TW201901621A - 產生針對腦部疾病之影像生物標記之方法 - Google Patents
產生針對腦部疾病之影像生物標記之方法 Download PDFInfo
- Publication number
- TW201901621A TW201901621A TW106116292A TW106116292A TW201901621A TW 201901621 A TW201901621 A TW 201901621A TW 106116292 A TW106116292 A TW 106116292A TW 106116292 A TW106116292 A TW 106116292A TW 201901621 A TW201901621 A TW 201901621A
- Authority
- TW
- Taiwan
- Prior art keywords
- brain
- diffusion
- connection
- disease
- average
- Prior art date
Links
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本發明揭露一種產生針對腦部疾病之影像生物標記的方法及其用於腦部疾病診斷之用途。本發明之產生影像生物標記的方法擷取關於多位罹病者的腦部以及關於多位健康者的腦部之多張連接圖。接著,本發明之方法藉由多張連接圖導出、定義多個二位元遮罩。接著,本發明之方法對每一個遮罩進行一受試者操作特徵(ROC)曲線分析,並且計算針對每一個遮罩其ROC曲線下之面積(AUC),進而繪製成矩陣的AUC圖。最後,本發明之方法獲得多張AUC圖,平均多張AUC圖獲得平均AUC圖,並且確定於平均AUC圖中具有最高AUC值之遮罩做為腦部影像生物標記。
Description
本發明係關於一種產生針對腦部疾病之影像生物標記的方法及其用於腦部疾病診斷之用途,並且特別地,關於基於腦部擴散磁振影像產生針對腦部疾病之影像生物標記的方法及其用於腦部疾病診斷之用途。。
擴散頻譜影像(Diffusion spectrum imaging,DSI)為一高階的擴散磁振影像技術。此技術量測多重擴散梯度方向及多重擴散訊號衰減因子的擴散磁振影像,形成笛卡爾座標系上的網格點。再利用傅立葉轉換,即可計算水分子在三維空間擴散之機率密度。所以,DSI能提供高角度的水分子擴散方向鑑別率,可以更精準地解析複雜的交叉神經結構,非侵入性地探測大腦白質纖維走向、大腦發展或各種大腦相關神經疾病等問題。
發明人等基於擴散頻譜影像已成功開發腦神經纖維自動化分析(Tract-based automatic analysis,TBAA)系統,請詳見中華民國發明專利公告號I509534,其採用的技術為自動化且高通量的大腦白質纖維特性分析技術。TBAA整合了發明人等過去各項擴散磁振影像技術,將複雜的白質纖維分析轉換成自動化的影像運算,透過TBAA技術可將數目眾多的研究影像資料,合併為一個大腦影像模板,此模板再與發明人等已發展之大腦參考模板以及76束大腦白質纖維束進 行對位及座標轉換,最終能計算每一個體之全腦白質纖維資訊,並產生一標準化之全腦白質纖維束資訊。中華民國發明專利公告號I509534即揭露利用TBAA非隨機性自動化計算大腦纖維連結強度,進而獲得符合解剖學的連接圖(connectogram)。這些連接圖包含的資訊是關於全腦主要的神經纖維束的水分子擴散相關的物理參數,其包含不等向性擴散指標(fractional anisotropy,FA)、廣義不等向性擴散指標(generalized fractional anisotropy,GFA)、平均擴散(mean diffusivity,MD)、徑向擴散(axial diffusivity,AD)、軸向擴散(radial diffusivity,RD)等等。
須強調的是,TBAA技術不僅能運用於DSI高階擴散磁振影像,也可以應用於各類擴散磁振影像,包括擴散張量影像(diffusion tensor imaging,DTI)、Q球擴散影像(Q-ball imaging)等,將能提供臨床及研究上相當便利且具可信度的全腦比對。
然而,連接圖僅僅關於每一個體之全腦白質纖維資訊,並不能提供對應腦部疾病的影像生物標記,因此也尚無法應用於腦部疾病的早期診斷或療效預測。
