CN114188013A - 一种阿尔兹海默症的认知及脑影像数据整合评估方法 - Google Patents
一种阿尔兹海默症的认知及脑影像数据整合评估方法 Download PDFInfo
- Publication number
- CN114188013A CN114188013A CN202111017552.XA CN202111017552A CN114188013A CN 114188013 A CN114188013 A CN 114188013A CN 202111017552 A CN202111017552 A CN 202111017552A CN 114188013 A CN114188013 A CN 114188013A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- cognitive
- brain
- alzheimer
- 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.)
- Pending
Links
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 57
- 210000004556 brain Anatomy 0.000 title claims abstract description 48
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 43
- 238000011156 evaluation Methods 0.000 title claims abstract description 39
- 230000010354 integration Effects 0.000 title abstract description 14
- 230000003925 brain function Effects 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims abstract description 29
- 230000003920 cognitive function Effects 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 210000001320 hippocampus Anatomy 0.000 claims abstract description 13
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 33
- 230000001537 neural effect Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 29
- 208000010877 cognitive disease Diseases 0.000 claims description 23
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 22
- 230000003542 behavioural effect Effects 0.000 claims description 21
- 208000027061 mild cognitive impairment Diseases 0.000 claims description 20
- 238000012706 support-vector machine Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000000284 resting effect Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000019771 cognition Effects 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013398 bayesian method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 230000004886 head movement Effects 0.000 claims description 6
- 230000000971 hippocampal effect Effects 0.000 claims description 6
- 238000004445 quantitative analysis Methods 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 4
- 238000013499 data model Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012067 mathematical method Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims 1
- 238000002610 neuroimaging Methods 0.000 abstract description 7
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000012880 independent component analysis Methods 0.000 description 9
- 230000001364 causal effect Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 230000002146 bilateral effect Effects 0.000 description 4
- 210000003128 head Anatomy 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 238000013399 early diagnosis Methods 0.000 description 3
- 230000003557 neuropsychological effect Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 210000004326 gyrus cinguli Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 210000004885 white matter Anatomy 0.000 description 2
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 208000031124 Dementia Alzheimer type Diseases 0.000 description 1
- 208000034347 Faecal incontinence Diseases 0.000 description 1
