CN113221952A - 多中心大脑弥散张量成像图分类方法及系统 - Google Patents
多中心大脑弥散张量成像图分类方法及系统 Download PDFInfo
- Publication number
- CN113221952A CN113221952A CN202110396508.8A CN202110396508A CN113221952A CN 113221952 A CN113221952 A CN 113221952A CN 202110396508 A CN202110396508 A CN 202110396508A CN 113221952 A CN113221952 A CN 113221952A
- Authority
- CN
- China
- Prior art keywords
- features
- center
- diffusion tensor
- graph
- tensor imaging
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明属于图像处理领域,提供了一种多中心大脑弥散张量成像图分类方法及系统。其中,该方法包括获取多中心大脑弥散张量成像图,并提取成像图的特征;标准化处理提取后的特征,并展开到同一维度,且将中心编号、被实例性别和年龄信息并入标准化后的特征;使用弹性网络回归筛选标准化后的特征;对筛选后的特征进行再次标准化处理;对再次标准化处理的特征使用Adaboost算法进行再次特征筛选;对中心编号进行独热编码,使得中心编号这一特征扩增到中心数目个特征;将再次筛选的特征及中心编号标签输入至逻辑回归模型,得到多中心大脑弥散张量成像图分类结果,分类结果包括中心编号标签对应的成像图属于正常图及属于阿尔兹海默症图两类。
Description
技术领域
本发明属于图像处理领域,尤其涉及一种多中心大脑弥散张量成像图分类方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
阿尔兹海默症是一种多发于老年人群的神经系统疾病,一般被大众称为“老年痴呆症”。阿尔兹海默症的分类,即根据被试例的自身特征和大脑内部特征,将被试例分类为健康人和确诊病人。使用人工智能对阿尔兹海默症进行分类,现有大部分方法都是使用单一中心即只使用一个医院或医疗机构的磁共振成像(MRI)或计算机断层扫描(CT)图像,从图像中提取特征转化为数据或直接使用图像,经过数据处理、特征提取等过程得到分类结果。发明人发现,这样的数据易受到单一中心的限制而存在误差,并且使用这样训练得到的模型不具有普适性,难以应用到其他医院或医疗机构。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种多中心大脑弥散张量成像图分类方法及系统,其采用两次特征筛选,并且这之间再进行一次数据处理,可以使筛选出的特征较单次特征筛选更为精准,进一步提高了分类的准确率。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种多中心大脑弥散张量成像图分类方法。
一种多中心大脑弥散张量成像图分类方法,其包括:
获取多中心大脑弥散张量成像图,并提取成像图的特征;
标准化处理提取后的特征,并展开到同一维度,且将中心编号、被实例性别和年龄信息并入标准化后的特征;
使用弹性网络回归筛选标准化后的特征;
对筛选后的特征进行再次标准化处理;
对再次标准化处理的特征使用Adaboost算法进行再次特征筛选;
对中心编号进行独热编码,使得中心编号这一特征扩增到中心数目个特征;
将再次筛选的特征及中心编号标签输入至逻辑回归模型,得到多中心大脑弥散张量成像图分类结果,分类结果包括中心编号标签对应的成像图属于正常图及属于阿尔兹海默症图两类。
本发明的第二个方面提供一种多中心大脑弥散张量成像图分类系统。
一种多中心大脑弥散张量成像图分类系统,其包括:
成像图特征提取模块,其用于获取多中心大脑弥散张量成像图,并提取成像图的特征;
特征标准化模块,其用于标准化处理提取后的特征,并展开到同一维度,且将中心编号、被实例性别和年龄信息并入标准化后的特征;
特征筛选模块,其用于使用弹性网络回归筛选标准化后的特征;
特征再次标准化模块,其用于对筛选后的特征进行再次标准化处理;
特征再次筛选模块,其用于对再次标准化处理的特征使用Adaboost算法进行再次特征筛选;
独热编码模块,其用于对中心编号进行独热编码,使得中心编号这一特征扩增到中心数目个特征;
成像图分类模块,其用于将再次筛选的特征及中心编号标签输入至逻辑回归模型,得到多中心大脑弥散张量成像图分类结果,分类结果包括中心编号标签对应的成像图属于正常图及属于阿尔兹海默症图两类。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的多中心大脑弥散张量成像图分类方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的多中心大脑弥散张量成像图分类方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明所使用的数据处理方式可以有效减弱异常数据对结果的影响,并且使有用特征发挥更大的作用。本发明采用两次特征筛选,并且这之间再进行一次数据处理,可以使筛选出的特征较单次特征筛选更为精准,进一步提高了分类的准确率。
