CN113345519A - 基于脑白质完整性与dna甲基化的遗传影像多模态融合分析方法 - Google Patents
基于脑白质完整性与dna甲基化的遗传影像多模态融合分析方法 Download PDFInfo
- Publication number
- CN113345519A CN113345519A CN202110500589.1A CN202110500589A CN113345519A CN 113345519 A CN113345519 A CN 113345519A CN 202110500589 A CN202110500589 A CN 202110500589A CN 113345519 A CN113345519 A CN 113345519A
- Authority
- CN
- China
- Prior art keywords
- brain
- methylation
- white matter
- value
- epigenetic
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/30—Detection of binding sites or motifs
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biotechnology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种基于脑白质完整性与DNA甲基化的遗传影像多模态融合分析方法。本发明通过分析受试者全脑白质纤维完整性FA值,将患有某神经精神疾病患者与正常人进行组间比较,在Allen脑库中键入差异区域名称,获得在这些脑区高表达的基因名称,再从基因组甲基化样本中提取这些基因对应CpG位点的甲基化水平,采用相关分析统计这些CpG位点甲基化水平与FA值之间的关联。本发明对神经精神类疾病脑结构发育模式及其背后的表观遗传基础进行多模态融合分析,这种分析方法巧妙地将FA与DNA甲基化两模态数据结合起来分析,对现有的影像加表观遗传多模态数据信息的深入挖掘带来重大的应用及指导价值。
Description
技术领域
本发明同时涉及人脑结构连接与生物技术领域,公开了一种基于脑白质完整性与DNA甲基化的表观遗传/影像多模态融合分析方法,将影像与表观遗传相融合的多模态分析方法用于疾病的早发现早诊断早治疗中,对揭示疾病进展的临床医学研究过程具有重要的意义。
背景技术
近年来快速发展的磁共振弥散张量成像(Diffusion Tensor Imaging,DTI)技术,再结合对纤维走形和排列敏感性较高的部分各向异性(fractional anisotropy,FA)值,可对全脑白质纤维连接微结构进行定量刻画。近年来借助DTI和FA,人们可以从全脑水平上对疾病神经病理学方面的发病机制进行一系列详尽研究。尤其是对于当前的神经精神疾病,多数学者认为其病理机制可能并非与个别脑区的结构完整性异常有关,而与多个脑区的异常有关,因此从全脑水平上结合DTI和FA就能很好地阐明这类疾病的潜在神经病理机制。
上述脑白质纤维连接是从宏观角度刻画疾病的神经病理学机制,然而,微观上,脑白质纤维连接可能受基因表达及神经可塑性变化的影响,而基因表达又在很大程度上受表观遗传的调控。表观遗传是指DNA序列无改变,但基因表达发生变化,进而改变基因功能并引起表型变化。在表观遗传修饰中,DNA甲基化是研究得较深入且较重要的调节基因表达的方式之一。近年来尸检研究在神经精神疾病患者脑内发现一系列DNA甲基化水平改变。然而,脑组织既昂贵又较难获取,且不能用于纵向研究,为突破这一局限,一些研究试图探寻患者外周血细胞内的DNA甲基化标记,这将有助于对该病的早期检测,而且可用于预测患者疗效反应,以期指导个体化精准治疗。此外,有研究表明大脑和外周血样本两者之间特定基因组区域的CpG位点甲基化水平显著相关,这就提示:脑组织中一些DNA甲基化标记可通过外周血样本的相应位点反映出来;外周血可以作为脑组织的替代物,满足大规模或纵向研究的需要[10]。
