JP2023143663A - 磁気共鳴及びシャムグラフニューラルネットワークに基づく脳アトラスの個別化方法及びシステム - Google Patents
磁気共鳴及びシャムグラフニューラルネットワークに基づく脳アトラスの個別化方法及びシステム Download PDFInfo
- Publication number
- JP2023143663A JP2023143663A JP2022186860A JP2022186860A JP2023143663A JP 2023143663 A JP2023143663 A JP 2023143663A JP 2022186860 A JP2022186860 A JP 2022186860A JP 2022186860 A JP2022186860 A JP 2022186860A JP 2023143663 A JP2023143663 A JP 2023143663A
- Authority
- JP
- Japan
- Prior art keywords
- magnetic resonance
- siamese
- data
- subject
- atlas
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 89
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 37
- 238000005070 sampling Methods 0.000 claims abstract description 32
- 230000009466 transformation Effects 0.000 claims abstract description 24
- 230000000284 resting effect Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 38
- 210000003710 cerebral cortex Anatomy 0.000 claims description 31
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 29
- 230000001054 cortical effect Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000013501 data transformation Methods 0.000 claims 1
- 230000004913 activation Effects 0.000 abstract description 7
- 238000012360 testing method Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000002490 cerebral effect Effects 0.000 description 3
- 230000007261 regionalization Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- RZZPDXZPRHQOCG-OJAKKHQRSA-O CDP-choline(1+) Chemical compound O[C@@H]1[C@H](O)[C@@H](COP(O)(=O)OP(O)(=O)OCC[N+](C)(C)C)O[C@H]1N1C(=O)N=C(N)C=C1 RZZPDXZPRHQOCG-OJAKKHQRSA-O 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012252 genetic analysis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000008449 language Effects 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 208000011597 CGF1 Diseases 0.000 description 1
- 208000001613 Gambling Diseases 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical group [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 210000000133 brain stem Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000036992 cognitive tasks Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002582 magnetoencephalography Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000004039 social cognition Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
- A61B5/245—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetoencephalographic [MEG] signals
-
- 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
- A61B5/72—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
-
- 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
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- High Energy & Nuclear Physics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Neurology (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
Description
大脳皮質の頂点に基づく時系列データである被験者の磁気共鳴データを取得するステップ(1)と、
関心領域に基づく機能的接続(RSFC)を利用して被験者の磁気共鳴データから特徴を抽出するとともに、抽出された特徴をフィッシャー変換して特徴を正規化し、且つ指数変換を行って特徴をスパース化し、スパース化後のデータをシャムグラフニューラルネットワークの特徴入力とするステップ(2)と、
被験者の磁気共鳴データに基づいて被験者の大脳皮質の表面の接続情報を取得し、接続情報で記述される大脳皮質の各頂点の接続関係に基づいて被験者の隣接行列を計算して、シャムグラフニューラルネットワークのグラフ入力とするステップ(3)と、
ワーシャル-フロイド法(Floyd-Warshall)を利用してグループアトラスの中心点サンプリングマスクをシャムグラフニューラルネットワーク損失関数の加重係数として抽出するステップ(4)と、
被験者間差異性をネットワーク損失関数に追加し、中心点サンプリングマスク及びグループアトラスをタグとして半教師あり学習の方式でネットワークを訓練するステップ(5)と、
任意の磁気共鳴データを与え、ステップ(2)における同じ特徴抽出過程を経て、訓練済みのシャムグラフニューラルネットワークに入力し、シャムグラフニューラルネットワークから出力された個別化された領域のone-hot符号化行列を符号化次元に沿って最大値の位置で一次元ベクトルにマッピングし、被験者の磁気共鳴データに対応する個別化された脳アトラスを取得するステップ(6)と、を含む。
ここで、rは機能的接続行列であり、ピアソン相関係数を使用して算出されたものであり、範囲が[-1,1]であり、はフィッシャー変換の結果であり、dは指数変換後のデータであり、sigは拡大縮小範囲を制御し、その値の範囲が[0.1,1]である。
前記データ取得モジュールは大脳皮質の頂点に基づく時系列データである被験者の磁気共鳴データを取得するためのものであり、
前記特徴抽出モジュールは関心領域に基づく機能的接続(RSFC)を利用して被験者の磁気共鳴データから特徴を抽出するとともに、抽出された特徴をフィッシャー変換して特徴を正規化し、且つ指数変換を行って特徴をスパース化し、スパース化後のデータをシャムグラフニューラルネットワークの特徴入力とするためのものであり、
前記隣接行列計算モジュールはデータ取得及び処理モジュールが取得した磁気共鳴データに基づいて被験者の大脳皮質の表面の接続情報を取得し、接続情報で記述される大脳皮質の各頂点の接続関係に基づいて被験者の隣接行列を計算して、シャムグラフニューラルネットワークのグラフ入力とするためのものであり、
前記中心点サンプリングマスク抽出モジュールはワーシャル-フロイド法(Floyd-Warshall)を利用してグループアトラスの中心点サンプリングマスクをシャムグラフニューラルネットワーク損失関数の加重係数として抽出するためのものであり、
前記シャムグラフニューラルネットワーク構築モジュールはシャムグラフニューラルネットワークを構築し、且つ被験者間差異性をネットワーク損失関数に追加し、中心点サンプリングマスク及びグループアトラスをタグとして半教師あり学習の方式でネットワークを訓練するためのものであり、
前記脳グラフ個別化モジュールはシャムグラフニューラルネットワークから出力された個別化された領域のone-hot符号化行列を符号化次元に沿って最大値の位置で一次元ベクトルにマッピングし、被験者の磁気共鳴データに対応する個別化された脳グラフを取得するためのものである。
ここで、rは機能的接続であり、ピアソン相関係数を使用して計算され、範囲が[-1,1]であり、fはフィッシャー変換の結果であり、dは指数変換後のデータであり、sigは拡大縮小範囲を制御し、一般的な値が0.1~1である。
前記特徴抽出モジュールは関心領域に基づく機能的接続(RSFC)を利用して被験者の磁気共鳴データから特徴を抽出するとともに、抽出された特徴をフィッシャー変換して特徴を正規化し、且つ指数変換を行って特徴をスパース化し、スパース化後のデータをシャムグラフニューラルネットワークの特徴入力とするためのものであり、
前記隣接行列計算モジュールはデータ取得及び処理モジュールが取得した磁気共鳴データに基づいて被験者の大脳皮質の表面の接続情報を取得し、接続情報で記述される大脳皮質の各頂点の接続関係に基づいて被験者の隣接行列を計算して、シャムグラフニューラルネットワークのグラフ入力とするためのものであり、
前記中心点サンプリングマスク抽出モジュールはワーシャル-フロイド法(Floyd-Warshall)を利用してグループアトラスの中心点サンプリングマスクをシャムグラフニューラルネットワーク損失関数の加重係数として抽出するためのものであり、
前記シャムグラフニューラルネットワーク構築モジュールはシャムグラフニューラルネットワークを構築し、且つ被験者間差異性をネットワーク損失関数に追加し、中心点サンプリングマスク及びグループアトラスをタグとして半教師あり学習の方式でネットワークを訓練するためのものであり、
前記脳グラフ個別化モジュールはシャムグラフニューラルネットワークから出力された個別化された領域のone-hot符号化行列を符号化次元に沿って最大値の位置で一次元ベクトルにマッピングし、被験者の磁気共鳴データに対応する個別化された脳グラフを取得するためのものである。
Claims (8)
- 磁気共鳴及びシャムグラフニューラルネットワークに基づく脳アトラスの個別化方法であって、
大脳皮質の頂点に基づく時系列データである被験者の磁気共鳴データを取得するステップ(1)と、
関心領域に基づく機能的接続(RSFC)を利用して被験者の磁気共鳴データから特徴を抽出するとともに、抽出された特徴をフィッシャー変換して特徴を正規化し、且つ指数変換を行って特徴をスパース化し、スパース化後のデータをシャムグラフニューラルネットワークの特徴入力とするステップ(2)と、
被験者の磁気共鳴データに基づいて被験者の大脳皮質の表面の接続情報を取得し、接続情報で記述される大脳皮質の各頂点の接続関係に基づいて被験者の隣接行列を計算して、シャムグラフニューラルネットワークのグラフ入力とするステップ(3)と、
