CN112515653A - 一种基于核磁共振图像的脑网络构建方法 - Google Patents
一种基于核磁共振图像的脑网络构建方法 Download PDFInfo
- Publication number
- CN112515653A CN112515653A CN202011072233.4A CN202011072233A CN112515653A CN 112515653 A CN112515653 A CN 112515653A CN 202011072233 A CN202011072233 A CN 202011072233A CN 112515653 A CN112515653 A CN 112515653A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- nuclear magnetic
- network
- voxel
- brain
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 52
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 46
- 238000010276 construction Methods 0.000 title claims abstract description 11
- 238000012937 correction Methods 0.000 claims abstract description 12
- 238000007619 statistical method Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000004886 head movement Effects 0.000 claims abstract description 4
- 238000000638 solvent extraction Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000024806 Brain atrophy Diseases 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Neurology (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种基于核磁共振图像的脑网络构建方法，该方法的步骤包括：1)核磁共振图像的体素块划分：首先对核磁共振图像进行预处理，通过时间层校正、头动校正、标准化，得到配准的核磁共振图像；设定体素块的维度及大小，对配准后的核磁共振图像进行连续的结构划分；2)构建脑网络：将各体素块视为节点，由直方图统计法估计两体素块之间的相关性，选定阈值，构建脑连接网络；3)网络结构特征分析：提取脑网络的结构特征参数，包括网络平均度、网络的平均节点最短路径长度。
Description
技术领域
本发明涉及核磁共振图像处理领域，特别是一种基于核磁共振图像的脑网络构建方法。
背景技术
我们的大脑约占全脑总体积的70％，大脑分为左半球和右半球，它们通过交错的纤维相连，研究大脑的组织构成一直是研究重点。核磁共振成像通过氢原子振动频率在磁场中的变化，能够捕获高分辨率的大脑解剖细节的成像技术。按核磁共振成像的扫描的方式可以将核磁共振图像划分为功能扫描图像和常规扫描图像两大类。常规扫描的核磁共振图像主要反映组织的解剖形态，功能扫描图像则通过不同的方式反映人体血液流动情况、新陈代谢等功能情况信息。
识别脑形态变化是神经影像学研究中的一项具有挑战性的任务。核磁共振成像技术广泛应用于医学领域当中，利用脑核磁共振成像，可以捕获神经性疾病大脑的形态变化。脑疾病例如阿尔兹海默、癫痫以及帕金森，会导致对人脑的认知功能造成损害。通过对阿尔兹海默症的核磁共振图像进行分析诊断，发现随着痴呆症的发展，大脑灰质体积逐渐减少，产生脑萎缩的现象。然而利用人工通过核磁共振图像诊断病情，不仅耗时耗力，而且准确度与医生经验有很大关系。因此研究人员开发了由计算机辅助的诊断***，传统方法是基于感兴趣区域，即选取代表性的切片输入计算机，由计算机完成识别分类，这种方法不仅主观性强，丢失空间信息，耗时而且还存在着不能进行全脑分析，重复性较差的缺点。并且随着网络科学的概念在神经科学领域中的引入，越来越多的神经科学家用网络的方法研究脑结构特征。因此，通过完整的核磁共振图像构建具有空间特性脑网络的研究具有重要意义。
发明内容
针对现有技术的不足之处，本发明拟解决的技术问题是，提出一种基于核磁共振图像的脑网络构建方法，通过对核磁共振图像进行体素块划分，以及体素块间相关性的分析建立脑网络，从而有利于研究脑网络的空间结构特性。本发明解决所述技术问题采用的技术方案是：
