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
【課題】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を提供する。【解決手段】方法及びシステムは、安静時機能的磁気共鳴データ（ｒｓ－ｆＭＲＩ）から関心領域に基づく機能的接続により特徴を抽出するとともに、特徴に対してフィッシャー変換及び指数変換を行い、データセットにおけるＴ１加重磁気共鳴データに対して対応する隣接行列を抽出し、変換後の特徴及び隣接行列を入力、グループアトラスタグ及びサンプリングマスクを出力として、シャムグラフニューラルネットワークを設計して訓練及びテストを行う。【効果】他の個別化手段に比べ、ｒｓ－ｆＭＲＩ及びグループアトラスのデータ特徴を利用して設計したシャムネットワークアーキテクチャ及び中心サンプリングモードにより再構成された個別化された脳グラフのタスク状態磁気共鳴データにおける活性化分布はより均一であり、再構成時間が短くなる。【選択図】図１
Description
本発明は、２０２２年３月２４日に中国国家知識産権局に提出された出願番号が２０２２１０２９６０９８．４、発明の名称が「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」の中国特許出願の優先権を主張し、その全内容が援用により本願に組み込まれている。
本発明は医用画像の分野及び深層学習の分野に関し、特に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に関する。
大脳皮質は人間の知覚、運動及び他の認知機能の重要な基盤を提供する。神経科学において、脳の領域化は脳機能の認知、特定及び分析に対して非常に重要である。
大脳皮質領域は異なる機能、構造、接続関係及びトポロジー構造を示し、従って、クラスタリングの方法で脳の領域化を行うことができる。現在、大脳皮質の関連情報を取得するための非侵襲的な方法はかなり多くあり、例えば、磁気共鳴（ＭＲＩ）、脳磁図（ＭＥＧ）等が挙げられる。ＭＲＩは時空間解像度が比較的高く、放射性がない等の利点を有するため、既に広く使用されているイメージング技術となった。安静時機能的磁気共鳴画像法（ｒｓ－ｆＭＲＩ）は、被験者の非タスク状態での脳血中酸素信号の変化状況を反映することができ、これらの変化の関連関係は大脳皮質領域に十分な根拠を提供することができ、従って、脳の領域化を研究する主な方法の１つである。更に、ｒｓ－ｆＭＲＩによって計算された安静時機能的接続（ＲＳＦＣ）は脳領域のｆＭＲＩ信号の同期性を反映することができ、従って、皮質頂点間の関連関係を確実に反映することができる。それだけではなく、ＲＳＦＣは遺伝可能なものであり、皮質の遺伝子発現に関連し、個体間の行動の差異を予測することができる。従って、多くの脳アトラスの構築はいずれもＲＳＦＣ信号を利用して脳領域に対してクラスタリング分割を行い、且つ被験者間で平均化する結果である。このような大量の被験者の平均に基づく脳グラフ、即ちグループアトラス（参考文献：Ｓｃｈａｅｆｅｒ，Ａ．，Ｋｏｎｇ，Ｒ．，Ｇｏｒｄｏｎ，Ｅ．Ｍ．，Ｌａｕｍａｎｎ，Ｔ．Ｏ．，Ｚｕｏ，Ｘ．，ａｎｄ Ｈｏｌｍｅｓ，Ａ．Ｊ．，ｅｔ ａｌ．（２０１８）．Ｌｏｃａｌ－ｇｌｏｂａｌ ｐａｒｃｅｌｌａｔｉｏｎ ｏｆ ｔｈｅ ｈｕｍａｎ ｃｅｒｅｂｒａｌ ｃｏｒｔｅｘ ｆｒｏｍ ｉｎｔｒｉｎｓｉｃ ｆｕｎｃｔｉｏｎａｌ ｃｏｎｎｅｃｔｉｖｉｔｙ ＭＲＩ．Ｃｅｒｅｂ．Ｃｏｒｔｅｘ．２８（９），３０９５－３１１４．）は人間の脳の巨視的な組織構造に重要な観察指標及び統計データを提供することができる。しかしながら、このような脳グラフは、特に脳領域のサイズ、空間的位置及び配列方式等が著しく変化する領域では、個体間の差異を反映していないことがよくある。従って、行動予測又は疾患診断がこれらの差異に関連すれば、それらを正確に検出することは困難である。このようなグループアトラスは生物学的指紋特徴の構築過程において比較的大きな制限がある。従って、個別化された脳グラフは神経科学の分野及び臨床研究ではますます重要になり、人間の認知、行動、感情等を予測することができるだけでなく、人間の脳のトポロジー構造における個体間の差異を捉えることもでき、且つこれらの差異に対して遺伝子分析を行うことができる。より重要なのは、個体の脳の生物学的指紋特徴を生成することができ、脳変性疾患（例えば、アルツハイマー病、パーキンソン病）の予測及び診断には重要な役割を果たす。
従来の個別化された脳グラフアルゴリズムは常にユークリッド空間又は皮質空間における構造イメージングの線形又は非線形レジストレーションに依存する。いくつかの機械学習アルゴリズムはこれらのレジストレーションに一部の分析ツールを提供し、例えば、機能領域、解剖構造、機能的接続等によって皮質領域を位置合わせする。例えば、Ｗａｎｇら（参考文献：Ｗａｎｇ Ｄ，Ｂｕｃｋｎｅｒ Ｒ Ｌ，Ｆｏｘ Ｍ Ｄ，ｅｔ ａｌ． Ｐａｒｃｅｌｌａｔｉｎｇ ｃｏｒｔｉｃａｌ ｆｕｎｃｔｉｏｎａｌ ｎｅｔｗｏｒｋｓ ｉｎ ｉｎｄｉｖｉｄｕａｌｓ［Ｊ］．Ｎａｔｕｒｅ ｎｅｕｒｏｓｃｉｅｎｃｅ，２０１５，１８（１２）：１８５３－１８６０．）は「コア信号」の概念を導入し、且つ機能的接続、信号対雑音比によってコア信号の脳領域タグを絶えずに更新することで、個別化されたアトラスを再構成し、Ｃｈｏｎｇら（参考文献：Ｃｈｏｎｇ Ｍ，Ｂｈｕｓｈａｎ Ｃ，Ｊｏｓｈｉ Ａ Ａ，ｅｔ ａｌ．Ｉｎｄｉｖｉｄｕａｌ ｐａｒｃｅｌｌａｔｉｏｎ ｏｆ ｒｅｓｔｉｎｇ ｆＭＲＩ ｗｉｔｈ ａ ｇｒｏｕｐ ｆｕｎｃｔｉｏｎａｌ ｃｏｎｎｅｃｔｉｖｉｔｙ ｐｒｉｏｒ［Ｊ］．ＮｅｕｒｏＩｍａｇｅ，２０１７，１５６：８７－１００．）はベイジアンモデル及びスパース制約の手段を利用して個別化されたアトラスを反復的に最適化する。しかしながら、これらの２つの方法は大脳皮質のｒｓ－ｆＭＲＩ信号の一部の事前知識のみを利用し、個体間の一貫性（個体間の一部の脳領域は非常に類似する）及び差異性（個体間の一部の脳領域に比較的大きな差異がある）の２つの事前知識をアルゴリズムに明示的に導入していない。そして、Ｋｏｎｇら（参考文献１：Ｋｏｎｇ Ｒ，Ｌｉ Ｊ，Ｏｒｂａｎ Ｃ，ｅｔ ａｌ．Ｓｐａｔｉａｌ ｔｏｐｏｇｒａｐｈｙ ｏｆ ｉｎｄｉｖｉｄｕａｌ－ｓｐｅｃｉｆｉｃ ｃｏｒｔｉｃａｌ ｎｅｔｗｏｒｋｓ ｐｒｅｄｉｃｔｓ ｈｕｍａｎ ｃｏｇｎｉｔｉｏｎ，ｐｅｒｓｏｎａｌｉｔｙ，ａｎｄ ｅｍｏｔｉｏｎ［Ｊ］．Ｃｅｒｅｂｒａｌ ｃｏｒｔｅｘ，２０１９，２９（６）：２５３３－２５５１．、参考文献２：Ｋｏｎｇ Ｒ，Ｙａｎｇ Ｑ，Ｇｏｒｄｏｎ Ｅ，ｅｔ ａｌ．Ｉｎｄｉｖｉｄｕａｌ－Ｓｐｅｃｉｆｉｃ Ａｒｅａｌ－Ｌｅｖｅｌ ｐａｒｃｅｌｌａｔｉｏｎｓ ｉｍｐｒｏｖｅ ｆｕｎｃｔｉｏｎａｌ ｃｏｎｎｅｃｔｉｖｉｔｙ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｂｅｈａｖｉｏｒ［Ｊ］．ｂｉｏＲｘｉｖ，２０２１．）は確率的グラフィカルモデルを確立して、グループアトラス、被験者間差異性、被験者内一貫性等の事前知識を明示的に導入することにより個別化されたアトラスを再構成し、個体脳グラフの再構成効果を更に向上させ、且つその合理性が証明される。以上の手段は依然としていくつかの欠点があり、例えば、ｆＭＲＩ単一データノード又はその一次ドメインノードの特徴のみを考慮し、且つその反復手段は収束が比較的遅く、再構成時間が比較的長い。
従来技術の欠点に対して、本発明は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を提供する。大量の被験者データで訓練し、訓練済みのシャムグラフニューラルネットワークを利用して未知の安静時磁気共鳴データの個別化された脳グラフを推定することによって、再構成時間を著しく減少させることができ、グループアトラス及びサンプリングマスクをタグとして利用し、シャムネットワークを導入し且つ半教師あり学習の方式を用いて、個別化された脳グラフに比較的高い個体間一貫性を保持させるとともに、個体間の差異性をできる限り反映することができる。それだけでなく、利用されたシャムグラフニューラルネットワークはチェビシェフ多項式グラフ畳み込み構造を用いるため、高次ドメインの情報を十分に利用することができ、各頂点の属する脳領域の特定がより正確である。
本発明の技術案は以下のとおりである。まず、被験者のｒｓ－ｆＭＲＩデータ及びＴ１加重ＭＲＩデータに基づいて機能的接続及び隣接行列を構築し、隣接行列を頂点に基づく脳接続グラフに変換し、次に、機能的接続をネットワーク入力として該脳グラフに組み込んで、次に、高次グラフ畳み込みを使用して上記脳グラフの頂点間の局所的な特徴を統合し、且つ各グラフ畳み込み層において複数の畳み込みカーネルを訓練して皮質領域の差異性を符号化し、それだけでなく、更にシャムネットワークのアーキテクチャを利用して被験者間の差異性を損失関数に明示的に導入し、これによってシャムグラフに基づく畳み込みネットワークモデルを構築して訓練を行い、最後に、高信頼度点の概念を導入し、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におけるすべての頂点の最短経路長さを計算し、且つ各脳領域における頂点の遠心度を計算し、遠心度が小さな一部の点を高信頼度点として選択し、これらの点からなるサンプリングマスクを生成し、このように、個体間の一貫性を更に保持することができるとともに、被験者間に十分な差異性を有するように確保することもでき、これに基づいて半教師あり学習モードを設計する。
具体的には、前記方法は、
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。
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。
更に、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。
更に、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、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。
更に、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。
更に、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、第１層は６４個のフィルタを使用し、第２層に使用されたフィルタの数は使用されたグループアトラスの脳領域の数に等しく、フィルタはチェビシェフ（Ｃｈｅｂｙｓｈｅｖ）畳み込みカーネルを使用し、次数は６次を使用する。
更に、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。
更に、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、
第２態様では、本発明は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を更に提供し、該システムは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。
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。
第３態様では、本発明は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を更に提供し、メモリ及び１つ又は複数のプロセッサを備え、前記メモリに実行可能コードが記憶され、前記プロセッサが前記実行可能コードを実行するとき、前記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が実現される。
第４態様では、本発明はコンピュータ可読記憶媒体を更に提供し、プログラムが記憶され、前記プログラムがプロセッサにより実行されるとき、前記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が実現される。
本発明の有益な効果は以下のとおりである。本発明はグループアトラス及び中心点サンプリングマスクをタグとすることにより、個体アトラスとグループアトラスとの一貫性が確保されるだけでなく、個別化されたアトラスが境界部分で比較的高い可変性を示すことも許容され、また、シャムネットワークのアーキテクチャを導入することにより、被験者内の個体アトラスの一貫性が確保されるとともに、異なる被験者の個体アトラスの差異性も向上する。それと同時に、背景説明における他の技術に比べて、個別化されたアトラスの有効性が確保されるとともに、再構成時間を大幅に短縮させる。本発明を利用して各被験者に合理的な個別化された脳グラフを構築することは、より正確な生物学的指紋特徴情報を取得することに寄与し、行動予測、遺伝子遺伝分析、脳疾患診断等には非常に広い用途がある。
以下、図面を参照しながら本発明の具体的な実施形態を更に詳しく説明する。
本発明は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を提供し、被験者の機能領域の一貫性が確保される場合、個体間の差異性をできる限り反映する。被験者のｒｓ－ｆＭＲＩデータ及びＴ１加重ＭＲＩデータに基づいて機能的接続及び隣接行列をモデル入力として構築し、グループアトラスを利用してサンプリングマスクを設計し、一貫性が比較的高い領域をサンプリング領域として取得し、且つこれらを損失関数に導入し、シャムグラフニューラルネットワークに基づく再構成モデルを設計して訓練し、最後に、脳アトラスに評価のための真値がないことに鑑みて、個体脳グラフの合理性を評価できる指標の一部を選択し、例えば、個体脳グラフのタスク状態データにおける活性化分布状況を評価する。具体的なステップは以下のとおりである。
ステップ（１）では、データを取得する。ＨＣＰ １２００Ｓの磁気共鳴データを取得し、データアドレスがｈｔｔｐｓ：／／ｄｂ．ｈｕｍａｎｃｏｎｎｅｃｔｏｍｅ．ｏｒｇ／ｄａｔａ／ｐｒｏｊｅｃｔｓ／ＨＣＰ＿１２００であり、それに１０２２個の被験者のＴ１加重磁気共鳴データ、安静時磁気共鳴データ及びタスク状態活性化データが含まれる。磁気共鳴データは３２チャネルの３Ｔシーメンス磁気共鳴装置を利用して走査することによって取得されたものであり、ＴＲ＝７２０ｍｓであり、空間解像度が２ｍｍである。すべての被験者はそれぞれ２日間にわたって走査され、ｆＭＲＩの位相エンコードの左から右への２つの走査シーケンスを取得する。
ステップ（２）では、データを前処理する。ＨＣＰ前処理パイプラインを使用してデータ処理（ｈｔｔｐｓ：／／ｇｉｔｈｕｂ．ｃｏｍ／Ｗａｓｈｉｎｇｔｏｎ－Ｕｎｉｖｅｒｓｉｔｙ／ＨＣＰｐｉｐｅｌｉｎｅｓ）を行い、具体的な過程は、ａ）、まずｆＭＲＩＶｏｌｕｍｅパイプラインを利用して４次元の時系列（例えば、「．ｎｉｉ．ｇｚ」ファイル）を生成し、該処理には勾配デコンボリューション、モーション補正、フィールドグラフに基づくエコープレーンイメージング（ＥＰＩ）歪み補正等が含まれており、ｂ）、ｆＭＲＩｓｕｒｆａｃｅ パイプラインはユークリッド空間のｆＭＲＩデータを３２ｋ解像度の個体皮質データ（例えば、「ｄｔｓｅｒｉｅｓ．ｎｉｉ」ファイル）にマッピングし、次にガウス分布に基づく皮質平滑化アルゴリズムで処理し、ｃ）、他の前処理は、取得された皮質データから白質及び脊髄液信号を回帰除去し、且つ周波数０．０１～０．１ＨＺの帯域幅フィルタを用いてフィルタリングすることを含む。ｆＭＲＩＶｏｌｕｍｅ、ｆＭＲＩｓｕｒｆａｃｅ及び他の詳細な処理方法は上記リンクから関連説明を見つけることができる。
ステップ（３）では、特徴入力Ｘを構築する。図１に示すように、参照グループアトラス（Ｓｃｈａｅｆｅｒ，Ａ．，Ｋｏｎｇ，Ｒ．，Ｇｏｒｄｏｎ，Ｅ．Ｍ．，Ｌａｕｍａｎｎ，Ｔ．Ｏ．，Ｚｕｏ，Ｘ．，ａｎｄ Ｈｏｌｍｅｓ，Ａ．Ｊ．，ｅｔ ａｌ．（２０１８）．Ｌｏｃａｌ－ｇｌｏｂａｌ ｐａｒｃｅｌｌａｔｉｏｎ ｏｆ ｔｈｅ ｈｕｍａｎ ｃｅｒｅｂｒａｌ ｃｏｒｔｅｘ ｆｒｏｍ ｉｎｔｒｉｎｓｉｃ ｆｕｎｃｔｉｏｎａｌ ｃｏｎｎｅｃｔｉｖｉｔｙ ＭＲＩ．Ｃｅｒｅｂ．Ｃｏｒｔｅｘ．２８（９），３０９５－３１１４．）及びｒｓ－ｆＭＲＩを選択して特徴生成を行う。グループアトラスに基づいて関心領域（ＲＯＩ）を定義し、該グループアトラスの各脳領域におけるすべての頂点時系列信号の平均値を計算し、脳領域の平均時系列と各頂点時系列とのピアソン相関性を計算し、頂点と関心領域に基づく機能的接続行列を構成し、行列における各行は頂点の特徴ベクトルを示し、それによって特徴の次元削減を実現し、これを特徴入力Ｘとする。「＊．ｗｈｉｔｅ．３２ｋ＿ｆｓ＿ＬＲ．ｓｕｒｆ．ｇｉｉ」に含まれる三角パッチの接続関係に基づいて該被験者の隣接行列を定義し、ここで、「＊」が被験者の番号を示す。
ステップ（４）では、グラフ入力Ｇを構築する。前処理ステップ（２）において表層接続関係のデータ（＊．ｗｈｉｔｅ．３２ｋ＿ｆｓ＿ＬＲ．ｓｕｒｆ．ｇｉｉ）、即ち図１にマークされる「脳グラフ接続データ」を取得することができ、脳幹領域近傍の点を取り除くことによって、ステップ（３）における特徴Ｘに対応する各皮質頂点関係データを取得することができる。各被験者に対して頂点接続グラフをとして定義すれば、は皮質頂点を示し、は頂点間の接続関係を示す。該ｇｉｉファイルを利用して頂点の隣接行列を計算して、脳接続グラフＧを構築することができる。取得された頂点接続グラフは高度にスパースであり、且つ顕著な局所的な接続特徴を有することがわかる。多くの場合、各頂点はその周りの２～６つの隣接頂点だけに接続される。
ステップ（５）では、サンプリングマスクを構築する。図１に示すように、参照グループアトラスを選択し、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各頂点から他の頂点までの最短距離（ＳＰＤ）を計算し、最も大きなＳＰＤを該頂点の遠心度として取る。具体的には、グループアトラスの領域Ａにおける頂点ａを例とし、Ｆｌｏｙｄ－Ｗａｒｓｈａｌｌアルゴリズムを利用してステップ（４）において定義されたグラフＧに基づいてａからＡにおける他の点までの最短経路長さを計算する。次に、これらの長さの最大値をａの領域Ａでの遠心度とする。次に、このような方式でＡにおけるすべての点の遠心度を計算し、且つ昇順でソートし、上位２０％の遠心度が比較的小さな点をＡ領域の中心点セットとして選択し、タグ１を与え、他の点にタグ０を与え、且つ値が１の点を信頼度が高い点として定義し、このような方式で脳におけるすべての脳領域頂点に対して遠心度計算を行って値を与えることによって、中心点サンプリングマスクを抽出することができ、被験者のこれらの点でのタグ分布がより安定し、グループアトラスタグに近くなる。
ステップ（６）では、訓練、検証及びテストセットを構築する。図２に示すように、５０名の被験者、合計１００個の走査シーケンスを選択し、５０個のバイナリデータグループをランダムに構成し、各グループに２つの走査シーケンスが含まれ、図２における「特徴１」及び「特徴２」で示し、同じ被験者からのものである場合、タグを１として記録し、そうでない場合に－１として記録する。次に、これらのバイナリデータグループに対してフィッシャー変換により特徴を正規化し、次に特徴に対して指数変換及び正規化処理を行い、それによって顕著な特徴を強化する。フィッシャー変換及び指数変換の式は、
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。
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。
次に、この５０個の２－タプルに対して４：１の方式で訓練セット及び検証セットを構築する。残りの９７２名の被験者から５０名の被験者をテストセットとしてランダムに選択する。検証セットを使用するとき、訓練が最も良いモデルを選択するための指標を２つ選択する。一方はＤｉｃｅ係数であり、セット類似度尺度関数であり、類似度指数と同じであり、係数とも称され、アトラスとグループアトラスとの重複程度を予測するためのものであり、重複程度が高ければ高いほど、個体アトラスとグループアトラスが似ていることを示し、他方は安静時一貫性係数であり、個体アトラスにおける各領域頂点の時系列の２つずつの相関係数の平均値として定義され、次にすべての脳領域において再び１回平均化を行い、ここで、安静時一貫性係数が高ければ高いほど、個体アトラスの領域内の信号の相関性が高く、即ち個体アトラスが合理的であることを示す。この２つの指標をまとめて考慮して、最も良い訓練モデルを選択する。
ステップ（７）では、損失関数を構築する。データセットにおける被験者間差異が被験者内差異よりも大きい特徴に基づいて、被験者間差異性をネットワーク損失関数に追加する。図２に示すように、各回に１つの２－タプル、即ち２つの被験者データ、及びそれらが同じ被験者に属するかどうかのタグを入力し、それぞれグループアトラスと「特徴１」及び「特徴２」に対応する個体アトラスとの交差エントロピー損失関数を構築するとともに、これらの２つの個体アトラス間の対照的な損失関数を追加する。交差エントロピー損失関数はシャムグラフニューラルネットワークの予測値とグループアトラスの観察値分布との差を示し、対照的な損失関数は入力された２つの個体アトラス間の差異性を示す。重み比を１：１：λとして設定し、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。その中の１組の被験者の完全損失関数は、
ステップ（８）では、シャムグラフニューラルネットワークを構築する。ネットワークの構築において主にチェビシェフ多項式に基づくＣｈｅｂＮｅｔグラフ畳み込み層を使用し、該グラフ畳み込みの具体的な定義は、
全脳の個別化されたアトラスを取得するために、上記ステップをそれぞれ左脳及び右脳データセットに応用する。具体的には、ＨＣＰ前処理パイプラインを使用して安静時磁気共鳴を前処理して「ｄｔｓｅｒｉｅｓ．ｎｉｉ」ファイルの皮質データを取得し、該データには合計で全脳の５９４１２頂点が含まれ、該データヘッダファイルを読み取り、それを２９６９６個の頂点の左脳データ及び２９７１６個の頂点の右脳データに分割することができ、次にそれぞれ上記ステップにより再構成を行う。
