CN115170540A - 一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法 - Google Patents

一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法 Download PDF

Info

Publication number
CN115170540A
CN115170540A CN202210884946.3A CN202210884946A CN115170540A CN 115170540 A CN115170540 A CN 115170540A CN 202210884946 A CN202210884946 A CN 202210884946A CN 115170540 A CN115170540 A CN 115170540A
Authority
CN
China
Prior art keywords
features
value
training set
model
feature
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
CN202210884946.3A
Other languages
English (en)
Inventor
仇翔
王佳凤
冯远静
曾庆润
陈升炜
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202210884946.3A priority Critical patent/CN115170540A/zh
Publication of CN115170540A publication Critical patent/CN115170540A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法，针对单一模态影像信息不全面和与mTBI高度相关的特征不明确导致的目前mTBI缺乏客观辅助诊断方法的问题，融合了在TI结构像上提取的皮层体积，厚度，表面积特征和在dMRI上基于束提取的FA，MD，AD，RD，和OD，ICVF，ISOVF特征；一方面为了得到与mTBI高度相关的特征，选择FDR矫正后组间具有显著性差异的特征作为初步筛选出来的特征；另一方面为了降低特征维度使模型达到更好的拟合效果，将初步得到的特征作为逻辑回归模型的输入，最终得到权重不为0的特征训练的最优学习模型，模型泛化性能由测试集评估指标评定，通过此模型对到访者进行mTBI疾病预测，从而提供一种客观的辅助诊断方法。

Description

一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法
技术领域
本发明涉及医学图像处理领域，具体涉及一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法。
背景技术
轻度创伤性脑损伤(mTBI)是指意识丧失不到30分钟的创伤性脑损伤，并发症包括慢性头痛、头晕、注意力不集中、易怒和冲动等。即使是专业的医护人员也普遍认为患者在创伤发生三个月内这些症状会消失，事实上20％的mTBI患者会持续伴有上述症状，这往往导致患者在损伤后没有得到及时的护理治疗。mTBI患者有较高的神经退化性疾病风险，在反复损伤的情况下容易导致慢性创伤性脑病。mTBI会改变大脑功能，从而影响长期认知、神经精神和社会功能等各个领域，患者甚至会经历自杀、抑郁和创伤后应激障碍症状。
计算机断层扫描(CT)和磁共振成像(MRI)等常规诊断成像方法对于mTBI的细微解剖结构异常缺乏敏感性。一些用于研究领域的神经成像技术可以展现与mTBI相关的结构和功能变化。Vergara等人使用组独立成分分析和静息状态网络对之间的相关性获得了基于rsFNC的特征，然后使用线性支持向量机进行分类。上述方法在采集fMRI时易受患者情绪认知等影响，使获取客观数据变得困难。Li等人基于sMRI发现在大脑中可以检测到皮层厚度和表面积的改变，这些变化与mTBI患者的白质宏观结构和微观结构完整性，功能网络连通性改变和脑血流有关。一些研究者发现DTI对患有创伤性脑损伤人群的群体水平异常具有良好的敏感性，由DTI导出的指标可以描述白质纤维束的扩散特性，并由此推断白质纤维束的方向和过程信息。迄今为止，mTBI的诊断主要依赖于患者主观的临床症状自我报告，缺乏客观的辅助诊断方法。一方面主要是因为与该疾病高度相关的影像学特征尚不明确。另一方面是因为无论是基于dMRI的方法还是基于sMRI的研究普遍使用的都是单模态影像，缺少其他模态的一些重要的信息。
发明内容
为了克服由单一模态影像信息不全面和与mTBI相关的特征不明确导致的该疾病缺乏客观辅助诊断方法的问题，本发明提出了一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法，该方法采用TI结构像和dMRI多模态数据，弥补单模态数据信息不全面的缺陷，同时也避免fMRI采集时的不足；在特征选择上，采用经过逻辑回归筛选后的mTBI与正常受试者组间具有显著性差异的特征训练模型，弥补目前关于与该疾病直接相关的特征不明确的问题，利用训练好的模型进行疾病预测可为mTBI提供一种辅助诊断方法。
本发明解决其技术问题所采用的技术方案是：
一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法，所述方法包括如下步骤：
1)提取基于T1影像的特征：每一例纳入的受试者图像包含T1图像和DTI图像，以brainetome最新的210类图谱为模板对T1数据进行皮层分割，计算获取皮层体积，厚度和表面积作为特征；
2)提取基于DTI影像的特征：采用多壳多组织约束球面反卷积MSMT-CSD方法和确定型跟踪对DTI数据进行纤维方向估计和跟踪，纤维的自动分割由WhitematterAnalysis工具包执行，最终将纤维束分割成设定数量的双侧半球纤维束和连合束，计算各向异性分数(FA)、平均弥散值(MD)、轴向弥散值(AD)、径向弥散值(RD)和方向分散度指数(ODI)、神经密度指数(NDI)、各向同性扩散的体积分数(FISO)参数图像并基于有解剖学意义的纤维束提取参数图像的值作为特征，将步骤1)和步骤2)得到的特征合并构建原始数据集；
3)数据集预处理：原始数据集以设定比例进行分层采样随机划分为训练集和测试集，处理训练集的缺失值，从训练集的正常受试者中提取的数据建立线性回归模型以排除协变量对数据的影响，再对训练集进行归一化处理，测试集的数据预处理方法相同，但需要以训练集为基准；
4)特征选择：选择训练集中经过逻辑回归筛选的mTBI与正常受试者组间具有显著性差异的特征，计算特征组间P值并做FDR矫正，以设定阈值将训练集中没有显著性差异的特征排除，FDR矫正的范围限制在同种参数中，如仅对所有FA特征进行一次FDR矫正，所有类型的参数在选择完毕后再用逻辑回归模型拟合，选取权重不为0的特征，测试集保留与训练集相同的特征；
5)模型训练与评估：采用十折交叉验证将步骤4)获得的训练集放入机器学习模型进行训练，训练完毕后将步骤4)得到的测试集放入模型进行分类预测，并与标签真值进行比较得到AUC等评价指标评估模型泛化性能，根据泛化性能选出最佳分类器。
本发明的有益效果为：采用TI结构像和dMRI多模态数据，弥补单模态数据信息不全面的缺陷，同时也避免fMRI采集时的不足；在特征选择上，采用经过逻辑回归筛选后的mTBI与正常受试者组间具有显著性差异的特征训练模型，弥补目前关于与该疾病直接相关的特征不明确的问题，利用训练好的模型进行疾病预测可为mTBI提供一种辅助诊断方法。
附图说明
图1为本发明步骤示意图。
具体实施方式
为了使本发明的技术方案更加清晰明了，下面对本发明作进一步说明。
参照图1，一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法，所述方法包括如下步骤：
1)提取基于T1影像的特征：本发明共纳入76例受试者，其中包括患者组42例和正常组34例，标签“1”表示患者，标签“0”表示正常受试者，每一例纳入的受试者图像包含T1图像和DTI图像，freesurfer软件的recon–all指令对每位受试者的T1图像进行皮层的完全分割，BN_Atlas_freesurfer把大脑皮层分成210个区域，分割的模板来自于Brainetome，再对各个脑区皮层进行计算，得到210个皮层的厚度、体积和表面积值作为特征，其中计算出来的皮层厚度为相应脑区皮层厚度的平均值；
2)提取基于DTI影像的特征：采用MSMT-CSD方法对DTI数据进行纤维方向估计和确定型跟踪法对纤维进行追踪，纤维的自动分割由WhitematterAnalysis工具包执行，步骤包括：2.1)通过刚性和非刚性变换将DTI图像配准到相同图谱；2.2)将配准后的纤维束分成800束纤维束，包括716束双侧半球束和84束连合束；2.)应用包括非刚性和刚性的逆变换矩阵将纤维束变换回个体空间，由AMICO计算基于多壳多b值的NODDI参数ODI，NDI和FISO图像，从DTI张量矩阵可以得到三个方向的特征值λ1，λ2和λ3，通过以下计算可以分别得到FA，MD，AD和RD：
Figure BDA0003765371800000031
Figure BDA0003765371800000041
AD＝λ1
Figure BDA0003765371800000042
采用基于束的分析方法提取参数图像的值作为特征，选取有解剖学意义的目标纤维束，图谱中对应模板束的100个质心投影到配准后的目标纤维束，然后将目标纤维束中的每个体素分配给质心的最近点，一共可分为100段，位于目标纤维束同一段中的所有体素的平均值作为一个特征，由此每一束纤维束都可分别提取100个不同参数的值，将步骤1)和步骤2)得到的特征融合构建包含标签的数据集；
3)数据集预处理：根据标签对数据集进行随机分层采样，得到的测试集样本数占数据集样本数的25％(19例)，其余为训练集(25例)，处理训练集的缺失值，把训练集特征缺失总数较多的特征排除，缺失数量少的以“0”填充，对训练集每一个特征建立线性回归模型，排除年龄、性别、教育程度对数值的影响，线性回归模型可简单表征为以下公式：
V'＝V-(aAge+bEdu+cSex+d)
其中，V'为回归处理后的特征值，V为回归处理前的特征，a，b，c和d为回归模型拟合的系数，Age，Edu和Sex分别为受试者年龄、教育程度和性别。
对数据集每一个特征进行归一化处理，归一化公式如下：
Figure BDA0003765371800000043
其中，f'为缩放后的特征值，f为缩放前的特征值，fmax和fmin分别为训练集缩放前该特征的最大值和最小值。
测试集保留和训练集相同的特征，缺失值以“0”填充，回归系数和缩放前特征的最大值和最小值以训练集为基准；
4)特征选择：计算特征组间P值并做FDR矫正，FDR矫正的范围限制在同类型的特征当中，如仅对所有FA特征产生的P值进行一次FDR矫正，矫正采用Benjaminiand Hochberg的方法，先把所有P值进行排序，然后通过以下公式计算矫正后的值：
q＝(p×m)÷k＜α
其中，q表示矫正后的p值，m为检验次数，k为此次检验的p值在所有检验次数中的排名，α为阈值，本发明中取值为0.05。
以0.05为阈值将训练集中无显著性差异的特征排除，所有类型的参数特征在上述特征选择完毕后再用逻辑回归模型拟合，再次选取输出模型权重不为0的特征，由此得到机器学习模型的输入数据，测试集保留与训练集相同的特征；
5)模型训练与评估：采用十折交叉验证将步骤4)获得的训练集放入机器学习模型进行训练，以验证集结果微调模型参数得到最优模型，训练完毕后将步骤4)得到的测试集放入模型进行分类预测，并与标签真值进行比较得到AUC等评价指标，评估模型泛化能力。
图1为本发明步骤示意图，如图所示：从原始DTI图像中计算出参数图，基于束方法提取特征，皮层信息从T1结构像获取，将DTI和皮层特征融合后进行特征选择，训练并评估模型。
本说明书所述的内容仅仅是对发明构思实现形式的列举，仅作说明用途，并不用于限制本发明的专利范围。凡是利用本发明原则和本领域普通技术人员根据本发明构思想到的等同技术手段，均应包括在本发明的专利保护范围内。

Claims (6)

1.一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法，其特征在于，所述方法包括如下步骤：
1)提取基于T1影像的特征：每一例纳入的受试者图像包含T1图像和DTI图像，以brainetome210类图谱为模板对T1数据进行皮层分割，计算获取皮层体积，厚度和表面积作为特征；
2)提取基于DTI影像的特征：采用多壳多组织约束球面反卷积MSMT-CSD方法和确定型跟踪对DTI数据进行纤维方向估计和跟踪，纤维的自动分割由WhitematterAnalysis工具包执行，最终将纤维束分割成设定数量束双侧半球纤维束和连合束，计算各向异性分数FA、平均弥散值MD、轴向弥散值AD、径向弥散值RD方向分散度指数ODI、神经密度指数NDI、各向同性扩散的体积分数(FISO参数图像并基于有解剖学意义的纤维束提取参数图像的值作为特征，将步骤1)和步骤2)得到的特征合并构建原始数据集；
3)数据集预处理：原始数据集以设定比例进行分层采样随机划分为训练集和测试集，处理训练集的缺失值，从训练集的正常受试者中提取的数据建立线性回归模型以排除协变量对数据的影响，再对训练集进行归一化处理，测试集的数据预处理方法相同，但需要以训练集为基准；
4)特征选择：选择训练集中经过逻辑回归筛选的mTBI与正常受试者组间具有显著性差异的特征，计算特征组间P值并做FDR矫正，以设定阈值将训练集中没有显著性差异的特征排除，FDR矫正的范围限制在同种参数中，如仅对所有FA特征进行一次FDR矫正，所有类型的参数在选择完毕后再用逻辑回归模型拟合，选取权重不为0的特征，测试集保留与训练集相同的特征；
5)模型训练与评估：采用十折交叉验证将步骤4)获得的训练集放入机器学习模型进行训练，训练完毕后将步骤4)得到的测试集放入模型进行分类预测，并与标签真值进行比较得到AUC等评价指标评估模型泛化性能，根据泛化性能选出最佳分类器。
2.如权利要求1所述的一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法，其特征在于，所述步骤2)的步骤包括：2.1)通过刚性和非刚性变换将DTI图像配准到相同图谱；2.2)将配准后的纤维束分成800束纤维束，包括716束双侧半球束和84束连合束；2.3)应用包括非刚性和刚性的逆变换矩阵将纤维束变换回个体空间，由AMICO计算ODI，NDI，FISO参数图像，从DTI张量矩阵可以得到三个方向的特征值λ1，λ2和λ3，通过以下计算可以分别得到FA，MD，AD，RD：
Figure FDA0003765371790000021
Figure FDA0003765371790000022
AD＝λ1
Figure FDA0003765371790000023
采用基于束的分析方法提取参数图像的值作为特征，选取有解剖学意义的目标纤维束，图谱中对应模板束的100个质心投影到配准后的目标纤维束，然后将目标纤维束中的每个体素分配给质心的最近点，一共可分为100段，位于目标纤维束同一段中的所有体素的平均值作为一个特征，由此每一束纤维束都可分别提取100个不同参数的值，将步骤1)和步骤2)得到的特征融合构建包含标签的数据集。
3.如权利要求1或2所述的一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法，其特征在于，所述步骤3)中，数据集预处理：根据标签对数据集进行随机分层采样，得到的测试集样本数占数据集样本数的百分比，其余为训练集，处理训练集的缺失值，把训练集特征缺失总数较多的特征排除，缺失数量少的以“0”填充，对训练集每一个特征建立线性回归模型，排除年龄、性别、教育程度对数值的影响，线性回归模型可简单表征为以下公式：
V'＝V-(aAge+bEdu+cSex+d)
其中，V'为回归处理后的特征值，V为回归处理前的特征，a，b，c和d为回归模型拟合的系数，Age，Edu和Sex分别为受试者年龄、教育程度和性别；
对数据集每一个特征进行归一化处理，归一化公式如下：
Figure FDA0003765371790000024
其中，f'为缩放后的特征值，f为缩放前的特征值，fmax和fmin分别为训练集缩放前该特征的最大值和最小值；
测试集保留和训练集相同的特征，缺失值以“0”填充，回归系数和缩放前特征的最大值和最小值以训练集为基准。
4.如权利要求1或2所述的一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法，其特征在于，所述步骤4)中，计算特征组间P值并做FDR矫正，FDR矫正的范围限制在同类型的特征当中，如仅对所有FA特征产生的P值进行一次FDR矫正，矫正采用BenjaminiandHochberg的方法，先把所有P值进行排序，然后通过以下公式计算矫正后的值：
q＝(p×m)÷k＜α
其中，q表示矫正后的p值，m为检验次数，k为此次检验的p值在所有检验次数中的排名，α为阈值；
以0.05为阈值将训练集中无显著性差异的特征排除，所有类型的参数特征在上述特征选择完毕后再用逻辑回归模型拟合，再次选取输出模型权重不为0的特征，由此得到机器学习模型的输入数据，测试集保留与训练集相同的特征。
5.如权利要求1或2所述的一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法，其特征在于，所述步骤1)和步骤2)中，利用Brainetome提供的最新模板，计算得到210个皮层的厚度，体积和表面积值作为特征；在DTI图像中提取了DTI传统参数FA，MD，AD，RD和较为敏感的NODDI参数ODI，NDI，FISO。在细分的800类纤维束上选取有解剖学意义的纤维束以分段形式提取特征，每一个特征为该参数在该纤维束上指定段的平均值；将DTI上得到的FA，MD，AD，RD和ODI，NDI，FISO特征与T1得到的皮层厚度、体积和表面积特征进行融合，构建拥有多模态信息的初始数据集，此特征数据集包含纤维的扩散信息和脑皮层灰质信息。
6.如权利要求1或2所述的一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法，其特征在于，所述步骤4)中，同时考虑mTBI临床意义和机器学习模型效果，采用显著性差异比较和逻辑回归两种不同方式结合进行特征选择。先计算特征组间P值并做FDR矫正，将FDR矫正的范围限制在同类型的特征当中，以0.05为阈值将训练集中无显著性差异的特征排除，此步骤有利于筛选出发生mTBI与未发生mTBI脑部结构或功能异常的区域。在上述特征选择完毕后再用逻辑回归模型拟合，再次选取输出模型权重不为0的特征，由此得到机器学习模型的输入数据，此步骤进一步减少了特征数目，得到了与疾病线性相关的特征，防止后续机器学习模型出现过拟合现象。
CN202210884946.3A 2022-07-26 2022-07-26 一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法 Pending CN115170540A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210884946.3A CN115170540A (zh) 2022-07-26 2022-07-26 一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210884946.3A CN115170540A (zh) 2022-07-26 2022-07-26 一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法

Publications (1)

Publication Number Publication Date
CN115170540A true CN115170540A (zh) 2022-10-11

Family

ID=83498040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210884946.3A Pending CN115170540A (zh) 2022-07-26 2022-07-26 一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法

Country Status (1)

Country Link
CN (1) CN115170540A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117593594A (zh) * 2024-01-18 2024-02-23 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于一致性对齐的脑部mri图像分类方法、设备和介质
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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117593594A (zh) * 2024-01-18 2024-02-23 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于一致性对齐的脑部mri图像分类方法、设备和介质
CN117593594B (zh) * 2024-01-18 2024-04-23 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于一致性对齐的脑部mri图像分类方法、设备和介质

Similar Documents

Publication Publication Date Title
US11263749B1 (en) Predictive prognosis based on multimodal analysis
Bron et al. Standardized evaluation of algorithms for computer-aided diagnosis of dementia based on structural MRI: the CADDementia challenge
CN111047589B (zh) 一种注意力增强的脑肿瘤辅助智能检测识别方法
WO2024083057A1 (zh) 基于多模态磁共振成像的图卷积神经网络疾病预测系统
Yue et al. Auto-detection of Alzheimer's disease using deep convolutional neural networks
YİĞİT et al. Applying deep learning models to structural MRI for stage prediction of Alzheimer's disease
CN115170540A (zh) 一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法
JP6603131B2 (ja) 脳損傷を定量するための方法
Dai et al. Data driven intelligent diagnostics for Parkinson’s disease
Liu et al. An enhanced multi-modal brain graph network for classifying neuropsychiatric disorders
WO2024083058A1 (zh) 一种大脑纤维束异常区域精准定位系统
Nayan et al. A deep learning approach for brain tumor detection using magnetic resonance imaging
Yang et al. Diagnosis of Parkinson’s disease based on 3D ResNet: The frontal lobe is crucial
Kushwaha et al. An empirical analysis of machine learning techniques for brain tumor detection
Xu et al. Deep learning-based automated detection of arterial vessel wall and plaque on magnetic resonance vessel wall images
CN112837807B (zh) 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法
CN114847922A (zh) 一种基于纤维束自动识别的脑年龄预测方法
Demir et al. A macro-structural dispersion characteristic of brain white matter and its application to bipolar disorder
CN114723879A (zh) 一种基于多维跨模态影像融合技术的人脑锥体束全自动重建方法
CN114494132A (zh) 基于深度学习和纤维束空间统计分析的疾病分类系统
Varghese et al. Discrimination between Alzheimer’s disease, mild cognitive impairment and normal aging using ANN based MR brain image segmentation
Noorul Julaiha et al. A Study on Automatic Detection of Alzheimer’s Disease Using Multimodalities
Hillary et al. Automated detection and quantification of brain lesions in acute traumatic brain injury using MRI
Qu et al. Multiple classifier fusion and optimization for automatic focal cortical dysplasia detection on magnetic resonance images
Manochandar et al. Classification of Alzheimer’s Disease using Neuroimaging 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