本发明建立的模型,能够提高分类的准确性,在用于阿尔兹海默症分类时,可以在得到多中心的弥散张量成像技术所获得的特征后直接输入模型,输出分类结果,也允许专业医生的介入对分类结果进行评价,继续学习医生评价,以进一步提高分类准确性。同时本方法具有一定的鲁棒性,对于数据的异常和缺失能够进行一定程度上的弥补和纠正。
本发明的多中心大脑弥散张量成像图分类方法及系统在运算速度上,仅使用此模型,模型体量小,收敛速度快,迭代次数少,因此运算速度较快。若使用在此模型基础上的优化模型,在合适的计算机下,也可以实现较高速度的运算速度。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的多中心大脑弥散张量成像图分类方法流程图;
图2是本发明实施例的原始数据集内容与格式;
图3是本发明实施例的部分特征的缺省比例;
图4是本发明实施例的模型训练的表现。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示,本实施例提供了一种多中心大脑弥散张量成像图分类方法,具体包括如下步骤:
步骤S101:获取多中心大脑弥散张量成像图,并提取成像图的特征。
其中,提取成像图的特征包括但不限于体积、挠率、曲率、线性度、FA(各向异性指数)、MD(平均弥散率)、RF和A×D。
这些特征是由自动纤维束量化工具处理得到的沿18条脑内主要纤维束上100个点的8种不同的指标,包括体积、挠率、曲率、线性度、FA、MD、RF、A×D,使用这些特征将被试分类为健康人和患者。
对于本实施例所涉及到的逻辑回归模型的训练数据均来自中科院自动化所公开的部分数据,该数据是由自动纤维束量化工具处理得到的沿18条脑内主要纤维束上100个点的8种不同的指标。所用数据集共包括825个被试,原始数据集内容与格式如图2所示,将其划分为训练集540例、验证集160例、测试集125例,并要保证在训练时验证集和测试集不参与训练。使用训练集和验证集获得最优的分类参数,使用分类参数直接对测试集(或待测集)进行分类。
步骤S102:标准化处理提取后的特征,并展开到同一维度,且将中心编号、被实例性别和年龄信息并入标准化后的特征。
在具体实施中,该步骤中的标准化方式选择Robust标准化,将数据中的离群值缩放到同个特征的数据下的四分位数区间内,即缩放到25%~75%区间内。Robust标准化公式如下:
其中vi表示样本v的某个值,其经过RobustScaler后的值为vi'。median是样本v的中位数,IQR是样本的四分位距。
再将所有数据展开到同一维度,使数据的维度为1,并把中心编号、被实例性别和年龄信息并入其中,以便后续的特征处理。原数据具有大量缺省值,部分特征的缺省比例如图3所示。
由于人工、仪器的差别或其他因素导致数据中存在大量的缺省值,本方法缺省值的填充使用均值填充,即使用当前列(特征)的被试例的均值填充缺省值。
步骤S103:使用弹性网络回归筛选标准化后的特征。
在具体实施中,由于此数据集的特征过多,而提高分类准确度的关键就行将与分类结果相关性较高的特征筛选出来、去除冗余特征。第一次特征筛选使用弹性回归网络,弹性回归网络是融合了Lasso回归和岭回归的回归模型,合并了L1正则化项和L2正则化项。L1算子具有稀疏化特征数据为0而进行特征选择的功能,L2范式可以有效减弱模型过拟合的风险,提高模型泛化性和稳定性,弹性回归网络很好地结合了这两点,可有效地用于对高维数据进行降维,并保证模型具有良好的泛化性。弹性回归网络公式如下:
λ1+λ2=1,λ1,λ2≥0
其中前半部分为最小二乘法,也成为损失函数中的经验风险,x为预测结果,y为真实结果,θ为特征的权重矩阵;后半部分中||θ||为θ的L1范式,为θ的L2范式,λ1、λ2分别为L1范式和L2范式的权重。弹性回归网络将L1和L2范式按照一定的权重作为正则化项加入损失函数中,也称为结构风险。
步骤S104:对筛选后的特征进行再次标准化处理。
在具体实施中,使用Z_score标准化方法,将特征在不改变数据分布的前提下缩放到同一尺度,缩放后的数据均值为0,标准差为1,所用公式如下:
步骤S105:对再次标准化处理的特征使用Adaboost算法进行再次特征筛选。
其中,Adaboost是特征选择领域的嵌入式算法,它通过集成学习弱分类器从而选择表现最佳的特征得到最优目标特征子集,其弱分类器通常由一些决策桩、BP神经网络和SVM等构成。通过设置弱分类器遍历完所有特征,根据每次迭代选出的最优特征来组成最优目标特征子集。
步骤S106:对中心编号进行独热编码,使得中心编号这一特征扩增到中心数目个特征。
其中,对多中心编号这一特征进行独热编码,将一个特征扩增到中心数目个特征,将连续特征离散化,使特征管理更加精细,并且提高模型的非线性能力,有效提高这一特征的权重。
步骤S107:将再次筛选的特征及中心编号标签输入至逻辑回归模型,得到多中心大脑弥散张量成像图分类结果,分类结果包括中心编号标签对应的成像图属于正常图及属于阿尔兹海默症图两类。
