CN113255728B - 一种基于图嵌入和多模态脑网络的抑郁症分类方法 - Google Patents
一种基于图嵌入和多模态脑网络的抑郁症分类方法 Download PDFInfo
- Publication number
- CN113255728B CN113255728B CN202110454260.6A CN202110454260A CN113255728B CN 113255728 B CN113255728 B CN 113255728B CN 202110454260 A CN202110454260 A CN 202110454260A CN 113255728 B CN113255728 B CN 113255728B
- Authority
- CN
- China
- Prior art keywords
- brain
- network
- node
- brain network
- functional
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 24
- 230000003925 brain function Effects 0.000 claims abstract description 9
- 238000012512 characterization method Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000012706 support-vector machine Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000002598 diffusion tensor imaging Methods 0.000 claims description 13
- 239000000835 fiber Substances 0.000 claims description 12
- 210000004885 white matter Anatomy 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 8
- 238000005295 random walk Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 230000004075 alteration Effects 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000002922 simulated annealing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 230000003001 depressive effect Effects 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000013145 classification model Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 208000020401 Depressive disease Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 230000000994 depressogenic effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000003012 network analysis Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010011971 Decreased interest Diseases 0.000 description 1
- 206010012374 Depressed mood Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- 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)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于图嵌入和多模态脑网络的抑郁症分类方法，基于图论的思想将脑建模为脑网络，使用功能‑结构层次映射算法融合全脑功能网络和结构网络，得到功能和结构信息融合的脑网络，使用图嵌入算法自动学习脑网络的拓扑结构特征和连接特征，得到脑网络每个节点的向量表征，进而组合成脑网络表征，最后使用支持向量机模型基于每个被试的脑网络表征进行抑郁症分类。本发明利用图嵌入和多模态脑网络，弥补了单一模态信息的不足，生成适合于机器学习分类模型的特征向量，有效挖掘了抑郁症相关的脑网络水平特征，提高了抑郁症分类的精度。
Description
技术领域
本专利涉及医学图像处理与机器学习领域，特别是指一种基于图嵌入和多模态脑网络的抑郁症分类方法。
背景技术
