CN115294076A - 一种脑沟异常的预测系统 - Google Patents
一种脑沟异常的预测系统 Download PDFInfo
- Publication number
- CN115294076A CN115294076A CN202210960818.2A CN202210960818A CN115294076A CN 115294076 A CN115294076 A CN 115294076A CN 202210960818 A CN202210960818 A CN 202210960818A CN 115294076 A CN115294076 A CN 115294076A
- Authority
- CN
- China
- Prior art keywords
- sulcus
- brain
- sulci
- white matter
- map
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Nonlinear Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明属于医学图像处理与分析领域,特别涉及一种脑沟异常的预测系统,包括:从多个采集站点获取孤独症儿童脑部MRI影像数据;对儿童脑部MRI影像数据进行大脑白质表面重建;根据重建后的大脑白质表面提取脑沟凹陷,并投影到标准球空间,构建脑沟图;根据构建的脑沟图提取脑沟的特征反映脑沟的几何特性和拓扑属性;异常脑沟模式分析单元结合获得的几何特性和拓扑属性,构建基于脑沟异常的脑沟异常值,并设置报警阈值,根据脑沟异常值与报警阈值的关系进行预测。本发明根据孤独症儿童的异常脑沟的几何特性和拓扑属性得出孤独症儿童的脑沟模式异常,在孤独症早期的脑沟模式变化波动较小的情况下本发明任然具有良好的识别效果。
Description
技术领域
本发明属于医学图像处理与分析领域,具体涉及一种脑沟异常的预测系统。
背景技术
大脑是一个复杂的动态系统,其发育变化与人类的高阶认知能力密切相关。在许多神经发育障碍和皮质发育畸形疾病中都能观察到异常的大脑皮层形态。脑沟模式不仅表现了大脑皮层的多种属性,还反映多个脑沟间的空间、几何和拓扑关系,而研究这种模式有助于认识皮层功能区及底层白质纤维连接的优化组织和排列方式。全局脑沟模式的变化反映了早期大脑发育的变化,并表现为认知功能、人格特征或精神障碍的个体间差异。因此,研究脑沟模式对深入认识大脑正常的发育机制,或神经发育障碍疾病的发病机制具有重要的学术意义和临床应用价值。
早期对于脑沟模式的研究主要是通过视觉上的定性观察,在精神分裂症、颞叶癫痫、特纳综合征等多种疾病中都发现了异常的脑沟排列、连接或中断等情况。但这类定性分析无法量化脑沟间的关系,且耗时费力,严重限制了数据分析的数量,因此迫切需要建立自动的脑沟模式定量分析方法。Sun等人首次提出使用三维不变矩表示脑沟,然后利用凝聚聚类算法对脑沟的主要模式进行定量分析。接着,他们改用仿射配准后脑沟间的测地线距离作为相似性度量,具有更好的形状描述能力。但这种方法高度依赖于配准准确性,且对皮层的形态非常敏感。近年来,研究者们提出利用脑沟凹陷来研究大脑褶皱的变化。脑沟凹陷被定义为脑沟局部最深的位置,它们的空间分布与严格遗传调控下的大脑功能有关,可通过分水岭方法提取。通过将局部的脑沟凹陷建模为脑沟图来对脑沟模式进行分析,能够有效的反映脑沟的几何特征和拓扑特征,已成功的建立起与遗传因素的关系及描述病人的脑沟特性。目前基于脑沟图的脑沟模式分析方法虽然已获得一定成功,但仍存在些许不足。它们存在需要很强的先验假设、调试大量参数或计算成本大等问题,如何快速准确的对全脑的脑沟模式进行分析,是本发明一个需要解决的关键问题。
此外,孤独症是一种神经发育障碍疾病,表现为社会交往障碍、语言交流障碍和行为刻板。据五彩鹿儿童行为矫正中心报道:中国的孤独症患病率约为1%,已成为儿童中最为常见的一种疾病。研究发现,孤独症患者在脑回指数,皮层厚度和曲面面积等指标上出现异常。此外,基于脑沟的形状分析发现,孤独症患者的中央沟、顶内沟和额叶内侧沟的脑沟深度和长度存在异常,且这种异常与疾病的严重程度密切相关。然而,孤独症群体的脑沟模式是否发生变化及如何变化,尚未见报道。
综上所述,现有的技术问题是:目前出现的脑沟模式分析方法存在速度和精度上的不足,且未出现孤独症脑沟模式的研究且在孤独症早期的脑沟模式变化波动较小的情况下无法明确识别。
发明内容
为解决上述技术问题,本发明提出一种脑沟异常的预测系统,其特征在于,该系统包括异常脑沟模式检测单元,异常脑沟模式检测的过程包括以下步骤:
S1:从多个采集站点获取孤独症儿童脑部MRI影像数据;
S2:对获取的MRI影像数据进行被试排除;
S3:对被试排除后的儿童脑部MRI影像数据进行大脑白质表面重建,得到重建后的大脑白质表面;
S4:根据重建后的大脑白质表面提取脑沟凹陷,并将提取的脑沟凹陷投影到标准球空间,构建脑沟图;
S5:根据构建的脑沟图提取脑沟的特征,得到脑沟的几何特性和拓扑属性;
S6:异常脑沟模式检测单元结合获得的几何特性和拓扑属性,构建基于脑沟异常的脑沟异常值,并设置报警阈值,根据脑沟异常值与报警阈值的关系进行预测。
优选的,对获取的MRI影像数据进行被试排除,具体包括:
1)排除少于20名受试者的采集站点采集的MRI影像数据;
2)排除孤独症谱系障碍患者中的阿斯伯格综合征和未分类的广泛性发育障碍的MRI影像数据;
3)排除具有严重图像伪影和头部运动的MRI影像数据。
优选的,对被试排除后的儿童脑部MRI影像数据进行大脑白质表面重建,具体包括:
使用基于滤波的方法修正脑部MRI图像的不均匀性,去除脑部图像中的非脑组织部分,得到均匀的脑部MRI图像,并根据脑部MRI图像中脑组织的灰质与白质的色彩强度划分出灰质与白质,对大脑白质重建出白质表面。
优选的,所述S4具体包括:
使用深度势能函数估计重建后的大脑白质表面上每个顶点的深度,获取一个深度图,基于深度图使用分水岭算法将白质表面分为多个脑沟盆地,并定位每个盆地最深处的位置,得到脑沟凹陷,采用基于曲面的配准方法将所有参与被试的白质表面映射到一个共同的球空间中,利用Fibonacci点集对球空间的白质表面进行均匀采样,得到白质表面的参考点,使用重叠的圆形对参考点进行均匀采样,确定Fibonacci点的每个重叠邻域,根据Fibonacci点的每个重叠邻域构建一个基于脑沟凹陷的脑沟图,图的节点为邻域内的脑沟凹陷,图的边为脑沟凹陷间的临近关系。
优选的,所述S5具体包括:
对于脑沟图中的每个节点,提取该节点的位置、脑沟深度、脑沟盆地的边界长度和面积,根据该节点处的坐标、脑沟深度、脑沟盆地的边界长度和面积得到脑沟图的几何特性,并提取该节点的连接边数量,得到脑沟图的拓扑属性。
优选的,结合获得的几何特性和拓扑属性,得到孤独症儿童脑沟模式的异常程度,具体包括:
根据脑沟图的几何特性和拓扑属性采用最小二乘支持向量机对每个Fibonacci点的不同邻域内的脑沟图进行判别分析:
得到Fibonacci点所有邻域的权重:w=Ay
通过权重w计算到Fibonacci点所有邻域的激励a:
a=sCov(X)w
综合Fibonacci点所有邻域的激励和权重,得到脑后异常值ki:
其中,X表示提取的脑沟图的几何特性和拓扑属性构成的矩阵,y表示临床变量构成的向量,α表示控制拟合效果的超参数,‖‖表示正则化操作,∈表示松弛变量,b表示偏置量,s表示比例因子,s>0,即a与Cov(X)w呈正相关关系。
优选的,设置报警阈值,根据脑沟异常值与报警阈值的关系进行预测,具体包括:设置报警阈值为0.05,当脑沟异常值大于报警阈值时,表示孤独症脑沟异常,给出预测信号。
本发明的有益效果:本发明基于该脑沟模式分析方法,观察在疾病状态中大脑脑沟几何属性和拓扑属性的异常,本发明具有速度和精度上的优越性,为揭示孤独症异常的大脑皮层形态提供新的途径。
附图说明
图1为本发明的流程图;
图2为本发明的实施例图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种脑沟异常的预测系统,如图2所示,该系统包括异常脑沟模式检测单元,异常脑沟模式检测的过程,如图1所示包括以下步骤:
S1:从多个采集站点获取孤独症儿童脑部MRI影像数据;
S2:对获取的MRI影像数据进行被试排除;
S3:对被试排除后的儿童脑部MRI影像数据进行大脑白质表面重建,得到重建后的大脑白质表面;
S4:根据重建后的大脑白质表面提取脑沟凹陷,并将提取的脑沟凹陷投影到标准球空间,构建脑沟图;
S5:根据构建的脑沟图提取脑沟的特征,得到脑沟的几何特性和拓扑属性;
S6:异常脑沟模式分析单元结合获得的几何特性和拓扑属性,构建基于脑沟异常的脑沟异常值,并设置报警阈值,根据脑沟异常值与报警阈值的关系进行预测。
对获取的MRI影像数据进行被试排除,具体包括:
1)排除少于20名受试者的采集站点采集的MRI影像数据;
2)排除孤独症谱系障碍患者中的阿斯伯格综合征和未分类的广泛性发育障碍的MRI影像数据;
3)排除具有严重图像伪影和头部运动的MRI影像数据。
对被试排除后的儿童脑部MRI影像数据进行大脑白质表面重建,具体包括:
使用基于滤波的方法修正脑部MRI图像的不均匀性,去除脑部图像中的非脑组织部分,得到均匀的脑部MRI图像,并根据脑部MRI图像中脑组织的灰质与白质的色彩强度划分出灰质与白质,对大脑白质重建出白质表面。
所述使用基于滤波的方法修正脑部MRI图像的不均匀性,表示为:
V(x)=log(v(x))-LPF(logv(x))+CN
其中,V(x)表示修正后的图像,v(x)表示输入的不均匀图像,LPF(logv(x))表示估计的偏置场,CN表示归一化系数,弥补输入图像的低频损失。
