WO2022060250A1 - Method for detecting depression, epilepsy or schizophrenia disorder - Google Patents

Method for detecting depression, epilepsy or schizophrenia disorder Download PDF

Info

Publication number
WO2022060250A1
WO2022060250A1 PCT/RU2021/050228 RU2021050228W WO2022060250A1 WO 2022060250 A1 WO2022060250 A1 WO 2022060250A1 RU 2021050228 W RU2021050228 W RU 2021050228W WO 2022060250 A1 WO2022060250 A1 WO 2022060250A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
fmri
mri
neuroimaging data
neuroimaging
Prior art date
Application number
PCT/RU2021/050228
Other languages
French (fr)
Russian (ru)
Inventor
Максим Геннадьевич ШАРАЕВ
Евгений Владимирович БУРНАЕВ
Александр Владимирович БЕРНШТЕЙН
Екатерина Андреевна КОНДРАТЬЕВА
Алексей Валерьевич АРТЕМОВ
Марина Сергеевна ПОМИНОВА
Светлана Олеговна СУШИНСКАЯ
Ренат Гаясович АКЖИГИТОВ
Ирина Сергеевна САМОТАЕВА
Алла Борисовна ГЕХТ
Роман Владимирович ЛУЗИН
Original Assignee
ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "СберМедИИ"
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "СберМедИИ" filed Critical ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "СберМедИИ"
Publication of WO2022060250A1 publication Critical patent/WO2022060250A1/en

Links

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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Definitions

  • the present technical solution relates to the field of computer technology, in particular, to a method for detecting depression or epilepsy, or a schizophrenic disorder according to structural magnetic resonance imaging (MRI) and functional MRI (fMRI) at rest, using machine learning.
  • MRI structural magnetic resonance imaging
  • fMRI functional MRI
  • the proposed solution differs from those known from the prior art in that it determines the disease of depression or epilepsy, or a schizophrenic disorder based on neuroimaging data from structural MRI or functional MRI using machine learning methods using cross-validation technology "5 foldcross-validation, 5 repeats" and adaptive feature selection.
  • the technical problem to be solved by the claimed technical solution is the creation of a method for detecting depression or epilepsy, or schizophrenic disorder according to structural MRI and/or fMRI, which is characterized in an independent claim. Additional embodiments of the present invention are presented in dependent claims.
  • the technical result consists in determining depression or epilepsy or schizophrenic disorder in a patient based on data from structural MRI and/or fMRI at rest.
  • the claimed result is achieved by implementing a method for detecting depression or epilepsy, or a schizophrenic disorder according to structural MRI and/or functional MRI at rest, comprising:
  • the preparatory stage at which: neuroimaging data of structural MRI and fMRI are obtained on a computing device; carry out preprocessing of the obtained neuroimaging data of structural MRI and fMRI and convert the preprocessed neuroimaging data into the BIDS format; extracting informative features from neuroimaging data: for neuroimaging data of structural MRI, feature vectors are constructed that describe morphometric features of various brain areas; for fMRI neuroimaging data, a connectivity matrix is built that describes the functional connections between different brain regions, which are then converted into feature vectors; based on the extracted feature vectors, machine learning models are trained using an adaptive feature selection method, while MRI or fMRI data vectors are fed to the input of machine learning algorithms; according to the result of training, a diagnostic classifier is obtained;
  • the working stage at which: neuroimaging data of structural MRI and fMRI are obtained on the computing device; carry out pre-processing of the obtained neuroimaging data of structural MRI and fMRI and convert the pre-processed images into the BIDS format; extracting informative features from neuroimaging data: for neuroimaging data of structural MRI, feature vectors are constructed that describe morphometric features of various brain regions; for fMRI neuroimaging data, a connectivity matrix is built that describes the functional connections between different brain regions, which are then converted into feature vectors; a feature vector extracted from the MRI and/or fMRI data is fed to the input of the diagnostic classifier, depression or epilepsy, or schizophrenic disorder is detected at the output of the diagnostic classifier.
  • the machine learning algorithm "logistic regression" is used to classify MRI data.
  • the fMRI data classification uses the machine learning algorithm "classification by support vector machine”.
  • the diagnostic classifier includes a decision rule and characteristics of its reliability.
  • Fig. 1 illustrates an example of a general design of a computing device.
  • the computing device receives multimodal biomedical data of the patient, which include:
  • T1 structural MRI images and T2* - EPI fMRI sequences at rest consisting of at least sixteen time samples with the specified parameters [TR, Acquisitionprotocol] in the corresponding DICOM file headers.
  • Structural MRI and functional MRI images are preprocessed at rest.
  • structural MRI and fMRI at rest are converted from the DICOM format to the BIDS format using well-known methods that are included in the operation of the proposed method.
  • the obtained fMRI data at rest are denoised, co-registered with structural MRI, and normalized.
  • the result of preprocessing is fMRI data correlative with structural MRI data in the BIDS format, as well as separately structural MRI data in the BIDS format.
  • Defining a diagnosis of depression can be done in two ways.
  • informative features are extracted by fixing a set of parameters selected by the user, for example, but not limited to, choosing the time series of the brain region: mean, main component, median, and others, in different ways. calculate dependencies between selected time series. This set of parameters will indicate which algorithm for extracting informative features was used at each stage of extracting informative features. To determine different diagnoses, informative signs will be different.
  • the extraction of informative features includes the following steps. All voxels of an fMRI image in the BIDS format are divided into groups of voxels belonging to different regions of the brain (the parcelling procedure is performed using the NiLearn neuroimaging package); for each region of the brain, a time series representing it is selected; a correlation matrix is built between the selected time series, for example, through the Pearson correlation, transfer entropy; construct a vector consisting of eigenvalues (spectrum) of this matrix, which is a vector of informative features.
  • the constructed vectors of informative fMRI features in the patient's resting state are attached to the patient's demographic data and are a training sample for diagnosing depression and are fed to the classifier training using the "5 foldcrossvalidation, 5 repeats" cross-validation technology and the adaptive feature selection method.
  • the training sample can only consist of a set of constructed vectors of informative features.
  • the machine learning method classification by the support vector machine, using the technology of cross-validation "5 foldcross-validation, 5 repeats" and an adaptive method of feature selection are used.
  • the adaptive feature selection method implements feature selection for further learning based on statistical tests (chi2-test or t-test) or feature importance scores for machine learning models (featuresscore) from a preliminary machine learning model.
  • the number of selected features is adapted to the size of the training sample and cross-validation occurs from the following set of options: [d/p,p/2,p], where n is the number of training sample elements.
  • the adaptive feature selection method includes a technological solution for transforming features extracted from structural MRI or fMRI images at rest for dimensionality reduction by geometric methods of analysis of the SAR and ICA components.
  • the number of selected components n should explain at least 95% of the variance in the data.
  • DCD Diagnostic Classifier of Depression
  • the algorithm maximizes the weighted sum of the sensitivity and specificity of the predictive model. Additionally, the user can select a particular sensitivity or model specificity value for the prediction being presented.
  • the DCD for determining depression is built using the deep learning method, namely, using a three-dimensional deep learning convolutional neural network of the VoxNet architecture with a recurrent structure.
  • the input of the convolutional neural network is 3D MRI images in * format. nii preprocessed and patient demographics, the output of the convolutional neural network predicts the diagnosis of whether the patient is sick or healthy.
  • Structural MRI data are pre-processed, undergoing processing to obtain morphometric features.
  • Processing to obtain morphometric features can be carried out using, for example, the program FreeSurfer, FSL
  • morphometric features are generated based on other algorithms that may also have predictive capability, such as the SPM8 New-segmentation routine used in CAT.
  • the FSL control panel uses the FMRIB Automated Segmentation Tool (FAST). It is also possible to extract features from alternative models of MRI data (DTI, Flair, T2w). The selection of morphometric features contains several stages.
  • the brain is divided into different areas (zones, regions), using anatomical atlases of the brain.
  • the number of such regions is usually more than a hundred (for example, the Desikan-Killianyatlas atlas divides the brain into 109 regions.
  • For each region from 7 to 9 geometric characteristics of the region are calculated - the volume of the region, the surface area of the region, etc.
  • the FreeSurfer program gives a vector of geometric characteristics of dimension 894.
  • feature vectors are built, which are combined with the patient's demographic data and represent a training set.
  • the machine learning method When training the classifier, the machine learning method, logistic regression, is used, using the cross-validation technology "5 foldcross-validation, 5 repeats" and an adaptive feature selection method.
  • a decision rule is constructed to define depression.
  • a DCD is formed, which, based on the input multimodal data of the diagnostic patient (consisting of structural MRI images and demographic data), builds a prediction of the diagnosis (sick with depression or healthy).
  • the training sample can only consist of a set of constructed vectors of morphometric features.
  • vectors of informative features and demographic data of the patient are fed into the input.
  • Determining the diagnosis of epilepsy can be done in two ways.
  • informative features are extracted by fixing a set of parameters selected by the user, for example, but not limited to, functional connectivity features in the form of a correlation matrix, graph features on a correlation matrix, topological characteristics.
  • This set of parameters will indicate which algorithm for extracting informative features was used at each stage of extracting informative features.
  • the extraction of informative features includes the following steps.
  • All voxels of the fMRI image in the BIDS format are divided into groups of voxels belonging to different regions of the brain (the parcelling procedure is performed using the NiLearn neuroimaging package); for each region of the brain, a time series representing it is selected; a correlation matrix is built between the selected time series, for example, through the Pearson correlation, transfer entropy; construct a vector consisting of eigenvalues (spectrum) of this matrix, which is a vector of informative features.
  • the constructed vectors of informative fMRI features of the patient are attached to the patient's demographic data and are a training sample for diagnosing epilepsy and are fed to classifier training using the "5 foldcross-validation, 5 repeats" cross-validation technology and an adaptive feature selection method.
  • the training sample can only consist of a set of constructed vectors of informative features.
  • the machine learning method classification by the support vector machine, using the technology of cross-validation "5 foldcross-validation, 5 repeats" and an adaptive method of feature selection are used.
  • DCE Diagnostic Classifier of Epilepsy
  • the algorithm chooses the prediction that maximizes the weighted sum of the model's sensitivity and specificity. Additionally, the user can select the particular sensitivity or specificity of the model for the prediction being presented.
  • structural MRI scan data and demographic data are input to the classifier.
  • Structural MRI data are pre-processed, undergoing processing to obtain morphometric features, as described above.
  • feature vectors are built, which are combined with the demographic data of the patient and represent a training set.
  • the machine learning method When training the classifier, the machine learning method, logistic regression, is used, using the cross-validation technology "5 foldcross-validation, 5 repeats" and an adaptive feature selection method. A decision rule is being built to determine epilepsy.
  • a DCE is formed, which, based on the input multimodal data of the diagnostic patient (consisting of structural MRI images and demographic data), builds a prediction of the diagnosis (sick with epilepsy or healthy).
  • the training sample can only consist of a set of constructed vectors of morphometric features.
  • vectors of informative features and demographic data of the patient are fed into the input.
  • Determining the diagnosis of schizophrenic disorder can be done in two ways.
  • This set of parameters will indicate which algorithm for extracting informative features was used at each stage of extracting informative features.
  • the extraction of informative features includes the following steps.
  • All voxels of the fMRI image in the BIDS format are divided into groups of voxels belonging to different regions of the brain (the parcelling procedure is performed using the NiLearn neuroimaging package); for each region of the brain, a time series representing it is selected; a correlation matrix is built between the selected time series, for example, through the Pearson correlation, transfer entropy; construct a vector consisting of eigenvalues (spectrum) of this matrix, which is a vector of informative features.
  • the constructed vectors of informative fMRI features of the patient are attached to the patient's demographic data and are a training sample for diagnosing epilepsy and are fed to classifier training using the "5 foldcross-validation, 5 repeats" cross-validation technology and an adaptive feature selection method.
  • the training sample can only consist of a set of constructed vectors of informative features.
  • the machine learning method classification by the support vector machine, using the technology of cross-validation "5 foldcross-validation, 5 repeats" and an adaptive method of feature selection are used.
  • DCS Diagnostic Classifier of Schizophrenia
  • Structural MRI data are pre-processed, undergoing processing to obtain morphometric features, as described above.
  • a DSH is formed, which, based on the input multimodal data of the diagnostic patient (consisting of structural MRI images and demographic data), builds a prediction of the diagnosis (sick with epilepsy or healthy).
  • the training sample can only consist of a set of constructed vectors of morphometric features.
  • the device (100) contains components such as: one or more processors (101), at least one memory (102), data storage (103), input/output interfaces (104), I/O ( 105), networking tools (106).
  • processors 101
  • memory 102
  • data storage 103
  • input/output interfaces 104
  • I/O 105
  • networking tools 106
  • the processor (101) of the device performs the basic computing operations necessary for the operation of the device (100) or the functionality of one or more of its components.
  • the processor (101) executes the necessary machine-readable instructions contained in the main memory (102).
  • the memory (102), as a rule, is made in the form of RAM and contains the necessary software logic that provides the required functionality.
  • the data storage means (103) can be in the form of HDD, SSD disks, raid array, network storage, flash memory, optical information storage devices (CD, DVD, MD, Blue-Ray disks), etc.
  • the tool (103) allows long-term storage of various types of information, for example, the above-mentioned files with user data sets, databases, containing records of time intervals measured for each user, user identifiers, etc.
  • Interfaces (104) are standard means for connecting and working with the server part, for example, USB, RS232, RJ45, LPT, COM, HDMI, PS/2, Lightning, FireWire, etc.
  • interfaces (104) depends on the specific implementation of the device (100), which can be a personal computer, mainframe, server cluster, thin client, smartphone, laptop, etc.
  • the keyboard must be used.
  • the keyboard hardware can be any known: it can be either a built-in keyboard used on a laptop or netbook, or a separate device connected to a desktop computer, server, or other computer device.
  • the connection can be either wired, in which the keyboard connection cable is connected to the PS / 2 or USB port located on the system unit of the desktop computer, or wireless, in which the keyboard exchanges data via a wireless communication channel, for example, a radio channel, with base station, which, in turn, is directly connected to the system unit, for example, to one of the USB ports.
  • the following I/O devices can also be used: joystick, display (touchscreen), projector, touchpad, mouse, trackball, light pen, speakers, microphone, etc.
  • Means of network interaction (106) are selected from a device that provides network data reception and transmission, for example, an Ethernet card, WLAN/Wi-Fi module, Bluetooth module, BLE module, NFC module, IrDa, RFID module, GSM modem, etc.
  • a device that provides network data reception and transmission for example, an Ethernet card, WLAN/Wi-Fi module, Bluetooth module, BLE module, NFC module, IrDa, RFID module, GSM modem, etc.
  • means (105) the organization of data exchange over a wired or wireless data transmission channel, for example, WAN, PAN, LAN (LAN), Intranet, Internet, WLAN, WMAN or GSM, is provided.
  • the components of the device (100) are connected via a common data bus (110).

Landscapes

  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

The present method comprises a preparatory step and a working step. First, using a computing device, structural MRI and fMRI neuroimaging data is obtained and converted into BIDS format. For the structural MRI data, feature vectors are constructed which describe morphometric features of different regions of the brain. For the fMRI data, a connectivity matrix is constructed which describes the functional connections between different regions of the brain, which are then converted into feature vectors. Using the feature vectors extracted, a machine learning model is trained, and a diagnostic classifier is obtained on the basis of the training result. In the working step, a feature vector extracted from the MRI data and/or the fMRI data is fed to the input of the diagnostic classifier and depression, epilepsy or schizophrenia disorder is detected at the output of the diagnostic classifier.

Description

СПОСОБ ВЫЯВЛЕНИЯ ДЕПРЕССИИ, ЭПИЛЕПСИИ ИЛИ ШИЗОФРЕНИЧЕСКОГО РАССТРОЙСТВА METHOD FOR DETECTING DEPRESSION, EPILEPSY OR SCHIZOPHRENIC DISORDER
ОБЛАСТЬ ТЕХНИКИ FIELD OF TECHNOLOGY
Настоящее техническое решение относится к области вычислительной техники, в частности, к способу выявления депрессии или эпилепсии, или шизофренического расстройства по данных структурной магнитно-резонансной томографии (МРТ) и функциональной МРТ (фМРТ) в состоянии покоя, при помощи машинного обучения. The present technical solution relates to the field of computer technology, in particular, to a method for detecting depression or epilepsy, or a schizophrenic disorder according to structural magnetic resonance imaging (MRI) and functional MRI (fMRI) at rest, using machine learning.
УРОВЕНЬ ТЕХНИКИ BACKGROUND OF THE INVENTION
Из уровня техники известен источник информации US 7,428,323 В2, 23.09.2008, раскрывающий способ и систему автоматической диагностики возможного заболевания головного мозга. Заявленный способ и система основаны на сканировании по меньшей мере одного изображения мозга пациента, содержащего по меньшей мере одну представляющую интерес характеристику, и соответствующий результат анализа медицинского профиля пациента. База данных, содержащая параметры, связанные по меньшей мере с одним признаком из множества изображений сканирования мозга, каждое из которых составлено из соответствующих данных пациента и вставлено в базу данных. В заявленном способе осуществляют поиск в базе данных набора соответствующих параметров, каждый из которых связан по меньшей мере с одним признаком, и где в отношении каждого признака по меньшей мере один из соответствующих параметров указывает профиль заболевания головного мозга. Known from the prior art is a source of information US 7,428,323 B2, 09/23/2008, which discloses a method and system for automatic diagnosis of a possible brain disease. The claimed method and system is based on a scan of at least one brain image of a patient containing at least one characteristic of interest, and the corresponding analysis result of the patient's medical profile. A database containing parameters associated with at least one feature from a plurality of brain scan images, each composed of relevant patient data and inserted into the database. In the claimed method, a database is searched for a set of relevant parameters, each of which is associated with at least one feature, and where for each feature, at least one of the relevant parameters indicates a brain disease profile.
Предлагаемое решение отличается от известных из уровня техники тем, что осуществляет определение заболевания депрессии или эпилепсии, или шизофренического расстройства на основе нейровизуализационных данных структурной МРТ или функциональной МРТ с применением методов машинного обучения с применением технологии перекрестной проверки «5 foldcross-validation, 5 repeats» и адаптивным способом отбора признаков. The proposed solution differs from those known from the prior art in that it determines the disease of depression or epilepsy, or a schizophrenic disorder based on neuroimaging data from structural MRI or functional MRI using machine learning methods using cross-validation technology "5 foldcross-validation, 5 repeats" and adaptive feature selection.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ SUMMARY OF THE INVENTION
Технической проблемой, на решение которой направлено заявленное техническое решение, является создание способа выявления депрессии или эпилепсии, или шизофренического расстройства по данным структурной МРТ и/или фМРТ, который охарактеризован в независимом пункте формулы. Дополнительные варианты реализации настоящего изобретения представлены в зависимых пунктах изобретения. The technical problem to be solved by the claimed technical solution is the creation of a method for detecting depression or epilepsy, or schizophrenic disorder according to structural MRI and/or fMRI, which is characterized in an independent claim. Additional embodiments of the present invention are presented in dependent claims.
Технический результат заключается в определении депрессии или эпилепсии, или шизофренического расстройства у пациента на основе данных структурной МРТ и/или фМРТ в состоянии покоя. The technical result consists in determining depression or epilepsy or schizophrenic disorder in a patient based on data from structural MRI and/or fMRI at rest.
Заявленный результат достигается за счет осуществления способа выявления депрессии или эпилепсии, или шизофренического расстройства по данным структурной МРТ и/или функциональной МРТ в состоянии покоя, содержащий: The claimed result is achieved by implementing a method for detecting depression or epilepsy, or a schizophrenic disorder according to structural MRI and/or functional MRI at rest, comprising:
Подготовительный этап, на котором: на вычислительном устройстве получают нейровизуализационные данные структурной МРТ и фМРТ; осуществляют предобработку полученных нейровизуализационных данных структурной МРТ и фМРТ и преобразуют предобработанные нейровизуализационные данные в формат BIDS; извлекают информативные признаки из нейровизуализационных данных: для нейровизуализационных данных структурной МРТ строят векторы признаков, описывающие морфометрические признаки различных областей мозга; для нейровизуализационных данных фМРТ строят матрицу коннективности, описывающую функциональные связи между различными областями мозга, которые затем преобразовываются в векторы признаков; на основе извлеченных векторов признаков обучают модели машинного обучения с применением адаптивного метода отбора признаков, при этом на вход алгоритмов машинного обучение подаются вектора МРТ или фМРТ данных; по результату обучения получают диагностический классификатор; The preparatory stage, at which: neuroimaging data of structural MRI and fMRI are obtained on a computing device; carry out preprocessing of the obtained neuroimaging data of structural MRI and fMRI and convert the preprocessed neuroimaging data into the BIDS format; extracting informative features from neuroimaging data: for neuroimaging data of structural MRI, feature vectors are constructed that describe morphometric features of various brain areas; for fMRI neuroimaging data, a connectivity matrix is built that describes the functional connections between different brain regions, which are then converted into feature vectors; based on the extracted feature vectors, machine learning models are trained using an adaptive feature selection method, while MRI or fMRI data vectors are fed to the input of machine learning algorithms; according to the result of training, a diagnostic classifier is obtained;
Рабочий этап, на котором: на вычислительном устройстве получают нейровизуализационные данные структурной МРТ и фМРТ; осуществляют предобработку полученных нейровизуализационных данных структурной МРТ и фМРТ и преобразуют предобработанные изображения в формат BIDS; извлекают информативные признаки из нейровизуализационных данных: для нейровизуализационных данных структурной МРТ строят векторы признаков, описывающие морфометрические признаки различных областей мозга; для нейровизуализационных данных фМРТ строят матрицу коннективности, описывающую функциональные связи между различными областями мозга, которые затем преобразовываются в векторы признаков; на вход диагностического классификатора подают извлеченный из данных МРТ и/или фМРТ вектор признаков, на выходе диагностического классификатора выявляют депрессию или эпилепсию, или шизофреническое расстройство. The working stage, at which: neuroimaging data of structural MRI and fMRI are obtained on the computing device; carry out pre-processing of the obtained neuroimaging data of structural MRI and fMRI and convert the pre-processed images into the BIDS format; extracting informative features from neuroimaging data: for neuroimaging data of structural MRI, feature vectors are constructed that describe morphometric features of various brain regions; for fMRI neuroimaging data, a connectivity matrix is built that describes the functional connections between different brain regions, which are then converted into feature vectors; a feature vector extracted from the MRI and/or fMRI data is fed to the input of the diagnostic classifier, depression or epilepsy, or schizophrenic disorder is detected at the output of the diagnostic classifier.
В частном варианте реализации предлагаемого технического решения, для классификации данных МРТ применяют алгоритм машинного обучения «логистическая регрессия». In a particular implementation of the proposed technical solution, the machine learning algorithm "logistic regression" is used to classify MRI data.
В другом частном варианте реализации предлагаемого технического решения, для классификации данных фМРТ применяют алгоритм машинного обучения «классификация методом опорных векторов». In another particular implementation of the proposed technical solution, the fMRI data classification uses the machine learning algorithm "classification by support vector machine".
В другом частном варианте реализации предлагаемого технического решения, диагностический классификатор включает решающее правило и характеристики его достоверности. In another particular embodiment of the proposed technical solution, the diagnostic classifier includes a decision rule and characteristics of its reliability.
ОПИСАНИЕ ЧЕРТЕЖЕЙ DESCRIPTION OF THE DRAWINGS
Реализация изобретения будет описана в дальнейшем в соответствии с прилагаемыми чертежами, которые представлены для пояснения сути изобретения и никоим образом не ограничивают область изобретения. К заявке прилагаются следующие чертежи: The implementation of the invention will be described hereinafter in accordance with the accompanying drawings, which are presented to explain the essence of the invention and in no way limit the scope of the invention. The following drawings are attached to the application:
Фиг. 1 иллюстрирует пример общей схемы вычислительного устройства. Fig. 1 illustrates an example of a general design of a computing device.
ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ DETAILED DESCRIPTION OF THE INVENTION
В приведенном ниже подробном описании реализации изобретения приведены многочисленные детали реализации, призванные обеспечить отчетливое понимание настоящего изобретения. Однако, квалифицированному в предметной области специалисту, будет очевидно каким образом можно использовать настоящее изобретение, как с данными деталями реализации, так и без них. В других случаях хорошо известные методы, процедуры и компоненты не были описаны подробно, чтобы не затруднять излишне понимание особенностей настоящего изобретения. In the following detailed description of the implementation of the invention, numerous implementation details are provided to provide a clear understanding of the present invention. However, one skilled in the art will appreciate how the present invention can be used, both with and without these implementation details. In other instances, well-known methods, procedures, and components have not been described in detail so as not to unnecessarily obscure the features of the present invention.
Кроме того, из приведенного изложения будет ясно, что изобретение не ограничивается приведенной реализацией. Многочисленные возможные модификации, изменения, вариации и замены, сохраняющие суть и форму настоящего изобретения, будут очевидными для квалифицированных в предметной области специалистов. Предлагаемый способ выявления депрессии или эпилепсии, или шизофренического расстройства по нейровизуализационным данным (изображениям) структурной МРТ и функциональной МРТ в состоянии покоя выполняется на вычислительном устройстве. Moreover, it will be clear from the foregoing that the invention is not limited to the present implementation. Numerous possible modifications, changes, variations and substitutions that retain the spirit and form of the present invention will be apparent to those skilled in the subject area. The proposed method for detecting depression or epilepsy, or schizophrenic disorder by neuroimaging data (images) of structural MRI and functional MRI at rest is performed on a computing device.
На подготовительном этапе, на вычислительное устройство поступают мультимодальные биомедицинские данные пациента, которые включают: At the preparatory stage, the computing device receives multimodal biomedical data of the patient, which include:
- демографические данные пациента (пол, возраст); - demographic data of the patient (gender, age);
- необработанные нейровизуализационные данные пациента: Т1 изображения структурной МРТ и Т2* - EPI последовательности фМРТ в состоянии покоя (состоящие из не менее чем шестнадцати отсчетов времени) с заданными параметрами [TR, Acquisitionprotocol] в соответствующих заголовках файлов формата DICOM. - raw neuroimaging data of the patient: T1 structural MRI images and T2* - EPI fMRI sequences at rest (consisting of at least sixteen time samples) with the specified parameters [TR, Acquisitionprotocol] in the corresponding DICOM file headers.
Осуществляют предобработку изображений структурной МРТ и функциональной МРТ в состоянии покоя. Structural MRI and functional MRI images are preprocessed at rest.
Для определения депрессии на этапе предобработки изображений структурной МРТ и фМРТ в состоянии покоя осуществляют конвертацию структурной МРТ и фМРТ в состоянии покоя из формата DICOM в формат BIDS, посредством общеизвестных методов, которые включены в работу предлагаемого способа. Полученные данные фМРТ в состоянии покоя проходят очистку от шумов, корегистрацию со структурной МРТ и нормализацию. To determine depression at the stage of pre-processing of structural MRI and fMRI images at rest, structural MRI and fMRI at rest are converted from the DICOM format to the BIDS format using well-known methods that are included in the operation of the proposed method. The obtained fMRI data at rest are denoised, co-registered with structural MRI, and normalized.
Результатом предобработки являются фМРТ-данные коррегистрированные с данными структурной МРТ в формате BIDS, а также отдельно данные структурной МРТ в формате BIDS. The result of preprocessing is fMRI data correlative with structural MRI data in the BIDS format, as well as separately structural MRI data in the BIDS format.
Определение диагноза депрессии может быть реализовано двумя способами. Defining a diagnosis of depression can be done in two ways.
1 . Определение депрессии по функциональным данным МРТ. one . Determination of depression according to functional MRI data.
После предобработки данных из фМРТ изображений, коррегистрированных с данными структурной МРТ в формате BIDS извлекают информативные признаки путем фиксации набора параметров, выбранных пользователем, например, но не ограничиваясь, выбор временного ряда региона мозга: среднее, главная компонента, медиана и другие, по-разному вычислять зависимости между выделенными временными рядами. Данный набор параметров будет указывать, какой именно алгоритм извлечения информативных признаков использовался на каждом этапе извлечения информативных признаков. Для определения разных диагнозов информативные признаки будут разные. After pre-processing data from fMRI images, correlative with structural MRI data in the BIDS format, informative features are extracted by fixing a set of parameters selected by the user, for example, but not limited to, choosing the time series of the brain region: mean, main component, median, and others, in different ways. calculate dependencies between selected time series. This set of parameters will indicate which algorithm for extracting informative features was used at each stage of extracting informative features. To determine different diagnoses, informative signs will be different.
Извлечение информативных признаков включает следующие этапы. Все воксели фМРТ-изображения в формате BIDS разбиваются на группы векселей относящихся к различным регионам мозга (процедура парцелляции производится с использованием нейровизуализационного пакета NiLearn); для каждого региона мозга выбирается представляющий его временной ряд; строится корреляционная матрица между выбранными временными рядами, например, посредством корреляции Пирсона, трансферной энтропии; строят вектор, состоящий из собственных чисел (спектра) этой матрицы, который является вектором информативных признаков. The extraction of informative features includes the following steps. All voxels of an fMRI image in the BIDS format are divided into groups of voxels belonging to different regions of the brain (the parcelling procedure is performed using the NiLearn neuroimaging package); for each region of the brain, a time series representing it is selected; a correlation matrix is built between the selected time series, for example, through the Pearson correlation, transfer entropy; construct a vector consisting of eigenvalues (spectrum) of this matrix, which is a vector of informative features.
Построенные вектора информативных признаков фМРТ в состоянии покоя пациента присоединяются к демографическим данным пациента и являются обучающей выборкой для диагностики депрессии и подаются на обучение классификатора с применением технологии перекрестной проверки «5 foldcrossvalidation, 5 repeats» и адаптивным способом отбора признаков. The constructed vectors of informative fMRI features in the patient's resting state are attached to the patient's demographic data and are a training sample for diagnosing depression and are fed to the classifier training using the "5 foldcrossvalidation, 5 repeats" cross-validation technology and the adaptive feature selection method.
В частном варианте реализации обучающая выборка может состоять только из набора построенных векторов информативных признаков. In a particular implementation, the training sample can only consist of a set of constructed vectors of informative features.
При обучении классификатора применяется метод машинного обучения, классификация методом опорных векторов, с применением технологии перекрестной проверки «5 foldcross-validation, 5 repeats» и адаптивным способом отбора признаков. When training the classifier, the machine learning method, classification by the support vector machine, using the technology of cross-validation "5 foldcross-validation, 5 repeats" and an adaptive method of feature selection are used.
Адаптивный способ отбора признаков реализует выбор признаков для дальнейшего обучения на основе статистических тестов (chi2-test или t-test) или показателей важности признаков для моделей машинного обучения (featuresscore) из предварительной модели машинного обучения. Количество выбираемых признаков адаптируется под размер обучающей выборки и происходит скользящий поиск (cross- validation) из следующего набора вариантов: [д/п,п/2,п], где п - количество элементов обучающей выборки. The adaptive feature selection method implements feature selection for further learning based on statistical tests (chi2-test or t-test) or feature importance scores for machine learning models (featuresscore) from a preliminary machine learning model. The number of selected features is adapted to the size of the training sample and cross-validation occurs from the following set of options: [d/p,p/2,p], where n is the number of training sample elements.
Адаптивный способ отбора признаков включает технологическое решение преобразования признаков, извлеченных из изображений структурной МРТ или фМРТ в состоянии покоя для снижения размерности геометрическими методами анализа компонент РСА и ICA. В этом случае количество выбранных компонентов п должно объяснять минимум 95% дисперсии данных. The adaptive feature selection method includes a technological solution for transforming features extracted from structural MRI or fMRI images at rest for dimensionality reduction by geometric methods of analysis of the SAR and ICA components. In this case, the number of selected components n should explain at least 95% of the variance in the data.
Поиск лучшего решения среди двух вышеописанных признаков позволяет построить устойчивые и точные модели в терминах выбранной метрики качества (в данном случае ROC/AUC). The search for the best solution among the two features described above allows you to build stable and accurate models in terms of the selected quality metric (in this case, ROC/AUC).
В результате обучения формируется предсказательная модель Диагностический Классификатор Депрессии (ДКД), который по входным мультимодальным данным пациента диагностики (состоящим из изображений структурного MPT и фМРТ покоя) осуществляет предсказание диагноза (болен депрессией или здоров). As a result of training, a predictive model is formed, the Diagnostic Classifier of Depression (DCD), which, according to the input multimodal data of the diagnostic patient (consisting of images structural MRI and resting fMRI) predicts the diagnosis (sick with depression or healthy).
Построенная предсказательная модель для определения депрессии имеет следующие характеристики достоверности: The constructed predictive model for determining depression has the following reliability characteristics:
• специфичность модели: 78%, • model specificity: 78%,
• чувствительность модели: 66%. • model sensitivity: 66%.
По умолчанию алгоритм максимизирует взвешенную сумму чувствительности и специфичности предсказательной модели. Дополнительно предусмотрен выбор пользователем конкретного значения чувствительности или специфичности модели для представляемого предсказания. By default, the algorithm maximizes the weighted sum of the sensitivity and specificity of the predictive model. Additionally, the user can select a particular sensitivity or model specificity value for the prediction being presented.
В частном варианте реализации, ДКД для определения депрессии строится, с применением метода глубинного обучения, а именно - с использованием трехмерной сверточной нейронной сети глубинного обучения архитектуры VoxNet с рекуррентной структурой. На вход сверточной нейронной сети подаются трехмерные МРТ изображения в формате*. nii, прошедшие предварительную обработку и демографические данные пациентов, на выходе сверточная нейронная сеть предсказывает диагноз, болен пациент или здоров. In a particular implementation, the DCD for determining depression is built using the deep learning method, namely, using a three-dimensional deep learning convolutional neural network of the VoxNet architecture with a recurrent structure. The input of the convolutional neural network is 3D MRI images in * format. nii preprocessed and patient demographics, the output of the convolutional neural network predicts the diagnosis of whether the patient is sick or healthy.
2. Определение депрессии по структурным данным МРТ. 2. Determination of depression according to structural MRI data.
В данном случае на вход классификатора поступают данные структурного МРТ сканирования и демографические данные. In this case, structural MRI scan data and demographic data are input to the classifier.
Осуществляют предобработку данных структурной МРТ, проходя обработку для получения морфометричексих признаков. Обработка для получения морфометрических признаков может быть осуществлена при помощи, например, программы FreeSurfer, FSLStructural MRI data are pre-processed, undergoing processing to obtain morphometric features. Processing to obtain morphometric features can be carried out using, for example, the program FreeSurfer, FSL
(https://fsl.fmrib.ox.ac.uk/fslcourse/lectures/practicals/seg_struc/index.html) или САТ12 (http://www.neuro.uni-jena.de/cat/). В случае их использования генерируются альтернативные признаки морфометрии на основе других алгоритмов, которые также могут иметь предсказательную способность, например, SPM8 New-segmentation routine (новый алгоритм сегментации), который используется в CAT. В панели управления FSL используют FMRIB Automated Segmentation Tool (FAST). Также, возможно извлечение признаков из альтернативных модельностей МРТ данных (DTI, Flair, T2w). Выделение морфометрических признаков содержит несколько этапов. (https://fsl.fmrib.ox.ac.uk/fslcourse/lectures/practicals/seg_struc/index.html) or CAT12 (http://www.neuro.uni-jena.de/cat/). If used, alternative morphometric features are generated based on other algorithms that may also have predictive capability, such as the SPM8 New-segmentation routine used in CAT. The FSL control panel uses the FMRIB Automated Segmentation Tool (FAST). It is also possible to extract features from alternative models of MRI data (DTI, Flair, T2w). The selection of morphometric features contains several stages.
Разбивают головной мозг на различные области (зоны, регионы), при помощи анатомических атласов мозга. Число таких регионов обычно больше сотни (например, атлас Desikan-Killianyatlas разбивает мозг на 109 регионов. Для каждого региона вычисляется от 7 до 9 геометрических характеристик региона - объем региона, площадь поверхности региона, и т.п. The brain is divided into different areas (zones, regions), using anatomical atlases of the brain. The number of such regions is usually more than a hundred (for example, the Desikan-Killianyatlas atlas divides the brain into 109 regions. For each region, from 7 to 9 geometric characteristics of the region are calculated - the volume of the region, the surface area of the region, etc.
Так, например, программа FreeSurfer дает вектор геометрических характеристик размерности 894. So, for example, the FreeSurfer program gives a vector of geometric characteristics of dimension 894.
Из полученных на этапе предобработки морфометрических признаков строят векторы признаков, которые объединяются с демографическими данными пациента и представляют собой обучающую выборку. From the morphometric features obtained at the preprocessing stage, feature vectors are built, which are combined with the patient's demographic data and represent a training set.
При обучении классификатора применяется метод машинного обучения, логистическая регрессия, с применением технологии перекрестной проверки «5 foldcross-validation, 5 repeats» и адаптивным способом отбора признаков. Строится решающее правило для определения депрессии. When training the classifier, the machine learning method, logistic regression, is used, using the cross-validation technology "5 foldcross-validation, 5 repeats" and an adaptive feature selection method. A decision rule is constructed to define depression.
Для определения депрессии, в результате обучения формируется ДКД, который по входным мультимодальным данным пациента диагностики (состоящим из изображений структурного МРТ и демографических данных) строит предсказание диагноза (болен депрессией или здоров). To determine depression, as a result of training, a DCD is formed, which, based on the input multimodal data of the diagnostic patient (consisting of structural MRI images and demographic data), builds a prediction of the diagnosis (sick with depression or healthy).
Возможно применение нейросетевых методов к изображениям напрямую без предобработки, пропуская этап извлечения информативных признаков (https://www.healtheuropa.eu/epilepsy-in-children/89195/). Или же алгоритмы могут быть построены исходя из имеющихся в литературе знаний о заболевании, без применения моделей Машинного Обучения и их оптимизации (https://onlinelibrary.wiley.eom/doi/full/10.1002/hbm.25037). It is possible to apply neural network methods to images directly without preprocessing, skipping the step of extracting informative features (https://www.healtheuropa.eu/epilepsy-in-children/89195/). Or algorithms can be built based on the knowledge available in the literature about the disease, without using Machine Learning models and their optimization (https://onlinelibrary.wiley.eom/doi/full/10.1002/hbm.25037).
В частном варианте реализации обучающая выборка может состоять только из набора построенных векторов морфометрических признаков. In a particular implementation, the training sample can only consist of a set of constructed vectors of morphometric features.
Для диагностирования эпилепсии на этапе обучения модели на вход подают векторы информативных признаков и демографические данные пациента. To diagnose epilepsy, at the stage of training the model, vectors of informative features and demographic data of the patient are fed into the input.
Определение диагноза эпилепсии может быть реализовано двумя способами. Determining the diagnosis of epilepsy can be done in two ways.
1 . Определение эпилепсии по функциональным данным МРТ. one . Definition of epilepsy according to functional MRI data.
После предобработки данных из фМРТ изображений, коррегистрированных с данными структурной МРТ в формате BIDS извлекают информативные признаки путем фиксации набора параметров, выбранных пользователем, например, но не ограничиваясь, признаки функциональной коннективности в виде матрицы корреляций, графовых признаков на матрице корреляций, топологические характеристики. After pre-processing data from fMRI images, correlative with structural MRI data in BIDS format, informative features are extracted by fixing a set of parameters selected by the user, for example, but not limited to, functional connectivity features in the form of a correlation matrix, graph features on a correlation matrix, topological characteristics.
Данный набор параметров будет указывать, какой именно алгоритм извлечения информативных признаков использовался на каждом этапе извлечения информативных признаков. Извлечение информативных признаков включает следующие этапы. This set of parameters will indicate which algorithm for extracting informative features was used at each stage of extracting informative features. The extraction of informative features includes the following steps.
Все воксели фМРТ-изображения в формате BIDS разбиваются на группы вокселей относящихся к различным регионам мозга (процедура парцелляции производится с использованием нейровизуализационного пакета NiLearn); для каждого региона мозга выбирается представляющий его временной ряд; строится корреляционная матрица между выбранными временными рядами, например, посредством корреляции Пирсона, трансферной энтропии; строят вектор, состоящий из собственных чисел (спектра) этой матрицы, который является вектором информативных признаков. All voxels of the fMRI image in the BIDS format are divided into groups of voxels belonging to different regions of the brain (the parcelling procedure is performed using the NiLearn neuroimaging package); for each region of the brain, a time series representing it is selected; a correlation matrix is built between the selected time series, for example, through the Pearson correlation, transfer entropy; construct a vector consisting of eigenvalues (spectrum) of this matrix, which is a vector of informative features.
Построенные вектора информативных признаков фМРТ пациента присоединяются к демографическим данным пациента и являются обучающей выборкой для диагностирования эпилепсии и подаются на обучение классификатора с применением технологии перекрестной проверки «5 foldcross-validation, 5 repeats» и адаптивным способом отбора признаков. The constructed vectors of informative fMRI features of the patient are attached to the patient's demographic data and are a training sample for diagnosing epilepsy and are fed to classifier training using the "5 foldcross-validation, 5 repeats" cross-validation technology and an adaptive feature selection method.
В частном варианте реализации обучающая выборка может состоять только из набора построенных векторов информативных признаков. In a particular implementation, the training sample can only consist of a set of constructed vectors of informative features.
При обучении классификатора применяется метод машинного обучения, классификация методом опорных векторов, с применением технологии перекрестной проверки «5 foldcross-validation, 5 repeats» и адаптивным способом отбора признаков. When training the classifier, the machine learning method, classification by the support vector machine, using the technology of cross-validation "5 foldcross-validation, 5 repeats" and an adaptive method of feature selection are used.
В результате обучения формируется предсказательная модель Диагностический Классификатор Эпилепсии (ДКЭ), который по входным мультимодальным данным пациента диагностики (состоящим из изображений структурного МРТ и фМРТ покоя и демографических данных) осуществляет предсказание диагноза (болен эпилепсией или здоров). As a result of training, a predictive model, the Diagnostic Classifier of Epilepsy (DCE), is formed, which, based on the input multimodal data of the diagnostic patient (consisting of structural MRI and fMRI images of rest and demographic data), predicts the diagnosis (sick with epilepsy or healthy).
Построенная предсказательная модель имеет следующие характеристики достоверности: The constructed predictive model has the following reliability characteristics:
• специфичность модели: 88%; • model specificity: 88%;
• чувствительность модели: 71%; • model sensitivity: 71%;
По умолчанию алгоритм выбирает прогноз, максимизирующий взвешенную сумму чувствительности и специфичности модели. Дополнительно предусмотрен выбор пользователем конкретной чувствительности или специфичности модели, для представляемого предсказания. By default, the algorithm chooses the prediction that maximizes the weighted sum of the model's sensitivity and specificity. Additionally, the user can select the particular sensitivity or specificity of the model for the prediction being presented.
2. Определение эпилепсии по структурным данным МРТ. 2. Definition of epilepsy according to the structural data of MRI.
В данном случае на вход классификатора поступают данные структурного МРТ сканирования и демографические данные. Осуществляют предобработку данных структурной МРТ, проходя обработку для получения морфометрических признаков, как описано выше. In this case, structural MRI scan data and demographic data are input to the classifier. Structural MRI data are pre-processed, undergoing processing to obtain morphometric features, as described above.
Из полученных на этапе предобработки морфометрических признаков (средняя интенсивность вокселей левой части мозжечка, минимальная интенсивность вокселей постериорной части мозолистого тела, диапазон значений правой миндалины) строят векторы признаков, которые объединяются с демографическими данными пациента и представляют собой обучающую выборку. From the morphometric features obtained at the preprocessing stage (mean intensity of voxels of the left part of the cerebellum, the minimum intensity of voxels of the posterior part of the corpus callosum, the range of values of the right amygdala), feature vectors are built, which are combined with the demographic data of the patient and represent a training set.
При обучении классификатора применяется метод машинного обучения, логистическая регрессия, с применением технологии перекрестной проверки «5 foldcross-validation, 5 repeats» и адаптивным способом отбора признаков. Строится решающее правило для определения эпилепсии. When training the classifier, the machine learning method, logistic regression, is used, using the cross-validation technology "5 foldcross-validation, 5 repeats" and an adaptive feature selection method. A decision rule is being built to determine epilepsy.
Для определения эпилепсии, в результате обучения формируется ДКЭ, который по входным мультимодальным данным пациента диагностики (состоящим из изображений структурного МРТ и демографических данных) строит предсказание диагноза (болен эпилепсией или здоров). To determine epilepsy, as a result of training, a DCE is formed, which, based on the input multimodal data of the diagnostic patient (consisting of structural MRI images and demographic data), builds a prediction of the diagnosis (sick with epilepsy or healthy).
Возможно применение нейросетевых методов к изображениям напрямую без предобработки, пропуская этап извлечения информативных признаков (https://www.healtheuropa.eu/epilepsy-in-children/89195/). Или же алгоритмы могут быть построены исходя из имеющихся в литературе знаний о заболевании, без применения моделей Машинного Обучения и их оптимизации (https://onlinelibrary.wiley.eom/doi/full/10.1002/hbm.25037). It is possible to apply neural network methods to images directly without preprocessing, skipping the step of extracting informative features (https://www.healtheuropa.eu/epilepsy-in-children/89195/). Or algorithms can be built based on the knowledge available in the literature about the disease, without using Machine Learning models and their optimization (https://onlinelibrary.wiley.eom/doi/full/10.1002/hbm.25037).
В частном варианте реализации обучающая выборка может состоять только из набора построенных векторов морфометрических признаков. In a particular implementation, the training sample can only consist of a set of constructed vectors of morphometric features.
Для диагностирования шизофренического расстройства на этапе обучения модели на вход подают векторы информативных признаков и демографические данные пациента. To diagnose a schizophrenic disorder, at the stage of training the model, vectors of informative features and demographic data of the patient are fed into the input.
Определение диагноза шизофреническое расстройство может быть реализовано двумя способами. Determining the diagnosis of schizophrenic disorder can be done in two ways.
1 . Определение шизофренического расстройства по функциональным данным МРТ. one . Definition of schizophrenic disorder according to functional MRI data.
После предобработки данных из фМРТ изображений коррегистрированных с данными структурной МРТ в формате BIDS извлекают информативные признаки путем фиксации набора параметров, выбранных пользователем. After pre-processing of data from fMRI images, corrected with structural MRI data in the BIDS format, informative features are extracted by fixing a set of parameters selected by the user.
Данный набор параметров будет указывать, какой именно алгоритм извлечения информативных признаков использовался на каждом этапе извлечения информативных признаков. Извлечение информативных признаков включает следующие этапы. This set of parameters will indicate which algorithm for extracting informative features was used at each stage of extracting informative features. The extraction of informative features includes the following steps.
Все воксели фМРТ-изображения в формате BIDS разбиваются на группы вокселей относящихся к различным регионам мозга (процедура парцелляции производится с использованием нейровизуализационного пакета NiLearn); для каждого региона мозга выбирается представляющий его временной ряд; строится корреляционная матрица между выбранными временными рядами, например, посредством корреляции Пирсона, трансферной энтропии; строят вектор, состоящий из собственных чисел (спектра) этой матрицы, который является вектором информативных признаков. All voxels of the fMRI image in the BIDS format are divided into groups of voxels belonging to different regions of the brain (the parcelling procedure is performed using the NiLearn neuroimaging package); for each region of the brain, a time series representing it is selected; a correlation matrix is built between the selected time series, for example, through the Pearson correlation, transfer entropy; construct a vector consisting of eigenvalues (spectrum) of this matrix, which is a vector of informative features.
Построенные вектора информативных признаков фМРТ пациента присоединяются к демографические данные пациента и являются обучающей выборкой для диагностирования эпилепсии и подаются на обучение классификатора с применением технологии перекрестной проверки «5 foldcross-validation, 5 repeats» и адаптивным способом отбора признаков. The constructed vectors of informative fMRI features of the patient are attached to the patient's demographic data and are a training sample for diagnosing epilepsy and are fed to classifier training using the "5 foldcross-validation, 5 repeats" cross-validation technology and an adaptive feature selection method.
В частном варианте реализации обучающая выборка может состоять только из набора построенных векторов информативных признаков. In a particular implementation, the training sample can only consist of a set of constructed vectors of informative features.
При обучении классификатора применяется метод машинного обучения, классификация методом опорных векторов, с применением технологии перекрестной проверки «5 foldcross-validation, 5 repeats» и адаптивным способом отбора признаков. When training the classifier, the machine learning method, classification by the support vector machine, using the technology of cross-validation "5 foldcross-validation, 5 repeats" and an adaptive method of feature selection are used.
В результате обучения формируется предсказательная модель Диагностический Классификатор Шизофрении (ДКШ), который по входным мультимодальным данным пациента диагностики (состоящим из изображений структурного МРТ и фМРТ покоя и демографических данных) строит предсказание диагноза (страдает шизофреническим расстройством или здоров). As a result of training, a predictive model, the Diagnostic Classifier of Schizophrenia (DCS), is formed, which, based on the input multimodal data of the diagnostic patient (consisting of structural MRI and fMRI images of rest and demographic data), builds a diagnosis prediction (suffers from a schizophrenic disorder or is healthy).
Построенная предсказательная модель имеет следующие характеристики достоверности: The constructed predictive model has the following reliability characteristics:
• специфичность модели: 75%; • model specificity: 75%;
• чувствительность модели: 64%; • model sensitivity: 64%;
2. Определение шизофренического расстройства по структурным данным МРТ. 2. Definition of schizophrenic disorder according to structural MRI data.
В данном случае на вход классификатора поступают данные структурного МРТ сканирования и демографические данные. In this case, structural MRI scan data and demographic data are input to the classifier.
Осуществляют предобработку данных структурной МРТ, проходя обработку для получения морфометрических признаков, как описано выше. Structural MRI data are pre-processed, undergoing processing to obtain morphometric features, as described above.
Из полученных на этапе предобработки морфометрических признаков, относящихся к шизофреническому расстройству, строят векторы признаков, которые объединяются с демографическими данными пациента и представляют собой обучающую выборку. При обучении классификатора применяется метод машинного обучения, логистическая регрессия, с применением технологии перекрестной проверки «5 foldcross-validation, 5 repeats» и адаптивным способом отбора признаков. Строится решающее правило для определения шизофренического расстройства. From the morphometric features related to schizophrenic disorder obtained at the preprocessing stage, vectors of features are built, which are combined with patient demographics to form the training sample. When training the classifier, the machine learning method, logistic regression, is used, using the cross-validation technology "5 foldcross-validation, 5 repeats" and an adaptive feature selection method. A decision rule is being constructed to define a schizophrenic disorder.
Для определения шизофренического расстройства, в результате обучения формируется ДКШ, который по входным мультимодальным данным пациента диагностики (состоящим из изображений структурного МРТ и демографических данных) строит предсказание диагноза (болен эпилепсией или здоров). To determine a schizophrenic disorder, as a result of training, a DSH is formed, which, based on the input multimodal data of the diagnostic patient (consisting of structural MRI images and demographic data), builds a prediction of the diagnosis (sick with epilepsy or healthy).
Возможно применение нейросетевых методов к изображениям напрямую без предобработки, пропуская этап извлечения информативных признаков (https://www.healtheuropa.eu/epilepsy-in-children/89195/). Или же алгоритмы могут быть построены исходя из имеющихся в литературе знаний о заболевании, без применения моделей Машинного Обучения и их оптимизации (https://onlinelibrary.wiley.eom/doi/full/10.1002/hbm.25037). It is possible to apply neural network methods to images directly without preprocessing, skipping the step of extracting informative features (https://www.healtheuropa.eu/epilepsy-in-children/89195/). Or algorithms can be built based on the knowledge available in the literature about the disease, without using Machine Learning models and their optimization (https://onlinelibrary.wiley.eom/doi/full/10.1002/hbm.25037).
В частном варианте реализации обучающая выборка может состоять только из набора построенных векторов морфометрических признаков. In a particular implementation, the training sample can only consist of a set of constructed vectors of morphometric features.
На Фиг. 1 далее будет представлена общая схема вычислительного устройства (100), обеспечивающего обработку данных, необходимую для реализации заявленного решения. On FIG. 1, the general scheme of the computing device (100) will be presented below, providing the data processing necessary for the implementation of the claimed solution.
В общем случае устройство (100) содержит такие компоненты, как: один или более процессоров (101), по меньшей мере одну память (102), средство хранения данных (103), интерфейсы ввода/вывода (104), средство В/В (105), средства сетевого взаимодействия (106). In general, the device (100) contains components such as: one or more processors (101), at least one memory (102), data storage (103), input/output interfaces (104), I/O ( 105), networking tools (106).
Процессор (101) устройства выполняет основные вычислительные операции, необходимые для функционирования устройства (100) или функциональности одного или более его компонентов. Процессор (101) исполняет необходимые машиночитаемые команды, содержащиеся в оперативной памяти (102). The processor (101) of the device performs the basic computing operations necessary for the operation of the device (100) or the functionality of one or more of its components. The processor (101) executes the necessary machine-readable instructions contained in the main memory (102).
Память (102), как правило, выполнена в виде ОЗУ и содержит необходимую программную логику, обеспечивающую требуемый функционал. The memory (102), as a rule, is made in the form of RAM and contains the necessary software logic that provides the required functionality.
Средство хранения данных (103) может выполняться в виде HDD, SSD дисков, рейд массива, сетевого хранилища, флэш-памяти, оптических накопителей информации (CD, DVD, MD, Blue-Ray дисков) и т.п. Средство (103) позволяет выполнять долгосрочное хранение различного вида информации, например, вышеупомянутых файлов с наборами данных пользователей, базы данных, содержащих записи измеренных для каждого пользователя временных интервалов, идентификаторов пользователей и т.п. The data storage means (103) can be in the form of HDD, SSD disks, raid array, network storage, flash memory, optical information storage devices (CD, DVD, MD, Blue-Ray disks), etc. The tool (103) allows long-term storage of various types of information, for example, the above-mentioned files with user data sets, databases, containing records of time intervals measured for each user, user identifiers, etc.
Интерфейсы (104) представляют собой стандартные средства для подключения и работы с серверной частью, например, USB, RS232, RJ45, LPT, COM, HDMI, PS/2, Lightning, FireWire и т.п. Interfaces (104) are standard means for connecting and working with the server part, for example, USB, RS232, RJ45, LPT, COM, HDMI, PS/2, Lightning, FireWire, etc.
Выбор интерфейсов (104) зависит от конкретного исполнения устройства (100), которое может представлять собой персональный компьютер, мейнфрейм, серверный кластер, тонкий клиент, смартфон, ноутбук и т.п. The choice of interfaces (104) depends on the specific implementation of the device (100), which can be a personal computer, mainframe, server cluster, thin client, smartphone, laptop, etc.
В качестве средств В/В данных (105) в любом воплощении системы, реализующей описываемый способ, должна использоваться клавиатура. Аппаратное исполнение клавиатуры может быть любым известным: это может быть, как встроенная клавиатура, используемая на ноутбуке или нетбуке, так и обособленное устройство, подключенное к настольному компьютеру, серверу или иному компьютерному устройству. Подключение при этом может быть, как проводным, при котором соединительный кабель клавиатуры подключен к порту PS/2 или USB, расположенному на системном блоке настольного компьютера, так и беспроводным, при котором клавиатура осуществляет обмен данными по каналу беспроводной связи, например, радиоканалу, с базовой станцией, которая, в свою очередь, непосредственно подключена к системному блоку, например, к одному из USB- портов. Помимо клавиатуры, в составе средств В/В данных также может использоваться: джойстик, дисплей (сенсорный дисплей), проектор, тачпад, манипулятор мышь, трекбол, световое перо, динамики, микрофон и т.п. As means of I/O data (105) in any embodiment of the system that implements the described method, the keyboard must be used. The keyboard hardware can be any known: it can be either a built-in keyboard used on a laptop or netbook, or a separate device connected to a desktop computer, server, or other computer device. In this case, the connection can be either wired, in which the keyboard connection cable is connected to the PS / 2 or USB port located on the system unit of the desktop computer, or wireless, in which the keyboard exchanges data via a wireless communication channel, for example, a radio channel, with base station, which, in turn, is directly connected to the system unit, for example, to one of the USB ports. In addition to the keyboard, the following I/O devices can also be used: joystick, display (touchscreen), projector, touchpad, mouse, trackball, light pen, speakers, microphone, etc.
Средства сетевого взаимодействия (106) выбираются из устройства, обеспечивающий сетевой прием и передачу данных, например, Ethernet карту, WLAN/Wi-Fi модуль, Bluetooth модуль, BLE модуль, NFC модуль, IrDa, RFID модуль, GSM модем и т.п. С помощью средств (105) обеспечивается организация обмена данными по проводному или беспроводному каналу передачи данных, например, WAN, PAN, ЛВС (LAN), Интранет, Интернет, WLAN, WMAN или GSM. Means of network interaction (106) are selected from a device that provides network data reception and transmission, for example, an Ethernet card, WLAN/Wi-Fi module, Bluetooth module, BLE module, NFC module, IrDa, RFID module, GSM modem, etc. With the help of means (105) the organization of data exchange over a wired or wireless data transmission channel, for example, WAN, PAN, LAN (LAN), Intranet, Internet, WLAN, WMAN or GSM, is provided.
Компоненты устройства (100) сопряжены посредством общей шины передачи данных (110). The components of the device (100) are connected via a common data bus (110).
В настоящих материалах заявки было представлено предпочтительное раскрытие осуществление заявленного технического решения, которое не должно использоваться как ограничивающее иные, частные воплощения его реализации, которые не выходят за рамки испрашиваемого объема правовой охраны и являются очевидными для специалистов в соответствующей области техники. In these application materials, a preferred disclosure of the implementation of the claimed technical solution was presented, which should not be used as limiting other, private embodiments of its implementation, which do not go beyond the scope of the requested legal protection and are obvious to specialists in the relevant field of technology.

Claims

Формула Formula
1. Способ выявления депрессии по данным структурной МРТ и функциональной МРТ (фМРТ) в состоянии покоя, содержащий: 1. A method for detecting depression according to structural MRI and functional MRI (fMRI) at rest, comprising:
Подготовительный этап, на котором: на вычислительном устройстве получают нейровизуализационные данные структурной МРТ и фМРТ в состоянии покоя; осуществляют предобработку полученных нейровизуализационных данных структурной МРТ и фМРТ и преобразуют предобработанные нейровизуализационные данные в формат BIDS; извлекают информативные признаки из нейровизуализационных данных: для нейровизуализационных данных структурной МРТ строят векторы признаков, описывающие морфометрические признаки различных областей мозга; для нейровизуализационных данных фМРТ, все воксели фМРТ-изображения разбивают на группы, относящиеся к регионам мозга, для каждого региона мозга выбирают представляющий его временной ряд, строят корреляционную матрицу между выбранными временными рядами, строят вектор, состоящий из собственных чисел построенной матрицы; на основе построенных векторов информативных признаков и демографических данных пациента обучают модели машинного обучения с применением адаптивного метода отбора признаков, при этом на вход алгоритмов машинного обучение подаются вектора МРТ или фМРТ данных; по результату обучения получают диагностический классификатор; The preparatory stage, at which: neuroimaging data of structural MRI and fMRI are obtained on the computing device at rest; carry out pre-processing of the obtained neuroimaging data of structural MRI and fMRI and convert the preprocessed neuroimaging data into the BIDS format; extracting informative features from neuroimaging data: for neuroimaging data of structural MRI, feature vectors are constructed that describe morphometric features of various brain regions; for fMRI neuroimaging data, all fMRI image voxels are divided into groups related to brain regions, a time series representing it is selected for each brain region, a correlation matrix is built between the selected time series, a vector is built consisting of the eigenvalues of the constructed matrix; based on the constructed vectors of informative features and demographic data of the patient, machine learning models are trained using an adaptive feature selection method, while the MRI or fMRI data vectors are fed to the input of the machine learning algorithms; according to the result of training, a diagnostic classifier is obtained;
Рабочий этап, на котором: на вычислительном устройстве получают нейровизуализационных данные структурной МРТ и фМРТ; осуществляют предобработку полученных нейровизуализационных данных структурной МРТ и фМРТ и преобразуют нейровизуализационные данные в формат BIDS; извлекают информативные признаки из нейровизуализационных данных: для нейровизуализационных данных структурной МРТ строят векторы признаков, описывающие морфометрические признаки различных областей мозга; для нейровизуализационных данных фМРТ все воксели фМРТ-изображения разбивают на группы, относящиеся к регионам мозга, для каждого региона мозга выбирают представляющий его временной ряд, строят корреляционную матрицу между выбранными временными рядами, строят вектор, состоящий из собственных чисел построенной матрицы; на вход диагностического классификатора подают извлеченный из данных МРТ и фМРТ вектор признаков, на выходе диагностического классификатора предсказывают диагноз депрессию. The working stage at which: neuroimaging data of structural MRI and fMRI are obtained on a computing device; carry out pre-processing of the received neuroimaging data of structural MRI and fMRI and convert neuroimaging data into the BIDS format; extracting informative features from neuroimaging data: for neuroimaging data of structural MRI, feature vectors are constructed that describe morphometric features of various brain regions; for fMRI neuroimaging data, all fMRI image voxels are divided into groups related to brain regions, a time series representing it is selected for each brain region, and a correlation matrix is built between the selected time series, build a vector consisting of the eigenvalues of the constructed matrix; the vector of features extracted from the MRI and fMRI data is fed to the input of the diagnostic classifier, and the diagnosis of depression is predicted at the output of the diagnostic classifier.
2. Способ выявления эпилепсии по данным структурной МРТ и функциональной МРТ в состоянии покоя, содержащий: 2. A method for detecting epilepsy according to structural MRI and functional MRI at rest, comprising:
Подготовительный этап, на котором: на вычислительном устройстве получают нейровизуализационные данные структурной МРТ и фМРТ в состоянии покоя; осуществляют предобработку полученных нейровизуализационных данных структурной МРТ и фМРТ и преобразуют предобработанные нейровизуализационные данные в формат BIDS; извлекают информативные признаки из нейровизуализационных данных: для нейровизуализационных данных структурной МРТ строят векторы признаков, описывающие морфометрические признаки различных областей мозга; для нейровизуализационных данных фМРТ все воксели фМРТ-изображения разбивают на группы, относящиеся к регионам мозга, для каждого региона мозга выбирают представляющий его временной ряд, строят корреляционную матрицу между выбранными временными рядами, строят вектор, состоящий из собственных чисел построенной матрицы; на основе построенных векторов информативных признаков и демографических данных пациента обучают модели машинного обучения с применением адаптивного метода отбора признаков, при этом на вход алгоритмов машинного обучение подаются вектора МРТ или фМРТ данных; по результату обучения получают диагностический классификатор; The preparatory stage, at which: neuroimaging data of structural MRI and fMRI are obtained on the computing device at rest; carry out preprocessing of the obtained neuroimaging data of structural MRI and fMRI and convert the preprocessed neuroimaging data into the BIDS format; extracting informative features from neuroimaging data: for neuroimaging data of structural MRI, feature vectors are constructed that describe morphometric features of various brain areas; for fMRI neuroimaging data, all fMRI image voxels are divided into groups related to brain regions, a time series representing it is selected for each brain region, a correlation matrix is built between the selected time series, a vector is built consisting of the eigenvalues of the constructed matrix; based on the constructed vectors of informative features and demographic data of the patient, machine learning models are trained using an adaptive feature selection method, while the MRI or fMRI data vectors are fed to the input of the machine learning algorithms; according to the result of training, a diagnostic classifier is obtained;
Рабочий этап, на котором: на вычислительном устройстве получают нейровизуализационных данные структурной МРТ и фМРТ; осуществляют предобработку полученных нейровизуализационных данных структурной МРТ и фМРТ и преобразуют нейровизуализационные данные в формат BIDS; извлекают информативные признаки из нейровизуализационных данных: для нейровизуализационных данных структурной МРТ строят векторы признаков, описывающие морфометрические признаки различных областей мозга; для нейровизуализационных данных фМРТ все воксели фМРТ-изображения разбивают на группы, относящиеся к регионам мозга, для каждого региона мозга выбирают представляющий его временной ряд, строят корреляционную матрицу между выбранными временными рядами, строят вектор, состоящий из собственных чисел построенной матрицы ; на вход диагностического классификатора подают извлеченный из данных МРТ и/или фМРТ вектор признаков, на выходе диагностического классификатора выявляют эпилепсию The working stage at which: neuroimaging data of structural MRI and fMRI are obtained on a computing device; carry out pre-processing of the received neuroimaging data of structural MRI and fMRI and convert neuroimaging data into the BIDS format; extracting informative features from neuroimaging data: for neuroimaging data of structural MRI, feature vectors are constructed that describe morphometric features of various brain regions; for fMRI neuroimaging data, all fMRI image voxels are divided into groups related to brain regions, a time series representing it is selected for each brain region, a correlation matrix is built between the selected time series, a vector is built consisting of the eigenvalues of the constructed matrix ; the feature vector extracted from the MRI and/or fMRI data is fed to the input of the diagnostic classifier, epilepsy is detected at the output of the diagnostic classifier
3. Способ выявления шизофренического расстройства по данным структурной МРТ и функциональной МРТ в состоянии покоя, содержащий: 3. A method for detecting a schizophrenic disorder according to structural MRI and functional MRI at rest, comprising:
Подготовительный этап, на котором: на вычислительном устройстве получают нейровизуализационные данные структурной МРТ и фМРТ в состоянии покоя; осуществляют предобработку полученных нейровизуализационных данных структурной МРТ и фМРТ и преобразуют предобработанные нейровизуализационные данные в формат BIDS; извлекают информативные признаки из нейровизуализационных данных: для нейровизуализационных данных структурной МРТ строят векторы признаков, описывающие морфометрические признаки различных областей мозга; для нейровизуализационных данных фМРТ все воксели фМРТ-изображения разбивают на группы, относящиеся к регионам мозга, для каждого региона мозга выбирают представляющий его временной ряд, строят корреляционную матрицу между выбранными временными рядами, строят вектор, состоящий из собственных чисел построенной матрицы; на основе построенных векторов информативных признаков и демографических данных пациента обучают модели машинного обучения с применением адаптивного метода отбора признаков, при этом на вход алгоритмов машинного обучение подаются вектора МРТ или фМРТ данных; по результату обучения получают диагностический классификатор; The preparatory stage, at which: neuroimaging data of structural MRI and fMRI are obtained on the computing device at rest; carry out preprocessing of the obtained neuroimaging data of structural MRI and fMRI and convert the preprocessed neuroimaging data into the BIDS format; extracting informative features from neuroimaging data: for neuroimaging data of structural MRI, feature vectors are constructed that describe morphometric features of various brain regions; for fMRI neuroimaging data, all fMRI image voxels are divided into groups related to brain regions, a time series representing it is selected for each brain region, a correlation matrix is built between the selected time series, a vector is built consisting of the eigenvalues of the constructed matrix; based on the constructed vectors of informative features and demographic data of the patient, machine learning models are trained using an adaptive feature selection method, while the MRI or fMRI data vectors are fed to the input of the machine learning algorithms; according to the result of training, a diagnostic classifier is obtained;
Рабочий этап, на котором: на вычислительном устройстве получают нейровизуализационных данные структурной МРТ и фМРТ; осуществляют предобработку полученных нейровизуализационных данных структурной МРТ и фМРТ и преобразуют нейровизуализационные данные в формат BIDS; извлекают информативные признаки из нейровизуализационных данных: для нейровизуализационных данных структурной МРТ строят векторы признаков, описывающие морфометрические признаки различных областей мозга; для нейровизуализационных данных фМРТ все воксели фМРТ-изображения разбивают на группы, относящиеся к регионам мозга, для каждого региона мозга выбирают представляющий его временной ряд, строят корреляционную матрицу между выбранными временными рядами, строят вектор, состоящий из собственных чисел построенной матрицы; на вход диагностического классификатора подают извлеченный из данных МРТ и/или фМРТ вектор признаков, на выходе диагностического классификатора выявляют шизофреническое расстройство The working stage at which: neuroimaging data of structural MRI and fMRI are obtained on a computing device; carry out pre-processing of the received neuroimaging data of structural MRI and fMRI and convert neuroimaging data into the BIDS format; extract informative features from neuroimaging data: for neuroimaging data of structural MRI, feature vectors are constructed that describe the morphometric features of various brain regions; for fMRI neuroimaging data, all fMRI image voxels are divided into groups related to brain regions, a time series representing it is selected for each brain region, a correlation matrix is built between the selected time series, a vector is built consisting of the eigenvalues of the constructed matrix; a feature vector extracted from MRI and/or fMRI data is fed to the input of the diagnostic classifier, and a schizophrenic disorder is detected at the output of the diagnostic classifier
4. Способ по любому из пп.1 -3, отличающийся тем, что для классификации данных МРТ применяют алгоритм машинного обучения «логистическая регрессия». 4. The method according to any one of claims 1 to 3, characterized in that the machine learning algorithm "logistic regression" is used to classify the MRI data.
5. Способ по любому из пп.1 -3, отличающийся тем, что для классификации данных фМРТ применяют алгоритм машинного обучения «классификация методом опорных векторов». 5. The method according to any one of claims 1 to 3, characterized in that the machine learning algorithm "classification by support vector machine" is used to classify the fMRI data.
6. Способ по любому из пп.1 -3. отличающиеся тем, что диагностический классификатор включает решающее правило и характеристики его достоверности. 6. The method according to any one of claims 1 to 3. characterized in that the diagnostic classifier includes a decision rule and characteristics of its reliability.
16 16
PCT/RU2021/050228 2020-09-18 2021-07-19 Method for detecting depression, epilepsy or schizophrenia disorder WO2022060250A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
RU2020130849 2020-09-18
RU2020130849A RU2020130849A (en) 2020-09-18 2020-09-18 METHOD FOR DETECTING DEPRESSION ACCORDING TO STRUCTURAL MRI AND FUNCTIONAL MRI

Publications (1)

Publication Number Publication Date
WO2022060250A1 true WO2022060250A1 (en) 2022-03-24

Family

ID=80736446

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/RU2021/050228 WO2022060250A1 (en) 2020-09-18 2021-07-19 Method for detecting depression, epilepsy or schizophrenia disorder

Country Status (2)

Country Link
RU (1) RU2020130849A (en)
WO (1) WO2022060250A1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117438054A (en) * 2023-12-15 2024-01-23 之江实验室 BIDS format automatic conversion method and device for brain image data
CN117495833A (en) * 2023-11-16 2024-02-02 广州思沛医药科技股份有限公司 Big data-based cerebral apoplexy prediction method, system and storage medium

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2245675C2 (en) * 2002-05-30 2005-02-10 Научно-исследовательский институт детских инфекций (НИИДИ) Method for predicting disseminated encephalomyelitis development course and outcome in children and teenagers
US20060120584A1 (en) * 2000-11-14 2006-06-08 Yitzchak Hillman Method and system for automatic diagnosis of possible brain disease
US20060241382A1 (en) * 2005-03-18 2006-10-26 The Mcw Research Foundation, Inc. MRI method for producing an index indicative of brain disorders
RU2537886C1 (en) * 2013-08-22 2015-01-10 Федеральное государственное бюджетное учреждение научно-исследовательский институт детских инфекций Федерального медико-биологического агентства Method for prediction of developing symptomatic epilepsy accompanying neuroinfections in children
RU2681299C2 (en) * 2017-07-10 2019-03-05 Юрий Юрьевич Трунин Method of diagnostics of relapses states of pilocytic astrocytoma of the brain after the radiotherapy and treatment at detection of relapses or other conditions

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060120584A1 (en) * 2000-11-14 2006-06-08 Yitzchak Hillman Method and system for automatic diagnosis of possible brain disease
RU2245675C2 (en) * 2002-05-30 2005-02-10 Научно-исследовательский институт детских инфекций (НИИДИ) Method for predicting disseminated encephalomyelitis development course and outcome in children and teenagers
US20060241382A1 (en) * 2005-03-18 2006-10-26 The Mcw Research Foundation, Inc. MRI method for producing an index indicative of brain disorders
RU2537886C1 (en) * 2013-08-22 2015-01-10 Федеральное государственное бюджетное учреждение научно-исследовательский институт детских инфекций Федерального медико-биологического агентства Method for prediction of developing symptomatic epilepsy accompanying neuroinfections in children
RU2681299C2 (en) * 2017-07-10 2019-03-05 Юрий Юрьевич Трунин Method of diagnostics of relapses states of pilocytic astrocytoma of the brain after the radiotherapy and treatment at detection of relapses or other conditions

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117495833A (en) * 2023-11-16 2024-02-02 广州思沛医药科技股份有限公司 Big data-based cerebral apoplexy prediction method, system and storage medium
CN117495833B (en) * 2023-11-16 2024-05-28 广州思沛医药科技股份有限公司 Big data-based cerebral apoplexy prediction method, system and storage medium
CN117438054A (en) * 2023-12-15 2024-01-23 之江实验室 BIDS format automatic conversion method and device for brain image data
CN117438054B (en) * 2023-12-15 2024-03-26 之江实验室 BIDS format automatic conversion method and device for brain image data

Also Published As

Publication number Publication date
RU2020130849A (en) 2022-03-18
RU2020130849A3 (en) 2022-03-18

Similar Documents

Publication Publication Date Title
US11416716B2 (en) System and method for automatic assessment of cancer
Alam et al. Alzheimer disease classification using KPCA, LDA, and multi‐kernel learning SVM
Dimitriadis et al. How random is the random forest? Random forest algorithm on the service of structural imaging biomarkers for Alzheimer's disease: from Alzheimer's disease neuroimaging initiative (ADNI) database
Adeli et al. Joint feature-sample selection and robust diagnosis of Parkinson's disease from MRI data
Bron et al. Feature selection based on the SVM weight vector for classification of dementia
Feng et al. MRI radiomics classification and prediction in Alzheimer’s disease and mild cognitive impairment: a review
Filipovych et al. Semi-supervised cluster analysis of imaging data
CN109528197B (en) Individual prediction method and system for mental diseases based on brain function map
CN112768072B (en) Cancer clinical index evaluation system constructed based on imaging omics qualitative algorithm
JP2023501126A (en) Multi-instance learner for tissue image classification
EP2812828B1 (en) Interactive optimization of scan databases for statistical testing
CN104424386A (en) Multi-parameter magnetic resonance image based prostate cancer computer auxiliary identification system
WO2022060250A1 (en) Method for detecting depression, epilepsy or schizophrenia disorder
Sadek et al. Automatic discrimination of color retinal images using the bag of words approach
Tan et al. A transfer learning approach to breast cancer classification in a federated learning framework
Wang et al. Applications of generative adversarial networks in neuroimaging and clinical neuroscience
Rana et al. Graph‐theory‐based spectral feature selection for computer aided diagnosis of Parkinson's disease using T 1‐weighted MRI
WO2023059746A1 (en) Estimating uncertainty in predictions generated by machine learning models
Tang et al. A network clustering based feature selection strategy for classifying autism spectrum disorder
Sarkar et al. Computational Intelligence Approach to improve the Classification Accuracy of Brain Tumour Detection
Ramanathan et al. Alzheimer’s disease shape detection model in brain magnetic resonance images via whale optimization with kernel support vector machine
Suresha et al. Probabilistic principal component analysis and long short-term memory classifier for automatic detection of Alzheimer’s disease using MRI brain images
Asgharzadeh-Bonab et al. An alzheimer’s disease classification method using fusion of features from brain magnetic resonance image transforms and deep convolutional networks
Elahifasaee et al. A classification algorithm by combination of feature decomposition and kernel discriminant analysis (KDA) for automatic MR brain image classification and AD diagnosis
KR20210119081A (en) Method for providing information of major depressive disorders and device for providing information of major depressive disorders using the same

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21869846

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21869846

Country of ref document: EP

Kind code of ref document: A1