CN114842969A - 一种基于关键纤维束的轻度认知障碍症评估方法 - Google Patents

一种基于关键纤维束的轻度认知障碍症评估方法 Download PDF

Info

Publication number
CN114842969A
CN114842969A CN202210294744.3A CN202210294744A CN114842969A CN 114842969 A CN114842969 A CN 114842969A CN 202210294744 A CN202210294744 A CN 202210294744A CN 114842969 A CN114842969 A CN 114842969A
Authority
CN
China
Prior art keywords
fiber bundle
fiber
characteristic
cognitive impairment
fiber bundles
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
Application number
CN202210294744.3A
Other languages
English (en)
Inventor
李绮雪
尹奎英
石静萍
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.)
CETC 14 Research Institute
Original Assignee
CETC 14 Research Institute
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 CETC 14 Research Institute filed Critical CETC 14 Research Institute
Priority to CN202210294744.3A priority Critical patent/CN114842969A/zh
Publication of CN114842969A publication Critical patent/CN114842969A/zh
Pending legal-status Critical Current

Links

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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Neurology (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Psychology (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Neurosurgery (AREA)
  • Psychiatry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Fuzzy Systems (AREA)
  • Child & Adolescent Psychology (AREA)

Abstract

一种基于关键纤维束的轻度认知障碍症评估方法，由于AD病人出现症状时已处于中晚期，且现有的治疗方法很难达到有效结果，只能延缓病症的发展，因此，对轻度认知障碍症(Mild Cognition Impairment,MCI处于健康与AD的中间阶段)的评估具有重要意义。本发明选择弥散张量成像磁共振数据作为主研究对象，该模态是磁共振成像的特殊形式，是目前唯一有效观察和追踪大脑白质纤维束的非侵入手段，反映的是大脑白质组织中的多项扩散属性。同时，与以往的对整幅磁共振图像进行特征提取的像素级特征不同，本发明创新性地采用的纤维束级特征，即提取轻度认知障碍症患者组和健康对照组具有显著性差异的关键纤维束进行特征融合，是传统轻度认知障碍症评估方法的一种补充手段，能够在现有技术上辅助对轻度认知障碍症的评估。

Description

一种基于关键纤维束的轻度认知障碍症评估方法
技术领域
本发明属于医学图像处理领域，具体涉及一种基于关健纤维束的轻度认知障碍症评估方法。
背景技术
阿尔兹海默症(Alzheimer’s disease,AD)是一种经行性认知功能障碍和记忆力损害为特征的神经系统退行性疾病，是目前最常见的一种老年痴呆疾病。由于AD病人出现症状时已处于中晚期，且现有的治疗方法很难达到有效结果，只能延缓病症的发展，因此，对轻度认知障碍症(Mild Cognition Impairment,MCI处于健康与AD的中间阶段)的评估具有重要意义。
核磁共振成像技术是一种无创地显示大脑结构的技术，它的快速发展为了解大脑生理结构和功能连接提供了重要帮助。很多学者专家对多模态的核磁影像数据进行分析研究，试图获得更加准确的MCI评估结果。在《轻度认知障碍转化阿尔兹海默病影像预测研究》一文中，作者提取结构核磁共振影像的大脑灰质，然后计算感兴趣体素进行分类预测；在《迁移学习特征提取的rs-fMRI早期轻度认知障碍分类》一文中，作者提取静息态功能性磁共振成像数据的时间序列，并结合迁移学习算法进行分类预测，精度比传统算法表现更佳。
与上述分类预测方法不同的是，本发明选择弥散张量成像磁共振数据作为主研究对象，该模态是磁共振成像的特殊形式，是目前唯一有效观察和追踪大脑白质纤维束的非侵入手段，反映的是大脑白质组织中的多项扩散属性。同时，与以往的对整幅磁共振图像进行特征提取的像素级特征不同，本发明创新性地采用的纤维束级特征，即提取轻度认知障碍症患者组和健康对照组具有显著性差异的关键纤维束进行特征融合，是传统轻度认知障碍症评估方法的一种补充手段，能够在现有技术上辅助对轻度认知障碍症的评估。
发明内容
为克服现有技术中的不足，本发明提出了一种基于关键纤维束的轻度认知障碍症评估方法，选择弥散张量成像磁共振数据作为主研究对象，创新性地采用的纤维束级特征，即提取轻度认知障碍症患者组和健康对照组具有显著性差异的关键纤维束进行特征融合，是传统轻度认知障碍症评估方法的一种补充手段，能够在现有技术上辅助对轻度认知障碍症的评估。具体包括：
步骤(1)利用纤维自动量化方法对轻度认知障碍症患者组样本和健康对照组样本个体的扩散磁共振图像进行全脑纤维束进行跟踪，剔除游离纤维束，获得初步全脑纤维束集，然后利用纤维束的感兴趣区域和概率图谱，剔除错误纤维，获得全脑白质纤维束集；
步骤(2)将每个关键纤维束内的每根纤维重采样到100个等距节点来量化纤维束中心部分的扩散特性，计算多项特征指标，然后统计并分析两组间纤维束的差异，得到存在显著性差异的关键纤维束组；
步骤(3)将存在差异的纤维束组的多项特征指标以特征向量表示，然后利用主成分分析法对提取的所有特征向量进行特征级融合，作为每个样本的多维特征向量；
步骤(4)将样本分为训练集和测试集，选择径向基核函数的支持向量机SVM，用训练集的特征向量对SVM分类器进行训练，训练完成后，将测试集的特征向量输入SVM分类器进行分类评估，并评价评估结果。
进一步地，所述步骤(1)的具体包括：
步骤(1.1)采用的的纤维自动量化方法中的跟踪方法为确定性跟踪方法：给定一个或多个起始点，根据设定的计算方法搜索新的跟踪方向，不断向前传播，直到达到某些终止条件，最终得到一条纤维流线轨迹，对于终止条件，即全脑纤维束的各向异性指数值低于0.2或者纤维束弯曲角度大于45°时停止跟踪该纤维束，并剔除不符合跟踪条件的游离纤维束，获得初步全脑纤维束集；
步骤(1.2)利用纤维束的感兴趣区域和概率图谱，剔除错误纤维，获得全脑白质纤维束集的具体步骤如下：
利用纤维束起始和终止区域作为感兴趣区域，从全脑纤维中筛选出同时经过两个感兴趣区域的纤维，然后根据各个关键纤维束的概率图谱，剔除错误纤维，获得全脑白质纤维束集。
进一步地，所述步骤(2)的具体包括：
步骤(2.1)采用多项特征指标来衡量大脑可塑性，分别是部分各向异性指数、平均弥散率、轴向扩散度和径向扩散度，利用张量模型计算体素内张量的特征值；
步骤(2.2)统计并分析两组间纤维束的差异，找出存在显著性差异的纤维束的具体步骤如下：采用独立样本T检验和皮尔逊检验对两组纤维束的多项特征指标进行分析，计算p-value值并做FDR校正，将p<0.05视为具有统计学差异，由此得到存在显著性差异的关键纤维束组。
进一步地，所述步骤(3)的具体包括：
步骤(3.1)提取样本的关键纤维束的多项特征指标平均值并组成该样本的特征向量，然后对其进行标准化处理，并计算相关系数矩阵的特征值和特征向量；
步骤(3.2)利用主成分分析法对上述提取的所有特征向量进行特征级融合，当n个主成分的累积贡献率超过90％时，选取这n个主成分完成特征级融合，最终每个样本以n个多维的特征向量表示。
进一步地，所述步骤(4)具体包括：
基于SVM方法构建特征向量分类器，实现对轻度认知障碍症的分类评估，选择径向基核函数的支持向量机，结合v折交叉验证法，用m-1，m和m+1折构建三个分类器进行训练，然后将测试集的特征向量分别输入三个SVM分类器进行分类，取预测准确率最高的分类器为最优分类，同时计算敏感性和特异性作为评估结果评价标准。
本发明的有益效果在于：
1、本发明创新性地采用的纤维束级特征，即提取轻度认知障碍症患者组和健康对照组具有显著性差异的关键纤维束进行特征融合，能够从纤维束内部的扩散特征参数对早期认知障碍症进行有效评估。
2、本发明采用的白质纤维束特征在分类前首先经过了显著性差异筛选，特征更具有独特性和代表性。
附图说明
图1是本发明的实施流程图。
图2是本发明的跟踪算法提取出的纤维束的示意图。
图3是本发明的具有显著性差异的纤维束特征指标示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要注意的是，以下描述仅仅用于解释本发明，并不用于限定本发明。
本发明提出的一种基于关键纤维束的轻度认知障碍症评估方法的总体流程图如图1所示，具体如下：
步骤(1)利用纤维自动量化技术对轻度认知障碍症患者组样本和健康对照组样本个体的扩散磁共振图像进行全脑纤维束进行跟踪，剔除某些游离纤维束，获得初步全脑纤维束集，然后利用纤维束的感兴趣区域(Region of Interest,ROI)和概率图谱，剔除错误纤维，获得全脑白质纤维束集，具体步骤如下：
步骤(1.1)采用的的纤维自动量化技术中的跟踪方法为确定性跟踪方法，其原理是：给定一个或多个起始点，根据设定的计算方法搜索新的跟踪方向，不断向前传播，直到达到某些终止条件，最终得到一条纤维流线轨迹。此处的某些终止条件，即全脑纤维束的FA(各向异性指数，Fractional Anisotropy)值低于0.2或者纤维束弯曲角度angle大于45°时停止跟踪该纤维束，并剔除不符合跟踪条件的游离纤维束，获得初步全脑纤维束集，如图2所示。
步骤(1.2)利用纤维束的感兴趣区域(Region of Interest,ROI)和概率图谱，剔除错误纤维，获得全脑白质纤维束集的具体步骤如下：
利用纤维束起始和终止区域作为感兴趣区域(Region of Interest,ROI)，从全脑纤维中筛选出同时经过两个ROI的纤维，然后根据各个关键纤维束的概率图谱，剔除错误纤维，概率图谱为JHU白质纤维束图谱，其是由28例正常人的大脑数据进行人工分割与配准后得到的，在使用时需要被转化到个体人脑空间。此过程是在MNI标准空间中的组间平均DTI数据集上进行的，纤维束的起止ROI均有定义。
步骤(2)将每个关键纤维束内的每根纤维重采样到100个等距节点来量化纤维束中心部分的扩散特性，计算多项特征指标，然后用统计学软件SPSS分析两组间纤维束的差异，得到存在显著性差异的关键纤维束组，具体如下：
步骤(2.1)采用四种指标来衡量大脑可塑性，分别是部分各向异性指数(Fractional Anisotropy，FA)，平均弥散率(Mean Diffusivity,MD)，轴向扩散度(AxialDiffusivity,AD)和径向扩散度(Radial Diffusivity,RD)，利用张量模型计算体素内张量的特征值λ1、λ2和λ3，四项指标的计算公式和意义如下：
部分各向异性指数是指水分子各向异性成分占整个弥散张量的比例，它的变化范围为0～1。0代表弥散不受限制，比如脑脊液的FA值接近0；对于非常规则的具有方向性的组织，其FA值大于0，例如大脑白质纤维FA值接近1。
Figure BDA0003561461740000051
平均弥散率，为了对组织某一体素或区域的弥散状况进行全面的评价，必须要消除各向异性弥散的影响，并用一个不变的参数来表示，也就是说这一参数的变化不依赖于弥散的方向。MD反映分子整体的弥散水平(平均椭球的大小)和弥散阻力的整体情况。MD只表示弥散的大小，而与弥散的方向无关。MD越大，组织内所含自由水分子则越多。
Figure BDA0003561461740000052
轴向扩散度代表主要的弥散方向，定义为：
AD＝λ1 (3)
径向扩散度代表其余两个次要方向的均值，定义为：
Figure BDA0003561461740000053
步骤(2.2)用统计学软件SPSS分析两组间纤维束的差异，找出存在显著性差异的典型纤维束的具体步骤如下：采用独立样本T检验和皮尔逊检验对两组试验对象的四项指标值进行分析，计算p-value值并做FDR校正，将p<0.05(p是p-value的缩写，即p值，是统计学中非常重要的指标，与显著性水平相关，用于验证或者推翻统计学中的原假设，从而体现结果的显著性或非显著性)视为具有统计学差异，由此得到存在显著性差异的关键纤维束组。显著性差异的纤维束特征指标如图3所示。
步骤(3)将存在差异的纤维束组的多项特征指标以特征向量表示，然后利用主成分分析法对上述提取的所有特征向量进行特征级融合，作为每个样本的多维特征向量，具体如下：
步骤(3.1)将样本的关键纤维束的多项指标(FA、MD等)平均值提取并组成该样本的特征向量，然后对其进行标准化处理，并计算相关系数矩阵的特征值和特征向量。
步骤(3.2)利用主成分分析法对上述提取的所有特征向量进行特征级融合。主成分分析(Principal Component Analysis,PCA)是一种将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法，利用主成分分析法提取对应的主成分及特征向量，当n个主成分的累积贡献率超过90％时，选取这n个主成分完成特征级融合，最终每个样本以n个多维的特征向量表示。
步骤(4)将样本分为训练集和测试集，选择径向基核函数的支持向量机(SVM)，用训练集的特征向量对SVM分类器进行训练，训练完成后，将测试集的特征向量输入SVM分类器进行分类评估，并评价评估结果，具体如下：
基于SVM方法构建特征向量分类器，实现对轻度认知障碍症的分类评估。本发明的数据属于线性不可分的情况，因此采取的SVM方法是将原数据向高维空间转化，使其编的线性可分，再应用线性可分的方法进行分类：选择径向基核函数的支持向量机，为了减少数据的过拟合，结合v折交叉验证法，用m-1,m和m+1折(m代表v折的具体数字)构建三个分类器进行训练，然后将测试集的特征向量分别输入三个SVM分类器进行分类取预测准确率最高的分类器为最优分类，同时计算敏感性和特异性作为评估结果评价标准，其中，准确率、敏感度和特异度的定义分别如下：
准确率
Figure BDA0003561461740000061
敏感度
Figure BDA0003561461740000062
特异度
Figure BDA0003561461740000063
其中，TP：True Positive，表示正确的预测为正类；TN：True Negative，表示正确的预测为负类；FP：False Positive，表示错误的预测为正类；FN：False Negative，表示错误的预测为负类。
以上对本发明进行了详细的介绍，但是具体实施方式的描述仅用于解释本发明的方法及其核心思想，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (5)

1.一种基于关键纤维束的轻度认知障碍症评估方法，其特征在于：包括以下步骤：
步骤(1)利用纤维自动量化方法对轻度认知障碍症患者组样本和健康对照组样本个体的扩散磁共振图像进行全脑纤维束进行跟踪，剔除游离纤维束，获得初步全脑纤维束集，然后利用纤维束的感兴趣区域和概率图谱，剔除错误纤维，获得全脑白质纤维束集；
步骤(2)将每个关键纤维束内的每根纤维重采样到100个等距节点来量化纤维束中心部分的扩散特性，计算多项特征指标，然后统计并分析两组间纤维束的差异，得到存在显著性差异的关键纤维束组；
步骤(3)将存在差异的纤维束组的多项特征指标以特征向量表示，然后利用主成分分析法对提取的所有特征向量进行特征级融合，作为每个样本的多维特征向量；
步骤(4)将样本分为训练集和测试集，选择径向基核函数的支持向量机SVM，用训练集的特征向量对SVM分类器进行训练，训练完成后，将测试集的特征向量输入SVM分类器进行分类评估，并评价评估结果。
2.如权利要求1所述的一种基于关键纤维束的轻度认知障碍症评估方法，其特征在于：所述步骤(1)的具体包括：
步骤(1.1)采用的的纤维自动量化方法中的跟踪方法为确定性跟踪方法：给定一个或多个起始点，根据设定的计算方法搜索新的跟踪方向，不断向前传播，直到达到某些终止条件，最终得到一条纤维流线轨迹，对于终止条件，即全脑纤维束的各向异性指数值低于0.2或者纤维束弯曲角度大于45°时停止跟踪该纤维束，并剔除不符合跟踪条件的游离纤维束，获得初步全脑纤维束集；
步骤(1.2)利用纤维束的感兴趣区域和概率图谱，剔除错误纤维，获得全脑白质纤维束集的具体步骤如下：
设定纤维束起始和终止区域作为感兴趣区域，从全脑纤维中筛选出同时经过两个感兴趣区域的纤维，然后根据各个关键纤维束的概率图谱，剔除错误纤维，获得全脑白质纤维束集。
3.如权利要求1所述的一种基于关键纤维束的轻度认知障碍症评估方法，其特征在于：所述步骤(2)的具体包括：
步骤(2.1)采用多项特征指标来衡量大脑可塑性，分别是部分各向异性指数、平均弥散率、轴向扩散度和径向扩散度，利用张量模型计算体素内张量的特征值；
步骤(2.2)统计并分析两组间纤维束的差异，找出存在显著性差异的纤维束的具体步骤如下：采用独立样本T检验和皮尔逊检验对两组纤维束的多项特征指标进行分析，计算p-value值并做FDR校正，将p＜0.05视为具有统计学差异，由此得到存在显著性差异的关键纤维束组。
4.如权利要求1所述的一种基于关键纤维束的轻度认知障碍症评估方法，其特征在于：所述步骤(3)的具体包括：
步骤(3.1)提取样本的关键纤维束的多项特征指标平均值并组成该样本的特征向量，然后对其进行标准化处理，并计算相关系数矩阵的特征值和特征向量；
步骤(3.2)利用主成分分析法对上述提取的所有特征向量进行特征级融合，当n个主成分的累积贡献率超过90％时，选取这n个主成分完成特征级融合，最终每个样本以n个多维的特征向量表示。
5.如权利要求1所述的一种基于关键纤维束的轻度认知障碍症评估方法，其特征在于：所述步骤(4)具体包括：
基于SVM方法构建特征向量分类器，实现对轻度认知障碍症的分类评估，选择径向基核函数的支持向量机，结合v折交叉验证法，用m-1，m和m+1折构建三个分类器进行训练，然后将测试集的特征向量分别输入三个SVM分类器进行分类，取预测准确率最高的分类器为最优分类，同时计算敏感性和特异性作为评估结果评价标准。
CN202210294744.3A 2022-03-23 2022-03-23 一种基于关键纤维束的轻度认知障碍症评估方法 Pending CN114842969A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210294744.3A CN114842969A (zh) 2022-03-23 2022-03-23 一种基于关键纤维束的轻度认知障碍症评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210294744.3A CN114842969A (zh) 2022-03-23 2022-03-23 一种基于关键纤维束的轻度认知障碍症评估方法

Publications (1)

Publication Number Publication Date
CN114842969A true CN114842969A (zh) 2022-08-02

Family

ID=82562499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210294744.3A Pending CN114842969A (zh) 2022-03-23 2022-03-23 一种基于关键纤维束的轻度认知障碍症评估方法

Country Status (1)

Country Link
CN (1) CN114842969A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115359305A (zh) * 2022-10-19 2022-11-18 之江实验室 一种大脑纤维束异常区域精准定位系统
CN117153424A (zh) * 2023-11-01 2023-12-01 北京遥领医疗科技有限公司 中心化疗效评估方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115359305A (zh) * 2022-10-19 2022-11-18 之江实验室 一种大脑纤维束异常区域精准定位系统
CN115359305B (zh) * 2022-10-19 2023-01-10 之江实验室 一种大脑纤维束异常区域精准定位系统
WO2024083058A1 (zh) * 2022-10-19 2024-04-25 之江实验室 一种大脑纤维束异常区域精准定位系统
CN117153424A (zh) * 2023-11-01 2023-12-01 北京遥领医疗科技有限公司 中心化疗效评估方法及系统
CN117153424B (zh) * 2023-11-01 2024-02-23 北京遥领医疗科技有限公司 中心化疗效评估方法及系统

Similar Documents

Publication Publication Date Title
CN109035263B (zh) 基于卷积神经网络的脑肿瘤图像自动分割方法
Choi et al. Fast and robust segmentation of the striatum using deep convolutional neural networks
Li et al. A hybrid approach to automatic clustering of white matter fibers
Buvaneswari et al. Deep learning-based segmentation in classification of Alzheimer’s disease
Kumar et al. Fiberprint: A subject fingerprint based on sparse code pooling for white matter fiber analysis
CN114842969A (zh) 一种基于关键纤维束的轻度认知障碍症评估方法
CN109770932A (zh) 多模态脑部神经影像特征的处理方法
CN108109140A (zh) 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统
CN106096636A (zh) 一种基于神经影像的进展型轻度认知功能障碍识别方法
CN112674720B (zh) 基于3d卷积神经网络的阿尔茨海默症的预判断方法
CN103142229B (zh) 扩散峭度张量成像的高阶张量特征参数提取方法
WO2015106374A1 (zh) 一种基于脑部核磁共振图像的多维度纹理提取方法
CN114187258A (zh) 基于人脑功能磁共振影像的自闭症分类器构建方法及系统
CN112465905A (zh) 基于深度学习的磁共振成像数据的特征脑区定位方法
CN111079901A (zh) 基于小样本学习的急性脑卒中病变分割方法
CN113298758A (zh) 阿尔兹海默症的辅助诊断系统、其数据处理方法及终端
CN115359305A (zh) 一种大脑纤维束异常区域精准定位系统
Yang et al. Diagnosis of Parkinson’s disease based on 3D ResNet: The frontal lobe is crucial
CN116579975A (zh) 一种卷积神经网络的脑龄预测方法及系统
Xi et al. Brain Functional Networks with Dynamic Hypergraph Manifold Regularization for Classification of End-Stage Renal Disease Associated with Mild Cognitive Impairment.
Xi et al. Hypergraph representation of multimodal brain networks for patients with end-stage renal disease associated with mild cognitive impairment
CN112990266B (zh) 多模态脑影像数据处理的方法、装置、设备及存储介质
Xing et al. Automatic detection of A‐line in lung ultrasound images using deep learning and image processing
CN114373095A (zh) 基于影像信息的阿尔茨海默病分类系统及方法
Jeong et al. Neonatal encephalopathy prediction of poor outcome with diffusion-weighted imaging connectome and fixel-based analysis

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