CN105046709A - 一种基于核磁共振影像的脑龄分析方法 - Google Patents
一种基于核磁共振影像的脑龄分析方法 Download PDFInfo
- Publication number
- CN105046709A CN105046709A CN201510413374.0A CN201510413374A CN105046709A CN 105046709 A CN105046709 A CN 105046709A CN 201510413374 A CN201510413374 A CN 201510413374A CN 105046709 A CN105046709 A CN 105046709A
- Authority
- CN
- China
- Prior art keywords
- brain
- age
- image
- function
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于核磁共振影像的脑龄分析方法,首先,利用脑结构影像中信息,构建功能脑区与体素水平的脑结构网络;根据功能影像信号,建立功能脑区和体素水平的脑功能网络;然后,应用统计学方法,分析脑结构、脑功能随年龄增长而变化的特征和规律,以及脑网络连接模式变化,从而得到脑结构、脑功能和脑网络随年龄增长而变化的差异性特征;随之利用递归特征增长法,选择所需的有效特征,降低特征维数;最后,应用线性支持向量机,建立脑龄回归模型,对脑龄进行分析。本发明方法可有效地揭示人的生理年龄和脑龄的内在关系与差异性,为人脑发育研究提供科学、客观的理论依据和方法。
Description
技术领域
本发明涉及数字图像分析与处理的技术领域,尤其是指一种基于核磁共振影像的脑龄分析方法。
背景技术
人的一生历经从胎儿到婴幼儿,再到儿童、青少年、中年、老年等多个阶段,在此过程中,和身体其它组织器官类似,大脑也存在快速增长发育、成长、成熟、缓慢萎缩和迅速衰退期,并遵循一定的规律。
研究发现,人脑的灰质在从出生到儿童期迅速增长,灰质体积达到最大,***开始缓慢下降,呈倒“U”型;白质则从出生到少年时期,急剧增长,***后,增长缓慢,直至成年期又开始缓慢下降。由此可见,在不同年龄阶段,人脑的发育过程表现出完全不同的规律与特征,如果以脑龄来测度大脑发育状况或程度,则它与人的生理年龄既有密切关系,又有其独有的特性。揭示脑龄与生理年龄的内在关系(如一致性与差异性),对了解人大脑的发育过程和演化规律,认识人脑认知能力、心理与行为学的变化等,具有重要的科学研究价值。
磁共振成像为人脑研究提供了一种安全无创、准确可靠的手段,它可以获取有关人脑组织清晰的结构影像,与反映脑功能活动状况的动态实时功能影像。借助脑结构和功能影像,可分析人脑结构与功能的变化、以及神经信息的传递状况。
最近,随着脑连接组学的兴起,有关脑网络的研究逐渐增多,研究者利用图论和信息论,构建脑网络,重点关注脑区之间的连接、信息通路与信息传递。脑网络分析方法也被应用于大脑的研究,如核心节点、网络局部/全局效率、最小路径长度、小世界属性、抗攻击能力等。
利用脑结构、脑功能影像,以及脑网络等神经生物学特征,构建脑龄分析模型,并将模型用于分析大脑脑龄,即构建一种综合有效的脑龄分析模型与方法,尚未见公开报道。
发明内容
本发明旨在提供一种科学可靠的基于核磁共振影像的脑龄分析方法,可有效地应用于评估大脑的发育状况,为探索人脑的发育过程与规律,揭示认知能力的变化特征,认识其心理与行为特性提供重要依据。
为实现上述目的,本发明所提供的技术方案为:一种基于核磁共振影像的脑龄分析方法,首先,利用大脑结构影像信息,构建功能脑区与体素水平的脑结构网络;根据大脑功能影像信号,建立功能脑区和体素水平的脑功能网络;然后,分析大脑的结构、脑功能随年龄增长而变化的特征和规律,以及脑网络连接模式变化,从而得到脑结构、脑功能和脑网络随年龄增长而变化的差异性特征;随之利用递归特征增长法,选择所需的有效特征,降低特征维数;最后,应用线性支持向量机,建立脑龄回归模型,对脑龄进行分析。
本发明所述的基于核磁共振影像的脑龄分析方法,包括以下步骤:
1)建立回归模型
1.1)采集MR影像数据
获取大脑结构和脑功能MR影像;
1.2)影像数据处理
包括头动校正、配准、空间标准化、平滑处理,其中,对脑结构影像进行脑灰质与脑白质分析时,需要将脑组织分割为灰质、白质和脑脊液,脑功能影像首先还需时间层校正,再进行后续处理;
还包括脑结构和脑功能网络构建,即利用经过预处理后的影像,应用图论和信息论,在功能脑区或体素水平,建立脑结构和功能网络;
1.3)特征分析与提取
在功能脑区或体素水平,应用单样本t检验方法,分析脑结构、脑功能影像和脑网络特征随年龄的变化情况,即得到随年龄发生显著变化的特征;
1.4)特征降维
应用迭代特征增长法,分别对脑结构、脑功能及脑网络特征进行降维,选择有效特征,记录有效特征向量的索引;
1.5)回归分析
融合降维后被选择的脑功能、脑结构与脑网络特征,以其作为自变量,以生理年龄作为因变量,建立二者之间的线性回归模型,进行回归分析;
2)脑龄分析
2.1)影像数据采集
获取待分析对象的脑部MR结构和功能影像;
2.2)影像数据处理
包括头动校正、配准、空间标准化、平滑处理,其中,结构影像须进行分割,功能影像首先还需时间层校正,再进行后续处理;
利用经过预处理后的影像,应用图论和信息论,在脑区或体素水平,建立脑结构和功能网络;
2.3)特征提取
根据步骤1.4)得到的有效特征索引向量,提取相应的脑结构、脑功能和脑网络特征;
2.4)脑龄分析
利用步骤1.5)建立的回归模型,以获取的特征作为自变量,脑龄作为因变量,预测待评估对象的脑龄。
在步骤1.3)中,脑结构、脑功能影像和脑网络随年龄的变化特征,包括脑结构影像中灰质、白质,DTI影像中的平均弥散率和各向异性分数,动脉自旋标记影像中的脑血流,fMRI的血氧水平依赖,基于静息态fMRI的局部一致性、低频振幅、分数低频振幅,以及脑网络特征中的边连接、节点的介数中心度、度中心度。且所有特征均利用z-score方法进行归范化。
在步骤1.4)中,采用如下迭代特征增长法进行降维:
1.4.1)初始化:取n个训练样本的某一特征向量X0=[X1,X2,…,Xi,…Xn]T以及对应年龄向量y=[y1,y2,…,y3,…,yn]T;给定每次选取的有效特征数量k,或比例r∈[01],则k=n×r;期望的总特征数量为m,其中m=c×k,c是大于1的整数;
1.4.2)初始化特征子集索引向量s=[1,2,…,n],待排序特征向量Xcandidate=X0,有效特征向量Xselected=[];
1.4.3)根据索引向量选定训练样本X=X0(:,s),训练回归模型α=regression(X,y),并计算权值向量w=ΣiαiyiXi,利用评分函数c(i)=(wi)2,按得分从高到低排序,取位列前k的特征Xsorted=[1…k],将其加入有效排序特征向量中,并从待排序特征向量中移出,更新有效特征向量Xselected、待排序特征向量Xcandidate与索引向量s;
1.4.4)重复步骤1.4.3)直至有效特征向量的维数等于m;
1.4.5)重复步骤1.4.1)直至所有特征均完成降维处理。
本发明与现有技术相比,具有如下优点与有益效果:
1)充分利用神经影像学的多模态特征各自的优势,将其融合应用于脑龄分析模型的构建与脑龄测定;
2)将统计分析方法与迭代特征降维方法相结合,在众多特征中,选择与生理年龄密切相关的重要特征,或者随年龄变化最为显著的特征;
3)揭示生理年龄和脑龄的内在关系与差异性,可应用于大脑发育状况与认知能力评估、行为学与心理学等领域,为人脑发育研究提供科学、客观的理论依据和方法。
附图说明
图1为本发明实施例中所述脑龄分析方法的流程图。
图2为本发明实施例青少年人群训练集生理年龄和估计脑龄对应图。
图3为本发明实施例青少年人群测试集生理年龄和估计脑龄对应图。
图4为本发明实施例老年人群训练集生理年龄和估计脑龄对应图。
图5为本发明实施例老年人群测试集生理年龄和估计脑龄对应图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本发明所述的基于核磁共振影像的脑龄分析方法,首先,利用脑结构影像中的灰质、白质、脑皮层信息,构建功能脑区与体素水平的脑结构网络;根据大脑功能影像信号,如血氧水平依赖(BOLD)与动脉自旋标记成像(ASL)的CBF图像,建立功能脑区和体素水平的脑功能网络;然后,分析大脑的结构、脑功能随年龄增长而变化的特征和规律,以及脑网络连接模式变化,从而得到脑结构、脑功能和脑网络随年龄增长而变化的显著差异性特征;随之利用递归特征增长法,选择更为有效的特征,降低特征维数;最后,应用线性支持向量机,建立脑龄回归模型,对脑龄进行分析。其包括以下步骤:
1)建立回归模型
1.1)采集MR影像数据
获取大脑结构和脑功能MR影像。
1.2)影像数据处理
包括头动校正、配准、空间标准化、平滑等处理,其中,对结构影像进行脑灰质与脑白质分析时,需要将脑组织分割为灰质、白质和脑脊液,功能影像首先还需时间层校正,再进行后续处理;
还包括脑结构和脑功能网络构建,即利用经过预处理后的影像,应用图论和信息论,在功能脑区或体素水平,建立脑结构和功能网络。
1.3)特征分析与提取
应用统计学方法,如t检验,分析脑结构、脑功能影像和脑网络,随年龄的变化特征。如脑结构影像中灰质、白质,DTI影像中的平均弥散率(meandiffusion,MD)和各向异性分数(fractionalanisotropy,FA),动脉自旋标记影像(arterialspinlabelingimaging,ASL)中的脑血流cerebralbloodflow,CBF),fMRI的血氧水平依赖(bloodoxygenationleveldependent,BOLD),基于静息态fMRI的局部一值性、低频振幅、分数低频振幅等,以及脑网络的特征如边连接、节点的介数中心度、度中心度等。通过单样本t检验方法得到随年龄变化的特征,说明随年龄的增长,其变化非常显著,也即和年龄密切相关。
1.4)特征降维
人脑三维MR影像,数据量非常大,如一幅512(长)×512(宽)×120(层数)图像,有3000多万体素,即使经过统计检验,具有显著变化的体素或体素特征往往有介于十万到百万之间。如此宠大的数据量,需要进一步降低维数,其原因有:其一,会增加大量运算时间和内存开销;其二,采用的统计分析方法,所有体素或体素特征是相互独立的,并没有考虑它们之间的关系或关联性,故存在大量冗余;其三,因统计误差或错误,可能存在部分体素或体素特征,影响回归与分类的准确性。
采用如下迭代特征增长法进行降维:
1.4.1)初始化:取n个训练样本的某一特征向量X0=[X1,X2,…,Xi,…Xn]T以及对应年龄向量y=[y1,y2,…,y3,…,yn]T;给定每次选取的有效特征数量k,或比例r∈[01],则k=n×r;期望的总特征数量为m,其中m=c×k,c是大于1的整数;
1.4.2)初始化特征子集索引向量s=[1,2,…,n],待排序特征向量Xcandidate=X0,有效特征向量Xselected=[];
1.4.3)根据索引向量选定训练样本X=X0(:,s),训练回归模型α=regression(X,y),并计算权值向量w=ΣiαiyiXi,利用评分函数c(i)=(wi)2,按得分从高到低排序,取位列前k的特征Xsorted=[1…k],将其加入有效排序特征向量中,并从待排序特征向量中移出,更新有效特征向量Xselected、待排序特征向量Xcandidate与索引向量s;
1.4.4)重复步骤1.4.3)直至有效特征向量的维数等于m;
1.4.5)重复步骤1.4.1)直至所有特征均完成降维处理。
1.5)回归分析
融合脑功能、脑结构与脑网络特征作为自变量,以生理年龄作为因变量,建立二者之间的线性回归模型,进行回归分析。
2)脑龄分析
2.1)影像数据采集
获取待分析对象的脑部MR结构和功能影像。
2.2)影像数据处理
包括头动校正、配准、空间标准化、平滑处理,其中,结构影像须进行分割,功能影像首先还需时间层校正,再进行后续处理;
利用经过预处理后的影像,应用图论和信息论,在脑区或体素水平,建立脑结构和功能网络。
2.3)特征提取
根据步骤1.4)得到的有效特征索引向量,提取相应的脑结构、脑功能和脑网络特征。
2.4)脑龄分析
利用步骤1.5)建立的回归模型,以获取的特征作为自变量,脑龄作为因变量,预测待评估对象的脑龄,分析预测脑龄和其实际生理年龄的差异。
下面选择青少年106例与中老年人123例,结合图1至图5对本发明上述方法进行具体说明。其中,两组人群的年龄、性别如下表1所示。从青少年中随机选择80%样本作为训练集(85例),20%作为测试集(21例)。从中老年人随机选择80%样本作为训练集(98例),20%作为测试集(25例)。MRT1W1脑结构影像与静息态脑功能影像均为1.5T核磁共振扫描仪采集。
表1
数量 | 男/女比例 | 年龄范围 | 年龄均值/标准差 | |
青少年组 | 106 | 57/49 | 14-25 | 18.8±3.1 |
中老年组 | 122 | 65/57 | 50.1~84.5 | 66.5±10.6 |
如图1所示,本实施例所述的脑龄分析方法,其具体情况如下:
一、建立回归模型
1)数据处理
对于静息态脑功能影像,首先进行时间层校正,对所有MR影像进行头动校正、配准、空间标准化,并去除头动范围与模板的空间位置偏差超过5cm或角度偏差超过20°的数据;对脑结构影像进行分割,将其分割为脑白质、脑灰质与脑脊液;最后,对影像进行高斯平滑(半高宽为8mm);
对经过预处理后的影像,基于AAL模板,应用图论和信息论,分别建立脑结构和功能网络。
2)特征分析和提取
采用的特征包括:
a)脑结构特征:灰质体积(graymattervolume,GMV);
b)脑功能特征:局部一致性
局部一致性(regionalhomogeneity,ReHo)是一种考察局部脑功能活动情况的参量,它反映了脑功能时间序列图像中给定点与邻域点之间的相似性或同步性。通过计算肯德尔系数(Kendall’scoefficientofconcordanceKCC)得到,其定义如下:
其中,W即为德尔系数或ReHo值,Ri为第i个时间点某一点数据点和邻域数据点的等级总数,n功能成像序列数,K给定点及考察邻域点的数量。
C)脑网络特征:度中心度
度中心度(degreecentrality,DC)考察脑网络节点连接的中心性,它反映了网络中节点的作用或地位,其值越大,说明与其连接的节点越多,连接最多的节点被认为是核心节点,它们在网络的信息交互中处于非常重要的地位。
计算出上列三类特征后,进行t检验,分析这些特征随年龄增长变化最为显著的脑区。其中,灰质体积的p值为0.02,结构与功能网络的ReHo和DC的p值均设为0.05,并采用FalseDiscoveryRate(FDR)校正。
3)特征降维
采用迭代特征增长方法对进行降维:
给定每次选取的有效特征数量k=100,GMV,ReHo,结构网络DC和功能网络DC的有效特征向量的维数阈值分别为6000,4500,4000,4000.
4)建立回归模型
经降维后,得到有效的脑结构、脑功能和脑网络特征,以其作为自变量,年龄为因变量,应用线性支持向量机回归模型,进行回归分析。
图2为青少年人群训练集的生理年龄和经回归分析得到的脑龄的对应关系。
经计算,该训练集估计脑龄与实际生理年龄之差均值为1.03,标准差为0.51,相关系数为0.93。说明该组人群的脑龄与实际生理年龄之间存在密切的内在联系。
其中实线为线性回归趋势线,虚线的斜率为1。虚线左上方的点,说明其脑龄大于实际生理年龄,反之,说明脑龄小于生理年龄。
图4为中老年人群测试训练集的生理年龄和经回归分析得到的脑龄之间对应关系。
经计算,该训练集估计脑龄与实际生理年龄之差均值为1.32,标准差为0.97,相关系数为0.92。
通过不同年龄段人群的脑龄分析结果,验证了该回归模型能在估计脑龄与实际生理年龄之间建立有效的内在关联,但亦说明二者存在差异,即不一致性。
二、脑龄分析
1)数据处理
选择青少年测试集的21例和中老年人测试集的25例数据,分别采用上面第一步数据处理中的方法,对脑影像进行处理,并建立脑网络。
2)特征提取
参照上面第一步的有效特征索引向量,分别提取相应的脑结、脑功能和脑网络特征。
3)脑龄分析
利用上面第一步建立的回归模型,评估测试对象的脑龄。
图3与图5分别为青少年测试集与中老年人测试集两组人群的生理年龄和估计脑龄对应图。
青少年测试集与中老年人测试集,其估计脑龄与实际生理年龄之差均值和标准差分别为1.20±0.61,1.81±0.96,相关系数分别为0.87,0.90。
以上结果,验证了本发明提出的脑龄分析模型与方法,能有效的评估青少年与中老年人的脑龄,误差与标准差均较小,且脑龄与生理年龄存在密切的关系。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (4)
1.一种基于核磁共振影像的脑龄分析方法,其特征在于:首先,利用大脑结构影像信息,构建功能脑区与体素水平的脑结构网络;根据大脑功能影像信号,建立功能脑区和体素水平的脑功能网络;然后,分析大脑的结构、脑功能随年龄增长而变化的特征和规律,以及脑网络连接模式变化,从而得到脑结构、脑功能和脑网络随年龄增长而变化的差异性特征;随之利用递归特征增长法,选择所需的有效特征,降低特征维数;最后,应用线性支持向量机,建立脑龄回归模型,对脑龄进行分析。
2.根据权利要求1所述的一种基于核磁共振影像的脑龄分析方法,其特征在于,包括以下步骤:
1)建立回归模型
1.1)采集MR影像数据
获取大脑结构和脑功能MR影像;
1.2)影像数据处理
包括头动校正、配准、空间标准化、平滑处理,其中,对脑结构影像进行脑灰质与脑白质分析时,需要将脑组织分割为灰质、白质和脑脊液,脑功能影像首先还需时间层校正,再进行后续处理;
还包括脑结构和脑功能网络构建,即利用经过预处理后的影像,应用图论和信息论,在功能脑区或体素水平,建立脑结构和功能网络;
1.3)特征分析与提取
在功能脑区或体素水平,应用单样本t检验方法,分析脑结构、脑功能影像和脑网络特征随年龄的变化情况,即得到随年龄发生显著变化的特征;
1.4)特征降维
应用迭代特征增长法,分别对脑结构、脑功能及脑网络特征进行降维,选择有效特征,记录有效特征向量的索引;
1.5)回归分析
融合降维后被选择的脑功能、脑结构与脑网络特征,以其作为自变量,以生理年龄作为因变量,建立二者之间的线性回归模型,进行回归分析;
2)脑龄分析
2.1)影像数据采集
获取待分析对象的脑部MR结构和功能影像;
2.2)影像数据处理
包括头动校正、配准、空间标准化、平滑处理,其中,结构影像须进行分割,功能影像首先还需时间层校正,再进行后续处理;
利用经过预处理后的影像,应用图论和信息论,在脑区或体素水平,建立脑结构和功能网络;
2.3)特征提取
根据步骤1.4)得到的有效特征索引向量,提取相应的脑结构、脑功能和脑网络特征;
2.4)脑龄分析
利用步骤1.5)建立的回归模型,以获取的特征作为自变量,脑龄作为因变量,预测待评估对象的脑龄。
3.根据权利要求2所述的一种基于核磁共振影像的脑龄分析方法,其特征在于:在步骤1.3)中,脑结构、脑功能影像和脑网络随年龄的变化特征,包括脑结构影像中灰质、白质,DTI影像中的平均弥散率和各向异性分数,动脉自旋标记影像中的脑血流,fMRI的血氧水平依赖,基于静息态fMRI的局部一值性、低频振幅、分数低频振幅,以及脑网络特征中的边连接、节点的介数中心度、度中心度,且所有特征均利用z-score方法进行归范化。
4.根据权利要求2所述的一种基于核磁共振影像的脑龄分析方法,其特征在于:在步骤1.4)中,采用如下迭代特征增长法进行降维:
1.4.1)初始化:取n个训练样本的某一特征向量X0=[X1,X2,…,Xi,…Xn]T以及对应年龄向量y=[y1,y2,…,y3,…,yn]T;给定每次选取的有效特征数量k,或比例r∈[01],则k=n×r;期望的总特征数量为m,其中m=c×k,c是大于1的整数;
1.4.2)初始化特征子集索引向量s=[1,2,…,n],待排序特征向量Xcandidate=X0,有效特征向量Xselected=[];
1.4.3)根据索引向量选定训练样本X=X0(:,s),训练回归模型α=regression(X,y),并计算权值向量W=ΣiαiyiXi,利用评分函数c(i)=(wi)2,按得分从高到低排序,取位列前k的特征Xsorted=[1…k],将其加入有效排序特征向量中,并从待排序特征向量中移出,更新有效特征向量Xselected、待排序特征向量Xcandidate与索引向量s;
1.4.4)重复步骤1.4.3)直至有效特征向量的维数等于m;
1.4.5)重复步骤1.4.1)直至所有特征均完成降维处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510413374.0A CN105046709B (zh) | 2015-07-14 | 2015-07-14 | 一种基于核磁共振影像的脑龄分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510413374.0A CN105046709B (zh) | 2015-07-14 | 2015-07-14 | 一种基于核磁共振影像的脑龄分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105046709A true CN105046709A (zh) | 2015-11-11 |
CN105046709B CN105046709B (zh) | 2018-06-29 |
Family
ID=54453227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510413374.0A Expired - Fee Related CN105046709B (zh) | 2015-07-14 | 2015-07-14 | 一种基于核磁共振影像的脑龄分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105046709B (zh) |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512493A (zh) * | 2015-12-22 | 2016-04-20 | 重庆大学 | 基于脑部病理年龄估计的脑疾病检测*** |
CN105654485A (zh) * | 2015-12-30 | 2016-06-08 | 中国人民解放军第四军医大学 | 一种利用时空信息的磁共振动脉自旋标记序列部分容积校正方法 |
CN105957047A (zh) * | 2016-05-06 | 2016-09-21 | 中国科学院自动化研究所 | 有监督的多模态脑影像融合方法 |
CN106127769A (zh) * | 2016-06-22 | 2016-11-16 | 南京航空航天大学 | 一种基于脑连接网络的脑龄预测方法 |
CN106667490A (zh) * | 2017-01-09 | 2017-05-17 | 北京师范大学 | 一种基于磁共振脑影像的被试对象间个体差异的数据间关系分析方法 |
CN107368689A (zh) * | 2017-07-31 | 2017-11-21 | 董云鹏 | 人体数据采集和分析方法及*** |
CN107507162A (zh) * | 2017-06-29 | 2017-12-22 | 南京航空航天大学 | 一种基于多模态脑影像的基因型分析方法 |
CN108345903A (zh) * | 2018-01-25 | 2018-07-31 | 中南大学湘雅二医院 | 一种基于模态距离约束的多模态融合图像分类方法 |
CN108376565A (zh) * | 2018-02-13 | 2018-08-07 | 北京市神经外科研究所 | 一种脑胶质瘤Ki-67表达水平的影像组学预测方法 |
CN109497951A (zh) * | 2018-12-21 | 2019-03-22 | 中国科学院自动化研究所 | 基于脑影像的脑结构和功能特征展示*** |
CN109498037A (zh) * | 2018-12-21 | 2019-03-22 | 中国科学院自动化研究所 | 基于深度学习提取特征和多重降维算法的脑认知测量方法 |
CN109543623A (zh) * | 2018-11-26 | 2019-03-29 | 微医云(杭州)控股有限公司 | 一种基于核磁共振成像的胎儿发育状况预测装置 |
WO2019136745A1 (zh) * | 2018-01-15 | 2019-07-18 | 深圳博脑医疗科技有限公司 | 一种基于磁共振图像的脑龄测试方法及脑龄测试装置 |
CN110097968A (zh) * | 2019-03-27 | 2019-08-06 | 中国科学院自动化研究所 | 基于静息态功能磁共振影像的婴儿脑龄预测方法、*** |
CN110148108A (zh) * | 2019-03-27 | 2019-08-20 | 深圳市南山区人民医院 | 基于功能磁共振的带状疱疹性神经痛疗效预测方法及*** |
CN110188836A (zh) * | 2019-06-21 | 2019-08-30 | 西安交通大学 | 一种基于变分自编码器的脑功能网络分类方法 |
CN110197729A (zh) * | 2019-05-20 | 2019-09-03 | 华南理工大学 | 基于深度学习的静息态fMRI数据分类方法和装置 |
CN110298479A (zh) * | 2019-05-20 | 2019-10-01 | 北京航空航天大学 | 一种基于脑功能网络的脑体积萎缩预测方法 |
CN110473171A (zh) * | 2019-07-18 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 脑龄检测方法、计算机设备和存储介质 |
CN110555828A (zh) * | 2019-08-08 | 2019-12-10 | 北京深睿博联科技有限责任公司 | 基于3d卷积神经网络的脑龄预测方法及装置 |
CN110547772A (zh) * | 2019-09-25 | 2019-12-10 | 北京师范大学 | 一种基于脑信号复杂度的个体年龄预测方法 |
TWI679652B (zh) * | 2019-01-14 | 2019-12-11 | 國立陽明大學 | 個人化大腦影像評估之方法、非暫時性電腦可讀媒體及設備 |
TWI698887B (zh) * | 2019-05-31 | 2020-07-11 | 行政院原子能委員會核能研究所 | 腦功能影像數據擴增方法 |
CN111783887A (zh) * | 2020-07-03 | 2020-10-16 | 四川大学 | 基于fMRI小世界脑网络计算机分类测谎识别方法 |
CN112561848A (zh) * | 2019-09-09 | 2021-03-26 | 阳明大学 | 区域性脑年龄预测的方法、非暂时性电脑可读介质及设备 |
CN112568872A (zh) * | 2020-12-30 | 2021-03-30 | 深圳大学 | 基于mri影像和血液生化指标的脑龄融合预测方法 |
TWI726574B (zh) * | 2020-01-10 | 2021-05-01 | 宏碁股份有限公司 | 模型訓練方法與電子裝置 |
CN113221927A (zh) * | 2020-01-21 | 2021-08-06 | 宏碁股份有限公司 | 模型训练方法与电子装置 |
CN113571148A (zh) * | 2021-06-07 | 2021-10-29 | 四川大学华西医院 | 一键式精神影像个体化脑功能报告生成***、设备及存储介质 |
CN114376549A (zh) * | 2022-01-10 | 2022-04-22 | 杭州师范大学 | 一种脑出血微创手术的认知功能评估及预测*** |
CN115063349A (zh) * | 2022-05-18 | 2022-09-16 | 北京理工大学 | 基于sMRI多维张量形态特征预测脑年龄的方法及装置 |
CN115337000A (zh) * | 2022-10-19 | 2022-11-15 | 之江实验室 | 基于脑结构影像评估疾病引起大脑衰老的机器学习方法 |
CN116807447A (zh) * | 2023-08-31 | 2023-09-29 | 北京智精灵科技有限公司 | 动态脑网络的脑龄预测建模方法、认知提升方法及*** |
CN117316293A (zh) * | 2023-11-30 | 2023-12-29 | 北京师范大学 | 基于神经影像的脑网络结构与功能耦合方法及装置 |
CN115063349B (zh) * | 2022-05-18 | 2024-07-26 | 北京理工大学 | 基于sMRI多维张量形态特征预测脑年龄的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050283054A1 (en) * | 2004-06-18 | 2005-12-22 | Banner Health | Evaluation of a treatment to decrease the risk of a progressive brain disorder or to slow brain aging |
CN103942567A (zh) * | 2014-04-22 | 2014-07-23 | 张擎 | 一种基于支持向量机的轻度认知障碍自动判别分析方法 |
CN104715261A (zh) * | 2015-03-23 | 2015-06-17 | 南京工业大学 | fMRI动态脑功能子网络构建及并联SVM加权识别方法 |
-
2015
- 2015-07-14 CN CN201510413374.0A patent/CN105046709B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050283054A1 (en) * | 2004-06-18 | 2005-12-22 | Banner Health | Evaluation of a treatment to decrease the risk of a progressive brain disorder or to slow brain aging |
CN103942567A (zh) * | 2014-04-22 | 2014-07-23 | 张擎 | 一种基于支持向量机的轻度认知障碍自动判别分析方法 |
CN104715261A (zh) * | 2015-03-23 | 2015-06-17 | 南京工业大学 | fMRI动态脑功能子网络构建及并联SVM加权识别方法 |
Non-Patent Citations (4)
Title |
---|
ISABELLE GUYON 等: "Gene Selection for Cancer Classification using Support Vector Machine", 《MACHINE LEARNING》 * |
岑桂英 等: "轻度认知障碍的早期检测与转化预测研究进展", 《生命科学》 * |
林岚 等: "健康老年人脑年龄预测:基于尺度子配置模型的大脑连接组分析", 《北京工业大学学报》 * |
郭圣文 等: "MR影像体素形态学的阿尔茨海默病自动分类方法", 《东南大学学报(自然科学版)》 * |
Cited By (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512493B (zh) * | 2015-12-22 | 2018-01-23 | 重庆大学 | 基于脑部病理年龄估计的脑疾病检测*** |
CN105512493A (zh) * | 2015-12-22 | 2016-04-20 | 重庆大学 | 基于脑部病理年龄估计的脑疾病检测*** |
CN105654485A (zh) * | 2015-12-30 | 2016-06-08 | 中国人民解放军第四军医大学 | 一种利用时空信息的磁共振动脉自旋标记序列部分容积校正方法 |
CN105654485B (zh) * | 2015-12-30 | 2017-04-26 | 中国人民解放军第四军医大学 | 一种利用时空信息的磁共振动脉自旋标记序列部分容积校正方法 |
CN105957047B (zh) * | 2016-05-06 | 2019-03-08 | 中国科学院自动化研究所 | 有监督的多模态脑影像融合方法 |
CN105957047A (zh) * | 2016-05-06 | 2016-09-21 | 中国科学院自动化研究所 | 有监督的多模态脑影像融合方法 |
CN106127769A (zh) * | 2016-06-22 | 2016-11-16 | 南京航空航天大学 | 一种基于脑连接网络的脑龄预测方法 |
CN106667490A (zh) * | 2017-01-09 | 2017-05-17 | 北京师范大学 | 一种基于磁共振脑影像的被试对象间个体差异的数据间关系分析方法 |
CN107507162A (zh) * | 2017-06-29 | 2017-12-22 | 南京航空航天大学 | 一种基于多模态脑影像的基因型分析方法 |
CN107368689A (zh) * | 2017-07-31 | 2017-11-21 | 董云鹏 | 人体数据采集和分析方法及*** |
CN107368689B (zh) * | 2017-07-31 | 2019-11-19 | 董云鹏 | 人体数据采集和分析*** |
WO2019136745A1 (zh) * | 2018-01-15 | 2019-07-18 | 深圳博脑医疗科技有限公司 | 一种基于磁共振图像的脑龄测试方法及脑龄测试装置 |
CN110337670A (zh) * | 2018-01-15 | 2019-10-15 | 深圳博脑医疗科技有限公司 | 一种基于磁共振图像的脑龄测试方法及脑龄测试装置 |
CN110337670B (zh) * | 2018-01-15 | 2023-09-29 | 深圳博脑医疗科技有限公司 | 一种基于磁共振图像的脑龄测试方法及脑龄测试装置 |
CN108345903A (zh) * | 2018-01-25 | 2018-07-31 | 中南大学湘雅二医院 | 一种基于模态距离约束的多模态融合图像分类方法 |
CN108376565A (zh) * | 2018-02-13 | 2018-08-07 | 北京市神经外科研究所 | 一种脑胶质瘤Ki-67表达水平的影像组学预测方法 |
CN109543623A (zh) * | 2018-11-26 | 2019-03-29 | 微医云(杭州)控股有限公司 | 一种基于核磁共振成像的胎儿发育状况预测装置 |
CN109497951A (zh) * | 2018-12-21 | 2019-03-22 | 中国科学院自动化研究所 | 基于脑影像的脑结构和功能特征展示*** |
CN109498037A (zh) * | 2018-12-21 | 2019-03-22 | 中国科学院自动化研究所 | 基于深度学习提取特征和多重降维算法的脑认知测量方法 |
TWI679652B (zh) * | 2019-01-14 | 2019-12-11 | 國立陽明大學 | 個人化大腦影像評估之方法、非暫時性電腦可讀媒體及設備 |
CN110097968B (zh) * | 2019-03-27 | 2020-06-30 | 中国科学院自动化研究所 | 基于静息态功能磁共振影像的婴儿脑龄预测方法、*** |
CN110148108A (zh) * | 2019-03-27 | 2019-08-20 | 深圳市南山区人民医院 | 基于功能磁共振的带状疱疹性神经痛疗效预测方法及*** |
CN110097968A (zh) * | 2019-03-27 | 2019-08-06 | 中国科学院自动化研究所 | 基于静息态功能磁共振影像的婴儿脑龄预测方法、*** |
CN110197729A (zh) * | 2019-05-20 | 2019-09-03 | 华南理工大学 | 基于深度学习的静息态fMRI数据分类方法和装置 |
CN110298479B (zh) * | 2019-05-20 | 2021-09-03 | 北京航空航天大学 | 一种基于脑功能网络的脑体积萎缩预测方法 |
CN110298479A (zh) * | 2019-05-20 | 2019-10-01 | 北京航空航天大学 | 一种基于脑功能网络的脑体积萎缩预测方法 |
TWI698887B (zh) * | 2019-05-31 | 2020-07-11 | 行政院原子能委員會核能研究所 | 腦功能影像數據擴增方法 |
CN110188836B (zh) * | 2019-06-21 | 2021-06-11 | 西安交通大学 | 一种基于变分自编码器的脑功能网络分类方法 |
CN110188836A (zh) * | 2019-06-21 | 2019-08-30 | 西安交通大学 | 一种基于变分自编码器的脑功能网络分类方法 |
CN110473171A (zh) * | 2019-07-18 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 脑龄检测方法、计算机设备和存储介质 |
CN110555828A (zh) * | 2019-08-08 | 2019-12-10 | 北京深睿博联科技有限责任公司 | 基于3d卷积神经网络的脑龄预测方法及装置 |
CN112561848A (zh) * | 2019-09-09 | 2021-03-26 | 阳明大学 | 区域性脑年龄预测的方法、非暂时性电脑可读介质及设备 |
CN110547772A (zh) * | 2019-09-25 | 2019-12-10 | 北京师范大学 | 一种基于脑信号复杂度的个体年龄预测方法 |
TWI726574B (zh) * | 2020-01-10 | 2021-05-01 | 宏碁股份有限公司 | 模型訓練方法與電子裝置 |
US11455498B2 (en) | 2020-01-10 | 2022-09-27 | Acer Incorporated | Model training method and electronic device |
CN113221927A (zh) * | 2020-01-21 | 2021-08-06 | 宏碁股份有限公司 | 模型训练方法与电子装置 |
CN113221927B (zh) * | 2020-01-21 | 2024-01-23 | 宏碁股份有限公司 | 模型训练方法与电子装置 |
CN111783887B (zh) * | 2020-07-03 | 2022-05-03 | 四川大学 | 基于fMRI小世界脑网络计算机分类测谎识别方法 |
CN111783887A (zh) * | 2020-07-03 | 2020-10-16 | 四川大学 | 基于fMRI小世界脑网络计算机分类测谎识别方法 |
CN112568872B (zh) * | 2020-12-30 | 2021-11-02 | 深圳大学 | 基于mri影像和血液生化指标的脑龄融合预测方法 |
CN112568872A (zh) * | 2020-12-30 | 2021-03-30 | 深圳大学 | 基于mri影像和血液生化指标的脑龄融合预测方法 |
CN113571148A (zh) * | 2021-06-07 | 2021-10-29 | 四川大学华西医院 | 一键式精神影像个体化脑功能报告生成***、设备及存储介质 |
CN114376549A (zh) * | 2022-01-10 | 2022-04-22 | 杭州师范大学 | 一种脑出血微创手术的认知功能评估及预测*** |
CN114376549B (zh) * | 2022-01-10 | 2024-03-22 | 杭州师范大学 | 一种脑出血微创手术的认知功能评估及预测*** |
CN115063349B (zh) * | 2022-05-18 | 2024-07-26 | 北京理工大学 | 基于sMRI多维张量形态特征预测脑年龄的方法及装置 |
CN115063349A (zh) * | 2022-05-18 | 2022-09-16 | 北京理工大学 | 基于sMRI多维张量形态特征预测脑年龄的方法及装置 |
CN115337000A (zh) * | 2022-10-19 | 2022-11-15 | 之江实验室 | 基于脑结构影像评估疾病引起大脑衰老的机器学习方法 |
CN115337000B (zh) * | 2022-10-19 | 2022-12-20 | 之江实验室 | 基于脑结构影像评估疾病引起大脑衰老的机器学习方法 |
CN116807447A (zh) * | 2023-08-31 | 2023-09-29 | 北京智精灵科技有限公司 | 动态脑网络的脑龄预测建模方法、认知提升方法及*** |
CN116807447B (zh) * | 2023-08-31 | 2023-12-22 | 北京智精灵科技有限公司 | 动态脑网络的脑龄预测建模方法、认知提升方法及*** |
CN117316293A (zh) * | 2023-11-30 | 2023-12-29 | 北京师范大学 | 基于神经影像的脑网络结构与功能耦合方法及装置 |
CN117316293B (zh) * | 2023-11-30 | 2024-04-19 | 北京师范大学 | 基于神经影像的脑网络结构与功能耦合方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105046709B (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105046709A (zh) | 一种基于核磁共振影像的脑龄分析方法 | |
CN110443798B (zh) | 一种基于磁共振图像的自闭症检测方法、装置及*** | |
Zhang et al. | Mapping population-based structural connectomes | |
Kulkarni et al. | Extracting salient features for EEG-based diagnosis of Alzheimer's disease using support vector machine classifier | |
Amico et al. | Mapping hybrid functional-structural connectivity traits in the human connectome | |
van Ravenzwaaij et al. | The EZ diffusion model provides a powerful test of simple empirical effects | |
Stanley et al. | Defining nodes in complex brain networks | |
Sridhar et al. | Brain tumor classification using discrete cosine transform and probabilistic neural network | |
CN103886328B (zh) | 基于脑网络模块结构特征的功能磁共振影像数据分类方法 | |
CN104715261A (zh) | fMRI动态脑功能子网络构建及并联SVM加权识别方法 | |
CN109065128A (zh) | 一种加权图正则化稀疏脑网络构建方法 | |
CN106127769A (zh) | 一种基于脑连接网络的脑龄预测方法 | |
CN105117731A (zh) | 一种大脑功能网络的社团划分方法 | |
CN106650818A (zh) | 基于高阶超网络的静息态功能磁共振影像数据分类方法 | |
US8271414B2 (en) | Network characterization, feature extraction and application to classification | |
CN101502413A (zh) | 神经性精神疾病的显现测试方法 | |
CN101706561A (zh) | 功能性磁共振图像的聚类方法 | |
CN116701871A (zh) | 基于因果特征加权网络的滚动轴承复合故障特征选择方法 | |
CN114842969A (zh) | 一种基于关键纤维束的轻度认知障碍症评估方法 | |
Salman et al. | An approach to automatically label and order brain activity/component maps | |
CN103488889A (zh) | 一种基于多元逻辑回归检测icu患者记录中伪像的方法及*** | |
Lin et al. | Modified multiscale sample entropy and cross-sample entropy based on horizontal visibility graph | |
CN111616686B (zh) | 基于Heaviside核函数的生理信号非平衡性分析方法 | |
Røge et al. | Unsupervised segmentation of task activated regions in fMRI | |
CN114305387A (zh) | 基于磁共振成像的脑小血管病变图像分类方法、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180629 Termination date: 20210714 |
|
CF01 | Termination of patent right due to non-payment of annual fee |