CN113506238A - 基于dti纤维追踪自动量化的mci辅助判断方法 - Google Patents
基于dti纤维追踪自动量化的mci辅助判断方法 Download PDFInfo
- Publication number
- CN113506238A CN113506238A CN202110551495.7A CN202110551495A CN113506238A CN 113506238 A CN113506238 A CN 113506238A CN 202110551495 A CN202110551495 A CN 202110551495A CN 113506238 A CN113506238 A CN 113506238A
- Authority
- CN
- China
- Prior art keywords
- mci
- fiber
- fiber bundle
- dti
- automatic quantification
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于DTI纤维追踪自动量化的MCI辅助判断方法,对磁共振获取扩散张量成像的图像进行分析,得到部分各向异性、平均弥散率和扩散主方向;然后进行全脑确定性纤维追踪,提取得到纤维束核心,再对纤维束核心节点采样计算每一个节点的部分各向异性和平均弥散率;将计算得到的部分各向异性和平均弥散率连接成特性向量,代入至机器学习分类器中进行计算,得到分类结果,作为临床判断的参考数据;本发明将DTI纤维追踪自动量化用于MCI诊断。这一方法在患者的个体脑空间进行白质纤维追踪并采样局部特征,通过多种机器学习模型学习MCI患者与正常对照人群之间DTI特征的差异,无需人工干预地给出诊断结果,有利于临床上MCI的辅助诊断。
Description
技术领域
本发明涉及成像领域和医学技术领域,尤其涉及一种基于DTI纤维追踪自动量化的MCI辅助判断方法。
背景技术
阿尔兹海默病(Alzheimer's disease,AD)是一种通常发生于老年期的慢性中枢神经退行性疾病。临床表现为渐进性记忆障碍、认知功能障碍、人格改变、行为障碍、语言障碍和日常生活能力障碍等,其病情会缓慢加深且不可逆。AD是最常见的脑变性疾病,随着全球人口老龄化,AD的发病率呈逐年显著上升趋势。1985-2017年,中国60岁以上老年人群的整体患病率为3.9%,85以上人群的患病率增至18.3%。随着中国社会逐步老龄化,形势将愈发严峻。AD会对患者造成严重的危害,多方面能力的丧失,会增加患者遭遇意外伤害和走失的风险。到疾病晚期,患者往往需要卧床,从而导致肺栓塞、静脉曲张等严重并发症。这一疾病将会为患者和其家属带来极大的痛苦和负担。
一旦被诊断为AD,再进行药物治疗一般效果不大。目前的研究发现如果能在发病早期就有针对性地使用一些药物进行干预辅以认知和身体锻炼,可以有效地延缓痴呆的发生。因此,对AD的早期诊断和早期干预尤其重要。轻度认知障碍(Mild CognitiveImpairment,MCI)一般被认为是介于正常老年化和痴呆之间的一种状态。与正常老年人相比,MCI患者的日常生活能力没有明显地受到影响,但是存在轻微的认知功能减退。在MCI阶段及时确诊,进行治疗干预,有着重要意义。
MCI的传统诊断方法包括医生问诊、基于量表的认知评估等。这些方法虽然易于开展,但其客观性与稳定性可能不足。磁共振成像(Magnetic Resonance Imaging,MRI)是一种临床上常用于辅助MCI诊断的生物学标记物,具有无创、无电离辐射的优点。MRI除了基本的解剖结构加权成像以外,还有扩散张量成像(Diffusion Tensor Imaging,DTI)等高级序列。DTI在MCI诊断上具有更高的灵敏度,但其信息复杂而不直观,不利于医师直接读片下诊断。因此如何在DTI图像中提取少部分对MCI诊断有价值的特征,进行定量分析,是至关重要的。
发明内容
针对上述技术中存在的不足之处,本发明提供一种基于DTI纤维追踪自动量化的MCI辅助判断方法,将DTI纤维追踪自动量化用于MCI诊断。这一方法在患者的个体脑空间进行白质纤维追踪并采样局部特征,通过多种机器学习模型学习MCI患者与正常对照人群(Health Control,HC)之间DTI特征的差异,无需人工干预地给出诊断结果,有利于临床上MCI的辅助诊断。
为实现上述目的,本发明提供一种基于DTI纤维追踪自动量化的MCI辅助判断方法,包括以下步骤:
S1:利用磁共振获取扩散张量成像的图像;
S2:对扩散张量成像的图谱进行分析,得到部分各向异性、平均弥散率和扩散主方向;
S3:全脑确定性纤维追踪;根据扩散主方向和部分各向异性阈值,对全脑确定性纤维进行追踪,并且记录寻找到的所有符合要求的纤维连接;
S4:纤维束核心的提取;通过在大脑感兴趣区域,截取任意两个感兴趣区域之间的纤维束计算概率图谱,选择符合要求的纤维束核心;
S5:纤维束核心节点采样;对每一条纤维束核心,沿着它的走向进行节点划分,并且计算每一个节点的部分各向异性和平均弥散率;
S6:将计算得到的部分各向异性和平均弥散率连接成特性向量,代入至机器学习分类器中进行计算,得到分类结果,作为临床判断的参考数据。
作为优选,在步骤S2中,利用FMRIB Software Library对图谱进行处理,从而得到部分各向异性(FA)、平均弥散率(MD)和扩散主方向。
作为优选,在步骤S3中,以部分各向异性的体素的量值作为种子点,根据扩散主方向朝着周围体素进行搜索,得到与种子点具有白质纤维连接的次级体素,记录寻找到的纤维连接,并且将符合条件的次级体素作为下一轮的种子点;进行搜索,得到三级体素;依次重复下去,直到没有新的种子点产生。
作为优选,初级种子点部分各向异性的体素的量值为FA>0.5;次级体素,三级体素的获取标准均为FA<0.2且扩散主方向与种子点主方向的夹角不大于50度。
作为优选,在步骤S4中,通过纤维束的密度计算得到概率图谱,然后根据纤维束概率图谱,去除偏离纤维束核心的杂散纤维,并重新计算得到纤维束核心。
作为优选,在步骤S4中,最终得到18个纤维束核心,包括两侧丘脑前辐射,两侧皮质脊髓束,两侧扣带束,两侧扣带束,两侧下额枕束,两侧下纵束,两侧上纵束,两侧钩束,胼胝体压部和胼胝体膝部。
作为优选,在步骤S5中,针对每一条纤维束核心,沿其走向划分100个节点,并且计算每个节点的部分各向异性和平均弥散率,运用数据挖掘的方法,对将原来1800个纤维束核心节点进行筛选,剔除分类价值小的节点,保留主要纤维素核心节点。
作为优选,在步骤S6中,将所选的纤维束核心节点的部分各向异性和平均弥散率连接成特征向量,并且将该特征向量输入至奇数个学习分类器中,然后计算得到分类结果,选择占多数的结果,作为最终的分类结果,供临床诊断的参考数据使用。
作为优选,学习分类器包括随机森林分类器、支持向量机分类器和逻辑斯蒂回归分类器这3种。
本发明的有益效果是:本发明公开了一种基于DTI纤维追踪自动量化与MCI辅助判断方法,利用DTI纤维追踪自动量化方法用于MCI临床辅助诊断。该方法无需将患者数据配准至标准脑空间,避免了配准误差对准确性的影响。此外通过生成纤维束核心和沿核心走向采样100个节点,该方法可以兼顾特征稀疏性与局部特异性;此外,所获得的节点通过数据挖掘的方法优选了部分节点,通过排出对分类价值不大的节点,减少冗余信息和噪声,提高准确性,并降低运算量。
附图说明
图1为本发明的实施过程主要步骤流程图;
图2为随机森林算法示意图。
具体实施方式
为了更清楚地表述本发明,下面结合附图对本发明作进一步地描述,当然本发明的保护范围不仅仅局限于此,在不付出任何创造性劳动的前提下对本发明进行常规替换的,都属于本发明的保护范围。
现有技术中,对于DTI(Diffusion Tensor Imaging,DTI)的图像进行特征提取的方法包括白质图谱、基于骨架的弥散指标分析(Tract-base Spatial Statistics,TBSS)等。白质图谱法和TBSS都需要将患者的DTI图像配准至标准脑空间后,才能获得统一的特征用于机器学习模型。这一配准过程可能出现误差,影响后续诊断效果。此外,白质图谱提取的是一块白质区域的平均特征,缺乏局部特异性;而TBSS是基于体素的特征分布,具有高维特性,计算量较大,因此并不适合推广使用,而本申请提出将DTI纤维追踪自动量化用于MCI诊断。这一方法在患者的个体脑空间进行白质纤维追踪并采样局部特征,通过多种机器学习模型学习MCI患者与正常对照人群之间DTI特征的差异,无需人工干预地给出诊断结果,有利于临床上MCI的辅助诊断。
请参阅图1,为了实现上述目的,本发明的提供一种基于DTI纤维追踪自动量化与MCI辅助判断方法,包括以下步骤:
利用磁共振成像获取DTI图像,然后利用相关处理软件对该图像进行特性分析,获取部分各向异性(fractional anisotraphy FA)的特征图,平均弥散率(mean diffusivityMD)的特征图和扩散主方向;然后进行全脑确定性纤维追踪,初级种子点部分各向异性的体素的量值为FA>0.5;次级体素,三级体素的获取标准均为FA<0.2且扩散主方向与种子点主方向的夹角不大于50度,记录寻找到的纤维连接,并将符合条件的体素作为下一轮的种子点。重复迭代,直到没有新的种子点产生;在本实施例中,无论是初级种子点还是后续所产生的种子点,其具有的特性均是一致的,即后续产生的种子点与初级种子点的特性是完全一致的;此外,无论是次级体素还是三级体素,甚至后续不断参数的四级体素、五级体素等,其所具有的特性是完全一致的,仅仅是因为被发现的时间不同而为了区分从而进行不同的命名。
然后在进行纤维束核心提取,通过大脑感兴趣的区域(Region of Interest,ROI),截取任意两个ROI之间的纤维束,通过纤维束的密度计算纤维束概率图谱,并且根据得到的纤维束概率图谱,去除偏离纤维束核心的杂散纤维,并且重新计算得到纤维束核心。在具体实施例中,借助Setsu Wakana等人手工定义的大脑感兴趣区域,从而方便对后续任意两个ROI之间的纤维束进行截取,而且能有效降低计算量,避免了大脑中其他不参与部分的对结果造成了影响,提高了结果的准确性。
经过纤维束核心的提取后,获得了18个纤维束核心,包括两侧丘脑前辐射(anterior thalamic radiation,ATR),两侧皮质脊髓束(corticospinal tract,CST),两侧扣带束(扣带回)(cingulum cingulatc,CCing),两侧扣带束(海马)(cingulumhippocampus,CHippo),两侧下额枕束(inferior fonto—OCtiDitalfasciculUS,IFOF),两侧下纵束(infcrior longitudinal fascicutus,ILF),两侧上纵束(superiorlongitudinal fasciculus,SLF),两侧钩束(tmcinated faseiculus,UF),胼胝体压部(corpus cllosum splenium CC_splenium),胼胝体膝部(CC_genu);并且根据每一条纤维束核心进行节点采样,更为具体的是,沿其走向划分100个节点,计算每个节点的FA和MD特征,在实际使用中,采样数据挖掘的方法,对每一条纤维束核心的节点进行进一步筛选,这样就能对18*100共1800个纤维束核心的节点进行有意义的剔除,剔除分类价值小的节点,保留主要纤维素核心节点,从而降低计算量的同时,也使得结果不会产生影响;例如对于两侧丘脑前辐射,包括左侧丘脑前辐射(ATR_L)和右侧丘脑前辐射(ATR_R),在进行筛选过程中,对左侧丘脑前辐射(ATR_L)的MD特征对应节点筛选范围在1-54,且不对FA特征对应节点进行筛选;对于右侧丘脑前辐射(ATR_R)的MD特征对应节点筛选范围在1-52,且FA特征对应节点进行筛选范围在38-59;针对这18个纤维束核心,针对MD特征和FA特征的筛选节点范围如下表所示:
将所选取的纤维束核心节点的MD和FA特征连接成特征向量,并且将这些特性向量输入至随机森林分类器、支持向量机分类器和逻辑斯蒂回归分类器这3个机器学习分类器中,从而获得分类结果。在进行实际的辅助诊断时,将待诊断患者的数据输入至已经训练好的分类器中,获得3组MCI或者HC的分类结果,最后根据三个分类器得到的3组分类结果进行投票,由于是分类器的数量为奇数个,且不止一个,所以不会出现平局的情况,一定能得到一个占多数的结果,作为最终的分类结果,供临床诊断的参考数据使用。
请参阅图2,在实际的处理过程中,随机森林分类器采用的是随机森林算法进行工作,随机森林(Random Forest,RF)是一种对多颗决策树进行集成的算法,其基本单元为CART决策树,通过使用自主采样法(Bootstrap Sampling),将多颗决策树得到的结果进行集成得到最后的分类结果。决策树是一种树形结构的分类器,主要包括根节点,父节点,子节点与叶节点。其中每个子节点就是对某一个特征的判断,而该节点的分支则代表判断的结果。叶节点则为决策树分类的结果。每个节点对于特征的判断其实就是一种特征筛选的过程,不同的决策树算法使用的筛选方法不同。决策树的算法主要有ID3,C4.5和CART(Classification and Regression Tree)三种,在随机森林分类器中使用的是CART算法。CART在ID3和C4.5决策树算法上做出了更多的改性,使用基尼系数进行特征的筛选。基尼系数反映了一个模型的不纯度,基尼系数越低,特征不纯度越低。其公式为:Gini(T)=1-∑pi2,pi是每一分类的概率。在每一次对父节点进行特征的判断时,都需要计算基尼系数的增益,选择使基尼系数增益最小的节点分裂的方法。自主采样法是通过有放回的从训练集数据中随机抽取n个的样本,共抽取m次,得到m个互相独立的子训练集。每次使用一个子训练集训练得到一个性能较弱的模型,那么m个子训练集最终将得到m个不同的模型。在分类问题中,使用投票的方式得到m个模型的最终分类结果。相比于直接使用训练集训练得到的模型,自主抽样法最终得到的模型具有更好的泛化能力和稳定性。随机森林分类器通过将独立的CAR决策树进行集成,表现会优于任意单一的决策树结果,通过平均每个决策树的结果,提高了抗过拟合的能力。在本申请的计算过程中,以每一个MD和FA特征连接成特征向量作为子节点进行特征筛选,最终输出一个位于0-1之间的常数,当这个常数小于0.5时认为是正常人(HC),大于或等于0.5认为是阿兹海默症患者(MCI)。
对于支持向量机(Support Vector Machine,SVM)分类器,是一种对数据进行二分类的线形分类器,通过对样本的数据学习,找到类别几何间距最大的超平面,实现对数据的分类。假设样本集合T={(x1,y1),(x2,y2),…},xi为特征向量,yi为类别,对于超平面ω·x+b=0,样本(xi,yi)到超平面的距离为γi=yi(ω/‖ω‖·xi+b/‖ω‖)。定义γ为最小的距离γ=minγi(i=1,2,…,N)
因此对于超平面的寻找问题转化为约束的最优化问题:
通过对该优化问题求解,可以得到最佳的权重w和b,使超平面wTX+b=0,让正样本和负样本分别分布其两侧,同时正负类样本分别到超平面的最小距离相等。然而大部分实际问题中的样本都不是线性可分的,因此需要将特征向量进行非线性变化,将数据映射至另一个特征空间,在新的特征空间中对数据进行线性分类。常用的核函数有线性核函数,多项式核函数,径向核函数以及高斯核函数。SVM在小样本的数据集上具有良好的表现,在分类的原理上它没有任何涉及概率相关的方法,而是直接从样本空间的分布上进行分类,具有更好的可解释性。同时SVM最终的决策函数只与支持向量有关,占整个训练数据的一小部分。支持向量对数据集的增减不敏感,具有较好的鲁棒性。在本具体实施例中,将每一个MD和FA特征连接成特征向量进行非线性变换,然后进行线性分类,采用多项式核函数进行这个变换的过程,最终得到合适的w和b,从而计算得到归一化的最小距离r,当r小于0.5时认为是正常人(HC),r大于或等于0.5认为是阿兹海默症患者(MCI)。
对于逻辑斯蒂回归分类器,是一种简单的广义线性分类器,具有可解释性,且计算代价很低,易于求解。不仅可以预测出类别,而且可以得到近似概率预测。其表达式为:
其中,ω、b是待拟合的模型参数,x是输入的特征向量。右边的式子将输入压缩到0-1的范围内,使得预测输出y代表分类的概率。通过比较阈值y>=0.5来得到对应x的二分类结果。对于采集的训练集中给定的所有x和y,可以通过梯度下降法或拟牛顿法求解似然函数最大化,得到模型参数ω、b。在本申请中,将每一个特征向量都输入至该表达式中,计算得到y值,当y小于0.5时认为是正常人(HC),y大于或等于0.5认为是阿兹海默症患者(MCI)。
本发明的优势在于:
以上公开的仅为本发明的几个具体实施例,但是本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (9)
1.一种基于DTI纤维追踪自动量化的MCI辅助判断方法,其特征在于,包括以下步骤:
S1:利用磁共振获取扩散张量成像的图像;
S2:对扩散张量成像的图谱进行分析,得到部分各向异性、平均弥散率和扩散主方向;
S3:全脑确定性纤维追踪;根据扩散主方向和部分各向异性阈值,对全脑确定性纤维进行追踪,并且记录寻找到的所有符合要求的纤维连接;
S4:纤维束核心的提取;通过在大脑感兴趣区域,截取任意两个感兴趣区域之间的纤维束计算概率图谱,选择符合要求的纤维束核心;
S5:纤维束核心节点采样;对每一条纤维束核心,沿着它的走向进行节点划分,并且计算每一个节点的部分各向异性和平均弥散率;
S6:将计算得到的部分各向异性和平均弥散率连接成特性向量,代入至机器学习分类器中进行计算,得到分类结果,作为临床判断的参考数据。
2.根据权利要求1所述的基于DTI纤维追踪自动量化的MCI辅助判断方法,其特征在于,在步骤S2中,利用FMRIB Software Library对图谱进行处理,从而得到部分各向异性(FA)、平均弥散率(MD)和扩散主方向。
3.根据权利要求1所述的基于DTI纤维追踪自动量化的MCI辅助判断方法,其特征在于,在步骤S3中,以部分各向异性的体素的量值作为种子点,根据扩散主方向朝着周围体素进行搜索,得到与种子点具有白质纤维连接的次级体素,记录寻找到的纤维连接,并且将符合条件的次级体素作为下一轮的种子点;进行搜索,得到三级体素;依次重复下去,直到没有新的种子点产生。
4.根据权利要求3所述的基于DTI纤维追踪自动量化的MCI辅助判断方法,其特征在于,初级种子点部分各向异性的体素的量值为FA>0.5;次级体素,三级体素的获取标准均为FA<0.2且扩散主方向与种子点主方向的夹角不大于50度。
5.根据权利要求1所述的基于DTI纤维追踪自动量化的MCI辅助判断方法,其特征在于,在步骤S4中,通过纤维束的密度计算得到概率图谱,然后根据纤维束概率图谱,去除偏离纤维束核心的杂散纤维,并重新计算得到纤维束核心。
6.根据权利要求5所述的基于DTI纤维追踪自动量化的MCI辅助判断方法,其特征在于,在步骤S4中,最终得到18个纤维束核心,包括两侧丘脑前辐射,两侧皮质脊髓束,两侧扣带束,两侧扣带束,两侧下额枕束,两侧下纵束,两侧上纵束,两侧钩束,胼胝体压部和胼胝体膝部。
7.根据权利要求1所述的基于DTI纤维追踪自动量化的MCI辅助判断方法,其特征在于,在步骤S5中,针对每一条纤维束核心,沿其走向划分100个节点,并且计算每个节点的部分各向异性和平均弥散率,运用数据挖掘的方法,对将原来1800个纤维束核心节点进行筛选,剔除分类价值小的节点,保留主要纤维素核心节点。
8.根据权利要求1所述的基于DTI纤维追踪自动量化的MCI辅助判断方法,其特征在于,在步骤S6中,将所选的纤维束核心节点的部分各向异性和平均弥散率连接成特征向量,并且将该特征向量输入至奇数个学习分类器中,然后计算得到分类结果,选择占多数的结果,作为最终的分类结果,供临床诊断的参考数据使用。
9.根据权利要求8所述的基于DTI纤维追踪自动量化的MCI辅助判断方法,其特征在于,学习分类器包括随机森林分类器、支持向量机分类器和逻辑斯蒂回归分类器这3种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110551495.7A CN113506238A (zh) | 2021-05-20 | 2021-05-20 | 基于dti纤维追踪自动量化的mci辅助判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110551495.7A CN113506238A (zh) | 2021-05-20 | 2021-05-20 | 基于dti纤维追踪自动量化的mci辅助判断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113506238A true CN113506238A (zh) | 2021-10-15 |
Family
ID=78008548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110551495.7A Pending CN113506238A (zh) | 2021-05-20 | 2021-05-20 | 基于dti纤维追踪自动量化的mci辅助判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113506238A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114373095A (zh) * | 2021-12-09 | 2022-04-19 | 山东师范大学 | 基于影像信息的阿尔茨海默病分类系统及方法 |
-
2021
- 2021-05-20 CN CN202110551495.7A patent/CN113506238A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114373095A (zh) * | 2021-12-09 | 2022-04-19 | 山东师范大学 | 基于影像信息的阿尔茨海默病分类系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | Multimodal manifold-regularized transfer learning for MCI conversion prediction | |
Bron et al. | Standardized evaluation of algorithms for computer-aided diagnosis of dementia based on structural MRI: the CADDementia challenge | |
Ortiz et al. | Exploratory graphical models of functional and structural connectivity patterns for Alzheimer's Disease diagnosis | |
CN110840468B (zh) | 自闭症风险评估方法及装置、终端设备、存储介质 | |
Duverne et al. | Regional specificity of age effects on the neural correlates of episodic retrieval | |
Qiao et al. | Multivariate deep learning classification of Alzheimer’s disease based on hierarchical partner matching independent component analysis | |
Spiteri et al. | Using machine learning to understand neuromorphological change and image‐based biomarker identification in Cavalier King Charles spaniels with Chiari‐like malformation‐associated pain and syringomyelia | |