ステップ（９）では、上記シャムグラフニューラルネットワークを利用してテストセットにおけるすべての被験者に個別化された脳グラフを生成し、対応する機能的磁気共鳴データにおいて評価する。ここで、個体脳アトラスに参照のための真値がないため、「タスク状態非一貫性」を利用して評価することができる。該指標はタスク状態ｆＭＲＩ活性化値のすべての脳領域での分散の平均値として定義される。この平均値をテストセットのすべての被験者において再び平均化すれば、テストセットのタスク状態非一貫性を取得する。該指標は、タスク状態データの活性化値の脳領域での分布状況を反映する。従って、１つの合理的な個別化領域は必ずこのような活性化分布をより均一にし、即ちタスク状態非一貫性をより低くする。
ＨＣＰの７つの認知タスクに対してそれぞれ代表的な比較実験を選択し、この７つのタスクはそれぞれ運動、ワーキングメモリ、言語処理、感情処理、社会認知、ギャンブリングタスク、リレーショナル処理である。その対応する代表的な実験は表１に示される。
結果からわかるように、グループアトラスに比べて、ほとんどのタスクにおいて、本発明によって提案された方法はタスク状態非一貫性が著しく低い（例えば、言語タスクにおいて、本発明はタスク非一貫性が１．９６であるが、グループアトラスは２．０２、ｐ値＜０．０５である）。これからわかるように、グループアトラスに比べて、被験者のタスク状態ｆＭＲＩの活性化の個体アトラスでの分布はより均一であり、本発明を利用して再構成した個体脳グラフの合理性をある程度実証することができる。
本発明は良好な拡張性を有する。特に、本発明において現在主に使用されているのは文献（Ｓｃｈａｅｆｅｒ，Ａ．，Ｋｏｎｇ，Ｒ．，Ｇｏｒｄｏｎ，Ｅ．Ｍ．，Ｌａｕｍａｎｎ，Ｔ．Ｏ．，Ｚｕｏ，Ｘ．，ａｎｄ Ｈｏｌｍｅｓ，Ａ．Ｊ．，ｅｔ ａｌ．（２０１８）．Ｌｏｃａｌ－ｇｌｏｂａｌ ｐａｒｃｅｌｌａｔｉｏｎ ｏｆ ｔｈｅ ｈｕｍａｎ ｃｅｒｅｂｒａｌ ｃｏｒｔｅｘ ｆｒｏｍ ｉｎｔｒｉｎｓｉｃ ｆｕｎｃｔｉｏｎａｌ ｃｏｎｎｅｃｔｉｖｉｔｙ ＭＲＩ．Ｃｅｒｅｂ．Ｃｏｒｔｅｘ．２８（９），３０９５－３１１４．）における４００領域のグループアトラスであり、目標は個体の４００領域の脳グラフを生成することであるが、例えば１００、２００、１０００等のグループアトラス領域を変更することも適用され得る。具体的には、上記ステップにおいてＲＳＦＣを取得する際に定義されたグループアトラスに基づいて改めて計算し、新たに定義されたグループアトラス領域においてそれぞれ中心点サンプリングマスクを計算し、且つネットワークパラメータを対応して調整し、例えば、第２層のグラフ畳み込み層フィルタ数をグループアトラス領域数の半分に調整する必要がある。
図３に示すように、他の態様では、本発明は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を更に提供し、該システムは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、各モジュールが機能を実現する具体的な過程は対応する方法を実現するステップを参照してもよい。
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。
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。
上記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の実施例に対応して、本発明は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の実施例を更に提供する。
図４に示すように、本発明の実施例に係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は、メモリ及び１つ又は複数のプロセッサを備え、前記メモリに実行可能コードが記憶され、前記プロセッサは前記実行可能コードを実行するとき、上記実施例におけ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方法を実現するために使用される。
本発明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装置の実施例はデータ処理能力を持ついかなる機器に応用されてもよく、該データ処理能力を持ついかなる機器も例えばコンピュータ等の機器又は装置であってもよい。装置実施例はソフトウェアにより実現されてもよく、ハードウェア又はソフトウェアとハードウェアとの組み合わせにより実現されてもよい。ソフトウェアによる実現を例とし、１つの論理意味上の装置としては、その位置するデータ処理能力を持ついかなる機器のプロセッサにより不揮発性メモリにおける対応するコンピュータプログラム命令を内部メモリに読み込んで実行することによって形成される。ハードウェアのレベルから言えば、図４に示すように、本発明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装置の位置するデータ処理能力を持ついかなる機器のハードウェア構造図であり、図４に示されるプロセッサ、内部メモリ、ネットワークインターフェース及び不揮発性メモリに加えて、実施例における装置の位置するデータ処理能力を持ついかなる機器も一般的に該データ処理能力を持ついかなる機器の実際の機能に応じて、他のハードウェアを更に備えてもよく、これについて詳細な説明は省略する。
上記装置の各ユニットの機能及び作用の実現過程は具体的には上記方法の対応するステップの実現過程を参照してもよく、ここで詳細な説明は省略する。
装置実施例の場合、基本的に方法実施例に対応するため、関連箇所は方法実施例の一部の説明を参照すればよい。以上に説明された装置実施例は単に例示的なものであり、分離部材として説明される前記ユニットは物理的に分離してもよく、物理的に分離しなくてもよく、ユニットとして表示される部材は物理ユニットであってもよく、物理ユニットでなくてもよく、即ち、１つの場所に位置してもよく、複数のネットワークユニットに分散してもよい。実際の必要に応じて、その一部又は全部のモジュールを選択して本発明の解決手段の目的を実現してもよい。当業者は創造的な労力を要することなく、理解して実施することができる。
本発明の実施例はコンピュータ可読記憶媒体を更に提供し、プログラムが記憶され、該プログラムがプロセッサにより実行されるとき、上記実施例におけ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方法を実現する。
前記コンピュータ可読記憶媒体は上記いずれか１つの実施例に記載のデータ処理能力を持ついかなる機器の内部記憶ユニット、例えばハードディスク又は内部メモリであってもよい。前記コンピュータ可読記憶媒体はデータ処理能力を持ついかなる機器の外部記憶機器、例えば前記機器に配置されるプラグイン型ハードディスク、スマートメディアカード（ＳＭＣ、Ｓｍａｒｔ Ｍｅｄｉａ（登録商標） Ｃａｒｄ）、ＳＤカード、フラッシュカード（Ｆｌａｓｈ Ｃａｒｄ）等であってもよい。更に、前記コンピュータ可読記憶媒体は更にデータ処理能力を持ついかなる機器の内部記憶ユニットを含むだけでなく、外部記憶機器も含んでもよい。前記コンピュータ可読記憶媒体は前記コンピュータプログラム並びに前記データ処理能力を持ついかなる機器に必要な他のプログラム及びデータを記憶するためのものであり、更に出力されたデータ又は出力しようとするデータを一時的に記憶するためのものであってもよい。
上記実施例は本発明を解釈及び説明するためのものであり、本発明を限定するものではなく、本発明の趣旨及び特許請求の範囲内に、本発明に対して行われるいかなる修正や変更は、いずれも本発明の保護範囲に含まれる。
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 |