CN113616184B - 基于多模态磁共振图像的脑网络建模与个体预测方法 - Google Patents
基于多模态磁共振图像的脑网络建模与个体预测方法 Download PDFInfo
- Publication number
- CN113616184B CN113616184B CN202110748407.2A CN202110748407A CN113616184B CN 113616184 B CN113616184 B CN 113616184B CN 202110748407 A CN202110748407 A CN 202110748407A CN 113616184 B CN113616184 B CN 113616184B
- Authority
- CN
- China
- Prior art keywords
- brain
- network
- image
- brain network
- mode
- 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 156
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 15
- 210000004885 white matter Anatomy 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000003012 network analysis Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 24
- 239000000835 fiber Substances 0.000 claims description 23
- 238000005192 partition Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 12
- 108010015046 cell aggregation factors Proteins 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 10
- 230000004886 head movement Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 210000004761 scalp Anatomy 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000000638 solvent extraction Methods 0.000 claims description 7
- 210000003484 anatomy Anatomy 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 5
- 230000003925 brain function Effects 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000005452 bending Methods 0.000 claims description 3
- 210000003710 cerebral cortex Anatomy 0.000 claims description 3
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 3
- 230000002939 deleterious effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000005415 magnetization Effects 0.000 claims description 3
- 230000008707 rearrangement Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 3
- 208000010877 cognitive disease Diseases 0.000 abstract description 3
- 238000012549 training Methods 0.000 abstract description 3
- 206010012289 Dementia Diseases 0.000 abstract 1
- 208000027061 mild cognitive impairment Diseases 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 13
- 238000010276 construction Methods 0.000 description 10
- 230000002776 aggregation Effects 0.000 description 8
- 238000004220 aggregation Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000036995 brain health Effects 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 208000014644 Brain disease Diseases 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000006999 cognitive decline Effects 0.000 description 1
- 230000004633 cognitive health Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
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
- A61B5/0035—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 adapted for acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
-
- 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
- A61B5/004—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 adapted for image acquisition of a particular organ or body part
- A61B5/0042—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 adapted for image acquisition of a particular organ or body part for the brain
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Neurology (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
基于多模态磁共振图像的脑网络建模与个体预测方法,具有处理多模态数据的功能,并对不同模态的影像处理提供了统一的输入输出数据格式,促进对多模态影像信息的应用,将不同模态的影像信息进行整合,基于支持向量机,利用多模态数据,对特定问题进行分类训练预测。方法包括:构建T1结构协变脑网络、DTI白质脑网络、fMRI功能脑网络、脑网络分析和计算。可基于已建立的中国人群痴呆队列的样本库,同时构建多模态脑网络并计算各类相关脑网络指标,统一各模态脑网络输出结果格式,便于对多模态脑网络的应用。从多模态脑网络的特征指标中选择信息特征,构建基于支持向量机的轻度认知障碍自动判别分析模型以及脑龄预测模型。
Description
技术领域
本发明涉及医学图像处理和机器学习应用的技术领域,尤其涉及一种基于多模态磁共振图像的脑网络建模与个体预测方法。
背景技术
人脑的结构和功能连接模式是神经科学领域最为关注的研究热点和核心课题之一。最近,国际上已经将人脑网络的构建及拓扑描述称为“人脑连接组学”。通过“人脑连接组学”研究,人们可以全面而细致地了解大脑内部的结构和功能连接模式,改变长久以来研究大脑的方式,即不再将脑视为数量巨大的离散解剖单元,而是由彼此纵横交叉、相互连接的神经元构成的复杂统一体,这为深入理解人脑的工作机理和揭示神经精神疾病的发病机理等重大科学问题提供全新的视角。最近,研究者发现通过分析多模态磁共振图像海量数据,能够获取人脑的结构和功能连接信息,从而构建脑结构网络和脑功能网络。结构连接模式决定了人脑各区域之间沟通和信息传递的方式,而功能连接与人脑不同的活动状态有关,其连接模式可能决定了人脑活动的多样性。人脑的结构和功能网络密不可分,形成了人类认知和行为的神经基础。
目前的人脑网络研究都是在宏观尺度(macroscale)水平来考察,通过将大脑划分为几百或几千个脑区作为节点,根据脑区之间的连接来构建网络。基于结构磁共振图像,通过计算不同脑区的形态学指标(灰质体积,皮层厚度等)的相关性,可以构建脑形态学结构协变网络;基于扩散磁共振图像,通过纤维跟踪技术重建脑区之间的白质纤维连接通路,从而可以构建脑白质结构网络;基于静息态功能磁共振图像,通过计算不同脑区活动随时间的关联性(同步性),可以构建静息态下全脑功能网络。通过对人脑构建网络模型,大量研究都一致地发现人脑网络具有高的局部整合和高效的长距离信息传递能力,也就是“小世界”属性;进一步还发现了人脑网络一些重要核心脑区(hub)的分布,主要位于额顶叶内侧皮层;此外还揭示了人脑网络的模块化结构:每个模块内部节点紧密联系,不同模块之间通过较少的连接联系在一起。这说明人类的大脑为了实现脑区之间信息交互的高效和同步性,功能的分化和整合,已经进化成了一个复杂但是高效的神经系统。随后,基于不同模态神经影像的脑网络计算方法得到进一步发展,并被广泛应用于发育、老化和脑疾病研究。
脑网络指标的异常可能为脑疾病辅助诊断提供潜在的影像学标记物。此外,基于磁共振图像的脑龄预测已成为评估大脑健康程度的关键指标,计算出的大脑年龄与实际生理年龄的差异可能决定了一个人的大脑健康程度。已有的研究表明阿尔茨海默病患者的脑龄明显高于其实际生理年龄,而且与患者认知下降程度具有显著相关性,提示了其认知障碍可能的加速老化病理机制。因此,基于多模态脑影像数据来预测脑龄可以较好反映一个人大脑和认知的健康水平。
然而虽然目前的脑网络分析方法已经发展比较成熟,但尚未广泛用于脑龄预测研究中,主要问题如下:已有的一些脑网络构建软件,它们仅能构建某种单一模态的脑网络,对于被试数据的输入格式要求以及网络构建后的输出格式不尽相同,且部分软件只能进行网络构建,未能实现网络分析功能,这对于一些基于构建多模态脑网络的工作很不友好。
发明内容
为克服现有技术的缺陷,本发明要解决的技术问题是提供了一种基于多模态磁共振图像的脑网络建模与个体预测方法,其具有处理多模态数据的功能,并对不同模态的影像处理提供了统一的输入输出数据格式,促进了对多模态影像信息的应用,将不同模态的影像信息进行整合,基于支持向量机,利用多模态数据,对特定问题进行分类训练预测。
本发明的技术方案是:这种基于多模态磁共振图像的脑网络建模与个体预测方法,其包括以下步骤:
(1)构建T1结构协变脑网络;
(2)构建DTI脑结构网络;
(3)构建fMRI脑功能网络;
(4)脑网络分析和计算;
(5)基于多模态脑网络构建脑龄预测模型;
其中步骤(1)包括以下分步骤:
(1.1)对输入的原始图像进行转格式操作DICOM->NIFTI;
(1.2)对输入图像进行剥头皮操作,去除头皮对大脑影像的影响;
(1.3)对大脑图像基于体素进行分区,利用不同模板分为不同脑区;
(1.4)进行灰度标准化操作,分割白质;
(1.5)提取大脑皮层,基于标准模板进行皮层的配准和分区;
(1.6)得到基于皮层厚度的结构协变网络矩阵。
本发明通过构建多模态(T1、DTI、fMRI)磁共振脑网络,脑网络分析和计算,使其具有处理多模态数据的功能,并对不同模态的影像处理提供了统一的输入输出数据格式,促进了对多模态影像信息的应用,将不同模态的影像信息进行整合,基于支持向量机,利用多模态数据,对特定问题进行预测。
附图说明
图1是根据本发明的基于多模态磁共振图像的脑网络建模与个体预测方法的流程图。
图2是本发明的基于皮层厚度的结构协变脑网络构建流程图。
图3是本发明的DTI脑网络构建流程图。
图4是本发明的fMRI脑网络构建流程图。
图5a是本发明的关于集聚系数的图;图5b是本发明的关于最短路径长度的图;图5c是本发明的关于节点效率的图。
图6是本发明的SVR示例图。
具体实施方式
如图1所示,这种基于多模态磁共振图像的脑网络建模与个体预测方法,其包括以下步骤:
(1)构建T1结构协变脑网络;
(2)构建DTI脑结构网络;
(3)构建fMRI脑功能网络;
(4)脑网络分析和计算;
(5)基于多模态脑网络构建脑龄预测模型;
其中步骤(1)包括以下分步骤:
(1.1)对输入的原始图像进行转格式操作DICOM->NIFTI;
(1.2)对输入图像进行剥头皮操作,去除头皮对大脑影像的影响;
(1.3)对大脑图像基于体素进行分区,利用不同模板分为不同脑区;
(1.4)进行灰度标准化操作,分割白质;
(1.5)提取大脑皮层,基于标准模板进行皮层的配准和分区;
(1.6)得到基于皮层厚度的结构协变网络矩阵。
本发明通过构建多模态(T1、DTI、fMRI)磁共振脑网络,脑网络分析和计算,使其具有处理多模态数据的功能,并对不同模态的影像处理提供了统一的输入输出数据格式,促进了对多模态影像信息的应用,将不同模态的影像信息进行整合,基于支持向量机,利用多模态数据,对特定问题进行预测。
优选地,所述步骤(2)包括以下分步骤:
(2.1)对输入的原始图像进行转格式操作DICOM->NIFTI;
(2.2)头动矫正及涡流矫正,去除扫描过程中被试头动对不同时刻扫描图像的影响;
(2.3)基于DTI模型,进行张量和扩散指标的计算,张量主方向为白质纤维走向;
(2.4)基于张量追踪出白质纤维束,使用确定性现为追踪算法,将某一体素的张量主方向认定为纤维走向的方向,若其与指向的下一体素的主方向未超过某一设定阈值,则纤维束在此位置为连接的纤维束;
(2.5)大脑配准分区,在进行群体平均和群体比较时,个体数据被转换成一个标准化的空间,以解释大脑大小、形状和解剖结构的差异性,先将该被试的T1结构像配准到其DTI图像上,使得各个脑区位置相互对应,再将完成配准的图像配准到标准空间,对从DTI到标准图像的变换矩阵取逆,将去逆变换应用到已经处理完的标准分区文件上,进而得到被试的大脑分区;
(2.6)将每个被试构建的纤维束与大脑分区结合,计算各个脑区间纤维连接数目,得到脑网络矩阵。
优选地,所述步骤(3)包括以下分步骤:
(3.1)对输入的原始图像进行转格式操作DICOM->NIFTI;
(3.2)去除前5—10个时间点图像,达到磁化平衡;
(3.3)时间矫正,通过调用SPM12函数来执行R-fMRI数据集切片定时校正;
(3.4)图像重排列,将单个图像重新排列,使大脑每个体积的每个部分处于相同的位置,通过调用SPM12函数来执行这个过程;
(3.5)标准化,在进行群体平均和群体比较时,个体数据被转换成一个标准化的空间,以解释大脑大小、形状和解剖结构的差异性;
(3.6)空间回归,使用高斯滤波器进行空间平滑;
(3.7)协变量回归,对于fMRI数据集,从每个体素时间序列中去除一些有害信号,以减少非神经元波动的影响,包括头部运动轮廓、脑脊液信号、白质信号和/或全局信号;
(3.8)去除线性漂移,采用一种基于相关SPM8函数来减少线性和非线性漂移或信号趋势的影响的选项;
(3.9)滤波,fMRI数据经过带通滤波减少低频漂移和高频生理噪声的影响;
(3.10)功能连接矩阵构建,分为两个步骤:区域分割和功能连接估计,从每个分步单元中提取平均时间序列,然后通过计算线性皮尔逊相关系数估计时间序列之间的成对功能连通性,这个过程将为每个参与者生成一个相关矩阵。
优选地,在所述步骤(3.5)中,基于SPM12函数,使用三种方法进行转换:通过估计单个函数图像到回声平面成像模板的转换,直接将单个函数图像扭曲到标准MNI空间;将单个功能图像用统一分割的方法,将T1与功能图像共登记图像配准到MNI模板中,得到的变换矩阵,将单个功能图像弯曲到标准MNI空间。
优选地,所述步骤(4)分析计算的参数包括:集聚系数、最短路径长度、节点效率、局部效率、全局效率、介数中心性、度中心性、小世界属性、同配性、富人俱乐部。
所述步骤(5)包括以下分步骤:
(5.1)构建特征矩阵:基于脑网络矩阵,计算出能代表大脑连接不同信息的指标的矩阵,从矩阵中提取出所需特征矩阵,进行标准化处理;
(5.2)特征提取:在通过脑网络相关指标计算得到的特征矩阵中,使用基于皮尔逊相关系数的特征提取方法,用来从特征值中提取出对预测具有促进作用的特征向量;
(5.3)基于支持向量回归构建脑龄预测模型:支持向量回归模型SVR使用SVM来拟合曲线,做回归分析,回归模型的输出在一定范围内是连续的,SVR使用一个条带来拟合数据;
(5.4)多核融合:基于各个单核模型给出的预测标签,按照他们在各自验证集中的准确率赋予相应权重,以标签为主融合方式;以被试在各个分类器中距离分类平面的距离为主要融合方式,选择他们在验证集中的准确率赋予权重。
下面更加详细地说明本发明。
1)构建T1结构协变脑网络:
a)输入T1结构图像各类权重图(如皮层厚度);
b)对输入图像进行剥头皮操作,去除头皮对大脑影像的影响;
c)对大脑图像基于体素进行分区,利用不同模板可分为不同脑区;
d)进行灰度标准化操作,分割白质;
e)提取大脑皮层,基于标准模板进行皮层的配准和分区。
f)进而得到基于皮层厚度的结构协变网络矩阵。
2)构建DTI脑结构网络:
a)对输入的原始图像进行转格式操作(DICOM->NIFTI),在正式的数据预处理之前,DICOM数据(大多数MRI扫描仪输出的一种格式)通常被转换成其他格式,例如NIfTI格式;
b)头动矫正及涡流矫正,去除扫描过程中被试头动对不同时刻扫描图像的影响;
c)基于DTI模型,进行张量和扩散指标的计算,一般认为张量主方向为白质纤维走向;
d)基于张量追踪出白质纤维束,本软件使用确定性现为追踪算法,将某一体素的张量主方向认定为纤维走向的方向,若其与指向的下一体素的主方向未超过某一设定阈值,即认为纤维束在此位置为连接的纤维束。
e)大脑配准分区,在进行群体平均和群体比较时,个体数据通常被转换成一个标准化的空间,以解释大脑大小、形状和解剖结构的差异性,先将该被试的T1结构像配准到其DTI图像上,使得各个脑区位置相互对应,再将完成配准的图像配准到标准空间,对从DTI到标准图像的变换矩阵取逆,将去逆变换应用到已经处理完的标准分区文件上,进而得到被试的大脑分区;
f)将每个被试构建的纤维束与大脑分区结合,计算各个脑区间纤维连接数目,得到脑网络矩阵。
3)构建fMRI脑功能网络:
a)对输入的原始图像进行转格式操作(DICOM->NIFTI),在正式的数据预处理之前,DICOM数据(大多数MRI扫描仪输出的一种格式)通常被转换成其他格式,例如NIfTI格式;
b)去除前5—10个时间点图像,通常个别fMRI图像的前几个时间点的图像通常被丢弃,以达到磁化平衡;
c)Slice Timing(时间矫正),R-fMRI数据集通常使用重复的2D成像方法获得,这会导致切片间的时间偏移,通过调用相应的SPM12函数来执行切片定时校正;
d)Realign(图像重排列),在磁共振扫描过程中,参与者不可避免地要经历不同程度的头部运动,即使使用了泡沫垫。这些动作打破了大脑在不同体量之间的空间对应。这一步骤将单个图像重新排列,使大脑每个体积的每个部分处于相同的位置。在软件中通过调用相关的SPM12函数来执行这个过程。
e)Normalize(标准化),在进行群体平均和群体比较时,个体数据通常被转换成一个标准化的空间,以解释大脑大小、形状和解剖结构的差异性。基于SPM12函数,可以使用三种方法在本软件中进行这种转换:1)通过估计单个函数图像到回声平面成像(EPI)模板的转换,直接将单个函数图像扭曲到标准MNI空间;2)将单个功能图像用统一分割的方法,将T1(与功能图像共登记)图像配准到MNI模板中,得到的变换矩阵,将单个功能图像弯曲到标准MNI空间;3)通过将DARTEL生成的最终模板文件注册后得到的变换矩阵,将单个功能图像扭曲到标准MNI空间。
f)Spatially Smooth(空间回归),该操作是空间归一化后常见的预处理步骤,用于提高信噪比,减弱因受试者间配准不准确造成的解剖差异,本软件使用高斯滤波器进行空间平滑。
g)Regress Out Covariates(协变量回归),对于fMRI数据集,通常会从每个体素时间序列中去除一些有害信号,以减少非神经元波动的影响,包括头部运动轮廓、脑脊液信号、白质信号和/或全局信号。
h)Temporally Detrend(去除线性漂移),能磁共振成像数据集可能会随着时间系统地增加或减少信号,可能是由于长期的生理变化或仪器不稳定。本软件采用了一种基于相关SPM8函数来减少线性和非线性漂移或信号趋势的影响的选项。
i)Temporally Filter(滤波),fMRI数据通常经过带通滤波,以减少低频漂移和高频生理噪声的影响。
j)功能连接矩阵构建,主要分为两个步骤:区域分割(即网络节点定义)和功能连接估计(即网络边缘定义),从每个分步单元中提取平均时间序列,然后通过计算线性皮尔逊相关系数估计时间序列之间的成对功能连通性,这个过程将为每个参与者生成一个相关矩阵。
4)脑网络分析和计算:
a)Clustering coefficient(集聚系数)
在图论中,集聚系数是用来描述一个图中的顶点之间结集成团的程度的系数,具体来说,也就是一个点的邻接点之间相互连接的程度。集聚系数主要是描述图(或者称为网络)的特性,一个图G是由一些顶点V和顶点与顶点之间的一些连线(称为边)E构成,两个相连的顶点也称为邻接点。
集聚系数分为整体与局部两种,整体集聚系数可以给出一个图中整体的集聚程度的评估,而局部集聚系数则可以测量图中每一个节点附近的集聚程度。
假设有图G=(V,E),其中V={v1,v2,v3,v4,v5}表示图中顶点(即脑网络中脑区)集合,表示边的集合(即脑区间连接情况,eij表示顶点vi和vj的边)。如图5a,对于节点1,其集聚系数C1为与其存在连接情况的节点2、3、4之间存在的连接边数与他们可以连接边数总数的比值,即/>
对于某一节点,其集聚系数为其中=Ei表示这些邻居节点间存在的连接边数。
b)Shortest Path Length(最短路径长度)
最短路径问题是图论研究中的一个经典算法问题,旨在寻找图(由节点和路径组成的)中两节点之间的最短路径,如图5b,节点1与节点7之间的连接路径经过的最少边数为3,那么最短路径d1,7=3
对于平均最短路径,即为图中所有节点对间最短路径加和平均,即:
c)Nodal Efficiency(节点效率)
节点效率主要用来评估给定节点的信息通信能力,对于图中某一节点,其节点效率即为其与其它节点间最短路径的倒数的平均和,如图5c,节点1的节点效率为:
对于图中某一节点i,其节点效率为:其中N为图中结点数目,dij为结点i与结点j间最短距离。
d)Local Efficiency(局部效率)
对于计算方法可知,其只考虑了邻居节点间的直接连接,在此基础上提出了局部效率的概念,用来表示该节点移除后邻居节点之间的通信效率。如图5a,节点1的邻居节点为节点2、3、4,邻居节点间的效率分别为:E24=1,E34=1,那么节点1的局部效率为:/>
e)Global Efficiency(全局效率)
在图论分析中,通常最短路径长度要在某一个连通图中运算,如果网络中存在不连通的节点就会导致这两个节点间的最短路径长度为无穷,因此有人提出了全局效率的概念,表示网络中并行信息传输的全局效率。全局效率为图中每一对节点间效率和的平均,若某一对节点间没有连接通路,那么他们的效率为0。如图5c,各对节点间效率为:
由上例可知,图的全局效率为:其中N表示图中节点数目,dij表示节点i和节点j间的最短距离。
f)Betweenness Centrality(介数中心性)
介数中心性是基于最短路径针对网络图中心性的衡量标准之一。针对全连接网络图,其中任意两个节点均至少存在一个最短路径,在无权重网络图中该最短路径是路径包含边的数量求和,加权网络图中该最短路径则是路径包含边的权重求和。每个节点的介数中心性即为这些最短路径穿过该节点的次数。若某两个节点间包含有若干条最短路径,那么计算其通过的节点对通信贡献时需要按照路径数均分,如图5c,节点1至节点5共有两条最短路径,即1→2→4→5、1→3→4→5,两条路径均通过节点4,那么节点4对通信的贡献为:同理节点2、3对通信的贡献均为:/>
g)Degree Centrality(度中心性)
度中心性是在网络分析中刻画节点中心性的最直接度量指标,一个节点的节点度越大就意味着这个节点的度中心性越高,该节点在网络中就越重要。节点度是指一个节点与其他节点之间的边数。
h)Small World(小世界属性)
在图论中,一般认为规则网络具有较高的集聚系数和较长的平均最短路径长度,与此相反,随机网络则具有较低的集聚系数和较短的最短路径,因此把这种具有高集聚系数和较短最短路径的网络成为小世界网络,以随机网络为标准,如果所研究网络相对于随机网络具有较大的集聚系数和近似的最短路径长度,即γ=Creal/Crandom>>1,λ=Lreal/Lrandom~1(其中下脚标random表示随机网络,real表示真实网络,则该网络属于小世界网络范畴),用σ=γ/λ来衡量小世界属性,当σ>1时网络具有小世界属性,且σ越大网络的小世界属性越强。
i)Assortativity(同配性)
同配性用于考察度值相近的节点是否倾向于互相连接,是一种基于“度”的皮尔森相关系数,用来度量相连节点对的关系,结果r为正值代表具有相同度的点之间有某种协同关系,负值表示具有不同度数的节点间有某种联系。通常来说,r的值在-1到+1之间,+1表示网络具有很好的同配模式,0表示网络是非同配的,-1表示这个网络负相关。
j)Rich Club(富人俱乐部)
在网络中少量的节点具有大量的边,这些节点成为富节点,他们之间也相互连接,构成富人俱乐部。富俱乐部结构是大脑网络的一种重要的拓扑属性,表明中枢节点之间的连接比非中枢节点更紧密,从而形成一个高度互联的俱乐部。
)构建脑龄预测模型:
a)构建特征矩阵
基于脑网络矩阵,计算出能代表大脑连接不同信息的指标的矩阵,从矩阵中提取出所需特征矩阵,进行标准化处理。
b)特征提取
在通过脑网络相关指标计算得到的特征矩阵中,难免会存在一些对分类不那么敏感、不相关的信息,因此需要从一个大的特征池中选择出一个最优的特征子集,用来构造分类器。
本方法主要使用了基于皮尔逊相关系数的特征提取方法,用来从特征值中提取出对预测具有促进作用的特征向量。软件可根据特征选择方法分别构建特征向量,用以后期预测模型的多和融合,提高预测结果的可信性。
c)基于机器学习回归算法构建脑龄预测模型
在构建脑龄预测模型过程中,使用了支持向量回归、岭回归、高斯过程回归、LASSO回归、弹性网络、卷积神经网络等算法进行预测。
支持向量回归模型(Support Vector Regression,SVR)是使用SVM来拟合曲线,做回归分析。分类和回归问题是有监督机器学习中最重要的两类任务。与分类的输出是有限个离散的值(例如上面的分类label{-1,1})不同的是,回归模型的输出在一定范围内是连续的。与SVM是使用一个条带来进行分类一样,SVR也是使用一个条带来拟合数据。这个条带的宽度可以自己设置。
岭回归(Ridge Regression)是一种专用于共线性数据分析的有偏估计回归方法,其在最小二乘法估计法上进行了改良,通过放弃最小二乘法的无偏性,以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法,对病态数据的拟合要强于最小二乘法。
高斯过程(Gaussian Process,GP)是一个随机过程,是一系列符合正态分布的随机变量在一指数集内的集合,高斯过程回归(Gaussian Process Regression,GPR)使用高斯过程先验对数据进行回归分析的非参数模型。高斯过程样本与一般机器学习的样本区别在于,高斯过程中样本各特征之间存在相关关系,这种相关关系通过协方差矩阵来体现。当我们在某些指数上获得了一批观测样本后,这批观测样本将有助于我们对其他指数集上的样本分布进行估计(后验)。
LASSO回归可以在拟合广义线性模型的同时进行变量筛选和复杂度调整。因此,不论目标因变量是连续的(continuous),还是二元或者多元离散的,都可以用LASSO回归建模然后预测,变量筛选是有选择的把变量放入模型从而得到更好的性能参数,复杂度调整即是通过一系列参数控制模型的复杂度,从而避免预测过程中产生过拟合现象。LASSO回归通过构造一个惩罚函数得到一个较为精炼的模型,使得它压缩一些回归系数,即强制系数绝对值之和小于某个固定值;同时设定一些回归系数为零,进而保留了子集收缩的优点。
弹性网络适用于很多特征存在相互联系的情况下,在LASSO回归中,它可能只随即考虑了这些特征中的一个,而弹性网络更倾向于选择其中的两个。和LASSO一样,弹性网络是一种使用L1,L2范数作为先验正则项训练的线性回归模型.这种组合允许学习到一个只有少量参数是非零稀疏的模型,但是弹性网络仍然可以保持一些如岭回归的正则性质。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一,卷积神经网络仿造生物的视知觉机制构建,可以进行监督学习和非监督学习,其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征。卷积神经网络主要包含输入层、隐藏层、输出层,输入层可以处理多维数据,隐藏层中又包含了卷积层、池化层、全连接层等对输出的多维数据进行处理,卷积神经网络中输出层的上游通常是全连接层,因此其结构和工作原理与传统前馈神经网络中的输出层相同,对于图像分类问题,输出层使用逻辑函数或归一化指数函数输出分类标签。
d)多核融合
在预测模型构建环节中,基于不同指标特征,可以构建很多不同的预测模型,这时就需要基于特定的策略将他们融合。使用了两种融合方法。基于各个单核模型给出的预测标签,按照他们在各自验证集中的准确率赋予相应权重,以标签为主融合方式。另一种方式,以被试在各个分类器中距离分类平面的距离为主要融合方式,选择他们在验证集中的准确率赋予权重。
与现有的方法相比,本发明的优点在于:
1.具有处理多模态数据的功能,并对不同模态的影像处理提供了统一的输入输出数据格式,促进了对多模态影像信息的应用。
2.将不同模态的影像信息进行整合,基于支持向量机,利用多模态数据,对特定问题进行分类训练预测(可不局限于脑龄预测)。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属本发明技术方案的保护范围。
Claims (5)
1.基于多模态磁共振图像的脑网络建模与个体预测方法,其特征在于:其包括以下步骤:
(1)构建T1结构协变脑网络;
(2)构建DTI脑结构网络;
(3)构建fMRI脑功能网络;
(4)脑网络分析和计算;
(5)基于多模态脑网络构建脑龄预测模型;
其中步骤(1)包括以下分步骤:
(1.1)对输入的原始图像进行转格式操作DICOM->NIFTI;
(1.2)对输入图像进行剥头皮操作,去除头皮对大脑影像的影响;
(1.3)对大脑图像基于体素进行分区,利用不同模板分为不同脑区;
(1.4)进行灰度标准化操作,分割白质;
(1.5)提取大脑皮层,基于标准模板进行皮层的配准和分区;
(1.6)得到基于皮层厚度的结构协变网络矩阵;
所述步骤(5)包括以下分步骤:
(5.1)构建特征矩阵:基于脑网络矩阵,计算出能代表大脑连接不同信息的指标的矩阵,从矩阵中提取出所需特征矩阵,进行标准化处理;
(5.2)特征提取:在通过脑网络相关指标计算得到的特征矩阵中,使用基于皮尔逊相关系数的特征提取方法,用来从特征值中提取出对预测分类具有促进作用的特征向量;
(5.3)基于支持向量回归构建脑龄预测模型:支持向量回归模型SVR使用SVM来拟合曲线,做回归分析,回归模型的输出在一定范围内是连续的,SVR使用一个条带来拟合数据;
在构建脑龄预测模型过程中,使用支持向量回归、岭回归、高斯过程回归、LASSO回归、弹性网络、卷积神经网络算法进行预测;
(5.4)多核融合:基于各个单核模型给出的预测标签,按照他们在各自验证集中的准确率赋予相应权重,以标签为主融合方式;以被试在各个分类器中距离分类平面的距离为主要融合方式,选择他们在验证集中的准确率赋予权重。
2.根据权利要求1所述的基于多模态磁共振图像的脑网络建模与个体预测方法,其特征在于:所述步骤(2)包括以下分步骤:
(2.1)对输入的原始图像进行转格式操作DICOM->NIFTI;
(2.2)头动矫正及涡流矫正,去除扫描过程中被试头动对不同时刻扫描图像的影响;
(2.3)基于DTI模型,进行张量和扩散指标的计算,张量主方向为白质纤维走向;
(2.4)基于张量追踪出白质纤维束,使用确定性现为追踪算法,将某一体素的张量主方向认定为纤维走向的方向,若其与指向的下一体素的主方向未超过某一设定阈值,则纤维束在此位置为连接的纤维束;
(2.5)大脑配准分区,在进行群体平均和群体比较时,个体数据被转换成一个标准化的空间,以解释大脑大小、形状和解剖结构的差异性,先将该被试的T1结构像配准到其DTI图像上,使得各个脑区位置相互对应,再将完成配准的图像配准到标准空间,对从DTI到标准图像的变换矩阵取逆,将去逆变换应用到已经处理完的标准分区文件上,进而得到被试的大脑分区;
(2.6)将每个被试构建的纤维束与大脑分区结合,计算各个脑区间纤维连接数目,得到脑网络矩阵。
3.根据权利要求2所述的基于多模态磁共振图像的脑网络建模与个体预测方法,其特征在于:所述步骤(3)包括以下分步骤:
(3.1)对输入的原始图像进行转格式操作DICOM->NIFTI;
(3.2)去除前5—10个时间点图像,达到磁化平衡;
(3.3)时间矫正,通过调用SPM12函数来执行R-fMRI数据集切片定时校正;
(3.4)图像重排列,将单个图像重新排列,使大脑每个体积的每个部分处于相同的位置,通过调用SPM12函数来执行这个过程;
(3.5)标准化,在进行群体平均和群体比较时,个体数据被转换成一个标准化的空间,以解释大脑大小、形状和解剖结构的差异性;
(3.6)空间回归,使用高斯滤波器进行空间平滑;
(3.7)协变量回归,对于fMRI数据集,从每个体素时间序列中去除一些有害信号,以减少非神经元波动的影响,包括头部运动轮廓、脑脊液信号、白质信号和/或全局信号;
(3.8)去除线性漂移,采用一种基于相关SPM8函数来减少线性和非线性漂移或信号趋势的影响的选项;
(3.9)滤波,fMRI数据经过带通滤波减少低频漂移和高频生理噪声的影响;
(3.10)功能连接矩阵构建,分为两个步骤:区域分割和功能连接估计,从每个分步单元中提取平均时间序列,然后通过计算线性皮尔逊相关系数估计时间序列之间的成对功能连通性,这个过程将为每个参与者生成一个相关矩阵。
4.根据权利要求3所述的基于多模态磁共振图像的脑网络建模与个体预测方法,其特征在于:在所述步骤(3.5)中,基于SPM12函数,使用三种方法进行转换:通过估计单个函数图像到回声平面成像模板的转换,直接将单个函数图像扭曲到标准MNI空间;将单个功能图像用统一分割的方法,将T1与功能图像共登记图像配准到MNI模板中,得到的变换矩阵,将单个功能图像弯曲到标准MNI空间。
5.根据权利要求4所述的基于多模态磁共振图像的脑网络建模与个体预测方法,其特征在于:所述步骤(4)分析计算的参数包括:集聚系数、最短路径长度、节点效率、局部效率、全局效率、介数中心性、度中心性、小世界属性、同配性、富人俱乐部。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110748407.2A CN113616184B (zh) | 2021-06-30 | 2021-06-30 | 基于多模态磁共振图像的脑网络建模与个体预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110748407.2A CN113616184B (zh) | 2021-06-30 | 2021-06-30 | 基于多模态磁共振图像的脑网络建模与个体预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113616184A CN113616184A (zh) | 2021-11-09 |
CN113616184B true CN113616184B (zh) | 2023-10-24 |
Family
ID=78378902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110748407.2A Active CN113616184B (zh) | 2021-06-30 | 2021-06-30 | 基于多模态磁共振图像的脑网络建模与个体预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113616184B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240887B (zh) * | 2021-12-17 | 2022-08-23 | 深圳市医未医疗科技有限公司 | 一种基于脑部多模态图像的处理方法与系统 |
CN114376558B (zh) * | 2022-03-24 | 2022-07-19 | 之江实验室 | 基于磁共振和孪生图神经网络的脑图谱个体化方法及系统 |
CN115005798B (zh) * | 2022-06-02 | 2023-05-05 | 四川大学 | 一种基于连边功能连接的脑影像特征提取方法 |
CN115081486B (zh) * | 2022-07-05 | 2023-07-04 | 华南师范大学 | 一种癫痫发作前期颅内脑电网络定位癫痫灶系统及方法 |
KR20240009795A (ko) * | 2022-07-14 | 2024-01-23 | 이화여자대학교 산학협력단 | 뇌영상으로부터 뇌성별 및 뇌연령을 예측하는 방법 및 장치 |
CN115251889B (zh) * | 2022-07-19 | 2023-04-14 | 江南大学附属医院 | 一种功能磁共振影像动态连接网络特征描述方法 |
CN114972340B (zh) * | 2022-07-28 | 2022-11-18 | 中国科学院心理研究所 | 一种大脑老化预警系统及预警方法 |
CN115337000B (zh) * | 2022-10-19 | 2022-12-20 | 之江实验室 | 基于脑结构影像评估疾病引起大脑衰老的机器学习方法 |
WO2024119337A1 (zh) * | 2022-12-05 | 2024-06-13 | 中国科学院深圳先进技术研究院 | 脑网络统一表征计算方法、装置、电子设备及存储介质 |
CN116895360B (zh) * | 2023-09-11 | 2023-12-05 | 首都医科大学宣武医院 | 一种应用于mci患者的药物疗效预测方法、系统、终端及存储介质 |
CN117316293B (zh) * | 2023-11-30 | 2024-04-19 | 北京师范大学 | 基于神经影像的脑网络结构与功能耦合方法及装置 |
CN117372440B (zh) * | 2023-12-08 | 2024-03-19 | 北京邮电大学 | 阿尔茨海默病风险预警模型训练方法、预警方法及设备 |
CN117690537B (zh) * | 2024-02-04 | 2024-06-18 | 中日友好医院(中日友好临床医学研究所) | Qsm与脑萎缩、脑连接组关联的跨模态方法及装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101912263A (zh) * | 2010-09-14 | 2010-12-15 | 北京师范大学 | 基于脑功能网络成分检测的实时功能磁共振数据处理系统 |
CN103093087A (zh) * | 2013-01-05 | 2013-05-08 | 电子科技大学 | 一种基于多任务学习的多模态脑网络特征融合方法 |
WO2016110005A1 (zh) * | 2015-01-07 | 2016-07-14 | 深圳市唯特视科技有限公司 | 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法 |
CN106780644A (zh) * | 2016-11-24 | 2017-05-31 | 马国林 | 3.0t场强下大鼠模型的多模态磁共振成像方法 |
WO2017190337A1 (zh) * | 2016-05-06 | 2017-11-09 | 中国科学院自动化研究所 | 有监督的多模态脑影像融合方法 |
CN107358022A (zh) * | 2017-06-02 | 2017-11-17 | 常州大学 | 一种大脑功能网络的模块化分析方法 |
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 |
CN107909117A (zh) * | 2017-09-26 | 2018-04-13 | 电子科技大学 | 一种基于脑功能网络特征对早晚期轻度认知障碍的分类方法及装置 |
CN108345903A (zh) * | 2018-01-25 | 2018-07-31 | 中南大学湘雅二医院 | 一种基于模态距离约束的多模态融合图像分类方法 |
CN110751208A (zh) * | 2018-10-29 | 2020-02-04 | 山东大学 | 一种基于自权重差分编码器进行多模态特征融合的服刑人员情感识别方法 |
CN111178641A (zh) * | 2020-01-03 | 2020-05-19 | 江南大学 | 基于特征提取和多核rsvr组合模型的短期电力负荷预测方法 |
CN111753833A (zh) * | 2020-07-23 | 2020-10-09 | 南京脑科医院 | 基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法 |
CN111985432A (zh) * | 2020-08-28 | 2020-11-24 | 武汉科技大学 | 一种基于贝叶斯定理和自适应权值调整的多模态数据融合方法 |
AU2020102977A4 (en) * | 2020-10-23 | 2020-12-24 | Bhima, Ravi Teja DR | A Deep learning technique to recognise brain activity by fMRI and DTI image fusion |
CN112568872A (zh) * | 2020-12-30 | 2021-03-30 | 深圳大学 | 基于mri影像和血液生化指标的脑龄融合预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018005814A1 (en) * | 2016-06-29 | 2018-01-04 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for utilizing functional connectivity brain imaging for diagnosis of a neurobehavioral disorder |
-
2021
- 2021-06-30 CN CN202110748407.2A patent/CN113616184B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101912263A (zh) * | 2010-09-14 | 2010-12-15 | 北京师范大学 | 基于脑功能网络成分检测的实时功能磁共振数据处理系统 |
CN103093087A (zh) * | 2013-01-05 | 2013-05-08 | 电子科技大学 | 一种基于多任务学习的多模态脑网络特征融合方法 |
WO2016110005A1 (zh) * | 2015-01-07 | 2016-07-14 | 深圳市唯特视科技有限公司 | 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法 |
WO2017190337A1 (zh) * | 2016-05-06 | 2017-11-09 | 中国科学院自动化研究所 | 有监督的多模态脑影像融合方法 |
CN106780644A (zh) * | 2016-11-24 | 2017-05-31 | 马国林 | 3.0t场强下大鼠模型的多模态磁共振成像方法 |
CN107358022A (zh) * | 2017-06-02 | 2017-11-17 | 常州大学 | 一种大脑功能网络的模块化分析方法 |
CN107909117A (zh) * | 2017-09-26 | 2018-04-13 | 电子科技大学 | 一种基于脑功能网络特征对早晚期轻度认知障碍的分类方法及装置 |
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 |
CN108345903A (zh) * | 2018-01-25 | 2018-07-31 | 中南大学湘雅二医院 | 一种基于模态距离约束的多模态融合图像分类方法 |