- 208000004547 Hallucinations Diseases 0.000 description 1
- 206010026749 Mania Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 208000016285 Movement disease Diseases 0.000 description 1
- 206010034719 Personality change Diseases 0.000 description 1
- 208000037048 Prodromal Symptoms Diseases 0.000 description 1
- 206010039966 Senile dementia Diseases 0.000 description 1
- 208000003028 Stuttering Diseases 0.000 description 1
- 206010046543 Urinary incontinence Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 210000004727 amygdala Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 230000008449 language Effects 0.000 description 1
- 208000011977 language disease Diseases 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 210000002442 prefrontal cortex Anatomy 0.000 description 1
- 230000002360 prefrontal effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 108020001568 subdomains Proteins 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及在线辅助测评领域，具体涉及一种阿尔兹海默症的认知及脑影像数据整合评估方法。根据本发明的方法，首先进行认知功能多领域的筛查和评估，达成认知功能的快速筛查和详细评估的目的，然后进行多模态磁共振成像数据分析，包括：提取海马体积及形状分析，计算认知相关脑功能网络的功能连接值，作为神经影像方面的指标对脑功能进行评估。再进行认知及神经的贝叶斯联合建模，最后使用监督学习分类识别阿尔兹海默症的特异性变化模式。
Description
技术领域
本发明涉及在线辅助测评领域，具体涉及一种阿尔兹海默症的认知及脑影像数据整合评估方法。
背景技术
阿尔兹海默症(Alzheimer's Disease,AD)是一种起病隐匿且不可逆的神经系统退行性疾病。
轻度认知障碍(Mild Cognitive Impairment,MCI)是前人所提出的阿尔兹海默症的一种前驱状态，是介于正常衰老与痴呆之间的一种中间状态。轻度认知障碍可作为阿尔兹海默症的“预报器”，如果能及早发现此状态并给予适当的干预治疗，就可以延缓阿尔兹海默症的进展。所以，正确诊断阿尔兹海默症，尤其是正确诊断其早期阶段的轻度认知障碍，对阿尔兹海默症的预防、早期发现与治疗干预至关重要。
认知功能多领域的筛查和评估可有效地甄别认知功能障碍患者。常见老年痴呆的早期信号可能包含以下几种：(1)记忆障碍：常常表现为“丢三落四”、“说完就忘”，同一问题反复提问。(2)视空间技能障碍：不能准确地判断物品的位置，找不到自己的房间、床，分不清衣服的左右、反正。(3)语言障碍：虽然口若悬河，可是听者却不能听清他的话语，口吃而含糊。(4)书写困难：写出的内容词不达意，甚至写不出自己的名字。(5)失用和失认：原来可以熟练地骑车、游泳，病后不会了，不认识自己的亲人和熟悉朋友的面孔。(6)计算障碍：购物不会算账，严重的连最简单的加、减法也不会了。(7)精神功能障碍：常常出现狂躁、幻觉、性格改变等。(8)运动障碍：无目的的来回走动、到处开门、关门，大小便失禁等。
同时，神经成像技术的发展，也从脑部结构和功能的改变角度，为AD/MCI患者的及早发现提供了依据和帮助。磁共振成像(Magnetic Resonance Imaging,MRI) 在所有医学影像学手段中的软组织对比分辨率最高，可以清楚地分辨脑灰白质，所显示的脑萎缩或脑室扩大较CT更清晰、更敏感，且能测量整个颞叶或海马、杏仁核等结构的体积，对AD的早期诊断具有重要意义。功能磁共振成像(fMRI)能够让我们“看见”大脑是如何活动的，可以分离出不同的大脑功能网络：默认网络(Default Mode Network,DMN)、凸显网络(SalienceNetwork,SN)、额顶网络 (frontoparietal network,FPN)、背侧注意网络(DorsalAttention Network,DAN)等，这些脑网络与记忆、注意、执行功能等高度相关，其网络内及网络之间的功能连接变化模式，可以作为比大脑结构变化更早的、辅助AD早期诊断的影响指标。
发明内容
本发明的目的是提供一种阿尔兹海默症的认知及脑影像数据整合评估方法。
根据本发明的阿尔兹海默症的认知及脑影像数据整合评估方法，包括以下步骤：
步骤I：获取受测者的认知功能多领域筛查评估的行为学数据；
步骤II：分析多模态磁共振成像数据，包括以下步骤：
1.基于定点分析方法对受测者的海马体积及形状进行量化分析，
2.计算认知相关脑功能网络内及脑功能网络间的功能连接
2.1静息态功能性磁共振成像数据预处理，纠正原始静息态功能性磁共振成像数据中存在的偏差，
2.2基于预处理后的静息态功能性磁共振成像数据，提取认知相关的脑功能网络，并计算每个脑功能网络内功能连接值，
2.3计算网络间有效连接
基于被定位的与高级认知功能相关的脑功能网络，选取各个脑功能网络的主要节点作为感兴趣区，计算两两脑功能网络之间的有效连接；
步骤III：基于受测者的认知功能多领域筛查评估的行为学数据，受测者的海马体积及形状进行量化分析数据，与认知相关的脑功能网络内连接值，以及脑功能网络间的有效连接，将行为学和神经数据的模型分布参数输入到同一联合模型，使用分层贝叶斯方法将该联合模型拟合相关数据，建立分层贝叶斯联合模型，获得超参数集的中心化趋势和离散程度，并生成参数的联合后验分布，确定轻度认知障碍及阿尔兹海默症认知和神经模型参数的关联程度和方向；
步骤IV：根据获得的参数的联合后验分布，使用支持向量机(SVM)训练轻度认知障碍及阿尔兹海默症的特异性变化模型。
根据本发明的阿尔兹海默症的认知及脑影像数据整合评估方法，其中，静息态功能性磁共振成像数据预处理的步骤如下：
1)将图像数据文件格式转化为软件处理识别的格式；
2)剔除图像数据的前10个时间点数据，以排除由于开始扫描磁场不均匀、受试者不适应对结果造成的误差影响；
3)时间矫正处理：剩余230个数据进行时间矫正处理，以数学的方法将同一个 TR内不同的扫描时间点矫正于同一时间点进行后续处理；
4)头部矫正，把一个实验序列中的每一帧图像都和这个序列的第一帧图像按照一定的算法做对齐处理，以矫正因受试者头动而产生的较大误差影响；
5)空间标准化，映射到标准脑，头部矫正可获得受试者的水平方向头动及旋转头动图，将平移小于1.5mm与旋转小于1.5°的受试者图像映射到标准脑[-90,-126,-72；90,90,108]上，体素大小为3*3*3mm；
6)对图像数据进行平滑处理，平滑核为[6 6 6]，用于提升空间标准化后图像信号的信噪比；
7)进行图像去线性漂移，除去机器温度、受试者适应性等产生的线性影响；
8)图像滤波，波段采用0.01-0.1Hz，去除高频信号；
9)进行协变量(头动、全脑、脑脊液、脑白质信号)提取并去除协变量。
根据本发明的阿尔兹海默症的认知及脑影像数据整合评估方法，其中，基于ICA提取认知相关的脑功能网络。
根据本发明的阿尔兹海默症的认知及脑影像数据整合评估方法，其中，选取被定位的各个脑功能网络的主要节点作为感兴趣区，计算两两脑功能网络之间的有效连接。
根据本发明的阿尔兹海默症的认知及脑影像数据整合评估方法，其中，建立神经和行为数据分布，包括受测者的认知功能多领域筛查评估的行为学数据，受测者的海马体积及形状量化分析数据，与认知相关的脑功能网络内连接值及脑功能网络间的有效连接数据，将两种数据模型分布参数输入到同一联合模型，使用分层贝叶斯方法将该联合模型拟合相关数据，获得超参数集的中心化趋势和离散程度，生成参数的联合后验分布。
根据本发明的阿尔兹海默症的认知及脑影像数据整合评估方法，其中，利用SVM算法确定轻度认知障碍及阿尔兹海默症的特异性变化模型，具体包括：将获得的AD 患者及健康对照者的分层贝叶斯联合模型的超参数集数据的90％作为训练集，剩余10％作为测试集，当在测试集上的分类预测正确率在80％以上时认为SVM模型分类预测合理。
根据本发明的阿尔兹海默症的认知及脑影像数据整合评估方法，其中，通过交叉验证评估所述轻度认知障碍及阿尔兹海默症的特异性变化模型的参数，具体包括以下步骤：
第一步，不重复抽样将原始数据随机分为10份。
第二步，每一次挑选其中1份作为测试集，剩余9份作为训练集用于模型训练。在每个训练集上训练后得到一个模型，用这个模型在相应的测试集上进行测试，计算并保存模型的评估指标：分类正确率。
第三步，重复第二步10次，这样每份原始数据都有一次机会作为测试集，其余机会作为训练集。
第四步，计算10次测试结果的平均值作为模型精度的估计，并作为当前模型的性能指标(真实分类率)。
根据本发明的技术方案，首先进行认知功能多领域的筛查和评估，达成认知功能的快速筛查和详细评估的目的，然后进行多模态磁共振成像数据分析，包括：提取海马体积及形状分析，计算认知相关脑功能网络(默认网络、凸显网络、额顶网络、背侧注意网络等)的功能连接值，作为神经影像方面的指标对脑功能进行评估。再进行认知及神经的贝叶斯联合建模，最后使用监督学习分类识别阿尔兹海默症的特异性变化模式。
根据本发明的技术方案具有以下优点：
1、多模态数据指标相结合更加精准，本发明多模态数据指标包括一般资料(性别、年龄、教育程度等信息)、认知功能多领域筛查评估的行为学数据(量表得分、任务式测评得分等数据)、神经影像指标(海马体积、脑功能网络内及网络间功能连接等指标)。
2、基于前沿神经网络研究成果与技术，分析多模态的MRI脑影像数据。
3、使用先进的机器学习算法，深度挖掘多模态数据的AD特异性变化模式。
附图说明
图1为本发明的阿尔兹海默症的认知及脑影像数据整合评估方法的流程图；
图2为分层贝叶斯建立联合模型的框架图。
具体实施方式
以下结合附图详细描述本申请的技术方案。
如图1所示，根据本发明的阿尔兹海默症的认知及脑影像数据整合评估方法包括以下步骤：
步骤I：获取受测者的认知功能多领域筛查评估的行为学数据；
步骤II：分析多模态磁共振成像数据
1.基于定点分析方法对受测者的海马体积及形状进行量化分析。
2.计算脑功能网络内及网络间的功能连接
2.1静息态fMRI(功能性磁共振成像)数据预处理，纠正原始fMRI数据中可能存在的偏差；
2.2提取脑功能网络、计算脑功能网络内功能连接
基于预处理过后的fMRI数据，定位与高级认知功能相关的脑功能网络，计算每个脑功能网络范围内的平均功能连接z值，代表该脑功能网络内功能连接。
2.3计算网络间有效连接
基于被定位的与高级认知功能相关的脑功能网络，选取各个脑功能网络的主要节点作为感兴趣区，计算两两脑功能网络之间的有效连接，目的在于探索各个脑功能网络之间的组织关系；
步骤III：基于AD、MCI患者的一般资料(性别、年龄、教育程度等信息)、认知功能多领域筛查评估的行为学数据(量表得分、任务式测评得分等数据)、神经影像指标(海马体积、脑功能网络内及网络间功能连接等指标)，将行为学和神经数据的模型分布参数输入到同一联合模型，使用分层贝叶斯方法将该联合模型拟合相关数据，获得超参数集的中心化趋势和离散程度，并生成参数的联合后验分布，确定轻度认知障碍及阿尔兹海默症认知和神经模型参数的关联程度和方向。
步骤IV：根据分层贝叶斯联合模型获得的参数联合后验分布，使用支持向量机(SVM)训练轻度认知障碍及阿尔兹海默症的特异性变化模型。
一、关于获取受测者的认知功能多领域筛查评估的行为学数据的步骤
认知功能多领域的筛查和评估，从形式上来说包含两部分：经典神经心理学测评量表(已电子化)；以及计算机辅助的认知心理学行为评估任务。同时，根据不同的使用场景和适用人群，可以组合不同的测评工具，完成认知功能的快速筛查和详细评估。
1.经典神经心理学测评量表：
临床上关于各类认知障碍的筛查常常依赖于神经心理量表，常用的筛查量表包括画钟测试(Clock Drawing Task,CDT)、简易智能筛查量表(Mini Mental StateExamination,MMSE)及蒙特利尔认知评估量表(Montreal Cognitive Assessment, MOCA)。此外，研究者可采用更为详细的认知各亚领域的功能评估量表，包括记忆力、视空间能力、执行功能、注意力和日常生活能力等。而在鉴别其他原因所致认知障碍方面，常常用到神经精神科问卷、汉密尔顿抑郁量表、额叶功能问卷和 Hachinski缺血量表等。上述评估量表实现了计算机化，以便于临床操作评估与数据保存。
2.计算机辅助的认知心理学行为评估任务
同时，上述认知功能的测查项目，无论是选用一套或几套量表对患者进行测试，都较耗费人力物力及时间，并且测评的准确性很大程度上依赖于施测者的操作过程与主观经验，不利于评估的标准化推广。基于经典认知神经科学研究的认知范式形成的计算机辅助认知心理学行为评估任务，可以使受测者在计算机程序的标准引导下，自助完成测评任务并有效评估个体的感知觉、记忆力、注意力、敏捷度、灵活性、逻辑思维以及语言能力等。任务式测评的好处在于，降低了施测者等主观因素对测评结果的影响，指标更客观，对患者认知功能的评估及区分能力更好；容易操作；提升工作效率。因此，这种计算机辅助的认知心理学行为评估任务，可用于老年人群的快速筛查或多领域认知能力的详细评估。
二、多模态磁共振成像数据分析
1.计算海马体积及形状分析