一种基于核磁共振图像的脑网络构建方法，该方法的步骤是：
第一步、核磁共振图像的体素块划分：
首先对核磁共振图像进行预处理，通过时间层校正、头动校正、标准化，得到配准的核磁共振图像。设定体素块的维度及大小为n1×n2×n3，将已配准的核磁共振图像划分为N个体素块。
第二步、构建脑网络：
将划分好的N个体素块分别标记为为X1、X2、……、XN，并将其作为网络中的节点。采用直方图统计法对划分后的体素块进行相关性分析，对体素块Xi(1≤i≤N)的n1×n2×n3个值进行箱个数为K的直方图统计，并对体素块Xj(1≤j≤N,i≠j)的n1×n2×n3个值进行同样箱个数为k的直方图统计，然后计算体素块Xi和体素块Xj之间相关性，可根据公式
求得，其中pi(k)和pj(k)分别表示在直方图统计中体素块Xi和体素块Xj第k(1≤k≤K)个箱的统计概率。对任意两两体素块进行相关性计算后，得到一个N×N的加权矩阵，对该矩阵进行阈值为T(0≤T≤1)的比例阈值划分，令加权矩阵中前T×N×N个大的值保留并设定为1，其余为0，由此得到一个阈值化处理的矩阵M，矩阵中的每个元素表示两个体素块之间的相关性，即构建得到基于核磁共振图像的脑网络。
第三步、网络结构特征分析：
基于步骤二构建的核磁共振图像的脑网络平均度，可根据公式
求得，其中dn是矩阵M中第n列所包含值为1的元素的个数。
网络的平均结点最短路径长度，可根据公式
求得，其中Li表示第i个节点平均最短路径长度，可根据公式
求得lij定义为连接两个节点i和j的最短路径上的边数。
与现有技术相比，本发明的有益效果是：
(1)核磁共振图像具有高分辨率和能捕获大脑解剖细节的特点，更能反映大脑的结构特点；(2)通过所述方法中的第二步，选取所有的切层来进行体素块划分，保留更全面的结构信息；(3)相比基于脑电等其他神经影像数据构建脑网络，通过所述方法构建得到的脑网络，具有更丰富的空间结构特性。
附图说明
图1为本发明基于核磁共振图像的脑网络构建方法原理示意图。
具体实施方式
下面结合实施例及附图内容对本发明的技术方案进行清楚完整的描述及说明，但并不以此作为本申请保护范围的限定。
一种基于核磁共振图像的脑网络构建方法，该方法的步骤(如图1所示)包括：
1)核磁共振图像的体素块划分：首先对核磁共振图像进行预处理，通过时间层校正、头动校正、标准化，得到配准的核磁共振图像；设定体素块的维度及大小，对配准后的核磁共振图像进行连续的结构划分；
2)构建脑网络：将各体素块视为节点，由直方图统计法估计两体素块之间的相关性，选定阈值，构建脑连接网络；
3)网络结构特征分析：提取脑网络的结构特征参数，包括网络平均度、网络的平均节点最短路径长度。
本实施例步骤一中，首先核磁共振图像预处理，如图1A(a)所示，首先进行时间层校正，在保持整段采集信号恒定的前提条件下推前或延后采集的起始时间，通过移动采集信号的正弦相位确定各层图像顺序。然后进行头动矫正，把一个核磁共振图像序列中的每帧图像以第一帧进行对齐。最终使用基于B样条的自由变形将图像配准到MNI152模板上，通过将不同形状及大小的实验对象的头部置于标准的空间里，达到用一个公用的物理坐标系去描述大脑相应的位置的目的，以保证建网方法的数据准确性，在本实施例中，最终得到维度为120×150×120的标准核磁共振图像。如图1A(b)所示，设定体素块的维度及大小为60×75×30，可将已配准的核磁共振图像划分为16个体素块。
本实施例步骤二中，将划分好的16个体素块分别标记为为X1、X2、……、X16，并将其作为网络中的节点。如图1B(a)所示，采用直方图统计法对划分后的体素块进行相关性分析，对体素块Xi(1≤i≤16)的135000个值进行箱个数为100的直方图统计，并对体素块Xj(1≤j≤16,i≠j)的135000个值进行同样箱个数为100的直方图统计，然后计算体素块Xi和体素块Xj之间相关性，可根据公式
求得，其中pi(k)和pj(k)分别表示在直方图统计中体素块Xi和体素块Xj元素值在第k(1≤k≤100)个箱的统计概率，本例中求得ρ＝0.3056。如图1B(b)所示，对任意两体素块进行相关性计算后，得到一个16×16的加权矩阵，对该矩阵进行阈值为T＝0.4的比例阈值划分，令加权矩阵中前102个大的值保留并设定为1，其余为0，取由此得到一个阈值化处理的矩阵M，矩阵中的每个元素表示两个体素块之间的相关性，即构建得到基于核磁共振图像的脑网络。
本实施例步骤三中，基于核磁共振图像的脑网络平均度，可根据公式
求得，其中dn是矩阵M中第n列所包含值为1的元素的个数，计算可得D＝9。
网络的平均结点最短路径长度，可根据公式
求得，其中Li表示第i个节点平均最短路径长度，可根据公式
求得lij定义为连接两个节点i和j的最短路径上的边数，计算可得L＝2.88。