CN110751208A (zh) * | 2018-10-29 | 2020-02-04 | 山东大学 | 一种基于自权重差分编码器进行多模态特征融合的服刑人员情感识别方法 |
CN111178641A (zh) * | 2020-01-03 | 2020-05-19 | 江南大学 | 基于特征提取和多核rsvr组合模型的短期电力负荷预测方法 |
CN111753833A (zh) * | 2020-07-23 | 2020-10-09 | 南京脑科医院 | 基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法 |
CN111985432A (zh) * | 2020-08-28 | 2020-11-24 | 武汉科技大学 | 一种基于贝叶斯定理和自适应权值调整的多模态数据融合方法 |
AU2020102977A4 (en) * | 2020-10-23 | 2020-12-24 | Bhima, Ravi Teja DR | A Deep learning technique to recognise brain activity by fMRI and DTI image fusion |
CN112568872A (zh) * | 2020-12-30 | 2021-03-30 | 深圳大学 | 基于mri影像和血液生化指标的脑龄融合预测方法 |
Non-Patent Citations (5)
Title |
---|
Chen Hao ; Qin Zhiguang ; Ding Yi.Multi-modal brain tumor segmentation method under same feature space.《Journal of Computer Applications》.2020,2104-2109. * |
主观认知下降多模态脑影像研究进展;韩璎,左西年,李会杰;《医学研究杂志》;1-2+38 * |
基于多模态磁共振影像的脑发育预测研究;江润洲;《中国优秀硕士学位论文全文数据库》;E060-122 * |
基于磁共振扩散张量图像的脑结构性网络分析研究;刘肖艳;《中国优秀硕士学位论文全文数据库》;E060-348 * |
贺永 ; 左西年 ; 朱朝喆 ; 龚高浪 ; 舒妮 ; 邹启红 ; 夏明睿.基于多模态磁共振图像的人脑连接组计算方法与应用研究.《科技成果》.2013,1. * |
Also Published As
Publication number | Publication date |
---|---|
CN113616184A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113616184B (zh) | 基于多模态磁共振图像的脑网络建模与个体预测方法 | |
CN113040715B (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
WO2023077603A1 (zh) | 一种异常脑连接预测系统、方法、装置及可读存储介质 | |
CN111009324B (zh) | 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法 | |
CN112418337B (zh) | 基于脑功能超网络模型的多特征融合数据分类方法 | |
CN111090764B (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 | |
CN112674720B (zh) | 基于3d卷积神经网络的阿尔茨海默症的预判断方法 | |
CN115393269A (zh) | 一种基于多模态影像数据的可扩展多层级图神经网络模型 | |
CN106127769A (zh) | 一种基于脑连接网络的脑龄预测方法 | |
Merjulah et al. | Classification of myocardial ischemia in delayed contrast enhancement using machine learning | |
CN110598793A (zh) | 一种大脑功能网络特征分类方法 | |
CN113693563A (zh) | 一种基于超图注意力网络的脑功能网络分类方法 | |
CN115841607A (zh) | 一种基于图注意力网络的脑网络结构和相似度的联合学习方法 | |
CN116503680B (zh) | 基于脑图谱的脑影像结构化分析和脑疾病分类系统 | |
CN115272295A (zh) | 基于时域-空域联合状态的动态脑功能网络分析方法及系统 | |
CN114391826A (zh) | 一种基于边缘驱动图神经网络的人类表征预测方法及装置 | |
Chaari et al. | Multigraph classification using learnable integration network with application to gender fingerprinting | |
CN115985488A (zh) | 基于动态超网络的脑疾病诊断方法、装置及系统 | |
CN115457334A (zh) | 静息态功能磁共振影像数据分类方法、系统及相关产品 | |
Xi et al. | Brain Functional Networks with Dynamic Hypergraph Manifold Regularization for Classification of End-Stage Renal Disease Associated with Mild Cognitive Impairment. | |
Kasim et al. | Gaussian mixture model-expectation maximization algorithm for brain images | |
CN116433964A (zh) | 一种基于多数据中心的多模态脑网络特征分类方法 | |
CN113283465B (zh) | 一种弥散张量成像数据分析方法及装置 | |
CN114723937A (zh) | 一种基于核磁共振影像的血管周围间隙分类方法及系统 | |
CN113786185A (zh) | 一种基于卷积神经网络的静态脑网络特征提取方法和系统 |
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 |