使用FSL软件包中的FIRST工具(FSL-integrated registration andsegmentation toolbox,https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FIRST)计算海马的体积及进行形状分析。首先，将海马从全脑结构像T1图像中分割出来，并计算双侧海马的体积大小。然后，对海马进行形状分析，即，将海马的曲形表面进行网格化，基于多元高斯假设对网格表面的归一化强度进行采样和建模，然后将形状表示为平均的模式变化程度，从而可以对海马的表面形状进行量化分析。
2.计算脑功能网络内及网络间的功能连接
2.1静息态fMRI(功能性磁共振成像)数据预处理
预处理的过程旨在纠正原始fMRI数据中可能存在的几种偏差，以减少甚至消除后续分析方法纠正或忽略这些偏差的额外负担，所以无论是ADNI数据库还是新被试的静息态fMRI数据，都需要经过预处理才能够进行后续的一系列分析。静息态 fMRI数据预处理的过程如下：
1)将图像数据DICOM文件格式转化为软件处理识别的NIFTI格式；
2)剔除图像数据的前10个时间点数据，以排除由于开始扫描磁场不均匀、受试者不适应对结果造成的误差影响；
3)时间矫正处理：剩余230个数据进行时间矫正处理(层数30层，扫描顺序为[1:2:29,2:2:30],参考层面为第2或29层)，以数学的方法将同一个TR内不同的扫描时间点矫正于同一时间点进行后续处理；
4)头部矫正，把一个实验序列中的每一帧图像都和这个序列的第一帧图像按照一定的算法做对齐处理，以矫正因受试者头动而产生的较大误差影响；
5)空间标准化，映射到标准脑，头部矫正可获得受试者的水平头动及旋转头动图，将平移小于1.5mm与旋转小于1.5°的受试者图像映射到标准脑[-90,-126,-72； 90,90,108]上，体素大小为3*3*3mm；
6)对图像数据进行平滑处理，平滑核为[6 6 6]，用于提升空间标准化后图像信号的信噪比；
7)进行图像去线性漂移，除去机器温度、受试者适应性等产生的线性影响；
8)图像滤波，波段采用0.01-0.1Hz，去除高频信号；
9)进行协变量(头动、全脑、脑脊液、脑白质信号)提取并去除协变量。
2.2提取脑功能网络、计算网络内功能连接
独立成分分析(independent component analysis,ICA)的方法，仅依靠数据内部特征和不需构造模型等特点就能够成功提取脑功能各个局部系统功能信息，因此常被用于fMRI认知实验和疾病分析上。ICA不仅能够分离心跳和呼吸等干扰成分，还能将fMRI数据具有空间特异性的成分(亦称为“内在连接网络”或“静息态网络”)成功分离开来。
使用ICA方法进行分析的目的在于：(1)定位大脑主要的功能网络，包含记忆、注意、执行控制等高级认知功能相关的脑功能网络。(2)计算每个脑功能网络范围内的平均功能连接z值，代表网络内功能连接，作为分类器训练中的一部分特征值输入进模型。
基于预处理过后的fMRI数据，选择信息最大化(Infomax)算法完成独立成分分析ICA的计算过程，使用ICASSO功能重复运行100次以找到最稳定的独立成分分离的结果，然后挑选出以下主要的脑功能网络：
1)默认网络(Default Mode Network,DMN)：主要脑区为内侧前额叶皮层及前扣带回、后扣带回及楔前叶，双侧角回等，在大脑专注任务时负激活，反而在静息状态时激活，因此得名默认网络，与冥想等相关。
2)凸显网络(Salience Network,SN)：主要脑区为双侧的前脑岛，以及中间的前扣带，构成一个铁三角的结构，主要起到开关/跳闸的功能，即对输入刺激进行评估，找到最相关切题的刺激，并切换到相关的处理系统。
3)额顶网络(frontoparietal network,FPN)：也称为执行控制网络，主要分布在双侧的背外侧前额叶、顶上回等区域，ICA提取时分离成了左右两个网络(LFP,RFP)，与工作记忆、执行功能等相关。
4)背侧注意网络(Dorsal Attention Network,DAN)：主要脑区为双边的顶内沟、顶下回、枕上回等，主要功能为提供自上而下的注意定向。
2.3计算网络间有效连接
基于ICA定位的脑功能网络结果，选取上述各个脑功能网络的主要节点作为感兴趣区(ROI)，采用基于系数的多元格兰杰Granger因果分析(Coefficient-baseMultivariate Granger Causal Analysis,mGCA)方法，计算两两脑功能网络之间的有效连接(Effective Connectivity,EC)，目的在于探索各个脑功能网络之间的组织关系。
格兰杰因果关系检验是一种假设检定的统计方法，检验一组时间序列x是否为另一组时间序列y的原因，它的基础是回归分析当中的自回归模型。在时间序列情形下，两个变量X、Y之间的格兰杰因果关系定义为：若在包含了变量X、Y的过去信息的条件下，对变量Y的预测效果要优于只单独由Y的过去信息对Y进行的预测效果，即变量X有助于解释变量Y的将来变化，则认为变量X是引致变量Y的格兰杰原因。
若有n个时间序列(Y1，Y2，…，Yn)，例如本发明中选取了多个脑功能网络的主要节点，则确定n个时间序列的Granger因果分析模型，其中系数矩阵(即：所要计算求得的有效连接)为：
其中
就是从第j个脑功能网络到第k个脑功能网络的Granger因果效应有效连接(一般设定i＝1)，且有效连接具有方向性，
三、行为及神经数据联合建模
根据本发明的阿尔兹海默症的认知及脑影像数据整合评估方法，将受测者的认知功能多领域筛查评估的行为学数据、受测者的海马体积及形状量化分析数据、以及认知相关的脑功能网络内连接值及脑功能网络间的有效连接数据的模型分布参数输入到同一联合模型，通过分层贝叶斯建立联合模型，使用分层贝叶斯方法将该联合模型拟合相关数据，获得超参数集的中心化趋势和离散程度，并生成参数的联合后验分布，确定轻度认知障碍及阿尔兹海默症认知和神经模型参数的关联程度和方向。
基于AD、MCI患者的一般资料(性别、年龄、教育程度等信息)、认知功能多领域筛查评估的行为学数据(量表得分、任务式测评得分等数据)、神经影像指标(海马体积、脑功能网络内及网络间功能连接等指标)，采用分层贝叶斯方法将行为和神经数据进行联合建模。
如图2所示，左边表示神经数据及其对应的模型参数，右边表示行为数据及其对应的模型参数，中间两个参数分别代表超参数集Ω的中心化趋势和离散程度。单个被试的参数θj和δj条件独立，二者之间的依赖关系可以用于共同限制联合模型的参数估计。
对于第j个用户的神经数据(Nj)和行为数据(Bj)，假设神经数据服从分布 Nj～Neural(δj)，行为数据服从分布Bj～Behav(θj)，将两种数据模型分布的参数写入到一个联合模型中，该模型可以表示为(δj，θj)～M(Ω)，其中Ω表示超参数集合，Ω可能包括一系列的超平均参数Φ和超离散参数Σ，因此Ω＝{Φ，Σ}。采用分层贝叶斯方法将该联合模型拟合相关数据。根据前面的模型定义，联合模型参数的联合后验分布可以写作：
其中p()表示概率分布；Behav(a|b)和Neural(a|b)表示行为或神经模型中，在给定参数b的条件下数据a的密度函数；M((a,b)|c)表示联合模型中，在给定参数c的条件下参数集(a，b)的密度函数。