现有技术多局限于单独影像或遗传模态,不利于多模态数据的深入挖掘。因此,将脑白质纤维连接完整性FA值与外周血DNA甲基化水平相融合的表观遗传/影像多模态分析方法,可巧妙地将脑白质完整性与DNA甲基化两模态数据结合起来进行分析,将对现有的影像加表观遗传多模态数据信息的深入挖掘、学习带来重大的应用及指导价值。
发明内容
本发明的目的在于克服现有技术的不足之处而提供一种基于脑白质完整性与DNA甲基化的表观遗传/影像多模态融合分析方法,用于人类疾病尤其是神经精神疾病的病因及进展的多模态全面研究。
为实现上述目的,本发明提供一种基于脑白质完整性与DNA甲基化的表观遗传/影像多模态融合分析方法,包括以下步骤:
步骤S1:获取多个被试对象(包括某神经精神疾病患者和健康对照)的DTI数据,并进行预处理,剔除不符合规定的被试数据;
步骤S2:计算DTI数据中全脑各体素的FA值;
步骤S3:一般线性回归分析统计某神经精神疾病患者与健康对照FA值的组间差异;
步骤S4:在Allen脑库中键入步骤3所得到这些差异区域的脑区名称,获得在这些脑区高表达的基因名称;
步骤S5:获取受试者(患者)的外周血全基因组DNA甲基化数据。从患者外周血全基因组甲基化样本中提取步骤4中所获得的基因对应的CpG位点的甲基化水平;
步骤S6:采用Pearson或Spearman相关分析统计步骤5所得到的CpG位点甲基化水平与步骤3中得到的有组间差异的脑白质连接完整性FA值之间的关联;实现疾病相关的脑结构发育模式及其背后的表观遗传基础的多模态融合分析。
作为优选的方案,所述步骤S1中,预处理包括以下步骤:
采用FSL 5.0工具包(http://www.fmrib.ox.ac.uk/fsl)对DTI影像数据进行头动和涡流扭曲矫正;用弥散工具包软件Diffusion Toolkit software(TrackVis.org)通过线性最小二乘法拟合方法来估量每个体素的弥散张量模型,得到各自的b0图和FA图。
进一步地,所述步骤S2中,FA计算包括以下步骤:
应用SPM8工具包(Statistical parametric Mapping,http://www.fil.ion.ucl.ac.uk/spm)对FA图进行处理。通过在本地弥散空间的线性变化将每一个体的T1加权像配准到b0图像;并将变换参数应用于对应的FA,得到配准后的FA图。再利用仿射变换和一系列非线性弯曲将配准的结构影像绘制到蒙特利尔神经研究所(MontrealNeurological Institute,MNI)T1模板;将这一步得到的空间变形参数应用于各样本配准后的FA图,将其转换到标准MNI空间(3×3×3mm)。使用半高全宽(full width at halfmaximum,FWHM)为8mm的高斯核对标准化后的FA图进行平滑。
更进一步地,所述步骤S3中,某神经精神疾病患者与健康对照FA值的组间差异的一般线性回归分析包括以下步骤:
组间比较通过SPM8进行一般线性回归分析,将年龄,性别,教育年限和头动参数作为协变量进行回归分析,采用高斯随机场方法(Gaussian Random Field,GRF)进行多重比较校正(体素水平P<0.01,簇水平P<0.05)。
更进一步地,所述步骤S4中Allen脑库的使用包括以下步骤:
进入网站http://human.brain-map.org/;点击左侧Differential Search;目标组织(Target Structures)选择上述步骤S3中所得到的FA值有组间差异的脑区的名称;对比结构(Contrast Structures)选择全脑(Br);捐献者(Donors)选择全部捐献者(AllDonors);点击Search;点击左下角下载(Download this data);筛选Fold Change值>2的基因。
更进一步地,所述步骤S5中获取受试者外周血全基因组DNA甲基化数据,包括以下步骤:
采用Illumina450K甲基化芯片检测受试者(患者)的全基因组的CpG位点的甲基化水平,去掉所检测到的CpG位点中存多态性的位点,并获得剩余CpG位点的甲基化Beta值。从患者剩余CpG位点中提取步骤S4中所获得的基因对应的CpG位点的甲基化水平。
更进一步地,所述步骤S6中采用Pearson或Spearman相关分析统计步骤S5所得到的CpG位点甲基化水平与步骤S3中得到的有组间差异的脑白质连接完整性FA值之间的关联,具体包括以下步骤:
FA值和CpG位点甲基化水平均符合正态分布,则采用Pearson关联分析统计FA值和CpG位点甲基化水平之间的关联,FA值或CpG位点有任何一项不符合正态分布,则采用Spearman关联分析统计FA值和CpG位点甲基化水平之间的关联。
本发明的工作原理如下:
本发明旨在提出一种基于脑白质完整性与DNA甲基化的表观遗传/影像多模态融合分析方法,通过分析受试者全脑白质纤维完整性FA值,然后将患有某神经精神疾病与正常人进行分组、组间比较,在对人脑白质连接完整性分析得到组间差异之后,在Allen脑库中键入这些差异区域的脑区名称,获得在这些脑区高表达的基因名称,再从全基因组甲基化样本中提取这些基因对应的CpG位点的甲基化水平,采用Pearson或Spearman相关分析统计这些CpG位点甲基化水平与有组间差异的脑白质连接完整性值之间的关联。
本发明的优点及有益效果如下:
本发明首先通过分析受试者全脑白质纤维完整性FA值,然后将患有某神经精神疾病与正常人进行分组、组间比较,在对人脑白质连接完整性分析得到组间差异之后,在Allen脑库中键入这些差异区域的脑区名称,获得在这些脑区高表达的基因名称,再从全基因组甲基化样本中提取这些基因对应的CpG位点的甲基化水平,采用Pearson或Spearman相关分析统计这些CpG位点甲基化水平与有组间差异的脑白质连接完整性值之间的关联。本发明试图对人类疾病尤其是神经精神类疾病脑结构发育模式及其背后的表观遗传基础进行多模态融合分析,这种分析方法巧妙地将脑白质完整性与DNA甲基化两模态数据结合起来进行分析,将对现有的影像加表观遗传多模态数据信息的深入挖掘、学习带来重大的应用及指导价值。
附图说明
图1为本发明的步骤流程图;
图2为采用Pearson关联分析统计患者组FA值和CpG位点(cg14187242)甲基化水平之间的关联。
具体实施方式
本实施例以42例精神分裂症患者(“受试者”或者“患者”)和38例健康对照患者的DTI(弥散张量成像)及42例患者的全基因组CpG位点甲基化水平为研究对象,进行举例阐明本发明的详细步骤S。
采集所有受试者数据后,首先,步骤S1:进行DTI数据的预处理,保证数据的一致性。预处理包括:采用FSL 5.0工具包(http://www.fmrib.ox.ac.uk/fsl)对DTI影像数据进行头动和涡流扭曲矫正;用弥散工具包软件Diffusion Toolkit software(TrackVis.org)通过线性最小二乘法拟合方法来估量每个体素的弥散张量模型,得到各自的b0图和FA图。
步骤S2:计算所有受试者(42例精神分裂症患者和38例健康对照)DTI数据中全脑各体素的FA值。具体包括:应用SPM8工具包(Statistical parametric Mapping,http://www.fil.ion.ucl.ac.uk/spm)对FA图进行处理。通过在本地弥散空间的线性变化将每一个体的T1加权像配准到b0图像;并将变换参数应用于对应的FA,得到配准后的FA图。再利用仿射变换和一系列非线性弯曲将配准的结构影像绘制到蒙特利尔神经研究所(MontrealNeurological Institute,MNI)T1模板;将这一步得到的空间变形参数应用于各样本配准后的FA图,将其转换到标准MNI空间(3×3×3mm)。使用半高全宽(full width at halfmaximum,FWHM)为8mm的高斯核对标准化后的FA图进行平滑。
步骤S3:在SPM8软件中采用一般线性回归分析统计42例精神分裂症患者与38例健康对照FA值的组间差异,将年龄,性别,教育年限和头动参数作为协变量进行回归分析,采用高斯随机场方法(Gaussian Random Field,GRF)进行多重比较校正(体素水平P<0.01,簇水平P<0.05)。最终得出两组间有6个簇的FA值存组间差异,详见表1:
表1.精神分裂症患者与对照组相比FA改变的脑区信息
缩写:MNI,MontrealNeurologicalInstitute.
步骤S4:在Allen脑库中键入步骤S3所得到6个差异簇的脑区名称,获得在这些脑区高表达的基因名称。具体步骤如下:
进入网站http://human.brain-map.org/;点击左侧Differential Search;目标组织(Target Structures)选择上述步骤S3中所得到的FA值有组间差异的脑区的名称;对比结构(Contrast Structures)选择全脑(Br);捐献者(Donors)选择全部捐献者(AllDonors);点击Search;点击左下角下载(Download this data);筛选Fold Change值>2的基因。42例精神分裂症患者与38例健康对照相比,FA值有组间差异的6个脑区在Allen脑库中对应基因及CpG位点数量如表2。
表2.FA值有组间差异的6个脑区在Allen脑库中对应基因及CpG位点数量
缩写:FC=Fold Change
步骤S5:获取42例精神分裂症患者的外周血全基因组CpG位点DNA甲基化数据。从患者外周血全基因组CpG位点甲基化样本中提取步骤S4中所获得的基因对应的CpG位点的甲基化水平。具体如下:
采用Illumina450K甲基化芯片检测受试者(患者)的全基因组的CpG位点的甲基化水平,去掉所检测到的CpG位点中存多态性的位点,并获得剩余CpG位点的甲基化Beta值。从患者剩余CpG位点中提取步骤S4中所获得的基因对应的CpG位点的甲基化水平。
步骤S6:采用Pearson或Spearman相关分析统计步骤S5所得到的CpG位点甲基化水平与步骤S3中得到的有组间差异的脑白质连接完整性FA值之间的关联;实现疾病相关的脑结构发育模式及其背后的表观遗传基础的多模态融合分析。具体包括以下步骤:
FA值和CpG位点甲基化水平均符合正态分布,则采用Pearson关联分析统计FA值和CpG位点甲基化水平之间的关联,FA值或CpG位点有任何一项不符合正态分布,则采用Spearman关联分析统计FA值和CpG位点甲基化水平之间的关联。42例精神分裂症患者右侧楔叶FA值与CpG位点(cg14187242,对应基因TNFSF8)的甲基化水平显著负相关,见附图2。
Claims (9)
1.一种基于脑白质完整性与DNA甲基化的表观遗传/影像多模态融合分析方法,其特征在于:包括以下步骤:
S1:获取多个被试对象的DTI数据,并进行预处理,剔除不符合规定的被试数据;所述被试对象包括包括受试者和健康对照;
S2:计算DTI数据中全脑各体素的FA值;
S3:一般线性回归分析统计受试者与健康对照FA值的组间差异;
S4:在Allen脑库中键入步骤S3所得到这些差异区域的脑区名称,获得在这些脑区高表达的基因名称;
S5:获取受试者的外周血全基因组DNA甲基化数据;从受试者外周血全基因组甲基化样本中提取步骤S4中所获得的基因对应的CpG位点的甲基化水平;
S6:采用Pearson或Spearman相关分析统计步骤S5所得到的CpG位点甲基化水平与步骤S3中得到的有组间差异的脑白质连接完整性FA值之间的关联;实现疾病相关的脑结构发育模式及其背后的表观遗传基础的多模态融合分析。
2.根据权利要求1所述的基于脑白质完整性与DNA甲基化的表观遗传/影像多模态融合分析方法,其特征在于:
所述步骤S1中,预处理包括以下步骤:
采用FSL 5.0工具包对DTI影像数据进行头动和涡流扭曲矫正;用弥散工具包软件Diffusion Toolkit software通过线性最小二乘法拟合方法来估量每个体素的弥散张量模型,得到各自的b0图和FA图。
3.根据权利要求1或2所述的基于脑白质完整性与DNA甲基化的表观遗传/影像多模态融合分析方法,其特征在于:
所述步骤S2中,FA计算包括以下步骤:
应用SPM8工具包对FA图进行处理;通过在本地弥散空间的线性变化将每一个体的T1加权像配准到b0图像;并将变换参数应用于对应的FA,得到配准后的FA图;再利用仿射变换和一系列非线性弯曲将配准的结构影像绘制到蒙特利尔神经研究所T1模板;将这一步得到的空间变形参数应用于各样本配准后的FA图,将其转换到标准MNI空间;使用半高全宽为8mm的高斯核对标准化后的FA图进行平滑。
4.根据权利要求1或2所述的基于脑白质完整性与DNA甲基化的表观遗传/影像多模态融合分析方法,其特征在于:
所述步骤S3中,受试者与健康对照FA值的组间差异的一般线性回归分析包括以下步骤:
组间比较通过SPM8进行一般线性回归分析,将年龄,性别,教育年限和头动参数作为协变量进行回归分析,采用高斯随机场方法进行多重比较校正,体素水平P<0.01,簇水平P<0.05。
5.根据权利要求3所述的基于脑白质完整性与DNA甲基化的表观遗传/影像多模态融合分析方法,其特征在于:
所述步骤S3中,受试者与健康对照FA值的组间差异的一般线性回归分析包括以下步骤:
组间比较通过SPM8进行一般线性回归分析,将年龄,性别,教育年限和头动参数作为协变量进行回归分析,采用高斯随机场方法进行多重比较校正,体素水平P<0.01,簇水平P<0.05。
6.根据权利要求1或2或5所述的基于脑白质完整性与DNA甲基化的表观遗传/影像多模态融合分析方法,其特征在于:
步骤S4中Allen脑库的使用包括以下步骤:
进入网站http://human.brain-map.org/;点击左侧Differential Search;目标组织选择上述步骤3中所得到的FA值有组间差异的脑区的名称;对比结构选择全脑Br;捐献者Donors选择全部捐献者All Donors;点击Search;点击左下角下载;筛选Fold Change值>2的基因。
7.根据权利要求1或2或5所述的基于脑白质完整性与DNA甲基化的表观遗传/影像多模态融合分析方法,其特征在于:
步骤S5中获取受试者外周血全基因组DNA甲基化数据,包括以下步骤:
采用Illumina450K甲基化芯片检测受试者的全基因组的CpG位点的甲基化水平,去掉所检测到的CpG位点中存多态性的位点,并获得剩余CpG位点的甲基化Beta值;从受试者剩余CpG位点中提取步骤S4中所获得的基因对应的CpG位点的甲基化水平。
8.根据权利要求6所述的基于脑白质完整性与DNA甲基化的表观遗传/影像多模态融合分析方法,其特征在于:
步骤S5中获取受试者外周血全基因组DNA甲基化数据,包括以下步骤:
采用Illumina450K甲基化芯片检测受试者的全基因组的CpG位点的甲基化水平,去掉所检测到的CpG位点中存多态性的位点,并获得剩余CpG位点的甲基化Beta值;从受试者剩余CpG位点中提取步骤S4中所获得的基因对应的CpG位点的甲基化水平。
9.根据权利要求1或2或5或8所述的基于脑白质完整性与DNA甲基化的表观遗传/影像多模态融合分析方法,其特征在于:
所述步骤S6中,采用Pearson或Spearman相关分析统计步骤S5所得到的CpG位点甲基化水平与步骤S3中得到的有组间差异的脑白质连接完整性FA值之间的关联,具体包括以下步骤:
FA值和CpG位点甲基化水平均符合正态分布,则采用Pearson关联分析统计FA值和CpG位点甲基化水平之间的关联,FA值或CpG位点有任何一项不符合正态分布,则采用Spearman关联分析统计FA值和CpG位点甲基化水平之间的关联。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110500589.1A CN113345519B (zh) | 2021-05-08 | 2021-05-08 | 基于脑白质完整性与dna甲基化的遗传影像多模态融合分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110500589.1A CN113345519B (zh) | 2021-05-08 | 2021-05-08 | 基于脑白质完整性与dna甲基化的遗传影像多模态融合分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113345519A true CN113345519A (zh) | 2021-09-03 |
CN113345519B CN113345519B (zh) | 2022-04-15 |
Family
ID=77470071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110500589.1A Active CN113345519B (zh) | 2021-05-08 | 2021-05-08 | 基于脑白质完整性与dna甲基化的遗传影像多模态融合分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113345519B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724863A (zh) * | 2021-09-08 | 2021-11-30 | 山东建筑大学 | 一种自闭症谱系障碍的自动判别系统、存储介质及设备 |
CN115472284A (zh) * | 2022-09-13 | 2022-12-13 | 电子科技大学 | 基于窗滑动技术的脑影像-基因动态演进分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109475279A (zh) * | 2016-07-07 | 2019-03-15 | 纪念斯隆凯特琳癌症中心 | 用于颗粒驱动的、基于知识的且预测性癌症放射基因组学的成像系统和方法 |
WO2019165475A1 (en) * | 2018-02-26 | 2019-08-29 | Mayo Foundation For Medical Education And Research | Systems and methods for quantifying multiscale competitive landscapes of clonal diversity in glioblastoma |
JP2019209018A (ja) * | 2018-06-07 | 2019-12-12 | 洋司 西島 | 脳mri検査による認知症の早期診断 |
CN110689536A (zh) * | 2019-09-30 | 2020-01-14 | 深圳大学 | 基于多模态磁共振影像的大脑灰质及白质追踪方法及装置 |
CN112741613A (zh) * | 2021-01-13 | 2021-05-04 | 武汉大学 | 一种静息态人脑默认网络功能与结构耦合分析方法 |
-
2021
- 2021-05-08 CN CN202110500589.1A patent/CN113345519B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109475279A (zh) * | 2016-07-07 | 2019-03-15 | 纪念斯隆凯特琳癌症中心 | 用于颗粒驱动的、基于知识的且预测性癌症放射基因组学的成像系统和方法 |
WO2019165475A1 (en) * | 2018-02-26 | 2019-08-29 | Mayo Foundation For Medical Education And Research | Systems and methods for quantifying multiscale competitive landscapes of clonal diversity in glioblastoma |
JP2019209018A (ja) * | 2018-06-07 | 2019-12-12 | 洋司 西島 | 脳mri検査による認知症の早期診断 |
CN110689536A (zh) * | 2019-09-30 | 2020-01-14 | 深圳大学 | 基于多模态磁共振影像的大脑灰质及白质追踪方法及装置 |
CN112741613A (zh) * | 2021-01-13 | 2021-05-04 | 武汉大学 | 一种静息态人脑默认网络功能与结构耦合分析方法 |
Non-Patent Citations (4)
Title |
---|
ENRICO VITOLO 等: "White matter and schizophrenia: A meta-analysis of voxel-based morphometry and diffusion tensor imaging studies", 《PSYCHIATRY RESEARCH: NEUROIMAGING》 * |
SUNYOUNG CHOI 等: "Association of brain-derived neurotrophic factor DNA methylation and reduced white matter integrity in the anterior corona radiata in major depression", 《JOURNAL OF AFFECTIVE DISORDERS》 * |
XIAOFEN ZONG 等: "A Dissociation in Effects of Risperidone Monotherapy on Functional and Anatomical Connectivity Within the Default Mode Network", 《SCHIZOPHRENIA BULLETIN》 * |
苟辉亮 等: "扩散张量成像在精神分裂症患者脑白质纤维FA值检测中的临床研究", 《中国社区医师》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724863A (zh) * | 2021-09-08 | 2021-11-30 | 山东建筑大学 | 一种自闭症谱系障碍的自动判别系统、存储介质及设备 |
CN115472284A (zh) * | 2022-09-13 | 2022-12-13 | 电子科技大学 | 基于窗滑动技术的脑影像-基因动态演进分析方法 |
CN115472284B (zh) * | 2022-09-13 | 2023-04-25 | 电子科技大学 | 基于窗滑动技术的脑影像-基因动态演进分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113345519B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Weiner et al. | 2014 Update of the Alzheimer's Disease Neuroimaging Initiative: a review of papers published since its inception | |
Zhao et al. | Independent and reproducible hippocampal radiomic biomarkers for multisite Alzheimer’s disease: diagnosis, longitudinal progress and biological basis | |
Weiner et al. | Recent publications from the Alzheimer's Disease Neuroimaging Initiative: Reviewing progress toward improved AD clinical trials | |
Weiner et al. | The Alzheimer's Disease Neuroimaging Initiative: a review of papers published since its inception | |
Bron et al. | Standardized evaluation of algorithms for computer-aided diagnosis of dementia based on structural MRI: the CADDementia challenge | |
Jie et al. | Temporally constrained group sparse learning for longitudinal data analysis in Alzheimer's disease | |
Adaszewski et al. | How early can we predict Alzheimer's disease using computational anatomy? | |
CN113345519B (zh) | 基于脑白质完整性与dna甲基化的遗传影像多模态融合分析方法 | |
Zahia et al. | Dyslexia detection using 3D convolutional neural networks and functional magnetic resonance imaging | |
Guerrero et al. | Instantiated mixed effects modeling of Alzheimer's disease markers | |
Huang et al. | FGWAS: functional genome wide association analysis | |
WO2019170711A1 (en) | Method for early prediction of neurodegenerative decline | |
Misiura et al. | Cognitive control, learning, and clinical motor ratings are most highly associated with basal ganglia brain volumes in the premanifest Huntington’s disease phenotype | |
CN113077875B (zh) | Ct影像的处理方法及装置 | |
CN112288027A (zh) | 异构多模态影像遗传学数据特征分析方法 | |
Zhang et al. | A deep learning algorithm for white matter hyperintensity lesion detection and segmentation | |
Yang et al. | Diagnosis of Parkinson’s disease based on 3D ResNet: The frontal lobe is crucial | |
Yu et al. | Interdependent self-construal predicts increased gray matter volume of scene processing regions in the brain | |
Tomše et al. | Abnormal metabolic covariance patterns associated with multiple system atrophy and progressive supranuclear palsy | |
CN110136840A (zh) | 一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质 | |
Feng et al. | Deep multiview learning to identify imaging-driven subtypes in mild cognitive impairment | |
Wang et al. | Deep multimodality-disentangled association analysis network for imaging genetics in neurodegenerative diseases | |
Zeng et al. | Discovery of genetic biomarkers for Alzheimer’s disease using adaptive convolutional neural networks ensemble and genome-wide association studies | |
CN116959714A (zh) | 一种自闭症谱系障碍分类方法、电子设备及存储介质 | |
CN116956138A (zh) | 一种基于多模态学习的影像基因融合分类方法 |
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 |