因此,本發明所欲解決之一技術問題在於提供一種產生針對腦部疾病之影像生物標記的方法及其用於腦部疾病診斷之用途。特別地,根據本發明之方法係基於腦部擴散磁振影像產生影像生物標記。藉此,本發明之方法可以應用於腦部疾病的早期診斷或療效預測,例如,思覺失調症、自閉症、注意力不足過動症、輕度認知障礙、阿茲海默症、顳葉癲癇症、老化等。
根據本發明之一較佳具體實施例之產生針對腦部疾病的影像生物標記之方法,首先,係擷取關於罹患腦部 疾病之多位罹病者的腦部之多張第一連接圖以及關於多位健康者的腦部之多張第二連接圖。接著,根據本發明之產生影像生物標記的方法係隨機將多張第一連接圖以及多張第二連接圖分組成訓練組以及測試組。接著,根據本發明之產生影像生物標記的方法係計算屬訓練組之多張第一連接圖以及多張第二連接圖之平均值,以獲得第一平均連接圖以及第二平均連接圖。接著,根據本發明之產生影像生物標記的方法係計算第一平均連接圖與第二平均連接圖之間的差異,以獲得差異連接圖。接著,根據本發明之產生影像生物標記的方法係基於從差異連接圖導出之N個級別的效應大小(effect size,ES)以及M個級別的簇大小(cluster size,CS)定義N×M個二位元遮罩(mask),其中N及M分別為一自然數。接著,根據本發明之產生影像生物標記的方法係將屬測試組之每一張第一連接圖及每一張第二連接圖之水分子擴散相關的物理參數逐一與第一平均連接圖之水分子擴散相關的物理參數及第二平均連接圖之水分子擴散相關的物理參數做比較,進而繪製多張罹病或對照圖。接著,根據本發明之產生影像生物標記的方法係應用每一個遮罩於每一張罹病或對照圖上,並且藉由將由該個遮罩中的段落數目正規化後之該個遮罩內的值相加來計算對應該個遮罩之疑似罹病評分。接著,根據本發明之產生影像生物標記的方法係藉由比較每一個疑似罹病評分與對應該個疑似罹病評分之個體臨床診斷結果,對每一個遮罩進行受試者操作特徵(receiver operating characteristic,ROC)曲線分析,並且計算針對每一個遮罩其ROC曲線下之面積(area under the ROC curve,AUC),進而繪製成N×M矩陣之一AUC圖。接著,根據本發明之產生影像生物標記的方法重複分組步驟至繪製AUC圖步驟(K-1)次,進而獲得K張AUC圖,其中K為大於1的整數。最後,根據本發明之產生影像生物標記的方法平均K張AUC圖獲得平均AUC圖,並且確定於平均AUC圖中具有最高AUC值之該遮罩做為影像生物標記。
於一具體實施例中,多張第一連接圖係藉由一腦神經纖維自動化分析(TBAA)技術處理關於罹患腦部疾病之多位罹病者之多張第一腦部擴散磁振影像而獲得,多張第二連接圖係藉由TBAA技術處理關於多位健康者之多張第二腦部擴散磁振影像而獲得。
於一具體實施例中,每一張第一腦部擴散磁振影像以及每一張第二腦部擴散磁振影像可以皆是擴散頻譜影像、擴散張量影像、Q球擴散影像或其他類型腦部擴散磁振影像。
於一具體實施例中,水分子擴散相關的物理參數可以是不等向性擴散指標(FA)、廣義不等向性擴散指標(GFA)、平均擴散(MD)、徑向擴散(AD)、軸向擴散(RD)等。
根據本發明之一較佳具體實施例之診斷腦部疾病之方法,首先,擷取關於受測者之一張受測連接圖。最後,根據本發明之診斷腦部疾病之方法採用本發明所揭示做為影像生物標記之該遮罩估算關於該張受測連接圖之受測疑似罹病評分,其中若受測疑似罹病評分為負值即判定為罹患腦部疾病,若受測疑似罹病評分為正值即判定為未罹患該腦部疾病。
於一具體實施例中,該張受測連接圖係藉由TBAA技術處理關於受測者之一張受測腦部擴散磁振影像而獲得。
於一具體實施例中,根據本發明之診斷腦部疾病之方法能診斷的腦部疾病可以是思覺失調症、自閉症、注意力不足過動症、輕度認知障礙、阿茲海默症、顳葉癲癇症以及老化等。
與先前技術不同,本發明可以成功地產生針對腦部疾病之影像生物標記,進一步,可以應用於腦部疾病的早 期診斷或療效預測,例如,思覺失調症、自閉症、注意力不足過動症、輕度認知障礙、阿茲海默症、顳葉癲癇症、老化等。
關於本發明之優點與精神可以藉由以下的發明詳述及所附圖式得到進一步的瞭解。
1‧‧‧產生影像生物標記的方法
3‧‧‧診斷腦部疾病之方法
S10~S28‧‧‧流程步驟
S30~S38‧‧‧流程步驟
圖1為根據本發明之一較佳具體實施例之產生影像生物標記的方法的流程圖。
圖2為根據本發明之產生影像生物標記的方法實際執行關於思覺失調症之一案例中關於所有男性參與者的平均AUC圖。
圖3為根據本發明之產生影像生物標記的方法實際執行關於思覺失調症之一案例中關於所有女性參與者的平均AUC圖。
圖4為根據本發明之一較佳具體實施例之診斷腦部疾病之方法的流程圖。
圖5為受測者的全腦纖維束影像圖。
圖6為受測者的全腦纖維束影像圖經由TBAA技術處理而得的受測連接圖。
圖7為用來診斷輕度認知障礙的影像生物標記。
圖8為受測者的罹病或對照圖。
圖9為受測者的疑似罹病評分。
請參閱圖1,根據本發明之一較佳具體實施例之產生針對腦部疾病的影像生物標記之方法1的流程步驟係繪示於圖1。
如圖1所示,根據本發明之產生影像生物標記的方法1首先係執行步驟S10,擷取關於罹患腦部疾病之多位罹病者的腦部之多張第一連接圖以及關於多位健康者的腦部之多張第二連接圖。
於一具體實施例中,多張第一連接圖係藉由一腦神經纖維自動化分析(TBAA)技術處理關於罹患腦部疾病之多位罹病者之多張第一腦部擴散磁振影像而獲得,多張第二連接圖係藉由TBAA技術處理關於多位健康者之多張第二腦部擴散磁振影像而獲得。
於一具體實施例中,每一張第一腦部擴散磁振影像以及每一張第二腦部擴散磁振影像可以皆是擴散頻譜影像、擴散張量影像、Q球擴散影像或其他類型腦部擴散磁振影像。
再如圖1所示,接著,根據本發明之產生影像生物標記的方法1係執行步驟S12,令指標i=1。
再如圖1所示,接著,根據本發明之產生影像生物標記的方法1係執行步驟S14,隨機將多張第一連接圖以及多張第二連接圖分組成訓練組以及測試組。
再如圖1所示,接著,根據本發明之產生影像生物標記的方法1係執行步驟S16,計算屬訓練組之多張第一連接圖以及多張第二連接圖之平均值,以獲得第一平均連接圖以及第二平均連接圖。
再如圖1所示,接著,根據本發明之產生影像生物標記的方法1係執行步驟S18,計算第一平均連接圖與第二 平均連接圖之間的差異,以獲得差異連接圖。
再如圖1所示,接著,根據本發明之產生影像生物標記的方法1係執行步驟S20,係基於從差異連接圖導出之N個級別的效應大小(ES)以及M個級別的簇大小(CS)定義N×M個二位元遮罩,其中N及M分別為一自然數。
於一範例中,根據本發明之產生影像生物標記的方法1基於從差異連接圖導出的組合門檻值獲得了一系列遮罩。具體來說,根據本發明之產生影像生物標記的方法1在2D差異連接圖中逐步計算了科恩的效應大小(ES)(總共76×100個段落)。此外,根據本發明之產生影像生物標記的方法1通藉由考慮一條段中連續顯示差異的段的長度來定義簇大小(CS)。簇大小是通過一定門檻值水平的效應大小的連續段落的數量。效應大小門檻值級別包括從0到1等級分割的21個級別,並且簇大小的門檻值級別包括從1到15的15個級別。因此,在每次檢查中確定315(21×15)個二位元遮罩。
再如圖1所示,接著,根據本發明之產生影像生物標記的方法1係執行步驟S22,將屬測試組之每一張第一連接圖及每一張第二連接圖之水分子擴散相關的物理參數逐一與第一平均連接圖之水分子擴散相關的物理參數及第二平均連接圖之水分子擴散相關的物理參數做比較,進而繪製多張罹病或對照圖。
於一具體實施例中,水分子擴散相關的物理參數可以是不等向性擴散指標(FA)、廣義不等向性擴散指標(GFA)、平均擴散(MD)、徑向擴散(AD)、軸向擴散(RD)等。
於一範例中,根據本發明之產生影像生物標記的方法1將屬測試組之每一張第一連接圖及每一張第二連接圖之GFA逐一與第一平均連接圖之GFA及第二平均連接圖之GFA做比較,繪製多張罹病或對照圖。如果屬測試組的GFA 值更接近於屬訓練組之罹病者的GFA,則分配(+1)值,並且如果更接近於屬訓練組之健康者,則分配(-1)值。
再如圖1所示,接著,根據本發明之產生影像生物標記的方法1係執行步驟S24,應用每一個遮罩於每一張罹病或對照圖上,並且藉由將由該個遮罩中的段落數目正規化後之該個遮罩內的值相加來計算對應該個遮罩之疑似罹病評分。
再如圖1所示,接著,根據本發明之產生影像生物標記的方法1係執行步驟S26,藉由比較每一個疑似罹病評分與對應該個疑似罹病評分之個體臨床診斷結果,對每一個遮罩進行受試者操作特徵(ROC)曲線分析,並且計算針對每一個遮罩其ROC曲線下之面積(AUC),進而繪製成N×M矩陣之一AUC圖。於步驟S26中,並且令i=i+1。
再如圖1所示,根據本發明之產生影像生物標記的方法1係執行步驟S27,判斷i是否等於K,其中K為大於1的整數。
若步驟S27之判斷結果為否定者,則跳至步驟S14,再次執行步驟S14。於一範例中,K=300,也就是讓步驟S14至步驟S26重複執行300次,以獲得300張AUC圖。藉此,根據本發明之產生影像生物標記的方法1可以消除因分組造成的影像生物標記的變異性。
若步驟S27之判斷結果為肯定者,根據本發明之產生影像生物標記的方法1則執行步驟S28,平均K張AUC圖獲得平均AUC圖,並且確定於平均AUC圖中具有最高AUC值之該遮罩做為影像生物標記。
於一具體實施例中,該腦部疾病可以是思覺失調症、自閉症、注意力不足過動症、輕度認知障礙、阿茲海默症、顳葉癲癇症以及老化等。
請參閱表1,根據本發明之產生影像生物標記的方法實際執行關於思覺失調症(精神***症)之一案例中,罹病者以及健康者的相關資訊列於表1。
請參閱圖2及圖3,圖2顯示上述思覺失調症分析案例中關於所有男性參與者的平均AUC圖,圖3顯示上述思覺失調症分析案例中關於所有女性參與者的平均AUC圖。
如圖2所示,關於所有男性參與者的遮罩分別接近ES和CS的較高和較低門檻值水平時,具有較高的AUC值。最佳遮罩位於ES=0.85和CS=1的組合門檻值水平,得到0.87的平均AUC值。如圖3所示,關於所有女性參與者 的遮罩往往具有較高的AUC值,因為它們接近ES和CS的較低門檻值水平。最佳遮罩位於ES=0.1和CS=1的組合門檻值水平,得到0.77的平均AUC值。
請參閱圖4,根據本發明之一較佳具體實施例之診斷腦部疾病之方法3的流程步驟係繪示於圖4。
如圖4所示,根據本發明之一較佳具體實施例之診斷腦部疾病之方法3首先係執行步驟S30,擷取關於受測者之一張受測連接圖。
再如圖4所示,接著,根據本發明之診斷腦部疾病之方法3係執行步驟S32,採用本發明所揭示做為影像生物標記之該遮罩估算關於該張受測連接圖之受測疑似罹病評分。
再如圖4所示,根據本發明之診斷腦部疾病之方法3係執行步驟S34,判斷受測疑似罹病評分是否為負值。
若步驟S34之判斷結果為肯定者,也就是說,受測疑似罹病評分為負值,則執行步驟S36,輸出判定為罹患腦部疾病之結果。
若步驟S34之判斷結果為否定者,也就是說,受測疑似罹病評分為正值,則執行步驟S38,輸出判定為未罹患該腦部疾病之結果。
於一具體實施例中,該張受測連接圖係藉由TBAA技術處理關於受測者之一張受測腦部擴散磁振影像而獲得。
於一具體實施例中,根據本發明之診斷腦部疾病之方法能診斷的腦部疾病可以是思覺失調症、自閉症、注意力不足過動症、輕度認知障礙、阿茲海默症、顳葉癲癇症以及老化等。
請參閱表2,根據本發明之診斷腦部疾病之方法實際執行關於思覺失調症(精神***症)之一案例中,多位男性受測者及多位女性受測者的診斷結過列於表2。
表2顯示的結果證實根據本發明之診斷腦部疾病之方法用於診斷思覺失調症(精神***症)上的準確率相當高。此外,根據本發明之診斷腦部疾病之方法用於診斷輕度認知障礙上的準確率為76%,用於診斷過動症上的準確率為84%。
請參閱圖5至圖9,該等圖式是根據本發明之診斷腦部疾病之方法用於診斷輕度認知障礙之一案例過程成產生的圖。圖5是受測者的全腦纖維束影像圖。圖6是受測者的全腦纖維束影像圖經由TBAA技術處理而得的受測連接圖。圖7是用來診斷輕度認知障礙的影像生物標記。圖7裡的縱軸是全腦的76束神經纖維束,而橫軸是這些纖維束從頭到尾的百分位位置,顏色深淺則是該位置在判讀疾病的重要程度。圖8是受測者的罹病或對照圖。圖9是受測者的疑似罹病評分。
藉由以上對本發明之詳述,可以清楚了解本發明 可以成功地產生針對腦部疾病之影像生物標記,進一步,可以應用於腦部疾病的早期診斷或療效預測,例如,思覺失調症、自閉症、注意力不足過動症、輕度認知障礙、阿茲海默症、顳葉癲癇症、老化等。
藉由以上較佳具體實施例之詳述,係希望能更加清楚描述本發明之特徵與精神,而並非以上述所揭露的較佳具體實施例來對本發明之面向加以限制。相反地,其目的是希望能涵蓋各種改變及具相等性的安排於本發明所欲申請之專利範圍的面向內。因此,本發明所申請之專利範圍的面向應該根據上述的說明作最寬廣的解釋,以致使其涵蓋所有可能的改變以及具相等性的安排。
Claims (7)
- 一種產生針對一腦部疾病的一影像生物標記之方法,包含下列步驟:(a)擷取關於罹患該腦部疾病之多位罹病者的腦部之多張第一連接圖以及關於多位健康者的腦部之多張第二連接圖;(b)隨機將該多張第一連接圖以及該多張第二連接圖分組成一訓練組以及一測試組;(c)計算屬該訓練組之該多張第一連接圖以及該多張第二連接圖之平均值,以獲得一第一平均連接圖以及一第二平均連接圖;(d)計算該第一平均連接圖與該第二平均連接圖之間的差異,以獲得一差異連接圖;(e)基於從該差異連接圖導出之N個級別的效應大小以及M個級別的簇大小定義N×M個二位元遮罩,其中N及M分別為一自然數;(f)將屬該測試組之每一張第一連接圖及每一張第二連接圖之一水分子擴散相關的物理參數逐一與該第一平均連接圖之該水分子擴散相關的物理參數及該第二平均連接圖之該水分子擴散相關的物理參數做比較,進而繪製多張罹病或對照圖;(g)應用每一個遮罩於每一張罹病或對照圖上,並且藉由將由該個遮罩中的段落數目正規化後之該個遮罩內的值相加來計算對應該個遮罩之一疑似罹病評分; (h)藉由比較每一個疑似罹病評分與對應該個疑似罹病評分之一個體臨床診斷結果,對每一個遮罩進行一受試者操作特徵(receiver operating characteristic,ROC)曲線分析,並且計算針對每一個遮罩其ROC曲線下之面積(area under the ROC curve,AUC),進而繪製成N×M矩陣之一AUC圖;(i)重複步驟(b)至步驟(h)(K-1)次,進而獲得K張AUC圖,其中K為一大於1的整數;以及(j)平均該K張AUC圖獲得一平均AUC圖,並且確定於該平均AUC圖中具有最高AUC值之該遮罩做為該影像生物標記。
- 如請求項1所述之方法,其中該多張第一連接圖係藉由一腦神經纖維自動化分析(Tract-based automatic analysis,TBAA)技術處理關於罹患該腦部疾病之該多位罹病者之多張第一腦部擴散磁振影像而獲得,該多張第二連接圖係藉由該TBAA技術處理關於該多位健康者之多張第二腦部擴散磁振影像而獲得。
- 如請求項2所述之方法,其中每一張第一腦部擴散磁振影像以及每一張第二腦部擴散磁振影像皆係選自由一擴散頻譜影像、一擴散張量影像以及一Q球擴散影像所組成之群組中之其一。
- 如請求項1所述之方法,其中該水分子擴散相關的物理參數係選自由一不等向性擴散指標、一廣義不等向性擴散指標、一平均擴散、一徑向擴散以及一軸向擴散所組成之群 組中之其一。
- 如請求項1所述之方法,其中該腦部疾病係選自由一思覺失調症、一自閉症、一注意力不足過動症、一輕度認知障礙、一阿茲海默症、一顳葉癲癇症以及一老化所組成之群組中之其一。
- 一種診斷一腦部疾病之方法,包含下列步驟:擷取關於一受測者之一張受測連接圖;以及採用如請求項1至5中任一項所述之做為該影像生物標記之該遮罩估算關於該張受測連接圖之一受測疑似罹病評分,其中該受測疑似罹病評分為負值即判定為罹患該腦部疾病,該受測疑似罹病評分為正值即判定為未罹患該腦部疾病。
- 如請求項6所述之方法,其中該張受測連接圖係藉由該TBAA技術處理關於該受測者之一張受測腦部擴散磁振影像而獲得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106116292A TWI628625B (zh) | 2017-05-17 | 2017-05-17 | 產生針對腦部疾病之影像生物標記之方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106116292A TWI628625B (zh) | 2017-05-17 | 2017-05-17 | 產生針對腦部疾病之影像生物標記之方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI628625B TWI628625B (zh) | 2018-07-01 |
TW201901621A true TW201901621A (zh) | 2019-01-01 |
Family
ID=63640328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106116292A TWI628625B (zh) | 2017-05-17 | 2017-05-17 | 產生針對腦部疾病之影像生物標記之方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI628625B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI744000B (zh) * | 2020-09-21 | 2021-10-21 | 財團法人資訊工業策進會 | 影像標記裝置、方法及其電腦程式產品 |
TWI817884B (zh) * | 2023-01-03 | 2023-10-01 | 國立中央大學 | 影像偵測系統及其運作方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070540B (zh) * | 2019-04-28 | 2023-01-10 | 腾讯科技(深圳)有限公司 | 图像生成方法、装置、计算机设备及存储介质 |
CN113808735B (zh) * | 2021-09-08 | 2024-03-12 | 山西大学 | 一种基于脑影像的精神疾病评估方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012033530A2 (en) * | 2010-09-08 | 2012-03-15 | University Of Houston | Devices, systems and methods for multimodal biosensing and imaging |
US10517964B2 (en) * | 2011-02-28 | 2019-12-31 | The Board Of Trustees Of The Leland Stanford Junior University | Optical imaging probes, optical imaging systems, methods of optical imaging, and methods of using optical imaging probes |
US10076652B2 (en) * | 2015-08-10 | 2018-09-18 | Chang Gung University | Method for ultrasound-mediated delivery system to monitor molecular penetration |
-
2017
- 2017-05-17 TW TW106116292A patent/TWI628625B/zh not_active IP Right Cessation
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI744000B (zh) * | 2020-09-21 | 2021-10-21 | 財團法人資訊工業策進會 | 影像標記裝置、方法及其電腦程式產品 |
TWI817884B (zh) * | 2023-01-03 | 2023-10-01 | 國立中央大學 | 影像偵測系統及其運作方法 |
Also Published As
Publication number | Publication date |
---|---|
TWI628625B (zh) | 2018-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI628625B (zh) | 產生針對腦部疾病之影像生物標記之方法 | |
Zhou et al. | Automatic microaneurysm detection using the sparse principal component analysis-based unsupervised classification method | |
Zhao et al. | Retinal vessels segmentation based on level set and region growing | |
Filipovych et al. | Semi-supervised cluster analysis of imaging data | |
Bachli et al. | Evaluating the reliability of neurocognitive biomarkers of neurodegenerative diseases across countries: a machine learning approach | |
Rana et al. | Regions-of-interest based automated diagnosis of Parkinson’s disease using T1-weighted MRI | |
CN108109140A (zh) | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及*** | |
Brun et al. | Mapping brain abnormalities in boys with autism | |
CN108171697B (zh) | 一种基于簇的wmh自动提取*** | |
Yousefi et al. | Recognizing patterns of visual field loss using unsupervised machine learning | |
Sanfilippo et al. | A geometric morphometric assessment of the optic cup in glaucoma | |
US9117121B2 (en) | Detection of disease-related retinal nerve fiber layer thinning | |
CN112348785A (zh) | 一种癫痫病灶定位方法及*** | |
Zou et al. | Deep learning based automatic diagnoses of attention deficit hyperactive disorder | |
Sacchet et al. | Elucidating brain connectivity networks in major depressive disorder using classification-based scoring | |
Junaedi et al. | Tuberculosis detection in chest X-ray images using optimized gray level co-occurrence matrix features | |
Mou et al. | DeepGrading: deep learning grading of corneal nerve tortuosity | |
CN117275734A (zh) | 脑健康状态评估方法及装置 | |
Alvarez et al. | Heritable functional architecture in human visual cortex | |
Supriyanti et al. | Coronal slice segmentation using a watershed method for early identification of people with Alzheimer's | |
CN115337000B (zh) | 基于脑结构影像评估疾病引起大脑衰老的机器学习方法 | |
Wang et al. | Study on correlation between subjective and objective metrics for multimodal retinal image registration | |
Xu et al. | Unsupervised profiling of microglial arbor morphologies and distribution using a nonparametric Bayesian approach | |
CN113768464A (zh) | 一种基于经验模态分解的癫痫发作时间段检测***及方法 | |
Vehlen et al. | Computer-generated facial areas of interest in eye tracking research: A simulation study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |