CN114376522A - 构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法 - Google Patents

构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法 Download PDF

Info

Publication number
CN114376522A
CN114376522A CN202111641486.3A CN202111641486A CN114376522A CN 114376522 A CN114376522 A CN 114376522A CN 202111641486 A CN202111641486 A CN 202111641486A CN 114376522 A CN114376522 A CN 114376522A
Authority
CN
China
Prior art keywords
image data
fmri image
recognition model
computer recognition
recognizing
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
CN202111641486.3A
Other languages
English (en)
Other versions
CN114376522B (zh
Inventor
杨天华
张颖颖
张天羽
周桓羽
杨梦晗
陈敏
周东
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.)
Sichuan University
West China Hospital of Sichuan University
Original Assignee
Sichuan University
West China Hospital of Sichuan 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 Sichuan University, West China Hospital of Sichuan University filed Critical Sichuan University
Priority to CN202111641486.3A priority Critical patent/CN114376522B/zh
Publication of CN114376522A publication Critical patent/CN114376522A/zh
Application granted granted Critical
Publication of CN114376522B publication Critical patent/CN114376522B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Neurology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Neurosurgery (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法，包括获取多个患者的静息态脑功能磁共振成像数据，得到多个FMRI图像数据原始序列；S2.对FMRI图像数据原始序列进行预处理，得到多个预处理FMRI图像数据序列；S3.采用滑动时间窗口法进行动态功能连接构建，得到多个滑动窗口；S4.将每个所述滑动窗口进行通过费舍尔的R‑Z转换得到多个Z标准化的滑动窗口，计算每个Z标准化后的滑动窗口中所有体素的标准差得到多个异变指标值；S5.将所有所述异变指标值作为输入特征对初始计算机识别模型进行模型训练，得到用于识别青少年肌阵挛癫痫的计算机识别模型；本发明能够通过计算机识别技术辅助分析青少年肌阵挛癫痫病症。

Description

构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法
技术领域
本发明涉及医疗或健康数据及图像的信息处理领域，具体涉及构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法。
背景技术
癫痫已被世界卫生组织列为五大重点防治的神经精神疾病之一，国际抗癫痫联盟(ILAE)于2017年正式提出遗传性全面性癫痫这一概念，特发性指未发现明确病因，考虑与基因相关。特指四类癫痫综合征：儿童失神癫痫(CAE)、青少年失神癫痫(JAE)、青少年肌阵挛癫痫(JME)、仅有全面性强直阵挛发作的癫痫。青少年肌阵挛性癫痫(JME)是最常见的遗传性/特发性全身性癫痫(GGE)之一，占所有癫痫的10％。它以肌阵挛为主要特征且脑电图上有广泛的棘波和多棘波。其停药复发比率较高，且JME的病理生理学仍然未知。之前JME被认为涉及广泛的大脑网络，包括皮层和皮层下网络，尤其是额丘脑网络。然而，大多数对于JME的研究主要集中在皮质网络，对于基底神经节，特别是纹状体的研究少有报道。另外这些癫痫综合症之间存在临床表现，脑电图以及药物反应的重叠，诊断存在一定的困难。临床诊断主要通过患者发作的临床表现以及脑电图检查结果。患者发作时临床表现描述不清以及脑电图检查结果阴性时，临床诊断困难。
因此现有的技术对青少年肌阵挛性癫痫的分析困难，难以得出准确的临床诊断结论。
发明内容
为了解决现有技术中对青少年肌阵挛性癫痫的分析困难的技术问题，本发明提供一种构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法。
本发明解决上述技术问题的技术方案如下：
构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法，包括如下步骤，
S1.获取多个患者的静息态脑功能磁共振成像数据，对应得到多个FMRI图像数据原始序列；
S2.分别对多个所述FMRI图像数据原始序列进行预处理，对应得到多个预处理FMRI图像数据序列；
S3.分别对多个所述预处理FMRI图像数据序列采用滑动时间窗口法进行动态功能连接构建，对应得到多个滑动窗口；
S4.分别将多个所述滑动窗口进行费舍尔的R-Z转换，对应得到多个Z标准化滑动窗口；分别计算每个所述Z标准化滑动窗口中所有体素的标准差，对应得到用于表征每个所述Z标准化滑动窗口的动态功能连接变异性的异变指标值；其中，每个所述异变指标值为对应的所述Z标准化滑动窗口中所有体素的标准差；
S5.基于支持向量机的机器学习方法建立初始计算机识别模型，将所有所述异变指标值作为输入特征对所述初始计算机识别模型进行模型训练，得到用于识别青少年肌阵挛癫痫的计算机识别模型。
本发明的有益效果是：本发明针对特发性癫痫个体化早期鉴别诊断这一亟待解决的关键问题，拟运用脑磁共振成像技术，利用动态功能连接方法构建脑功能动态链接网络为模式识别特征信息，利用支持向量机的机器学习方法进行分类，将最具区分力的纹状体-皮层动态功能连接指标作为输入特征，进行模型训练测试，构建具有高敏感性和特异性的基于个体病人水平精确地预测癫痫类型，最终达到对青少年肌阵挛癫痫、正常人的分类识别。且能在不同独立样本中推广应用的一般化预测模型，提高临床诊断的准确性。同时在当前研究基础上，通过引入动态功能连接分析方法来探究青少年肌阵挛性癫痫患者纹状体-皮层环路紊乱的动态过程，同时结合支持向量机的机器学习方法，对青少年肌阵挛癫痫、正常人的分类识别。通过该鉴别诊断预测模型的临床转化应用，为青少年肌阵挛癫痫的辅助诊断提供了新的思路和途径，最终为癫痫诊断鉴别以及预后判断提供科学依据和奠定实证基础。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，分别对多个所述FMRI图像数据原始序列进行预处理具体包括，分别从多个所述FMRI图像数据原始序列中去除前10个时间点的FMRI图像数据，对应得到多个FMRI图像数据序列；分别对多个所述FMRI图像数据序列依次进行时间校正处理、图像配准处理、时间滤波处理、空间标准化处理以及头动校正处理，对应得到多个预处理FMRI图像数据序列。
进一步，所述时间校正处理具体为，按照所述FMRI图像数据的获取时间顺序，重新排列所述FMRI图像数据序列中所有FMRI图像数据，得到经过时间校正后的FMRI图像数据序列。
进一步，所述图像配准处理具体为，将经过时间校正后的FMRI图像数据序列的功能体积与所述功能体积相对应的受损体积进行配准，得到经过图像配准处理后的FMRI图像数据序列。
进一步，所述时间滤波处理具体为，将经过图像配准处理后的FMRI图像数据序列采用0.01Hz到0.1Hz的频率进行时间滤波，得到经过时间滤波处理的FMRI图像数据序列。
进一步，所述空间标准化处理以及头动校正处理具体为，将经过时间滤波处理的FMRI图像数据序列归一化为MNI空间后，得到多个处于MNI空间的FMRI图像数据序列；对处于MNI空间的FMRI图像数据序列的体素进行重新采样，得到重新采样的FMRI图像数据序列；使用4mm FWMH高斯核对重新采样的FMRI图像数据序列进行空间平滑，得到经过空间标准化处理的FMRI图像数据序列；将经过空间标准化处理的FMRI图像数据序列进行头动校正处理后，得到预处理FMRI图像数据序列。
进一步，所述S3具体为，分别对多个所述预处理FMRI图像数据序列定义感兴趣区，分别对定义有感兴趣区的多个所述预处理FMRI图像数据序列采用海明码以及滑动窗口机制进行动态功能连接构建，对应得到多个滑动窗口。
进一步，所述感兴趣区包括下腹侧纹状体区域、上腹侧纹状体区域、背侧尾部纹状体区域、背侧喙部纹状体区域、背侧尾状核区域以及腹侧喙部纹状体区域。
进一步，每个所述滑动窗口的步长为2秒，每个所述滑动窗口的窗口时长为100秒。
基于上述技术方案，本发明还提供构建用于识别青少年肌阵挛癫痫的计算机识别模型的系统，其具体方案如下：
构建用于识别青少年肌阵挛癫痫的计算机识别模型的系统，其特征在于：包括如下模块，
FMRI图像数据原始序列获取模块，其用于获取多个患者的静息态脑功能磁共振成像数据，对应得到多个FMRI图像数据原始序列；
预处理模块，其用于分别对多个所述FMRI图像数据原始序列进行预处理，对应得到多个预处理FMRI图像数据序列；
动态功能连接构建模块，其用于分别对多个所述预处理FMRI图像数据序列采用滑动时间窗口法进行动态功能连接构建，对应得到多个滑动窗口；
异变指标值计算模块，其用于分别将多个所述滑动窗口进行费舍尔的R-Z转换，对应得到多个Z标准化滑动窗口；分别计算每个所述Z标准化滑动窗口中所有体素的标准差，对应得到用于表征每个所述Z标准化滑动窗口的动态功能连接变异性的异变指标值；其中，每个所述异变指标值为对应的所述Z标准化滑动窗口中所有体素的标准差；
计算机识别模型训练模块，其用于基于支持向量机的机器学习方法建立初始计算机识别模型，将所有所述异变指标值作为输入特征对所述初始计算机识别模型进行模型训练，得到用于识别青少年肌阵挛癫痫的计算机识别模型。
附图说明
图1为本发明的流程框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
FMRI：全称为functional magnetic resonance imaging，即功能性磁共振成像，是一种新兴的神经影像学方式，其原理是利用磁振造影来测量神经元活动所引发之血液动力的改变。
JME：青少年肌阵挛癫痫，其英文全称为juvenilemyoclonic epilepsy。
ROIs表示感兴趣区或者感兴趣区域。
SVM：其英文全称为Support Vector Machine，中文名称为支持向量机，是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面，SVM使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器，SVM可以通过核方法进行非线性分类，是常见的核学习方法之一。
dFC：表示动态功能连接分析。
HC：表示健康对照者。
费舍尔的R-Z转换：一种常用的标准化方法，其英文全称为Fisher's r to ztransformation。
T1：T1是核磁共振检查的一种表示方法，是组织受损的表现。多见于脱髓鞘脑病的多发硬化灶。早期治疗多以激素及营养法治疗，还应该增强机体免疫功能，提高机体抗病能力。还有常见于大部分肿瘤、梗塞、亚急性出血的中晚期等等。
TR：表示重复时间，是指扫描一个完整大脑所需要的时间。
Slice Number：表示层数，是指扫描大脑是一层一层扫描的，通常是隔层扫描，因为信号可能会受到相邻层的影响，然后再把这些层重建成一个完整的3D大脑。
Volume：是指体积，表示一个重建好的3D大脑就是一个Volume，一个TR时间内扫了Slice Number层，然后就重建出了一个Volume。
Time Point时间点：通常一个Volume就是一个Vime Point，静息态通常要扫好多Time Point或者说Volume，因为通常要就算的是这段时间的时间序列变化。如果扫描了120个时间点，如果TR＝2s,则需要120X2/60＝4分钟时间.
Voxel：是指体素，表示这跟图像的单位pixel像素相对应，这是体积的基本单位Volume+E lment,一个体素就是一个单位，大脑被分成了许多小方块就是许多体素，通常功能像的分辨率为3mm x3mm x3 mm也就是这个小方块就是一个单位，一个体素。
蒙特利尔神经学研究所空间：即MNI空间，全称为Montreal NeurologicalInstitute，是指根据一系列正常人脑的磁共振图像而建立的坐标系统。
实施例1
如图1所示，本实施例提供一种构建用于识别青少年肌阵挛癫痫的图像识别模型的方法，包括如下步骤，
构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法，包括如下步骤，
S1.获取多个患者的静息态脑功能磁共振成像数据，对应得到多个FMRI图像数据原始序列；
S2.分别对多个所述FMRI图像数据原始序列进行预处理，对应得到多个预处理FMRI图像数据序列；
S3.分别对多个所述预处理FMRI图像数据序列采用滑动时间窗口法进行动态功能连接构建，对应得到多个滑动窗口；具体为，分别对多个所述预处理FMRI图像数据序列定义感兴趣区，分别对定义有感兴趣区的多个所述预处理FMRI图像数据序列采用海明码以及滑动窗口机制进行动态功能连接构建，对应得到多个滑动窗口；
S4.分别将多个所述滑动窗口进行费舍尔的R-Z转换，对应得到多个Z标准化滑动窗口；分别计算每个所述Z标准化滑动窗口中所有体素的标准差，对应得到用于表征每个所述Z标准化滑动窗口的动态功能连接变异性的异变指标值；其中，每个所述异变指标值为对应的所述Z标准化滑动窗口中所有体素的标准差；
S5.基于支持向量机的机器学习方法建立初始计算机识别模型，将所有所述异变指标值作为输入特征对所述初始计算机识别模型进行模型训练，得到用于识别青少年肌阵挛癫痫的计算机识别模型。
分别对多个所述FMRI图像数据原始序列进行预处理具体包括，分别从多个所述FMRI图像数据原始序列中去除前10个时间点的FMRI图像数据，对应得到多个FMRI图像数据序列；分别对多个所述FMRI图像数据序列依次进行时间校正处理、图像配准处理、时间滤波处理、空间标准化处理以及头动校正处理，对应得到多个预处理FMRI图像数据序列。
所述时间校正处理具体为，按照所述FMRI图像数据的获取时间顺序，重新排列所述FMRI图像数据序列中所有FMRI图像数据，得到经过时间校正后的FMRI图像数据序列。
所述图像配准处理具体为，将经过时间校正后的FMRI图像数据序列的功能体积与所述功能体积相对应的受损体积进行配准，得到经过图像配准处理后的FMRI图像数据序列。
所述时间滤波处理具体为，将经过图像配准处理后的FMRI图像数据序列采用0.01Hz到0.1Hz的频率进行时间滤波，得到经过时间滤波处理的FMRI图像数据序列。
所述空间标准化处理以及头动校正处理具体为，将经过时间滤波处理的FMRI图像数据序列归一化为MNI空间后，得到多个处于MNI空间的FMRI图像数据序列；对处于MNI空间的FMRI图像数据序列的体素进行重新采样，得到重新采样的FMRI图像数据序列；使用4mmFWMH高斯核对重新采样的FMRI图像数据序列进行空间平滑，得到经过空间标准化处理的FMRI图像数据序列；将经过空间标准化处理的FMRI图像数据序列进行头动校正处理后，得到预处理FMRI图像数据序列。
功能动态链接分析法具体包括动态功能连接变异性分析、统计分析以及验证分析。
具体地，所述动态功能连接变异性分析具体为，通过定义所有预处理FMRI图像数据的感兴趣区，并基于海明码和滑动窗口机制建立具有时间序列的多个滑动窗口，再通过费舍尔的r-z变换方法计算每个滑动窗口中的每个体积元素的z值，并将每个滑动窗口中的所有体积元素的z值的标准差表示每个滑动窗口对应的FMRI图像数据的变异性指数。
对所有患者的脑部FMRI图像数据进行预处理具体包括，不同患者的数据量是一致的，均为205次扫描。首先，前10个脑部FMRI图像数据被移除，随后在剩余的195次扫描中执行了以下步骤：切片时间校正，所有功能体积的重新排列，然后进行功能体积和相应的T1体积之间的配准，通过DARTEL工具的微分形态解剖配准在空间上归一化为蒙特利尔神经学研究所空间，每个体素进行重新采样：大小为3x3x3 mm3，时间滤波为0.01-0.1Hz，并使用4mmFWMH高斯核进行空间平滑。此外，采用Friston 24模型减少头部运动的干扰，多元线性回归被用来消除混杂的协变量，包括来自脑脊液和白质的信号被回归。另外，线性趋势被回归以解释血氧水平依赖信号的漂移。考虑到全脑信号可能对功能网络有潜在影响，研究者在本次处理过程中未将其进行回归22。最大位移>2mm或旋转大于2°的受试者被排除在外，由此标准，两名患者被排除在外。另如平均框架位移Jenkinson值超过0.2mm，则参与者在本研究中被排除，4名患者因平均框架位移Jenkinson超过0.2mm而被排除在外。被包含的参与者的平均框架位移Jenkinson在JME组和HC组之间没有差异。
动态功能连接变异性分析具体为，根据现有技术对纹状体亚区的细分，采用预定义的两侧6对6mm半径的球形区域为ROIs，以执行基于种子的dFC分析。这6对两侧的ROIs包括：下腹侧纹状体、上腹侧纹状体、背侧尾部纹状体、背侧喙部纹状体、背侧尾状核和腹侧喙部纹状体。目视检查保证每对ROIs之间没有重叠。海明滑动窗口方法是在DPABI软件处理的基础上进行的，基于最小窗口长度不应小于1/f min，即定义为时间序列的最小频率，选择了步长为1TR(2s)的50TR(100s)窗口大小，这可以平衡引起虚假波动的风险和对时间可变性动态描述的阻碍。于是，产生了146个滑动窗口。时间相关系数图是通过将纹状体细分的每个截断时间序列与每个滑动窗口的所有其他体素相关联生成的。随后，每个滑动窗口相关系数图都经过Fisher的r-to-z变换，以增加相关分布的正态性。然后，通过计算146个滑动窗口中每个体素z值图中z值的标准差，用其代表dFC的变异性。接着，使用z标准化的dFC图进行进一步的统计分析。
统计分析包括，通过双尾双样本t检验比较JME组和HC组之间的人口统计学和临床数据，对组内dFC变异性模式进行了单样本t检验(p<0.05，GRF校正)。为了确定JME组和HC组之间纹状体-大脑环路的dFC变异性特征的显著差异，基于两组单样本t检验结果的联合掩码，研究者以年龄、性别、均值FD作为干扰协变量，以患者或者健康对照组作为自变量，以每个体素的z值的标准差作为因变量27，构建了一般线性模型。高斯随机场(GRF)校正采用双尾体素p<0.01和聚集级p<0.05(z最小值>2.3；聚集显着性：P<0.05，已校正)。头部运动的组间差异采用双样本t检验通过均值FD进行比较。
验证分析包括，检验采用双尾检验，p小于0.05的Bonferroni校正方法，使用一个长度30TR(60s)和移动步长1TR(2s)补充窗口，来确认该实验结果的可重复性。根据前述处理，基于显示显著群体效应的dFC变异性，并将这些脑区作为影像特征节点进行后续的LIBSVM工具箱鉴别分析。
使用LIBSVM工具箱进行模式分类分析包括，基于明显不同的大脑区域的dFC变异性，线性SVM被选为分类器，使用LIBSVM工具箱对两组中的每组进行分类。为了确定分类特征，研究者使用了10倍的交叉检验来评估分类的性能。数据集被随机分为10组，在它们之中，1组被选为测试组，剩余9组是试验组。为了评估验证准确性的统计学意义，通过非参数排列检验获得空分布。整体精度、灵敏度和特异性的统计意义由排列检验确定，获得比真实分类更大的值的排列次数用于获得P值。绘制接收器操作特征曲线，以显示分类器的分类精度。
所述感兴趣区包括下腹侧纹状体区域、上腹侧纹状体区域、背侧尾部纹状体区域、背侧喙部纹状体区域、背侧尾状核区域以及腹侧喙部纹状体区域。
所述感兴趣区包括下腹侧纹状体区域、上腹侧纹状体区域、背侧尾部纹状体区域、背侧喙部纹状体区域、背侧尾状核区域以及腹侧喙部纹状体区域。
实施例2
基于实施例1，本实施例提供一种构建用于识别青少年肌阵挛癫痫的计算机识别模型的系统，包括如下模块，
FMRI图像数据原始序列获取模块，其用于获取多个患者的静息态脑功能磁共振成像数据，对应得到多个FMRI图像数据原始序列；
预处理模块，其用于分别对多个所述FMRI图像数据原始序列进行预处理，对应得到多个预处理FMRI图像数据序列；
动态功能连接构建模块，其用于分别对多个所述预处理FMRI图像数据序列采用滑动时间窗口法进行动态功能连接构建，对应得到多个滑动窗口；
异变指标值计算模块，其用于分别将多个所述滑动窗口进行费舍尔的R-Z转换，对应得到多个Z标准化滑动窗口；分别计算每个所述Z标准化滑动窗口中所有体素的标准差，对应得到用于表征每个所述Z标准化滑动窗口的动态功能连接变异性的异变指标值；其中，每个所述异变指标值为对应的所述Z标准化滑动窗口中所有体素的标准差；
计算机识别模型训练模块，其用于基于支持向量机的机器学习方法建立初始计算机识别模型，将所有所述异变指标值作为输入特征对所述初始计算机识别模型进行模型训练，得到用于识别青少年肌阵挛癫痫的计算机识别模型。
本发明针对特发性癫痫个体化早期鉴别诊断这一亟待解决的关键问题，拟运用脑磁共振成像技术，利用动态功能连接方法构建脑功能动态链接网络为模式识别特征信息，利用支持向量机的机器学习方法进行分类，将最具区分力的纹状体-皮层动态功能连接指标作为输入特征，进行模型训练测试，构建具有高敏感性和特异性的基于个体病人水平精确地预测癫痫类型，最终达到对青少年肌阵挛癫痫、正常人的分类识别。且能在不同独立样本中推广应用的一般化预测模型。
本发明在当前研究基础上，通过引入动态功能连接分析方法来探究青少年肌阵挛性癫痫患者纹状体-皮层环路紊乱的动态过程，同时结合支持向量机的机器学习方法，对青少年肌阵挛癫痫、正常人的分类识别。通过该鉴别诊断预测模型的临床转化应用，为青少年肌阵挛癫痫的辅助诊断提供了新的思路和途径，最终为癫痫诊断鉴别以及预后判断提供科学依据和奠定实证基础。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的构思和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法，其特征在于：包括如下步骤，
S1.获取多个患者的静息态脑功能磁共振成像数据，对应得到多个FMRI图像数据原始序列；
S2.分别对多个所述FMRI图像数据原始序列进行预处理，对应得到多个预处理FMRI图像数据序列；
S3.分别对多个所述预处理FMRI图像数据序列采用滑动时间窗口法进行动态功能连接构建，对应得到多个滑动窗口；
S4.分别将多个所述滑动窗口进行费舍尔的R-Z转换，对应得到多个Z标准化滑动窗口；分别计算每个所述Z标准化滑动窗口中所有体素的标准差，对应得到用于表征每个所述Z标准化滑动窗口的动态功能连接变异性的异变指标值；其中，每个所述异变指标值为对应的所述Z标准化滑动窗口中所有体素的标准差；
S5.基于支持向量机的机器学习方法建立初始计算机识别模型，将所有所述异变指标值作为输入特征对所述初始计算机识别模型进行模型训练，得到用于识别青少年肌阵挛癫痫的计算机识别模型。
2.根据权利要求1所述的构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法，其特征在于：分别对多个所述FMRI图像数据原始序列进行预处理具体包括，分别从多个所述FMRI图像数据原始序列中去除前10个时间点的FMRI图像数据，对应得到多个FMRI图像数据序列；分别对多个所述FMRI图像数据序列依次进行时间校正处理、图像配准处理、时间滤波处理、空间标准化处理以及头动校正处理，对应得到多个预处理FMRI图像数据序列。
3.根据权利要求2所述的构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法，其特征在于：所述时间校正处理具体为，按照所述FMRI图像数据的获取时间顺序，重新排列所述FMRI图像数据序列中所有FMRI图像数据，得到经过时间校正后的FMRI图像数据序列。
4.根据权利要求3所述的构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法，其特征在于：所述图像配准处理具体为，将经过时间校正后的FMRI图像数据序列的功能体积与所述功能体积相对应的受损体积进行配准，得到经过图像配准处理后的FMRI图像数据序列。
5.根据权利要求4所述的构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法，其特征在于：所述时间滤波处理具体为，将经过图像配准处理后的FMRI图像数据序列采用0.01Hz到0.1Hz的频率进行时间滤波，得到经过时间滤波处理的FMRI图像数据序列。
6.根据权利要求5所述的构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法，其特征在于：所述空间标准化处理以及头动校正处理具体为，将经过时间滤波处理的FMRI图像数据序列归一化为MNI空间后，得到多个处于MNI空间的FMRI图像数据序列；对处于MNI空间的FMRI图像数据序列的体素进行重新采样，得到重新采样的FMRI图像数据序列；使用4mm FWMH高斯核对重新采样的FMRI图像数据序列进行空间平滑，得到经过空间标准化处理的FMRI图像数据序列；将经过空间标准化处理的FMRI图像数据序列进行头动校正处理后，得到预处理FMRI图像数据序列。
7.根据权利要求1至6任一项所述的构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法，其特征在于：所述S3具体为，分别对多个所述预处理FMRI图像数据序列定义感兴趣区，分别对定义有感兴趣区的多个所述预处理FMRI图像数据序列采用海明码以及滑动窗口机制进行动态功能连接构建，对应得到多个滑动窗口。
8.根据权利要求7所述的构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法，其特征在于：所述感兴趣区包括下腹侧纹状体区域、上腹侧纹状体区域、背侧尾部纹状体区域、背侧喙部纹状体区域、背侧尾状核区域以及腹侧喙部纹状体区域。
9.根据权利要求7所述的构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法，其特征在于：每个所述滑动窗口的步长为2秒，每个所述滑动窗口的窗口时长为100秒。
10.构建用于识别青少年肌阵挛癫痫的计算机识别模型的系统，其特征在于：包括如下模块，
FMRI图像数据原始序列获取模块，其用于获取多个患者的静息态脑功能磁共振成像数据，对应得到多个FMRI图像数据原始序列；
预处理模块，其用于分别对多个所述FMRI图像数据原始序列进行预处理，对应得到多个预处理FMRI图像数据序列；
动态功能连接构建模块，其用于分别对多个所述预处理FMRI图像数据序列采用滑动时间窗口法进行动态功能连接构建，对应得到多个滑动窗口；
异变指标值计算模块，其用于分别将多个所述滑动窗口进行费舍尔的R-Z转换，对应得到多个Z标准化滑动窗口；分别计算每个所述Z标准化滑动窗口中所有体素的标准差，对应得到用于表征每个所述Z标准化滑动窗口的动态功能连接变异性的异变指标值；其中，每个所述异变指标值为对应的所述Z标准化滑动窗口中所有体素的标准差；
计算机识别模型训练模块，其用于基于支持向量机的机器学习方法建立初始计算机识别模型，将所有所述异变指标值作为输入特征对所述初始计算机识别模型进行模型训练，得到用于识别青少年肌阵挛癫痫的计算机识别模型。
CN202111641486.3A 2021-12-29 2021-12-29 构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法 Active CN114376522B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111641486.3A CN114376522B (zh) 2021-12-29 2021-12-29 构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111641486.3A CN114376522B (zh) 2021-12-29 2021-12-29 构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法

Publications (2)

Publication Number Publication Date
CN114376522A true CN114376522A (zh) 2022-04-22
CN114376522B CN114376522B (zh) 2023-09-05

Family

ID=81199046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111641486.3A Active CN114376522B (zh) 2021-12-29 2021-12-29 构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法

Country Status (1)

Country Link
CN (1) CN114376522B (zh)

Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080101665A1 (en) * 2006-10-26 2008-05-01 Mcgill University Systems and methods of clinical state prediction utilizing medical image data
US20110077503A1 (en) * 2009-08-25 2011-03-31 Medical University Of South Carolina Automatic MRI Quantification of Structural Body Abnormalities
CN102551710A (zh) * 2010-12-28 2012-07-11 四川大学华西医院 一种在体检测痫性电活动的新方法
CN104173045A (zh) * 2014-08-15 2014-12-03 浙江大学医学院附属第二医院 一种癫痫发作预警系统
CN105708462A (zh) * 2016-01-14 2016-06-29 内蒙古医科大学附属医院 基于原发性癫痫的静息态功能磁共振的数据处理方法
CN106037741A (zh) * 2016-07-04 2016-10-26 电子科技大学 一种基于fMRI探测动态脑自发活动的数据方法
CN107518898A (zh) * 2017-08-08 2017-12-29 北京航空航天大学 基于传感器阵列分解和波束成形的脑磁图源定位装置
CN108577834A (zh) * 2018-05-17 2018-09-28 西安交通大学 一种用于癫痫间期棘波自动检测的方法
CN109003680A (zh) * 2018-09-28 2018-12-14 四川大学 癫痫数据统计方法及装置
CN109480833A (zh) * 2018-08-30 2019-03-19 北京航空航天大学 基于人工智能的癫痫患者脑电信号的预处理和识别方法
CN109620148A (zh) * 2018-11-29 2019-04-16 西安交通大学 一种基于稀疏极限学习机算法的癫痫检测集成电路
CN109691985A (zh) * 2018-12-19 2019-04-30 北京工业大学 一种基于dti技术及svm的颞叶癫痫辅助诊断方法
CN109700463A (zh) * 2019-03-12 2019-05-03 四川大学 一种脑磁图癫痫棘波识别方法和系统
CN109920550A (zh) * 2018-12-25 2019-06-21 天津大学 一种基于dMRI研究青少年肌阵挛性癫痫的方法
CN110322554A (zh) * 2019-07-12 2019-10-11 中国科学院心理研究所 一种脑动态功能模式稳定性计算方法
CN111035383A (zh) * 2019-12-20 2020-04-21 东南大学 一种面向孤独症谱系障碍儿童脑电信号的分析方法
CN111227833A (zh) * 2020-01-14 2020-06-05 西安交通大学医学院第一附属医院 一种基于广义线性模型的机器学习的术前定位方法
CN111753833A (zh) * 2020-07-23 2020-10-09 南京脑科医院 基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法
WO2020224123A1 (zh) * 2019-06-24 2020-11-12 浙江大学 一种基于深度学习的致痫灶三维自动定位系统
EP3745415A1 (en) * 2019-05-27 2020-12-02 Universite d'Aix-Marseille (AMU) Method of identifying a surgically operable target zone in an epileptic patient's brain
CN112068056A (zh) * 2020-09-14 2020-12-11 中国计量大学 一种确定fmri动态脑功能时间窗口的方法
WO2021113804A1 (en) * 2019-12-06 2021-06-10 The Board Of Trustees Of The Leland Stanford Junior University Imaging individual hippocampal seizures and the long-term impact of repeated seizures
CN113057621A (zh) * 2021-03-05 2021-07-02 兰州理工大学 一种青少年肌阵挛性癫痫的动态功能连接研究方法及应用
CN113077456A (zh) * 2021-04-20 2021-07-06 北京大学 基于功能性磁共振成像构建网络模型的训练方法和装置、计算机设备以及存储介质
CN113538355A (zh) * 2021-07-08 2021-10-22 无锡信捷电气股份有限公司 一种基于乘积量化学习策略的缺陷检测算法
WO2021226015A1 (en) * 2020-05-04 2021-11-11 Zucco Sassi Yonezawa Siviglia Debora Neuroquiescence - a treatment for neurodevelopmental and neurodegenerative bioelectrical dysregulation and demyelination
CN113647962A (zh) * 2021-08-20 2021-11-16 天津大学 基于深度学习集成模型的癫痫定位与发作预测方法

Patent Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080101665A1 (en) * 2006-10-26 2008-05-01 Mcgill University Systems and methods of clinical state prediction utilizing medical image data
US20110077503A1 (en) * 2009-08-25 2011-03-31 Medical University Of South Carolina Automatic MRI Quantification of Structural Body Abnormalities
CN102551710A (zh) * 2010-12-28 2012-07-11 四川大学华西医院 一种在体检测痫性电活动的新方法
CN104173045A (zh) * 2014-08-15 2014-12-03 浙江大学医学院附属第二医院 一种癫痫发作预警系统
CN105708462A (zh) * 2016-01-14 2016-06-29 内蒙古医科大学附属医院 基于原发性癫痫的静息态功能磁共振的数据处理方法
CN106037741A (zh) * 2016-07-04 2016-10-26 电子科技大学 一种基于fMRI探测动态脑自发活动的数据方法
CN107518898A (zh) * 2017-08-08 2017-12-29 北京航空航天大学 基于传感器阵列分解和波束成形的脑磁图源定位装置
CN108577834A (zh) * 2018-05-17 2018-09-28 西安交通大学 一种用于癫痫间期棘波自动检测的方法
CN109480833A (zh) * 2018-08-30 2019-03-19 北京航空航天大学 基于人工智能的癫痫患者脑电信号的预处理和识别方法
CN109003680A (zh) * 2018-09-28 2018-12-14 四川大学 癫痫数据统计方法及装置
CN109620148A (zh) * 2018-11-29 2019-04-16 西安交通大学 一种基于稀疏极限学习机算法的癫痫检测集成电路
CN109691985A (zh) * 2018-12-19 2019-04-30 北京工业大学 一种基于dti技术及svm的颞叶癫痫辅助诊断方法
CN109920550A (zh) * 2018-12-25 2019-06-21 天津大学 一种基于dMRI研究青少年肌阵挛性癫痫的方法
CN109700463A (zh) * 2019-03-12 2019-05-03 四川大学 一种脑磁图癫痫棘波识别方法和系统
EP3745415A1 (en) * 2019-05-27 2020-12-02 Universite d'Aix-Marseille (AMU) Method of identifying a surgically operable target zone in an epileptic patient's brain
WO2020224123A1 (zh) * 2019-06-24 2020-11-12 浙江大学 一种基于深度学习的致痫灶三维自动定位系统
CN110322554A (zh) * 2019-07-12 2019-10-11 中国科学院心理研究所 一种脑动态功能模式稳定性计算方法
WO2021113804A1 (en) * 2019-12-06 2021-06-10 The Board Of Trustees Of The Leland Stanford Junior University Imaging individual hippocampal seizures and the long-term impact of repeated seizures
CN111035383A (zh) * 2019-12-20 2020-04-21 东南大学 一种面向孤独症谱系障碍儿童脑电信号的分析方法
CN111227833A (zh) * 2020-01-14 2020-06-05 西安交通大学医学院第一附属医院 一种基于广义线性模型的机器学习的术前定位方法
WO2021226015A1 (en) * 2020-05-04 2021-11-11 Zucco Sassi Yonezawa Siviglia Debora Neuroquiescence - a treatment for neurodevelopmental and neurodegenerative bioelectrical dysregulation and demyelination
CN111753833A (zh) * 2020-07-23 2020-10-09 南京脑科医院 基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法
CN112068056A (zh) * 2020-09-14 2020-12-11 中国计量大学 一种确定fmri动态脑功能时间窗口的方法
CN113057621A (zh) * 2021-03-05 2021-07-02 兰州理工大学 一种青少年肌阵挛性癫痫的动态功能连接研究方法及应用
CN113077456A (zh) * 2021-04-20 2021-07-06 北京大学 基于功能性磁共振成像构建网络模型的训练方法和装置、计算机设备以及存储介质
CN113538355A (zh) * 2021-07-08 2021-10-22 无锡信捷电气股份有限公司 一种基于乘积量化学习策略的缺陷检测算法
CN113647962A (zh) * 2021-08-20 2021-11-16 天津大学 基于深度学习集成模型的癫痫定位与发作预测方法

Non-Patent Citations (23)

* Cited by examiner, † Cited by third party
Title
FAROKHIAN F.: "基于结构MRI的老化和癫痫脑部形态学改变研究", 《CNKI》 *
GADAD, V (GADAD, VEERANNA)；SINHA, S (SINHA, SANJIB): "Source localization of epileptiform discharges in juvenile myoclonic epilepsy (JME) using magnetoencephalography (MEG)", vol. 129 *
GOKER,I., OSMAN,O., OZEKES,S.: "Classification of juvenile myoclonic epilepsy data acquired through scanning electromyography with machine learning algorithms", vol. 36, no. 5, XP035103456, DOI: 10.1007/s10916-011-9746-6 *
LEE, DONG AH；KO, JUNGHAE: "Identifying juvenile myoclonic epilepsy via diffusion tensor imaging using machine learning analysis", vol. 91 *
LIU, HL (LIU, HONGLEI) [1] , [2] ; LI, WL (LI, WENLING) [1] ; ZHAO, MJ (ZHAO, MINGJUAN) [3] ; WU, J (WU, JIE) [2] ; WU, J (WU, JIN: "Altered temporal dynamics of brain activity in patients with generalized tonic-clonic seizures", 《PLOS ONE 》, vol. 14, no. 7 *
LUO, CHENG；YANG, TIANHUA；TU, SHIPENG: "Altered intrinsic functional connectivity of the salience network in childhood absence epilepsy", vol. 339, no. 1, XP028835333, DOI: 10.1016/j.jns.2014.02.016 *
NAYAK, C (NAYAK, CHETAN)；SINHA, S (SINHA, SANJIB): "Lack of heart rate variability during apnea in patients with juvenile myoclonic epilepsy (JME)", vol. 19, no. 4, XP035936502, DOI: 10.1007/s11325-015-1133-y *
TOMLINSON, SB (TOMLINSON, SAMUEL B.): "Reproducibility of interictal spike propagation in children with refractory epilepsy", vol. 60, no. 5, XP071214294, DOI: 10.1111/epi.14720 *
ZHOU, BAIWAN；AN, DONGMEI；XIAO, FENGLAI: "Machine learning for detecting mesial temporal lobe epilepsy by structural and functional neuroimaging", vol. 14, no. 5, XP037274066, DOI: 10.1007/s11684-019-0718-4 *
刘晓蓉,邹欣,于美娟: "肌阵挛-站立不能性癫痫的临床特征及其电压门控性钠通道α1亚基基因突变检测", vol. 8, no. 8 *
徐华泽: "睡眠剥夺的脑网络研究", pages 9 - 10 *
徐明明: "GABA能神经元在FMR1基因敲除鼠癫痫发病机制中作用的研究" *
杨春兰,张馨,吴水才,任洁钏,施玥: "fMRI动态功能连接方法及其在癫痫中的应用", vol. 45, no. 6 *
杨泽坤, 葛曼玲, 付晓璇等.: "脑功能连接模型在机器学习中分类鲁棒性研究——以静息态功能磁共振定位癫痫发作侧为例", 《中国生物医学工程学报》, vol. 40, no. 05, pages 521 - 530 *
柯铭,孙鹏飞,刘光耀: "青少年肌阵挛癫痫患者格兰杰因果模型研究", vol. 29, no. 5 *
柯铭,彭超,李晓旭: "CLM模型在青少年肌阵挛癫痫患者脑网络中应用", vol. 27, no. 3 *
王小娜: "基于模式识别的癫痫脑网络研究", 《万方》 *
王良程: "基于全脑信号拓扑的癫痫脑功能网络研究" *
王韦,周东: "核磁共振图像后处理技术在癫痫术前评估中的应用", vol. 2, no. 6 *
谢冲,葛曼玲,付晓璇,陈盛华,张夫一,郭志彤,张志强.: "静息态功能磁共振成像多尺度熵优化及在颞叶癫痫致痫侧定位中的应用", vol. 38, no. 6 *
贾延增,杨朋范,林巧,裴家生,陈其钻,钟忠辉.: "前颞叶切除术对PET阳性、MRI阴性的颞叶癫痫患者认知功能的影响", vol. 15, no. 5 *
邓刊: "基于神经心理评估和MRI的颞叶癫痫分类研究", 《CNKI》 *
龙柳.: "静息态功能磁共振成像局灶性癫痫活动定位研究", 《CNKI》 *

Also Published As

Publication number Publication date
CN114376522B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
WO2018074739A1 (ko) 뇌졸중 진단 및 예후 예측 방법 및 시스템
US11344199B2 (en) Systems and methods for detection and prediction of brain disorders based on neural network interaction
CN109522894B (zh) 一种探测fMRI脑网络动态协变的方法
US20220405932A1 (en) Characterizing intra-site tumor heterogeneity
Shinohara et al. Population-wide principal component-based quantification of blood–brain-barrier dynamics in multiple sclerosis
Klein et al. Early diagnosis of dementia based on intersubject whole-brain dissimilarities
Rahim et al. Transmodal learning of functional networks for Alzheimer's disease prediction
Lee et al. Unsupervised machine learning reveals lesional variability in focal cortical dysplasia at mesoscopic scale
Yang et al. Diagnosis of Parkinson’s disease based on 3D ResNet: The frontal lobe is crucial
Li et al. Uncovering brain differences in preschoolers and young adolescents with autism spectrum disorder using deep learning
US11523767B2 (en) System, method, and computer program product for detecting neurodegeneration using differential tractography
US11842491B2 (en) Novel, quantitative framework for the diagnostic, prognostic, and therapeutic evaluation of spinal cord diseases
CN114096991A (zh) Mri后处理系统和方法
CN114376522A (zh) 构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法
Çelebi et al. Leveraging Deep Learning for Enhanced Detection of Alzheimer's Disease Through Morphometric Analysis of Brain Images.
KR102599756B1 (ko) 구조적, 확산 및 기능적 신경영상과 apoe 유전형을 포함하는 다중모드 특징을 이용하여 알츠하이머병에 대한 진단정보 제공방법
CN114596306A (zh) 基于机器学习诊断帕金森疾病的系统
CN114820458A (zh) 一种基于深度学习的轻度认知障碍图像分割方法
Mercaldo et al. TriAD: A deep ensemble network for Alzheimer classification and localisation
CN113303782A (zh) 基于核磁共振波谱的阿尔茨海默症svm分类模型构建方法
Keihaninejad et al. Automatic volumetry can reveal visually undetected disease features on brain MR images in temporal lobe epilepsy
CN114120024A (zh) 用于阿尔兹海默病分类预测的mr自动纤维定量分析方法
Hassanaly et al. Pseudo-healthy image reconstruction with variational autoencoders for anomaly detection: A benchmark on 3D brain FDG PET
Crainiceanu et al. Multilevel functional data analysis
Wang et al. Brain metabolic connectome classify mild cognitive impairment into Alzheimer’s dementia

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