CN116784820A - 一种基于种子点连接的脑功能网络构建方法及系统 - Google Patents
一种基于种子点连接的脑功能网络构建方法及系统 Download PDFInfo
- Publication number
- CN116784820A CN116784820A CN202211416480.0A CN202211416480A CN116784820A CN 116784820 A CN116784820 A CN 116784820A CN 202211416480 A CN202211416480 A CN 202211416480A CN 116784820 A CN116784820 A CN 116784820A
- Authority
- CN
- China
- Prior art keywords
- brain
- patient
- brain function
- network
- patients
- 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
- 230000003925 brain function Effects 0.000 title claims abstract description 85
- 238000010276 construction Methods 0.000 title abstract description 9
- 210000004556 brain Anatomy 0.000 claims abstract description 103
- 201000007983 brain glioma Diseases 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 27
- 238000007634 remodeling Methods 0.000 claims abstract description 20
- 230000003920 cognitive function Effects 0.000 claims abstract description 13
- 230000002980 postoperative effect Effects 0.000 claims abstract description 13
- 238000011160 research Methods 0.000 claims abstract description 10
- 238000003745 diagnosis Methods 0.000 claims abstract description 7
- 238000010219 correlation analysis Methods 0.000 claims abstract description 5
- 206010028980 Neoplasm Diseases 0.000 claims description 30
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 18
- 230000033001 locomotion Effects 0.000 claims description 18
- 238000011282 treatment Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000003384 imaging method Methods 0.000 claims description 14
- 208000003174 Brain Neoplasms Diseases 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 12
- 230000007717 exclusion Effects 0.000 claims description 12
- 208000032612 Glial tumor Diseases 0.000 claims description 11
- 206010018338 Glioma Diseases 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000007170 pathology Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 201000010099 disease Diseases 0.000 claims description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 10
- 102100025825 Methylated-DNA-protein-cysteine methyltransferase Human genes 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 208000005017 glioblastoma Diseases 0.000 claims description 8
- 108040008770 methylated-DNA-[protein]-cysteine S-methyltransferase activity proteins Proteins 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 208000024055 brain glioblastoma Diseases 0.000 claims description 7
- 201000011609 brain glioblastoma multiforme Diseases 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 230000002490 cerebral effect Effects 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000011987 methylation Effects 0.000 claims description 5
- 238000007069 methylation reaction Methods 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 claims description 5