抑郁症是一种全球范围内普遍存在的精神疾病，核心症状为情绪低落、兴趣丧失、注意力不集中、思考困难、记忆力下降、活动减少和睡眠障碍等，给患者及其家庭造成了沉重的负担。抑郁症的早期诊断和治疗对抑郁症患者的康复至关重要。目前，抑郁症的诊断主要依靠于医生的临床面诊，但是抑郁症是一种异质性的疾病，临床症状非常复杂，与其他精神疾病的某些症状类似。已有研究发现抑郁症与脑结构和功能的改变有关，因此研究抑郁症对脑结构和功能的影响有利于抑郁症的早期诊疗。
近年来，非侵入性的磁共振成像(MRI)技术被广泛应用于临床实践中，为抑郁症的诊断提供了客观的证据。磁共振影像数据有多个模态，包括：结构磁共振成像(sMRI)、功能磁共振成像(fMRI)和弥散张量成像(DTI)，反映了不同的脑结构和功能信息。相较于单个脑区的改变，抑郁症与脑区间的交互关系更密切，基于图论的思想，将脑建模成一个复杂网络，为抑郁症的临床研究打开了新的思路。
脑网络以脑区为网络节点，脑区间的关系为网络连边。目前常用的脑网络分析方法主要有网络拓扑属性分析和网络连接分析。网络拓扑属性分析是基于复杂网络分析方法计算脑网络的全局效率、局部效率、聚类系数、最短路径长度、小世界属性，网络连接分析则基于邻接矩阵提取连接特征。这些方法主要对单模态脑网络进行分析，虽然有效提取了部分脑网络特征，但是没有同时考虑脑网络的全局信息和局部信息，并对未知特征挖掘能力不足，有些特征不便于后续机器学习模型处理。
发明内容
为了解决现有脑网络分析方法特征挖掘能力不足的问题，受自然语言处理的启发，本发明提出了一种基于图嵌入和多模态脑网络的抑郁症分类方法，可以充分快速、高效地提取多模态脑网络特征用于抑郁症分类。
本发明解决其技术问题所采用的技术方案是：
一种基于图嵌入和多模态脑网络的抑郁症分类方法，包括如下步骤：
步骤一：功能磁共振成像和弥散张量成像数据预处理：功能磁共振成像数据预处理步骤包括：去除前10个时间点、时间校正、头动校正、图像配准、空间平滑、滤波和回归非神经元的混杂因素，弥散张量成像数据预处理步骤包括：估计和校正磁化率引起的畸变、去脑壳和涡流校正；
步骤二：构建全脑功能网络：基于AAL模板将全脑分割成116个脑区，每个脑区为脑网络的一个节点，对于功能磁共振预处理后的数据，计算每个脑区内的时间序列均值，然后计算任意两两脑区间的时间序列皮尔森相关系数，再进行Fisher-z变换得到功能连接矩阵，即116×116的功能邻接矩阵；
步骤三：构建全脑结构网络；将AAL模板配准到个体DTI空间。使用加权最小二乘法对预处理后的DTI图像拟合扩散张量模型，估算出大脑每个体素的各向异性分数FA，使用确定跟踪算法获得全脑白质纤维束；然后利用AAL模板的116个脑区来分割和修剪全脑白质纤维从而得到任意两个脑区之间的白质纤维束，使用白质纤维束数目进行加权，得到全脑结构连接矩阵，即116×116的结构邻接矩阵；
步骤四：使用功能-结构层次映射算法融合全脑功能网络和结构网络：两个脑区之间的功能连接相关性随着结构邻接矩阵中两个脑区之间距离的增加而减少，用二值化的使用矩阵U表示任意两点之间的结构连接是否被用来预测功能连接，分别在抑郁症患者组和正常对照组中拟合组水平的U矩阵，最小化所有节点对之间功能连接观察值和预测值之间的平方和差异：
其中，n表示第n个被试个体，i，j表示第i和j个脑区，FC表示功能连接，U表示使用矩阵，D表示结构矩阵，fi,j表示第i个节点和第j个节点之间的迪杰斯特拉距离，使用模拟退火算法来交替估计k值和U矩阵，估计出U矩阵后，计算U·D，得到功能和结构融合的脑网络；
步骤五：使用Node2Vec图嵌入算法提取功能和结构融合脑网络的特征：首先采用随机游走的方式获取节点序列，从某个特定的端点开始，游走的每一步都从与当前节点相连的边中随机选择一条，沿着选定的边移动到下一个顶点，不断重复这个过程，Node2vec采用的是一种有偏的随机游走，节点v的到节点x转移概率为：
πvx＝αpq(t,x)·wvx
其中，t为v节点的上一游走节点，w为两节点之间边的权重，α为偏重系数，然后使用连续词袋模型由上下文预测中心词，在Node2vec中，上下文对应于以某一节点为中心，在窗口c内随机游走得到的长度为2c的节点序列，用这一节点序列来预测中心节点，最后得到脑网络中每个节点的向量表征；
步骤六：验证脑网络节点向量表征的生物学意义和抑郁症分类：通过功能同伦性和同位半球间连接数量来验证脑网络节点向量表征的神经生物学意义，然后对每个节点的向量表征进行加权求和，得到每个脑网络的向量表征，随后基于每个被试的脑网络表征，使用支持向量机模型进行抑郁症患者和正常对照的分类。
本发明的技术构思为：基于图论的思想将脑建模为脑网络，使用功能-结构层次映射算法融合全脑功能网络和结构网络，得到功能和结构信息融合的脑网络，使用图嵌入算法自动学习脑网络的拓扑结构特征和连接特征，得到脑网络每个节点的向量表征，进而组合成脑网络表征，最后使用支持向量机模型基于每个被试的脑网络表征进行抑郁症分类。
本发明的有益效果为：利用功能-结构层次映射模型有效融合了功能和结构信息，弥补了单一模态信息的不足，利用图嵌入算法自动学习脑网络的全部和局部特征，生成适合于机器学习分类模型的特征向量，有效挖掘了抑郁症相关的脑网络水平特征，提高了抑郁症分类的精度。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1，一种基于图嵌入和多模态脑网络的抑郁症分类方法，包括如下步骤：
