CN114266738A - 轻度脑损伤磁共振影像数据的纵向分析方法及系统 - Google Patents
轻度脑损伤磁共振影像数据的纵向分析方法及系统 Download PDFInfo
- Publication number
- CN114266738A CN114266738A CN202111501620.XA CN202111501620A CN114266738A CN 114266738 A CN114266738 A CN 114266738A CN 202111501620 A CN202111501620 A CN 202111501620A CN 114266738 A CN114266738 A CN 114266738A
- Authority
- CN
- China
- Prior art keywords
- sparse
- brain
- brain function
- function connection
- mild
- 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
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明属于康复治疗技术领域,公开了一种轻度脑损伤磁共振影像数据的纵向分析方法及系统,从受试者磁共振影像数据提取BOLD信号;根据稀疏逆协方差矩阵估计,构建受试者对称正定稀疏脑功能连接网络集合;根据黎曼流形稀疏编码,确定核空间上脑功能连接网络字典以及稀疏系数矩阵;进行脑功能连接原子网络空间分布分析;进行轻度脑损伤磁共振影像数据的纵向分析。本发明通过分析这些高呈现率的脑功能连接原子网络在脑空间分布的差异情况,挖掘出用于区别急性期、亚急性期、完全康复三个轻度脑损伤康复治疗阶段的脑功能连接影像学标记,实现对轻度脑损伤康复过程的纵向分析。
Description
技术领域
本发明属于康复医学数据分析技术领域,尤其涉及一种轻度脑损伤磁共振影像数据的纵向分析方法及系统。
背景技术
人脑是一个有机统一的整体,由各个脑区互相协作来完成高级认知功能。脑功能连接网络直观地描述了执行认知功能活动时,空间上远离的不同脑区间存在的相互作用关系。静息态下的脑功能连接网络反映了大脑自发性神经活动的功能模式,是脑认知功能疾病神经机理研究的重要技术手段,具有很好的临床适用性。
轻度脑损伤在临床方面,症状主要表现为不同程度的认知、行为和情感障碍,普通医学影像技术例如CT和常规MRI均难以显示出病灶。目前在轻度脑损伤的临床诊断上,CT影像无法有效提供诊断依据,而丰富的磁共振影像数据资源尚未得到充分的利用。临床上主要由医生依靠自身医疗经验来根据患者主观感受和自我症状描述进行定性判断,缺乏客观、可靠的指标。
目前,基于静息态功能磁共振影像针对轻度脑损伤症的脑功能分析方法大多采用欧式空间的向量化方法进行分析,向量化方法是一种线性分析方法,无法对脑功能连接蕴含的非线性本质特性进行准确的刻画。
发明内容
针对现有技术存在的问题,本发明提供了一种轻度脑损伤磁共振影像数据的纵向分析方法及系统。
本发明是这样实现的,一种轻度脑损伤磁共振影像数据的纵向分析方法,所述轻度脑损伤磁共振影像数据的纵向分析方法包括以下步骤:
步骤一,利用磁共振影像数据提取的BOLD信号获取用于反映各个感兴趣脑区脑功能活动状况的测量数据;
步骤二,根据稀疏逆协方差矩阵估计,得到各个受试者对称正定稀疏脑功能连接网络集合,正定稀疏脑功能连接网络反映了受试者各脑区相互之间的作用关系;
步骤三,根据黎曼流形稀疏编码,确定核空间上正定稀疏脑功能连接网络字典及其稀疏系数矩阵,在流形空间上对正定稀疏脑功能连接网络的组成特征进行解析;
步骤四,进行脑功能连接原子网络空间分布分析,获知各受试者脑功能连接子网络特征的空间分布状况;
步骤五,进行轻度脑损伤磁共振影像数据的纵向分析,通过对健康受试者和疾病受试者脑功能连接子网络特征在空间分布上模式差异,进行疾病判别。
进一步,步骤二中,所述稀疏脑功能连接网络的构建,包括:
令{x1,x2,…,xM}表示长度为M的感兴趣脑区BOLD信号时间序列,其中xi是d维向量,对应d个感兴趣脑区。假设xi服从某未知的多维高斯分布其中,μ是多维高斯分布的均值向量,Σ为多维高斯分布协方差矩阵,均为未知参数。脑功能连接网络可以通过对BOLD信号时间序列的逆协方差矩阵Σ-1进行估计来构建,Σ-1的非主对角线元素表示剔除其他感兴趣脑区影响的各成对感兴趣脑区相互之间的一种偏相关关系,即表示感兴趣脑区i和j之间的连接强度。如果感兴趣脑区i和j之间是相互独立关系,那么为0。对各成对感兴趣脑区相互之间的偏相关关系进行估计:
其中,是BOLD信号时间序列{x1,x2,…xM}的样本协方差矩阵;det(·)表示矩阵行列式算子,tr(·)表示矩阵迹算子,||·||1表示矩阵所有元素绝对值之和,λ>0为预设的稀疏正则化参数,表示稀疏脑功能连接网络的估计值。由于在大脑神经活动中,一个感兴趣脑区与其他脑区之间存在着有限连接的稀疏性特点,通过对Σ-1增加稀疏度约束,即估计得到更为真实的脑功能连接网络。当稀疏正则化参数λ比较小时,利用Graphical Lasso方法求解式(1)得到表示为稀疏脑功能连接网络。
进一步,步骤三中,所述根据黎曼流形稀疏编码,确定核空间上脑功能连接网络字典以及稀疏系数矩阵,包括:
当稀疏脑功能连接网络训练集s={s1,s2,…sN}由轻度脑损伤疾病患者sG1={s1,…sn}和健康对照组sG2={sn+1,…,sN}两组类型组成时,采用群组稀疏编码方式进行字典学习,其基本形式如下:
通过选取合适的具备再生核特性的对称正定核,利用核技巧将公式(3)简化为具有凸优化形式的黎曼流形上的核稀疏编码求解问题。
通过随机梯度算法或ADMM算法求解该问题,得到的字典即为一组脑功能连接原子网络模式,代表包括轻度脑损伤疾病患者和健康对照组在内,所有受试者脑功能连接网络中共有的一组脑功能连接原子网络,可以映射出所有受试者大脑空间中具有特征化描述的脑功能连接网络空间分布情况。
进一步,步骤四中,所述脑功能连接原子网络空间分布分析,包括:
针对轻度脑损伤康复诊断纵向分析,构建包含急性期轻度脑损伤患者、亚急性期轻度脑损伤康复病人、健康对照组共三类人员的稀疏脑功能连接网络训练集s={sG1,sG2,sG3},采用群组稀疏编码方式进行字典学习:
进一步,对AG1、AG2、AG3分别进行非零T检验,统计各脑功能连接原子网络在每个组别中的非零引用次数,寻找出每个组别中具有显著高呈现率的脑功能连接原子网络。
通过分析这些高呈现率的脑功能连接原子网络在脑空间分布的差异性,用于急性期、亚急性期、完全康复三个轻度脑损伤康复治疗阶段的脑功能连接特征判别,实现对轻度脑损伤康复过程的纵向分析。
本发明的另一目的在于提供一种应用所述的轻度脑损伤磁共振影像数据的纵向分析方法的轻度脑损伤的轻度脑损伤磁共振影像数据的纵向分析系统,所述轻度脑损伤的轻度脑损伤磁共振影像数据的纵向分析系统包括:
信号提取模块,用于从受试者磁共振影像数据提取BOLD信号;
网络集合确定模块,用于根据稀疏逆协方差矩阵估计,构建受试者对称正定稀疏脑功能连接网络集合;
网络特征模式挖掘模块,用于根据黎曼流形稀疏编码,确定核空间上脑功能连接网络字典以及稀疏系数矩阵;
网络空间分布分析模块,用于进行脑功能连接原子网络空间分布分析;
疾病判别模块,用于进行轻度脑损伤磁共振影像数据的纵向分析。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
从受试者磁共振影像数据提取BOLD信号;根据稀疏逆协方差矩阵估计,确定受试者对称正定稀疏脑功能连接网络集合;根据黎曼流形稀疏编码,确定核空间上脑功能连接网络字典以及稀疏系数矩阵;进行脑功能连接原子网络空间分布分析;进行轻度脑损伤磁共振影像数据的纵向分析。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
从受试者磁共振影像数据提取BOLD信号;根据稀疏逆协方差矩阵估计,确定受试者对称正定稀疏脑功能连接网络集合;根据黎曼流形稀疏编码,确定核空间上脑功能连接网络字典以及稀疏系数矩阵;进行脑功能连接原子网络空间分布分析;进行轻度脑损伤磁共振影像数据的纵向分析。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述的轻度脑损伤的轻度脑损伤磁共振影像数据的纵向分析系统。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:
本发明提供的轻度脑损伤磁共振影像数据的纵向分析方法,通过选取合适的具备再生核特性的对称正定核(例如Stein核等),利用核技巧将公式简化为具有凸优化形式的黎曼流形上的核稀疏编码求解问题,通过求解该问题,得到的字典用于表示脑功能连接原子网络模式。
本发明通过分析这些高呈现率的脑功能连接原子网络在脑空间分布的差异,用于对急性期、亚急性期、完全康复三个轻度脑损伤康复治疗阶段的脑功能连接影像特征判别,实现对轻度脑损伤康复过程的纵向分析。
本发明从黎曼流形角度开展脑网络分析,可以获得脑功能连接所蕴含的非线性结构信息,突破了常见的欧式空间向量化方法不能深刻反映脑功能连接网络的本质非线性特性,更有利于实现对脑功能疾病进行准确判别。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述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他的附图。
图1是本发明实施例提供的轻度脑损伤磁共振影像数据的纵向分析方法流程图。
图2是本发明实施例提供的轻度脑损伤磁共振影像数据的纵向分析方法原理图。
图3是本发明实施例提供的轻度脑损伤的轻度脑损伤磁共振影像数据的纵向分析系统结构框图;
图中:1、信号提取模块;2、网络集合确定模块;3、网络特征模式挖掘模块;4、网络空间分布分析模块;5、疾病状况判别模块。
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,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种轻度脑损伤磁共振影像数据的纵向分析方法及系统,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的轻度脑损伤磁共振影像数据的纵向分析方法包括以下步骤:
S101,利用磁共振影像数据提取的BOLD信号获取用于反映各个感兴趣脑区脑功能活动状况的测量数据;
S102,根据稀疏逆协方差矩阵估计,构建各个受试者对称正定稀疏脑功能连接网络集合,正定稀疏脑功能连接网络反映了受试者各脑区相互之间的作用关系;
S103,根据黎曼流形稀疏编码,确定核空间上正定稀疏脑功能连接网络字典及其稀疏系数矩阵,在流形空间上对正定稀疏脑功能连接网络的组成特征进行解析;
S104,进行脑功能连接原子网络空间分布分析,获知各受试者脑功能连接子网络特征的空间分布模式;
S105,进行轻度脑损伤磁共振影像数据的纵向分析。通过对健康受试者和疾病受试者脑功能连接子网络特征在空间分布上的模式差异分析,进行疾病判别。
本发明实施例提供的轻度脑损伤磁共振影像数据的纵向分析方法原理图如图2所示。
如图3所示,本发明实施例提供的轻度脑损伤的轻度脑损伤磁共振影像数据的纵向分析系统包括:
信号提取模块1,用于从受试者磁共振影像数据提取BOLD信号;
网络集合确定模块2,用于根据稀疏逆协方差矩阵估计,构建受试者对称正定稀疏脑功能连接网络集合;
网络特征模式挖掘模块3,用于根据黎曼流形稀疏编码,确定核空间上脑功能连接网络字典及其稀疏系数矩阵;
网络空间分布分析模块4,用于进行脑功能连接原子网络的空间分布模式分析;
疾病状况判别模块5,用于进行轻度脑损伤磁共振影像数据的纵向分析。
下面结合实施例对本发明的技术方案作进一步描述。
实施例:基于黎曼流形稀疏表示的轻度脑损伤脑功能连接网络空间特性:
本发明轻度脑损伤脑功能连接网络空间特性采取的技术路线如图2所示。
本发明实施例提供的轻度脑损伤磁共振影像数据的纵向分析方法,包括:
1、稀疏脑功能连接网络构建
{x1,x2,…,xM}表示长度为M的感兴趣脑区BOLD信号时间序列,其中xi是d维向量,对应d个感兴趣脑区。假设xi服从某未知的多维高斯分布其中,μ是多维高斯分布的均值向量,Σ为多维高斯分布协方差矩阵,均为未知参数。脑功能连接网络可以通过对BOLD信号时间序列的逆协方差矩阵Σ-1进行估计来构建,Σ-1的非主对角线元素表示剔除其他感兴趣脑区影响的各成对感兴趣脑区之间的一种偏相关关系,即表示感兴趣脑区i和j之间的连接强度。如果感兴趣脑区i和j之间是相互独立关系,那么为0。对各成对感兴趣脑区相互之间的偏相关关系进行估计:
其中,是BOLD信号时间序列{x1,x2,…,xM}的样本协方差矩阵;det(·),tr(·)和||·||1分别表示矩阵行列式算子,矩阵迹算子和矩阵所有元素绝对值之和,λ>0为预设的稀疏正则化参数,表示稀疏脑功能连接网络的估计值。考虑到在大脑神经活动中,一个感兴趣脑区与其他脑区之间存在有限连接的稀疏性特点,通过对Σ-1增加稀疏度约束,即||Σ-1||1,可以估计得到更为真实的脑功能连接网络。当稀疏正则化参数λ比较小时,利用Graphical Lasso方法求解式(1)得到以表示稀疏脑功能连接网络。
2、脑功能连接原子网络特征模式挖掘
由于本发明是面向轻度脑损伤的疾病辅助诊断分析开展研究,稀疏脑功能连接网络训练集s={s1,s2,…sN]主要由轻度脑损伤疾病患者sG1={s1,…,sn}和健康对照组sG2={sn+1,…,sN}两组类型组成。
为了提高稀疏表示分类器的判别能力,本发明拟采用群组稀疏编码方式进行字典学习,其基本形式如下:
本发明将通过选取合适的具备再生核特性的对称正定核(例如Stein核等),利用核技巧将公式(3)简化为具有凸优化形式的黎曼流形上的核稀疏编码求解问题。
通过随机梯度算法或ADMM算法求解该问题,得到的字典即为一组脑功能连接原子网络模式,代表了包括轻度脑损伤疾病患者和健康对照组在内,所有受试者脑功能连接网络中共有的一组脑功能连接原子网络,映射出所有受试者大脑空间中具有特征化描述的脑功能连接网络空间分布情况。用稀疏系数向量An与字典稀疏的组合在一起,可以重构出每个样本的稀疏脑功能连接网络sn。
3、面向轻度脑损伤康复过程的轻度脑损伤磁共振影像数据的纵向分析
构建包含急性期轻度脑损伤患者、亚急性期轻度脑损伤康复病人、健康对照组共三类人员的稀疏脑功能连接网络训练集s={sG1,sG2,sG3}。拟采用群组稀疏编码方式进行字典学习:
对AG1、AG2、AG3分别进行非零T检验,统计各脑功能连接原子网络在每个组别中的非零引用次数,寻找出每个组别中具有显著高呈现率的脑功能连接原子网络。通过分析这些高呈现率的脑功能连接原子网络在脑空间分布的差异性,用于急性期、亚急性期、完全康复三个轻度脑损伤康复治疗阶段的脑功能连接特征判别,实现对轻度脑损伤康复过程的纵向分析。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种轻度脑损伤磁共振影像数据的纵向分析方法,其特征在于,所述轻度脑损伤磁共振影像数据的纵向分析方法包括以下步骤:
步骤一,利用磁共振影像数据提取的BOLD信号获取用于反映各个感兴趣脑区脑功能活动状况的测量数据;
步骤二,根据稀疏逆协方差矩阵估计,得到各个受试者对称正定稀疏脑功能连接网络集合,正定稀疏脑功能连接网络反映了受试者各脑区相互之间的作用关系;
步骤三,根据黎曼流形稀疏编码,确定核空间上正定稀疏脑功能连接网络字典及其稀疏系数矩阵,在流形空间上对正定稀疏脑功能连接网络的组成特征进行解析;
步骤四,进行脑功能连接原子网络空间分布分析,获得各受试者脑功能连接子网络特征的空间分布模式;
步骤五,进行轻度脑损伤磁共振影像数据的纵向分析,通过对健康受试者和疾病受试者脑功能连接子网络特征在空间分布上模式差异,进行疾病状态判别。
2.如权利要求1所述的轻度脑损伤磁共振影像数据的纵向分析方法,其特征在于,所述稀疏脑功能连接网络的构建方法包括:
令{x1,x2,…,xM}表示长度为M的感兴趣脑区BOLD信号时间序列,其中xi是d维向量,对应d个感兴趣脑区;xi服从某未知的多维高斯分布其中μ是多维高斯分布的均值向量,∑为多维高斯分布协方差矩阵,均为未知参数;脑功能连接网络通过对BOLD信号时间序列的逆协方差矩阵∑-1进行估计构建;∑-1的非主对角线元素表示剔除其他感兴趣脑区影响的各成对感兴趣脑区相互之间的一种偏相关关系,表示感兴趣脑区i和j之间的连接强度;如果感兴趣脑区i和j之间是相互独立关系,那么为0;对各成对感兴趣脑区相互之间的偏相关关系进行估计:
3.如权利要求1所述的轻度脑损伤磁共振影像数据的纵向分析方法,其特征在于,所述根据黎曼流形稀疏编码,确定核空间上脑功能连接网络字典以及稀疏系数矩阵,包括:
稀疏脑功能连接网络训练集S={s1,s2,…,Sn,Sn+1,…sN}由轻度脑损伤疾病患者SG1={S1,…,Sn}和健康对照组SG2={Sn+1,…,SN}两组类型组成;
采用群组稀疏编码方式进行字典学习,其基本形式如下:
6.如权利要求5所述的轻度脑损伤磁共振影像数据的纵向分析方法,其特征在于,对AG1、AG2、AG3分别进行非零T检验,统计各脑功能连接原子网络在每个组别中的非零引用次数,寻找出每个组别中具有显著高呈现率的脑功能连接原子网络;通过分析这些高呈现率的脑功能连接原子网络在脑空间分布的差异性,用于急性期、亚急性期、完全康复三个轻度脑损伤康复治疗阶段的脑功能连接特征判别,实现对轻度脑损伤康复过程的纵向分析。
7.一种实现权利要求1~6任意一项所述的轻度脑损伤磁共振影像数据的纵向分析方法的轻度脑损伤的轻度脑损伤磁共振影像数据的纵向分析系统,其特征在于,所述轻度脑损伤的轻度脑损伤磁共振影像数据的纵向分析系统包括:
信号提取模块,用于从受试者磁共振影像数据提取BOLD信号;
网络集合确定模块,用于根据稀疏逆协方差矩阵估计,构建受试者对称正定稀疏脑功能连接网络集合;
网络特征模式挖掘模块,用于根据黎曼流形稀疏编码,确定核空间上脑功能连接网络字典以及稀疏系数矩阵;
网络空间分布分析模块,用于进行脑功能连接原子网络空间分布分析;
疾病状况判别模块,用于进行轻度脑损伤磁共振影像数据的纵向分析。
8.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
从受试者磁共振影像数据提取BOLD信号;根据稀疏逆协方差矩阵估计,确定受试者对称正定稀疏脑功能连接网络集合;根据黎曼流形稀疏编码,确定核空间上脑功能连接网络字典及其稀疏系数矩阵;进行脑功能连接原子网络空间分布分析;进行轻度脑损伤磁共振影像数据的纵向分析。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
从受试者磁共振影像数据提取BOLD信号;根据稀疏逆协方差矩阵估计,确定受试者对称正定稀疏脑功能连接网络集合;根据黎曼流形稀疏编码,确定核空间上脑功能连接网络字典及其稀疏系数矩阵;进行脑功能连接原子网络空间分布分析;进行轻度脑损伤疾病康复状况纵向分析。
10.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现如权利要求7所述的轻度脑损伤的轻度脑损伤磁共振影像数据的纵向分析系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111501620.XA CN114266738A (zh) | 2021-12-09 | 2021-12-09 | 轻度脑损伤磁共振影像数据的纵向分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111501620.XA CN114266738A (zh) | 2021-12-09 | 2021-12-09 | 轻度脑损伤磁共振影像数据的纵向分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114266738A true CN114266738A (zh) | 2022-04-01 |
Family
ID=80826679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111501620.XA Pending CN114266738A (zh) | 2021-12-09 | 2021-12-09 | 轻度脑损伤磁共振影像数据的纵向分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266738A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2021
- 2021-12-09 CN CN202111501620.XA patent/CN114266738A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111657935B (zh) | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 | |
Li et al. | Surface-based single-subject morphological brain networks: effects of morphological index, brain parcellation and similarity measure, sample size-varying stability and test-retest reliability | |
US20220122250A1 (en) | Brain feature prediction using geometric deep learning on graph representations of medical image data | |
WO2023178916A1 (zh) | 一种基于磁共振和孪生图神经网络的脑图谱个体化方法及系统 | |
WO2021226778A1 (zh) | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 | |
CN110236543B (zh) | 基于深度学习的阿尔茨海默病多分类诊断系统 | |
CN113616184A (zh) | 基于多模态磁共振图像的脑网络建模与个体预测方法 | |
US20230342918A1 (en) | Image-driven brain atlas construction method, apparatus, device and storage medium | |
CN112488976B (zh) | 一种基于darts网络的多模态医学图像融合方法 | |
CN112329609A (zh) | 基于2d心拍的特征融合迁移学习心律失常分类系统 | |
US11333730B2 (en) | Systems and methods for mapping neuronal circuitry and clinical applications thereof | |
CN110969614B (zh) | 基于三维卷积神经网络的脑龄预测方法及系统 | |
CN113688862B (zh) | 一种基于半监督联邦学习的脑影像分类方法及终端设备 | |
CN115272295A (zh) | 基于时域-空域联合状态的动态脑功能网络分析方法及系统 | |
CN112418337A (zh) | 基于脑功能超网络模型的多特征融合数据分类方法 | |
CN114005514B (zh) | 医学影像诊断方法、系统及装置 | |
CN114266738A (zh) | 轻度脑损伤磁共振影像数据的纵向分析方法及系统 | |
CN114241240A (zh) | 脑部图像的分类方法、装置、电子设备及存储介质 | |
Huerta et al. | Inter-subject clustering of brain fibers from whole-brain tractography | |
WO2021184195A1 (zh) | 医学图像重建方法、医学图像重建网络训练方法和装置 | |
CN115937129B (zh) | 基于多模态磁共振影像的左右半脑关系的处理方法及装置 | |
CN114287910A (zh) | 一种基于多阶段图卷积融合的脑功能连接分类方法 | |
CN115251889B (zh) | 一种功能磁共振影像动态连接网络特征描述方法 | |
CN114862834B (zh) | 一种静息态功能磁共振影像数据分类方法 | |
Wu et al. | GRAND: Unbiased Connectome Atlas of Brain Network by G roupwise G r aph Shrink a ge and N etwork D iffusion |
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 |