CN113706459B - 一种自闭症患者异常脑区的检测及模拟修复装置 - Google Patents
一种自闭症患者异常脑区的检测及模拟修复装置 Download PDFInfo
- Publication number
- CN113706459B CN113706459B CN202110801908.2A CN202110801908A CN113706459B CN 113706459 B CN113706459 B CN 113706459B CN 202110801908 A CN202110801908 A CN 202110801908A CN 113706459 B CN113706459 B CN 113706459B
- Authority
- CN
- China
- Prior art keywords
- brain
- node
- nodes
- structure network
- autism
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Psychiatry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Educational Technology (AREA)
- Veterinary Medicine (AREA)
- Psychology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Hospice & Palliative Care (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Developmental Disabilities (AREA)
- Public Health (AREA)
- Social Psychology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Child & Adolescent Psychology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种自闭症患者异常脑区的检测及模拟修复装置,属于图像处理技术领域。本发明的自闭症患者异常脑区的检测装置包括图像数据处理单元、脑结构网络构建单元、网络层次分解单元、异常检测单元和存储单元,其通过对脑结构网络进行粗粒化,在对粗粒化后的结果进行统计分析来获得脑区连接上的变化,从而检测出异常脑区,即使使用更复杂的大脑分区模板,也能在较短时间得到检测结果。本发明能够有效统计出脑区连接的变化情况。同时,本发明还提供了一种基于上述自闭症患者异常脑区的检测装置的自闭症患者异常脑区的模拟修复装置,包括数据获取模块、模拟修复处理模块和输出显示模块,用于对检测出的异常脑区进行模拟修复处理。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种自闭症患者异常脑区的检测及模拟修复装置。
背景技术
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。在大尺度脑网络研究中,节点为一个定义好的脑区,而脑区划分有多个模板可供选择,如果选取AAL116模板,将有116个节点,选择AAL90模板,将有90个节点。而过多的节点不利于找出自闭症患者和正常对照者的差异脑区。
发明内容
本发明提供了一种自闭症患者异常脑区的检测及模拟修复装置,通过提升确定自病症患者异常变化的脑区的准确性,为治疗自病症提供靶点,以及对监测出的异常变化的脑区提供模拟修复,以便于直观的显示模拟修复的预期表现。
本发明采用的技术方案如下:
一种自闭症患者异常脑区的检测装置,包括:图像数据处理单元、脑结构网络构建单元、网络层次分解单元、异常检测单元和存储单元;
所述图像数据处理单元,用于对输入样本对象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,并将当前样本对象的所有脑区的脑灰质体积序列存储到所述存储单元;其中,样本对象包括自病症患者和正常对照者;
所述脑结构网络构建单元,从所述存储单元中读取每个样本对象的所有脑区的脑灰质体积序列,构建每个样本对象的脑结构网络并存储到所述存储单元;其中,每个样本对象的脑结构网络为: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强度,得到初始脑结构网络;并对初始脑结构网络的所有节点间的连接强度进行二值化处理,若连接强度大于指定的二值化阈值,则将连接强度置为1,否则置为0,再将初始脑结构网络中连接强度为0的连接边删除,得到最终的脑结构网络;
所述网络层次分解单元,从所述存储单元中读取每个样本对象的脑结构网络,提取每个样本对象的脑结构网络的最大连通图,并对最大连通图按照节点度对进行节点聚类处理,得到每个样本对象的节点聚类结果并存储到所述存储单元;
其中,按照节点度对进行节点聚类处理为:
将节点度d初始为1,处理图像G0为样本对象的脑结构网络的最大连通图;
基于当前的节点度d和处理图像Gd-1提取节点度d的节点聚类结果:查找处理图像Gd-1中节点度为d的节点,将当前查找的所有节点度为d的节点从处理图像Gd-1中删除,得到当前的子图并将当前查找的所有节点度为d的节点加入节点集合Sd中;继续查找当前的子图/>中节点度为d的节点,将当前查找的所有节点度为d的节点继续从子图/>中删除,得到当前的子图/>其中k表示查找次数,并将当前查找的所有节点度为d的节点加入节点集合Sd中,直到当前子图/>中不存在节点度为为d的节点,并将最后一次得到的子图记为处理图像Gd;其中,节点集合Sd的初始值为空;
若节点度d达到样本对象的脑结构网络的最大节点度D,则结束节点聚类处理,否则更新d=d+1后,再基于当前的节点度d和处理图像Gd-1提取节点度d的节点聚类结果;
异常检测单元,基于多个样本对象的节点聚类结果(所有的节点集合Sd)确定自病症的异常脑区:从所述存储单元中读取多个样本对象的节点聚类结果,并将样本对象分为两组:自闭症组和正常对照组,且两组的样本对象数量相同;统计两组中度数上升的节点和度数下降的节点,基于统计得到的节点所对应的脑区确定自病症的异常脑区。
进一步的,统计两组中度数上升的节点和度数下降的节点时,首先分别统计包括的节点数排在前两个的节点度;再基于正常对照组的前两个最大节点度集合,在自闭症患者组中统计度数上升和度数下降的节点。
进一步的,异常检测单元确定异常脑区的方式替换为:分别统计自病症组和正常对照组的每个样本对象的每个节点集合Sd包括的节点数,并基于每个节点对应的脑区,得到自闭症组和正常对照组的脑区-节点度分布对比图;
遍历每一个脑区,若正常组对照组和自闭症组的分布偏差大于指定的偏差范围,则将当前脑区作为自病症的异常脑区。
进一步的,所述异常检测单元还包括:对确定的自病症的异常脑区进行可视化的输出显示。
同时,本发明还提供了一种基于上述自闭症患者异常脑区的检测装置的自闭症患者异常脑区的模拟修复装置,包括数据获取模块、模拟修复处理模块和输出显示模块;所述数据获取模块用于从所述异常检测单元获取自病症组和正常对照组的样本对象的编号,以及从异常检测单元获取自病症组的度数下降的节点,基于节点对应的脑区,得到待模拟修复脑区;并将待模拟修复脑区、自病症组和正常对照组的样本对象的编号发送给模拟修复处理模块;
所述模拟修复处理模块,基于样本对象编号,从检测装置的存储单元中读取对应的脑结构网络,得到自闭症组和正常对照组的脑结构网络,并基于正常对照组的脑结构网络,对待模拟修复脑区的连接情况进行复原,得到自闭症组的复原脑结构网络并发送给输出显示模块;
所述输出显示模块,用于计算所述复原脑结构网络的网络拓扑属性,并对复原脑结构网络和其网络拓扑属性进行可视化的输出显示。
本发明提供的技术方案至少带来如下有益效果:本发明能够有效统计出脑区连接的变化情况。同时对脑区进行模拟修复后再结合网络拓扑属性进行分析,能观察模拟恢复后的大脑表现。
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是本发明实施例提供的一种自闭症患者异常脑区的检测装置的结构示意图;
图2是本发明实施例提供的一种一种自闭症患者异常脑区的模拟修复装置的结构示意图;
图3是本发明实施例中得到的脑区-节点度分布对比图示意。
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。
本发明实施例提供的自闭症患者异常脑区的检测装置,通过对脑结构网络进行粗粒化,在对粗粒化后的结果进行统计分析来获得脑区连接上的变化,从而检测出异常脑区,即使使用更复杂的大脑分区模板,也能在较短时间得到检测结果。
参见图1,本发明实施例提供的自闭症患者异常脑区的检测装置包括:图像数据处理单元、脑结构网络构建单元、网络层次分解单元、异常检测单元和存储单元;其中,图像数据处理单元,用于对输入样本对象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,并将当前样本对象的所有脑区的脑灰质体积序列存储到所述存储单元;其中,样本对象包括自病症患者和正常对照者;脑结构网络构建单元,从所述存储单元中读取每个样本对象的所有脑区的脑灰质体积序列,构建每个样本对象的脑结构网络并存储到所述存储单元;其中,每个样本对象的脑结构网络为: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强度,得到初始脑结构网络;并对初始脑结构网络的所有节点间的连接强度进行二值化处理,若连接强度大于指定的二值化阈值,则将连接强度置为1,否则置为0,再将初始脑结构网络中连接强度为0的连接边删除,得到最终的脑结构网络;网络层次分解单元,从所述存储单元中读取每个样本对象的脑结构网络,提取每个样本对象的脑结构网络的最大连通图,并对最大连通图按照节点度对进行节点聚类处理,得到每个样本对象的节点聚类结果并存储到所述存储单元;
其中,按照节点度对进行节点聚类处理是采用k-核分解的方式,递归分解度最小的节点,逐步分解出网络的层次结构,其具体实现过程为:
(1)初始处理的图像为脑结构网络的的最大连通图,将最大连通图(表示为图G0)中节点度为1的节点加入节点集合S1中,再将当前加入到集合S1中的节点从最大连通图中删除,得到子图若子图/>中还存在节点度为1的节点,则继续加入到集合S1中,并继续从子图/>中删除当前加入到集合S1中节点,得到子图/>继续重复该过程,直到当前得到的子图/>中不存在节点度为1的节点,其中k表示当前节点度的查找次数,将最后一次得到的子图/>记为图G1;
(2)按照上述步骤(1)的处理方式,将图G1作为当前的处理图像,继续寻找节点度为2的节点,即将图G1中节点度为2的节点加入集合S2中,并从图G1中删除当前加入集合S2的节点,得到子图若子图/>中还存在节点度为2的节点,则继续加入到集合S2中,直到当前得到的子图/>中不存在节点度为2的节点时停止,同样的,将最后一次得到的子图/>记为图G2;
(3)逐步增加节点度数,直到全部的节点都被加入对应的集合中,分解完成。
异常检测单元,基于多个样本对象的节点聚类结果(节点集合S1~SD,其中D表示当前脑结构网络的最大节点度)确定自病症的异常脑区:从存储单元中读取多个样本对象的节点聚类结果,并将样本对象分为两组:自闭症组和正常对照组,且两组的样本对象数量相同;统计两组中度数上升的节点和度数下降的节点,基于统计得到的节点所对应的脑区确定自病症的异常脑区。
同时,本发明还提供了一种自闭症患者异常脑区的模拟修复装置,参见图2,包括数据获取模块、模拟修复处理模块和输出显示模块;所述数据获取模块用于从本发明实施例提供的检测装置异常检测单元获取自病症组和正常对照组的样本对象的编号,以及从异常检测单元获取自病症组的度数下降的节点,基于节点对应的脑区,得到待模拟修复脑区;并将待模拟修复脑区、自病症组和正常对照组的样本对象的编号发送给模拟修复处理模块;所述模拟修复处理模块,基于样本对象编号,从检测装置的存储单元中读取对应的脑结构网络,得到自闭症组和正常对照组的脑结构网络,并基于正常对照组的脑结构网络,对待模拟修复脑区的连接情况进行复原,得到自闭症组的复原脑结构网络并发送给输出显示模块;所述输出显示模块,用于计算所述复原脑结构网络的网络拓扑属性,并对复原脑结构网络和其网络拓扑属性进行可视化的输出显示。
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、脑区的聚类系数等)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0.04~0.8,步长为0.04,共计20个密度值。
其中,特征路径长度,指网络中随机节点的最短路径长度的平均值。
介数中心性,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,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。
局部效率,节点会和邻接的节点构成子网络,基于全部子网络的全局效率均值得到局部效率。
在一种可能的实现方式中,还可以将异常检测单元确定异常脑区的方式替换为:分别统计自病症组和正常对照组的每个样本对象的每个节点集合Sd(d=1,…,D)包括的节点数,并基于每个节点对应的脑区,得到自闭症组和正常对照组的脑区-节点度分布对比图;遍历每一个脑区,若正常组对照组和自闭症组的分布偏差大于指定的偏差范围,则将当前脑区作为自病症的异常脑区。
在一种可能的实现方式中,以密度阈值为0.12对脑结构网络进行二值化处理以后,再基于所得到的脑结构网络的最大连通图进行k-核分解,所获得的脑区-节点度分布对比图如图3所示,其中,最大节点度为14°。分解之后,正常对照组的11°的节点最多,其次是9°。自闭症患者组的14°对应的节点数最多,其次是6°。自闭症患者组更多连接指向特定脑区。即在统计两组中度数上升的节点和度数下降的节点时,首先分别统计包括的节点数排在前两个的节点度;再基于正常对照组的前两个最大节点度,在自闭症患者组中统计度数上升和度数下降的节点。具体方式可以为:
对于正常对照组,排在前两个的节点度进行大小比较,将较大项记为较小项记为/>同样的,将自闭症组排在前两个的节点度进行大小比较,将较大项记为/>较小项记为/>以脑区为横轴x,节点度为纵轴y,则可以得到四条直线,分别为
再分别基于两组中较大项所对应的直线和较小项所对应的直线的统计度数上升和度数下降的节点,得到异常脑区:
比较y1和y3,将位于直线y1上方且处于直线y3上的脑区作为自闭症患者组中度数上升的节点;比较y2和y4,将位于直线y2下方且处于直线y4上的脑区作为自闭症患者组中度数下升的节点。
例如对应于图3所示的脑区-节点度分布对比图,则有:y1=11°,y2=9°,y3=14°,y4=6°,按照上述统计方式,可得到对应的度数上升和度数下降的节点,如表1所示。
表1粗粒化节点度变化统计
表1中,下划线“_”前的字母用于表征各个脑区的名称,下划线“_”后的字母“R”和“L”用于区分左、右脑区,R——右,L——左。
基于模拟修复装置的模拟修复操作过程为:将度下降(节点度下降)的自闭症脑区的全部连接用正常对照组的连接情况进行替换。具体方法为,将自闭症的结构网络邻接矩阵每个度下降脑区的列用正常对照组结构网络邻接矩阵的对应列进行替换。同时观察模拟修复后结构网络的全局效率、局部效率和聚类系数。局部效率和聚类系数变化不大,全局效率接近正常对照组。对图3所示的脑区-节点度分布对比图进行模拟修复后的网络拓扑属性如表2所示:
表2
本发明实施例所提供的自闭症患者异常脑区的检测装置通过对脑结构网络进行粗粒化,在对粗粒化后的结果进行统计分析来获得脑区连接上的变化。即使使用更复杂的大脑分区模板,也能在较短时间得到异常脑区的检测结果。同时对异常脑区提供模拟修复,并对模拟修复后的网络拓扑属性进行直观的可视化输出,以提供辅助治疗的用途。
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 (7)
1.一种自闭症患者异常脑区的检测装置,其特征在于,包括:图像数据处理单元、脑结构网络构建单元、网络层次分解单元、异常检测单元和存储单元;
所述图像数据处理单元,用于对输入样本对象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,并将当前样本对象的所有脑区的脑灰质体积序列存储到所述存储单元;其中,样本对象包括自病症患者和正常对照者;
所述脑结构网络构建单元,从所述存储单元中读取每个样本对象的所有脑区的脑灰质体积序列,构建每个样本对象的脑结构网络并存储到所述存储单元;其中,每个样本对象的脑结构网络为: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强度,得到初始脑结构网络;并对初始脑结构网络的所有节点间的连接强度进行二值化处理,若连接强度大于指定的二值化阈值,则将连接强度置为1,否则置为0,再将初始脑结构网络中连接强度为0的连接边删除,得到最终的脑结构网络;
所述网络层次分解单元,从所述存储单元中读取每个样本对象的脑结构网络,提取每个样本对象的脑结构网络的最大连通图,并对最大连通图按照节点度对进行节点聚类处理,得到每个样本对象的节点聚类结果并存储到所述存储单元;
其中,按照节点度对进行节点聚类处理为:
将节点度d初始为1,处理图像G0为样本对象的脑结构网络的最大连通图;
基于当前的节点度d和处理图像Gd-1提取节点度d的节点聚类结果:查找处理图像Gd-1中节点度为d的节点,将当前查找的所有节点度为d的节点从处理图像Gd-1中删除,得到当前的子图并将当前查找的所有节点度为d的节点加入节点集合Sd中;继续查找当前的子图中节点度为d的节点,将当前查找的所有节点度为d的节点继续从子图/>中删除,得到当前的子图/>其中k表示查找次数,并将当前查找的所有节点度为d的节点加入节点集合Sd中,直到当前子图/>中不存在节点度为d的节点,并将最后一次得到的子图/>记为处理图像Gd;其中,节点集合Sd的初始值为空;
若节点度d达到样本对象的脑结构网络的最大节点度D,则结束节点聚类处理,否则更新d=d+1后,再基于当前的节点度d和处理图像Gd-1提取节点度d的节点聚类结果;
异常检测单元,基于多个样本对象的节点聚类结果确定自病症的异常脑区:从所述存储单元中读取多个样本对象的节点聚类结果,并将样本对象分为两组:自闭症组和正常对照组,且两组的样本对象数量相同;统计两组中度数上升的节点和度数下降的节点,基于统计得到的节点所对应的脑区确定自病症的异常脑区。
2.如权利要求1所述的检测装置,其特征在于,所述异常检测单元在统计两组中度数上升的节点和度数下降的节点时,首先分别统计包括的节点数排在前两个的节点度;再基于正常对照组的前两个最大节点度集合,在自闭症患者组中统计度数上升和度数下降的节点。
3.如权利要求1所述的检测装置,其特征在于,将异常检测单元确定异常脑区的方式替换为:分别统计自闭症组和正常对照组的每个样本对象的每个节点集合Sd包括的节点数,并基于每个节点对应的脑区,得到自闭症组和正常对照组的脑区-节点度分布对比图;遍历每一个脑区,若正常对照组和自闭症组的分布偏差大于指定的偏差范围,则将当前脑区作为自病症的异常脑区。
4.如权利要求1所述的检测装置,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。
5.如权利要求1所述的检测装置,其特征在于,所述异常检测单元还包括:对确定的自病症的异常脑区进行可视化的输出显示。
6.一种自闭症患者异常脑区的模拟修复装置,包括数据获取模块、模拟修复处理模块和输出显示模块;所述数据获取模块用于从权利要求1至4任一项所述的检测装置异常检测单元获取自闭症组和正常对照组的样本对象的编号,以及从异常检测单元获取自闭症组的度数下降的节点,基于节点对应的脑区,得到待模拟修复脑区;并将待模拟修复脑区、自闭症组和正常对照组的样本对象的编号发送给模拟修复处理模块;
所述模拟修复处理模块,基于样本对象编号,从检测装置的存储单元中读取对应的脑结构网络,得到自闭症组和正常对照组的脑结构网络,并基于正常对照组的脑结构网络,对待模拟修复脑区的连接情况进行复原,得到自闭症组的复原脑结构网络并发送给输出显示模块;
所述输出显示模块,用于计算所述复原脑结构网络的网络拓扑属性,并对复原脑结构网络和其网络拓扑属性进行可视化的输出显示。
7.如权利要求6所述的模拟修复装置,所述网络拓扑属性包括全局效率、局部效率和聚类系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801908.2A CN113706459B (zh) | 2021-07-15 | 2021-07-15 | 一种自闭症患者异常脑区的检测及模拟修复装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801908.2A CN113706459B (zh) | 2021-07-15 | 2021-07-15 | 一种自闭症患者异常脑区的检测及模拟修复装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113706459A CN113706459A (zh) | 2021-11-26 |
CN113706459B true CN113706459B (zh) | 2023-06-20 |
Family
ID=78648935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110801908.2A Active CN113706459B (zh) | 2021-07-15 | 2021-07-15 | 一种自闭症患者异常脑区的检测及模拟修复装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706459B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114521905A (zh) * | 2022-01-25 | 2022-05-24 | 中山大学 | 一种基于同步连接特征的脑电信号处理方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016109449A1 (en) * | 2014-12-29 | 2016-07-07 | The Board Of Trustees Of The Leland Stanford Junior University | Methods of diagnosing autism spectrum disorders |
CN108433721A (zh) * | 2018-01-30 | 2018-08-24 | 浙江凡聚科技有限公司 | 基于虚拟现实的脑功能网络检测和调控的训练方法及系统 |
CN109936848A (zh) * | 2019-03-01 | 2019-06-25 | 广东工业大学 | 一种伪接入点的检测方法、装置和计算机可读存储介质 |
CN110169770A (zh) * | 2019-05-24 | 2019-08-27 | 西安电子科技大学 | 情绪脑电的细粒度可视化系统和方法 |
CN110443798A (zh) * | 2018-12-25 | 2019-11-12 | 电子科技大学 | 一种基于磁共振图像的自闭症检测方法、装置及系统 |
CN110491501A (zh) * | 2019-08-14 | 2019-11-22 | 电子科技大学 | 一种青少年孤独症大脑功能网络模型分析方法 |
CN110503568A (zh) * | 2019-08-19 | 2019-11-26 | 阿里巴巴集团控股有限公司 | 一种社区划分方法、系统及设备 |
CN110995866A (zh) * | 2019-12-20 | 2020-04-10 | 深圳市网心科技有限公司 | 节点调度方法、装置、调度服务器及存储介质 |
CN111460234A (zh) * | 2020-03-26 | 2020-07-28 | 平安科技(深圳)有限公司 | 图查询方法、装置、电子设备及计算机可读存储介质 |
CN111540467A (zh) * | 2020-04-21 | 2020-08-14 | 五邑大学 | 精神分裂症分类识别方法、运行控制装置及医疗设备 |
CN112634214A (zh) * | 2020-12-15 | 2021-04-09 | 太原理工大学 | 一种结合节点属性与多层次拓扑的脑网络分类方法 |
CN112862751A (zh) * | 2020-12-30 | 2021-05-28 | 电子科技大学 | 一种用于自闭症的自动诊断装置 |
CN113040715A (zh) * | 2021-03-09 | 2021-06-29 | 北京工业大学 | 一种基于卷积神经网络的人脑功能网络分类方法 |
CN113065037A (zh) * | 2021-04-15 | 2021-07-02 | 河南大学 | 一种基于密度峰值优化的标签传播社团检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10262414B2 (en) * | 2015-07-29 | 2019-04-16 | University Of Louisville Research Foundation, Inc. | Computer aided diagnostic system for mapping of brain images |
-
2021
- 2021-07-15 CN CN202110801908.2A patent/CN113706459B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016109449A1 (en) * | 2014-12-29 | 2016-07-07 | The Board Of Trustees Of The Leland Stanford Junior University | Methods of diagnosing autism spectrum disorders |
CN108433721A (zh) * | 2018-01-30 | 2018-08-24 | 浙江凡聚科技有限公司 | 基于虚拟现实的脑功能网络检测和调控的训练方法及系统 |
CN110443798A (zh) * | 2018-12-25 | 2019-11-12 | 电子科技大学 | 一种基于磁共振图像的自闭症检测方法、装置及系统 |
CN109936848A (zh) * | 2019-03-01 | 2019-06-25 | 广东工业大学 | 一种伪接入点的检测方法、装置和计算机可读存储介质 |
CN110169770A (zh) * | 2019-05-24 | 2019-08-27 | 西安电子科技大学 | 情绪脑电的细粒度可视化系统和方法 |
CN110491501A (zh) * | 2019-08-14 | 2019-11-22 | 电子科技大学 | 一种青少年孤独症大脑功能网络模型分析方法 |
CN110503568A (zh) * | 2019-08-19 | 2019-11-26 | 阿里巴巴集团控股有限公司 | 一种社区划分方法、系统及设备 |
CN110995866A (zh) * | 2019-12-20 | 2020-04-10 | 深圳市网心科技有限公司 | 节点调度方法、装置、调度服务器及存储介质 |
CN111460234A (zh) * | 2020-03-26 | 2020-07-28 | 平安科技(深圳)有限公司 | 图查询方法、装置、电子设备及计算机可读存储介质 |
CN111540467A (zh) * | 2020-04-21 | 2020-08-14 | 五邑大学 | 精神分裂症分类识别方法、运行控制装置及医疗设备 |
CN112634214A (zh) * | 2020-12-15 | 2021-04-09 | 太原理工大学 | 一种结合节点属性与多层次拓扑的脑网络分类方法 |
CN112862751A (zh) * | 2020-12-30 | 2021-05-28 | 电子科技大学 | 一种用于自闭症的自动诊断装置 |
CN113040715A (zh) * | 2021-03-09 | 2021-06-29 | 北京工业大学 | 一种基于卷积神经网络的人脑功能网络分类方法 |
CN113065037A (zh) * | 2021-04-15 | 2021-07-02 | 河南大学 | 一种基于密度峰值优化的标签传播社团检测方法及装置 |
Non-Patent Citations (5)
Title |
---|
Madelaine Daianu等."Breakdown of Brain connectivity Between Normal Aging and Alzheimer's Disease:A Structual k-core network Analysis".《Brain Connectivity》.2013,第3卷(第4期),第7-22页. * |
X.Chen等."Reproducibility of R-fMRI metrics on the impact of different strategies for multiple comparisoon correction and sample sizes".《Human brain mapping》.2018,第39卷(第1期),第300-318页. * |
丁志新."基于复杂网络的人脑研究及其应用".《中国优秀硕士学位论文全文数据库》.2020,第A002-282页. * |
崔晓红等."静息态功能脑网络核心节点评价方法及其在抑郁症分类上的应用".《太原理工大学学报》.2018,第440-444页. * |
胡绮莉 ; 王湘彬 ; 李芸菲 ; 宋英杰 ; 孟凡华 ; 张思斯 ; 赵小虎 ; .基于DTI数据分析轻度认知功能障碍患者脑结构网络.中国医学影像技术.2020,第36卷(第07期),第986-990页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113706459A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104102745B (zh) | 基于局部最小边的复杂网络社团挖掘方法 | |
Dai et al. | Decomposition-based Bayesian network structure learning algorithm using local topology information | |
WO2016165378A1 (zh) | 一种储能电站海量数据清洗方法及系统 | |
CN109284626A (zh) | 面向差分隐私保护的随机森林算法 | |
CN112800115B (zh) | 数据处理方法及数据处理装置 | |
Yu et al. | Motifs in big networks: Methods and applications | |
WO2020211466A1 (zh) | 一种非冗余基因集聚类方法、系统及电子设备 | |
CN113706459B (zh) | 一种自闭症患者异常脑区的检测及模拟修复装置 | |
Nuiaa et al. | Evolving Dynamic Fuzzy Clustering (EDFC) to Enhance DRDoS_DNS Attacks Detection Mechnism. | |
WO2016106944A1 (zh) | MapReduce平台上的虚拟人建立方法 | |
CN108470251B (zh) | 基于平均互信息的社区划分质量评价方法及系统 | |
CN112069227B (zh) | 一种面向事件序列的因果建模方法及装置 | |
WO2016112618A1 (zh) | 一种基于距离的求解二维空间中代表性节点集的算法 | |
CN105824853A (zh) | 聚类设备和方法 | |
CN105162648B (zh) | 基于骨干网络扩展的社团检测方法 | |
CN114493243B (zh) | 一种基于岭模型树算法的山洪灾害易发性评估方法 | |
CN117135037A (zh) | 网络流量性能异常界定方法及装置 | |
CN114188024A (zh) | 基于畜禽疾病知识图谱的畜禽疾病的预测分类方法 | |
CN108846543B (zh) | 一种非重叠社区集合质量度量指标的计算方法及装置 | |
CN112579831A (zh) | 基于SimRank全局矩阵平滑收敛的网络社区发现方法、装置及存储介质 | |
Bo et al. | Detecting dense subgraphs in complex networks based on edge density coefficient | |
CN104915371A (zh) | 一种面向多实体稀疏关系的联合挖掘方法 | |
Zhang et al. | Brittleness analysis and important nodes discovery in large time-evolving complex networks | |
CN117373036B (zh) | 基于智能ai的数据分析处理方法 | |
Yang et al. | An effective method for complex network community detection based on hierarchical splitting |
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 |