步骤一：功能磁共振成像和弥散张量成像数据预处理：功能磁共振成像数据预处理步骤包括：去除前10个时间点、时间校正、头动校正、图像配准、空间平滑、滤波和回归非神经元的混杂因素，弥散张量成像数据预处理步骤包括：估计和校正磁化率引起的畸变、去脑壳和涡流校正；
步骤二：构建全脑功能网络：基于AAL模板将全脑分割成116个脑区，每个脑区为脑网络的一个节点，对于功能磁共振预处理后的数据，计算每个脑区内的时间序列均值，然后计算任意两两脑区间的时间序列皮尔森相关系数，再进行Fisher-z变换得到功能连接矩阵，即116×116的功能邻接矩阵；
步骤三：构建全脑结构网络：将AAL模板配准到个体DTI空间。使用加权最小二乘法对预处理后的DTI图像拟合扩散张量模型，估算出大脑每个体素的各向异性分数FA，使用确定跟踪算法获得全脑白质纤维束，然后利用AAL模板的116个脑区来分割和修剪全脑白质纤维从而得到任意两个脑区之间的白质纤维束，使用白质纤维束数目进行加权，得到全脑结构连接矩阵，即116×116的结构邻接矩阵；
步骤四：使用功能-结构层次映射算法融合全脑功能网络和结构网络：两个脑区之间的功能连接相关性随着结构邻接矩阵中两个脑区之间距离的增加而减少，用二值化的使用矩阵U表示任意两点之间的结构连接是否被使用来预测功能连接，分别在抑郁症患者组和正常对照组中拟合组水平的U矩阵，最小化所有节点对之间功能连接观察值和预测值之间的平方和差异：
其中，n表示第n个被试个体，i，j表示第i和j个脑区，FC表示功能连接，U表示使用矩阵，D表示结构矩阵，fi,j表示第i个节点和第j个节点之间的迪杰斯特拉距离，使用模拟退火算法来交替估计k值和U矩阵，估计出U矩阵后，计算U·D，得到功能和结构融合的脑网络；
步骤五：使用Node2Vec图嵌入算法提取功能和结构融合脑网络的特征：首先采用随机游走的方式获取节点序列。从某个特定的端点开始，游走的每一步都从与当前节点相连的边中随机选择一条，沿着选定的边移动到下一个顶点，不断重复这个过程，Node2vec采用的是一种有偏的随机游走，节点v的到节点x转移概率为：
πvx＝αpq(t,x)·wvx
其中，t为v节点的上一游走节点，w为两节点之间边的权重，α为偏重系数，然后使用连续词袋模型由上下文预测中心词，在Node2vec中，上下文对应于以某一节点为中心，在窗口c内随机游走得到的长度为2c的节点序列，用这一节点序列来预测中心节点，最后得到脑网络中每个节点的向量表征；
步骤六：验证脑网络节点向量表征的生物学意义和抑郁症分类：通过功能同伦性和同位半球间连接数量来验证脑网络节点向量表征的神经生物学意义，然后对每个节点的向量表征进行加权求和，得到每个脑网络的向量表征，随后基于每个被试的脑网络表征，使用支持向量机模型进行抑郁症患者和正常对照的分类。
本实施例中，计算每个抑郁症患者和正常对照的全脑功能网络和结构网络，得到两个116×116的邻接矩阵，然后利用功能-结构层次映射算法融合全脑功能网络和结构网络，得到一个116×116的功能-结构融合脑网络，使用图嵌入算法学习每个被试的功能-结构融合脑网络，得到脑网络每个节点的向量表征，即一个128维的向量，对116个128维的向量进行加权求和得到一个128维的脑网络水平的特征，使用支持向量机对抑郁症患者和正常对照进行分类时采用10次10折交叉验证法，将数据集分为10份，其中9份是训练集，剩余1份是测试集，基于训练集训练分类模型，得到最优的分类参数，然后对测试集进行分类，计算分类准确率，最后求10次分类准确率的平均值，该方法的分类准确率可达91.2％。
如上所述，本专利实施的具体实现步骤使本发明更加清晰。在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。
Claims (1)
1.一种基于图嵌入和多模态脑网络的抑郁症分类方法，其特征在于：所述方法包括如下步骤：
步骤一：功能磁共振成像和弥散张量成像数据预处理：功能磁共振成像数据预处理步骤包括：去除前10个时间点、时间校正、头动校正、图像配准、空间平滑、滤波和回归非神经元的混杂因素；弥散张量成像数据预处理步骤包括：估计和校正磁化率引起的畸变、去脑壳和涡流校正；
步骤二：构建全脑功能网络：基于AAL模板将全脑分割成116个脑区，每个脑区为脑网络的一个节点，对于功能磁共振预处理后的数据，计算每个脑区内的时间序列均值，然后计算任意两两脑区间的时间序列皮尔森相关系数，再进行Fisher-z变换得到功能连接矩阵，即116×116的功能邻接矩阵；
步骤三：构建全脑结构网络：将AAL模板配准到个体DTI空间，使用加权最小二乘法对预处理后的DTI图像拟合扩散张量模型，估算出大脑每个体素的各向异性分数FA，使用确定跟踪算法获得全脑白质纤维束；然后利用AAL模板的116个脑区来分割和修剪全脑白质纤维从而得到任意两个脑区之间的白质纤维束，使用白质纤维束数目进行加权，得到全脑结构连接矩阵，即116×116的结构邻接矩阵；
步骤四：使用功能-结构层次映射算法融合全脑功能网络和结构网络：用二值化的使用矩阵U表示任意两点之间的结构连接是否被使用来预测功能连接，分别在抑郁症患者组和正常对照组中拟合组水平的U矩阵，最小化所有节点对之间功能连接观察值和预测值之间的平方和差异：
其中，n表示第n个被试个体，i，j表示第i和j个脑区，FC表示功能连接，U表示使用矩阵，D表示结构矩阵，fi,j表示第i个节点和第j个节点之间的迪杰斯特拉距离，使用模拟退火算法来交替估计k值和U矩阵，估计出U矩阵后，计算U·D，得到功能和结构融合的脑网络；
步骤五：使用Node2Vec图嵌入算法提取功能和结构融合脑网络的特征：首先采用随机游走的方式获取节点序列，从某个特定的端点开始，游走的每一步都从与当前节点相连的边中随机选择一条，沿着选定的边移动到下一个顶点，不断重复这个过程，Node2vec采用的是一种有偏的随机游走，节点v到节点x的转移概率为：
πvx＝αpq(t,x)·wvx
其中，t为v节点的上一游走节点，w为两节点的边的权重，α为偏重系数，然后使用连续词袋模型由上下文预测中心词，在Node2vec中，上下文对应于以某一节点为中心，在窗口c内随机游走得到的长度为2c的节点序列，用这一节点序列来预测中心节点，最后得到脑网络中每个节点的向量表征；
步骤六：验证脑网络节点向量表征的生物学意义和抑郁症分类，通过功能同伦性和同位半球间连接数量来验证脑网络节点向量表征的神经生物学意义，然后对每个节点的向量表征进行加权求和，得到每个脑网络的向量表征，随后基于每个被试的脑网络表征，使用支持向量机模型进行抑郁症患者和正常对照的分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110454260.6A CN113255728B (zh) | 2021-04-26 | 2021-04-26 | 一种基于图嵌入和多模态脑网络的抑郁症分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110454260.6A CN113255728B (zh) | 2021-04-26 | 2021-04-26 | 一种基于图嵌入和多模态脑网络的抑郁症分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113255728A CN113255728A (zh) | 2021-08-13 |
| CN113255728B true CN113255728B (zh) | 2024-03-22 |
Family
ID=77221768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110454260.6A Active CN113255728B (zh) | 2021-04-26 | 2021-04-26 | 一种基于图嵌入和多模态脑网络的抑郁症分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113255728B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113705680A (zh) * | 2021-08-27 | 2021-11-26 | 兰州大学 | 一种基于多模态磁共振数据的癌症伴随型抑郁识别方法 |
| CN114343639B (zh) * | 2022-01-05 | 2024-04-12 | 北京理工大学 | 一种基于聚类-融合的脑电信号特征识别分析方法 |
| CN114418982B (zh) * | 2022-01-14 | 2022-11-01 | 太原理工大学 | 一种dti多参数融合脑网络的构建方法 |
| CN115359297B (zh) * | 2022-08-24 | 2024-01-26 | 南京航空航天大学 | 一种基于高阶脑网络的分类方法、系统、电子设备及介质 |
| WO2024113140A1 (zh) * | 2022-11-29 | 2024-06-06 | 深圳先进技术研究院 | 多模态脑网络计算方法、装置、设备及存储介质 |
| WO2024113135A1 (zh) * | 2022-11-29 | 2024-06-06 | 深圳先进技术研究院 | 结构功能关联的多模态脑网络计算方法、装置、设备及介质 |
| CN116250837B (zh) * | 2023-02-14 | 2024-02-13 | 天津大学 | 一种基于动态因效性脑网络的抑郁症检测装置 |
| CN116051849B (zh) * | 2023-04-03 | 2023-07-07 | 之江实验室 | 一种脑网络数据特征提取方法及装置 |
| CN117036727B (zh) * | 2023-10-09 | 2024-01-05 | 之江实验室 | 脑网络数据多层嵌入向量特征提取方法及装置 |
| CN117408322B (zh) * | 2023-12-15 | 2024-04-16 | 北京邮电大学 | 脑功能与脑结构的映射模型训练方法、装置及映射方法 |
| CN117934977B (zh) * | 2024-03-22 | 2024-05-31 | 烟台大学 | 基于图连接和图节点的脑网络分类方法、系统和设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110301431A1 (en) * | 2010-06-05 | 2011-12-08 | The Board Of Trustees Of The Leland Stanford Junior University | Methods of classifying cognitive states and traits and applications thereof |
-
2021
- 2021-04-26 CN CN202110454260.6A patent/CN113255728B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113255728A (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113255728B (zh) | 一种基于图嵌入和多模态脑网络的抑郁症分类方法 | |
| CN113040715B (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
| Song et al. | Auto-metric graph neural network based on a meta-learning strategy for the diagnosis of Alzheimer's disease | |
| CN107133651B (zh) | 基于超网络判别子图的功能磁共振影像数据分类方法 | |
| Pan et al. | Characterization multimodal connectivity of brain network by hypergraph GAN for Alzheimer’s disease analysis | |
| CN113610808B (zh) | 基于个体脑连接图的群体脑图谱个体化方法、系统和设备 | |
| CN109770903A (zh) | 功能磁共振影像的分类预测方法、系统、装置 | |
| US11861827B2 (en) | Techniques for automatically characterizing liver tissue of a patient | |
| CN109344889A (zh) | 一种脑疾病分类方法、装置和用户终端 | |
| CN111090764A (zh) | 基于多任务学习和图卷积神经网络的影像分类方法及装置 | |
| US8271414B2 (en) | Network characterization, feature extraction and application to classification | |
| Algorri et al. | Classification of anatomical structures in MR brain images using fuzzy parameters | |
| Wang et al. | Understanding the relationship between human brain structure and function by predicting the structural connectivity from functional connectivity | |
| Udupa et al. | Automatic anatomy recognition via fuzzy object models | |
| CN117316293A (zh) | 基于神经影像的脑网络结构与功能耦合方法及装置 | |
| Xi et al. | Brain Functional Networks with Dynamic Hypergraph Manifold Regularization for Classification of End-Stage Renal Disease Associated with Mild Cognitive Impairment. | |
| CN113255734B (zh) | 一种基于自监督学习和迁移学习的抑郁症分类方法 | |
| CN112233805B (zh) | 基于多图谱神经影像学数据进行生物标志物的挖掘方法 | |
| Xi et al. | Hypergraph representation of multimodal brain networks for patients with end-stage renal disease associated with mild cognitive impairment | |
| CN116523839A (zh) | 帕金森病辅助分析系统 | |
| CN116312965A (zh) | 一种基于多模态大脑网络的认知功能状态预测方法 | |
| CN113283465B (zh) | 一种弥散张量成像数据分析方法及装置 | |
| CN113723485B (zh) | 一种轻微肝性脑病脑影像超图处理方法 | |
| JP2023528558A (ja) | 脳領域のてんかん原性を推論するための方法 | |
| Ma et al. | BAI-Net: Individualized Human Cerebral Cartography using Graph Convolutional 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 |