ワーシャル-フロイド法(Floyd-Warshall)を利用してグループアトラスの中心点サンプリングマスクをシャムグラフニューラルネットワーク損失関数の加重係数として抽出し、グループアトラスを選択してサンプリングマスクを計算する過程では、与えられた任意の被験者の機能的磁気共鳴イメージング(fMRI)皮質表面頂点に対して、ワーシャル-フロイド法(Floyd-Warshall)に基づいて隣接行列における与えられた頂点から他のfMRI皮質表面頂点までの最短距離(SPD)を計算し、最も大きなSPDを与えられた頂点の遠心度とし、各関心ROI領域に対して、遠心度を昇順でソートし、上位20%の遠心度が最も小さな点を信頼度が高い点として選択し、中心点サンプリングマスクを抽出するステップ(4)と、
被験者間差異性をネットワーク損失関数に追加し、中心点サンプリングマスク及びグループアトラスをタグとして半教師あり学習の方式でネットワークを訓練し、シャムグラフニューラルネットワーク損失関数を計算するとき、入力するたびに2つの被験者データ及びそれらが同じ被験者のタグに属するかどうかを提供し、対応する損失関数はグループアトラスと2つの被験者の個別化された脳アトラスとの交差エントロピー及び個別化された脳アトラス間の対照的な損失関数を含み、重み比を1:1:λとし、λはハイパーパラメータであり、対照的な損失関数が占める割合を示し、その中の1組の被験者の完全損失関数は、
- 取得された被験者の磁気共鳴データは機能的接続(RSFC)により特徴を抽出するための安静時機能的磁気共鳴(rs-fMRI)皮質データと、被験者の隣接行列を計算するためのT1加重磁気共鳴(MRI)データと、を含むことを特徴とする請求項1に記載の磁気共鳴及びシャムグラフニューラルネットワークに基づく脳アトラスの個別化方法。
- 機能的接続(RSFC)による特徴抽出において、各被験者はいずれも位相エンコードの左から右への2つの走査シーケンスの安静時機能的磁気共鳴(rs-fMRI)データを選択し、次にグループアトラスを参照アトラスとして選択し、グループアトラスに基づいて関心領域(ROI)を定義して該領域の平均時系列信号を計算し、次にすべての被験者の機能的磁気共鳴イメージング(fMRI)皮質表面頂点の平均時系列信号とピアソン相関を実行し、皮質表面頂点とROIとの機能的接続行列を生成し、行列における各行は頂点の特徴ベクトルを示し、次にフィッシャー変換及び指数変換を使用して抽出された特徴に対してデータ変換を行い、フィッシャー変換及び指数変換の式はそれぞれ、
ここで、rは機能的接続行列であり、ピアソン相関係数を使用して算出されたものであり、範囲が[-1,1]であり、fはフィッシャー変換の結果であり、dは指数変換後のデータであり、sigは拡大縮小範囲を制御し、その値の範囲が[0.1,1]であることを特徴とする請求項2に記載の磁気共鳴及びシャムグラフニューラルネットワークに基づく脳アトラスの個別化方法。 - 隣接行列を計算するとき、T1加重磁気共鳴データを32k解像度の大脳皮質に投射して、対応する脳グラフ接続データを取得し、且つこのデータに基づいて隣接行列を計算し、シャムグラフニューラルネットワークのグラフ入力とすることを特徴とする請求項2に記載の磁気共鳴及びシャムグラフニューラルネットワークに基づく脳アトラスの個別化方法。
- 構築されたシャムグラフニューラルネットワークはパラメータを共有する2層のグラフニューラルネットワーク(GCN)層を含み、フィルタがチェビシェフ(Chebyshev)畳み込みカーネルを使用することを特徴とする請求項1に記載の磁気共鳴及びシャムグラフニューラルネットワークに基づく脳アトラスの個別化方法。
- 磁気共鳴及びシャムグラフニューラルネットワークに基づく脳アトラスの個別化システムであって、データ取得モジュール、特徴抽出モジュール、隣接行列計算モジュール、中心点サンプリングマスク抽出モジュール、シャムグラフニューラルネットワーク構築モジュール及び脳グラフ個別化モジュールを備え、
前記データ取得モジュールは大脳皮質の頂点に基づく時系列データである被験者の磁気共鳴データを取得するためのものであり、
前記特徴抽出モジュールは関心領域に基づく機能的接続(RSFC)を利用して被験者の磁気共鳴データから特徴を抽出するとともに、抽出された特徴をフィッシャー変換して特徴を正規化し、且つ指数変換を行って特徴をスパース化し、スパース化後のデータをシャムグラフニューラルネットワークの特徴入力とするためのものであり、
前記隣接行列計算モジュールはデータ取得及び処理モジュールが取得した磁気共鳴データに基づいて被験者の大脳皮質の表面の接続情報を取得し、接続情報で記述される大脳皮質の各頂点の接続関係に基づいて被験者の隣接行列を計算して、シャムグラフニューラルネットワークのグラフ入力とするためのものであり、
前記中心点サンプリングマスク抽出モジュールはワーシャル-フロイド法(Floyd-Warshall)を利用してグループアトラスの中心点サンプリングマスクをシャムグラフニューラルネットワーク損失関数の加重係数として抽出し、グループアトラスを選択してサンプリングマスクを計算する過程では、与えられた任意の被験者の機能的磁気共鳴イメージング(fMRI)皮質表面頂点に対して、ワーシャル-フロイド法(Floyd-Warshall)に基づいて隣接行列における与えられた頂点から他のfMRI皮質表面頂点までの最短距離(SPD)を計算し、最も大きなSPDを与えられた頂点の遠心度とし、各関心ROI領域に対して、遠心度を昇順でソートし、上位20%の遠心度が最も小さな点を信頼度が高い点として選択し、中心点サンプリングマスクを抽出するためのものであり、
前記シャムグラフニューラルネットワーク構築モジュールはシャムグラフニューラルネットワークを構築し、且つ被験者間差異性をネットワーク損失関数に追加し、中心点サンプリングマスク及びグループアトラスをタグとして半教師あり学習の方式でネットワークを訓練し、シャムグラフニューラルネットワーク損失関数を計算するとき、入力するたびに2つの被験者データ及びそれらが同じ被験者のタグに属するかどうかを提供し、対応する損失関数はグループアトラスと2つの被験者の個別化された脳アトラスとの交差エントロピー及び個別化された脳アトラス間の対照的な損失関数を含み、重み比を1:1:λとし、λはハイパーパラメータであり、対照的な損失関数が占める割合を示すためのものであり、その中の1組の被験者の完全損失関数は、
- 実行可能コードが記憶されるメモリと、1つ又は複数のプロセッサとを備える磁気共鳴及びシャムグラフニューラルネットワークに基づく脳アトラスの個別化装置であって、
前記プロセッサが前記実行可能コードを実行するとき、請求項1~5のいずれか1項に記載の方法が実現されることを特徴とする磁気共鳴及びシャムグラフニューラルネットワークに基づく脳アトラスの個別化装置。 - プログラムが記憶されるコンピュータ可読記憶媒体であって、
前記プログラムがプロセッサにより実行されるとき、請求項1~5のいずれか1項に記載の方法が実現されることを特徴とするコンピュータ可読記憶媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210296098.4 | 2022-03-24 | ||
CN202210296098.4A CN114376558B (zh) | 2022-03-24 | 2022-03-24 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023143663A true JP2023143663A (ja) | 2023-10-06 |
Family
ID=81206006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022186860A Pending JP2023143663A (ja) | 2022-03-24 | 2022-11-22 | 磁気共鳴及びシャムグラフニューラルネットワークに基づく脳アトラスの個別化方法及びシステム |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230301542A1 (ja) |
JP (1) | JP2023143663A (ja) |
CN (1) | CN114376558B (ja) |
WO (1) | WO2023178916A1 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114376558B (zh) * | 2022-03-24 | 2022-07-19 | 之江实验室 | 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 |
CN115082586B (zh) * | 2022-07-12 | 2023-04-04 | 中国科学院自动化研究所 | 群组先验引导的基于深度学习的丘脑个体化图谱绘制方法 |
CN115662576B (zh) * | 2022-12-30 | 2023-05-09 | 北京航空航天大学 | 关联认知障碍病症的神经反馈训练范式的生成方法和系统 |
CN116564484A (zh) * | 2023-05-16 | 2023-08-08 | 天津大学 | 一种基于网络稀疏度阈值选择的脑功能网络构建方法 |
CN116740221B (zh) * | 2023-08-16 | 2023-10-20 | 之江实验室 | 实时脑功能激活图生成方法、装置、计算机设备和介质 |
CN116912252B (zh) * | 2023-09-13 | 2024-01-16 | 中国科学院自动化研究所 | 面向模态缺失的影像数据的脑图谱个体化方法及系统 |
CN116984747B (zh) * | 2023-09-19 | 2023-11-24 | 讯创(天津)电子有限公司 | 基于lmc工艺使用激光束刻蚀射频区域的方法 |
CN117058514B (zh) * | 2023-10-12 | 2024-04-02 | 之江实验室 | 基于图神经网络的多模态脑影像数据融合解码方法和装置 |
CN117122303B (zh) * | 2023-10-26 | 2024-01-30 | 烟台大学 | 一种脑网络的预测方法、系统、设备和存储介质 |
Family Cites Families (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110301431A1 (en) * | 2010-06-05 | 2011-12-08 | The Board Of Trustees Of The Leland Stanford Junior University | Methods of classifying cognitive states and traits and applications thereof |
DE102010027277B4 (de) * | 2010-07-15 | 2016-11-17 | Siemens Healthcare Gmbh | Verfahren und Vorrichtung zur Aufzeichnung bzw. Auswertung und Darstellung von medizinischen Abbildungsdatensätzen |
CN101912263B (zh) * | 2010-09-14 | 2011-12-14 | 北京师范大学 | 基于脑功能网络成分检测的实时功能磁共振数据处理系统 |
CN103440512A (zh) * | 2013-09-17 | 2013-12-11 | 西安电子科技大学 | 一种基于张量局部保持投影的大脑认知状态的识别方法 |
US9662039B2 (en) * | 2014-03-31 | 2017-05-30 | The General Hospital Corporation | System and method for functional brain organization mapping |
CN110741440A (zh) * | 2017-03-08 | 2020-01-31 | 华盛顿大学 | Mri中的运动的实时监测和预测 |
US20190117072A1 (en) * | 2017-10-24 | 2019-04-25 | Siemens Healthcare Gmbh | Decoding patient characteristics and brain state from magnetic resonance imaging data |
CN109496338B (zh) * | 2017-12-05 | 2022-06-21 | 北京师范大学 | 基于个体特征的经颅脑图谱导航方法及其系统 |
US11013423B2 (en) * | 2018-01-12 | 2021-05-25 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for personalized treatment of neurological conditions using implantable neurostimulators |
CN108898135B (zh) * | 2018-06-30 | 2021-07-06 | 天津大学 | 一种大脑边缘系统图谱构建方法 |
CN109528197B (zh) * | 2018-11-20 | 2022-07-08 | 中国科学院脑科学与智能技术卓越创新中心 | 基于脑功能图谱进行精神疾病的个体化预测方法和系统 |
US11449989B2 (en) * | 2019-03-27 | 2022-09-20 | The General Hospital Corporation | Super-resolution anatomical magnetic resonance imaging using deep learning for cerebral cortex segmentation |
CN111856362A (zh) * | 2019-04-24 | 2020-10-30 | 深圳先进技术研究院 | 磁共振成像方法、装置、系统及存储介质 |
CN110197729A (zh) * | 2019-05-20 | 2019-09-03 | 华南理工大学 | 基于深度学习的静息态fMRI数据分类方法和装置 |
CN110298364B (zh) * | 2019-06-27 | 2021-06-15 | 安徽师范大学 | 面向功能性脑网络的多阈值下基于多任务的特征选择方法 |
CN110322554B (zh) * | 2019-07-12 | 2023-04-25 | 中国科学院心理研究所 | 一种脑动态功能模式稳定性计算方法 |
CN110522448B (zh) * | 2019-07-12 | 2023-04-11 | 东南大学 | 一种基于图卷积神经网络的脑网络分类方法 |
CN110811622A (zh) * | 2019-11-12 | 2020-02-21 | 北京大学 | 一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法 |
US20210169332A1 (en) * | 2019-11-27 | 2021-06-10 | Brainspec Inc. | Systems and methods of analyzing and interfacing with combined imaging and spectroscopy data for the brain |
US20210170180A1 (en) * | 2019-12-09 | 2021-06-10 | Washington University | Systems and methods of precision functional mapping-guided personalized neuromodulation |
CN111569225B (zh) * | 2020-05-08 | 2021-07-06 | 中国科学技术大学 | 实时功能性磁共振神经反馈调节认知控制的系统及方法 |
CN111753947B (zh) * | 2020-06-08 | 2024-05-03 | 深圳大学 | 静息态脑网络构建方法、装置、设备及计算机存储介质 |
CN111728590A (zh) * | 2020-06-30 | 2020-10-02 | 中国人民解放军国防科技大学 | 基于动态功能连接的个体认知能力预测方法和系统 |
CN112002428B (zh) * | 2020-08-24 | 2022-03-08 | 天津医科大学 | 以独立成分网络为参照的全脑个体化脑功能图谱构建方法 |
CN112233805B (zh) * | 2020-10-14 | 2022-03-01 | 河北工业大学 | 基于多图谱神经影像学数据进行生物标志物的挖掘方法 |
CN113040715B (zh) * | 2021-03-09 | 2023-06-02 | 北京工业大学 | 一种基于卷积神经网络的人脑功能网络分类方法 |
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 |
CN113610808B (zh) * | 2021-08-09 | 2023-11-03 | 中国科学院自动化研究所 | 基于个体脑连接图的群体脑图谱个体化方法、系统和设备 |
CN113539435B (zh) * | 2021-09-17 | 2021-12-14 | 之江实验室 | 一种基于图模型的脑功能配准方法 |
CN114376558B (zh) * | 2022-03-24 | 2022-07-19 | 之江实验室 | 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 |
-
2022
- 2022-03-24 CN CN202210296098.4A patent/CN114376558B/zh active Active
- 2022-08-22 WO PCT/CN2022/113908 patent/WO2023178916A1/zh unknown
- 2022-11-22 JP JP2022186860A patent/JP2023143663A/ja active Pending
-
2023
- 2023-03-23 US US18/125,640 patent/US20230301542A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230301542A1 (en) | 2023-09-28 |
CN114376558B (zh) | 2022-07-19 |
WO2023178916A1 (zh) | 2023-09-28 |
CN114376558A (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2023143663A (ja) | 磁気共鳴及びシャムグラフニューラルネットワークに基づく脳アトラスの個別化方法及びシステム | |
Ahmedt-Aristizabal et al. | Graph-based deep learning for medical diagnosis and analysis: past, present and future | |
US20220122250A1 (en) | Brain feature prediction using geometric deep learning on graph representations of medical image data | |
Rosenthal et al. | Mapping higher-order relations between brain structure and function with embedded vector representations of connectomes | |
Wang et al. | Single‐subject morphological brain networks: connectivity mapping, topological characterization and test–retest reliability | |
Jha et al. | Diagnosis of Alzheimer’s Disease Using Dual‐Tree Complex Wavelet Transform, PCA, and Feed‐Forward Neural Network | |
Altinkaya et al. | Detection of Alzheimer’s disease and dementia states based on deep learning from MRI images: a comprehensive review | |
CN113616184B (zh) | 基于多模态磁共振图像的脑网络建模与个体预测方法 | |
Li et al. | Surface-based single-subject morphological brain networks: effects of morphological index, brain parcellation and similarity measure, sample size-varying stability and test-retest reliability | |
Wang et al. | Multi-class ASD classification based on functional connectivity and functional correlation tensor via multi-source domain adaptation and multi-view sparse representation | |
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 | |
Biffi et al. | Explainable anatomical shape analysis through deep hierarchical generative models | |
Lei et al. | Diagnosis of early Alzheimer’s disease based on dynamic high order networks | |
US10223632B2 (en) | Modeling states of an entity | |
Qu et al. | Ensemble manifold regularized multi-modal graph convolutional network for cognitive ability prediction | |
Sun et al. | Dual-functional neural network for bilateral hippocampi segmentation and diagnosis of Alzheimer’s disease | |
Liu et al. | An enhanced multi-modal brain graph network for classifying neuropsychiatric disorders | |
Zhao et al. | Constructing fine-granularity functional brain network atlases via deep convolutional autoencoder | |
Song et al. | Classification of mild cognitive impairment based on a combined high-order network and graph convolutional network | |
CN115272295A (zh) | 基于时域-空域联合状态的动态脑功能网络分析方法及系统 | |
Qiu et al. | Multi-channel sparse graph transformer network for early alzheimer’s disease identification | |
Zuo et al. | Prior-guided adversarial learning with hypergraph for predicting abnormal connections in Alzheimer’s disease | |
Yu et al. | Multi-scale graph convolutional network for mild cognitive impairment detection | |
CN107256408B (zh) | 一种大脑功能网络的关键路径搜索方法 | |
Cheng et al. | Research on the modality transfer method of brain imaging based on generative adversarial network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221122 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231205 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20240304 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20240426 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240529 |