffelt et al. | Apparent fibre density: a novel measure for the analysis of diffusion-weighted magnetic resonance images | |
Metwalli et al. | Utility of axial and radial diffusivity from diffusion tensor MRI as markers of neurodegeneration in amyotrophic lateral sclerosis | |
Kubicki et al. | DTI and MTR abnormalities in schizophrenia: analysis of white matter integrity | |
Lambert et al. | Multiparametric brainstem segmentation using a modified multivariate mixture of Gaussians | |
Lindemer et al. | White matter signal abnormality quality differentiates mild cognitive impairment that converts to Alzheimer's disease from nonconverters | |
Lipp et al. | Tractography in the presence of multiple sclerosis lesions | |
Churchill et al. | PHYCAA+: An optimized, adaptive procedure for measuring and controlling physiological noise in BOLD fMRI | |
US8634614B2 (en) | System and method for volumetric analysis of medical images | |
US20170035320A1 (en) | Automatic tract extraction via atlas based adaptive connectivity-based clustering | |
US20150289779A1 (en) | System and method for diagnosis of focal cortical dysplasia | |
Tunç et al. | Automated tract extraction via atlas based adaptive clustering | |
Schreiber et al. | Plausibility tracking: a method to evaluate anatomical connectivity and microstructural properties along fiber pathways | |
Arun et al. | Characterisation of white matter asymmetries in the healthy human brain using diffusion MRI fixel-based analysis | |
CN109920550A (zh) | 一种基于dMRI研究青少年肌阵挛性癫痫的方法 | |
Wilson et al. | Structural magnetic resonance imaging in Huntington's disease | |
KR101388546B1 (ko) | 기능성 자기 공명 영상을 사용한 뇌기능 진단 시스템 및 방법 | |
Booth et al. | STEAM—Statistical Template Estimation for Abnormality Mapping: A personalized DTI analysis technique with applications to the screening of preterm infants | |
US20210106250A1 (en) | Mri t1w and t2w combined features for detecting neurodegeneration | |
Forkel et al. | Structural neuroimaging | |
CN114847922A (zh) | 一种基于纤维束自动识别的脑年龄预测方法 | |
KR20240027714A (ko) | 예측 연령 차이를 이용한 동반 임상 치매 등급과 그 미래의 결과를 평가하는 방법 및 그 프로그램 | |
CN114596306A (zh) | 基于机器学习诊断帕金森疾病的系统 |
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 |