CN115040147A - 一种基于18f-fdg pet代谢网络的帕金森症预测方法 - Google Patents
一种基于18f-fdg pet代谢网络的帕金森症预测方法 Download PDFInfo
- Publication number
- CN115040147A CN115040147A CN202210616879.7A CN202210616879A CN115040147A CN 115040147 A CN115040147 A CN 115040147A CN 202210616879 A CN202210616879 A CN 202210616879A CN 115040147 A CN115040147 A CN 115040147A
- Authority
- CN
- China
- Prior art keywords
- metabolic
- parkinson
- metabolic network
- fdg pet
- method based
- 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
- 230000002503 metabolic effect Effects 0.000 title claims abstract description 48
- 208000018737 Parkinson disease Diseases 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000003745 diagnosis Methods 0.000 claims abstract description 17
- 210000004556 brain Anatomy 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims description 9
- 210000003710 cerebral cortex Anatomy 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000008103 glucose Substances 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000001936 parietal effect Effects 0.000 abstract description 3
- 230000002739 subcortical effect Effects 0.000 abstract description 3
- 230000002123 temporal effect Effects 0.000 abstract description 3
- 239000003814 drug Substances 0.000 abstract description 2
- 230000003449 preventive effect Effects 0.000 abstract description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 4
- 210000004885 white matter Anatomy 0.000 description 3
- 206010019196 Head injury Diseases 0.000 description 2
- 230000008986 metabolic interaction Effects 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- ZCXUVYAZINUVJD-AHXZWLDOSA-N 2-deoxy-2-((18)F)fluoro-alpha-D-glucose Chemical compound OC[C@H]1O[C@H](O)[C@H]([18F])[C@@H](O)[C@@H]1O ZCXUVYAZINUVJD-AHXZWLDOSA-N 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 208000027089 Parkinsonian disease Diseases 0.000 description 1
- 206010034010 Parkinsonism Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000015114 central nervous system disease Diseases 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 230000006371 metabolic abnormality Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 208000011117 substance-related disease Diseases 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Databases & Information Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- General Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Quality & Reliability (AREA)
- Dentistry (AREA)
- Neurosurgery (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明的一种基于18F‑FDG PET代谢网络的帕金森症预测方法，属于预防医学技术领域。本发明的方法为采集对象的脑部CT数据并进行处理，构建代谢网络获取链接以及图论属性后，基于多核SVM对不同连接信息融合并训练分类，建立PD诊断预测模型，使用训练好的模型进行预测。基于代谢网络发现PD患者额叶、顶叶和枕叶区域的大多数共识连接减少，而前额叶、颞叶和皮层下区域增加。这些异常的功能网络测量在从HC个体中识别PD个体方面表现出理想的分类性能，准确率高达91.84％。
Description
技术领域
本发明属于预防医学技术领域，具体来说是一种基于18F-FDG PET代谢网络的帕金森症预测方法。
背景技术
目前全球约有620万人受到影响，帕金森病(PD)是第二常见的神经退行性运动障碍，其患病率在未来几十年可能会增加(Vos等人，2017年)。不幸的是，PD的诊断和疾病严重程度评估主要通过临床检查和随访来评估。迫切需要一种有效的复诊预测方法提升PD的诊断性能。使用18F-氟脱氧葡萄糖(18F-FDG PET)的正电子发射断层扫描是一种功能性神经成像技术，可在***水平上测量PD的代谢异常。现有基于PET的方法直接利用PET数据进行诊断，通常未能考虑区域间的代谢相互作用，可能会丢失有关代谢拓扑或网络中个体差异的相关信息，大大降低诊断性能。
经过检索，中国发明专利：一种基于核磁共振的帕金森预测方法(申请号为CN201810983951.3，申请日为2018.08.27)，该申请案公开了一种基于核磁共振的帕金森预测方法，包括：获取待诊断的颅脑核磁共振图像；对所述待诊断的颅脑核磁共振图像进行处理，获得待诊断脑白质图像；基于预先训练的帕金森预测模型根据所述待诊断脑白质图像对帕金森进行预测。相应的，本发明还公开了一种基于核磁共振的帕金森预测***、计算机可读存储介质及终端设备。采用本发明的技术方案能够实现对帕金森的预测，并且提高预测准确率。但是该申请案的不足之处在于仅仅通过基于脑白质图像的形态分析进行判断，不够全面从而导致识别率低的问题。
发明内容
1.发明要解决的技术问题
本发明的目的在于解决现有的基于PET的方法直接利用PET数据进行诊断，通常未能考虑区域间的代谢相互作用，可能会丢失有关代谢拓扑或网络中个体差异的相关信息，大大降低诊断性能的问题。
2.技术方案
为达到上述目的，本发明提供的技术方案为：
本发明的一种基于18F-FDG PET代谢网络的帕金森症预测方法，采集对象的脑部CT数据并进行处理，构建代谢网络获取链接以及图论属性后，基于多核SVM对不同连接信息融合并训练分类，建立PD诊断预测模型，使用训练好的模型进行预测。
优选的，所述方法具体包括如下步骤：
S100、数据采集；
S200、数据预处理；
S300、代谢网络构建；
S400、特征提取，获取链接以及图论属性；
S500、建立PD诊断预测模型；
S600、预测结果。
优选的，所述步骤S100的数据采集具体为使用PET/CT扫描仪对对象进行扫描后建立3维(3D)模型，使用具有6次迭代和6个子集方法的有序子集期望最大化算法重建图像。
优选的，所述步骤S200的数据预处理具体为利用基于SPM工具包进行数据预处理，将单个18F-FDG PET图像体积空间归一化为具有线性和非线性3D变换的标准立体定向蒙特利尔神经病学研究所(MNI)空间，应用自动解剖标记(AAL)图谱将大脑皮层分割成90个区域。
优选的，所述步骤S300的代谢网络构建具体为使用JS散度来捕获任意2个区域中脑葡萄糖代谢相似性的统计关系，进而描绘个体代谢联系使用来自AAL地图集的90个ROI表示脑节点，以描绘个体代谢网络；
提取每个ROI中的体素强度，并通过使用核密度估计来估计相应ROI的概率密度函数(PDF)；根据Jensen-Shannon(JS)散度得到代谢网络连接如下：
JSs(P||Q)＝exp(-DJS(P||Q))；
其中，
P和Q代表不同ROI的概率密度函数，M＝0.5×(P+Q)，DkL(·|·)代表KL散度。
优选的，所述步骤S400具体为基于构建的代谢网络提取全局和局部属性，所述全局属性包括聚类系数(C_p)、特征路径长度(L_p)、归一化聚类系数(γ)、归一化特征路径长度(λ)、小世界(σ)、全局效率(E_global)和模块化得分(Q)；所述局部属性包括度中心性、节点效率、中介中心性、最短路径长度和节点聚类系数。
优选的，所述步骤S500具体为基于多核SVM对不同连接信息融合并训练分类，在不同的稀疏阈值(0.02-0.5，步长为0.01)下对网络进行了稀疏化，得到了稀疏阈值下对应节点属性的49个值的总和，然后将每个节点的49个值的总和(曲线下面积，AUC)作为属性的输入来训练分类器后建立PD诊断预测模型。
3.有益效果
采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：
本发明的一种基于18F-FDG PET代谢网络的帕金森症预测方法，采集对象的脑部CT数据并进行处理，构建代谢网络获取链接以及图论属性后，基于多核SVM对不同连接信息融合并训练分类，建立PD诊断预测模型，使用训练好的模型进行预测。基于代谢网络发现PD患者额叶、顶叶和枕叶区域的大多数共识连接减少，而前额叶、颞叶和皮层下区域增加。这些异常的功能网络测量在从HC个体中识别PD个体方面表现出理想的分类性能，准确率高达91.84％。
附图说明
图1为本发明的方法流程图；
图2为实施例2的共识连接图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例1
参照附图1，本实施例的一种基于18F-FDG PET代谢网络的帕金森症预测方法，采集对象的脑部CT数据并进行处理，构建代谢网络获取链接以及图论属性后，基于多核SVM对不同连接信息融合并训练分类，建立PD诊断预测模型，使用训练好的模型进行预测。基于代谢网络发现PD患者额叶、顶叶和枕叶区域的大多数共识连接减少，而前额叶、颞叶和皮层下区域增加。这些异常的功能网络测量在从HC个体中识别PD个体方面表现出理想的分类性能，准确率高达91.84％。
所述方法具体包括如下步骤：
S100、数据采集；
S200、数据预处理；
S300、代谢网络构建；
S400、特征提取，获取链接以及图论属性；
S500、建立PD诊断预测模型；
S600、预测结果。
所述步骤S100的数据采集具体为使用PET/CT扫描仪对对象进行扫描后建立3维(3D)模型，使用具有6次迭代和6个子集方法的有序子集期望最大化算法重建图像。
所述步骤S200的数据预处理具体为利用基于SPM工具包进行数据预处理，将单个18F-FDG PET图像体积空间归一化为具有线性和非线性3D变换的标准立体定向蒙特利尔神经病学研究所(MNI)空间，应用自动解剖标记(AAL)图谱将大脑皮层分割成90个区域。
所述步骤S300的代谢网络构建具体为使用JS散度来捕获任意2个区域中脑葡萄糖代谢相似性的统计关系，进而描绘个体代谢联系使用来自AAL地图集的90个ROI表示脑节点，以描绘个体代谢网络；
提取每个ROI中的体素强度，并通过使用核密度估计来估计相应ROI的概率密度函数(PDF)；根据Jensen-Shannon(JS)散度得到代谢网络连接如下：
JSs(P||Q)＝exp(-DJS(P||Q))；
其中，
P和Q代表不同ROI的概率密度函数，M＝0.5×(P+Q)，DkL(·|·)代表KL散度。
所述步骤S400具体为基于构建的代谢网络提取全局和局部属性，所述全局属性包括聚类系数(C_p)、特征路径长度(L_p)、归一化聚类系数(γ)、归一化特征路径长度(λ)、小世界(σ)、全局效率(E_global)和模块化得分(Q)；所述局部属性包括度中心性、节点效率、中介中心性、最短路径长度和节点聚类系数。
所述步骤S500具体为基于多核SVM对不同连接信息融合并训练分类，在不同的稀疏阈值(0.02-0.5，步长为0.01)下对网络进行了稀疏化，得到了稀疏阈值下对应节点属性的49个值的总和，然后将每个节点的49个值的总和(曲线下面积，AUC)作为属性的输入来训练分类器后建立PD诊断预测模型。
实施例2
共有49名患者(33名男性和16名女性参与者，53.94±11.16岁)，根据国际帕金森和运动障碍协会(MDS)诊断标准诊断为特发性PD，并使用18F-FDG PET扫描，在2018年1月至2019年12月期间连续参加了这项研究。排除了有头部受伤、脑卒中、颅内手术、精神疾病和物质使用障碍病史的患者。详细的临床参与者信息见表1。此外，随机招募了49名年龄、教育和性别分布相匹配的HC，以获得规范数据。没有一个HC有认知障碍、精神疾病、中枢神经***疾病或头部受伤的病史。所有参与者都提供了书面知情同意书。
表1.PD患者和HC的人口统计学和临床特征
将单个18F-FDG PET图像体积空间归一化为具有线性和非线性3D变换的标准MNI空间。为了便于在所有参与者之间进行比较，进行了去基线操作。之后，应用自动解剖标记(AAL)图谱将大脑皮层分割成90个区域(没有小脑的每个半球45个区域)。获取对应图像后，利用JSSE(JSs(P||Q)＝exp(-DJS(P||Q)))构建代谢网络。所构建的代谢网络，进一步提取全局以及局部图论属性，其中，全局图论属性如下：
表2.所构建代谢网络的全局图论属性
Ar,assortativity；Cp,clustering coefficient；Eglobal,global efficiency；Elocal,local efficiency；Hr,hierarchy；Lp,characteristic path length；NC,normalcontrol；PD,Parkinson's disease；Q,modularity score；Sr,synchronization；γ,normalized clustering coefficient；λ,normalized characteristic path length；σ,small-world.*p-value<0.05.
得到共识连接如图2：
最后利用各种模态以及多核分类结果如下：可以看出可以有效进行PD分类诊断。
表3分类精度
Note:C+G+N methods are significantly superior to Connection,Global,and Nodal under 95％confidence interval with p-value equals to 0.0482,4×10-6and0.0115 respectively。
以上所述实施例仅表达了本发明的某种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制；应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围；因此，本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于18F-FDG PET代谢网络的帕金森症预测方法，其特征在于：采集对象的脑部CT数据并进行处理，构建代谢网络获取链接以及图论属性后，基于多核SVM对不同连接信息融合并训练分类，建立PD诊断预测模型，使用训练好的模型进行预测。
2.根据权利要求1所述的一种基于18F-FDG PET代谢网络的帕金森症预测方法，其特征在于，所述方法具体包括如下步骤：
S100、数据采集；
S200、数据预处理；
S300、代谢网络构建；
S400、特征提取，获取链接以及图论属性；
S500、建立PD诊断预测模型；
S600、预测结果。
3.根据权利要求2所述的一种基于18F-FDG PET代谢网络的帕金森症预测方法，其特征在于：所述步骤S100的数据采集具体为使用PET/CT扫描仪对对象进行扫描后建立3维(3D)模型，使用具有6次迭代和6个子集方法的有序子集期望最大化算法重建图像。
4.根据权利要求2所述的一种基于18F-FDG PET代谢网络的帕金森症预测方法，其特征在于：所述步骤S200的数据预处理具体为利用基于SPM工具包进行数据预处理，将单个18F-FDG PET图像体积空间归一化为具有线性和非线性3D变换的标准立体定向蒙特利尔神经病学研究所(MNI)空间，应用自动解剖标记(AAL)图谱将大脑皮层分割成90个区域。
5.根据权利要求2所述的一种基于18F-FDG PET代谢网络的帕金森症预测方法，其特征在于：所述步骤S300的代谢网络构建具体为使用JS散度来捕获任意2个区域中脑葡萄糖代谢相似性的统计关系，进而描绘个体代谢联系使用来自AAL地图集的90个ROI表示脑节点，以描绘个体代谢网络；
提取每个ROI中的体素强度，并通过使用核密度估计来估计相应ROI的概率密度函数(PDF)；根据Jensen-Shannon(JS)散度得到代谢网络连接如下：
JSs(P||Q)＝exp(-DJS(P||Q))；
其中，
P和Q代表不同ROI的概率密度函数，M＝0.5×(P+Q)，DKL(·|·)代表KL散度。
6.根据权利要求2所述的一种基于18F-FDG PET代谢网络的帕金森症预测方法，其特征在于：所述步骤S400具体为基于构建的代谢网络提取全局和局部属性，所述全局属性包括聚类系数(C_p)、特征路径长度(L_p)、归一化聚类系数(γ)、归一化特征路径长度(λ)、小世界(σ)、全局效率(E_global)和模块化得分(Q)；所述局部属性包括度中心性、节点效率、中介中心性、最短路径长度和节点聚类系数。
7.根据权利要求2所述的一种基于18F-FDG PET代谢网络的帕金森症预测方法，其特征在于：所述步骤S500具体为基于多核SVM对不同连接信息融合并训练分类，在不同的稀疏阈值(0.02-0.5，步长为0.01)下对网络进行了稀疏化，得到了稀疏阈值下对应节点属性的49个值的总和，然后将每个节点的49个值的总和(曲线下面积，AUC)作为属性的输入来训练分类器后建立PD诊断预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210616879.7A CN115040147A (zh) | 2022-06-01 | 2022-06-01 | 一种基于18f-fdg pet代谢网络的帕金森症预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210616879.7A CN115040147A (zh) | 2022-06-01 | 2022-06-01 | 一种基于18f-fdg pet代谢网络的帕金森症预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115040147A true CN115040147A (zh) | 2022-09-13 |
Family
ID=83159899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210616879.7A Pending CN115040147A (zh) | 2022-06-01 | 2022-06-01 | 一种基于18f-fdg pet代谢网络的帕金森症预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115040147A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116895360A (zh) * | 2023-09-11 | 2023-10-17 | 首都医科大学宣武医院 | 一种应用于mci患者的药物疗效预测方法、***、终端及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050215889A1 (en) * | 2004-03-29 | 2005-09-29 | The Board of Supervisory of Louisiana State University | Methods for using pet measured metabolism to determine cognitive impairment |
| CN109222902A (zh) * | 2018-08-27 | 2019-01-18 | 上海铱硙医疗科技有限公司 | 基于核磁共振的帕金森预测方法、***、存储介质及设备 |
| CN112353381A (zh) * | 2020-11-24 | 2021-02-12 | 杭州冉曼智能科技有限公司 | 基于多模态大脑影像的阿尔茨海默症综合诊断*** |
| CN112365464A (zh) * | 2020-11-09 | 2021-02-12 | 成都信息工程大学 | 一种基于gan的医学图像病变区域弱监督定位方法 |
| CN113303782A (zh) * | 2021-05-20 | 2021-08-27 | 南京伯睿生命科学研究院有限公司 | 基于核磁共振波谱的阿尔茨海默症svm分类模型构建方法 |
| CN114533102A (zh) * | 2022-01-28 | 2022-05-27 | 深圳先进技术研究院 | 一种使用全身suv图像调查个体水平的全身代谢异常的方法 |
-
2022
- 2022-06-01 CN CN202210616879.7A patent/CN115040147A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050215889A1 (en) * | 2004-03-29 | 2005-09-29 | The Board of Supervisory of Louisiana State University | Methods for using pet measured metabolism to determine cognitive impairment |
| CN109222902A (zh) * | 2018-08-27 | 2019-01-18 | 上海铱硙医疗科技有限公司 | 基于核磁共振的帕金森预测方法、***、存储介质及设备 |
| CN112365464A (zh) * | 2020-11-09 | 2021-02-12 | 成都信息工程大学 | 一种基于gan的医学图像病变区域弱监督定位方法 |
| CN112353381A (zh) * | 2020-11-24 | 2021-02-12 | 杭州冉曼智能科技有限公司 | 基于多模态大脑影像的阿尔茨海默症综合诊断*** |
| CN113303782A (zh) * | 2021-05-20 | 2021-08-27 | 南京伯睿生命科学研究院有限公司 | 基于核磁共振波谱的阿尔茨海默症svm分类模型构建方法 |
| CN114533102A (zh) * | 2022-01-28 | 2022-05-27 | 深圳先进技术研究院 | 一种使用全身suv图像调查个体水平的全身代谢异常的方法 |
Non-Patent Citations (6)
| Title |
|---|
| BRAJKOVIC L, KOSTIC V, SOBIC-SARANOVIC D, STEFANOVA E, JECMENICA-LUKIC M, JESIC A, STOJILJKOVIC M, ODALOVIC S, GALLIVANONE F, CAST: "The utility of FDG-PET in the differential diagnosis of Parkinsonism" * |
| ZHAO Y, YAO ZJ, ZHENG WH, YANG J, DING ZJ, LI M, LU SF: "Predicting MCI Progression with Individual Metabolic Network Based on Longitudinal FDG-PET" * |
| 吴晓霞;于心悦;黄寅;刘佩芳;: "基于网络的脑卒中血液代谢标志物分析" * |
| 许鹏，王兵，方刚，石晓龙，刘文斌: "基于可变剪接紊乱的乳腺癌亚型预测分析" * |
| 邱轶慧，聂坤，高玉元，王婉怡，许齐欢，张玉虎，王丽敏，王丽娟: "基于DTI的早中晚期帕金森病脑白质网络拓扑属性改变研究" * |
| 黄克敏，冯彦林，贺小红，温广华，梁伟棠，余丰文，刘德军，袁建伟，杨明: "Philips GEMINI PET/CT 五种常规图像重建算法图像质量比较" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116895360A (zh) * | 2023-09-11 | 2023-10-17 | 首都医科大学宣武医院 | 一种应用于mci患者的药物疗效预测方法、***、终端及存储介质 |
| CN116895360B (zh) * | 2023-09-11 | 2023-12-05 | 首都医科大学宣武医院 | 一种应用于mci患者的药物疗效预测方法、***、终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11049243B2 (en) | Target detection in latent space | |
| YİĞİT et al. | Applying deep learning models to structural MRI for stage prediction of Alzheimer's disease | |
| Thapaliya et al. | Evaluating the EEG and eye movements for autism spectrum disorder | |
| WO2023198224A1 (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
| Devika et al. | A machine learning approach for diagnosing neurological disorders using longitudinal resting-state fMRI | |
| CN115040147A (zh) | 一种基于18f-fdg pet代谢网络的帕金森症预测方法 | |
| Guan | Application of logistic regression algorithm in the diagnosis of expression disorder in Parkinson's disease | |
| Singh et al. | Prediction of pain intensity using multimedia data | |
| Ebrahimzadeh et al. | Towards an automatic diagnosis system for lumbar disc herniation: The significance of local subset feature selection | |
| Afshar et al. | Age prediction based on brain mri images using extreme learning machine | |
| Tobin et al. | Using a patient image archive to diagnose retinopathy | |
| Hsieh et al. | Behavior score-embedded brain encoder network for improved classification of Alzheimer disease using resting state fMRI | |
| Arya et al. | Intelligence quotient classification from human MRI brain images using convolutional neural network | |
| Mahapatra | Multimodal generalized zero shot learning for gleason grading using self-supervised learning | |
| Rallabandi et al. | Machine Learning-Based Classification of Dementia Types: MRI Study | |
| Aghaei et al. | Epileptic seizure detection based on video and EEG recordings | |
| Zhang et al. | Comparison of Neural Networks' Performance in Early Screening of Autism Spectrum Disorders Under Two MRI Principles | |
| Ingalhalikar et al. | Identifying sub-populations via unsupervised cluster analysis on multi-edge similarity graphs | |
| Sri et al. | A relative analysis of machine learning based approaches to detect human pain intensity using facial expressions | |
| Vasu et al. | A survey on bipolar disorder classification methodologies using machine learning | |
| McBride et al. | Classification of traumatic brain injury using support vector machine analysis of event-related tsallis entropy | |
| Oruganti et al. | Outlier-based autism detection using longitudinal structural mri | |
| Boostani et al. | Can evolutionary-based brain map be used as a complementary diagnostic tool with fMRI, CT and PET for schizophrenic patients? | |
| Bing-jin et al. | Research and practice of X-ray chest film disease classification based on DenseNet | |
| Kodewitz et al. | Exploratory matrix factorization for PET image analysis |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220913 |
|
| RJ01 | Rejection of invention patent application after publication |