- 238000001356 surgical procedure Methods 0.000 claims description 5
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 239000000084 colloidal system Substances 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 4
- 238000007917 intracranial administration Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 230000000638 stimulation Effects 0.000 claims description 4
- 208000012661 Dyskinesia Diseases 0.000 claims description 3
- 206010019196 Head injury Diseases 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 claims description 3
- 210000005013 brain tissue Anatomy 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 208000015114 central nervous system disease Diseases 0.000 claims description 3
- 230000003930 cognitive ability Effects 0.000 claims description 3
- 239000002872 contrast media Substances 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000006378 damage Effects 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000006260 foam Substances 0.000 claims description 3
- 230000004886 head movement Effects 0.000 claims description 3
- 210000002216 heart Anatomy 0.000 claims description 3
- 208000019622 heart disease Diseases 0.000 claims description 3
- 230000002055 immunohistochemical effect Effects 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 208000017169 kidney disease Diseases 0.000 claims description 3
- 230000008449 language Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 210000004185 liver Anatomy 0.000 claims description 3
- 208000019423 liver disease Diseases 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000003340 mental effect Effects 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 210000004126 nerve fiber Anatomy 0.000 claims description 3
- 230000010412 perfusion Effects 0.000 claims description 3
- 210000003625 skull Anatomy 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 3
- 208000024891 symptom Diseases 0.000 claims description 3
- 230000009885 systemic effect Effects 0.000 claims description 3
- 238000002560 therapeutic procedure Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000000052 comparative effect Effects 0.000 claims description 2
- 208000013159 conscious disturbance Diseases 0.000 claims description 2
- 238000007428 craniotomy Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000003012 network analysis Methods 0.000 claims description 2
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 208000037920 primary disease Diseases 0.000 claims description 2
- 210000003128 head Anatomy 0.000 description 7
- 210000004761 scalp Anatomy 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004393 prognosis Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 101000796998 Bacillus subtilis (strain 168) Methylated-DNA-protein-cysteine methyltransferase, inducible Proteins 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 241001521547 Craniotome Species 0.000 description 1
- 201000010915 Glioblastoma multiforme Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- BPEGJWRSRHCHSN-UHFFFAOYSA-N Temozolomide Chemical compound O=C1N(C)N=NC2=C(C(N)=O)N=CN21 BPEGJWRSRHCHSN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000002246 antineoplastic agent Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000005978 brain dysfunction Effects 0.000 description 1
- 230000008309 brain mechanism Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 201000007455 central nervous system cancer Diseases 0.000 description 1
- 208000025997 central nervous system neoplasm Diseases 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 229940044683 chemotherapy drug Drugs 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 201000006417 multiple sclerosis Diseases 0.000 description 1
- 210000000944 nerve tissue Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000011248 postoperative chemotherapy Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 229960004964 temozolomide Drugs 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
Classifications
-
- 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
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明揭示了一种基于种子点连接的脑功能网络构建方法及系统,将大脑抽象为复杂的网络,连接了网络特性与脑功能,运用复杂网络的科学方法,分析脑网络指标与脑胶质瘤等级关系的横向对比,患者脑结构变化与认知功能关系的纵向对比,通过统计物理相关分析方法对脑胶质肿瘤患者术前术后的脑网络结构进行分析。本发明提供的基于种子点连接的脑功能网络构建方法及系统,对研究脑胶质瘤患者的脑功能变化,进行术前术后的脑功能预测,辅助脑胶质肿瘤诊断与脑功能重塑研究具有重要科学意义。
Description
技术领域
本发明涉及计算机和医学领域,特别是涉及一种基于种子点连接的脑功能网络构建方法及系统。
背景技术
脑胶质瘤(GlioBlastoma Multiforme,GBM)是脑肿瘤中最常见的、死亡率最高的一种恶性肿瘤。统计表明,脑胶质瘤患者术后存活时间的中位数仅为8个月,而5年以上的存活率几乎为零。因此,通过人工智能与复杂网络等技术手段揭示脑肿瘤患者行为与功能变化的大脑重塑的影像学关联,可建立术前术后患者脑功能改变的预测模型。为了给脑胶质瘤患者治疗后康复及综合治疗提供依据,脑胶质肿瘤患者脑功能重塑预测及验证显得尤为重要。
在基于核磁共振的脑肿瘤研究中,通过影像组学和纹理特征建立描述性和预测性模型,将图像特征量化值与疾病分子病理学表型建立联系,能够有效地验证影像学特征结合分类算法预测脑胶质瘤生物标记物的有效性。目前治疗胶质母细胞瘤的主流治疗方法是手术治疗及术后化疗,治疗后随访显示不同的基因表达的患者预后表现出很大差异。因此,2016年版世界卫生组织专家共识细化了中枢神经系统肿瘤脑胶质瘤诊断规范的分类,其中遗传基因学或分子病理学在脑胶质瘤诊断中扮演了重要的角色。特别是MGMT(O6-甲基鸟嘌呤-DNA甲基转移酶)基因表达与GBM进展预后以及化疗药物反应关系密切,MGMT启动子甲基化的程度可以评价神经胶质母细胞瘤患者对替莫唑胺的敏感度,成为制定治疗方案选择特异性个体治疗的重要依据,同样还能评估预后并可以作为鉴别术后肿瘤复发与假性进展的重要指标。
大量研究表明人脑具有小世界属性,即大脑倾向于与解剖学上相近的脑区通信以减少代谢成本,且较远的脑区之间存在连接以实现高效的信息传输。目前,对脑功能的研究主要从脑图谱入手解析大脑机制,通过绘制大脑的宏观、介观和微观的脑图谱,获得大脑的“结构地图”、“连接地图”和“功能控制地图”等,进而构建脑网络。脑电图是将相关电机放置被检查者头部,通过电子放大器获得脑部功能变化的实时电信号变化。我们将头皮脑电活动的信号放大,数字转换、快速傅立叶变换等电子信号处理,将脑电活动以数量化方式呈现,使之成为更加直观化和客观化的数量化脑电图。目前数字化脑电图已经普遍取代了传统模拟信号的脑电图。由于影像科学技术的日趋成熟,脑电图作为检测脑功能手段之一。脑电图通过可将脑神经组织细胞群自发性、节律性电活动记录下来,通过观察对比相关特征性的表现,可作为临床早期诊断的依据。通过观察器质性脑疾病周围异常的脑电活动,从而反映该区域脑功能。
发明内容
本发明的目的是:揭示脑肿瘤患者行为与功能变化的大脑重塑的影像学关联,同时建立术前术后患者脑功能改变的预测模型,为脑胶质瘤患者治疗后康复及综合治疗提供依据。
为了达到上述目的,本发明的一个技术方案是提供了一种基于种子点连接的脑功能网络系统,其特征在于,包括:
基于种子点的功能连接模块,用于研究脑胶质瘤患者的脑功能变化,构建患者脑功能网络,进行术前术后的脑功能预测
行为与功能变化的大脑重塑的影像学关联模块,用于阐明不同脑肿瘤患者间的行为与MRI图像之间的关联,亚区MRI影像组学结合分类算法预测脑胶质母细胞瘤MGMT甲基化有效性,分析患者脑功能网络指标与脑胶质瘤等级关系的横向对比;
治疗前后脑功能改变的预测模型,用于探究患者脑结构变化与认知功能关系的纵向对比,通过统计物理相关分析方法对脑胶质肿瘤患者术前术后的患者脑功能网络结构进行分析,其在异构网络中表现出的网络自组织和尺度不变性、最大熵原理特性适用于构建诊断患者病情阶段的特征。
优选地,所述基于种子点的功能连接模块进一步包括:
多模态融合单元,用于获得脑胶质瘤患者的脑融合图;
预处理单元,用于使用标准化医学影像处理流程对脑融合图进行数据预处理,以消除大脑的个体性差异;
种子点获取单元,对经过预处理单元处理的脑融合图进行分割,得到肿瘤区域的mask,使用分割得到的mask定义种子点;
ROI区域获取单元,用于通过脑模板基于种子点确定一个脑区或者多个脑区作为ROI区域;
相关矩阵计算单元,用于提取出ROI区域内的平均信号量,计算ROI区域之间或者每个ROI区域和全脑体素信号的相关系数,从而得到相关矩阵,其中,ROI区域对应患者脑功能网络的节点,ROI区域之间信号量的相关性对应患者脑功能网络的边;
二值化处理单元,用于对相关矩阵进行二值化处理,获得患者脑功能网络的二值矩阵,构建患者脑功能网络。
脑功能网络分析单元,使用复杂网络与统计物理对患者脑功能网络进行分析。
本发明的另一个技术方案是提供了一种基于种子点连接的脑功能网络构建方法,用于构建上述的基于种子点连接的脑功能网络系统,其特征在于,包括以下步骤:
步骤S100、构建所述基于种子点的功能连接模块;
步骤S200、构建所述影像学关联模块,包括以下步骤:
步骤S201、确定研究对象:收集收治多例脑肿瘤患者,基于排除标准以及纳入标准对其进行筛选,从而获得研究对象,其中:
纳入标准包括:初诊为胶质瘤且MRI图像质量符合标准的患者;术后病理结果证实胶质母细胞瘤;免疫组化检查结果;
排除标准包括:患者罹患其他系统严重疾病;MRI图像不符合诊断标准;既往过往颅内手术史患者;病变数≥2;肿瘤最大横径≤5mm;
步骤S202、设定扫描参数:Ge Singna HDxT 3.0TMR检查仪,横轴面T1WI序列增强扫描,对比剂采用Gd-DTPA,注射剂量0.1mmol/kg,参数:TR 2600ms,TE 13.2ms,FOV 260mm,层厚6mm,层数:18;
步骤S203、ROI绘制:利用开源软件3Dslicer绘制PACS系统的TIC序列DICOM数据,应用半自动阈值法进行绘制,以肿瘤亚区分割肿瘤进行ROI绘制,分别涵盖强化区、非强化区、整体区,所有可以显示病灶的层面均进行绘制;
步骤S204、特征提取及分析:将原始图及绘制的Mask图导入3D slicer软件,提取特征,特征缺失值以0填充;
对所提取的特征进行分析时:首先利用T检验删除不具备显著差异的特征,之后用Lasso logistic回归筛选权重非零特征,再进行降维筛选;
步骤S205、建立预测模型:将上一步所获得的所有数据随机分为训练集及测试集,应用Python 3.8语言环境下使用可视化软件Easylearn,封装SK Learn相关工具包,使用Z标准化法对训练集及测试集的数据进行预处理,再使用主成分分析法降维,降维后使用特征排序及递归消除法筛选特征,最后随机过采样处理不平衡数据后,对使用Logisticregression、LinearSVC、SVC、Ridge、Gaussian、RandongmForest、Adaboost建立的模型进行训练,使用分层10-fold交叉验证测试,绘制ROC曲线,计算各测试集模型AUC、准确率、敏感性、特异性,P值;
步骤S206、统计学软件:使用Spss25.0,二元线性回归计算多因素预测因子,绘制接收者操作特征曲线,计算曲线下面积,检验水准:P<0.05;
步骤S300、构建所述治疗前后脑功能改变的预测模型,具体包括以下步骤:
S301、基于纳入标准以及排除标准选择符合纳入标准的脑胶质瘤患者,均有术后病理,其中:
纳入标准包括:年龄介于18-65岁之间;右利手;术前完整的头颅多模态MR检查,完整的24h脑电图检查;初次发病,均未经各种治疗;术后病理证实为脑胶质瘤并提供WHO分类;意识清醒,无明确的精神病史或严重精神症状,认知能力正常,既往无颅脑严重外伤、开颅、脑介入治疗、射波刀、伽马刀治疗患者;知情同意并配合检查;
排除标准:术前有运动障碍的患者;意识障碍和/或严重心肝肾疾病、肿瘤;既往有中枢神经系统疾病史;存在磁共振检查禁忌或拒绝配合检查的患者;
S302、进行脑电图和多模态脑MRI检查,满足以下条件:
条件一)检查时间:第一次扫描脑胶质瘤患者术前一周内,第二次扫描术后一周,第三次扫描术后描术后1个月;
条件二)采用西门子MAGNETOMskyra3.0T磁共振扫描仪,磁共振扫描仪采集图像,图像的采集主要选择16通道头线圈;受检者取仰卧位,头部平放,下颌略收,采用泡沫垫固定头部以利于减少扫描过程中头部运动和图像运动的伪影,采用双外耳道塞入耳塞以最大程度地降低扫描声音的刺激;
条件三)扫描序列:多模态脑MRI检查,PWI、T1薄层扫描、DTI,BLOD-fMRI序列,其中T1薄层扫描扫描:全脑高分辨率T1加权精细结构像,层厚为1mm;静息态BOLD、任务态BLOD:对所有患者和志愿者进行检查前训练,使其熟悉对指运动和相关指令的含义;患者根据刺激器显示的指令交替进行左右拇指-四指对指动作,每次动作持续30s,速率1Hz,每30s给出指令轮换左右侧,共3min;回波平面成像DTI:使用EPI序列进行DTI数据采集;
条件四)同步进行24h脑电图检查;
S303、对脑电图和多模态脑MRI数据进行后处理初步分析,包括:
在R-BLOD和任务-BOLD上勾画各脑叶运动功能区兴奋区进行定位和初步分析;
PWI和DTI各参数的定量和半定量指标,了解肿瘤的灌注情况,观察神经纤维束的走行,并了解脑组织的受压推移、肿瘤侵蚀和破坏情况;
T1薄层扫描用于导航、可视化模型和脑皮质厚度测量;
经过滤波、变换、对比研究分析后,对脑电图脑电波进行分析;
S304、利用多模态数据融合技术将影像数据和脑电数据进行时间域、空间域的融合,建立机器学习等分类模型;将术前资料的特征进行提取、分类,综合分析了解运动相关功能定位、各区域功能链接和结构链接,全脑网络连接情况并建立术前术后患者脑功能改变的预测模型,探讨胶质瘤术后脑神经重塑相关的因素进行分析并对重塑进行预测。
本发明基于种子点的功能连接来构建脑胶质瘤患者的脑功能网络,揭示脑肿瘤患者行为与功能变化的大脑重塑的影像学关联,同时建立术前术后患者脑功能改变的预测模型。本发明将大脑抽象为复杂的网络,连接了网络特性与脑功能,可进一步理解大脑的高级认知功能原理,辅助脑胶质肿瘤诊断与脑功能重塑研究。运用复杂网络的科学方法研究脑胶质肿瘤患者脑功能重塑预测及验证,构建基于种子点的脑功能连接,是研究脑胶质瘤患者脑功能变化的新视角,具有鲜明的研究特色。
本发明结构设计合理,建立了不同脑胶质瘤患者间的行为和个体治疗前后脑功能与MRI图像之间的关联,包括分析脑网络指标与脑胶质瘤等级关系的横向对比和探究患者脑结构变化与认知功能关系的纵向对比,最终构建分析脑功能异常的脑网络特征,为脑胶质瘤患者的认知功能保护提供新的思路。
相比于现有技术,本发明至少具有以下优点:
(1)基于种子点的功能连接来构建脑胶质瘤患者的脑功能网络,对研究脑胶质瘤患者的脑功能变化,进行术前术后的脑功能预测具有重要科学意义。
(2)人类脑计划将大脑抽象为复杂的网络,连接了网络特性与脑功能,可进一步理解大脑的高级认知功能原理,辅助脑胶质肿瘤诊断与脑功能重塑研究。运用复杂网络的科学方法研究脑胶质肿瘤患者脑功能重塑预测及验证,构建基于种子点的脑功能连接,是研究脑胶质瘤患者脑功能变化的新视角,具有鲜明的研究特色。
(3)从横向和纵向两个角度分析脑网络结构:分析脑网络指标与脑胶质瘤等级关系的横向对比,构建分析脑功能异常的脑网络特征,为脑胶质瘤患者的认知功能保护提供新的思路;探究患者脑结构变化与认知功能关系的纵向对比,通过统计物理相关分析方法对脑胶质肿瘤患者术前术后的脑网络结构进行分析。
附图说明
图1为本发明公开的一种基于种子点连接的脑功能网络构建方法及系统的脑网络构建流程图;
图2为本发明公开的一种基于种子点连接的脑功能网络构建方法及系统的脑胶质瘤分区绘制ROI图;
图3为本发明公开的一种基于种子点连接的脑功能网络构建方法及系统的ROC曲线示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
在下列段落中参照附图以举例方式更具体地描述本发明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
以下列举所述基于复杂网络的脑胶质肿瘤患者脑功能重塑预测方法及系统的较优实施例,以清楚的说明本发明的内容,应当明确的是,本发明的内容并不限制于以下实施例,其他通过本领域普通技术人员的常规技术手段的改进亦在本发明的思想范围之内。
本实施例所公开的技术内容具体地包括以下步骤:
步骤S100、脑胶质瘤患者基于种子点的功能连接:研究脑胶质瘤患者的脑功能变化,构建患者脑功能网络,进行术前术后的脑功能预测。
具体的,确立脑胶质瘤患者基于种子点的功能连接,具体包括如下步骤:
步骤S101、确定一个脑区或者多个脑区作为感兴趣区域(ROI,Region OfInterest);
具体的,基于种子点的脑功能连接计算方法先确定一个脑区或者多个脑区作为ROI,提取出ROI内的平均信号量,计算ROI之间或者每个ROI和全脑体素信号的相关系数。其中,ROI对应网络的节点,ROI之间信号量的相关性对应网络的边。研究证明,使用基于种子分析方法定位运动区的研究结果与实际运动任务和皮层刺激所定义的区域具有高度相似性。这为术前运用静息态功能磁共振定位脑区提供了理论依据;
步骤S102、获取ROI:
具体的,ROI的获取有以下三种方法:
第一种方法)将其他脑功能或者结构指标的统计差异显著脑区作为ROI;
第二种方法)基于标准分区模版(例如自动解剖标记图谱)获得ROI;
第三种方法)手工绘制ROI,从影像中获取ROI的坐标;
步骤S103、患者脑功能网络构建:
具体的,如图1所示为脑网络构建流程,包括以下步骤:
使用多模态融合技术,获得脑胶质瘤患者的脑融合图;
使用标准化医学影像处理流程对脑融合图进行数据预处理,如降噪、空间配准等,以消除大脑的个体性差异;
对脑融合图进行分割,得到肿瘤区域的mask;
使用分割得到的mask定义种子点,通过脑模板定义感兴趣的脑区,提取信号计算相关性,从而得到相关矩阵;
通过对相关矩阵进行二值化处理,获得脑网络的二值矩阵,构建患者脑功能网络;
使用复杂网络与统计物理对患者脑功能网络进行分析。
步骤S200,脑肿瘤患者行为与功能变化的大脑重塑的影像学关联:阐明不同脑肿瘤患者间的行为与MRI图像之间的关联,亚区MRI影像组学结合分类算法预测脑胶质母细胞瘤MGMT甲基化有效性,分析脑网络指标与脑胶质瘤等级关系的横向对比,为脑胶质瘤患者的认知功能保护提供新的思路。
具体的,脑肿瘤患者行为与功能变化的大脑重塑的影像学关联,具体包括如下步骤:
步骤S201,确定研究对象;
具体的,收集收治脑肿瘤患者共1679例,建立严格的排除纳入标准。其中,纳入标准为:1、初诊为胶质瘤且MRI图像质量符合标准的患者;2、术后病理结果证实胶质母细胞瘤;3、免疫组化检查结果。
排除标准为:1、患者罹患其他系统严重疾病;2、MRI图像不符合诊断标准(包括出现运动伪影、增强与平扫定位不一致,序列缺失);3、既往过往颅内手术史患者;4、病变数≥2;5、肿瘤最大横径≤5mm。
基于上述排除纳入标准,1679例中的135例脑胶质瘤患者符合标准,40例患者病理包含MGMT启动子甲基化指标,最终被纳入此次研究,其中男性17例,女性23例,年龄:29-80岁;MGMT启动子阳性患者21例,阴性患者19例。
步骤S202、确定扫描参数:
具体的,Ge Singna HDxT 3.0TMR检查仪,横轴面T1WI序列增强扫描(T1C),对比剂采用Gd-DTPA,注射剂量0.1mmol/kg,参数:TR 2600ms,TE 13.2ms,FOV 260mm,层厚6mm,层数:18;
步骤S203、ROI绘制;
具体的,利用开源软件3Dslicer绘制PACS系统的TIC序列DICOM数据,应用“半自动阈值法”进行绘制,设定阈值0-1000voxels(体素),单次点击最大填充范围为200pixels(像素),绘制蒙片(Mask)。以肿瘤亚区分割肿瘤进行ROI绘制,分别涵盖强化区、非强化区、整体区,有争议时请一名高年资中枢神经系统主任医师进行商讨达成一致后决定绘制范围,所有可以显示病灶的层面均进行绘制。
如图2所示,图中A表示肿瘤非强化区,B表示肿瘤强化区,C表示肿瘤整体区,D表示感兴趣体积(Volume of Interactions,VOI)。
步骤S204、特征提取及分析;
具体的,将原始图及绘制的Mask图导入3D slicer软件,参照2014年《NatureCommunications》提取包括原始(original)特征(n=112)、高斯-拉普拉斯(Laplacian ofGaussian LoG)滤波器图像特征(n=186)、小波特征(wavelet-based)(n=744)在内的共计1037个特征,特征缺失值以“0”填充。首先利用T检验删除不具备显著差异的特征,之后用Lasso logistic回归筛选权重非零特征。降维筛选后非强化区、强化区、整体区的特征数分别为107、58、102个,筛选权重非零特征数分别为10、7、10个。
步骤S205、建立预测模型;
具体的,将所有数据随机按8:2比例分为训练集(trainning set)及测试集(testing set),应用Python 3.8语言环境下使用可视化软件Easylearn,封装SK Learn相关工具包,使用Z标准化法(Standard Scaler)对数据进行预处理,主成分分析法(PCA)降维,降维后使用特征排序及递归消除法(Feature ranking with recursive featureelimination RFE)筛选特征,随机过采样(Random Over Sample)处理不平衡数据后,使用Logistic regression、LinearSVC、SVC、Ridge、Gaussian、RandongmForest、Adaboost模型进行预测,使用分层10-fold交叉验证测试,绘制ROC曲线,计算各测试集模型AUC、准确率、敏感性、特异性,P值。
步骤S206、统计学软件绘制接收者操作特征曲线(ROC);
具体的,使用Spss25.0,二元线性回归计算多因素预测因子,绘制接收者操作特征曲线(ROC),计算曲线下面积(AUC),如图3所示。检验水准:P<0.05。
步骤S300、治疗前后脑功能改变的预测模型,并进行数据集验证:探究患者脑结构变化与认知功能关系的纵向对比,通过统计物理相关分析方法对脑胶质肿瘤患者术前术后的脑网络结构进行分析,其在异构网络中表现出的网络自组织和尺度不变性、最大熵原理等独特特性适用于构建诊断患者病情阶段的特征。
具体的,建立治疗前后脑功能改变的预测模型,具体包括如下步骤:
步骤S301、选择符合纳入标准的脑胶质瘤患者,均有术后病理;
具体的,纳入标准:a.年龄介于18-65岁之间;右利手;b.术前完整的头颅多模态MR检查,完整的24h脑电图检查;c.初次发病,均未经各种治疗,例如:脱水、化疗、激素、放射等治疗;d.术后病理证实为脑胶质瘤并提供WHO分类;e.意识清醒,无明确的精神病史或严重精神症状,认知能力正常,既往无颅脑严重外伤、开颅、脑介入治疗、射波刀、伽马刀等治疗患者;f.知情同意并配合检查。
排除标准:a.术前有运动障碍的患者;b.意识障碍和(或)严重心肝肾疾病、肿瘤等;c.既往脑卒中、多发性硬化、颅内肿瘤、炎症、颅脑外伤等中枢神经系统疾病史;d.存在磁共振检查禁忌或拒绝配合检查的患者。
步骤S302、进行脑电图(EEG)和多模态脑MRI检查(PWI、T1薄层扫描、DTI,BLOD-fMRI序列),共3次(术前1周内、术后1周及1月)相同的检查;
具体的,a.检查时间:第一次扫描脑胶质瘤患者术前一周内,第二次扫描术后一周(7-10天),第三次扫描术后描术后1个月。
b.采用西门子MAGNETOMskyra3.0T磁共振扫描仪,磁共振扫描仪采集图像,图像的采集主要选择16通道头线圈。受检者取仰卧位,头部平放,下颌略收,采用泡沫垫固定头部以利于减少扫描过程中头部运动和图像运动的伪影,采用双外耳道塞入耳塞以最大程度地降低扫描声音的刺激。
c.扫描序列:多模态脑MRI检查(PWI、T1薄层扫描、DTI,BLOD-fMRI序列)。其中薄层扫描:全脑高分辨率T1加权精细结构像(层厚;1mm)。静息态BOLD,任务态BLOD:对所有患者和志愿者进行检查前训练,使其熟悉对指运动和相关指令的含义。患者根据刺激器显示的指令交替进行左右拇指-四指对指动作,每次动作持续30s,速率约1Hz,每30s给出指令轮换左右侧,共3min,回波平面成像(EPI)DTI:使用EPI序列进行DTI数据采集。
d.同步进行24h脑电图检查。
步骤S303、对EGG和MRI数据进行后处理初步分析;
具体的,a.在R-BLOD和任务-BOLD上勾画各脑叶运动功能区兴奋区进行定位和初步分析;b.PWI和DTI各参数的定量和半定量指标,了解肿瘤的灌注情况,观察神经纤维束的走行,并了解脑组织的受压推移、肿瘤侵蚀和破坏情况;c.T1薄层扫描用于导航、可视化模型和脑皮质厚度测量等;d.经过滤波、变换、对比等研究分析后,对脑电图脑电波进行分析;
S304、利用机器学习和复杂网络等多模态数据融合技术将影像数据和脑电数据进行时间域、空间域的融合,建立机器学习等分类模型:
具体的,将术前资料的特征进行提取、分类,综合分析了解运动相关功能定位、各区域功能链接和结构链接,全脑网络连接情况并建立术前术后患者脑功能改变的预测模型,探讨胶质瘤术后脑神经重塑相关的因素进行分析并对重塑进行预测。
本发明建立了不同脑胶质瘤患者间的行为和个体治疗前后脑功能与MRI图像之间的关联,包括分析脑网络指标与脑胶质瘤等级关系的横向对比和探究患者脑结构变化与认知功能关系的纵向对比,最终构建分析脑功能异常的脑网络特征,为脑胶质瘤患者的认知功能保护提供新的思路。
Claims (3)
1.一种基于种子点连接的脑功能网络系统,其特征在于,包括:
基于种子点的功能连接模块,用于研究脑胶质瘤患者的脑功能变化,构建患者脑功能网络,进行术前术后的脑功能预测
行为与功能变化的大脑重塑的影像学关联模块,用于阐明不同脑肿瘤患者间的行为与MRI图像之间的关联,亚区MRI影像组学结合分类算法预测脑胶质母细胞瘤MGMT甲基化有效性,分析患者脑功能网络指标与脑胶质瘤等级关系的横向对比;
治疗前后脑功能改变的预测模型,用于探究患者脑结构变化与认知功能关系的纵向对比,通过统计物理相关分析方法对脑胶质肿瘤患者术前术后的患者脑功能网络结构进行分析,其在异构网络中表现出的网络自组织和尺度不变性、最大熵原理特性适用于构建诊断患者病情阶段的特征。
2.如权利要求1所述的一种基于种子点连接的脑功能网络系统,其特征在于,所述基于种子点的功能连接模块进一步包括:
多模态融合单元,用于获得脑胶质瘤患者的脑融合图;
预处理单元,用于使用标准化医学影像处理流程对脑融合图进行数据预处理,以消除大脑的个体性差异;
种子点获取单元,对经过预处理单元处理的脑融合图进行分割,得到肿瘤区域的mask,使用分割得到的mask定义种子点;
ROI区域获取单元,用于通过脑模板基于种子点确定一个脑区或者多个脑区作为ROI区域;
相关矩阵计算单元,用于提取出ROI区域内的平均信号量,计算ROI区域之间或者每个ROI区域和全脑体素信号的相关系数,从而得到相关矩阵,其中,ROI区域对应患者脑功能网络的节点,ROI区域之间信号量的相关性对应患者脑功能网络的边;
二值化处理单元,用于对相关矩阵进行二值化处理,获得患者脑功能网络的二值矩阵,构建患者脑功能网络。
脑功能网络分析单元,使用复杂网络与统计物理对患者脑功能网络进行分析。
3.一种基于种子点连接的脑功能网络构建方法,用于构建如权利要求1所述的基于种子点连接的脑功能网络系统,其特征在于,包括以下步骤:
步骤S100、构建所述基于种子点的功能连接模块;
步骤S200、构建所述影像学关联模块,包括以下步骤:
步骤S201、确定研究对象:收集收治多例脑肿瘤患者,基于排除标准以及纳入标准对其进行筛选,从而获得研究对象,其中:
纳入标准包括:初诊为胶质瘤且MRI图像质量符合标准的患者;术后病理结果证实胶质母细胞瘤;免疫组化检查结果;
排除标准包括:患者罹患其他系统严重疾病;MRI图像不符合诊断标准;既往过往颅内手术史患者;病变数≥2;肿瘤最大横径≤5mm;
步骤S202、设定扫描参数:Ge Singna HDxT 3.0TMR检查仪,横轴面T1WI序列增强扫描,对比剂采用Gd-DTPA,注射剂量0.1mmol/kg,参数:TR 2600ms,TE 13.2ms,FOV 260mm,层厚6mm,层数:18;
步骤S203、ROI绘制:利用开源软件3Dslicer绘制PACS系统的TIC序列DICOM数据,应用半自动阈值法进行绘制,以肿瘤亚区分割肿瘤进行ROI绘制,分别涵盖强化区、非强化区、整体区,所有可以显示病灶的层面均进行绘制;
步骤S204、特征提取及分析:将原始图及绘制的Mask图导入3D slicer软件,提取特征,特征缺失值以0填充;
对所提取的特征进行分析时:首先利用T检验删除不具备显著差异的特征,之后用Lasso logistic回归筛选权重非零特征,再进行降维筛选;
步骤S205、建立预测模型:将上一步所获得的所有数据随机分为训练集及测试集,应用Python 3.8语言环境下使用可视化软件Easylearn,封装SK Learn相关工具包,使用Z标准化法对训练集及测试集的数据进行预处理,再使用主成分分析法降维,降维后使用特征排序及递归消除法筛选特征,最后随机过采样处理不平衡数据后,对使用Logisticregression、LinearSVC、SVC、Ridge、Gaussian、RandongmForest、Adaboost建立的模型进行训练,使用分层10-fold交叉验证测试,绘制ROC曲线,计算各测试集模型AUC、准确率、敏感性、特异性,P值;
步骤S206、统计学软件:使用Spss25.0,二元线性回归计算多因素预测因子,绘制接收者操作特征曲线,计算曲线下面积,检验水准:P<0.05;
步骤S300、构建所述治疗前后脑功能改变的预测模型,具体包括以下步骤:
S301、基于纳入标准以及排除标准选择符合纳入标准的脑胶质瘤患者,均有术后病理,其中:
纳入标准包括:年龄介于18-65岁之间;右利手;术前完整的头颅多模态MR检查,完整的24h脑电图检查;初次发病,均未经各种治疗;术后病理证实为脑胶质瘤并提供WHO分类;意识清醒,无明确的精神病史或严重精神症状,认知能力正常,既往无颅脑严重外伤、开颅、脑介入治疗、射波刀、伽马刀治疗患者;知情同意并配合检查;
排除标准:术前有运动障碍的患者;意识障碍和/或严重心肝肾疾病、肿瘤;既往有中枢神经系统疾病史;存在磁共振检查禁忌或拒绝配合检查的患者;
S302、进行脑电图和多模态脑MRI检查,满足以下条件:
条件一)检查时间:第一次扫描脑胶质瘤患者术前一周内,第二次扫描术后一周,第三次扫描术后描术后1个月;
条件二)采用西门子MAGNETOMskyra3.0T磁共振扫描仪,磁共振扫描仪采集图像,图像的采集主要选择16通道头线圈;受检者取仰卧位,头部平放,下颌略收,采用泡沫垫固定头部以利于减少扫描过程中头部运动和图像运动的伪影,采用双外耳道塞入耳塞以最大程度地降低扫描声音的刺激;
条件三)扫描序列:多模态脑MRI检查,PWI、T1薄层扫描、DTI,BLOD-fMRI序列,其中T1薄层扫描扫描:全脑高分辨率T1加权精细结构像,层厚为1mm;静息态BOLD、任务态BLOD:对所有患者和志愿者进行检查前训练,使其熟悉对指运动和相关指令的含义;患者根据刺激器显示的指令交替进行左右拇指-四指对指动作,每次动作持续30s,速率1Hz,每30s给出指令轮换左右侧,共3min;回波平面成像DTI:使用EPI序列进行DTI数据采集;
条件四)同步进行24h脑电图检查;
S303、对脑电图和多模态脑MRI数据进行后处理初步分析,包括:
在R-BLOD和任务-BOLD上勾画各脑叶运动功能区兴奋区进行定位和初步分析;
PWI和DTI各参数的定量和半定量指标,了解肿瘤的灌注情况,观察神经纤维束的走行,并了解脑组织的受压推移、肿瘤侵蚀和破坏情况;
T1薄层扫描用于导航、可视化模型和脑皮质厚度测量;
经过滤波、变换、对比研究分析后,对脑电图脑电波进行分析;
S304、利用多模态数据融合技术将影像数据和脑电数据进行时间域、空间域的融合,建立机器学习等分类模型;将术前资料的特征进行提取、分类,综合分析了解运动相关功能定位、各区域功能链接和结构链接,全脑网络连接情况并建立术前术后患者脑功能改变的预测模型,探讨胶质瘤术后脑神经重塑相关的因素进行分析并对重塑进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211416480.0A CN116784820A (zh) | 2022-11-12 | 2022-11-12 | 一种基于种子点连接的脑功能网络构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211416480.0A CN116784820A (zh) | 2022-11-12 | 2022-11-12 | 一种基于种子点连接的脑功能网络构建方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116784820A true CN116784820A (zh) | 2023-09-22 |
Family
ID=88048674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211416480.0A Pending CN116784820A (zh) | 2022-11-12 | 2022-11-12 | 一种基于种子点连接的脑功能网络构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116784820A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117116434A (zh) * | 2023-10-25 | 2023-11-24 | 北京师范大学 | 人脑白质结构连接组的个体差异评估方法、应用及装置 |
CN117332923A (zh) * | 2023-10-09 | 2024-01-02 | 北京京航计算通讯研究所 | 一种网状指标体系的赋权方法及系统 |
CN117726674A (zh) * | 2024-02-07 | 2024-03-19 | 慧创科仪(北京)科技有限公司 | 基于个性化脑模型的近红外脑功能成像装置的定位方法 |
CN117952195A (zh) * | 2024-03-26 | 2024-04-30 | 博睿康医疗科技(上海)有限公司 | 基于任务相关脑电激活度的脑网络构建方法、显示设备 |
-
2022
- 2022-11-12 CN CN202211416480.0A patent/CN116784820A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332923A (zh) * | 2023-10-09 | 2024-01-02 | 北京京航计算通讯研究所 | 一种网状指标体系的赋权方法及系统 |
CN117332923B (zh) * | 2023-10-09 | 2024-03-26 | 北京京航计算通讯研究所 | 一种网状指标体系的赋权方法及系统 |
CN117116434A (zh) * | 2023-10-25 | 2023-11-24 | 北京师范大学 | 人脑白质结构连接组的个体差异评估方法、应用及装置 |
CN117116434B (zh) * | 2023-10-25 | 2024-03-01 | 北京师范大学 | 人脑白质结构连接组的个体差异评估方法、应用及装置 |
CN117726674A (zh) * | 2024-02-07 | 2024-03-19 | 慧创科仪(北京)科技有限公司 | 基于个性化脑模型的近红外脑功能成像装置的定位方法 |
CN117726674B (zh) * | 2024-02-07 | 2024-05-14 | 慧创科仪(北京)科技有限公司 | 基于个性化脑模型的近红外脑功能成像装置的定位方法 |
CN117952195A (zh) * | 2024-03-26 | 2024-04-30 | 博睿康医疗科技(上海)有限公司 | 基于任务相关脑电激活度的脑网络构建方法、显示设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11263749B1 (en) | Predictive prognosis based on multimodal analysis | |
CN110522448B (zh) | 一种基于图卷积神经网络的脑网络分类方法 | |
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 | |
CN116784820A (zh) | 一种基于种子点连接的脑功能网络构建方法及系统 | |
WO2020075737A1 (ja) | 脳機能結合相関値の調整方法、脳機能結合相関値の調整システム、脳活動分類器のハーモナイズ方法、脳活動分類器のハーモナイズシステム、及び脳活動バイオマーカシステム | |
Chen et al. | Detecting abnormal brain regions in schizophrenia using structural MRI via machine learning | |
JP2020062369A (ja) | 脳機能結合相関値の調整方法、脳機能結合相関値の調整システム、脳活動分類器のハーモナイズ方法、脳活動分類器のハーモナイズシステム、および脳活動バイオマーカシステム | |
Rajasekaran et al. | Advanced brain tumour segmentation from mri images | |
CN113768519B (zh) | 基于深度学习和静息态脑电数据分析病人意识水平的方法 | |
WO2016040260A1 (en) | Edema invariant tractography | |
Garner et al. | A machine learning model to predict seizure susceptibility from resting-state fMRI connectivity | |
CN115312198B (zh) | 结合注意力机制和多尺度特征挖掘的深度学习脑肿瘤预后分析建模方法及系统 | |
Dhole et al. | Review of brain tumor detection from MRI images with hybrid approaches | |
Chen et al. | Particulate air pollutants, brain structure, and neurocognitive disorders in older women | |
CN116784821A (zh) | 基于复杂网络脑胶质肿瘤患者脑功能重塑预测方法及系统 | |
Zeng et al. | Machine Learning-Based Medical Imaging Detection and Diagnostic Assistance | |
Gilanie et al. | Risk-free WHO grading of astrocytoma using convolutional neural networks from MRI images | |
Yang et al. | Diagnosis of Parkinson’s disease based on 3D ResNet: The frontal lobe is crucial | |
Bhatia et al. | Analyzing and classifying MRI images using robust mathematical modeling | |
Baskar et al. | An Accurate Prediction and Diagnosis of Alzheimer’s Disease using Deep Learning | |
WO2020232124A1 (en) | System and methods for automated image analysis | |
US20230022257A1 (en) | Determination of white-matter neurodegenerative disease biomarkers | |
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 | |
Obeidat et al. | An MRI Based Algorithm for Detecting Multiple Sclerosis |
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 |