综上所述，本实施例为一种基于核磁共振图像的脑网络构建方法，该方法的步骤是：首先，对原始核磁共振图像进行预处理，包括时间层校正、头动校正、标准化以及平滑化；其次，将处理好的三维图像进行分块处理，分成维度、大小相等的体素块；再次，将各体素块视为节点，根据任意两体素块之间的相关性，构建基于核磁共振图像的脑网络；最后，提取脑网络的结构参数，包括脑网络平均连接度、平均节点最短路径。本发明提供了一种基于核磁共振图像的脑网络构建方法，可用于研究脑网络结构特性。
Claims (2)
1.一种基于核磁共振图像的脑网络构建方法，该方法的步骤包括：
1)核磁共振图像的体素块划分：首先对核磁共振图像进行预处理，通过时间层校正、头动校正、标准化，得到配准的核磁共振图像；设定体素块的维度及大小，对配准后的核磁共振图像进行连续的结构划分；
2)构建脑网络：将各体素块视为节点，由直方图统计法估计两体素块之间的相关性，选定阈值，构建脑连接网络，设体素块的维度及大小为n1×n2×n3，将已配准的核磁共振图像划分为N个体素块，构建脑连接网络包括下面的步骤：
(1)将划分好的N个体素块分别标记为为X1、X2、……、XN，并将其作为网络中的节点；
(2)采用直方图统计法对划分后的体素块进行相关性分析，对体素块Xi(1≤i≤N)的n1×n2×n3个值进行箱个数为K的直方图统计，并对体素块Xj(1≤j≤N,i≠j)的n1×n2×n3个值进行同样箱个数为k的直方图统计，然后计算体素块Xi和体素块Xj之间相关性，根据公式(1)求得
其中pi(k)和pj(k)分别表示在直方图统计中体素块Xi和体素块Xj第k(1≤k≤K)个箱的统计概率；对任意两两体素块进行相关性计算后，得到一个N×N的加权矩阵，对该矩阵进行阈值为T(0≤T≤1)的比例阈值划分，令加权矩阵中前T×N×N个大的值保留并设定为1，其余为0，由此得到一个阈值化处理的矩阵M，矩阵中的每个元素表示两个体素块之间的相关性，即构建得到基于核磁共振图像的脑连接网络。
3)网络结构特征分析：提取脑网络的结构特征参数，包括网络平均度、网络的平均节点最短路径长度。
2.根据权利要求1所述的基于核磁共振图像的脑网络构建方法，其特征在于步骤3)包括：
根据式(2)计算基于步骤2)构建的核磁共振图像的脑网络平均度：
其中dn是矩阵M中第n列所包含值为1的元素的个数；
根据式(3)计算脑连接网络的平均结点最短路径长度：
其中Li表示第i个节点平均最短路径长度，根据式(4)求得：
lij定义为连接两个节点i和j的最短路径上的边数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011072233.4A CN112515653B (zh) | 2020-10-09 | 2020-10-09 | 一种基于核磁共振图像的脑网络构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011072233.4A CN112515653B (zh) | 2020-10-09 | 2020-10-09 | 一种基于核磁共振图像的脑网络构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112515653A true CN112515653A (zh) | 2021-03-19 |
| CN112515653B CN112515653B (zh) | 2024-03-26 |
Family
ID=74980567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011072233.4A Active CN112515653B (zh) | 2020-10-09 | 2020-10-09 | 一种基于核磁共振图像的脑网络构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112515653B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113160138A (zh) * | 2021-03-24 | 2021-07-23 | 山西大学 | 一种脑部核磁共振图像分割方法及*** |
| CN116564484A (zh) * | 2023-05-16 | 2023-08-08 | 天津大学 | 一种基于网络稀疏度阈值选择的脑功能网络构建方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103293498A (zh) * | 2012-02-27 | 2013-09-11 | 医影量有限责任公司 | 提供磁化率定量成像的***和方法 |
| CN104346530A (zh) * | 2014-10-29 | 2015-02-11 | 中国科学院深圳先进技术研究院 | 大脑异常参数的提取方法和*** |
