CN111938592B - 面向阿尔兹海默症诊断的有缺失多模态表示学习算法 - Google Patents
面向阿尔兹海默症诊断的有缺失多模态表示学习算法 Download PDFInfo
- Publication number
- CN111938592B CN111938592B CN202010810822.1A CN202010810822A CN111938592B CN 111938592 B CN111938592 B CN 111938592B CN 202010810822 A CN202010810822 A CN 202010810822A CN 111938592 B CN111938592 B CN 111938592B
- Authority
- CN
- China
- Prior art keywords
- representation
- data
- kernel
- alzheimer
- diagnosis
- 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
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 29
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 230000007812 deficiency Effects 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000012217 deletion Methods 0.000 claims description 9
- 230000037430 deletion Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 5
- 210000000299 nuclear matrix Anatomy 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 3
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 230000000295 complement effect Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 5
- 230000018109 developmental process Effects 0.000 abstract description 5
- 230000032683 aging Effects 0.000 abstract description 2
- 238000010219 correlation analysis Methods 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract description 2
- 230000001502 supplementing effect Effects 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- AOYNUTHNTBLRMT-SLPGGIOYSA-N 2-deoxy-2-fluoro-aldehydo-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](F)C=O AOYNUTHNTBLRMT-SLPGGIOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013506 data mapping Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 101100331548 Mus musculus Dicer1 gene Proteins 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010234 longitudinal analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000005025 nuclear technology Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- A61B5/72—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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Neurology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Evolutionary Computation (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种面向阿尔兹海默症诊断的有缺失多模态表示学习算法。它提出了一种全新的面向有缺失的多模态数据补全模型，首先使用自动编码器网络将原始完整模态数据映射到隐空间，然后利用从完整模态中学习到的潜在表示来补充核空间中不完整视图的核矩阵，同时通过图正则和HSIC算法约束样本之间以及模态之间的相关性，最终通过采用核方法的相关性分析将核矩阵映射为特征矩阵以完成后续的诊断任务。本发明能在缺失某一模态数据的情况下快速准确的诊断阿尔兹海默症，并且具有良好的性能和明显的优势，可应用于辅助医生诊断和社区筛查等场景，随着人口老龄化进程的发展，具有较好的发展前景。
Description
技术领域
本发明涉及面向阿尔兹海默症诊断的有缺失多模态表示学习算法，属于机器学习、医学影像分析领域。
背景技术
阿尔茨海默病(AD)及其早期阶段，是一种不可逆转的神经退行性疾病，在全球范围内对人们的身体健康造成了严重的影响，阿尔茨海默病通常情况下难以治愈，但在早期综合治疗，可以减轻病情，延缓发展，因此早期诊断和治疗对提高患者生活质量具有重要意义。
通过机器学习的方法用计算机辅助诊断阿尔兹海默症能够提高诊断效率，而且经大量的研究表明，结合多模态数据的计算机辅助诊断方法能够进一步提高诊断准确率。然而在实际应用中我们往往面临着多模态数据缺失的情况(即不是所有模态的数据都是完备的)，比如由于检查费用的原因，PET-CT的数据往往不如MRI数据完备，而现有的大多数多模态学习算法不能够有效地处理有缺失的多模态数据。
为了解决上述问题，本发明基于自编码器网络和核技术提出了一种新的学习方法，即面向阿尔兹海默症诊断的有缺失多模态表示学习算法。
发明内容
本发明提出了一种面向阿尔兹海默症诊断的有缺失多模态表示学习算法，它可以在缺失数据的情况下结合多模态的信息学习得到更好的样本表示，进而更好地进行疾病诊断。该算法主要包含两个方面：第一，提出了结合自编码器网络的核空间补全架构。第二，引入图正则和HSIC，使得算法能更好的保持样本间相关性和模态之间的相关性。本发明在统一的框架下，对学习MRI模态的潜在表示和在核空间补全PET-CT信息进行联合迭代优化，最终得到了更好的完备的样本表示，能够更为有效的进行阿尔兹海默症的诊断。
本发明的技术方案，包括下列步骤：
步骤1：获取阿尔兹海默症的MRI和PET-CT的原始数据；
步骤2：通过数据预处理得到各个样本的特征向量；
步骤3：采用自编码器网络学习完整的MRI模态的潜在表示，同时通过图正则约束样本之间的相关性；
步骤4：将特征向量映射至核空间，通过核技术补全缺失的信息，同时通过希尔伯特-施密特独立性指标(HSIC)约束两个模态之间的相关性；
步骤5：通过基于核的多模态映射算法(如KCCA)将两个模态的数据从核空间映射至特征空间；
步骤6：迭代更新需要的网络参数和数据表示，最终用分类器(如SVM)对学习到的数据表示进行分类，进而获得阿尔兹海默症的诊断结果。
与现有技术相比，本发明的有益效果是：本发明提出了一种可迭代优化的核空间补全算法用于阿尔兹海默症的诊断，在缺失数据的情况下可结合多个模态学习到较好的样本表示，引入的图正则和HSIC约束技术可进一步地完善学习到的样本表示，该算法能够有效地处理复杂的脑部影像数据，与其他多模态的表示学习方法相比，具有更好的诊断准确率。本发明可应用于辅助医生诊断和社区筛查等场景，随着人口老龄化进程的发展，具有较好的发展前景。
附图说明
图1总体框架示意图，即摘要附图；
图2总体流程示意图；
图3发明架构图；
图4聚类实验结果；
图5分类实验结果；
图6核对齐实验结果；
图7收敛性分析结果。
具体实施方式
下面结合具体实施方式对本发明作进一步详细地描述。图1给出了本发明的面向阿尔兹海默症诊断的有缺失多模态表示学习算法的流程图。如图1所示，本发明的面向阿尔兹海默症诊断的有缺失多模态表示学习算法包括：
1.获取阿尔兹海默症的MRI和PET-CT的原始数据；
2.通过数据预处理得到各个样本的特征向量；
3.采用自编码器网络学习完整的MRI模态的潜在表示，同时通过图正则约束样本之间的相关性；
5.将特征向量映射至核空间，通过核技术补全缺失的信息，同时通过希尔伯特-施密特独立性指标(HSIC)约束两个模态之间的相关性；
6.通过基于核的多模态映射算法(如KCCA)将两个模态的数据从核空间映射至特征空间；
7.迭代更新需要的网络参数和样本表示，最终用分类器(如SVM)对学习到的表示分类，以获得阿尔兹海默症诊断结果。
下面结合附图，对本发明技术方案的具体实施过程加以说明。
1.实验对象
本发明引用了公开的ADNI数据集进行实验。本发明从ADNI网站下载了ADNI1.5TMR和PET-CT两个模态的数据。磁共振图像(MRI)的收集工作由1.5T磁共振扫描仪扫描完成。为了保证成像质量，对由b1场非均匀性和梯度非线性引起的空间畸变进行了校正。PET-CT数据用18氟-脱氧葡萄糖(FDG)正电子发射层扫描获得。本发明通过人工标注的方式选取了93个感兴趣区域并提取特征，得到的93维特征向量用于后面的研究。
2.面向阿尔兹海默症诊断的有缺失多模态表示学习算法
图2展示了有缺失的多模态表示学习算法的总体流程，面对有缺失的多模态数据，本算法可结合已知的数据对缺失信息进行补全，进而学习多个模态的共同表示，最终用分类器(如SVM)对学习到的数据表示进行分类，进而获得阿尔兹海默症的诊断结果。图3展示了本发明的整体架构细节，以下将对应图中的细节对本发明做具体说明。
2.1 ADNI数据
本发明方法中用表示完整的MRI模态数据(完整数据集具有N个样本，每个样本用d1维的特征向量表示)，用/>表示带有缺失的PET-CT模态数据(仅有C个样本，每个样本用d2维的特征向量表示)。
2.2潜在表示学习
本发明采用自编码器网络学习完整的MRI模态的潜在表示，同时通过图正则约束样本之间的相关性。自编码器是一种能够通过重构输入数据的无监督表示学习方法，它通过重构学习可以获得数据的低维特征信息，并通过不同方式对神经网络增加约束，可以学习到不同目标任务的潜在表示。通过最小化以下重构误差，可以对自编码器进行优化：
其中X表示原始的输入数据(即完备的MRI数据)，表示解码器的输出，最小化上式可以使重构数据和原始数据尽可能接近，以此获得最好的潜在表示H。为了进一步获得更好的性能，本发明又引入图正则约束样本之间的邻近关系。在本发明中，图正则的推导过程如下：
其中H表示通过自编码器学习到的潜在表示，K为通过原始数据求得的核矩阵，D为K的度矩阵，为拉普拉斯矩阵。通过最小化以上的图正则损失，可使得潜在表示能够更好保持数据间的结构信息。
2.3核空间补全
通过高斯核函数，本发明首先将学习到的MRI数据的潜在表示和原始PET-CT数据映射至核空间，得到两个模态数据的核矩阵。然而由于PET-CT数据是不完备的，所以只能求得一个C×C的子矩阵，借助于图拉普拉斯的思想，可以得到以下用于核补全的约束：
其中为完整模态的潜在表示求得的核矩阵，K2为缺失的模态的核矩阵，通过优化此式可以得到最优的补全后的核矩阵。因为K2是有缺失的，可将其分解为(Ac，Am)T，因此也可被分解为：
通过进一步推导，根据tr()函数的性质，可将其改写为：
可将此式对K2求导并将导数置零，进而可求得这个函数的封闭解。
在得到完整的K2之后，为了能够迭代优化所学习到的核矩阵以寻求更好的补全效果，本发明引入HSIC约束。HSIC约束可挖掘两个模态的核矩阵之间的相关性，其公式为：
其中为H求得的核矩阵，/>eij＝δij-1/n可使矩阵的均值为零。通过最小化以上损失，可使两个模态之间的相关性最大，进而学习到更为准确的核矩阵。
本发明采用迭代优化的方式寻求最优的样本潜在表示和核矩阵，总的目标函数为：
其中λ≥0为超参数，用于平衡各项函数的影响。
2.4阿尔兹海默症的诊断
借助于KCCA算法可将学习到的核矩阵映射回特征空间，得到两个模态的共同表示进而利用分类算法进行阿尔兹海默症的诊断。本发明采用SVM分类器对学习到的表示进行分类，在常用的判别方法中，支持向量机是最具优势的方法，SVM方法主要基于非线性映射，将低维样本空间映射到高维空间，然后对原空间无法线性分析的数据转化为高维空间进行线性分析。它通过求解最优超平面，使两类最近点离超平面最大。最终决策超平面可表示为：
在上式中，当出现新样本x，新样本跟训练样本做内积，再与αi和b做线性运算，结果大于0时，新来样本属于正类；结果小于0时，样本属于负类。
3.实验对比算法
实验中将本发明的方法与以下方法进行了对比：
FeaCon：特征拼接，即将多模态的特征简单拼接；
CCA：典型相关分析，将多模态的数据映射至同一特征空间，同时约束模态间相关性；
KCCA：基于核技术的CCA，在进行CCA之前将数据映射至核空间；
DCCA：基于深度神经网络的CCA，将CCA作为神经网络的目标函数寻求最佳的数据映射，需要迭代优化；
DCCAE：基于自编码器的CCA，将CCA作为编码器网络的目标函数约束潜在表示寻求最佳的数据映射，需要迭代优化；
MDcR：一种多视图学习方法，采用核方法将多模态数据映射至低维空间，同时约束模态间的独立性；
MCIV：核空间补全算法，用于聚类任务；
K-Com：多模态的阿尔兹海默症诊断算法，在核空间融合多模态信息，然后采用SVM作为分类器进行诊断；
iMVWL：一种可处理缺失数据的多视图学习方法，面对缺失或者弱标记的数据能够学习到一个共同的子空间，然后对接基于子空间的预测器。
4.实验结果
本发明一共做了四个任务的实验来验证算法的有效性，分别为K-means聚类实验、不同分类组别的分类实验、核对齐实验和收敛性分析。在聚类和分类实验中均以准确率作为效果评价指标，对于每个实验结果，均进行30次实验以减小随机误差。
图4展示了聚类任务的实验结果，对表中数据的纵向分析表明，在所有缺失率下，本发明的聚类准确率均高于其他方法。同时，该方法的标准偏差小于其它方法。从横向上看，大多数比较方法的聚类准确率随缺失率的增加而波动较大。同时，该方法能保持稳定。因此，该方法能够更好地学习不完整视图下的数据表示，对阿尔兹海默症的诊断具有重要意义。
图5显示了不同组别的分类结果。图中AD为阿尔兹海默症类别、MCI为早期认知障碍类别、NC为正常样本类别，本发明的准确率用红色柱表示，其他方法用蓝色表示。实验结果表明，在不同的缺失率下，即使在50％的缺失率下，本发明仍具有最佳且稳定的分类性能，说明本发明具有良好的鲁棒性。特别是在AD/NC分类中，本发明在50％缺失率下达到了84％的准确率，说明本发明具有巨大的潜在应用前景。
图6直观地比较了AD/NC分类实验中不同方法在不同缺失率下的核对齐指标，与其他方法相比，该方法在任何缺失率下都具有最高的核对齐程度，这意味着它比其他方法能更好地挖掘样本之间的关系，因此更有利于AD诊断。
为了验证所提出方法的收敛性，如图7所示，报告了AD/NC分类任务中每个迭代步骤的目标函数值，缺失率为50％。很明显，目标函数值在前30次迭代中快速减小，然后在100次迭代中逐渐收敛。
综上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应当理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善，因此本发明只受到本发明权利要求的内容和范围的限制，其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。
Claims (5)
1.一种面向阿尔兹海默症诊断的有缺失多模态表示学习算法，包括下列步骤：
步骤1：从公共数据集ADNI获取阿尔兹海默症的MRI和PET-CT的原始数据；
步骤2：进行数据预处理，通过人工标注提取出MRI和PET-CT的93个感兴趣区域的特征然后进行归一化处理，进而得到特征向量；
步骤3：采用自编码器网络学习完整MRI模态的潜在表示，同时通过图正则约束样本之间的相关性，使同类样本的表示更为相近；通过最小化以下重构误差，可以对自编码器进行优化：
其中X表示原始的输入数据，即完备的MRI数据，表示解码器的输出；图正则的推导公式如下：
其中H表示通过自编码器学习到的潜在表示，K为通过原始数据求得的核矩阵，D为K的度矩阵，为拉普拉斯矩阵，通过最小化以上的图正则损失，可使得潜在表示能够更好保持数据间的结构信息；
步骤4：将MRI的潜在表示和有缺失的PET-CT特征向量映射至核空间，采用核补全技术补全PET-CT模态的缺失信息，同时通过希尔伯特-施密特独立性指标HSIC约束两个模态之间的相关性；借助于图拉普拉斯的思想，可以得到以下用于核补全的约束：
其中为完整模态的潜在表示求得的核矩阵，K2为缺失的模态的核矩阵，将其分解为两个子矩阵(Ac，Am)T，因此/>也可被分解为：
通过进一步推导，根据tr()函数的性质，可将其改写为：
对K2求导并将导数置零，进而可求得这个函数的封闭解；在得到完整的K2之后，为了能够迭代优化所学习到的核矩阵以寻求更好的补全效果，引入HSIC相关性约束，其公式为：
其中为H求得的核矩阵，/>eij＝δij-1/n可使矩阵的均值为零；通过最小化以上损失，可使两个模态之间的相关性最大，进而学习到更为准确的核矩阵；
步骤5：通过基于核的多模态映射算法KCCA将两个模态的数据从核空间映射至特征空间，得到两个模态的共同表示；
步骤6：迭代更新需要的网络参数和数据表示，最终用分类器SVM对学习到的数据表示进行分类，进而获得阿尔兹海默症的诊断结果。
2.根据权利要求1所述的一种面向阿尔兹海默症诊断的有缺失多模态表示学习算法，其特征在于，步骤1中，分别假设MRI和PET-CT为模态1和2，模态2是有缺失的。
3.根据权利要求1所述的一种面向阿尔兹海默症诊断的有缺失多模态表示学习算法，其特征在于，步骤2中，通过预处理得到的两个模态的特征向量分别用X(1)和X(2)表示。
4.根据权利要求1所述的一种面向阿尔兹海默症诊断的有缺失多模态表示学习算法，其特征在于，步骤4中，将H和X(2)映射至N×N的核空间，其中N为样本数，得到核矩阵和K2的部分信息。
5.根据权利要求1所述的一种面向阿尔兹海默症诊断的有缺失多模态表示学习算法，其特征在于，步骤6中，用SVM分类器对学习到的表示分类，输出诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010810822.1A CN111938592B (zh) | 2020-08-13 | 2020-08-13 | 面向阿尔兹海默症诊断的有缺失多模态表示学习算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010810822.1A CN111938592B (zh) | 2020-08-13 | 2020-08-13 | 面向阿尔兹海默症诊断的有缺失多模态表示学习算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111938592A CN111938592A (zh) | 2020-11-17 |
| CN111938592B true CN111938592B (zh) | 2024-03-12 |
Family
ID=73332664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010810822.1A Active CN111938592B (zh) | 2020-08-13 | 2020-08-13 | 面向阿尔兹海默症诊断的有缺失多模态表示学习算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111938592B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022265022A1 (ja) * | 2021-06-15 | 2022-12-22 | 富士フイルム株式会社 | マルチモーダル型の機械学習モデルを用いる情報処理装置、医療支援装置、並びに医療支援方法 |
| CN113658721B (zh) * | 2021-07-19 | 2024-03-19 | 南京邮电大学 | 阿尔兹海默疾病进程预测方法 |
| CN115240863B (zh) * | 2022-08-11 | 2023-05-09 | 合肥工业大学 | 一种面向数据缺失场景的阿尔兹海默症分类方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102165453A (zh) * | 2008-09-26 | 2011-08-24 | 皇家飞利浦电子股份有限公司 | 用于融合临床和图像特征进行计算机辅助诊断的系统和方法 |
| WO2016063211A1 (en) * | 2014-10-20 | 2016-04-28 | Koninklijke Philips N.V. | Classified truncation compensation |
| CN105679022A (zh) * | 2016-02-04 | 2016-06-15 | 北京工业大学 | 一种基于低秩的多源交通数据的补全方法 |
| CN105893610A (zh) * | 2016-04-26 | 2016-08-24 | 中国科学院信息工程研究所 | 一种多源异构大数据的缺失源补全方法 |
| CN107506797A (zh) * | 2017-08-25 | 2017-12-22 | 电子科技大学 | 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法 |
| CN108784655A (zh) * | 2017-04-28 | 2018-11-13 | 西门子保健有限责任公司 | 针对医疗患者的快速评估和后果分析 |
| CN108961215A (zh) * | 2018-06-05 | 2018-12-07 | 上海大学 | 基于多模态医学影像的帕金森病辅助诊断系统和方法 |
| KR101929965B1 (ko) * | 2017-11-01 | 2018-12-17 | 가천대학교 산학협력단 | Relm과 pca 특징을 이용한 구조적 mri 영상 기반의 치매 진단 방법 및 그 장치 |
| CN110188812A (zh) * | 2019-05-24 | 2019-08-30 | 长沙理工大学 | 一种快速处理缺失异构数据的多核聚类方法 |
| CN110717550A (zh) * | 2019-10-18 | 2020-01-21 | 山东大学 | 一种基于多模态图像缺失补全的分类方法 |
| CN110934587A (zh) * | 2019-12-13 | 2020-03-31 | 深圳龙岗智能视听研究院 | 一种基于图卷积神经网络的阿尔兹海默症辅助诊断方法 |
| CN111368254A (zh) * | 2020-03-02 | 2020-07-03 | 西安邮电大学 | 多流形正则化非负矩阵分解的多视角数据缺失补全方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11488694B2 (en) * | 2018-04-20 | 2022-11-01 | Nec Corporation | Method and system for predicting patient outcomes using multi-modal input with missing data modalities |
-
2020
- 2020-08-13 CN CN202010810822.1A patent/CN111938592B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102165453A (zh) * | 2008-09-26 | 2011-08-24 | 皇家飞利浦电子股份有限公司 | 用于融合临床和图像特征进行计算机辅助诊断的系统和方法 |
| WO2016063211A1 (en) * | 2014-10-20 | 2016-04-28 | Koninklijke Philips N.V. | Classified truncation compensation |
| CN105679022A (zh) * | 2016-02-04 | 2016-06-15 | 北京工业大学 | 一种基于低秩的多源交通数据的补全方法 |
| CN105893610A (zh) * | 2016-04-26 | 2016-08-24 | 中国科学院信息工程研究所 | 一种多源异构大数据的缺失源补全方法 |
| CN108784655A (zh) * | 2017-04-28 | 2018-11-13 | 西门子保健有限责任公司 | 针对医疗患者的快速评估和后果分析 |
| CN107506797A (zh) * | 2017-08-25 | 2017-12-22 | 电子科技大学 | 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法 |
| KR101929965B1 (ko) * | 2017-11-01 | 2018-12-17 | 가천대학교 산학협력단 | Relm과 pca 특징을 이용한 구조적 mri 영상 기반의 치매 진단 방법 및 그 장치 |
| CN108961215A (zh) * | 2018-06-05 | 2018-12-07 | 上海大学 | 基于多模态医学影像的帕金森病辅助诊断系统和方法 |
| CN110188812A (zh) * | 2019-05-24 | 2019-08-30 | 长沙理工大学 | 一种快速处理缺失异构数据的多核聚类方法 |
| CN110717550A (zh) * | 2019-10-18 | 2020-01-21 | 山东大学 | 一种基于多模态图像缺失补全的分类方法 |
| CN110934587A (zh) * | 2019-12-13 | 2020-03-31 | 深圳龙岗智能视听研究院 | 一种基于图卷积神经网络的阿尔兹海默症辅助诊断方法 |
| CN111368254A (zh) * | 2020-03-02 | 2020-07-03 | 西安邮电大学 | 多流形正则化非负矩阵分解的多视角数据缺失补全方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于机器学习的阿尔兹海默病自动分类、检索及预测的研究";卓奕楠;《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》(第07期);E071-11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111938592A (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Adeli et al. | Joint feature-sample selection and robust diagnosis of Parkinson's disease from MRI data | |
| CN111938592B (zh) | 面向阿尔兹海默症诊断的有缺失多模态表示学习算法 | |
| Ben Ahmed et al. | Classification of Alzheimer’s disease subjects from MRI using hippocampal visual features | |
| Cheng et al. | Multimodal manifold-regularized transfer learning for MCI conversion prediction | |
| Gaonkar et al. | Analytic estimation of statistical significance maps for support vector machine based multi-variate image analysis and classification | |
| Feng et al. | MRI radiomics classification and prediction in Alzheimer’s disease and mild cognitive impairment: a review | |
| ES2595210T3 (es) | Método y aparato para procesar imágenes médicas | |
| Zheng et al. | Automated identification of dementia using medical imaging: a survey from a pattern classification perspective | |
| Lu et al. | Early identification of mild cognitive impairment using incomplete random forest-robust support vector machine and FDG-PET imaging | |
| CN110534195B (zh) | 一种基于数据空间变换的阿尔兹海默症检测方法 | |
| Yao et al. | Pneumonia Detection Using an Improved Algorithm Based on Faster R‐CNN | |
| Wang et al. | Applications of generative adversarial networks in neuroimaging and clinical neuroscience | |
| Pei et al. | Multi-scale attention-based pseudo-3D convolution neural network for Alzheimer’s disease diagnosis using structural MRI | |
| Rohini et al. | Toward Alzheimer’s disease classification through machine learning | |
| Wegmayr et al. | Generative aging of brain MR-images and prediction of Alzheimer progression | |
| Liu et al. | A bag of semantic words model for medical content-based retrieval | |
| Zheng et al. | Integrating semi-supervised label propagation and random forests for multi-atlas based hippocampus segmentation | |
| Zhang et al. | LESA: Longitudinal elastic shape analysis of brain subcortical structures | |
| Zhang et al. | Self-paced semi-supervised feature selection with application to multi-modal Alzheimer’s disease classification | |
| Kumaraswamy et al. | Automatic prostate segmentation of magnetic resonance imaging using Res-Net | |
| Wang et al. | Sparse representation of DWI images for fully automated brain tissue segmentation | |
| Zhou et al. | Inter-modality dependence induced data recovery for MCI conversion prediction | |
| Illán et al. | Bilateral symmetry aspects in computer-aided Alzheimer's disease diagnosis by single-photon emission-computed tomography imaging | |
| Brosch et al. | Deep learning of brain images and its application to multiple sclerosis | |
| Chauvin et al. | Efficient pairwise neuroimage analysis using the soft jaccard index and 3d keypoint sets |
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 |