CN114305387A - 基于磁共振成像的脑小血管病变图像分类方法、设备及介质 - Google Patents
基于磁共振成像的脑小血管病变图像分类方法、设备及介质 Download PDFInfo
- Publication number
- CN114305387A CN114305387A CN202111588660.2A CN202111588660A CN114305387A CN 114305387 A CN114305387 A CN 114305387A CN 202111588660 A CN202111588660 A CN 202111588660A CN 114305387 A CN114305387 A CN 114305387A
- Authority
- CN
- China
- Prior art keywords
- brain
- image
- network
- image classification
- magnetic resonance
- 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
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 40
- 208000026106 cerebrovascular disease Diseases 0.000 title description 4
- 210000004556 brain Anatomy 0.000 claims abstract description 60
- 238000013145 classification model Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000003902 lesion Effects 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000003925 brain function Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 231100000915 pathological change Toxicity 0.000 claims 6
- 230000036285 pathological change Effects 0.000 claims 6
- 230000002490 cerebral effect Effects 0.000 abstract description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000028698 Cognitive impairment Diseases 0.000 description 2
- 206010012289 Dementia Diseases 0.000 description 2
- 210000002565 arteriole Anatomy 0.000 description 2
- 208000010877 cognitive disease Diseases 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 210000000264 venule Anatomy 0.000 description 2
- 210000004885 white matter Anatomy 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 208000016192 Demyelinating disease Diseases 0.000 description 1
- 206010012305 Demyelination Diseases 0.000 description 1
- 206010018341 Gliosis Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 201000004810 Vascular dementia Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 210000001736 capillary Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007387 gliosis Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000008925 spontaneous activity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002739 subcortical effect Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 231100000216 vascular lesion Toxicity 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于磁共振成像的脑小血管病变图像分类方法、设备及介质，所述方法首先构建并训练基于集成学习的图像分类模型，然后获取待分类脑MRI图像，应用所述图像分类模型获取该待分类脑MRI图像对应的病变类别；训练所述基于集成学习的图像分类模型具体包括以下步骤：S101、获取脑MRI数据集，对所述脑MRI数据集的图像进行预处理，获取预处理后图像；S102、对所述预处理后图像进行计算分析，获取对应的多个功能度量，基于所述多个功能度量筛选获得用于分类的若干个度量特征；S103、基于所述度量特征训练所述图像分类模型。与现有技术相比，本发明具有精度高、易于操作等优点。
Description
技术领域
本发明涉及医学图像处理技术领域，涉及一种图像自动分类方法，尤其是涉及一种基于磁共振成像的脑小血管病变图像分类方法、设备及介质。
背景技术
脑小血管疾病(CSVD)是一种临床、病理和影像综合症，可由多种原因及发病机制影响脑小动脉、小静脉、微动脉、微静脉和毛细血管等小血管，是导致认知障碍和痴呆症，如血管性痴呆、AD等的主要原因。CSVD在MRI图像上最早及最明显的表征是脑白质高信号(WMH)，其在老年人的大脑MRI上十分常见。然而，WMH的潜在病理机制是非常多样的，例如不完全的皮层下梗塞、胶质增生和轴索丧失或血管周围间隙邻近脑白质轻度脱髓鞘等，其临床影响也很复杂，包括认知障碍、卒中复发、痴呆和死亡的风险增加。
CSVD起病隐匿，渐进发展，预后不良，目前仍缺乏成熟的、有针对性的治疗策略，因此，迫切需要正确理解CSVD在衰老大脑中的作用机制和临床表现。目前，绝大部分基于CSVD的影像学智能应用都致力于病灶的分割和定位方面，而CSVD是一个全脑性疾病，并非局灶性病变。CSVD的特异性临床表现是神经元间相互连接，进而形成复杂脑网络并相互作用的结果。现有方法难以方便、准确对CSVD病变图像进行分类。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种精度高、易于操作的基于磁共振成像的脑小血管病变图像分类方法、设备及介质。
本发明的目的可以通过以下技术方案来实现：
一种基于磁共振成像的脑小血管病变图像分类方法，该方法首先构建并训练基于集成学习的图像分类模型，然后获取待分类脑MRI图像，应用所述图像分类模型获取该待分类脑MRI图像对应的病变类别；
训练所述基于集成学习的图像分类模型具体包括以下步骤：
S101、获取脑MRI数据集，对所述脑MRI数据集的图像进行预处理，获取预处理后图像；
S102、对所述预处理后图像进行计算分析，获取对应的多个功能度量，基于所述多个功能度量筛选获得用于分类的若干个度量特征；
S103、基于所述度量特征训练所述图像分类模型。
进一步地，步骤S101中，对所述脑MRI数据集的图像进行的预处理包括时间层校正、头动校正、空间标准化、平滑、带通滤波、去线性漂移、回归干扰参数中的一个或多个。
进一步地，步骤S102中，所述功能度量包括ReHo图、ALFF图、FC模式和脑功能网络，所述脑功能网络具有局部网络属性和全局网络属性。
进一步地，采用双样本T检验进行特征选择，从所述ReHo图和ALFF图中获得具有代表性的脑体素团块，作为用于分类的度量特征。
进一步地，使用L0minCV方法对FC模式和脑功能网络中局部网络属性进行特征选择。
进一步地，所述脑功能网络为具有稀疏度的加权脑网络，构建过程包括：
设置每两个脑网络节点u和v之间的连通程度，用相关性作为两节点之间边的权重，仅取所有权重值降序排列时前s％的节点连边，获得所述具有稀疏度的加权脑网络。
进一步地，所述局部网络属性包括介数中心度、度中心度、聚类系数、局部效率和节点效率；
所述全局网络属性包括同配性、层次度、局域脑网络效率、全局脑网络效率和小世界网络属性。
进一步地，所述基于集成学习的图像分类模型包括针对每一度量特征的SVM模型，以各SVM模型的初步分类结果加权获得最终分类结果。
本发明还提供一种电子设备，包括：
一个或多个处理器；
存储器；和
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述图像分类方法的指令。
本发明还提供一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如上所述图像分类方法的指令。
与现有技术相比，本发明具有以下有益效果：
1、本发明利用集成学习方法自动对输入的待分类图像进行分类，分类精度高。
2、本发明通过对图像对应的功能度量的分析，以具有代表性的特征作为用于分类的度量特征，有效提高分类精度。
3、本发明以计算机程序实现脑图像的自动化分类，易于推广，无需医生对WHM严重程度进行繁琐的视觉评定。
附图说明
图1为本发明的流程示意图；
图2为本发明基于集成学习的图像分类模型示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
本实施例提供一种基于磁共振成像的脑小血管病变图像分类方法，该方法首先构建并训练基于集成学习的图像分类模型，然后获取待分类脑MRI图像，应用所述图像分类模型获取该待分类脑MRI图像对应的病变类别。训练所述基于集成学习的图像分类模型具体包括以下步骤：
S101、获取脑MRI数据集，对所述脑MRI数据集的图像进行预处理，获取预处理后图像。
获取的脑MRI数据集的图像包括T1结构像和rs-fMRI图像。对所述脑MRI数据集的图像进行的预处理包括时间层校正、头动校正、空间标准化、平滑、带通滤波、去线性漂移、回归干扰参数中的一个或多个。
S102、对所述预处理后图像进行计算分析，获取对应的多个功能度量，基于所述多个功能度量筛选获得用于分类的若干个度量特征。
本实施例中，功能度量包括ReHo图、ALFF图、FC模式和脑功能网络。各功能度量的获取方法具体为：
ALFF图构建步骤：对经过预处理的rs-fMRI图像，首先使用0.01～0.08Hz带通滤波器保留低频段的信号，然后对所有信号强度进行傅立叶变换得到功率谱，将其开方，从而得到BOLD信号的振幅，最后把所有频率点上振幅值相加求平均，该平均值就是最终的ALFF值，如公式(1)所示：
式(1)中，N为体素总和，ak，bk是不同频率下对应的系数。
ReHo图构建步骤：对经过预处理的rs-fMRI图像，计算每个脑体素的肯德尔和谐系数评估其在局部区域神经自发活动的一致性，计算公式如下：
式(2)中，Ri是第i个时间点的秩和；时间点个数用n表示；K是计算的体素的时间序列与最近邻域的体素(此处，K为27，一个给定的体素加上其26个邻域)；
表示Ri的平均值，
其中W是给定体素的ReHo的值，其范围从0到1。
FC模式构建步骤：使用Brainnetome Atlas将每个处理好的脑图像划分为246个脑区，及左右半球各123个节点，提取每个脑区的平均时间序列信号；计算任意两个脑区节点的时间序列信号之间的相关系数，使用皮尔森相似性度量得到全脑功能连接矩阵Maps，元素(u,v)表示第u个脑节点到第v个脑节点的功能连接强度，该矩阵Maps的每一行描述了该脑区在静息状态下和全脑节点之间的连接模式。所述皮尔森相似性度量的计算公式为：
式(3)中，u、v表示任意两节点，I(·,t)表示t时刻的体素值，
表示节点的平均信号值，T表示时间序列的长度，SI(·)表示节点信号值的标准差。
对Maps使用Fisher Z变换，得到每个图像的FC模式，即大小为246×246的FC矩阵。由于FC矩阵关于主对角线对称，因此，取下三角矩阵，并将其拉成一行，最后，每个图像的FC为一个1×30135的一维向量。
脑功能网络构建步骤：设置每两个脑网络节点u和v之间的连通程度：用相关性作为两节点之间边的权重，仅取所有权重值降序排列时前s％的权重较大的连边，得到具有一定稀疏度的加权脑网络。
通过图论方法分析上述脑功能网络，可提取脑网络属性，包括局部网络属性和全局网络属性。局部网络属性包括介数中心度、度中心度、聚类系数、局部效率和节点效率；全局网络属性包括同配性、层次度、局域脑网络效率、全局脑网络效率和小世界网络属性。
其中，构建具有稀疏度的加权脑网络时，稀疏度s％其值是不确定的，个体化差异较大，且特定的稀疏度阈值选取繁琐且容易出错，此时计算各节点属性在不同稀疏度下的曲线下面积，将不同稀疏度阈值水平下的属性值组合起来，组合结果作为最终能真实、准确描述原始图像的脑功能网络属性。
针对上述ReHo图、ALFF图、FC模式、脑功能网络等功能度量，本实施例采用不同的方式进行分析，确定最终用于分类的度量特征。
ALFF图、ReHo图特征筛选步骤为：
使用双样本T检验对样本的ALFF和ReHo图进行组间统计分析，回归了年龄、性别和教育程度因素的影响，并通过AlphaSim校正了ALFF和ReHo图，统计阈值采用p<0.01，分别得到ALFF图、ReHo图中具有代表性的脑体素团块。
FC模式、局部脑功能网络特征筛选步骤为：分别对FC模式和局部网络属性使用L0minCV方法进行特征选择。
所述L0minCV方法具体包括：
在使用L0min特征选择方法时，确定最终需要选择的特征数量r是很重要的，这直接影响了最优特征子集的组合。为了权衡后续实验结果的准确性和鲁棒性，在此基础上提出分层交叉验证L0min的方法，即L0minCV，以找到可使分类模型(初步使用线性核SVM)获得最高分类精度的最优特征子集，具体步骤如下：
(1)采用分层五折交叉验证，将需使用特征选择算法的数据重新分成训练和测试数据集；
(2)将训练数据的所有特征看做初始特征，维数为M，根据L0min算法得到的特征排序情况，舍掉排名最后的D个特征，形成一个新的特征子集，维数为M－D；
(3)按索引抽取测试集的特征，更新的测试集的特征维度也为M－D，使用SVM算法，计算其在测试集上的分级精度；
(4)第2次舍弃排名倒数的D个特征，得到M－2×D维特征，计算新的分类精度；
(5)当进行第n次特征舍弃时，得到M－n×D维特征，算得分类精度；直到特征维数不可再减少时，停止舍弃；
(6)将分类精度最高且特征数量最小时的特征维数确定为最后的特征选择数量r。
S103、基于所述度量特征训练所述图像分类模型。
本方法中，基于集成学习的图像分类模型使用SVM作为基分类器，包括针对每一度量特征的SVM模型，以各SVM模型的初步分类结果加权获得最终分类结果。
本实施例中，基于筛选的度量特征获得基于rs-fMRI数据的9个不同的特征子集，包括经双样本T检验获得ALFF、ReHo的2个特征子集；经L0minCV特征选择得到的FC模式、局部网络属性共6个特征子集以及未进行特征选择的全局网络属性特征子集。集成SVM的最终输出由多个SVM分类器共同决定，采用加权投票策略得到最终的自动分类结果。
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例2
本实施例提供一种基于磁共振成像的脑小血管病变图像分类系统，包括模型构建模块和分类模块，所述模型构建模块包括：
数据集获取单元，用于获取脑MRI数据集，对所述脑MRI数据集的图像进行预处理，获取预处理后图像；
功能度量构建单元，对所述预处理后图像进行计算分析，获取对应的多个功能度量；
筛选单元，基于所述多个功能度量筛选获得用于分类的若干个度量特征；
训练单元，用于根据筛选的度量特征进行基于集成学习的图像分类模型的训练。
其余同实施例1。
实施例3
本实施例提供一种电子设备，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如实施例1所述图像分类方法的指令。
该电子设备可应用于CSVD病变图像的分类，以WMH严重程度的不同作为不同病变类别，分为轻度和中重度。该电子设备的使用能有效地提高CSVD的诊断效能和早期筛查效率，可进一步辅助医生诊断和早期干预CSVD患者，防止老年人WMH相关的脑损伤，并给他们相应的健康提示。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于磁共振成像的脑小血管病变图像分类方法，其特征在于，该方法首先构建并训练基于集成学习的图像分类模型，然后获取待分类脑MRI图像，应用所述图像分类模型获取该待分类脑MRI图像对应的病变类别；
训练所述基于集成学习的图像分类模型具体包括以下步骤：
S101、获取脑MRI数据集，对所述脑MRI数据集的图像进行预处理，获取预处理后图像；
S102、对所述预处理后图像进行计算分析，获取对应的多个功能度量，基于所述多个功能度量筛选获得用于分类的若干个度量特征；
S103、基于所述度量特征训练所述图像分类模型。
2.根据权利要求1所述的基于磁共振成像的脑小血管病变图像分类方法，其特征在于，步骤S101中，对所述脑MRI数据集的图像进行的预处理包括时间层校正、头动校正、空间标准化、平滑、带通滤波、去线性漂移、回归干扰参数中的一个或多个。
3.根据权利要求1所述的基于磁共振成像的脑小血管病变图像分类方法，其特征在于，步骤S102中，所述功能度量包括ReHo图、ALFF图、FC模式和脑功能网络，所述脑功能网络具有局部网络属性和全局网络属性。
4.根据权利要求3所述的基于磁共振成像的脑小血管病变图像分类方法，其特征在于，采用双样本T检验进行特征选择，从所述ReHo图和ALFF图中获得具有代表性的脑体素团块，作为用于分类的度量特征。
5.根据权利要求3所述的基于磁共振成像的脑小血管病变图像分类方法，其特征在于，使用L0minCV方法对FC模式和脑功能网络中局部网络属性进行特征选择。
6.根据权利要求3所述的基于磁共振成像的脑小血管病变图像分类方法，其特征在于，所述脑功能网络为具有稀疏度的加权脑网络，构建过程包括：
设置每两个脑网络节点u和v之间的连通程度，用相关性作为两节点之间边的权重，仅取所有权重值降序排列时前s％的节点连边，获得所述具有稀疏度的加权脑网络。
7.根据权利要求3所述的基于磁共振成像的脑小血管病变图像分类方法，其特征在于，所述局部网络属性包括介数中心度、度中心度、聚类系数、局部效率和节点效率；
所述全局网络属性包括同配性、层次度、局域脑网络效率、全局脑网络效率和小世界网络属性。
8.根据权利要求1所述的基于磁共振成像的脑小血管病变图像分类方法，其特征在于，所述基于集成学习的图像分类模型包括针对每一度量特征的SVM模型，以各SVM模型的初步分类结果加权获得最终分类结果。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；和
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述图像分类方法的指令。
10.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述图像分类方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111588660.2A CN114305387A (zh) | 2021-12-23 | 2021-12-23 | 基于磁共振成像的脑小血管病变图像分类方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111588660.2A CN114305387A (zh) | 2021-12-23 | 2021-12-23 | 基于磁共振成像的脑小血管病变图像分类方法、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114305387A true CN114305387A (zh) | 2022-04-12 |
Family
ID=81055008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111588660.2A Pending CN114305387A (zh) | 2021-12-23 | 2021-12-23 | 基于磁共振成像的脑小血管病变图像分类方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114305387A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115381400A (zh) * | 2022-08-19 | 2022-11-25 | 四川轻化工大学 | 一种基于特征选择和svm的脑部疾病患者分类系统和方法 |
| CN116310352A (zh) * | 2023-01-20 | 2023-06-23 | 首都医科大学宣武医院 | 一种阿尔兹海默病mri图像多分类方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104715261A (zh) * | 2015-03-23 | 2015-06-17 | 南京工业大学 | fMRI动态脑功能子网络构建及并联SVM加权识别方法 |
| US20190183429A1 (en) * | 2016-03-24 | 2019-06-20 | The Regents Of The University Of California | Deep-learning-based cancer classification using a hierarchical classification framework |
| CN110604572A (zh) * | 2019-10-08 | 2019-12-24 | 江苏海洋大学 | 基于人脑特征图谱的脑活动状态识别方法 |
| CN111325268A (zh) * | 2020-02-18 | 2020-06-23 | 中南大学 | 基于多层次特征表示和集成学习的影像分类方法及装置 |
-
2021
- 2021-12-23 CN CN202111588660.2A patent/CN114305387A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104715261A (zh) * | 2015-03-23 | 2015-06-17 | 南京工业大学 | fMRI动态脑功能子网络构建及并联SVM加权识别方法 |
| US20190183429A1 (en) * | 2016-03-24 | 2019-06-20 | The Regents Of The University Of California | Deep-learning-based cancer classification using a hierarchical classification framework |
| CN110604572A (zh) * | 2019-10-08 | 2019-12-24 | 江苏海洋大学 | 基于人脑特征图谱的脑活动状态识别方法 |
| CN111325268A (zh) * | 2020-02-18 | 2020-06-23 | 中南大学 | 基于多层次特征表示和集成学习的影像分类方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| SUNIL VASU KALMADY: "Towards artificial intelligence in mental health by improving schizophrenia prediction with multiple brain parcellation ensemble-learning", 《SCHIZOPHRENIA》, 18 January 2019 (2019-01-18), pages 1 - 11 * |
| 文宏伟: "机器学习在神经精神疾病诊断及预测中的应用", 《协和医学杂志》, 31 January 2018 (2018-01-31), pages 19 - 24 * |
| 熊嘉臻: "基于磁共振图像的帕金森病自动分类算法研究", 《中国数字医学》，, 30 November 2016 (2016-11-30), pages 8 - 10 * |
| 莱斯利•F.西科斯: "基于人工智能方法的网络空间安全", 31 October 2021, 机械工业出版社, pages: 190 - 191 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115381400A (zh) * | 2022-08-19 | 2022-11-25 | 四川轻化工大学 | 一种基于特征选择和svm的脑部疾病患者分类系统和方法 |
| CN116310352A (zh) * | 2023-01-20 | 2023-06-23 | 首都医科大学宣武医院 | 一种阿尔兹海默病mri图像多分类方法及装置 |
| CN116310352B (zh) * | 2023-01-20 | 2024-04-12 | 首都医科大学宣武医院 | 一种阿尔兹海默病mri图像多分类方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10303986B2 (en) | Automated measurement of brain injury indices using brain CT images, injury data, and machine learning | |
| CN111009324B (zh) | 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法 | |
| CN110840468B (zh) | 自闭症风险评估方法及装置、终端设备、存储介质 | |
| Nigri et al. | Explainable deep CNNs for MRI-based diagnosis of Alzheimer’s disease | |
| CN102509123B (zh) | 一种基于复杂网络的脑功能磁共振图像分类方法 | |
| Sharma et al. | Brain tumor segmentation using DE embedded OTSU method and neural network | |
| Mookiah et al. | Automated detection of age-related macular degeneration using empirical mode decomposition | |
| Al-Adhaileh | Diagnosis and classification of Alzheimer's disease by using a convolution neural network algorithm | |
| CN111631715B (zh) | 一种阿尔茨海默症早期认知功能下降预测方法 | |
| CN114305387A (zh) | 基于磁共振成像的脑小血管病变图像分类方法、设备及介质 | |
| CN112614126B (zh) | 基于机器学习的磁共振图像脑区划分方法、系统和装置 | |
| Han et al. | A novel convolutional variation of broad learning system for Alzheimer’s disease diagnosis by using MRI images | |
| Kaur et al. | Utilizing the Random Forest Algorithm to Enhance Alzheimer’s disease Diagnosis | |
| CN108597615A (zh) | 一种轻度认知障碍患者痴呆转化的筛选参考方法 | |
| CN114926396A (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
| CN112784924B (zh) | 基于分组聚合深度学习模型的肋骨骨折ct图像分类方法 | |
| Singh et al. | Good view frames from ultrasonography (USG) video containing ONS diameter using state-of-the-art deep learning architectures | |
| CN116738352B (zh) | 视网膜血管阻塞疾病的视杆细胞异常分类方法及装置 | |
| CN117333667A (zh) | 一种脑部ct图像出血区域自动分割方法及系统 | |
| CN116484290A (zh) | 一种基于Stacking集成的抑郁症识别模型构建方法 | |
| CN104794706A (zh) | 一种超声图像心肌检测和特征测量方法 | |
| Palraj et al. | Predicting the abnormality of brain and compute the cognitive power of human using deep learning techniques using functional magnetic resonance images | |
| Vidhusha et al. | Analysis and evaluation of autistic brain MR images using learning vector quantization and support vector machines | |
| Azizy et al. | Medical image-based prediction of brain tumor by using convolutional neural network optimized by Cuckoo search algorithm | |
| Nugroho et al. | Quad Convolutional Layers (QCL) CNN Approach for Classification of Brain Stroke in Diffusion Weighted (DW)-Magnetic Resonance Images (MRI). |
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 |