在对脑部MRI图像不均匀性的强度变化进行校正后,在MRI数据集中创建归一化强度图像。通过“颅骨剥离”程序去除脑外体素,对灰度归一化、颅骨剥离图像进行基于灰度界面几何结构的分割。然后计算分离大脑半球的切割平面,并将皮层下结构和皮层成分断开。白质成分的任何内部空洞都被填满,导致每个皮层半球都有一个被填满的体积。最后,形成的体积被三角形的镶嵌和变形所覆盖,以产生准确而平滑的灰白色界面和神经皮质表面的表现。
所述S4具体包括:
使用深度势能函数估计重建后的大脑白质表面上每个顶点的深度,获取一个深度图,基于深度图使用分水岭算法将白质表面分为多个脑沟盆地,并定位每个盆地最深处的位置,即脑沟凹陷定位出明确脑沟凹陷的白质表面,采用基于曲面的配准方法将所有参与被试的白质表面映射到一个共同的球空间中,利用Fibonacci点集对投影到球空间的白质表面进行均匀采样,得到统计映射的参考点,使用重叠的圆形对参考点进行均匀采样,确定Fibonacci点的每个重叠邻域,根据Fibonacci点的每个重叠邻域构建一个基于脑沟凹陷的脑沟图,图的节点为邻域内的脑沟凹陷,图的边为脑沟凹陷间的临近关系,不同被试脑沟图的节点对应关系由它们在球空间位置的远近距离确定。
所述使用深度势能函数估计重建后的大脑白质表面上每个顶点的深度,表示为:
J=Jp+λAJA+λdJd
其中,J表示顶点的深度,Jp表示基于皮层深度和曲率信息进行对齐的度量深度,λA和λd作为正则化系数,JA表示一个拓扑保护项,Jd表示控制度量失真的量。
所述基于曲面的配准方法具体包括:首先,利用已定位出明确脑沟凹陷的白质表面获得的信息来记录皮层折叠模式;然后将记录的皮层折叠模式投影回球空间的体积域并使用线性弹性约束来扩散折叠的皮层;这个过程产生了一个非线性位移场,利用这个非线性位移场将目标和每个被试的皮层表面映射到球面空间。
所述分水岭算法处理过程包括:
首先对深度值进行排序,并创建一个按深度排序的深度图,将深度值最大的顶点定义为脑沟盆地的初始顶点,若深度图的下一个顶点为该初始顶点的邻居,则添加到这个盆地;若不是,则创建新的初始顶点;从而得到多个脑沟盆地。
优选的,所述S5具体包括:
对于脑沟图中的每个节点,提取该节点的位置、脑沟深度、脑沟盆地的边界长度和面积,根据该节点处的坐标、脑沟深度、脑沟盆地的边界长度和面积得到脑沟图的几何特性,并提取该节点的连接边数量,得到脑沟图的拓扑属性。
优选的,结合获得的几何特性和拓扑属性,得到孤独症儿童脑沟模式的异常程度,具体包括:
根据脑沟图的几何特性和拓扑属性采用最小二乘支持向量机(LSSVM)对每个Fibonacci点的不同邻域内的脑沟图进行判别分析:
得到Fibonacci点所有邻域的权重:w=Ay
通过权重w计算到Fibonacci点所有邻域的激励a:
a=sCov(X)w
综合Fibonacci点所有邻域的激励和权重,得到脑沟异常值ki:
其中,X表示提取的脑沟图的几何特性和拓扑属性构成的矩阵,y表示临床变量构成的向量,α表示控制拟合效果的超参数,∈表示松弛变量,b表示偏置量,s表示比例因子,s>0,即a与Cov(X)w呈正相关关系。
优选的,设置报警阈值,根据脑沟异常值与报警阈值的关系进行预测,具体包括:设置脑沟异常变化程度阈值为0.05,即报警阈值为0.05,当脑沟异常值大于脑沟异常变化阈值,表示孤独症脑沟异常,给出预测信号。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种脑沟异常的预测系统,其特征在于,该系统包括异常脑沟模式检测单元,异常脑沟模式检测的过程包括以下步骤:
S1:从多个采集站点获取孤独症儿童脑部MRI影像数据;
S2:对获取的MRI影像数据进行被试排除;
S3:对被试排除后的儿童脑部MRI影像数据进行大脑白质表面重建,得到重建后的大脑白质表面;
S4:根据重建后的大脑白质表面提取脑沟凹陷,并将提取的脑沟凹陷投影到标准球空间,构建脑沟图;
S5:根据构建的脑沟图提取脑沟的特征,得到脑沟的几何特性和拓扑属性;
S6:异常脑沟模式检测单元结合获得的几何特性和拓扑属性,构建基于脑沟异常的脑沟异常值,并设置报警阈值,根据脑沟异常值与报警阈值的关系进行预测。
2.根据权利要求1所述的一种脑沟异常的预测系统,其特征在于,对获取的MRI影像数据进行被试排除,具体包括:
1)排除少于20名受试者的采集站点采集的MRI影像数据;
2)排除孤独症谱系障碍患者中的阿斯伯格综合征和未分类的广泛性发育障碍的MRI影像数据;
3)排除具有严重图像伪影和头部运动的MRI影像数据。
3.根据权利要求1所述的一种脑沟异常的预测系统,其特征在于,对被试排除后的儿童脑部MRI影像数据进行大脑白质表面重建,具体包括:
使用基于滤波的方法修正脑部MRI图像的不均匀性,去除脑部图像中的非脑组织部分,得到均匀的脑部MRI图像,并根据脑部MRI图像中脑组织的灰质与白质的色彩强度划分出灰质与白质,对大脑白质重建出白质表面。
4.根据权利要求1所述的一种脑沟异常的预测系统,其特征在于,所述S4具体包括:
使用深度势能函数估计重建后的大脑白质表面上每个顶点的深度,获取一个深度图,基于深度图使用分水岭算法将白质表面分为多个脑沟盆地,并定位每个盆地最深处的位置,得到脑沟凹陷,采用基于曲面的配准方法将所有参与被试的白质表面映射到一个共同的球空间中,利用Fibonacci点集对球空间的白质表面进行均匀采样,得到白质表面的参考点,使用重叠的圆形对参考点进行均匀采样,确定Fibonacci点的每个重叠邻域,根据Fibonacci点的每个重叠邻域构建一个基于脑沟凹陷的脑沟图,图的节点为邻域内的脑沟凹陷,图的边为脑沟凹陷间的临近关系。
5.根据权利要求1所述的一种脑沟异常的预测系统,其特征在于,所述S5具体包括:
对于脑沟图中的每个节点,提取该节点的位置、脑沟深度、脑沟盆地的边界长度和面积,根据该节点处的坐标、脑沟深度、脑沟盆地的边界长度和面积得到脑沟图的几何特性,并提取该节点的连接边数量,得到脑沟图的拓扑属性。
6.根据权利要求1所述的一种脑沟异常的预测系统,其特征在于,结合获得的几何特性和拓扑属性,得到孤独症儿童脑沟模式的异常程度,具体包括:
根据脑沟图的几何特性和拓扑属性采用最小二乘支持向量机对每个Fibonacci点的不同邻域内的脑沟图进行判别分析:
得到Fibonacci点所有邻域的权重:w=Ay
通过权重w计算到Fibonacci点所有邻域的激励a:
a=sCov(X)w
综合Fibonacci点所有邻域的激励和权重,得到脑沟异常值ki:
其中,X表示提取的脑沟图的几何特性和拓扑属性构成的矩阵,y表示临床变量构成的向量,α表示控制拟合效果的超参数,‖‖表示正则化操作,∈表示松弛变量,b表示偏置量,s表示比例因子,s>0,即a与Cov(X)w呈正相关关系。
7.根据权利要求1所述的一种脑沟异常的预测系统,其特征在于,设置报警阈值,根据脑沟异常值与报警阈值的关系进行预测,具体包括:设置报警阈值为0.05,当脑沟异常值大于报警阈值时,表示孤独症脑沟异常,给出预测信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210960818.2A CN115294076A (zh) | 2022-08-11 | 2022-08-11 | 一种脑沟异常的预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210960818.2A CN115294076A (zh) | 2022-08-11 | 2022-08-11 | 一种脑沟异常的预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115294076A true CN115294076A (zh) | 2022-11-04 |
Family
ID=83828293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210960818.2A Pending CN115294076A (zh) | 2022-08-11 | 2022-08-11 | 一种脑沟异常的预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294076A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117438080A (zh) * | 2023-12-19 | 2024-01-23 | 四川大学华西第二医院 | 一种儿童脑部发育状态的综合判断方法及系统 |
-
2022
- 2022-08-11 CN CN202210960818.2A patent/CN115294076A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117438080A (zh) * | 2023-12-19 | 2024-01-23 | 四川大学华西第二医院 | 一种儿童脑部发育状态的综合判断方法及系统 |
CN117438080B (zh) * | 2023-12-19 | 2024-03-12 | 四川大学华西第二医院 | 一种儿童脑部发育状态的综合判断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mou et al. | CS2-Net: Deep learning segmentation of curvilinear structures in medical imaging | |
Im et al. | Quantitative comparison and analysis of sulcal patterns using sulcal graph matching: a twin study | |
CN113571195B (zh) | 基于小脑功能连接特征的阿尔茨海默病早期的预测模型 | |
Xue et al. | Automatic segmentation and reconstruction of the cortex from neonatal MRI | |
Wismüller et al. | Cluster analysis of biomedical image time-series | |
CN115359045B (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 | |
Haak et al. | Objective analysis of the topological organization of the human cortical visual connectome suggests three visual pathways | |
US10303986B2 (en) | Automated measurement of brain injury indices using brain CT images, injury data, and machine learning | |
Mittal et al. | Computerized retinal image analysis-a survey | |
CN110840468B (zh) | 自闭症风险评估方法及装置、终端设备、存储介质 | |
Cover et al. | Computational methods for corpus callosum segmentation on MRI: a systematic literature review | |
CN106504253A (zh) | 一种医疗影像照片的处理方法及系统 | |
CN113610808B (zh) | 基于个体脑连接图的群体脑图谱个体化方法、系统和设备 | |
Deshpande et al. | Automatic segmentation, feature extraction and comparison of healthy and stroke cerebral vasculature | |
WO2005023086B1 (en) | Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surgical planning | |
CN115393269A (zh) | 一种基于多模态影像数据的可扩展多层级图神经网络模型 | |
Chen et al. | Automated ventricular systems segmentation in brain CT images by combining low-level segmentation and high-level template matching | |
Zhong et al. | Functional parcellation of the hippocampus from resting-state dynamic functional connectivity | |
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 | |
Zhu et al. | Discovering dense and consistent landmarks in the brain | |
CN115294076A (zh) | 一种脑沟异常的预测系统 | |
Li et al. | BrainK for structural image processing: creating electrical models of the human head | |
Liu et al. | Deep learning of cortical surface features using graph-convolution predicts neonatal brain age and neurodevelopmental outcome | |
KR20190068254A (ko) | 병변 발생 시점 추정 방법, 장치 및 프로그램 | |
CN114847922A (zh) | 一种基于纤维束自动识别的脑年龄预测方法 |
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 |