假设模型(δj，θj)的联合分布形式服从多元正态分布，即(δj，θj)～Np(Φ，Σ)，其中Np(a，b)表示均值向量a和方差-协方差矩阵b在第p维上的多元正态分布；均值向量参数Φ包括所有组水平上的均值，因此Φ＝{δμ，θμ}；方差-协方差矩阵包括组水平上的变异参数，其中ρ是包括所有感兴趣的模型参数相关系数的矩阵。
对方差-协方差矩阵Σ进行分区，以反映当神经和行为向量中包括多个参数时它是对角矩阵和全矩阵的混合。假设在被试j的神经(δj)和行为/认知(θj)模型中各包含3 个参数，将神经和认知模型的参数都纳入进方差-协方差矩阵时，可以写作如下形式，其中δσ,1表示第一个神经模型参数集中的超标准差，θσ,1表示第一个认知模型参数集中的超标准差：
相关系数参数ρ反映了一对模型参数的关联程度和方向，可以直接推测某个认知模型参数在多大程度上与某个神经模型参数相关。对于M(Ω)的分布选择多元正态分布以适应各种参数空间的支持，便于评估神经模型参数和认知模型参数之间的关系。
四、分类及预测AD特异性变化模式
使用监督学习支持向量机分类算法，找到AD、MCI的特异性变化模式，用于对人群的分类，及早发现及诊断AD/MCI。
利用SVM算法进行数据分类，本发明构建的支持向量机SVM模型是：将ADNI 数据库中的AD患者及健康对照者的分层贝叶斯联合模型的超参数集数据的90％作为训练集，剩余10％作为测试集，以训练集数据分析后得到的分层贝叶斯联合模型的超参数集数据作为特征值输入模型，另外，调整核函数类型，外加惩罚函数部分，以解决非线性不可分的情况，当在测试集上的分类预测正确率在80％以上时才认为 SVM模型分类预测合理，之后进行交叉验证。
SVM算法使用线性函数形式的假设空间，并采用基于优化理论的算法进行训练。通过测量间隔和发现几何间隔最大点来获得输入空间中的区分AD患者及健康对照者两类数据的最佳超平面。
具体来说，将每一个用户的超参数集数据表示为
其中，
表示实数域，i＝1,2,…,N，N表示所有用户数据的总量，每个用户数据和用户的分类标签(病患/健康)可以表示为yi∈{-1,+1}。
在D-维特征空间中，区分两类数据的最佳超平面公式为：wxi+b＝0。其中， w为法向量，b为该平面相对于数据中心的位置(截距)。当数据xi满足不等式wxi+ b<＝-1时，该数据被分类为AD患者，而当满足wxi+b>＝1时归类为健康人群。
将超平面和数据模式之间的最接近的距离1/(||w||)最大化的途径来获得最佳边际值，采用如下拉格朗日乘数确定受约束条件限制的函数的最大或最小相对值，αi是对应于数据xi的拉格朗日乘数。
通过加入约束条件，求解以下可获得最大点的方程，获得支持向量参数：
针对神经和认知后验联合参数的非线性分布问题，进一步调整核函数类型(包括线性、多项式、径向基、sigmoid函数)；将数据映射到高维空间，在高维特征空间中构造出最优分离超平面。采用网格搜索寻找最优核参数；采用最优参数进行分类模型训练。对有些样本点不能满足函数间隔大于等于1约束条件的问题，在线性可分问题的基础上加上惩罚函数部分：
s.t.yi(wTxi+b)≥1-ξi
ξi≥0
i＝1，2，...，N
然后依据交叉验证留一法计算预测模型准确率，以高者为优，确定最终预测模型及函数表达式。
交叉验证留一法评估的过程：把得到的样本数据进行重复切分，组合为不同的训练集和测试集，用训练集来训练模型，用测试集来评估模型预测的好坏。在此基础上可以得到多组不同的训练集和测试集，某次训练集中的某样本在下次可能成为测试集中的样本，即所谓“交叉”。具体的10折交叉验证包括以下步骤：
第一步，不重复抽样将原始数据随机分为10份。
第二步，每一次挑选其中1份作为测试集，剩余9份作为训练集用于模型训练。在每个训练集上训练后得到一个模型，用这个模型在相应的测试集上进行测试，计算并保存模型的评估指标：分类正确率。
第三步，重复第二步10次，这样每份原始数据都有一次机会作为测试集，其余机会作为训练集。
第四步，计算10次测试结果的平均值作为模型精度的估计，并作为当前模型的性能指标(真实分类率)。筛选分类率最高的SVM分类预测算法。
进一步进行模型修正：首先对新增受试者的脑影像数据进行同样的分析处理，将认知和神经数据联合建立模型，生成超参数的后验分布。将超参数输入到基于ADNI 数据集训练好的分类模型，对该新增受试者进行AD疾病的分类预测，以辅助医生进行诊断。当医生综合多维度信息得到诊断结果后，真实的诊断结果将记录进模型中，对模型的预测正确率进行不断修正，让模型越来越接近真实环境中的各种情况，提升模型的敏感性和正确率。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (7)
1.一种阿尔兹海默症的认知及脑影像数据整合评估方法，其特征在于，所述方法包括以下步骤：
步骤I：获取受测者的认知功能多领域筛查评估的行为学数据；
步骤II：分析多模态磁共振成像数据，包括：
（1）对脑结构进行磁共振成像分析，基于定点分析方法对受测者的海马体积及形状进行量化分析，
（2）对静息态功能性磁共振成像数据进行预处理，纠正原始静息态功能性磁共振成像数据中存在的偏差，
（3）基于预处理后的静息态功能性磁共振成像数据，定位认知相关的脑功能网络，并计算每个脑功能网络内功能连接值，以及基于被定位的与高级认知功能相关的脑功能网络，选取各个脑功能网络的主要节点作为感兴趣区，计算两两脑功能网络之间的有效连接，
步骤III：将受测者的认知功能多领域筛查评估的行为学数据、受测者的海马体积及形状量化分析数据、以及认知相关的脑功能网络内连接值及脑功能网络间的有效连接数据的模型分布参数输入到同一联合模型，使用分层贝叶斯方法将该联合模型拟合相关数据，建立分层贝叶斯联合模型，获得超参数集的中心化趋势和离散程度，并生成参数的联合后验分布，确定轻度认知障碍及阿尔兹海默症认知和神经模型参数的关联程度和方向；
步骤IV：根据获得的参数的联合后验分布，使用支持向量机训练轻度认知障碍及阿尔兹海默症的特异性变化模型。
2.根据权利要求1所述的阿尔兹海默症的认知及脑影像数据整合评估方法，其特征在于，静息态功能性磁共振成像数据预处理的步骤如下：
1）将图像数据文件格式转化为软件处理识别的格式；
2）剔除图像数据的前10个时间点数据，以排除由于开始扫描磁场不均匀、受试者不适应对结果造成的误差影响；
3）时间矫正处理：剩余230个数据进行时间矫正处理，以数学的方法将同一个TR内不同的扫描时间点矫正于同一时间点进行后续处理；
4）头部矫正，把一个实验序列中的每一帧图像都和这个序列的第一帧图像按照一定的算法做对齐，以矫正因受试者头动而产生的误差影响；
5）空间标准化，映射到标准脑，头部矫正获得受试者的水平方向头动及旋转头动图，将平移小于1.5mm与旋转小于1.5°的受试者图像映射到标准脑[-90,-126,-72;90,90,108]上，体素大小为3 * 3 * 3 mm；
6）对图像数据进行平滑处理，平滑核为[6 6 6]，用于提升空间标准化后图像信号的信噪比；
7）进行图像去线性漂移，除去机器温度、受试者适应性产生的线性影响；
8）图像滤波，波段采用0.01-0.1 Hz，去除高频信号；
9）进行协变量提取并去除协变量。
3.根据权利要求1所述的阿尔兹海默症的认知及脑影像数据整合评估方法，其特征在于，基于ICA定位认知相关的脑功能网络。
