CN113171075B - 基于深度生成模型的神经退行性疾病脑影像生成预测方法 - Google Patents
基于深度生成模型的神经退行性疾病脑影像生成预测方法 Download PDFInfo
- Publication number
- CN113171075B CN113171075B CN202110414184.6A CN202110414184A CN113171075B CN 113171075 B CN113171075 B CN 113171075B CN 202110414184 A CN202110414184 A CN 202110414184A CN 113171075 B CN113171075 B CN 113171075B
- Authority
- CN
- China
- Prior art keywords
- disease
- patient
- brain
- image
- image data
- 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
- A61B5/48—Other medical applications
- A61B5/4842—Monitoring progression or stage of a disease
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- High Energy & Nuclear Physics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种基于深度生成模型的神经退行性疾病脑影像生成预测方法。本发明包括如下步骤:获取患者的脑结构影像数据,按照患者临床症状的亚型表现和自然病程时期进行数据的划分和整理,得到疾病亚型标签和疾病病程标签;采用深度神经网络构建图像预测生成模型;使用K折交叉验证及带有疾病亚型标签和疾病病程标签的脑影像数据对构建的图像预测生成模型进行训练测试,得到测试集的重构损失、交叉熵损失和离散均匀损失并保存最佳模型;向最佳模型中输入患者当前病程时期的脑影像数据,完成患者的下一自然病程脑影像数据的生成,即对患者的自然病程发展进行预测。本发明为神经退行性疾病的早期诊断和及时干预治疗提供有效性科学依据。
Description
技术领域
本发明涉及计算机应用技术领域,尤其涉及一种基于深度生成模型的神经退行性疾病脑影像生成预测方法。
背景技术
随着社会老龄化的日趋严重,一些与老化相关的疾病的患病率也在逐年攀升,神经退行性疾病是一类神经细胞提早变性或萎缩为基础的疾病状态,且这种疾病状态是毁灭性的,不可逆转的,会随着时间的推移而恶化,最终导致功能的障碍。阿尔兹海默症(Alzheimer's disease,AD)和帕金森病(Parkinson disease,PD)是常见的两种神经退行性疾病,而且是老年群体中患病率排列前二的两种疾病。据最新的流行病学统计,我国现有帕金森病患者超过270万例,每年新发患者10万人以上,预计至2030年,中国帕金森病患者将达500万例。同时,我国现有阿尔兹海默症患者超过一千万例,预计至2050年,中国将有2800万例阿尔兹海默症患者,全球超过半数的阿尔兹海默症和帕金森病患者都在中国。由于神经退行性病病程长,难治愈,而且随着病程还会出现不同程度的并发症,因此不仅给患者本人的健康带来了严重的危害,也给其家庭乃至整个社会带来了沉重的经济负担。
事实上,脑影像作为疾病的重要表型与神经退行性疾病的临床表型高度相关,尤其随着影像学技术的快速发展,因此可通过观测脑图像信号的变化来判断特定功能区域的功能变化,从而高效对疾病进行诊断。临床上基于症状的变化,疾病会被划分为多个亚型,这些亚型主要表现在每个亚型不仅有不同的临床症状,而且各亚型自然病程的发展也会迥然不同。基于每个亚型的临床特点,侧重于对影像学的分析,通过机器学习方法获取各个亚型的全病程的变化规律从而对当前病人的自然病程发展进行预测,将为神经退行性疾病多个亚型的针对性治疗具有重大意义。
现有的神经退行性疾病预测方法,基本是根据当前病人的脑影像图像或者一些量表等行为学数据来预测该病人是否患有神经退行性疾病,并没有基于不同亚型患者当前病程的影像学图像生成下一病程的影像学相关技术研究。
发明内容
根据上述提出的技术问题,而提供一种基于深度生成模型的神经退行性疾病脑影像生成预测方法,本发明基于脑影像学数据,针对神经退行性疾病的各个亚型的病程发展进行预测,通过前一个时期病程的脑影像数据生成下一时期病程脑影像数据,解决了传统方法中无法预测疾病自然病程进展的问题,为神经退行性疾病的早期诊断和及时干预治疗提供有效性科学依据。本发明采用的技术手段如下:
一种基于深度生成模型的神经退行性疾病脑影像生成预测方法,包括如下步骤:
步骤1、获取患者的脑结构影像数据,基于临床上通用的亚型划分办法以及病程划分标准来对患者进行亚型的划分以及病程的评估,从而得到患者的脑结构影像数据对应的亚型标签和疾病病程标签;
步骤2、对不同亚型个体,不同自然病程时期的患者的脑影像数据进行预处理;
步骤3、采用深度神经网络构建图像预测生成模型;
步骤4、使用K折交叉验证及带有所述疾病亚型标签和疾病病程标签的脑影像数据对构建的图像预测生成模型进行训练测试,重构损失收敛后的图像预测生成模型作为最佳模型;
步骤5、向所述最佳模型中输入患者当前病程时期的脑影像数据,完成患者的下一自然病程脑影像数据的生成,即对患者的自然病程发展进行预测。
进一步地,基于脑部核磁共振扫描获取患者的脑结构影像数据,所述磁共振扫描采用GE Signa HDxt 3.0T磁共振。
进一步地,所述步骤2的预处理包括如下步骤:对采集到全脑的T1加权脑结构像进行预处理,具体地,
步骤21、去除扫描的前10个时间点,以排除受试者适应环境和机器稳定性的影响,并进行时间矫正以及头动校正;
步骤22、将图像进行标准化,并采用6mm×6mm×6mm的高斯核对图像进行空间平滑,去线性漂移,滤波去噪操作。
进一步地,所述步骤3中,生成的模型包括用于对输入的图像进行特征提取的编码器网络、用于控制解码器生成预测数据的一个隐藏层和用于图像生成的解码器网络。
进一步地,所述步骤3中,生成的模型包括如下步骤:
步骤31、在编码器网络中,重复采用两个3*3的卷积,并使用relu作为激活函数和一个步长为2的最大池化层结构,构成4级的下采样编码器,并在每个下采样步骤中,将特征通道的数量加倍;
步骤32、获得输入图像中患者的亚型标签和疾病病程时期标签,并通过one-hot编码将两个标签合并为一个一维的影像标签向量,所述影像标签向量用于控制编码器生成特定的的下一个病程的脑影像数据;
步骤33、将经过特征提取后的输入图像的低维特征与所述影像标签向量合并成新的特征,并输入到解码器网络中,解码器网络实现逆卷积,构成4级的上采样解码器,并在每次上采样步骤中,卷积将特征通道的数量减半。
进一步地,所述步骤3中步骤33后还包括如下步骤:
步骤34、采用随机梯度下降算法作为整个模型的优化器,设置学习率为0.001,同时设定模型最大训练次数和每个训练批次的样本数。
进一步地,所述步骤4包括如下步骤:
步骤41、将带有疾病亚型标签和疾病病程标签的脑影像数据集划分为相等的K部分;
步骤42、从划分的脑影像数据集中选取一部分作为测试集,其余部分作为训练集;
步骤43、使用K折交叉验证及带有所述疾病亚型标签和疾病病程标签的脑影像数据对构建的图像预测生成模型进行训练测试,重构损失收敛后的图像预测生成模型作为最佳模型。
进一步地,所述步骤5包括如下步骤:
步骤51、获得患者所处病程的脑影像数据,并对脑影像数据进行数据预处理;
步骤52、根据患者的临床症状,基于临床上通用的亚型划分办法以及病程划分标准来对患者进行亚型的划分以及病程的评估,从而获得患者的疾病亚型标签和所处的疾病病程标签,并使用one-hot编码分别将两个标签转化为一个一维的影像标签向量;
步骤53、将患者所处病程的影像学数据和影像标签向量分别作为编码器网络的输入数据和隐藏层数据添加到神经网络预测模型中,生成该患者的下一自然病程的脑影像数据,完成对该患者自然病程发展的预测。
本发明具有以下优点:本发明提出了一种基于深度生成模型的神经退行性疾病脑影像生成预测方法及系统,基于每个亚型的临床特点,侧重于对影像学的分析,通过神经网络方法获取各个亚型的全病程的变化规律从而快速且较为准确根据当前病人的影像学图像数据对其下一自然病程的发展进行预测。本发明采用的深度生成模型是一种源于神经网络的无监督学习算法,通过它可以获得深层次的特征表示,免除人工选取特征的繁复冗杂和高维数据的维度灾难问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明图像预测生成模型框架图;
图2为本发明图像预测生成模型细节实现网络框架图;
图3为本发明基于深度生成模型的神经退行性疾病脑影像生成预测方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
如图3所示,本发明实施例公开了一种基于深度生成模型的神经退行性疾病脑影像生成预测方法,本方法使用python语言为基础的开源人工神经网络库keras实现,并以帕金森病的脑影像数据为例;
如图1所示,整体流程包括如下步骤:
步骤1、获取患者的脑结构影像数据,根据帕金森病临床上通用的亚型划分办法以及Hoehn&Yahr评分方法来对患者进行亚型的划分以及病程的评估,从而对患者的脑结构影像数据的进行划分和整理,为各个脑结构影像数据添加亚型和病程标签;具体地,本实施例中基于脑部核磁共振扫描获取患者的脑结构影像数据,所述磁共振扫描采用GE SignaHDxt 3.0T磁共振,扫描内容为高分辨率的T1加权脑结构像(HR-TIW1),用于脑组织结构的形态学观察和定量分析,使用FSGPR序列采集全脑T1图像数据;
步骤2、对不同亚型个体,不同自然病程时期的患者的脑影像数据进行预处理;由于在进行核磁共振扫描过程中图像信息会受到被试生理性噪音或者被试者的不自主头动的影响。因此,为排除信号的干扰,在数据分析前必须进行数据的预处理。具体步骤为:步骤21、去除扫描的前10个时间点,以排除受试者适应环境和机器稳定性的影响,并进行时间矫正以及头动校正;
步骤22、将图像进行标准化,并采用6mm×6mm×6mm的高斯核对图像进行空间平滑,去线性漂移,滤波去噪操作。
步骤3、采用深度神经网络构建图像预测生成模型;
具体地,如图2所示,生成的模型包括用于对输入的图像进行特征提取的编码器网络、用于控制解码器生成预测数据的一个隐藏层和用于图像生成的解码器网络;
具体包括如下步骤:步骤31、在编码器网络中,重复采用两个3*3的卷积,并使用relu作为激活函数和一个步长为2的最大池化层结构,构成4级的下采样编码器,并在每个下采样步骤中,将特征通道的数量加倍;
步骤32、获得输入图像中患者的亚型标签和疾病病程时期标签,并通过one-hot编码将两个标签合并为一个一维的影像标签向量,所述影像标签向量用于控制编码器生成特定的的下一个病程的脑影像数据;
步骤33、将经过特征提取后的输入图像的低维特征与所述影像标签向量合并成新的特征,并输入到解码器网络中,解码器网络实现逆卷积,构成4级的上采样解码器,并在每次上采样步骤中,卷积将特征通道的数量减半。
步骤34、采用随机梯度下降算法作为整个模型的优化器,设置学习率为0.001,同时设定模型最大训练次数epoch=100和每个训练批次的样本数batch_size=20。
具体地,本实施例中,按照帕金森疾病基于临床运动症状的亚型划分方法和自然病程时期对脑影像数据进行划分和整理;
帕金森疾病基于临床运行症状被划分为三个亚型,分别为姿势不稳步态障碍型、震颤型以及中间型,使用one-hot编码分别将这三个亚型标签转化为[0,0,1],[0,1,0],[1,0,0]的一维向量;
使用Hoehn&Yahr评分方法来评估帕金森病患者病情的严重程度,其中被划分为0期、1期、1.5期、2期、2.5期、3期、4期、5期,这8个病程时期,同样使用one-hot编码将病程标签转化为一维向量;
将患者的脑影像数据的亚型的标签向量和病程的标签向量合并为一个一维向量(影像标签向量);
步骤4、使用K折交叉验证及带有所述疾病亚型标签和疾病病程标签的脑影像数据对构建的图像预测生成模型进行训练测试,重构损失收敛后的图像预测生成模型作为最佳模型;
具体包括如下步骤:
步骤41、将带有疾病亚型标签和疾病病程标签的脑影像数据集划分为相等的K部分;
步骤42、从划分的脑影像数据集中选取一部分作为测试集,其余部分作为训练集;
步骤43、使用训练集训练图像预测生成模型,通过计算编码网络的输入层与解码网络的输出层的交叉熵损失得到图像预测生成模型的重构损失,直到该重构损失收敛,得到最佳的图像预测生成模型。
步骤5、向所述最佳模型中输入患者当前病程时期的脑影像数据,完成患者的下一自然病程脑影像数据的生成,即对患者的自然病程发展进行预测。
具体包括如下步骤:
步骤51、获得患者所处病程的脑影像数据,并对脑影像数据进行数据预处理;
步骤52、根据患者的临床症状,使用临床上通用的亚型划分和病程评估判定方法获得患者的疾病亚型标签和所处的疾病病程标签,并使用one-hot编码分别将两个标签转化为一个一维的影像标签向量;
步骤53、将患者所处病程的影像学数据和影像标签向量分别作为编码器网络的输入数据和隐藏层数据添加到神经网络预测模型中,生成该患者的下一自然病程的脑影像数据,完成对该患者自然病程发展的预测。
本发明采用的深度生成模型是一种源于神经网络的无监督学习算法,通过它可以获得深层次的特征表示,免除人工选取特征的繁复冗杂和高维数据的维度灾难问题。通过对深度生成模型的构造和训练,可实现神经退行性疾病不同亚型的自然病程的图像预测。与其他关于神经退行性疾病预测方法不同的是,本发明是基于不同亚型病人的前一个病程的脑影像学图像生成下一病程可能的脑影像图像,以反应患者两个阶段病程之间的脑结构的变化,通过不同亚型患者的前后病程的脑影像变化,揭示病程发展过程中的脑结构变化,可以辅助临床医生为患者制定出针对性的治疗方案,为病情的延缓和治疗提供科学性支持。综上所述,基于脑影像学数据,针对神经退行性疾病的多个亚型的病程发展进行预测对于科学上阐释神经退行性疾病的病理机制,揭示神经退行性疾病在脑功能结构上的发展轨迹,将为神经退行性疾病的及时干预治疗提供有效性科学依据。
该预测方法科学的阐释了神经退行性疾病不同亚型患者的病理机制,揭示了疾病不同亚型脑功能结构上的发展轨迹,而且也将为神经退行性疾病的早期诊断和及时干预治疗提供有效性科学依据,这将大大提高患者的疾病诊断治疗效率,避免不必要人力、物力和时间的消耗。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种基于深度生成模型的神经退行性疾病脑影像生成预测方法,其特征在于,包括如下步骤:
步骤1、获取已添加疾病亚型标签和疾病病程标签的脑影像数据;
步骤2、对不同亚型个体,不同自然病程时期的患者的脑影像数据进行预处理;
步骤3、采用深度神经网络构建图像预测生成模型;
步骤 4、使用K折交叉验证及带有所述疾病亚型标签和疾病病程标签的脑影像数据对构建的图像预测生成模型进行训练测试,重构损失收敛后的图像预测生成模型作为最佳模型;
步骤5、向所述最佳模型中输入患者当前病程时期的脑影像数据,完成患者的下一自然病程脑影像数据的生成,即对患者的自然病程发展进行预测;
步骤3中生成的模型包括用于对输入的图像进行特征提取的编码器网络、用于控制解码器生成预测数据的一个隐藏层和用于图像生成的解码器网络;
所述步骤3中,生成的模型包括如下步骤:
步骤31、在编码器网络中,重复采用两个3*3的卷积,并使用relu作为激活函数和一个步长为2的最大池化层结构,构成4级的下采样编码器,并在每个下采样步骤中,将特征通道的数量加倍;
步骤32、获得输入图像中患者的亚型标签和疾病病程时期标签,并通过one-hot编码将两个标签合并为一个一维的影像标签向量,所述影像标签向量用于控制编码器生成特定的下一个病程的脑影像数据;
步骤33、将经过特征提取后的输入图像的低维特征与所述影像标签向量合并成新的特征,并输入到解码器网络中,解码器网络实现逆卷积,构成4级的上采样解码器,并在每次上采样步骤中,卷积将特征通道的数量减半;
所述步骤3中步骤33后还包括如下步骤:
步骤34、采用随机梯度下降算法作为整个模型的优化器,设置学习率为0.001,同时设定模型最大训练次数和每个训练批次的样本数。
2. 根据权利要求1所述的基于深度生成模型的神经退行性疾病脑影像生成预测方法,其特征在于,基于脑部核磁共振扫描获取患者的脑结构影像数据,所述磁共振扫描采用GESigna HDxt 3.0T磁共振。
3.根据权利要求1所述的基于深度生成模型的神经退行性疾病脑影像生成预测方法,其特征在于,所述步骤2的预处理包括如下步骤:
步骤21、去除扫描的前10个时间点,以排除受试者适应环境和机器稳定性的影响,并进行时间矫正以及头动校正;
步骤22、将图像进行标准化,并采用6mm×6mm×6mm的高斯核对图像进行空间平滑,去线性漂移,滤波去噪操作。
4.根据权利要求1所述的基于深度生成模型的神经退行性疾病脑影像生成预测方法,其特征在于,所述步骤4包括如下步骤:
步骤 41、将带有疾病亚型标签和疾病病程标签的脑影像数据集划分为相等的K部分;
步骤 42、从划分的脑影像数据集中选取一部分作为测试集,其余部分作为训练集;
步骤 43、使用训练集训练图像预测生成模型,通过计算编码网络的输入层与解码网络的输出层的交叉熵损失得到图像预测生成模型的重构损失,直到该重构损失收敛,得到最佳的图像预测生成模型。
5.根据权利要求4所述的基于深度生成模型的神经退行性疾病脑影像生成预测方法,其特征在于,所述步骤5包括如下步骤:
步骤51、获得患者所处病程的脑影像数据,并对脑影像数据进行数据预处理;
步骤52、根据患者的临床症状,基于亚型划分以及病程评估判定方法来对患者获得患者的疾病亚型标签和所处的疾病病程标签,并使用one-hot编码分别将两个标签转化为一个一维的影像标签向量;
步骤53、将患者所处病程的影像学数据和影像标签向量分别作为编码器网络的输入数据和隐藏层数据添加到神经网络预测模型中,生成该患者的下一自然病程的脑影像数据,完成对该患者自然病程发展的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110414184.6A CN113171075B (zh) | 2021-04-16 | 2021-04-16 | 基于深度生成模型的神经退行性疾病脑影像生成预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110414184.6A CN113171075B (zh) | 2021-04-16 | 2021-04-16 | 基于深度生成模型的神经退行性疾病脑影像生成预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113171075A CN113171075A (zh) | 2021-07-27 |
CN113171075B true CN113171075B (zh) | 2023-02-24 |
Family
ID=76923495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110414184.6A Active CN113171075B (zh) | 2021-04-16 | 2021-04-16 | 基于深度生成模型的神经退行性疾病脑影像生成预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113171075B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115376698B (zh) * | 2022-10-25 | 2023-04-11 | 北京鹰瞳科技发展股份有限公司 | 用于对眼底疾病的演进进行预测的装置、方法和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019170711A1 (en) * | 2018-03-07 | 2019-09-12 | Institut National De La Sante Et De La Recherche Medicale (Inserm) | Method for early prediction of neurodegenerative decline |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7899225B2 (en) * | 2006-10-26 | 2011-03-01 | Mcgill University | Systems and methods of clinical state prediction utilizing medical image data |
TWI651688B (zh) * | 2017-03-17 | 2019-02-21 | 長庚大學 | 利用磁振造影影像預測神經疾病的臨床嚴重度的方法 |
-
2021
- 2021-04-16 CN CN202110414184.6A patent/CN113171075B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019170711A1 (en) * | 2018-03-07 | 2019-09-12 | Institut National De La Sante Et De La Recherche Medicale (Inserm) | Method for early prediction of neurodegenerative decline |
Non-Patent Citations (1)
Title |
---|
阿尔茨海默病与帕金森病的影像组学研究进展;杨云竣等;《国际医学放射学杂志》;20200115(第01期);45-48 * |
Also Published As
Publication number | Publication date |
---|---|
CN113171075A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447183B (zh) | 预测模型训练方法、装置、设备以及介质 | |
Khan et al. | Machine learning and deep learning approaches for brain disease diagnosis: principles and recent advances | |
Castellazzi et al. | A machine learning approach for the differential diagnosis of Alzheimer and vascular dementia fed by MRI selected features | |
Guo et al. | Resting state fMRI and improved deep learning algorithm for earlier detection of Alzheimer’s disease | |
Altinkaya et al. | Detection of Alzheimer’s disease and dementia states based on deep learning from MRI images: a comprehensive review | |
Buscema et al. | The IFAST model allows the prediction of conversion to Alzheimer disease in patients with mild cognitive impairment with high degree of accuracy | |
Xu et al. | A graph Gaussian embedding method for predicting Alzheimer's disease progression with MEG brain networks | |
CN114041795A (zh) | 基于多模态生理信息与深度学习的情绪识别方法及系统 | |
CN114748053A (zh) | 一种基于fMRI高维时间序列的信号分类方法及装置 | |
Sibilano et al. | An attention-based deep learning approach for the classification of subjective cognitive decline and mild cognitive impairment using resting-state EEG | |
Rokham et al. | Addressing inaccurate nosology in mental health: A multilabel data cleansing approach for detecting label noise from structural magnetic resonance imaging data in mood and psychosis disorders | |
Tyagi et al. | Towards artificial intelligence in mental health: a comprehensive survey on the detection of schizophrenia | |
CN111951958A (zh) | 一种基于自编码的疼痛数据评估方法及相关组件 | |
Zhao et al. | Two-stage spatial temporal deep learning framework for functional brain network modeling | |
CN113171075B (zh) | 基于深度生成模型的神经退行性疾病脑影像生成预测方法 | |
Mostafa et al. | Parkinson’s disease detection using ensemble architecture from mr images | |
Staib et al. | Cortical voice processing is grounded in elementary sound analyses for vocalization relevant sound patterns | |
Nour et al. | Diagnosis and classification of Parkinson's disease using ensemble learning and 1D-PDCovNN | |
Belmokhtar et al. | Classification of alzheimer's disease from 3d structural mri data | |
CN116434950B (zh) | 基于数据分簇和集成学习的孤独症谱系障碍的诊断系统 | |
CN112837807B (zh) | 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法 | |
KR20200025852A (ko) | 기능적 연결성을 사용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치 | |
CN110930349A (zh) | 一种利用卷积神经网络的医学图像处理装置与方法 | |
KR102516868B1 (ko) | 파킨슨 병 검출을 위한 3d 컨볼루셔널 뉴럴 네트워크 | |
Elakkiya | Toward improving the accuracy in the diagnosis of schizophrenia using functional magnetic resonance imaging (fMRI) |
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 |