使用逻辑回归模型对筛选后的特征与分类标签进行模型收敛,并通过模型优化找到最优的模型超参数,如正则化参数选择L2正则化,优化参数选择“lbfgs”即利用损失函数的二阶导数矩阵迭代优化。模型收敛后得到最优的特征权重即分类参数,模型训练的表现如图4所示。
对测试集(待测集)数据做与训练集数据相同的数据处理,使用分类参数得到最终的分类结果并输出,模型在测试集上的表现如下所示:
Accuracy | AUC | F1 | |
value | 0.8 | 0.81042 | 0.78481 |
Accuracy、AUC、F1为分类模型常用的评价指标:Accuracy为精确度,越接近1效果越好;AUC为ROC曲线即假阳性率和真阳性率的比值下的面积,AUC值越接近1分类效果越好;F1为精确率和召回率的加权平均数,最大为1,可以用以衡量二分类模型的效果优劣。
实施例二
本实施例提供了一种多中心大脑弥散张量成像图分类系统,其具体包括如下模块:
成像图特征提取模块,其用于获取多中心大脑弥散张量成像图,并提取成像图的特征;
特征标准化模块,其用于标准化处理提取后的特征,并展开到同一维度,且将中心编号、被实例性别和年龄信息并入标准化后的特征;
特征筛选模块,其用于使用弹性网络回归筛选标准化后的特征;
特征再次标准化模块,其用于对筛选后的特征进行再次标准化处理;
特征再次筛选模块,其用于对再次标准化处理的特征使用Adaboost算法进行再次特征筛选;
独热编码模块,其用于对中心编号进行独热编码,使得中心编号这一特征扩增到中心数目个特征;
成像图分类模块,其用于将再次筛选的特征及中心编号标签输入至逻辑回归模型,得到多中心大脑弥散张量成像图分类结果,分类结果包括中心编号标签对应的成像图属于正常图及属于阿尔兹海默症图两类。
此处需要说明的是,本实施例的多中心大脑弥散张量成像图分类系统中的各个模块,与实施例一中的多中心大脑弥散张量成像图分类方法中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的多中心大脑弥散张量成像图分类方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的多中心大脑弥散张量成像图分类方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.一种多中心大脑弥散张量成像图分类方法,其特征在于,包括:
获取多中心大脑弥散张量成像图,并提取成像图的特征;
标准化处理提取后的特征,并展开到同一维度,且将中心编号、被实例性别和年龄信息并入标准化后的特征;
使用弹性网络回归筛选标准化后的特征;
对筛选后的特征进行再次标准化处理;
对再次标准化处理的特征使用Adaboost算法进行再次特征筛选;
对中心编号进行独热编码,使得中心编号这一特征扩增到中心数目个特征;
将再次筛选的特征及中心编号标签输入至逻辑回归模型,得到多中心大脑弥散张量成像图分类结果,分类结果包括中心编号标签对应的成像图属于正常图及属于阿尔兹海默症图两类。
2.如权利要求1所述的多中心大脑弥散张量成像图分类方法,其特征在于,提取成像图的特征包括体积、挠率、曲率和线性度。
3.如权利要求1所述的多中心大脑弥散张量成像图分类方法,其特征在于,标准化处理提取后的特征的过程中,对做Robust标准化处理离群点,使用均值填充缺省值。
4.如权利要求1所述的多中心大脑弥散张量成像图分类方法,其特征在于,弹性回归网络融合了Lasso回归和岭回归的回归模型,合并了L1正则化项和L2正则化项。
5.如权利要求1所述的多中心大脑弥散张量成像图分类方法,其特征在于,对筛选后的特征使用Z_score标准化方法进行再次标准化处理,将特征在不改变数据分布的前提下缩放到同一尺度,缩放后的数据均值为0,标准差为1。
6.如权利要求1所述的多中心大脑弥散张量成像图分类方法,其特征在于,使用Adaboost算法进行再次特征筛选的过程中,通过集成学习弱分类器从而选择表现最佳的特征得到最优目标特征子集。
7.如权利要求1所述的多中心大脑弥散张量成像图分类方法,其特征在于,逻辑回归模型收敛后得到最优的特征权重即分类参数。
8.一种多中心大脑弥散张量成像图分类系统,其特征在于,包括:
成像图特征提取模块,其用于获取多中心大脑弥散张量成像图,并提取成像图的特征;
特征标准化模块,其用于标准化处理提取后的特征,并展开到同一维度,且将中心编号、被实例性别和年龄信息并入标准化后的特征;
特征筛选模块,其用于使用弹性网络回归筛选标准化后的特征;
特征再次标准化模块,其用于对筛选后的特征进行再次标准化处理;
特征再次筛选模块,其用于对再次标准化处理的特征使用Adaboost算法进行再次特征筛选;
独热编码模块,其用于对中心编号进行独热编码,使得中心编号这一特征扩增到中心数目个特征;