4.根据权利要求1所述的阿尔兹海默症的认知及脑影像数据整合评估方法，其特征在于，利用监督学习算法中的SVM算法确定轻度认知障碍及阿尔兹海默症的特异性变化模型，其中，将获得的阿尔兹海默症患者及健康对照者的建立分层贝叶斯联合模型的超参数集数据的90%作为训练集，剩余10%作为测试集，当在测试集上的分类预测正确率在80%以上时认为SVM模型分类预测合理。
5.根据权利要求1所述的阿尔兹海默症的认知及脑影像数据整合评估方法，其特征在于，在步骤III中，对于第j个用户的神经数据Nj和行为数据Bj，假设神经数据服从分布Nj~Neural(δj)，行为数据服从分布Bj~Behav(θj)，将两种数据模型分布的参数写入到一个联合模型中，该模型表示为(δj，θj)~M(Ω)，其中Ω表示超参数集合，Ω包括一系列的超平均参数Φ和超离散参数Σ，因此Ω={Φ，Σ}；
采用分层贝叶斯方法将联合模型(δj，θj)~M(Ω)拟合相关数据，其中，联合模型参数的联合后验分布写作：
其中，p( )表示概率分布，Behav(a|b)和Neural(a|b)表示行为或神经模型中，在给定参数b的条件下数据a的密度函数，M((a, b)|c)表示联合模型中，在给定参数c的条件下参数集(a，b)的密度函数；
假设模型(δj，θj)的联合分布形式服从多元正态分布，即(δj，θj)~Np(Φ，Σ)，其中Np(a，b)表示均值向量a和方差-协方差矩阵b在第p维上的多元正态分布，均值向量参数Φ包括所有组水平上的均值，因此Φ={δμ，θμ}；方差-协方差矩阵包括组水平上的变异参数，其中ρ是包括所有感兴趣的模型参数相关系数的矩阵，
对方差-协方差矩阵Σ进行分区，以反映当神经和行为向量中包括多个参数时它是对角矩阵和全矩阵的混合，ρ反映了一对模型参数的关联程度和方向，直接推测某个认知模型参数在多大程度上与某个神经模型参数相关；
对于M(Ω)的分布选择多元正态分布以适应各种参数空间的支持，便于评估神经模型参数和认知模型参数之间的关系。
6.根据权利要求1所述的阿尔兹海默症的认知及脑影像数据整合评估方法，其特征在于，在步骤IV中，将每一个用户的超参数集数据表示为xi ∈ ℜD ，其中，ℜ表示实数域，i =1, 2, …, N，N表示所有用户数据的总量，每个用户数据和用户的分类标签“病患／健康”表示为yi ∈ {−1,+1}，在D-维特征空间中，区分病患或健康数据的最佳超平面公式为： wxi +b = 0，其中，w为法向量，b为该平面相对于数据中心的位置，当数据xi满足不等式wxi + b <= -1时，该数据被分类为阿尔兹海默症患者的数据，而当满足wxi + b >= 1时归类为健康人群的数据。
7.根据权利要求1所述的阿尔兹海默症的认知及脑影像数据整合评估方法，其特征在于，通过交叉验证评估所述轻度认知障碍及阿尔兹海默症的特异性变化模型的参数，具体包括以下步骤：
第一步，不重复抽样将原始数据随机分为10份；
第二步，每一次挑选其中1份作为测试集，剩余9份作为训练集用于模型训练，在每个训练集上训练后得到一个模型，用这个模型在相应的测试集上进行测试，计算并保存模型的分类正确率；
第三步，重复第二步10次，这样每个份原始数据都有一次机会作为测试集，其余机会作为训练集；
第四步，计算10次测试结果的平均值作为模型精度的估计，并作为当前模型的性能指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111017552.XA CN114188013A (zh) | 2021-09-01 | 2021-09-01 | 一种阿尔兹海默症的认知及脑影像数据整合评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111017552.XA CN114188013A (zh) | 2021-09-01 | 2021-09-01 | 一种阿尔兹海默症的认知及脑影像数据整合评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114188013A true CN114188013A (zh) | 2022-03-15 |
Family
ID=80601340
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111017552.XA Pending CN114188013A (zh) | 2021-09-01 | 2021-09-01 | 一种阿尔兹海默症的认知及脑影像数据整合评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114188013A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114820460A (zh) * | 2022-04-02 | 2022-07-29 | 南京航空航天大学 | 一种单基因位点与时序脑图像关联分析的方法及装置 |
| CN114999629A (zh) * | 2022-04-28 | 2022-09-02 | 安徽大学 | 一种基于多特征融合的ad早期预测方法、系统、装置 |
| CN115064262A (zh) * | 2022-06-08 | 2022-09-16 | 华侨大学 | 一种基于长短时记忆的阿尔兹海默症病程预测方法 |
| CN115294054A (zh) * | 2022-08-03 | 2022-11-04 | 常州大学 | 一种基于大脑功能网络特征的认知功能评分预测方法 |
| CN115662576A (zh) * | 2022-12-30 | 2023-01-31 | 北京航空航天大学 | 一种阿尔兹海默症和关联认知障碍病症的神经反馈训练范式的生成方法、神经反馈训练系统 |
| CN115691794A (zh) * | 2022-12-29 | 2023-02-03 | 北京智精灵科技有限公司 | 一种神经诊断的辅助分析方法及系统 |
| CN115670390A (zh) * | 2022-12-30 | 2023-02-03 | 广东工业大学 | 一种帕金森病轴向症状严重程度表征方法 |
| CN116030941A (zh) * | 2023-03-30 | 2023-04-28 | 北京科技大学 | 基于以边为中心的效应连接网络的阿尔茨海默病诊断方法 |
| CN116344042A (zh) * | 2023-05-31 | 2023-06-27 | 北京智精灵科技有限公司 | 基于多模态分析的认知储备干预提升方法及系统 |
| CN116649916A (zh) * | 2023-07-24 | 2023-08-29 | 北京大学 | 一种脑部区域连接的因果差异估计方法 |
| CN116712034A (zh) * | 2023-05-30 | 2023-09-08 | 常州大学 | 一种基于功能子网络特征的认知功能状态预测方法 |
| CN116895367A (zh) * | 2023-09-11 | 2023-10-17 | 北京智精灵科技有限公司 | 一种基于脑功能训练的多动症训练方案推送方法及系统 |
| CN117197637A (zh) * | 2023-11-08 | 2023-12-08 | 北京师范大学 | 神经影像脑网络效率指标的常模构建方法、应用及装置 |
