CN115251889B - 一种功能磁共振影像动态连接网络特征描述方法 - Google Patents
一种功能磁共振影像动态连接网络特征描述方法 Download PDFInfo
- Publication number
- CN115251889B CN115251889B CN202210848075.XA CN202210848075A CN115251889B CN 115251889 B CN115251889 B CN 115251889B CN 202210848075 A CN202210848075 A CN 202210848075A CN 115251889 B CN115251889 B CN 115251889B
- Authority
- CN
- China
- Prior art keywords
- brain
- dynamic connection
- matrix
- connection matrix
- tested
- 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.)
- Active
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
- A61B5/05—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
- A61B5/0033—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
- A61B5/40—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Neurology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Psychology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种功能磁共振影像动态连接网络特征描述方法,包括以下步骤:(1)获得被试的功能磁共振影像数据;(2)数据预处理;(3)进行脑图谱分区,获得各脑区时间序列信号;(4)构造动态连接矩阵,表征被试时间序列的两个脑区之间的相关性关系,计算每两个脑区之间的功能相互作用特征,逐个计算两两脑区关系;(5)构建健康人群的动态连接矩阵库,获得健康人群的大脑不同区域之间的连接矩阵的取值范围作为先验知识;(6)被试的动态连接矩阵中脑区的相关性与健康人群先验知识进行比较计算,生成个体异常连接变化模式,连接变化模式定义为三种模态。本发明采用个体的脑连接异常变化模式计算方法,用于刻画个体的脑连接异常变化情况。
Description
技术领域
本发明属于医学数据分析技术领域,具体涉及一种功能磁共振影像动态连接网络特征描述方法。
背景技术
功能磁共振成像连接组学(fMRI Connectomes)揭示了大脑不同区域之间的功能相互作用,用于神经系统疾病的无创早期诊断具有重要意义。近年来功能连接的动态行为被揭示表明在一个典型的功能磁共振成像中,不同脑区域之间的连接还表现出有意义的变化。因此,评估和表征动态功能连接变化的动态连接组学分析方法(DFC,dynamicfunctional connectivity)被受关注,该方法跟踪大脑功能动态变化特征,是一种很有前景的脑疾病预测工具。然而由于个体脑差异与成像噪声等影响方法不具备鲁棒性,导致基于DFC的研究在个体化预测准确性方面有待提高。
发明内容
本发明提供一种功能磁共振影像动态连接网络特征描述方法,采用个体的脑连接异常变化模式计算方法,用于刻画个体的脑连接异常变化情况。
为了解决上述技术问题,本发明采用的一种技术方案是:所述功能磁共振影像动态连接网络特征描述方法,包括以下步骤:
(1)收集被试的功能磁共振影像数据;
(2)数据预处理:将数据转换格式并进行时间整理和空间整理;
(3)脑图谱分区:针对每一个预处理后的原始功能磁共振影像数据进行脑图谱分区,获得各脑区时间序列信号ci;
(4)构建动态连接矩阵:构造动态连接矩阵,表征被试时间序列ci的两个脑区m,m之间的相关性关系,计算每两个脑区之间的功能相互作用特征,逐个计算两两脑区关系;
(5)健康人群的动态连接矩阵计算:构建健康人群的动态连接矩阵库,获得健康人群的大脑不同区域之间的连接矩阵的取值范围作为先验知识;
(6)构建个体异常连接变化模式:被试的动态连接矩阵中脑区的相关性与健康人群先验知识进行比较计算,生成个体异常连接变化模式PDFC,生成个体异常连接变化模式PDFC包括根据全局先验知识构建的个体异常连接变化模式PDFC1,以及根据局部先验知识构建的个体异常连接变化模式PDFC2;所述连接变化模式定义为三种模态,分别用0、1、-1表示正常、正相关和负相关。
进一步地,所述被试的数据为健康人及患者的数据集合B={b1,b2,...,bL},bi表示第i个被试,i=1,2,...,L,bi为V*T矩阵,其中V为影像数据体素个数,T为功能磁共振扫描成像的时间点个数。
进一步地,所述数据预处的转换格式是将DICOM格式数据转换到神经影像数据存储标准NIFTI格式;所述时间整理包括去掉前5个时间点的数据以及进行时间校正;所述空间整理包括头动校正、空间标准化、空间平滑。
进一步地,所述各脑区时间序列信号ci=R*T矩阵,其中R为分区个数,T为功能磁共振扫描成像的时间点个数;其中,被试第j个脑区的时间序列信号记作cij,i=1,2,...,L,j=1,2,...,R。
进一步地,所述动态连接矩阵采用滑动窗口技术,给定滑动窗口长度W,(1≤W≤T),滑动步长S,(1≤S≤W),将每个脑区时间序列1*T的向量划分为K=[(T-W)/S]+1段的1*W向量,其中[]代表向下取整函数;则,i=1,2,...,L,k=1,2,...,K,代表ci在第k个时间窗的时间序列。
进一步地,所述步骤(4)中,DFC(ci)代表被试ci的动态连接矩阵,代表被试ci在第k个滑动时刻的R×R连接矩阵,代表被试时间序列ci在第k个滑动时刻两个脑区,m,n之间的相关性关系,k=1,2,...,K,m,n=1,2,...,R;用皮尔逊相关系数pmn计算每两个脑区之间的功能相互作用特征,逐个计算两两脑区关系,其范围从1到-1;为两个脑区时间序列之间的协方差,D(.)代表标准差,则:
进一步地,所述步骤(5)健康人群的先验连接矩阵构建方法为:首先建立健康人群的动态连接矩阵库,用于存储对健康被试计算获得的动态连接矩阵,且按照不同的脑图谱以及滑窗设置进行分类存储;通过对健康人群两两脑区的动态连接矩阵的均值及标准差的计算获得全局先验知识和局部先验知识;其中,全局先验知识是指对整个健康人群的动态连接矩阵库的样本进行计算获得的统计学信息,第k个滑窗时刻的全局先验连接矩阵的均值记作为FHavg(k),连接矩阵的标准差值记作FHstd(k);对本次处理数据集B中的健康被试的动态连接矩阵进行统计分析,获得本被试群体的局部先验知识,记为LHavg(k)、LHstd(k),代表第k个滑窗口时刻群体的连接矩阵和标准差;健康人群的动态连接矩阵库支持不断更新以获得更符合健康群体特征的全局先验知识。
进一步地,所述步骤(6)中,采用代表m,n脑区间的全局先验知识,用表示m,n脑区的相关性的正常取值范围,其中∝=1,2,..,为调节放大倍数;用代表m,n脑区间的局部先验知识,表示m,n脑区的相关性的局部先验正常取值范围;则,
进一步地,还包括构建动态变化特征指标的步骤:采用统计PDFC矩阵行非零值个数除以分区个数R,获得定量指标用于度量该脑区的异常情况。
本发明的优点具体如下:
(1)本发明采用三模态表征个体异常情况,生产的PDFC矩阵为0的元素数目远远多于非0元素的数目,并且非0元素分布没有规律时,则成为稀疏矩阵,由于稀疏矩阵含有许多数值为零的元素,我们可以运用特定算法压缩矩阵对象的内存空间,加速多数机器学习程序,因此具有计算速度更快,更容易进行特征降维,更适合进行机器学习的特点;
(2)采用三模态构造的个体脑动态连接矩阵更好的刻画了各脑区相关性异常发生的动态变化过程;
(3)由于PDFC模式用1,-1表达了两种异常情况,更有利于进行个体脑影像动态连接网络的异常检测。
附图说明
图1为布罗德曼(Brodmann)脑图谱分区图。
图2为被试的脑图谱各脑区时间序列信号的示意图。
图3为采用滑窗技术构造动态连接矩阵的示意图。
图4为个体异常连接变化模式PDFC示意图。
图5为本发明所述描述方法的工作流程图。
具体实施方式
为了使本发明的上述目的、特征和优点能够更加明显易懂,下面结合具体附图对本发明的具体实施方式作进一步的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施例,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
本发明所述功能磁共振影像动态连接网络特征描述方法,如图5所示,包括以下步骤:
(1)数据采集:获得收集的L个被试(包括健康人及患者)的数据集合B={b1,b2,...,bL},bi表示第i个被试,i=1,2,...,L,bi为V*T矩阵,其中V为影像数据体素个数,T为功能磁共振扫描成像的时间点个数。每个被试的数据包括fMRI影像数据,以及每个被试的编号、年龄、性别、疾病分类或者亚型标签(例如健康class=1,患者class=2)等信息用于后续机器学习实现个体化的疾病预测;
(2)数据预处理:fMRI数据预处理流程(也称为协议)如下:fMRI数据一般都是以医学影像通用标准DICOM(Digital Imaging and Communications in Medicine)格式存储。在进行后续的处理之前,首先把DICOM格式数据转换到神经影像数据存储标准NIFTI(Neuroimaging Informatics Technology Initiative)格式;然后对数据进行时间整理(如去掉前5个时间点的数据以减少开机头动信号不稳定的影响以及进行时间校正),空间整理(如头动校正、空间标准化、空间平滑)用于去除由于设备或者运动等产生的图像噪声影响;
(3)脑图谱分区:选择标准脑图谱进行分区处理(包括布罗德曼(Brodmann)脑图谱、Von Economo and Koskinas脑图谱、Talairach立体脑图谱、于利希细胞构筑脑图谱、脑网络组图谱等)。针对每一个原始功能磁共振影像数据bi进行脑图谱分区,获得各脑区时间序列信号ci,即把bi转化为ci=R*T矩阵,其中R为分区个数,T为功能磁共振扫描成像的时间点长度。如Brodmann脑图谱的分区个数R为52(如图1所示)。被试bi第j个脑区的时间序列信号记作cij,i=1,2,...,L,j=1,2,...,R。
(4)构建动态连接矩阵:构造动态连接矩阵(Dynamic Functional Connectivity,记作DFC)来量化各脑区之间相关性随时间的变化情况。以滑动窗口技术为例,给定滑动窗口长度W,(1≤W≤T),滑动步长S,(1≤S≤W),将每个脑区时间序列1*T的向量划分为K=[(T-W)/S]+1段的1*W向量,其中[]代表向下取整函数;例如ci=R*T矩阵被分割成K个长度为W的矩阵,记作i=1,2,...,L,k=1,2,...,K,代表在第k个时间窗的时间序列。DFC(ci)代表被试ci的动态连接矩阵,代表被试ci在第k个滑动时刻的R×R连接矩阵,代表被试时间序列ci在第k个滑动时刻两个脑区,m,n之间的相关性关系,k=1,2,...,K,m,n=1,2,...,R;用皮尔逊相关系数pmn计算每两个脑区之间的功能相互作用特征,逐个计算K个滑窗的两两脑区关系,其范围从1到-1。pmn的定义如下,其中是两个脑区时间序列之间的协方差,D(.)代表标准差。pmn值接近1表示时间序列高度相关,当的值增大(或减小)则的值就增大(或减小);接近-1的值表示时间序列为负相关;为0时表示两者无相关;且pmn=pnm,pmm=1,为对称矩阵;其中,
(5)健康人群的动态连接矩阵计算:构建健康人群的动态连接矩阵库,表达该群体大脑不同区域之间的正常功能相互作用的统计学信息,获得健康人群的大脑不同区域之间的连接矩阵的取值范围作为先验知识。为此,首先建立健康人群的动态连接矩阵库,用于存储对健康被试计算获得的动态连接矩阵,且按照不同的脑图谱以及滑窗设置进行分类存储。通过对健康人群两两脑区的动态连接矩阵的均值及标准差的计算可以获得全局先验知识和局部先验知识。其中,全局先验知识是指对整个健康人群的动态连接矩阵库的样本进行计算获得的统计学信息,第k个滑窗时刻的全局先验连接矩阵的均值记作为FHavg(k),连接矩阵的标准差值记作FHstd(k);同样可以对本次处理数据集B中的健康被试的动态连接矩阵进行统计分析,获得本被试群体的局部先验知识,记为LHavg(k)、LHstd(k),代表第k个滑窗口时刻群体的连接矩阵和标准差;健康人群的动态连接矩阵库支持不断更新以获得更符合健康群体特征的全局先验知识;
(6)构建个体异常连接变化模式:
连接模式定义为三种模态,其中第一种是正常,即与健康人群(或者对照组群体)相比相关性在常规范围内,用0表示;第二个模态是相关性异常高,即与健康人群(或者对照组群体)相比高于常规范围,用1表示;第三个模态就是相关性异常低,即与健康人群(或者对照组群体)相比低于常规范围,用-1表示。
被试第k个滑窗的动态连接矩阵中m,n脑区的相关性可以通过与健康人群先验知识进行比较计算(m,n∈[1,R],且m≠n),生成个体异常连接变化模式PDFC,如下公式所示,PDFC1代表根据全局先验知识构建的个体异常连接变化模式,PDFC2代表根据局部先验知识构建的个体异常连接变化模式,其中代表m,n脑区间的全局先验知识,可以用 表示m,n脑区的相关性的正常取值范围,其中∝=1,2,..,为调节放大倍数;用代表m,n脑区间的局部先验知识,表示m,n脑区的相关性的局部先验正常取值范围,则,
用三模态表征个体异常情况的性能优点主要包括以下几点,一是生产的PDFC矩阵为0的元素数目远远多于非0元素的数目,并且非0元素分布没有规律时,则成为稀疏矩阵,由于稀疏矩阵含有许多数值为零的元素,我们可以运用特定算法压缩矩阵对象的内存空间,加速多数机器学习程序,因此具有计算速度更快,更容易进行特征降维,更适合进行机器学习的特点;二是用三模态构造的个体脑动态连接矩阵更好的刻画了各脑区相关性异常发生的动态变化过程;第三是由于PDFC模式用1,-1表达了两种异常情况,更有利于进行个体脑影像动态连接网络的异常检测。
(7)构建动态变化特征指标:异常变化率可以度量个体脑区在动态过程中的异常高(状态特征值为1),和异常低(状态特征值为-1)的情况,计算公式为统计的PDFC矩阵行非零值个数除以分区个数R,这个定量指标可以度量该脑区的异常情况,也可以区分正负分别计算。这些定量指标可以与疾病的统计评分等进行相关性回归分析,作为个体脑影像动态连接网络异常的定量预测指标。
以上对本申请所提供的一种功能磁共振影像动态连接网络特征描述方法进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种功能磁共振影像动态连接网络特征描述方法,其特征在于,包括以下步骤:
(1)收集被试的功能磁共振影像数据;
(2)数据预处理:将数据转换格式并进行时间整理和空间整理;
(3)脑图谱分区:针对每一个预处理后的功能磁共振影像数据进行脑图谱分区,获得各脑区时间序列信号;
(4)构建动态连接矩阵:构造动态连接矩阵,表征被试时间序列的两个脑区之间的相关性关系,计算每两个脑区之间的功能相互作用特征,逐个计算两两脑区关系;
(5)健康人群的动态连接矩阵计算:构建健康人群的动态连接矩阵库,获得健康人群的大脑不同区域之间的连接矩阵的取值范围作为先验知识;
6)构建个体异常连接变化模式:被试的脑区的相关性与健康人群先验知识进行比较计算,生成个体异常连接变化模式PDFC,生成个体异常连接变化模式PDFC包括根据全局先验知识构建的个体异常连接变化模式,以及根据局部先验知识构建的个体异常连接变化模式PDFC2;所述连接变化模式定义为三种模态,分别用0、1、-1表示正常、正相关和负相关。
2.根据权利要求1所述的功能磁共振影像动态连接网络特征描述方法,其特征在于:所述被试的数据为健康人及患者的数据集合,表示第i个被试,,为V*T矩阵,其中V为影像数据体素个数,T为功能磁共振扫描成像的时间点个数。
3.根据权利要求1所述的功能磁共振影像动态连接网络特征描述方法,其特征在于:所述数据预处的转换格式是将DICOM格式数据转换到神经影像数据存储标准NIFTI格式;所述时间整理包括去掉前5个时间点的数据以及进行时间校正;所述空间整理包括头动校正、空间标准化、空间平滑。
4.根据权利要求1所述的功能磁共振影像动态连接网络特征描述方法,其特征在于:所述各脑区时间序列信号=R*T矩阵,其中R为分区个数,T为功能磁共振扫描成像的时间点个数;其中,信号记作,。
5.根据权利要求1所述的功能磁共振影像动态连接网络特征描述方法,其特征在于:所述动态连接矩阵采用滑动窗口技术,给定滑动窗口长度,滑动步长S,(,将每个脑区时间序列1*T的向量划分为K段的1*W向量,其中[ ]代表向下取整函数;则,=R*W, ,代表在第k个时间窗的时间序列。
6.根据权利要求1所述的功能磁共振影像动态连接网络特征描述方法,其特征在于:所述步骤(4)中,代表被试的动态连接矩阵,代表被试在第个滑动时刻的连接矩阵,代表被试时间序列在第个滑动时刻两个脑区之间的相关性关系,m,n=1,2,...,R;用皮尔逊相关系数计算每两个脑区之间的功能相互作用特征,逐个计算两两脑区关系,其范围从1到−1;为两个脑区时间序列之间的协方差,代表标准差,则:
。
7.根据权利要求1所述的功能磁共振影像动态连接网络特征描述方法,其特征在于:所述步骤(5)健康人群的先验连接矩阵构建方法为:首先建立健康人群的动态连接矩阵库,用于存储对健康被试计算获得的动态连接矩阵,且按照不同的脑图谱以及滑窗设置进行分类存储;通过对健康人群两两脑区的动态连接矩阵的均值及标准差的计算获得全局先验知识和局部先验知识;其中,全局先验知识是指对整个健康人群的动态连接矩阵库的样本进行计算获得的统计学信息,第k个滑窗时刻的全局先验连接矩阵的均值记作为,标准差值记作;对本次处理数据集B中的健康被试的动态连接矩阵进行统计分析,获得本被试群体的局部先验知识,记为,代表第k个滑窗口时刻群体的连接矩阵和标准差;健康人群的动态连接矩阵库支持不断更新以获得更符合健康群体特征的全局先验知识。
8.根据权利要求7所述的功能磁共振影像动态连接网络特征描述方法,其特征在于:所述步骤(6)中,用代表m,n脑区间的全局先验知识,表示m,n脑区的相关性的全局先验正常取值范围,其中=1,2,..,为调节放大倍数;用代表m,n脑区间的局部先验知识,表示m,n脑区的相关性的局部先验正常取值范围,则,
。
9.根据权利要求1所述的功能磁共振影像动态连接网络特征描述方法,其特征在于:还包括构建动态变化特征指标的步骤:采用统计PDFC矩阵行非零值个数除以分区个数R,获得定量指标用于度量该脑区的异常情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210848075.XA CN115251889B (zh) | 2022-07-19 | 2022-07-19 | 一种功能磁共振影像动态连接网络特征描述方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210848075.XA CN115251889B (zh) | 2022-07-19 | 2022-07-19 | 一种功能磁共振影像动态连接网络特征描述方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115251889A CN115251889A (zh) | 2022-11-01 |
CN115251889B true CN115251889B (zh) | 2023-04-14 |
Family
ID=83767413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210848075.XA Active CN115251889B (zh) | 2022-07-19 | 2022-07-19 | 一种功能磁共振影像动态连接网络特征描述方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115251889B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9662039B2 (en) * | 2014-03-31 | 2017-05-30 | The General Hospital Corporation | System and method for functional brain organization mapping |
CN109522894B (zh) * | 2018-11-12 | 2021-08-27 | 电子科技大学 | 一种探测fMRI脑网络动态协变的方法 |
CN112396584B (zh) * | 2020-11-19 | 2023-09-08 | 西安科技大学 | 基于特征模态与分层模块的脑功能模式特征提取方法 |
CN113616184B (zh) * | 2021-06-30 | 2023-10-24 | 北京师范大学 | 基于多模态磁共振图像的脑网络建模与个体预测方法 |
CN115115896A (zh) * | 2022-07-28 | 2022-09-27 | 华南师大(清远)科技创新研究院有限公司 | 一种脑功能磁共振图像分类方法、装置、终端及存储介质 |
-
2022
- 2022-07-19 CN CN202210848075.XA patent/CN115251889B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115251889A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lei et al. | Self-calibrated brain network estimation and joint non-convex multi-task learning for identification of early Alzheimer's disease | |
EP3306500A1 (en) | Method for analysing medical treatment data based on deep learning, and intelligent analyser thereof | |
US20230342918A1 (en) | Image-driven brain atlas construction method, apparatus, device and storage medium | |
Mahanand et al. | Identification of brain regions responsible for Alzheimer’s disease using a Self-adaptive Resource Allocation Network | |
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 | |
JP2022507861A (ja) | 脳機能地図のサル-ヒト種間移行に基づいて精神疾患の個別的予測を行う方法およびシステム | |
WO2022121100A1 (zh) | 一种基于darts网络的多模态医学图像融合方法 | |
CN110969614B (zh) | 基于三维卷积神经网络的脑龄预测方法及系统 | |
CN113160138B (zh) | 一种脑部核磁共振图像分割方法及系统 | |
CN114052668B (zh) | 一种基于脑磁图数据的脑功能分析方法 | |
CN117172294B (zh) | 一种稀疏脑网络的构建方法、系统、设备和存储介质 | |
CN111523617B (zh) | 基于白质融合特征图和残差注意力网络的癫痫检测系统 | |
CN111968108A (zh) | 基于智能扫描协议的ct智能成像方法、装置及系统 | |
CN110575178B (zh) | 一种运动状态判断的诊断监控综合医疗系统及其判断方法 | |
Mouches et al. | Unifying brain age prediction and age-conditioned template generation with a deterministic autoencoder | |
CN109935321B (zh) | 基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测系统 | |
Afshar et al. | Age prediction based on brain mri images using extreme learning machine | |
CN111598966B (zh) | 一种基于生成对抗网络的磁共振成像方法及装置 | |
CN115251889B (zh) | 一种功能磁共振影像动态连接网络特征描述方法 | |
CN117224082A (zh) | 一种基于图学习优化算法的动态脑功能网络学习方法 | |
CN116561518A (zh) | 一种基于脑区权重相关性的脑网络构建方法 | |
CN114569116A (zh) | 基于三通道图像及迁移学习的心冲击图室颤辅助诊断系统 | |
Elakkiya | Toward improving the accuracy in the diagnosis of schizophrenia using functional magnetic resonance imaging (fMRI) | |
CN114266738A (zh) | 轻度脑损伤磁共振影像数据的纵向分析方法及系统 | |
CN112215922A (zh) | 一种ft域的医学图像融合方法 |
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 | ||
CP02 | Change in the address of a patent holder |
Address after: 214000 1000 Hefeng Road, Binhu District, Wuxi City, Jiangsu Province Patentee after: AFFILIATED HOSPITAL OF JIANGNAN University Address before: No. 1-2202-8, Financial 8th Street, Wuxi Economic Development Zone, Jiangsu Province, 214000 Patentee before: AFFILIATED HOSPITAL OF JIANGNAN University |
|
CP02 | Change in the address of a patent holder |