| CN104462199A (zh) * | 2014-10-31 | 2015-03-25 | 中国科学院自动化研究所 | 一种网络环境下的近似重复图像搜索方法 |
| CN105335975A (zh) * | 2015-10-22 | 2016-02-17 | 西安电子科技大学 | 基于低秩分解和直方图统计的极化sar图像分割方法 |
| CN106295709A (zh) * | 2016-08-18 | 2017-01-04 | 太原理工大学 | 基于多尺度脑网络特征的功能磁共振影像数据分类方法 |
| KR20190063395A (ko) * | 2017-11-29 | 2019-06-07 | 연세대학교 원주산학협력단 | 자기공명분광 기반 뇌 대사물질에 대한 시변함수를 이용한 뇌 대사물질 네트워크 생성 시스템 및 방법 |
| CN110459317A (zh) * | 2019-08-13 | 2019-11-15 | 东北大学 | 基于动态脑网络图核的阿尔茨海默病辅助诊断***及方法 |
| CN110598722A (zh) * | 2018-06-12 | 2019-12-20 | 清华大学 | 多模态神经影像数据自动信息融合*** |
| CN111127441A (zh) * | 2019-12-25 | 2020-05-08 | 兰州大学 | 一种基于图节点嵌入的多模态脑影像抑郁识别方法和*** |
| US20200260958A1 (en) * | 2017-09-11 | 2020-08-20 | Hitachi, Ltd. | Magnetic Resonance Imaging Apparatus |
| CN111569225A (zh) * | 2020-05-08 | 2020-08-25 | 中国科学技术大学 | 实时功能性磁共振神经反馈调节认知控制的***及方法 |
-
2020
- 2020-10-09 CN CN202011072233.4A patent/CN112515653B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103293498A (zh) * | 2012-02-27 | 2013-09-11 | 医影量有限责任公司 | 提供磁化率定量成像的***和方法 |
| CN104346530A (zh) * | 2014-10-29 | 2015-02-11 | 中国科学院深圳先进技术研究院 | 大脑异常参数的提取方法和*** |
| CN104462199A (zh) * | 2014-10-31 | 2015-03-25 | 中国科学院自动化研究所 | 一种网络环境下的近似重复图像搜索方法 |
| CN105335975A (zh) * | 2015-10-22 | 2016-02-17 | 西安电子科技大学 | 基于低秩分解和直方图统计的极化sar图像分割方法 |
| CN106295709A (zh) * | 2016-08-18 | 2017-01-04 | 太原理工大学 | 基于多尺度脑网络特征的功能磁共振影像数据分类方法 |
| US20200260958A1 (en) * | 2017-09-11 | 2020-08-20 | Hitachi, Ltd. | Magnetic Resonance Imaging Apparatus |
| KR20190063395A (ko) * | 2017-11-29 | 2019-06-07 | 연세대학교 원주산학협력단 | 자기공명분광 기반 뇌 대사물질에 대한 시변함수를 이용한 뇌 대사물질 네트워크 생성 시스템 및 방법 |
| CN110598722A (zh) * | 2018-06-12 | 2019-12-20 | 清华大学 | 多模态神经影像数据自动信息融合*** |
| CN110459317A (zh) * | 2019-08-13 | 2019-11-15 | 东北大学 | 基于动态脑网络图核的阿尔茨海默病辅助诊断***及方法 |
| CN111127441A (zh) * | 2019-12-25 | 2020-05-08 | 兰州大学 | 一种基于图节点嵌入的多模态脑影像抑郁识别方法和*** |
| CN111569225A (zh) * | 2020-05-08 | 2020-08-25 | 中国科学技术大学 | 实时功能性磁共振神经反馈调节认知控制的***及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 于海涛: "神经元网络的同步、共振及控制研究", 《博士电子期刊》, 31 December 2013 (2013-12-31), pages 1 - 115 * |
| 龚军辉: "基于时空双稀疏表示的成人ADHD 脑网络检测与分析", 《自动化学报》, vol. 45, no. 10, 31 October 2019 (2019-10-31), pages 1903 - 1914 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113160138A (zh) * | 2021-03-24 | 2021-07-23 | 山西大学 | 一种脑部核磁共振图像分割方法及*** |
| CN113160138B (zh) * | 2021-03-24 | 2022-07-19 | 山西大学 | 一种脑部核磁共振图像分割方法及*** |
| CN116564484A (zh) * | 2023-05-16 | 2023-08-08 | 天津大学 | 一种基于网络稀疏度阈值选择的脑功能网络构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112515653B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Armanious et al. | Unsupervised medical image translation using cycle-MedGAN | |
| CN108446730B (zh) | 一种基于深度学习的ct肺结节检测装置 | |
| CN111127441B (zh) | 一种基于图节点嵌入的多模态脑影像抑郁识别方法和*** | |
| CN106778687B (zh) | 基于局部评估和全局优化的注视点检测方法 | |
| CN110363760B (zh) | 用于识别医学图像的计算机*** | |
| CN113616184A (zh) | 基于多模态磁共振图像的脑网络建模与个体预测方法 | |
| CN101794372B (zh) | 基于频域分析的步态特征表示及识别方法 | |
| CN103942781B (zh) | 一种基于脑影像的脑网络构造方法 | |
| CN113688862B (zh) | 一种基于半监督联邦学习的脑影像分类方法及终端设备 | |
| Lahoud et al. | Fast and efficient zero-learning image fusion | |
| CN107424145A (zh) | 基于三维全卷积神经网络的核磁共振图像的分割方法 | |
| CN107967686B (zh) | 一种联合动态脑网络和长短时记忆网络的癫痫识别装置 | |
| CN111681230A (zh) | 脑白质高信号评分***及其评分方法 | |
| CN107767358B (zh) | 一种图像中物体模糊度确定方法和装置 | |
| WO2021212715A1 (zh) | 精神***症分类识别方法、运行控制装置及医疗设备 | |
| CN112515653B (zh) | 一种基于核磁共振图像的脑网络构建方法 | |
| CN112837274A (zh) | 一种基于多模态多站点数据融合的分类识别方法 | |
| CN112651469A (zh) | 一种红外与可见光图像融合方法及*** | |
| Li et al. | OI and fMRI signal separation using both temporal and spatial autocorrelations | |
| CN115272295A (zh) | 基于时域-空域联合状态的动态脑功能网络分析方法及*** | |
| Ramana | Alzheimer disease detection and classification on magnetic resonance imaging (MRI) brain images using improved expectation maximization (IEM) and convolutional neural network (CNN) | |
| CN114595715A (zh) | 一种基于多时间尺度的孤独症功能磁共振信号分类方法 | |
| CN116664462B (zh) | 一种基于ms-dsc和i_cbam的红外和可见光图像融合方法 | |
| CN115409843B (zh) | 基于尺度均衡耦合卷积架构的脑神经影像特征提取方法 | |
| CN115909016A (zh) | 基于GCN分析fMRI图像的***、方法、电子设备及介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |