CN113808735A - 一种基于脑影像的精神疾病评估方法 - Google Patents

一种基于脑影像的精神疾病评估方法 Download PDF

Info

Publication number
CN113808735A
CN113808735A CN202111047400.4A CN202111047400A CN113808735A CN 113808735 A CN113808735 A CN 113808735A CN 202111047400 A CN202111047400 A CN 202111047400A CN 113808735 A CN113808735 A CN 113808735A
Authority
CN
China
Prior art keywords
brain image
tested
typical
subject
brain
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
Application number
CN202111047400.4A
Other languages
English (en)
Other versions
CN113808735B (zh
Inventor
杜宇慧
邢颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanxi University
Original Assignee
Shanxi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanxi University filed Critical Shanxi University
Priority to CN202111047400.4A priority Critical patent/CN113808735B/zh
Publication of CN113808735A publication Critical patent/CN113808735A/zh
Application granted granted Critical
Publication of CN113808735B publication Critical patent/CN113808735B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30016Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于脑影像的精神疾病评估方法,利用标签噪声过滤算法识别诊断标签置信度高的典型被试,并发掘更加可靠且具有显著组间差异的生物标志物。此外,基于多站点、多种疾病的典型被试构建多精神疾病的连续型诊断模型,为未标注被试提供指示其患病程度的连续型指标;通过本发明,能够利用诊断标签置信度高的典型被试挖掘具有显著组间差异的判别特征,可识别出具有鲁棒性的影像标志物;本发明基于脑影像客观指标为医生和患者提供可以指示患者患病程度的连续型指标,以达到早发现早治疗的目的。

Description

一种基于脑影像的精神疾病评估方法
技术领域
本发明涉及脑影像分析技术领域,特别是涉及一种基于脑影像的精神疾病评估方法。
背景技术
目前,精神疾病的诊断主要根据DSM(《精神疾病诊断和统计手册》)或ICD(《精神和行为障碍分类》)对患者的行为或临床表现进行评估。由于复杂的大脑结构无法保证症状与疾病的对应性,这导致了不同的精神疾病在临床症状上存在重叠性,甚至有些患者存在多种精神疾病症状。此外,对于谱系精神疾病而言,传统的离散型标签无法捕捉到精神疾病症状的临床变化。现有的精神疾病诊断方式导致了这类疾病的诊断不准确。脑影像技术的蓬勃发展为挖掘不同精神疾病间,以及精神疾病与健康对照间的客观且具有显著组间差异的标志物提供了数据支持。近些年,脑影像测度被广泛应用于挖掘生物标志物。已有研究基于有监督的特征选择算法和脑影像测度挖掘不同组被试间的差异之处。但是,基于错误标注的被试数据得出的研究结论有偏,使得找到的生物学标志物并不可靠。
因此,迫切的需要采用影像学测度,利用可靠且典型的已标注被试挖掘客观且鲁棒的影像学标志物,构建多精神疾病的连续型诊断模型,为未标注的被试提供连续型指标指示其脑功能或脑结构的变异程度,以辅助精神疾病的诊断和治疗,进而推动人类对大脑内在机制和疾病致病机理的认识。
发明内容
本发明为了缓解上述提到的问题,提供了一种基于脑影像的精神疾病评估方法。
本发明解决其技术问题所采取技术方案是:提供一种基于脑影像的精神疾病评估方法,包括:
步骤S1,从多个站点采集被试的脑影像数据,并对脑影像数据进行预处理,提取个体被试的脑影像特征;其中,每个站点包括健康被试和患有精神疾病的被试;
步骤S2,基于标签噪声过滤算法以及提取到的脑影像特征,分别从各个站点识别出标签置信度高的典型被试的脑影像特征;其中,识别出的典型被试包括典型健康被试和典型疾病被试;
步骤S3,基于特征选择算法以及从各个站点获得的典型被试的脑影像特征,识别具有显著组间差异的判别特征,基于距离度量寻找各类典型被试的最优代表被试,以建立针对多种精神疾病的诊断模型;
步骤S4,采集未标注被试的脑影像数据,获得对应的脑影像特征,输入训练好的诊断模型中,将输出的多元组分数作为未标注被试的脑影像精神疾病评估结果,用于指示其在不同精神疾病上的患病程度。
其中,从多个站点采集被试的脑影像数据,设定共采集到M类被试,其中1类为健康被试,M-1类为精神疾病被试。
其中,对采集到的被试的脑影像数据进行预处理,预处理方式包括层间校正、头动校正、空间标准化、空间平滑。
提取个体被试的脑影像特征,是基于被试预处理后的脑影像数据,计算被试的脑影像特征,包括脑功能网络连接特征、灰质体积和密度、皮层厚度。
其中,基于标签噪声过滤算法以及提取到的脑影像特征,分别从各个站点识别出标签置信度高的典型被试,包括:基于每一个站点全体被试的脑影像特征,利用标签噪声过滤算法去除标签置信度低的噪声被试,保留置信度高的被试作为典型被试;标签噪声过滤算法使用基于距离的方法、基于分类器的方法或是基于完备随机森林的方法。
其中,基于特征选择算法以及从各个站点获得的典型被试的脑影像特征,识别具有显著组间差异的判别特征,并建立针对多种精神疾病的诊断模型,为未标注被试提供多元组分数用于指示其在不同精神疾病上的患病程度的步骤包括:
(1)按照诊断标签,将各个站点获得的典型被试划分为M类;
(2)随机下采样:从M类典型被试中分别抽取等数目的典型被试,构成一个包含M类典型被试的子数据集Xs,1≤s≤T,T表示随机下采样次数;
(3)判别特征识别:基于特征选择算法方法和子数据集Xs,挖掘具有显著组间差异的特征作为判别特征;特征选择算法采用基于统计的方法、基于相似度的方法、基于信息论的方法、基于稀疏学习的方法;
(4)子数据集Xs中各类的代表被试选取:基于Xs及其判别特征,为各类被试选取一个代表被试。令
Figure BDA0003251359710000041
其中
Figure BDA0003251359710000042
表示Xs中属于第k类的被试集合,则Xs中第k类的代表被试可以表示为
Figure BDA0003251359710000043
Figure BDA0003251359710000044
其中,
Figure BDA0003251359710000045
Figure BDA0003251359710000046
Figure BDA0003251359710000047
表示
Figure BDA0003251359710000048
中被试xi的局部密度;Ne(xi)表示被试xi
Figure BDA0003251359710000049
内的近邻被试;
Figure BDA00032513597100000410
表示
Figure BDA00032513597100000411
中被试xi距离异类被试的平均距离;d(xi,xj)表示被试xi和被试xj的距离;q为指定参数;|·|表示集合的势;
(5)待诊断被试与子数据集Xs各类代表被试的相关性度量:令z表示待诊断被试,由一组脑影像特征表示,基于Xs的判别特征计算
Figure BDA00032513597100000412
用于表示待诊断被试z与Xs中第k类代表被试的相关性:
Figure BDA00032513597100000413
(6)评估待诊断被试z与各类典型被试的综合相关性:重复执行步骤(2-5)T次,计算
Figure BDA00032513597100000414
用于表示z与第k类典型被试的综合相关性:
Figure BDA00032513597100000415
(7)对于待诊断被试z,用于指示其在不同精神疾病上患病程度的M元组分数可以表示为:
Figure BDA0003251359710000051
本发明的基于脑影像的精神疾病评估方法,不同于已有的利用有监督特征选择算法挖掘疾病被试相对于正常被试在影像测度上差异的方法,利用标签噪声过滤算法识别诊断标签置信度高的典型被试,并发掘更加可靠且具有显著组间差异的生物标志物。此外,基于多站点、多种疾病的典型被试构建多精神疾病的连续型诊断模型,为未标注被试提供指示其患病程度的连续型指标;通过本发明,能够利用诊断标签置信度高的典型被试挖掘具有显著组间差异的判别特征,可识别出具有鲁棒性的影像标志物;本发明基于脑影像客观指标为医生和患者提供可以指示患者患病程度的连续型指标,以达到早发现早治疗的目的。
附图说明
图1是本发明提供的一种基于脑影像的精神疾病评估方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明做进一步的详细说明。
参照附图1,本发明提供一种基于脑影像的精神疾病评估方法,包括:
步骤S1,从多个站点采集被试的脑影像数据,并对脑影像数据进行预处理,提取个体被试的脑影像特征;其中,每个站点包括健康被试和患有精神疾病的被试;
步骤S2,基于标签噪声过滤算法以及提取到的脑影像特征,分别从各个站点识别出标签置信度高的典型被试的脑影像特征;其中,识别出的典型被试包括典型健康被试和典型疾病被试;
步骤S3,基于特征选择算法以及从各个站点获得的典型被试的脑影像特征,识别具有显著组间差异的判别特征,基于距离度量寻找各类典型被试的最优代表被试,以建立针对多种精神疾病的诊断模型;
步骤S4,采集未标注被试的脑影像数据,获得对应的脑影像特征,输入训练好的诊断模型中,将输出的多元组分数作为未标注被试的脑影像精神疾病评估结果,用于指示其在不同精神疾病上的患病程度。
由于大脑的复杂性、疾病的异质性和连续性,基于症状的主观诊断方式使得精神疾病误诊率较高,而且会导致提取的精神疾病影像标志并不可靠。本发明基于标签噪声过滤算法和脑影像特征,充分利用标签置信度高的被试构建一个针对多种精神疾病的诊断模型,为诊断标签未知(待诊断)的被试提供客观且连续的指标用于指示其患病程度。相比于传统的精神疾病主观诊断方式,本方法不仅可以利用客观的影像学测度挖掘更加可靠的生物学标志物以探索大脑的神经机制和疾病的致病机理,更重要的是本方法打破了原有精神疾病离散型诊断标签的局限性,为医生和患者提供可以指示患者患病程度的客观的连续型指标。
其中,从多个站点采集被试的脑影像数据,假设我们从多个站点共采集到M类被试,包含1类健康被试和M-1类精神疾病被试。
其中,对采集到的被试的脑影像数据进行预处理,以功能磁共振成像数据为例,预处理包括层间校正、头动校正、空间标准化、空间平滑等。
其中,基于经过预处理的每个被试的脑影像数据提取个体被试的脑影像特征,以经过预处理后的脑功能磁共振成像数据为例,可以使用假设驱动的方法计算不同脑区之间的相关系数作为脑功能连接特征,或使用数据驱动的方法得到空间功能网络和空间功能网络之间的连接特征。脑影像特征包括但不局限于上述特征。
其中,基于标签噪声过滤算法以及提取到的脑影像特征,分别从各个站点识别出标签置信度高的典型被。以完备随机森林噪声过滤算法为例,主要步骤包括:
(1)利用随机下采样方法采样被试,使得各组被试的数目平衡;
(2)为被采样到的被试建立多棵完备随机决策树,构成完备随机森林;其中,建树规则为:每棵树的根节点包含所有被采样的被试;随机选择特征和特征值,将每棵树的非叶子节点划分为两个子节点;每个节点的标签由节点内多数类被试的标签决定;
(3)判断被采样的被试是否属于候选典型被试;其中,判断规则为:对于森林中的每棵树中的每一个被试,计算该被试所在的叶子节点在向上回溯时,节点标签第一次改变后保持不变的最大层数,称为该被试在该树的噪声强度;若该被试在超过50%的树中的噪声强度小于给定阈值,该被试被认定为候选典型被试;
(4)重复上述步骤(1-3),直到所有的被试至少被采样一次;
(5)综合多次采样构建的多个森林,判断各被试是否属于典型被试;其中,判断规则为:假设被试被采样的次数为N,被判定为候选典型被试的频次为t(t≤N);若t/N>0.5,则该被试被判定为典型被试。识别标签置信度高的典型被试的方法包括但不局限于上述完备随机森林噪声过滤算法。
基于特征选择算法以及从各个站点获得的典型被试,建立一个针对多种精神疾病的诊断模型,为待诊断被试提供多元组分数用于指示其在不同精神疾病上的患病程度,主要步骤包括:
(1)按照诊断标签,将各个站点获得的典型被试划分为M类;
(2)随机下采样:从M类典型被试中分别抽取等数目的典型被试,构成一个包含M类典型被试的子数据集Xs,1≤s≤T,T表示随机下采样次数;
(3)判别特征识别:基于特征选择算法方法和子数据集Xs,挖掘具有显著组间差异的特征作为判别特征。以方差分析(ANOVA)方法为例,计算被试在每个脑影像特征上的组间p值,选择具有显著组间差异(p<0.01)的特征作为判别特征;
(4)子数据集Xs中各类的代表被试选取:基于Xs及其判别特征,为各类被试选取一个代表被试。令
Figure BDA0003251359710000081
其中
Figure BDA0003251359710000082
表示Xs中属于第k类的被试集合,则Xs中第k类的代表被试可以表示为
Figure BDA0003251359710000083
Figure BDA0003251359710000091
其中,
Figure BDA0003251359710000092
Figure BDA0003251359710000093
Figure BDA0003251359710000094
表示
Figure BDA0003251359710000095
中被试xi的局部密度;Ne(xi)表示被试xi
Figure BDA0003251359710000096
内的近邻被试;
Figure BDA0003251359710000097
表示
Figure BDA0003251359710000098
中被试xi距离异类被试的平均距离;d(xi,xj)表示被试xi和被试xj的距离;q为指定参数;|·|表示集合的势。
(5)待诊断被试与子数据集Xs各类代表被试的相关性度量:令z表示待诊断被试(由一组脑影像特征表示),基于Xs的判别特征计算
Figure BDA0003251359710000099
用于表示待诊断被试z与Xs中第k类代表被试的相关性:
Figure BDA00032513597100000910
(6)评估待诊断被试z与各类典型被试的综合相关性:重复执行步骤(2-5)T次,计算
Figure BDA00032513597100000911
用于表示z与第k类典型被试的综合相关性:
Figure BDA00032513597100000912
(7)对于待诊断被试z,用于指示其在不同精神疾病上患病程度的M元组分数可以表示为:
Figure BDA00032513597100000913
识别判别特征的方法包括但不局限于上述ANOVA方法。
本发明的方法不同于已有的利用有监督特征选择算法挖掘疾病被试在影像测度上异常的方法,本发明利用标签噪声过滤算法识别诊断标签置信度高的典型被试,并发掘更加可靠且具有显著组间差异的生物标志物。此外,基于多站点、多种疾病的典型被试构建多精神疾病的连续型诊断模型,为未标注被试提供指示其患病程度的连续型指标,其特色和创新主要在于:1)本发明利用置信度高的典型被试挖掘具有显著组间差异的判别特征,可识别出具有鲁棒性的影像标志物;2)本发明基于脑影像客观指标为医生和患者提供可以指示患者病程度的连续型指标,以达到早发现早治疗的目的。
需要强调的是,以上结合附图对本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不局限于上述的具体实施方式,凡是由本领域技术人员依据本发明的精神和原则所做出的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于脑影像的精神疾病评估方法,其特征在于,包括:
步骤S1,从多个站点采集被试的脑影像数据,并对脑影像数据进行预处理,提取个体被试的脑影像特征;其中,每个站点包括健康被试和患有精神疾病的被试;
步骤S2,基于标签噪声过滤算法以及提取到的脑影像特征,分别从各个站点识别出标签置信度高的典型被试的脑影像特征;其中,识别出的典型被试包括典型健康被试和典型疾病被试;
步骤S3,基于特征选择算法以及从各个站点获得的典型被试的脑影像特征,识别具有显著组间差异的判别特征,基于距离度量寻找各类典型被试的最优代表被试,以建立针对多种精神疾病的诊断模型;
步骤S4,采集未标注被试的脑影像数据,获得对应的脑影像特征,输入训练好的诊断模型中,将输出的多元组分数作为未标注被试的脑影像精神疾病评估结果,用于指示其在不同精神疾病上的患病程度。
2.根据权利要求1所述的基于脑影像的精神疾病评估方法,其特征在于,从多个站点采集被试的脑影像数据,设定共采集到M类被试,其中1类为健康被试,M-1类为精神疾病被试。
3.根据权利要求1所述的基于脑影像的精神疾病评估方法,其特征在于,对采集到的被试的脑影像数据进行预处理,预处理方式包括层间校正、头动校正、空间标准化、空间平滑。
4.根据权利要求1所述的基于脑影像的精神疾病评估方法,其特征在于,提取个体被试的脑影像特征,是基于被试预处理后的脑影像数据,计算被试的脑影像特征,包括脑功能网络连接特征、灰质体积和密度、皮层厚度。
5.根据权利要求1所述的基于脑影像的精神疾病评估方法,其特征在于,基于标签噪声过滤算法以及提取到的脑影像特征,分别从各个站点识别出标签置信度高的典型被试,包括:基于每一个站点全体被试的脑影像特征,利用标签噪声过滤算法去除标签置信度低的噪声被试,保留置信度高的被试作为典型被试;标签噪声过滤算法使用基于距离的方法、基于分类器的方法或是基于完备随机森林的方法。
6.根据权利要求1所述的基于脑影像的精神疾病评估方法,其特征在于,基于特征选择算法以及从各个站点获得的典型被试的脑影像特征,识别具有显著组间差异的判别特征,并建立针对多种精神疾病的诊断模型,为未标注被试提供多元组分数用于指示其在不同精神疾病上的患病程度的步骤包括:
(1)按照诊断标签,将各个站点获得的典型被试划分为M类;
(2)随机下采样:从M类典型被试中分别抽取等数目的典型被试,构成一个包含M类典型被试的子数据集Xs,1≤s≤T,T表示随机下采样次数;
(3)判别特征识别:基于特征选择算法方法和子数据集Xs,挖掘具有显著组间差异的特征作为判别特征;特征选择算法采用基于统计的方法、基于相似度的方法、基于信息论的方法、基于稀疏学习的方法;
(4)子数据集Xs中各类的代表被试选取:基于Xs及其判别特征,为各类被试选取一个代表被试。令
Figure FDA0003251359700000031
其中
Figure FDA0003251359700000032
表示Xs中属于第k类的被试集合,则Xs中第k类的代表被试表示为
Figure FDA0003251359700000033
Figure FDA0003251359700000034
其中,
Figure FDA0003251359700000035
Figure FDA0003251359700000036
Figure FDA0003251359700000037
表示
Figure FDA0003251359700000038
中被试xi的局部密度;Ne(xi)表示被试xi
Figure FDA0003251359700000039
内的近邻被试;
Figure FDA00032513597000000310
表示
Figure FDA00032513597000000311
中被试xi距离异类被试的平均距离;d(xi,xj)表示被试xi和被试xj的距离;q为指定参数;|·|表示集合的势;
(5)待诊断被试与子数据集Xs各类代表被试的相关性度量:令z表示待诊断被试,由一组脑影像特征表示,基于Xs的判别特征计算
Figure FDA00032513597000000312
用于表示待诊断被试z与Xs中第k类代表被试的相关性:
Figure FDA00032513597000000313
(6)评估待诊断被试z与各类典型被试的综合相关性:重复执行步骤(2-5)T次,计算
Figure FDA00032513597000000314
用于表示z与第k类典型被试的综合相关性:
Figure FDA0003251359700000041
(7)对于待诊断被试z,用于指示其在不同精神疾病上患病程度的M元组分数可以表示为:
Figure FDA0003251359700000042
CN202111047400.4A 2021-09-08 2021-09-08 一种基于脑影像的精神疾病评估方法 Active CN113808735B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111047400.4A CN113808735B (zh) 2021-09-08 2021-09-08 一种基于脑影像的精神疾病评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111047400.4A CN113808735B (zh) 2021-09-08 2021-09-08 一种基于脑影像的精神疾病评估方法

Publications (2)

Publication Number Publication Date
CN113808735A true CN113808735A (zh) 2021-12-17
CN113808735B CN113808735B (zh) 2024-03-12

Family

ID=78894912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111047400.4A Active CN113808735B (zh) 2021-09-08 2021-09-08 一种基于脑影像的精神疾病评估方法

Country Status (1)

Country Link
CN (1) CN113808735B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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 (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034778A (zh) * 2012-09-28 2013-04-10 中国科学院自动化研究所 适合多被试脑功能数据分析的个体脑功能网络提取方法
TWI628625B (zh) * 2017-05-17 2018-07-01 國立臺灣大學 產生針對腦部疾病之影像生物標記之方法
CN109359403A (zh) * 2018-10-29 2019-02-19 上海市同济医院 一种基于面孔表情识别磁共振成像的精神分裂症早期诊断模型及其应用
CN110010245A (zh) * 2019-03-20 2019-07-12 上海市精神卫生中心(上海市心理咨询培训中心) 一种精神疾病脑影像处理系统
WO2020014477A1 (en) * 2018-07-11 2020-01-16 The University Of North Carolina At Chapel Hill Methods, systems, and computer readable media for image analysis with deep learning to predict breast cancer classes
CN110739070A (zh) * 2019-09-26 2020-01-31 南京工业大学 一种基于3d卷积神经网络的脑疾病诊断方法
JP2020043927A (ja) * 2018-09-14 2020-03-26 富士フイルム株式会社 医用画像処理装置、方法およびプログラム
CN112418313A (zh) * 2020-11-23 2021-02-26 重庆邮电大学 一种大数据在线噪声过滤系统与方法
CN112990224A (zh) * 2021-02-04 2021-06-18 郑州航空工业管理学院 一种用于从fMRI数据中识别脑功能划分的粒子群方法
CN113160974A (zh) * 2021-04-16 2021-07-23 山西大学 一种基于超图聚类的精神疾病生物型发掘方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034778A (zh) * 2012-09-28 2013-04-10 中国科学院自动化研究所 适合多被试脑功能数据分析的个体脑功能网络提取方法
TWI628625B (zh) * 2017-05-17 2018-07-01 國立臺灣大學 產生針對腦部疾病之影像生物標記之方法
WO2020014477A1 (en) * 2018-07-11 2020-01-16 The University Of North Carolina At Chapel Hill Methods, systems, and computer readable media for image analysis with deep learning to predict breast cancer classes
JP2020043927A (ja) * 2018-09-14 2020-03-26 富士フイルム株式会社 医用画像処理装置、方法およびプログラム
CN109359403A (zh) * 2018-10-29 2019-02-19 上海市同济医院 一种基于面孔表情识别磁共振成像的精神分裂症早期诊断模型及其应用
CN110010245A (zh) * 2019-03-20 2019-07-12 上海市精神卫生中心(上海市心理咨询培训中心) 一种精神疾病脑影像处理系统
CN110739070A (zh) * 2019-09-26 2020-01-31 南京工业大学 一种基于3d卷积神经网络的脑疾病诊断方法
CN112418313A (zh) * 2020-11-23 2021-02-26 重庆邮电大学 一种大数据在线噪声过滤系统与方法
CN112990224A (zh) * 2021-02-04 2021-06-18 郑州航空工业管理学院 一种用于从fMRI数据中识别脑功能划分的粒子群方法
CN113160974A (zh) * 2021-04-16 2021-07-23 山西大学 一种基于超图聚类的精神疾病生物型发掘方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
雷炳业;潘嘉瑜;吴逢春;陆小兵;宁玉萍;陈军;吴凯;: "基于机器学习的神经精神疾病辅助诊断研究进展", 中国医学物理学杂志, no. 02 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113808735B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
CN107103187B (zh) 基于深度学习的肺结节检测分级与管理的方法及系统
Binder et al. Application of an artificial neural network in epiluminescence microscopy pattern analysis of pigmented skin lesions: a pilot study
CN112951413B (zh) 一种基于决策树和改进smote算法的哮喘病诊断系统
CN110680326B (zh) 基于深度卷积神经网络的尘肺病鉴别及分级判定方法
CN108511055B (zh) 基于分类器融合及诊断规则的室性早搏识别系统及方法
CN112259221A (zh) 基于多种机器学习算法的肺癌诊断系统
CN109009102B (zh) 一种基于脑电图深度学习的辅助诊断方法及系统
CN112598661B (zh) 一种基于机器学习的踝骨折及韧带损伤诊断方法
CN113113130A (zh) 一种肿瘤个体化诊疗方案推荐方法
CN111081379B (zh) 一种疾病概率决策方法及其系统
CN111370124A (zh) 一种基于面手部识别和大数据的健康分析系统及方法
CN112101413A (zh) 面向脑卒中风险预测的智能系统
CN114358194A (zh) 基于姿态跟踪的孤独症谱系障碍异常肢体行为检测方法
CN113593708A (zh) 基于集成学习算法的脓毒症预后预测方法
CN112256754A (zh) 基于标准模型的超声检测分析系统及方法
CN117116477A (zh) 基于随机森林和XGBoost的前列腺癌患病风险预测模型的构建方法及系统
CN113808735A (zh) 一种基于脑影像的精神疾病评估方法
CN116864140A (zh) 一种心内科术后护理监测数据处理方法及其系统
CN115984555A (zh) 一种基于深度自编码器构图的冠状动脉狭窄识别方法
CN109907751B (zh) 一种基于人工智能监督学习的实验室胸痛数据检查辅助识别方法
CN113674859A (zh) 一种心脏出生缺陷诊断方法及系统
CN115083616B (zh) 一种基于自监督图聚类的慢性肾病亚型挖掘系统
CN116228759A (zh) 肾细胞癌类型的计算机辅助诊断系统及设备
CN114287910A (zh) 一种基于多阶段图卷积融合的脑功能连接分类方法
CN112365992A (zh) 一种基于nrs-lda的医疗体检数据识别分析方法

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