成像图分类模块,其用于将再次筛选的特征及中心编号标签输入至逻辑回归模型,得到多中心大脑弥散张量成像图分类结果,分类结果包括中心编号标签对应的成像图属于正常图及属于阿尔兹海默症图两类。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的多中心大脑弥散张量成像图分类方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的多中心大脑弥散张量成像图分类方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110396508.8A CN113221952B (zh) | 2021-04-13 | 2021-04-13 | 多中心大脑弥散张量成像图分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110396508.8A CN113221952B (zh) | 2021-04-13 | 2021-04-13 | 多中心大脑弥散张量成像图分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221952A true CN113221952A (zh) | 2021-08-06 |
CN113221952B CN113221952B (zh) | 2023-09-15 |
Family
ID=77087037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110396508.8A Active CN113221952B (zh) | 2021-04-13 | 2021-04-13 | 多中心大脑弥散张量成像图分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221952B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115359305A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 一种大脑纤维束异常区域精准定位系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330267A (zh) * | 2017-06-28 | 2017-11-07 | 首都医科大学宣武医院 | 利用弥散张量成像医学影像的白质纤维脑图谱构建方法 |
CN107507162A (zh) * | 2017-06-29 | 2017-12-22 | 南京航空航天大学 | 一种基于多模态脑影像的基因型分析方法 |
CN110188621A (zh) * | 2019-05-09 | 2019-08-30 | 东南大学 | 一种基于ssf-il-cnn的三维人脸表情识别方法 |
CN110516758A (zh) * | 2019-09-02 | 2019-11-29 | 广东工业大学 | 一种阿尔兹海默症分类预测方法及系统 |
CN110534195A (zh) * | 2019-09-05 | 2019-12-03 | 深圳龙岗智能视听研究院 | 一种基于数据空间变换的阿尔兹海默症检测方法 |
-
2021
- 2021-04-13 CN CN202110396508.8A patent/CN113221952B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330267A (zh) * | 2017-06-28 | 2017-11-07 | 首都医科大学宣武医院 | 利用弥散张量成像医学影像的白质纤维脑图谱构建方法 |
CN107507162A (zh) * | 2017-06-29 | 2017-12-22 | 南京航空航天大学 | 一种基于多模态脑影像的基因型分析方法 |
CN110188621A (zh) * | 2019-05-09 | 2019-08-30 | 东南大学 | 一种基于ssf-il-cnn的三维人脸表情识别方法 |
CN110516758A (zh) * | 2019-09-02 | 2019-11-29 | 广东工业大学 | 一种阿尔兹海默症分类预测方法及系统 |
CN110534195A (zh) * | 2019-09-05 | 2019-12-03 | 深圳龙岗智能视听研究院 | 一种基于数据空间变换的阿尔兹海默症检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115359305A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 一种大脑纤维束异常区域精准定位系统 |
CN115359305B (zh) * | 2022-10-19 | 2023-01-10 | 之江实验室 | 一种大脑纤维束异常区域精准定位系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113221952B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Classification of brain disorders in rs-fMRI via local-to-global graph neural networks | |