| CN117876377A (zh) * | 2024-03-13 | 2024-04-12 | 浙江荷湖科技有限公司 | 一种基于大模型的显微成像通用神经提取方法 |
| CN118452841A (zh) * | 2024-07-10 | 2024-08-09 | 北京智精灵科技有限公司 | 一种基于脑网络异常检测的认知障碍评估方法及系统 |
-
2021
- 2021-09-01 CN CN202111017552.XA patent/CN114188013A/zh active Pending
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114820460B (zh) * | 2022-04-02 | 2023-09-29 | 南京航空航天大学 | 一种单基因位点与时序脑图像关联分析的方法及装置 |
| CN114820460A (zh) * | 2022-04-02 | 2022-07-29 | 南京航空航天大学 | 一种单基因位点与时序脑图像关联分析的方法及装置 |
| CN114999629A (zh) * | 2022-04-28 | 2022-09-02 | 安徽大学 | 一种基于多特征融合的ad早期预测方法、系统、装置 |
| CN114999629B (zh) * | 2022-04-28 | 2024-03-01 | 安徽大学 | 一种基于多特征融合的ad早期预测方法、系统、装置 |
| CN115064262A (zh) * | 2022-06-08 | 2022-09-16 | 华侨大学 | 一种基于长短时记忆的阿尔兹海默症病程预测方法 |
| CN115294054A (zh) * | 2022-08-03 | 2022-11-04 | 常州大学 | 一种基于大脑功能网络特征的认知功能评分预测方法 |
| CN115691794B (zh) * | 2022-12-29 | 2024-03-08 | 北京智精灵科技有限公司 | 一种神经诊断的辅助分析方法及系统 |
| CN115691794A (zh) * | 2022-12-29 | 2023-02-03 | 北京智精灵科技有限公司 | 一种神经诊断的辅助分析方法及系统 |
| CN115670390B (zh) * | 2022-12-30 | 2023-04-07 | 广东工业大学 | 一种帕金森病轴向症状严重程度表征方法 |
| CN115670390A (zh) * | 2022-12-30 | 2023-02-03 | 广东工业大学 | 一种帕金森病轴向症状严重程度表征方法 |
| CN115662576A (zh) * | 2022-12-30 | 2023-01-31 | 北京航空航天大学 | 一种阿尔兹海默症和关联认知障碍病症的神经反馈训练范式的生成方法、神经反馈训练系统 |
| CN116030941A (zh) * | 2023-03-30 | 2023-04-28 | 北京科技大学 | 基于以边为中心的效应连接网络的阿尔茨海默病诊断方法 |
| CN116030941B (zh) * | 2023-03-30 | 2023-08-25 | 北京科技大学 | 基于以边为中心的效应连接网络的阿尔茨海默病诊断方法 |
| CN116712034A (zh) * | 2023-05-30 | 2023-09-08 | 常州大学 | 一种基于功能子网络特征的认知功能状态预测方法 |
| CN116344042B (zh) * | 2023-05-31 | 2023-12-01 | 北京智精灵科技有限公司 | 基于多模态分析的认知储备干预提升方法及系统 |
| CN116344042A (zh) * | 2023-05-31 | 2023-06-27 | 北京智精灵科技有限公司 | 基于多模态分析的认知储备干预提升方法及系统 |
| CN116649916B (zh) * | 2023-07-24 | 2023-10-20 | 北京大学 | 一种脑部区域连接的因果差异估计方法 |
| CN116649916A (zh) * | 2023-07-24 | 2023-08-29 | 北京大学 | 一种脑部区域连接的因果差异估计方法 |
| CN116895367A (zh) * | 2023-09-11 | 2023-10-17 | 北京智精灵科技有限公司 | 一种基于脑功能训练的多动症训练方案推送方法及系统 |
| CN116895367B (zh) * | 2023-09-11 | 2023-12-22 | 北京智精灵科技有限公司 | 一种基于脑功能训练的多动症训练方案推送方法及系统 |
| CN117197637A (zh) * | 2023-11-08 | 2023-12-08 | 北京师范大学 | 神经影像脑网络效率指标的常模构建方法、应用及装置 |
| CN117197637B (zh) * | 2023-11-08 | 2024-02-02 | 北京师范大学 | 神经影像脑网络效率指标的常模构建方法、应用及装置 |
| CN117876377A (zh) * | 2024-03-13 | 2024-04-12 | 浙江荷湖科技有限公司 | 一种基于大模型的显微成像通用神经提取方法 |
| CN117876377B (zh) * | 2024-03-13 | 2024-05-28 | 浙江荷湖科技有限公司 | 一种基于大模型的显微成像通用神经提取方法 |
| CN118452841A (zh) * | 2024-07-10 | 2024-08-09 | 北京智精灵科技有限公司 | 一种基于脑网络异常检测的认知障碍评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114188013A (zh) | 一种阿尔兹海默症的认知及脑影像数据整合评估方法 | |
| Ebrahimighahnavieh et al. | Deep learning to detect Alzheimer's disease from neuroimaging: A systematic literature review | |
| Islam et al. | Brain MRI analysis for Alzheimer’s disease diagnosis using an ensemble system of deep convolutional neural networks | |
| Usman et al. | Advance machine learning methods for dyslexia biomarker detection: A review of implementation details and challenges | |
| Khedher et al. | Early diagnosis of Alzheimer׳ s disease based on partial least squares, principal component analysis and support vector machine using segmented MRI images | |
