CN113947580B - 针对精神疾病实现神经影像辅助诊断处理的系统 - Google Patents

针对精神疾病实现神经影像辅助诊断处理的系统 Download PDF

Info

Publication number
CN113947580B
CN113947580B CN202111212750.1A CN202111212750A CN113947580B CN 113947580 B CN113947580 B CN 113947580B CN 202111212750 A CN202111212750 A CN 202111212750A CN 113947580 B CN113947580 B CN 113947580B
Authority
CN
China
Prior art keywords
image
neuroimaging
disease
feature library
mental
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
Application number
CN202111212750.1A
Other languages
English (en)
Other versions
CN113947580A (zh
Inventor
杨志
李青峰
姜丽娟
胡杨
张骁晨
丁悦
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.)
Shanghai Mental Health Center Shanghai Psychological Counselling Training Center
Original Assignee
Shanghai Mental Health Center Shanghai Psychological Counselling Training Center
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 Shanghai Mental Health Center Shanghai Psychological Counselling Training Center filed Critical Shanghai Mental Health Center Shanghai Psychological Counselling Training Center
Priority to CN202111212750.1A priority Critical patent/CN113947580B/zh
Publication of CN113947580A publication Critical patent/CN113947580A/zh
Application granted granted Critical
Publication of CN113947580B publication Critical patent/CN113947580B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及一种针对精神疾病实现神经影像辅助诊断处理的系统，包括精神疾病的神经影像特征库，组织和存储已确诊的精神疾病患者的神经影像特征；扫描仪校准器，校正不同扫描仪之间的系统误差；精神疾病识别器，根据影像特征识别不同精神疾病诊断类别；影像异常识别器，根据精神疾病的神经影像特征库，评估输入的影像特征与健康群体的相似性，并识别异常；疾病风险和干预收益评估器，根据异常情况得到风险情况。采用了本发明的针对精神疾病实现神经影像辅助诊断处理的系统，与人工影像检查报告并行使用，互为补充，为医师提供及时、客观、定量化的脑结构评估，提示受检查者的脑形态异常，并基于大量后台数据提示异常与精神疾病的关系。

Description

针对精神疾病实现神经影像辅助诊断处理的系统
技术领域
本发明涉及医学技术领域，尤其涉及医学影像数据信息领域，具体是指一种针对精神疾病实现神经影像辅助诊断处理的系统。
背景技术
精神疾病患者存在明显的脑结构和功能异常。但目前精神疾病诊断和治疗方法选择主要依赖于对症状的主观评估(如问诊和问卷评估)，而缺乏客观的测量手段，尤其是对脑的异常程度的评估手段。
神经影像技术依据核磁共振成像原理，以高分辨率反映个体的脑的结构、功能和代谢特征。神经影像技术已经被广泛的应用于神经内科和神经外科外科等医学领域，为发现和诊断脑的器质性病变提供必要信息。但神经影像技术在精神科领域仅用于脑异常的排查，尚未对精神疾病的诊断及治疗方案选择提供参考信息。
神经影像诊断主要依赖于人工读片，尚缺乏对脑的结构和功能异常的客观、定量化评估技术。
发明内容
本发明的目的是克服了上述现有技术的缺点，提供了一种满足准确性高、误差低、适用范围较为广泛的针对精神疾病实现神经影像辅助诊断处理的系统。
为了实现上述目的，本发明的针对精神疾病实现神经影像辅助诊断处理的系统如下：
该针对精神疾病实现神经影像辅助诊断处理的系统，其主要特点是，所述的系统包括：
神经影像特征库，用于组织和存储已确诊的精神疾病患者的神经影像特征；
扫描仪校准器，与所述的神经影像特征库相连接，用于校正不同扫描仪之间的系统误差；
精神疾病识别器，与所述的扫描仪校准器相连接，用于根据影像特征识别不同精神疾病诊断类别；
影像异常识别器，与所述的扫描仪校准器和神经影像特征库相连接，用于根据神经影像特征库，评估输入的影像特征与健康群体的相似性，并识别异常；
疾病风险和干预收益评估器，与所述的影像异常识别器和神经影像特征库相连接，用于根据影像异常识别器的功能指标的脑结构和功能指标异常情况，对异常的脑区指标，基于神经影像特征库中不同精神疾病人群的数据，计算该异常指标与健康人群的区分效应量，得出风险系数和风险提示。
较佳地，所述的扫描仪校准器包括生成对抗网络，对比多个扫描仪的数据与神经影像特征库中的数据，对任意扫描仪得到的同模态影像数据的扫描仪中心效应进行校正，使其与神经影像特征库中的已知中心数据的扫描仪中心效应保持一致。
较佳地，所述的精神疾病识别器包括：
第一阶段识别模块，与所述的扫描仪校准器相连接，用于通过深度学习网络对不同区域的脑影像进行特征提取，得到全脑的疾病判别置信度的分布；
第二阶段识别模块，与所述的第一阶段识别模块相连接，用于根据置信度分布情况，利用深度学习网络从全脑中疾病分类置信度最高的区域进行特征提取，得到疾病识别结果。
较佳地，所述的影像异常识别器识别送检患者大脑各结构分区的影像学指标相比健康人群的偏移程度，并对比经过扫描仪校准器处理的神经影像特征与数据库中的健康人影像特征，如果送检影像指标的排序大于95％或小于5％，则该影像特征为异常；否则，影像特征为正常。
较佳地，所述的疾病风险和干预收益评估器计算异常指标与健康人群的区分效应量，具体为：
根据以下公式计算异常指标与健康人群的区分效应量：
Figure BDA0003307666690000021
其中，Md为当前异常指标在神经影像特征库中的疾病人群中的取值的均值，Mh为当前异常指标在神经影像特征库中的健康人群中的取值的均值，Sd为当前异常指标在神经影像特征库中的疾病人群中的取值的标准差，Sh为当前异常指标在神经影像特征库中的健康人群中的取值的标准差。
较佳地，所述的系统还包括影像推断报告模块，与所述的精神疾病识别器、影像异常识别器、疾病风险和干预收益评估器相连接，用于汇总精神疾病识别器、影像异常识别器和疾病风险估计器的输出结果，以在线或离线文档形式呈现结果。
较佳地，所述的神经影像特征库的输入信息包括通过质量检查和标准化特征提取处理的神经影像信息，以及与对应的人口学特征。
采用了本发明的针对精神疾病实现神经影像辅助诊断处理的系统，可与人工影像检查报告并行使用，互为补充，或为人工影像报告提供“预诊”参考。为医师提供及时、客观、定量化的脑结构评估，提示受检查者的脑形态异常，并基于大量后台数据提示异常与精神疾病的关系。
附图说明
图1为本发明的针对精神疾病实现神经影像辅助诊断处理的系统的结构示意图。
具体实施方式
为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。
本发明的该针对精神疾病实现神经影像辅助诊断处理的系统，其中包括：
神经影像特征库，用于组织和存储已确诊的精神疾病患者的神经影像特征；
扫描仪校准器，与所述的神经影像特征库相连接，用于校正不同扫描仪之间的系统误差；
精神疾病识别器，与所述的扫描仪校准器相连接，用于根据影像特征识别不同精神疾病诊断类别；
影像异常识别器，与所述的扫描仪校准器和神经影像特征库相连接，用于根据神经影像特征库，评估输入的影像特征与健康群体的相似性，并识别异常；
疾病风险和干预收益评估器，与所述的影像异常识别器和神经影像特征库相连接，用于根据影像异常识别器的功能指标的脑结构和功能指标异常情况，对异常的脑区指标，基于神经影像特征库中不同精神疾病人群的数据，计算该异常指标与健康人群的区分效应量，得出风险系数和风险提示。
作为本发明的优选实施方式，所述的扫描仪校准器包括生成对抗网络，对比多个扫描仪的数据与神经影像特征库中的数据，对任意扫描仪得到的同模态影像数据的扫描仪中心效应进行校正，使其与神经影像特征库中的已知中心数据的扫描仪中心效应保持一致。
作为本发明的优选实施方式，所述的精神疾病识别器包括：
第一阶段识别模块，与所述的扫描仪校准器相连接，用于通过深度学习网络对不同区域的脑影像进行特征提取，得到全脑的疾病判别置信度的分布；
第二阶段识别模块，与所述的第一阶段识别模块相连接，用于根据置信度分布情况，利用深度学习网络从全脑中疾病分类置信度最高的区域进行特征提取，得到疾病识别结果。
作为本发明的优选实施方式，所述的影像异常识别器识别送检患者大脑各结构分区的影像学指标相比健康人群的偏移程度，并对比经过扫描仪校准器处理的神经影像特征与数据库中的健康人影像特征，如果送检影像指标的排序大于95％或小于5％，则该影像特征为异常；否则，影像特征为正常。
作为本发明的优选实施方式，所述的疾病风险和干预收益评估器计算异常指标与健康人群的区分效应量，具体为：
根据以下公式计算异常指标与健康人群的区分效应量：
Figure BDA0003307666690000041
其中，Md为当前异常指标在神经影像特征库中的疾病人群中的取值的均值，Mh为当前异常指标在神经影像特征库中的健康人群中的取值的均值，Sd为当前异常指标在神经影像特征库中的疾病人群中的取值的标准差，Sh为当前异常指标在神经影像特征库中的健康人群中的取值的标准差。
作为本发明的优选实施方式，所述的系统还包括影像推断报告模块，与所述的精神疾病识别器、影像异常识别器、疾病风险和干预收益评估器相连接，用于汇总精神疾病识别器、影像异常识别器和疾病风险估计器的输出结果，以在线或离线文档形式呈现结果。
作为本发明的优选实施方式，所述的神经影像特征库的输入信息包括通过质量检查和标准化特征提取处理的神经影像信息，以及与对应的人口学特征。
本发明的具体实施方式中，保护神经影像数据对精神疾病的诊断及治疗方案选择提供参考信息，其核心特征是：通过扫描仪校准器使该系统适用于不同扫描仪获取的数据；通过精神疾病识别器，依据影像特征推断精神疾病诊断类型；通过影像异常识别器推断神经影像特征的异常；通过疾病风险和干预收益估计器推断神经影像异常对于精神疾病诊断的风险，及预测不同治疗方法的作用；通过精神疾病的神经影像特征库为以上过程提供必要信息；通过影像推断报告组织和呈现以上信息。
本发明公开的方法为一套医学影像信息处理流程。其信息处理流如附图1所示。该处理流程的处理模块包括扫描仪校准器、精神疾病识别器、影像异常识别器、疾病风险和干预收益评估器及精神疾病的神经影像特征库。以下介绍各核心模块所实现的功能。
扫描仪校准器：校正不同扫描仪之间的系统误差。该校准器对比不同扫描仪数据与精神疾病的神经影像特征库中的数据，校正输入的影像特征后，分别输出给精神疾病识别器和影像异常识别器。
扫描仪校准器为一训练好的生成对抗网络，其可以对任意扫描仪得到的同模态影像数据的扫描仪中心效应进行校正，使其与神经影像特征库中的已知中心数据的扫描仪中心效应保持一致。
该模块亦可采用combat(Jean-PhilippeFortinetal.，2018)或回归分析等方法，拟合不同扫描仪获得的影像特征与特征库中的影像特征的系统性差异。利用该关系校准特定扫描仪产生的影像数据特征，从而达到减少扫描仪间差异的目的。
精神疾病识别器：基于大规模的神经影像数据训练的深度学习网络，它基于影像特征生成对不同精神疾病诊断类别的推断。
精神疾病识别器为一个两阶段深度学习网络框架。在第一阶段，一个深度学习网络通过对脑影像不同区域的特征提取，得到全脑的疾病判别置信度的分布；第二阶段，根据置信度分布情况，利用深度学习网络从全脑中疾病分类置信度最高的区域进行特征提取，得到最终的疾病识别结果。
影像异常识别器：基于精神疾病的神经影像特征库，评估输入的影像特征与健康群体的相似性，并识别异常。
影像异常识别器所识别的是送检患者大脑各结构分区(如海马、杏仁核、颞上回等)的体积/表面积/皮层厚度等影像学指标相比健康人群的偏移程度。该模块对比经过扫描仪校准器处理后的神经影像特征与数据库中的健康人影像特征，依据影像指标的数值大小从小到大排序。若受检影像指标的排序大于95％或小于5％，则判定为该影像特征为异常。
疾病风险和干预收益估计器：依据影像异常识别器发现的脑结构和功能指标异常，疾病风险和干预收益估计器结合精神疾病的神经影像特征库给出已发现的脑结构和功能指标异常在各类精神疾病诊断中的效应量和风险系数。该风险系数提示医生，某个脑的结构或功能特征的异常意味着受测者患各类精神疾病的风险。同时，该模块基于精神疾病的神经影像特征库生成对不同干预方法的收益预测。该信息提示医生各种干预手段发挥疗效的概率。
风险评估的计算：依据影像异常识别器发现的脑结构和功能指标的异常，对于送检样本检出异常的脑区指标，基于神经影像特征库中的不同精神疾病人群的数据，计算该指标与健康人群的区分效应量E：
Figure BDA0003307666690000051
其中，Md为当前异常指标在神经影像特征库中的疾病人群中的取值的均值，Mh为当前异常指标在神经影像特征库中的健康人群中的取值的均值，Sd为当前异常指标在神经影像特征库中的疾病人群中的取值的标准差，Sh为当前异常指标在神经影像特征库中的健康人群中的取值的标准差。
计算得到区分效应量E的绝对值越大，表示该影像指标在疾病人群与健康人群之间的差异越大，因此：1)若影像异常识别器发现了影像指标的异常，且疾病风险和干预收益评估器计算得到的该指标区分效应量的绝对值较大，证明送检患者的患病风险较大；2)若疾病风险和干预收益评估器计算得到的该指标区分效应量的绝对值较大，则提示针对该指标对应脑区的治疗等干预措施，预计将对患者的症状改善有较大帮助。精神疾病的神经影像特征库：组织和存储大量已确诊的精神疾病患者的神经影像特征，包含年龄、性别、教育程度等人口学信息、诊断类型、首发/复发、服药情况等临床信息，实现上述信息之间的相互联系和查询功能。
影像推断报告：汇总精神疾病识别器、影像异常识别器、和疾病风险估计器的输出结果，以在线或离线文档形式呈现。
本发明所公开的信息处理流程描述如下：
1.输入信息为1)通过质量检查和标准化特征提取处理的神经影像信息；2)与该信息相对应的人口学特征，如性别、年龄、教育程度、影像数据采集所用的扫描仪编号等。
2.通过质量检查和标准化特征提取处理的神经影像信息输入扫描仪校准器，获得校正后的影像特征。
3.校正后的影像特征分别输入到精神疾病识别器和影像异常识别器。
4.精神疾病识别器输出的疾病类型推断信息，并输入至影像推断报告。
5.影像异常识别器输出影像特征异常信息，输入至影像推断报告，同时输入至疾病风险和干预收益评估器。
6.疾病风险和干预收益评估器输出疾病风险和干预收益信息，并输入至影像推断报告。
7.人口学特征输入至精神疾病的神经影像特征库。
8.精神疾病的神经影像特征库向扫描仪校准器、影像异常识别器输出人口学特征匹配的健康人神经影像特征；向疾病风险和干预收益评估器输出人口学特征匹配的各类精神疾病人群的神经影像特征、治疗方法、及治疗收益信息。
本发明的系统的实施例的数据如下：
经2000例数据验证，在精神分裂症、抑郁症、双相障碍、强迫症四类主要严重精神疾病和健康人中，该系统识别精神分裂症的正确率为77％，抑郁症70％，双相障碍68％，强迫症88％，健康人84％。以上数据支持该系统为临床实践提供有效信息。
该系统能够依据影像数据解决临床需要，可与人工影像检查报告并行使用，互为补充，或为人工影像报告提供“预诊”参考。为医师提供及时、客观、定量化的脑结构评估，提示受检查者的脑形态异常，并基于大量后台数据提示异常与精神疾病的关系。本发明实现影像辅助诊断，为医师的诊断提供定量化检测手段和人工智能辅助。本发明的一个应用实例为嵌入到PACS系统和医生工作站之间，作为智能医疗信息系统的一部分。本发明也可以独立部署，作为独立的智能检验设备。
采用了本发明的针对精神疾病实现神经影像辅助诊断处理的系统，可与人工影像检查报告并行使用，互为补充，或为人工影像报告提供“预诊”参考。为医师提供及时、客观、定量化的脑结构评估，提示受检查者的脑形态异常，并基于大量后台数据提示异常与精神疾病的关系。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (5)

1.一种针对精神疾病实现神经影像辅助诊断处理的系统，其特征在于，所述的系统包括：
神经影像特征库，用于组织和存储已确诊的精神疾病患者的神经影像特征；
扫描仪校准器，与所述的神经影像特征库相连接，用于校正不同扫描仪之间的系统误差；
精神疾病识别器，与所述的扫描仪校准器相连接，用于根据影像特征识别不同精神疾病诊断类别；
影像异常识别器，与所述的扫描仪校准器和神经影像特征库相连接，用于根据神经影像特征库，评估输入的影像特征与健康群体的相似性，并识别异常；
疾病风险和干预收益评估器，与所述的影像异常识别器和神经影像特征库相连接，用于根据影像异常识别器的功能指标的脑结构和功能指标异常情况，对异常的脑区指标进行识别处理，并基于神经影像特征库中不同精神疾病人群的数据，计算该异常指标与健康人群的区分效应量，得出风险系数和风险提示；
所述的扫描仪校准器包括生成对抗网络，对比多个扫描仪的数据与神经影像特征库中的数据，对任意扫描仪得到的同模态影像数据的扫描仪中心效应进行校正，使其与神经影像特征库中的已知中心数据的扫描仪中心效应保持一致；
所述的影像异常识别器识别送检患者大脑各结构分区的影像学指标相比健康人群的偏移程度，并对比经过扫描仪校准器处理的神经影像特征与数据库中的健康人影像特征，依据影像指标的数值大小从小到大排序，如果送检影像指标的排序大于95％或小于5％，则该影像特征为异常；否则，影像特征为正常。
2.根据权利要求1所述的针对精神疾病实现神经影像辅助诊断处理的系统，其特征在于，所述的精神疾病识别器包括：
第一阶段识别模块，与所述的扫描仪校准器相连接，用于通过深度学习网络对不同区域的脑影像进行特征提取，得到全脑的疾病判别置信度的分布；
第二阶段识别模块，与所述的第一阶段识别模块相连接，用于根据置信度分布情况，利用深度学习网络从全脑中疾病分类置信度最高的区域进行特征提取，得到疾病识别结果。
3.根据权利要求1所述的针对精神疾病实现神经影像辅助诊断处理的系统，其特征在于，所述的疾病风险和干预收益评估器计算异常指标与健康人群的区分效应量，具体为：
根据以下公式计算异常指标与健康人群的区分效应量：
Figure FDA0003668264900000021
其中，Md为当前异常指标在神经影像特征库中的疾病人群中的取值的均值，Mh为当前异常指标在神经影像特征库中的健康人群中的取值的均值，Sd为当前异常指标在神经影像特征库中的疾病人群中的取值的标准差，Sh为当前异常指标在神经影像特征库中的健康人群中的取值的标准差。
4.根据权利要求1所述的针对精神疾病实现神经影像辅助诊断处理的系统，其特征在于，所述的系统还包括影像推断报告模块，与所述的精神疾病识别器、影像异常识别器、疾病风险和干预收益评估器相连接，用于汇总精神疾病识别器、影像异常识别器和疾病风险估计器的输出结果，以在线或离线文档形式呈现结果。
5.根据权利要求1所述的针对精神疾病实现神经影像辅助诊断处理的系统，其特征在于，所述的神经影像特征库的输入信息包括通过质量检查和标准化特征提取处理的神经影像信息，以及对应的人口学特征。
CN202111212750.1A 2021-10-18 2021-10-18 针对精神疾病实现神经影像辅助诊断处理的系统 Active CN113947580B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111212750.1A CN113947580B (zh) 2021-10-18 2021-10-18 针对精神疾病实现神经影像辅助诊断处理的系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111212750.1A CN113947580B (zh) 2021-10-18 2021-10-18 针对精神疾病实现神经影像辅助诊断处理的系统

Publications (2)

Publication Number Publication Date
CN113947580A CN113947580A (zh) 2022-01-18
CN113947580B true CN113947580B (zh) 2022-07-19

Family

ID=79331319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111212750.1A Active CN113947580B (zh) 2021-10-18 2021-10-18 针对精神疾病实现神经影像辅助诊断处理的系统

Country Status (1)

Country Link
CN (1) CN113947580B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112802000A (zh) * 2021-02-06 2021-05-14 上海集迈实业有限公司 多模态医学影像智能辅助诊疗系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200166525A1 (en) * 2017-07-25 2020-05-28 Toru Hasegawa Diagnosis-aiding method for determining neurodegenerative disease
JP6722845B2 (ja) * 2017-10-03 2020-07-15 株式会社国際電気通信基礎技術研究所 判別装置、うつ症状の判別方法、うつ症状のレベルの判定方法、うつ病患者の層別化方法、うつ症状の治療効果の判定方法及び脳活動訓練装置
CN110021037B (zh) * 2019-04-17 2020-12-29 南昌航空大学 一种基于生成对抗网络的图像非刚性配准方法及系统
CN110236543B (zh) * 2019-05-23 2021-06-11 东华大学 基于深度学习的阿尔茨海默病多分类诊断系统
CN110840468B (zh) * 2019-11-18 2022-04-22 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
CN111739647B (zh) * 2020-08-07 2021-08-03 暨南大学 基于磁共振影像的双相障碍自杀风险预测方法及相关装置
CN112037179B (zh) * 2020-08-11 2021-05-11 深圳大学 一种脑疾病诊断模型的生成方法、系统及设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112802000A (zh) * 2021-02-06 2021-05-14 上海集迈实业有限公司 多模态医学影像智能辅助诊疗系统

Also Published As

Publication number Publication date
CN113947580A (zh) 2022-01-18

Similar Documents

Publication Publication Date Title
Liu et al. Joint classification and regression via deep multi-task multi-channel learning for Alzheimer's disease diagnosis
US10898125B2 (en) Deep learning architecture for cognitive examination subscore trajectory prediction in Alzheimer's disease
CN111488914B (zh) 一种基于多任务学习的阿尔茨海默症分类及预测系统
CN108921233B (zh) 一种基于自编码网络的拉曼光谱数据分类方法
CN114999629B (zh) 一种基于多特征融合的ad早期预测方法、系统、装置
CN110911009A (zh) 一种临床诊断辅助决策系统和医学知识图谱积累方法
CN114549469A (zh) 一种基于置信度校准的深层神经网络医疗图像诊断方法
US20210082565A1 (en) Method and system for predicting neurological treatment
CN111243753B (zh) 一种面向医疗数据的多因素相关性交互式分析方法
CN112967803A (zh) 基于集成模型的急诊患者早期死亡率预测方法及系统
CN113160974B (zh) 一种基于超图聚类的精神疾病生物型发掘方法
CN115762781A (zh) 一种基于医疗大数据的危重症早期预警系统及方法
CN114999656B (zh) 一种阿尔兹海默病风险评估系统及模块
CN114628034A (zh) 阿尔兹海默症评估方法、系统、设备及存储介质
CN116864104A (zh) 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统
CN116344050A (zh) 一种基于多维度健康管理模型的评测方法
CN117174330A (zh) 一种基于机器学习的IgA肾病患者治疗方案推荐方法
CN106951710B (zh) 基于特权信息学习支持向量机的cap数据系统及方法
CN116504392A (zh) 一种基于数据分析的智能辅助诊断提示系统
Prasad et al. Deep learning approach for classification and interpretation of autism spectrum disorder
Ajabani Predicting Alzheimer's Progression in Mild Cognitive Impairment: Longitudinal MRI with HMMs and SVM Classifiers
CN114707608A (zh) 医疗质控数据处理方法、装置、设备、介质及程序产品
CN113947580B (zh) 针对精神疾病实现神经影像辅助诊断处理的系统
Kumar et al. Improving Normative Modeling for Multi-modal Neuroimaging Data using mixture-of-product-of-experts variational autoencoders
CN116452592B (zh) 脑血管病ai认知功能评测模型的构建方法、装置及系统

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