Nigri et al. | Explainable deep CNNs for MRI-based diagnosis of Alzheimer’s disease | |
CN110840468B (zh) | 自闭症风险评估方法及装置、终端设备、存储介质 | |
Herrera et al. | Classification of MRI images for Alzheimer's disease detection | |
Li et al. | Novel effective connectivity inference using ultra-group constrained orthogonal forward regression and elastic multilayer perceptron classifier for MCI identification | |
CN113077456B (zh) | 基于功能性磁共振成像构建网络模型的训练方法和装置 | |
WO2023198224A1 (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
CN115662576B (zh) | 关联认知障碍病症的神经反馈训练范式的生成方法和系统 | |
CN112348785A (zh) | 一种癫痫病灶定位方法及系统 | |
CN113052800B (zh) | 一种阿尔茨海默症影像分析方法与装置 | |
CN113221952A (zh) | 多中心大脑弥散张量成像图分类方法及系统 | |
Elshatoury et al. | Volumetric histogram-based Alzheimer’s disease detection using support vector machine | |
Farouk et al. | Statistical features and voxel-based morphometry for alzheimer's disease classification | |
Prasad et al. | Optimizing brain connectivity networks for disease classification using EPIC | |
Nisha et al. | SGD-DABiLSTM based MRI Segmentation for Alzheimer’s disease Detection | |
Soltaninejad et al. | Parkinson's disease mid-brain assessment using mr t2 images | |
Adar et al. | Feature selection on MR images using genetic algorithm with SVM and naive Bayes classifiers | |
Sujathakumari et al. | Detection of MCI from MRI using gradient boosting classifier | |
Rangaraju et al. | Dual Attention Aware Octave Convolution Network for Early-Stage Alzheimer's Disease Detection | |
Kavitha | Study of tissue variation and analysis of MR brain images using optimized multilevel threshold and deep CNN features in neurodegenerative disorders | |
Ferdous et al. | Application of hybrid classifier for multi-class classification of MRI brain tumor images | |
Kubi et al. | A Deep Learning-Based Technique to Determine Various Stages of Alzheimer’s Disease from 3D Brain MRI Images | |
Krishna et al. | A hybrid machine learning framework for biomarkers based ADNI disease prediction | |
CN115147417B (zh) | 一种基于过滤法特征选择的功能连接矩阵处理系统及装置 | |
Vashishtha et al. | Automatically detection of multi-class Alzheimer disease using deep Siamese convolutional neural network |
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 |