CN108229066A - 一种基于多模态超连接脑网络建模的帕金森自动识别方法 - Google Patents
一种基于多模态超连接脑网络建模的帕金森自动识别方法 Download PDFInfo
- Publication number
- CN108229066A CN108229066A CN201810123845.8A CN201810123845A CN108229066A CN 108229066 A CN108229066 A CN 108229066A CN 201810123845 A CN201810123845 A CN 201810123845A CN 108229066 A CN108229066 A CN 108229066A
- Authority
- CN
- China
- Prior art keywords
- modal
- network
- parkinson
- brain
- hyper linking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Neurology (AREA)
- Surgery (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Neurosurgery (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Hardware Design (AREA)
- High Energy & Nuclear Physics (AREA)
- Computing Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Developmental Disabilities (AREA)
- Geometry (AREA)
- Fuzzy Systems (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明提出了一种基于多模态超连接脑网络建模的帕金森自动识别方法。该方法首先以DTI结构连接作为约束,并将其融合到fMRI脑功能网络构建过程中,构建多模态超连接网络模型;然后,根据超网特性提取点度、边度、合度作为原始特征集合,并使用多任务特征选择方法(semi‑M2TFS)对原始特征集合进行最优特征子集筛选,得到表征帕金森患者与正常人最大差异程度的特征子集;最后,根据上述最优特征子集训练多核支持向量机模式分类器,并将其用于帕金森患者分类诊断。与现有单模态超连接网络建模方法相比,本发明所构建多模态超连接网络能更加真实反映大脑功能连接机理,在分类识别的准确度方面表现更加优异,对辅助帕金森临床诊断和自动识别具有重要意义。
Description
技术领域
本发明提供一种基于扩散张量成像(Diffusion Tensor Imaging,DTI)和功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)的多模态脑网络建模方法,涉及模式分类与机器学习,属于信号处理与模式识别技术领域。
背景技术
帕金森(Parkinson’s disease,PD)是一种常见的神经***退行性疾病,临床表现为运动迟缓、静止性震颤、肌强直、步态姿势异常、嗅觉减退、抑郁等症状,其发病原因及机制迄今不明。目前帕金森临床诊断主要依靠体格检查、病史及患者临床表现进行确诊。但大多数患者确诊时,已处于中晚期,使得多数帕金森患者错失了最佳治疗时期。因此,发展帕金森早期诊断技术,寻找帕金森生物学标记是目前亟待解决的问题。
近年来神经影像技术的发展(如DTI、fMRI等)及复杂网络分析方法的引入,为研究帕金森等神经退行疾病致病机理及脑结构及功能连接网络提供了有效的方法。扩散张量成像通过测量脑组织内水分子弥散特性的变化,评价脑白质纤维的完整性和连续性,使无创性、非侵入性研究脑白质纤维成为可能。研究表明基于DTI结构性脑网络可以更直观地显示各脑区之间的纤维连接情况。如,石峰等(石峰,et al."扩散张量成像在帕金森病认知障碍中的量化研究."磁共振成像6.5(2015):326-332.)通过对30例PD患者和30例正常对照(Normal Control,NC)研究发现PD患者黑质-纹状体环路神经元存在着广泛性损伤。Yoshikawa等(Yoshikawa,K.,et al."Early pathological changes in theparkinsonian brain demonstrated by diffusion tensor MRI."Journal ofNeurology,Neurosurgery&Psychiatry 75.3(2004):481-484.)通过对12例PD患者和10名正常对照进一步研究发现,PD患者黑质纹状体纤维的各向异性分数显著降低,并且这种降低在早期的患者中已经出现。血氧水平依赖性(Blood Oxygenation Level Dependent,BOLD)功能磁共振成像通过监测血氧含量信号的变化情况进而推测大脑神经活动,因其兼具较高的时间分辨率和空间分辨率,在探索人脑及其交互模式方面得到了广泛应用。研究表明,基于fMRI的功能连接脑网络模型能够很好描述神经***疾病连接异常及连接中断现象。如陈俊等(陈俊,et al."功能磁共振成像评价帕金森患者静息状态下脑功能连接."中国医学影像技术6(2009):989-992.)通过对14例PD患者和14例正常对照研究分析发现,PD患者静息态功能性脑网络连接存在异常,表现为皮质-纹状体环路的某些脑区功能连接降低,以及基底神经节并行回路的某些脑区功能连接增强。Seibert等(Seibert,Tyler M.,etal."Interregional correlations in Parkinson disease and Parkinson-relateddementia with resting functional MR imaging."Radiology 263.1(2012):226-234.)通过对PD患者结构及功能连接网络分析发现,与正常对照相比,帕金森痴呆患者双侧前额叶皮质纹状体种子兴趣区与其他兴趣区血氧水平依赖性时间序列间的相关系数减小。
上述研究方法分别从DTI和fMRI角度对PD患者脑网络模型进行分析,但DTI仅对脑白质的微观功能进行评价,无法度量其宏观上的改变;而BOLD-fMRI主要考察脑灰质皮层的功能状态,无法评价脑白质的功能改变,因此基于单模态脑网络仅能反映大脑的一个侧面信息,无法融合不同模态数据提供的互补信息。
针对上述不足,本发明提出一种多模态超连接网络建模方法,通过融合不同模态脑网络信息,实现不同模态信息优势互补。该方法以fMRI脑功能连接网络为基础,在原始Lasso优化算法的基础上加入DTI结构连接约束和超正交最小二乘(Ultra-Least Squares,ULS)算子构建多模态超网模型,实现不同模态信息融合。研究显示,相比单模态脑网络构建方法,多模态超连接网络能够包含测量脑活动更多信息,因而能够更好地刻画多个脑区之间的功能连接关系。这对研究帕金森致病机理、辅助帕金森临床诊断具有重要实际意义。
发明内容
本发明将多模态超连接网络建模方法应用于面向帕金森患者的DTI及fMRI数据中,提供了一种构建帕金森患者大脑网络模型及特征提取方法,所构建超连接脑网络在表征帕金森患者与正常对照之间差异方面效果明显,并且所提特征在帕金森患者与正常对照之间的模式分类中取得了优良的分类效果,分类模型表现出良好的泛化性能。
为实现上述目的,本发明提供了基于多模态超连接脑网络建模的帕金森自动模式分类方法,包括如下步骤:
1.多模态超连接脑网络构建:以fMRI功能连接为基础,DTI结构连接为约束,构建多模态超网模型;
2.特征构建:针对所构建超网连接模型,应用图论及复杂网络分析方法,提取反映超网特性的特征集作为备选特征集合E0;
3.特征选择:从备选特征集合E0中选择在PD患者与正常对照之间具有最大区分能力的最优特征集合E1;
4.分类模型:基于最优特征集合E1,训练多核支持向量机分类模型;
5.模式分类:使用分类器对PD患者进行分类,验证特征子集E1的有效性。
其中,所属步骤1中,对于DTI影像数据,计算每两个脑区间的纤维数目构建纤维追踪数连接网络;而对于fMRI影像数据,在Lasso回归基础之上,以纤维追踪数网络作为约束并加入ULS算子构建超网连接模型。
所属步骤2中,提取超网络中点度、边度、合度三种点边关系,组成特征集合。
所属步骤3中,使用半监督流形正则化的多任务特征选择方法(semi-supervisedmanifold regularized multitask feature selection,semi-M2TFS)进行最优特征子集筛选。
本发明所提供的基于多模态超连接网络建模的帕金森自动识别方法优点包括:
1.多模态脑超连接网络构建方法通过融合不同模态影像数据信息研究脑区间的相互作用关系,能更加真实反映大脑功能机理。
2.超正交最小二乘算子(ULS)考虑时间序列数据不同时刻之间的相关关系,可以有效避免脑网络模型的过拟合问题。
3.本发明提出的超网络连接模型以及点度、边度、合度特征提取方法,简单有效,能最大程度表征PD患者与正常对照之间的脑连接差异。
4.基于本发明的帕金森分类识别模型具有良好的分类效果和分类模型的泛化性能。
附图说明
图1为根据本发明实施例的多模态超网构建及自动分类识别流程示意图。
图2为基于本发明实施例的多模态网络融合方法构建流程示意图。
图3是在十折交叉验证中全部被选中的特征的箱形分布图。
图4是其中四个脑区在PD组与NC组上的超边差异对比图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步的详细说明。
根据本发明的一个实施例,将DTI结构连接网络作为约束项融入到fMRI脑功能网络构建过程中,实现不同模态脑网络信息融合。融合网络同时包含DTI结构连接信息和fMRI功能连接信息。对于融合网络,根据超网特性提取相应节点特征,并构建分类模型用于PD脑疾病分类诊断。图1展示了根据本发明的一个实施例的方法流程图,包括:
首先,对DTI图像计算每两个脑区之间的纤维数目,得到反映大脑结构特性的纤维追踪数网络,并将其作为约束项融入到fMRI脑网络构建过程中,得到超网连接模型(步骤1);然后,提取超网模型点度、边度、合度组成特征集合(步骤2);接着,使用多任务特征选择方法(semi-M2TFS)对原始特征集合进行最优特征子集筛选(步骤3);然后,基于最优特征子集训练模式分类器多核支持向量机(步骤4);最后,采用所训练的模式分类器多核支持向量机进行模式分类,并验证所选特征的有效性和模型的泛化性能(步骤5)。
下面具体介绍根据本发明所提供的多模态超连接网络与模式分类方法的具体步骤:
1.基于DTI和fMRI影像数据,构建多模态超连接网络模型
本发明所提多模态网络融合方法构建流程示意图如图2所示,融合过程主要包括两个步骤。第一步,在Lasso回归基础上加入DTI结构连接纤维追踪数,构成加权Lasso(Weighted Lasso,WLasso),如下式所示:
其中,xi是第i个脑区的fMRI时间序列;λ是正则化调节参数,用于调节αi的稀疏程度;αi=[α1i,…,αji,…,αpi]表示其他脑区对第i个脑区的影响;F∈RP×P是DTI结构连接约束权重矩阵,如下式所示:
Fji=exp(-ρji) (2)
其中,Fji表示第j个脑区对第i个脑区的约束值大小;ρji表示DTI结构连接网络j,i脑区之间纤维追踪数量大小。第二步,在WLasso基础上加入超正交最小二乘算子,即本发明所提多模态网络融合方法ULS-Weighted-Lasso,如下式所示:
其中,为超正交最小二乘(ULS)算子,其通过考虑误差的变化快慢情况,可最大程度减小构建脑网络的过拟合问题。
向量αi中每个非零元素对应的脑区和脑区i将组成一条超边,并且为了获取脑区间多层次的相互作用关系,在ULS-Weighted-Lasso方法中使用多个λ值生成多组超边。对每个脑区应用上述步骤,并去除重复超边即可得到每个样本的多模态超网模型。
2.提取超网点度、边度、合度特征
超网模型可以有效描述多个脑区间的关联关系,根据超网络连接性质,本发明研究点度、边度、合度三种点边关系。对于节点vi,其定义分别如下,
点度:与节点相关联的节点总数;
边度:与节点相关联的超边总数;
合度:与节点vi相关联集合{vi,eλ,vj}的总数。其中,vi保持不变,节点vi与节点vj相邻,超边eλ与节点vi,vj相关联。
对每个样本的每个脑区分别提取上述三种特征,得到特征矩阵A1,A2,A3∈RN×P,其中N为样本个数,P为脑区个数,A1,A2,A3分别对应点度、边度、合度特征矩阵。
3.基于多任务特征选择方法(semi-M2TFS)选择最优特征集合
将点度、边度、合度特征分别看作不同的任务模式,应用semi-M2TFS方法选择最优特征集,具体包括如下几个步骤:
(1)定义对角矩阵H∈RN×N,如果样本k标签已知,则Hkk=1,否则Hkk=0。
(2)对于第m个任务态,定义样本相似矩阵Sm如下式:
其中,是第m次任务样本k的特征值,t是自由参数用于调节样本k和样本q的相似程度。
(3)Semi-M2TFS算法解决如下最优化问题,得到特征系数矩阵W∈RP×3
其中,β,γ是调节参数,M=3为任务数,Lm=Dm-Sm是第m个任务的Laplacian矩阵,Dm是对角矩阵,
通过上述步骤可求得特征系数矩阵W=[w1,w2,w3]∈RP×3,其第j行向量wj对应第j个脑区点度、边度、合度特征权值系数;取W所有非零行对应的特征作为最优特征集合E1。
4.应用模式分类器对所选最优特征子集E1进行机器学习,构建PD分类模型
在该步骤中,选用多核SVM作为最终的分类模型,对最优特征子集E1的三种类型特征进行学习,如下式所示:
其中,是第k个样本第m次任务被选择的特征,是第m次任务中样本k与样本q的线性核函数,μm是第m个线性核函数的权重系数,并且满足为了寻找最优参数μm,对训练集使用交叉验证,并以步长0.1在0到1范围内对参数μm进行寻优。
5.基于最优特征子集训练的分类器进行分类,并分析分类模型的泛化性能
所提特征在表征PD患者与正常人差异方面的识别效果,一方面体现在提取的特征在PD患者与正常人之间差异是否明显,另一方面体现在基于该特征所训练的分类器模型是否有优良的分类性能。基于本发明的一个实施例,从上述两个方面对所提取的最优特征进行评价。实验数据来自PPMI公开数据库(https://ida.loni.usc.edu/collaboration/ access/appLicense.jsp)包括50例PD患者和51例正常对照共101例样本。
(1)差异特征
箱形图又称箱线图或盒式图,是一种用于显示一组信号分散情况的统计图。同一数轴上,信号的箱形图并行排列,可清晰展示信号的中位数、尾长、分布区间、异常值等信息。图3是在十折交叉验证中全部被选中的特征的箱形分布图,从图中可知可以看出,PD患者与正常人在脑区IFGtriang.L、ACG.L、PCUN.R、ITG.R上的点度、边度、合度特征差异非常明显。
表1是本发明中具有最大差异的10个脑区结果,图4展示了其中四个脑区(IFGtring.L、SMA.R、PUT.L、PAL.L)在PD组与NC(正常对照)组上的超边差异对比图,可以发现PD与NC的超边结构存在明显差异。
表1基于本发明所选择的10个最大差异脑区
(2)最优特征在模式分类过程中的效果比较
体现所提特征在表征PD患者与正常人差异程度方面,可由分类效果间接体现,而分类效果可通过正确率(Accuracy)、敏感度(Sensitivity)、特异度(Specificity)、平衡正确率(Balanced Accuracy)等指标体现,以上各指标越大,表明分类效果越好,所提特征差异越明显。
(3)正确率
正确率作为反映一个分类器分类效果的最基本量,分类器分类效果越好,必然有着越高的分类正确率。在分类问题中,正确率计算公式如下:
其中,ACC表示正确率,TP表示被正确分类的正样本数,TN表示被正确分类的负样本数,FP表示被错误分类的负样本数,FN表示被错误分类的正样本数。
(4)敏感度
敏感度又称真阳性率,在医学上表示实际患病(阳性)被诊断出来的百分比,其计算公式如下:
其中,SEN表示敏感度。
(5)特意度
特异度,又称真阴性率,即实际无病按诊断标准被正确判为无病的百分比,反映了筛检实验确定非病人的能力。其计算公式如下:
其中,SPE表示特异度。
(6)平衡正确率
平衡正确率,考虑了信号集中正负样本数存在偏态情况对正确率的影响,其计算公式如下:
其中,BAC表示平衡正确率。
表2列出了基于本发明所构建多模态超网模型与单模态建模方法以及未加ULS多模态超网建模方法分类结果对比。从表中可以看出,基于本发明所构建的多模态超连接网络,准确率达到80.6%,同时还具有良好的SEN、SPE、BAC等指标,表现出良好的泛化性能,其分类效果明显优于单模态及WLasso超网建模方法。
表2不同超连接网络建模方法模式分类结果对比
本发明提出的多模态超连接网络建模与模式分类方法的目的是准确构建PD患者大脑超连接网络模型,提取最大化差异特征,辅助PD临床诊断。同时,本说明书中所描述的超连接网络建模及模式分类方法也适用于其他脑疾病的诊断分析。
以上对本发明所提供的基于多模态超连接网络建模的帕金森自动识别方法进行了详细的说明,然而,本发明的范围并不局限于此。在不脱离所附权利要求书所提供的保护范围的情况下,对上述实施例的各种改变都在本发明的范围之内。
Claims (4)
1.一种基于多模态超连接脑网络建模的帕金森自动识别方法,其特征在于包括:
步骤1:多模态脑网络构建:以fMRI功能连接为基础,DTI结构连接为约束,构建多模态超网模型;
步骤2:特征构建:针对所构建超网连接模型,应用复杂网络分析方法,提取反映超网特性的特征集作为备选特征集合E0;
步骤3:特征选择:从备选特征集合E0中选取在帕金森(PD)患者与正常对照之间具有最大区分能力的最优特征集合E1;
步骤4:分类模型:基于最优特征集合E1,训练多核支持向量机分类模型;
步骤5:模式分类:使用分类器对PD患者进行分类,验证特征子集E1的有效性。
2.如权利要求1所述的基于多模态超连接脑网络建模的帕金森自动识别方法,特征在于:
所述步骤1中,使用DTI结构连接网络的纤维连接数作为约束项,并将其应用于fMRI功能脑网络构建过程中,得到多模态超连接网络。
3.如权利要求1所述的基于多模态超连接网络建模的帕金森自动识别方法,特征在于:
所述步骤1中,通过在加权Lasso基础上加入超正交最小二乘算子(ULS)构建多模态超连接网络,如下式所示:
其中,为超正交最小二乘算子。
4.如权利要求1所述的基于多模态超连接网络建模的帕金森自动识别方法,特征在于:
所述步骤2中,提取超网络中点度、边度、合度三种点边关系,组成备选特征集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810123845.8A CN108229066A (zh) | 2018-02-07 | 2018-02-07 | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810123845.8A CN108229066A (zh) | 2018-02-07 | 2018-02-07 | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108229066A true CN108229066A (zh) | 2018-06-29 |
Family
ID=62671104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810123845.8A Pending CN108229066A (zh) | 2018-02-07 | 2018-02-07 | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229066A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960341A (zh) * | 2018-07-23 | 2018-12-07 | 安徽师范大学 | 一种面向脑网络的结构化特征选择方法 |
CN109222967A (zh) * | 2018-10-26 | 2019-01-18 | 哈尔滨工业大学 | 基于离群点三次样条插值的脑电信号中眼电伪迹去除方法 |
CN109273084A (zh) * | 2018-11-06 | 2019-01-25 | 中山大学附属第医院 | 基于多模态超声组学特征建模的方法及*** |
CN109412718A (zh) * | 2018-12-24 | 2019-03-01 | 电子科技大学 | 宽带频谱信号检测方法 |
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*** |
CN109947954A (zh) * | 2018-07-09 | 2019-06-28 | 北京邮电大学 | 多任务协同识别方法及*** |
CN110335685A (zh) * | 2019-07-05 | 2019-10-15 | 河海大学常州校区 | 一种基于脑连接对偶子空间学习的adhd分类诊断方法 |
CN110378390A (zh) * | 2019-06-24 | 2019-10-25 | 广东工业大学 | 一种多任务的图分类方法 |
CN110491501A (zh) * | 2019-08-14 | 2019-11-22 | 电子科技大学 | 一种青少年孤独症大脑功能网络模型分析方法 |
CN110795973A (zh) * | 2018-08-03 | 2020-02-14 | 北京大学 | 多模态融合的动作识别方法、装置及计算机可读存储介质 |
CN111090764A (zh) * | 2019-12-20 | 2020-05-01 | 中南大学 | 基于多任务学习和图卷积神经网络的影像分类方法及装置 |
CN111212600A (zh) * | 2018-09-10 | 2020-05-29 | 和人人工知能科技有限公司 | 帕金森病诊断装置及方法 |
CN111414579A (zh) * | 2020-02-19 | 2020-07-14 | 深圳市儿童医院 | 基于多角度相关关系获取脑区关联信息的方法和*** |
CN111753833A (zh) * | 2020-07-23 | 2020-10-09 | 南京脑科医院 | 基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法 |
CN112418337A (zh) * | 2020-11-27 | 2021-02-26 | 太原理工大学 | 基于脑功能超网络模型的多特征融合数据分类方法 |
CN112712891A (zh) * | 2020-12-28 | 2021-04-27 | 聊城大学 | 一种无超参数的大脑功能连接网络学习方法 |
CN113317763A (zh) * | 2021-06-30 | 2021-08-31 | 平安科技(深圳)有限公司 | 基于多模态的帕金森病检测装置及计算机可读存储介质 |
JP2022507861A (ja) * | 2018-11-20 | 2022-01-18 | センター フォー エクセレンス イン ブレイン サイエンス アンド インテリジェンス テクノロジー,チャイニーズ アカデミー オブ サイエンシーズ | 脳機能地図のサル-ヒト種間移行に基づいて精神疾患の個別的予測を行う方法およびシステム |
CN114129147A (zh) * | 2021-10-14 | 2022-03-04 | 北京理工大学 | 基于脑功能网络的帕金森患者dbs术后效果预测***及方法 |
CN117372440A (zh) * | 2023-12-08 | 2024-01-09 | 北京邮电大学 | 阿尔茨海默病风险预警模型训练方法、预警方法及设备 |
JP7492640B1 (ja) | 2023-04-03 | 2024-05-29 | 之江実験室 | 脳ネットワークデータ特徴抽出方法および装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103942781A (zh) * | 2014-04-01 | 2014-07-23 | 北京师范大学 | 一种基于脑影像的脑网络构造方法 |
CN104207776A (zh) * | 2014-08-22 | 2014-12-17 | 南昌大学 | 一种综合性磁共振成像装置及方法 |
CN104887224A (zh) * | 2015-05-29 | 2015-09-09 | 北京航空航天大学 | 面向癫痫脑电信号的特征提取与自动识别方法 |
-
2018
- 2018-02-07 CN CN201810123845.8A patent/CN108229066A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942781A (zh) * | 2014-04-01 | 2014-07-23 | 北京师范大学 | 一种基于脑影像的脑网络构造方法 |
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 |
CN104207776A (zh) * | 2014-08-22 | 2014-12-17 | 南昌大学 | 一种综合性磁共振成像装置及方法 |
CN104887224A (zh) * | 2015-05-29 | 2015-09-09 | 北京航空航天大学 | 面向癫痫脑电信号的特征提取与自动识别方法 |
Non-Patent Citations (5)
Title |
---|
DAJIANG ZHU等: "Exploring High-Order Functional Interactions via Structurally-Weighted LASSO Models", 《IPMI 2013:INFORMATION PROCESSING IN MEDICAL IMAGING》 * |
XI JIANG等: "Fiber Connection Pattern-Guided Structured Sparse Representation of Whole-Brain fMRI Signals for Functional Network Inference", 《MICCAI 2015: MEDICAL IMAGE COMPUTING AND COMPUTER-ASSISTED INTERVENTION》 * |
XING MENG等: "Predicting individualized clinical measures by a generalized prediction framework and multimodal fusion of MRI data", 《NEUROIMAGE》 * |
YANG LI等: "Multimodal Hyper-connectivity Networks for MCI Classification", 《MEDICAL IMAGE COMPUTING AND COMPUTER ASSISTED INTERVENTION - MICCAI 2017》 * |
YANG LI等: "Structural Connectivity Guided Sparse Effective Connectivity for MCI Identification", 《MACHINE LEARNING IN MEDICAL IMAGING.MLMI 2017》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947954A (zh) * | 2018-07-09 | 2019-06-28 | 北京邮电大学 | 多任务协同识别方法及*** |
CN108960341B (zh) * | 2018-07-23 | 2022-03-01 | 安徽师范大学 | 一种面向脑网络的结构化特征选择方法 |
CN108960341A (zh) * | 2018-07-23 | 2018-12-07 | 安徽师范大学 | 一种面向脑网络的结构化特征选择方法 |
CN110795973A (zh) * | 2018-08-03 | 2020-02-14 | 北京大学 | 多模态融合的动作识别方法、装置及计算机可读存储介质 |
CN111212600A (zh) * | 2018-09-10 | 2020-05-29 | 和人人工知能科技有限公司 | 帕金森病诊断装置及方法 |
CN111212600B (zh) * | 2018-09-10 | 2021-05-28 | 和人人工知能科技有限公司 | 帕金森病诊断装置 |
CN109222967A (zh) * | 2018-10-26 | 2019-01-18 | 哈尔滨工业大学 | 基于离群点三次样条插值的脑电信号中眼电伪迹去除方法 |
CN109273084A (zh) * | 2018-11-06 | 2019-01-25 | 中山大学附属第医院 | 基于多模态超声组学特征建模的方法及*** |
CN109273084B (zh) * | 2018-11-06 | 2021-06-22 | 中山大学附属第一医院 | 基于多模态超声组学特征建模的方法及*** |
JP7276915B2 (ja) | 2018-11-20 | 2023-05-18 | センター フォー エクセレンス イン ブレイン サイエンス アンド インテリジェンス テクノロジー,チャイニーズ アカデミー オブ サイエンシーズ | 脳機能地図のサル-ヒト種間移行に基づいて精神疾患の個別的予測を行う方法およびシステム |
JP2022507861A (ja) * | 2018-11-20 | 2022-01-18 | センター フォー エクセレンス イン ブレイン サイエンス アンド インテリジェンス テクノロジー,チャイニーズ アカデミー オブ サイエンシーズ | 脳機能地図のサル-ヒト種間移行に基づいて精神疾患の個別的予測を行う方法およびシステム |
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*** |
CN109412718A (zh) * | 2018-12-24 | 2019-03-01 | 电子科技大学 | 宽带频谱信号检测方法 |
CN109412718B (zh) * | 2018-12-24 | 2021-07-09 | 电子科技大学 | 宽带频谱信号检测方法 |
CN110378390A (zh) * | 2019-06-24 | 2019-10-25 | 广东工业大学 | 一种多任务的图分类方法 |
CN110335685A (zh) * | 2019-07-05 | 2019-10-15 | 河海大学常州校区 | 一种基于脑连接对偶子空间学习的adhd分类诊断方法 |
CN110491501A (zh) * | 2019-08-14 | 2019-11-22 | 电子科技大学 | 一种青少年孤独症大脑功能网络模型分析方法 |
CN110491501B (zh) * | 2019-08-14 | 2023-05-02 | 电子科技大学 | 一种青少年孤独症大脑功能网络模型分析方法 |
CN111090764A (zh) * | 2019-12-20 | 2020-05-01 | 中南大学 | 基于多任务学习和图卷积神经网络的影像分类方法及装置 |
CN111414579A (zh) * | 2020-02-19 | 2020-07-14 | 深圳市儿童医院 | 基于多角度相关关系获取脑区关联信息的方法和*** |
CN111414579B (zh) * | 2020-02-19 | 2023-05-23 | 深圳市儿童医院 | 基于多角度相关关系获取脑区关联信息的方法和*** |
CN111753833A (zh) * | 2020-07-23 | 2020-10-09 | 南京脑科医院 | 基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法 |
CN112418337B (zh) * | 2020-11-27 | 2021-11-02 | 太原理工大学 | 基于脑功能超网络模型的多特征融合数据分类方法 |
CN112418337A (zh) * | 2020-11-27 | 2021-02-26 | 太原理工大学 | 基于脑功能超网络模型的多特征融合数据分类方法 |
CN112712891B (zh) * | 2020-12-28 | 2022-02-08 | 聊城大学 | 一种无超参数的大脑功能连接网络学习方法 |
CN112712891A (zh) * | 2020-12-28 | 2021-04-27 | 聊城大学 | 一种无超参数的大脑功能连接网络学习方法 |
CN113317763A (zh) * | 2021-06-30 | 2021-08-31 | 平安科技(深圳)有限公司 | 基于多模态的帕金森病检测装置及计算机可读存储介质 |
CN113317763B (zh) * | 2021-06-30 | 2024-03-19 | 平安科技(深圳)有限公司 | 基于多模态的帕金森病检测装置及计算机可读存储介质 |
CN114129147A (zh) * | 2021-10-14 | 2022-03-04 | 北京理工大学 | 基于脑功能网络的帕金森患者dbs术后效果预测***及方法 |
JP7492640B1 (ja) | 2023-04-03 | 2024-05-29 | 之江実験室 | 脳ネットワークデータ特徴抽出方法および装置 |
CN117372440A (zh) * | 2023-12-08 | 2024-01-09 | 北京邮电大学 | 阿尔茨海默病风险预警模型训练方法、预警方法及设备 |
CN117372440B (zh) * | 2023-12-08 | 2024-03-19 | 北京邮电大学 | 阿尔茨海默病风险预警模型训练方法、预警方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229066A (zh) | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 | |
Aerts et al. | Modeling brain dynamics in brain tumor patients using the virtual brain | |
Archer et al. | A template and probabilistic atlas of the human sensorimotor tracts using diffusion MRI | |
Wig et al. | Concepts and principles in the analysis of brain networks | |
Stanley et al. | Defining nodes in complex brain networks | |
O’Donnell et al. | A method for clustering white matter fiber tracts | |
EP3884862A1 (en) | Method and system for individualized prediction of mental illness on basis of brain function map monkey-human cross-species migration | |
Schmitz et al. | Hemispheric asymmetries in cortical gray matter microstructure identified by neurite orientation dispersion and density imaging | |
Tymofiyeva et al. | Structural MRI connectome in development: challenges of the changing brain | |
Abidin et al. | Detecting cognitive impairment in HIV-infected individuals using mutual connectivity analysis of resting state functional MRI | |
Ma et al. | Extensive cortical functional connectivity of the human hippocampal memory system | |
CN112418337B (zh) | 基于脑功能超网络模型的多特征融合数据分类方法 | |
John et al. | The cortical spectrum: A robust structural continuum in primate cerebral cortex revealed by histological staining and magnetic resonance imaging | |
van Albada et al. | Bringing anatomical information into neuronal network models | |
Moody et al. | The connectomes: methods of white matter tractography and contributions of resting state fMRI | |
Scharwächter et al. | Network analysis of neuroimaging in mice | |
Brown et al. | Predictive connectome subnetwork extraction with anatomical and connectivity priors | |
Pur et al. | Mapping of Structure-Function Age-Related Connectivity Changes on Cognition Using Multimodal MRI | |
Scholtens et al. | Common microscale and macroscale principles of connectivity in the human brain | |
Lamani et al. | Multi-atlas graph convolutional networks and convolutional recurrent neural networks-based ensemble learning for classification of autism spectrum disorders | |
Li et al. | Diffusion tensor-based fast marching for modeling human brain connectivity network | |
Miri Ashtiani et al. | Analysis of brain functional connectivity network in MS patients constructed by modular structure of sparse weights from cognitive task-related fMRI | |
Shi et al. | Intra-and inter-hemispheric structural connectome in agenesis of the corpus callosum | |
Vega-Pons et al. | Differential effects of brain disorders on structural and functional connectivity | |
Caiazzo et al. | Structural connectome with high angular resolution diffusion imaging MRI: assessing the impact of diffusion weighting and sampling on graph-theoretic measures |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |