CN113706458A - 基于Gossip模型的自闭症检测装置 - Google Patents
基于Gossip模型的自闭症检测装置 Download PDFInfo
- Publication number
- CN113706458A CN113706458A CN202110801547.1A CN202110801547A CN113706458A CN 113706458 A CN113706458 A CN 113706458A CN 202110801547 A CN202110801547 A CN 202110801547A CN 113706458 A CN113706458 A CN 113706458A
- Authority
- CN
- China
- Prior art keywords
- propagation
- brain
- gossip
- autism
- reference data
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Surgery (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Heart & Thoracic Surgery (AREA)
- Hospice & Palliative Care (AREA)
- Molecular Biology (AREA)
- Developmental Disabilities (AREA)
- Animal Behavior & Ethology (AREA)
- Educational Technology (AREA)
- Child & Adolescent Psychology (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种基于Gossip模型的自闭症检测装置,属于脑部静息态功能磁共振图处理技术领域。本发明依据Gossip协议设置了Gossip模型并基于其观察和衡量自闭症患者组和正常对照组结构网络的传播表现来作为检测策略。即将被检测者的计算结果分别与自闭症患者组和正常对照组进行比对以确定被检测者的检测结果:计算结果更接近第一自闭症患者组,则被检测者患自病症的风险高,否则当前被检测者患自病症的风险低。本发明可用于对未知类型的被检测者进行自闭症的初步诊断。与测量全局网络和局部网络的拓扑属性的方法相比,本发明的Gossip模型使患者和正常对照组之间的脑结构像的差异相比更加明显。可以更快、更准确的识别出异常图像,更好的辅助医生进行诊断。
Description
技术领域
本发明属于脑部静息态功能磁共振图处理技术领域,具体属于一种基于Gossip模型的自闭症检测装置。
背景技术
在传统的自闭症筛查中,往往依赖于专业的从医人员进行诊断和判别,这种方式往往耗时耗力,加上相关的专业人员数量少,这就给自闭症的早期筛查带来了一定的难度,从而也就容易使得一些自闭症患者不能在早期被筛查出来,尽早地进行干预治疗。对于自闭症而言,早期的干预治疗,对于后续的恢复或者减轻症状有着至关重要的作用。
发明人在研发过程中发现,通过核磁共振技术可以获取大脑的结构像和功能像。对于结构像的研究方案有利用图论知识构建结构网络,并分析其网络拓扑属性。但是自闭症患者和正常对照者结构网络的全局或者局部的网络拓扑属性之间的差异往往不明显,因此有必要提出一种能够获取患者和正常对照组之间更明显的脑结构像和功能像的差异的方法,以便于实现对自闭症的智能辅助检测。
发明内容
本发明提供了一种基于Gossip模型的自闭症检测装置,以快速直观对被试是否是自闭症做出初步诊断。
本发明采用的技术方案如下:
一种基于Gossip模型的自闭症检测装置,包括:图像处理单元、脑结构网络构建单元、计算单元和检测单元;
所述图像处理单元,用于对采集被检测者的脑部静息态功能磁共振图序列进行图像预处理,提取脑部静息态功能磁共振图中的脑灰质区域,得到脑灰质图像序列;并基于预置的脑区划分模板,对脑灰质图像序列中的各脑灰质图像进行脑区划分,获取每个脑区的脑灰质体积(即每个脑区包括的脑灰质像素点数量),得到每个脑区的脑灰质体积序列并发送给大脑结构网络构建单元;
所述脑结构网络构建单元,基于预置的相关系数计算规则,计算各个脑区的脑灰质体积序列之间的相关系数,将每个脑区作为一个节点,脑区的脑灰质体积序列之间的相关系数作为节点间的连接系数,得到脑结构网络;并对脑结构网络的所有节点间的连接系数进行二值化处理,将大于二值化阈值的连接系数置为1(表示两个节点连通),将小于或等于二值化阈值的连接系数置为0(表示两个节点不连通),得到二值网络并发送给计算单元;
所述计算单元,用于基于Gossip模型计算二值网络的传播耗时和传播的迭代次数并将计算结果发送给检测单元;
其中,于Gossip模型计算二值网络的传播耗时和传播的迭代次数具体为:
对于输入的二值网络,获取其最大连通图,在所述最大连通图中采用Gossip协议进行消息传播,其中,初始传播点为最大连通图中的节点度(连通度,指和该节点相关联的边的条数)最高的节点,且消息传播时的通信方式为Push,即完成一次新消息的全部传播则停止;即基于当前的传播点,随机向N个连通的节点传播消息,直到最大连通图中的全部节点被传播消息,记为一次传播完毕,当传播完毕后,将传播耗时和传播迭代的次数作为当前二值网络的传播耗时和传播的迭代次数;
所述检测单元,存储有两个参考数据,第一参考数据为自闭症患者的传播耗时和传播的迭代次数,第二参考数据为正常对照者的传播耗时和传播的迭代次数,并将接收到的计算结果分别与两个参考数据进行比对以确定被检测者的检测结果:计算结果更接近第一参考数据,则被检测者患自病症的风险高,否则当前被检测者患自病症的风险低。
进一步的,所述检测单元确定被检测者的检测结果时,还包括:
计算所述计算结果中的传播耗时分别与第一、二参考数据中的传播耗时的偏差,以及计算所述计算结果中的传播的迭代次数分别与第一、二参考数据中的传播的迭代次数的偏差,并对各偏差进行数据的标准化处理,以统一量纲;
再将同一比较对象的两个偏差求和,与第一、二参考数据的偏差和分别记为第一参考偏差和第二参考偏差;
若第一参考偏差小于第二参考偏差,则被检测者患自病症的风险高,否则当前被检测者患自病症的风险低。
进一步的,采用最小密度对脑结构网络的所有节点间的连接系数进行二值化处理。
进一步的,所述第一参考数据和第二参考数据的获取方式为:
分别将多名自闭症患者的脑部静息态功能磁共振图序列输入所述基于Gossip模型的自闭症检测装置的图像处理单元,基于Gossip模型的自闭症检测装置的计算单元的计算结果得到每名自闭症患者的传播耗时和传播的迭代次数,对所有自闭症患者的传播耗时和传播的迭代次数分别取均值得到第一参考数据;
分别将多名正常对照者的脑部静息态功能磁共振图序列输入所述基于Gossip模型的自闭症检测装置的图像处理单元,基于Gossip模型的自闭症检测装置的计算单元的计算结果得到每名正常对照者的传播耗时和传播的迭代次数,对所有正常对照者的传播耗时和传播的迭代次数分别取均值得到第二参考数据。
进一步的,还包括输出显示单元,用于对检测单元确定的被检测者的检测结果进行可视化的输出显示。
进一步的,所述计算单元基于Gossip模型计算二值网络的传播耗时和传播的迭代次数时,多次执行Gossip协议进行消息传播,记录每一次消息传播时的传播耗时和传播的迭代次数,将均值作为最终的传播耗时和传播的迭代次数并发送给检测单元。
本发明提供的技术方案至少带来如下有益效果:
(1)与测量全局网络和局部网络的拓扑属性的方法相比,基于Gossip模型的自闭症检测装置,使患者和正常对照组之间的脑结构像和功能像的差异相比更加明显。可以更快、更准确的识别出异常图像,更好的辅助医生进行诊断。
(2)对于脑区连接变化的研究可以作为探究自闭症致病原理的支撑,为治疗自闭症提供靶点。
(3)将被检测者的监测结果进行可视化的输出显示,更加直观形象,方便进行进一步的研究。
(4)诊断材料基于脑结构像和功能像,获取相对方便,结合本装置快速检测的特点,可以大范围推广使用,用于初步筛查潜在的自闭症患者。早发现,早治疗。
(5)放大结构网络传输效率的差异。
(6)在极短时间内得出计算结果,可以用于实时处理和分析。
(7)提供了自闭症诊断的新思路,即结合大数据处理手段。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例中,自闭症患者组(ASD组)和正常对照组(HC组)完成一次全部节点传播的迭代次数对比图;
图2是本发明实施例中,自闭症患者组和正常对照组完成一次全部节点传播的耗时对比图。
图3是本发明实施例提供的一种基于Gossip模型的自闭症检测装置的结构示意图;
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种基于Gossip模型的自闭症检测装置,其依据Gossip协议设计实现Gossip模型并使用Gossip模型观察和衡量自闭症患者组和正常对照组结构网络的传播表现。本发明实施例提供的检测装置可用于对未知类型的被试(被检测者)进行自闭症的初步诊断。
为了更便于理解本发明实施例提供的的理解,对其涉及的Gossip协议进行简单地描述:
Gossip协议常用于数据库的复制、信息扩散、故障探测等。该协议的执行过程如下:
(1)节点定期传播消息;
(2)被传播过的节点随机选择N个相邻节点进行传播;
(3)被传播到的节点记录下传播源,之后进行传播的时候,不回传给传播源;
(4)节点接受更新消息后,不进行任何反馈,重复步骤(2);
(5)直到达到终止条件。
当确保网络本身是连通时,所有节点最终都会被传播(由初始节点发出的新消息),Gossip协议是具备最终一致性的。
Gossip协议有2种传播方式:反熵(Anti-Entropy)和谣言(Rumor-Mongering)。
反熵传播以相同的传播概率进行全部数据的传播,即周期性随机选择其它节点,之后会通过交换彼此数据消除差异。每个节点会有2种状态:Suspective,节点等待其它节点传播消息来更新;Infective,节点被传播了消息,数据有更新,并且会传播给其它节点。这种传播方式在交换数据的时候,会有通信负担。
谣言传播是以固定的概率仅传播新到达的数据。相比反熵,多一种状态,Removed。谣言消息在某个时间点之后会被标记为Removed,并且不再被传播。这种传播方式会大大减小网络中的数据传播量,但是可能会导致有些节点未被传播,丢失一致性。
Gossip协议为了完成节点的通信,有3种通信方式:
(1)Push:节点X随机选择连通节点Y传播消息,节点Y会收到更新数据,那么此时,节点Y就是有新消息的节点,可以选择继续传播。
(2)Pull:节点X随机选择连通的节点Y,从节点Y获取消息,节点X一般处在等待传播消息的状态。
(3)Push&Pull:节点之间交换数据,结合Pull和Push的操作。
Gossip协议作为去中心化的分布式协议,一大特点是传播速度非常的快。优点为:
(1)扩展性非常好,随意增加和删除节点都可以借助最终一致性确保状态。
(2)鲁棒性很好,任何节点断连都不会影响整个网络的运行,非常适合分布式系统。
(3)是去中心化的,节点之间都是对等的。
但是缺点也是明显的:
(1)容易造成消息的堆积,尽管最终一致性可以保证状态,但是消息往往会被重复接收;
(2)由于是随机传播,消息延迟无法避免,可能好几轮后才被传递到,可以通过Pull操作进行缓解;
(3)如果存在恶意传播,整个网络就会非常快被影响。
基于上述原理,本发明实施例中,构建了Gossip传播模型,传播方式为反熵,通信方式为Push,不支持Pull,完成一次新消息的全部传播就停止。获取被试的结构网络的最大连通图作为输入,以度最高的节点作为初始传播点,之后随机向N(优选取值为5)个连通节点传播消息,直到全部节点被传播新消息,记为一次传播完毕,输出传播耗时和传播迭代的次数。比对被试的传播耗时和传播迭代次数和已存储的自闭症患者和正常对照者的数据,如果更接近正常对照者,则认为患有自闭症的风险较低,否则认为有高风险患有自闭症。图1和2给出了在相同密度下,基于该Gossip传播模型得到的正常对照组的传播次数和传播耗时均优于ASD组。图1中正常对照组传播迭代的次数约为7次,而ASD组约11次,两组网络的传播表现存在显著差异。传播耗时上,ASD组明显不如正常对照组,而从图2可以看出,正常对照组具有更好的全局效率。因而基于该Gossip模型可以直观反映出网络在传播表现上的差异,实现对自闭症的初步诊断。其中,传播迭代的次数可以根据公式G=logsM得到,其中,G表示传播迭代的次数,s表示每次要被传播的节点个数,M表示传播的总节点个数。
参见图3,本发明实施例提供的基于Gossip模型的自闭症检测装置包括:图像处理单元、脑结构网络构建单元、计算单元和检测单元;
其中,图像处理单元,用于对采集被检测者的脑部静息态功能磁共振图序列进行图像预处理,提取脑部静息态功能磁共振图中的脑灰质区域,得到脑灰质图像序列;并基于预置的脑区划分模板,对脑灰质图像序列中的各脑灰质图像进行脑区划分,获取每个脑区的脑灰质体积,得到每个脑区的脑灰质体积序列并发送给大脑结构网络构建单元;脑结构网络构建单元,基于预置的相关系数计算规则,计算各个脑区的脑灰质体积序列之间的相关系数,将每个脑区作为一个节点,脑区之的脑灰质体积序列之间的相关系数作为节点间的连接系数,得到脑结构网络;并对脑结构网络的所有节点间的连接系数进行二值化处理,将大于二值化阈值的连接系数置为1,将小于或等于二值化阈值的连接系数置为0,得到二值网络并发送给计算单元;计算单元,用于基于Gossip模型计算二值网络的传播耗时和传播的迭代次数并将计算结果发送给检测单元;其中,于Gossip模型计算二值网络的传播耗时和传播的迭代次数具体为:对于输入的二值网络,获取其最大连通图,在所述最大连通图中采用Gossip协议进行消息传播,其中,初始传播点为最大连通图中的节点度最高的节点,且消息传播时完成一次新消息的全部传播则停止,并将传播耗时和传播迭代的次数作为当前二值网络的传播耗时和传播的迭代次数;检测单元,存储有两个参考数据,第一参考数据为自闭症患者的传播耗时和传播的迭代次数,第二参考数据为正常对照者的传播耗时和传播的迭代次数,并将接收到的计算结果分别与两个参考数据进行比对以确定被检测者的检测结果:计算结果更接近第一参考数据,则被检测者患自病症的风险高,否则当前被检测者患自病症的风险低。
为了实现对检测结果的可视化输出,本发明实施例提供的基于Gossip模型的自闭症检测装置还包括输出显示单元,用于对检测单元确定的被检测者的检测结果进行可视化的输出显示。
在一种可能的实现方式中,所述检测单元确定被检测者的检测结果时,还包括:
计算所述计算结果中的传播耗时分别与第一、二参考数据中的传播耗时的偏差,以及计算所述计算结果中的传播的迭代次数分别与第一、二参考数据中的传播的迭代次数的偏差,并对各偏差进行数据的标准化处理;再将同一比较对象的两个偏差求和,与第一、二参考数据的偏差和分别记为第一参考偏差和第二参考偏差;
若第一参考偏差小于第二参考偏差,则则被检测者患自病症的风险高,否则当前被检测者患自病症的风险低。
在一种可能的实现方式中,计算单元基于Gossip模型计算二值网络的传播耗时和传播的迭代次数时,多次执行Gossip协议进行消息传播,记录每一次消息传播时的传播耗时和传播的迭代次数,将均值作为最终的传播耗时和传播的迭代次数并发送给检测单元,以进一步提升准确率。
在一种可能的实现方式中,所述脑结构网络构建单元采用皮尔逊相关系数计算各个脑区的脑灰质体积序列之间的相关系数,对于任一两个脑区i和j,其各自的脑灰质体积序列分别表示为ti和tj,定义n表示序列长度,则脑区i和j之间的脑灰质体积序列的相关系数可以表示为:其中,和表示ti和tj的均值,tik和tjk分别表示序列ti和tj的第k个元素,即k表示序列的编号(索引)。需要说明的是,本发明实施例中,相关系数的计算方式并不限于皮尔逊相关系数,也可以采用肯德尔相关系数。
在一种可能的实现方式中,脑结构网络构建单元采用最小密度对脑结构网络的所有节点间的连接系数进行二值化处理。即基于预置的密度的取值范围和步长,遍历所有密度离散值,将指定的网络拓扑性能(如特征路径长度,聚类系数、介数中心性、全局效率、局部效率)最好且密度取值最小的密度值作为二值化阈值。本发明实施例中,所设置的密度的取值范围为0.04~0.46,步长为0.02。
在一种可能的实现方式中,检测单元中存储的第一参考数据和第二参考数据的获取方式为:分别将多名自闭症患者的脑部静息态功能磁共振图序列输入所述基于Gossip模型的自闭症检测装置的图像处理单元,基于Gossip模型的自闭症检测装置的计算单元的计算结果得到每名自闭症患者的传播耗时和传播的迭代次数,对所有自闭症患者的传播耗时和传播的迭代次数分别取均值得到第一参考数据;分别将多名正常对照者的脑部静息态功能磁共振图序列输入所述基于Gossip模型的自闭症检测装置的图像处理单元,基于Gossip模型的自闭症检测装置的计算单元的计算结果得到每名正常对照者的传播耗时和传播的迭代次数,对所有正常对照者的传播耗时和传播的迭代次数分别取均值得到第二参考数据。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (8)
1.基于Gossip模型的自闭症检测装置,其特征在于,包括:图像处理单元、脑结构网络构建单元、计算单元和检测单元;
所述图像处理单元,用于对采集被检测者的脑部静息态功能磁共振图序列进行图像预处理,提取脑部静息态功能磁共振图中的脑灰质区域,得到脑灰质图像序列;并基于预置的脑区划分模板,对脑灰质图像序列中的各脑灰质图像进行脑区划分,获取每个脑区的脑灰质体积,得到每个脑区的脑灰质体积序列并发送给大脑结构网络构建单元;
所述脑结构网络构建单元,基于预置的相关系数计算规则,计算各个脑区的脑灰质体积序列之间的相关系数,将每个脑区作为一个节点,脑区的脑灰质体积序列之间的相关系数作为节点间的连接系数,得到脑结构网络;并对脑结构网络的所有节点间的连接系数进行二值化处理,将大于二值化阈值的连接系数置为1,将小于或等于二值化阈值的连接系数置为0,得到二值网络并发送给计算单元;
所述计算单元,用于基于Gossip模型计算二值网络的传播耗时和传播的迭代次数并将计算结果发送给检测单元;
其中,于Gossip模型计算二值网络的传播耗时和传播的迭代次数具体为:
对于输入的二值网络,获取其最大连通图,在所述最大连通图中采用Gossip协议进行消息传播,其中,初始传播点为最大连通图中的节点度最高的节点,且消息传播时完成一次新消息的全部传播则停止,并将传播耗时和传播迭代的次数作为当前二值网络的传播耗时和传播的迭代次数;
所述检测单元,存储有两个参考数据,第一参考数据为自闭症患者的传播耗时和传播的迭代次数,第二参考数据为正常对照者的传播耗时和传播的迭代次数,并将接收到的计算结果分别与两个参考数据进行比对以确定被检测者的检测结果:计算结果更接近第一参考数据,则被检测者患自病症的风险高,否则当前被检测者患自病症的风险低。
2.如权利要求1所述的装置,其特征在于,所述检测单元确定被检测者的检测结果时,还包括:
计算所述计算结果中的传播耗时分别与第一、二参考数据中的传播耗时的偏差,以及计算所述计算结果中的传播的迭代次数分别与第一、二参考数据中的传播的迭代次数的偏差,并对各偏差进行数据的标准化处理;再将同一比较对象的两个偏差求和,与第一、二参考数据的偏差和分别记为第一参考偏差和第二参考偏差;
若第一参考偏差小于第二参考偏差,则则被检测者患自病症的风险高,否则当前被检测者患自病症的风险低。
3.如权利要求1或2所述的装置,其特征在于,所述脑结构网络构建单元采用最小密度对脑结构网络的所有节点间的连接系数进行二值化处理。
4.如权利要求1所述的装置,其特征在于,所述第一参考数据和第二参考数据的获取方式为:
分别将多名自闭症患者的脑部静息态功能磁共振图序列输入所述基于Gossip模型的自闭症检测装置的图像处理单元,基于Gossip模型的自闭症检测装置的计算单元的计算结果得到每名自闭症患者的传播耗时和传播的迭代次数,对所有自闭症患者的传播耗时和传播的迭代次数分别取均值得到第一参考数据;
分别将多名正常对照者的脑部静息态功能磁共振图序列输入所述基于Gossip模型的自闭症检测装置的图像处理单元,基于Gossip模型的自闭症检测装置的计算单元的计算结果得到每名正常对照者的传播耗时和传播的迭代次数,对所有正常对照者的传播耗时和传播的迭代次数分别取均值得到第二参考数据。
5.如权利要求1所述的装置,其特征在于,所述计算单元基于Gossip模型计算二值网络的传播耗时和传播的迭代次数时,每次传播消息时选择的节点数为5。
6.如权利要求1所述的装置,其特征在于,所述脑结构网络构建单元采用皮尔逊相关系数计算各个脑区的脑灰质体积序列之间的相关系数。
7.如权利要求1所述的装置,其特征在于,还包括输出显示单元,用于对检测单元确定的被检测者的检测结果进行可视化的输出显示。
8.如权利要求1所述的装置,其特征在于,所述计算单元基于Gossip模型计算二值网络的传播耗时和传播的迭代次数时,多次执行Gossip协议进行消息传播,记录每一次消息传播时的传播耗时和传播的迭代次数,将均值作为最终的传播耗时和传播的迭代次数并发送给检测单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801547.1A CN113706458B (zh) | 2021-07-15 | 2021-07-15 | 基于Gossip模型的自闭症检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801547.1A CN113706458B (zh) | 2021-07-15 | 2021-07-15 | 基于Gossip模型的自闭症检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113706458A true CN113706458A (zh) | 2021-11-26 |
CN113706458B CN113706458B (zh) | 2023-03-28 |
Family
ID=78648639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110801547.1A Active CN113706458B (zh) | 2021-07-15 | 2021-07-15 | 基于Gossip模型的自闭症检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706458B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103154736A (zh) * | 2010-05-13 | 2013-06-12 | 新泽西医科和牙科大学 | 用于检测和诊断神经变性疾病的诊断性自身抗体谱 |
US20170311799A1 (en) * | 2016-04-29 | 2017-11-02 | Jonathan T. Holt | Systems, Methods, and Devices for Detection and Diagnosis of Brain Trauma, Mental Impairment, or Physical Disability |
CN108474036A (zh) * | 2015-06-15 | 2018-08-31 | 费城儿童医院 | 诊断和治疗自闭症的方法 |
CN109697718A (zh) * | 2018-12-25 | 2019-04-30 | 电子科技大学 | 一种基于图论的自闭症检测方法及装置 |
CN110840468A (zh) * | 2019-11-18 | 2020-02-28 | 深圳市铱硙医疗科技有限公司 | 自闭症风险评估方法及装置、终端设备、存储介质 |
CA3079431A1 (en) * | 2019-04-24 | 2020-10-24 | Interaxon Inc. | System and method for brain modelling |
-
2021
- 2021-07-15 CN CN202110801547.1A patent/CN113706458B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103154736A (zh) * | 2010-05-13 | 2013-06-12 | 新泽西医科和牙科大学 | 用于检测和诊断神经变性疾病的诊断性自身抗体谱 |
CN108474036A (zh) * | 2015-06-15 | 2018-08-31 | 费城儿童医院 | 诊断和治疗自闭症的方法 |
US20170311799A1 (en) * | 2016-04-29 | 2017-11-02 | Jonathan T. Holt | Systems, Methods, and Devices for Detection and Diagnosis of Brain Trauma, Mental Impairment, or Physical Disability |
CN109697718A (zh) * | 2018-12-25 | 2019-04-30 | 电子科技大学 | 一种基于图论的自闭症检测方法及装置 |
CA3079431A1 (en) * | 2019-04-24 | 2020-10-24 | Interaxon Inc. | System and method for brain modelling |
CN110840468A (zh) * | 2019-11-18 | 2020-02-28 | 深圳市铱硙医疗科技有限公司 | 自闭症风险评估方法及装置、终端设备、存储介质 |
Non-Patent Citations (4)
Title |
---|
XIAO YANG等: "fast predictive multimodal image registration", 《2017 IEEE 14TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING》 * |
孙小棋等: "改进模糊熵算法及其在孤独症儿童脑电分析中的应用", 《自动化学报》 * |
杨骁等: "结构层次脑机制研究及在大数据处理上的应用", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
赵学武等: "面向fMRI数据的人脑功能划分", 《科学通报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113706458B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359385B (zh) | 一种服务质量评估模型的训练方法及装置 | |
WO2020077682A1 (zh) | 一种服务质量评估模型的训练方法及装置 | |
Chakraborti et al. | Phase I statistical process control charts: An overview and some results | |
EP3545471A1 (en) | Distributed clinical workflow training of deep learning neural networks | |
CN109697455B (zh) | 配网开关设备的故障诊断方法及装置 | |
CN114009088B (zh) | 增强系统分析的方法 | |
CN109063747A (zh) | 基于深度学习的肠道病理切片图像识别分析系统及方法 | |
US20230035954A1 (en) | Method for establishing medicine synergism prediction model, prediction method and corresponding apparatus | |
CN107430645A (zh) | 用于重症监护病房中的实验室值自动化分析和风险通知的系统 | |
CN112599241A (zh) | 一种基于智慧终端的大健康医疗疾病辅助诊断系统及方法 | |
CN111884859B (zh) | 一种网络故障诊断方法、装置及可读存储介质 | |
Barash et al. | Respondent-driven sampling–testing assumptions: sampling with replacement | |
WO2018037388A1 (en) | Method and system for performing real-time analytics on a plurality of data streams | |
CN113706458B (zh) | 基于Gossip模型的自闭症检测装置 | |
CN116860562B (zh) | 一种用于数据中台数据质量的监控方法及系统 | |
WO2023093431A1 (zh) | 一种模型训练方法、装置、设备、存储介质和程序产品 | |
CN112561333A (zh) | 一种考核数据处理方法、装置、电子设备及存储介质 | |
CN110689954A (zh) | 一种多功能内分泌检测仪控制系统及控制方法 | |
Dyczkowski et al. | Federated learning with uncertainty on the example of a medical data | |
Uddin et al. | Time scale degree centrality: A time-variant approach to degree centrality measures | |
CN116096283A (zh) | 内窥镜插入和移除检测系统 | |
CN112153663B (zh) | 无线网络评估方法和装置 | |
Joseph et al. | Measurement bounds for compressed sensing in sensor networks with missing data | |
CN113870994A (zh) | 一种基于边缘计算和联邦学习的智慧医疗系统 | |
CN114330859A (zh) | 一种实时质量控制的优化方法、系统和设备 |
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 |