Han et al. | A novel convolutional variation of broad learning system for Alzheimer’s disease diagnosis by using MRI images | |
Basheera et al. | Deep learning based Alzheimer's disease early diagnosis using T2w segmented gray matter MRI | |
Zhao et al. | Two-stage spatial temporal deep learning framework for functional brain network modeling | |
Shahparian et al. | Alzheimer disease diagnosis from fMRI images based on latent low rank features and support vector machine (SVM) | |
Kaur et al. | Utilizing the Random Forest Algorithm to Enhance Alzheimer’s disease Diagnosis | |
CN108520283A (zh) | 一种基于脑区间接关系网络构建的医学图像分类方法 | |
Senthilkumar et al. | Primitive detection of Alzheimer’s disease using neuroimaging: A progression model for Alzheimer’s disease: Their applications, benefits, and drawbacks | |
CN113506238A (zh) | 基于dti纤维追踪自动量化的mci辅助判断方法 | |
Liang et al. | An anatomical knowledge-based MRI deep learning pipeline for white matter hyperintensity quantification associated with cognitive impairment | |
Savarraj et al. | White matter connectivity for early prediction of Alzheimer’s disease | |
Mirzaei | Ensembles of convolutional neural network pipelines for diagnosis of alzheimer’s disease | |
Chitradevi et al. | Brain Hemisphere Analysis Using Genetic Algorithm and Fuzzy Clustering in Alzheimer Disease | |
Adar et al. | Feature selection on MR images using genetic algorithm with SVM and naive Bayes classifiers | |
Seraj et al. | Instantaneous fMRI based cerebral parameters for automatic Alzheimer, mild cognitive impairment and healthy subject classification | |
Wang et al. | Voxel-based discriminant map classification on brain ventricles for Alzheimer's disease | |
Irfan et al. | Effectiveness of Deep Learning Models for Brain Tumor Classification and Segmentation. | |
Neelavathi et al. | A system for diagnosing Alzheimer’s disease from brain MRI images using deep learning algorithm | |
Baboyan | Untangling the Connectional Neuroanatomy of the Language Dominant Cerebral Hemisphere Using Diffusion-Weighted Magnetic Resonance Imaging |
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 |