| Martí-Juan et al. | A survey on machine and statistical learning for longitudinal analysis of neuroimaging data in Alzheimer’s disease | |
| Bron et al. | Standardized evaluation of algorithms for computer-aided diagnosis of dementia based on structural MRI: the CADDementia challenge | |
| Demirci et al. | A review of challenges in the use of fMRI for disease classification/characterization and a projection pursuit application from a multi-site fMRI schizophrenia study | |
| Segovia et al. | A comparative study of feature extraction methods for the diagnosis of Alzheimer's disease using the ADNI database | |
| Yang et al. | A study of brain networks for autism spectrum disorder classification using resting-state functional connectivity | |
| Zahia et al. | Dyslexia detection using 3D convolutional neural networks and functional magnetic resonance imaging | |
| AU2009217184B2 (en) | Expert system for determining patient treatment response | |
| Segovia et al. | Early diagnosis of Alzheimer’s disease based on partial least squares and support vector machine | |
| Chatterjee et al. | Bi-objective approach for computer-aided diagnosis of schizophrenia patients using fMRI data | |
| Bray et al. | Applications of multivariate pattern classification analyses in developmental neuroimaging of healthy and clinical populations | |
| Jiang et al. | CNNG: a convolutional neural networks with gated recurrent units for autism spectrum disorder classification | |
| Cruz-Martinez et al. | A novel event-related fMRI supervoxels-based representation and its application to schizophrenia diagnosis | |
| Han et al. | A hybrid sequential feature selection approach for the diagnosis of Alzheimer's Disease | |
| Zuo et al. | Constructing brain functional network by adversarial temporal-spatial aligned transformer for early AD analysis | |
| Yamashita et al. | The residual center of mass: an image descriptor for the diagnosis of Alzheimer disease | |
| Rao et al. | A Review on Alzheimer’s disease through analysis of MRI images using Deep Learning Techniques | |
| Dhaygude et al. | Knowledge‐based deep learning system for classifying Alzheimer's disease for multi‐task learning | |
| Wang et al. | Diagnosis of Early Mild Cognitive Impairment Based on Associated High-Order Functional Connection Network Generated by Multimodal MRI | |
| Subah et al. | A comprehensive study on atlas-based classification of autism spectrum disorder using functional connectivity features from resting-state functional magnetic resonance imaging | |
| Pallikonda et al. | Modern Survey on Alzheimer's Disease Detection and Classification based on Deep Learning Techniques |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Room 201, floor 2, block a, No. 135 Qinghe Road, Haidian District, Beijing 100192 Applicant after: Beijing Smart Spirit Technology Co.,Ltd. Address before: 100193 room 2151 / 2152, 1f, incubator 2, Dongbeiwang Zhongguancun Software Park, Haidian District, Beijing Applicant before: Beijing Smart Spirit Technology Co.,Ltd. |