[go: up one dir, main page]

CN116417139A - 轻度认知障碍发展进程预测方法、装置和计算机设备 - Google Patents

轻度认知障碍发展进程预测方法、装置和计算机设备 Download PDF

Info

Publication number
CN116417139A
CN116417139A CN202111678855.6A CN202111678855A CN116417139A CN 116417139 A CN116417139 A CN 116417139A CN 202111678855 A CN202111678855 A CN 202111678855A CN 116417139 A CN116417139 A CN 116417139A
Authority
CN
China
Prior art keywords
cognitive impairment
hippocampal
functional connection
image data
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.)
Pending
Application number
CN202111678855.6A
Other languages
English (en)
Inventor
刘华生
王建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Guangxiu Medical Imaging Diagnosis Center Co ltd
Original Assignee
Hunan Guangxiu Medical Imaging Diagnosis Center Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Guangxiu Medical Imaging Diagnosis Center Co ltd filed Critical Hunan Guangxiu Medical Imaging Diagnosis Center Co ltd
Priority to CN202111678855.6A priority Critical patent/CN116417139A/zh
Publication of CN116417139A publication Critical patent/CN116417139A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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, 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, 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, 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
    • 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
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Neurology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Hospice & Palliative Care (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Psychology (AREA)
  • Neurosurgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请涉及一种轻度认知障碍发展进程预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取轻度认知障碍患者的第一脑部影像数据；对所述第一脑部影像数据进行处理，提取第一海马骨架；将所述第一海马骨架的多个目标特征点分别与脑部其它区域的点连接，提取功能连接的时间序列特征，获取第一梯度变化的动态功能连接；根据所述患者的基础信息、临床信息和所述第一梯度变化的动态功能连接，预测所述被测对象的认知障碍发展进程。该方法利用了更丰富的功能连接梯度变化的信息，因此可以把疾病分类准确性、特异性提高，能够预测预测所述被测对象的认知障碍发展进程，从而帮助医生和患者提前进行干预，减缓病程发展。

Description

轻度认知障碍发展进程预测方法、装置和计算机设备
技术领域
本申请涉及图像处理、人工智能和医疗技术领域，特别是涉及一种认知障碍发展进程预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
阿尔茨海默病(Alzheimer disease，AD)是一种以记忆和其他认知功能进行性下降为特征的神经系统退行性疾病，具有不可逆性，占所有痴呆患者的60％～80％。轻度认知障碍(mild cognitive impairment，MCI)是介于正常老化过程和AD之间的过渡阶段。
近年来，随着神经影像学的快速发展，可使用结构磁共振成像(magneticresonance imaging，MRI)和功能MRI对轻度认知障碍进行鉴别诊断。经达研究发现，脑部海马体的变化与轻度认知障碍具有密切关系。以往的研究把海马作为一个整体分析，或者是提取亚区，把各个亚区分别作为整体分析。而实际情况是大脑不是由离散的部分构成。因此，这种整体或离散亚区分析与大脑连续变化的实际情况并不相符，从而导致检测结果精度不够。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高检测精确度的轻度认知障碍发展进程预测装置。
第一方面，本申请提供了一种轻度认知障碍发展进程预测方法。所述方法包括：
获取轻度认知障碍患者多次随访的第一脑部影像数据；
对各所述第一脑部影像数据进行预处理，分别提取第一海马骨架；
提取各所述第一海马骨架的多个目标点的时间序列，计算各目标点与脑部其它区域的时间序列之间的动态功能连接，获取第一梯度变化的动态功能连接；
根据所述患者的基础信息、临床信息和所述第一梯度变化的动态功能连接，预测所述被测对象的认知障碍发展进程。
第二方面，本申请还提供了一种轻度认知障碍发展进程预测装置。所述装置包括：
图像获取模块，用于获取轻度认知障碍患者多次随访的第一脑部影像数据；
图像处理模块，用于对各所述第一脑部影像数据进行预处理，分别提取第一海马骨架；
动态功能连接模块，用于提取各所述第一海马骨架的多个目标点的时间序列，计算各目标点与脑部其它区域的时间序列之间的动态功能连接，获取第一梯度变化的动态功能连接；
预测模块，用于根据所述患者的基础信息、临床信息和所述第一梯度变化的动态功能连接，预测所述被测对象的认知障碍发展进程。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取轻度认知障碍患者多次随访的第一脑部影像数据；
对各所述第一脑部影像数据进行预处理，分别提取第一海马骨架；
提取各所述第一海马骨架的多个目标点的时间序列，计算各目标点与脑部其它区域的时间序列之间的动态功能连接，获取第一梯度变化的动态功能连接；
根据所述患者的基础信息、临床信息和所述第一梯度变化的动态功能连接，预测所述被测对象的认知障碍发展进程。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取轻度认知障碍患者多次随访的第一脑部影像数据；
对各所述第一脑部影像数据进行预处理，分别提取第一海马骨架；
提取各所述第一海马骨架的多个目标点的时间序列，计算各目标点与脑部其它区域的时间序列之间的动态功能连接，获取第一梯度变化的动态功能连接；
根据所述患者的基础信息、临床信息和所述第一梯度变化的动态功能连接，预测所述被测对象的认知障碍发展进程。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取轻度认知障碍患者多次随访的第一脑部影像数据；
对各所述第一脑部影像数据进行预处理，分别提取第一海马骨架；
提取各所述第一海马骨架的多个目标点的时间序列，计算各目标点与脑部其它区域的时间序列之间的动态功能连接，获取第一梯度变化的动态功能连接；
根据所述患者的基础信息、临床信息和所述第一梯度变化的动态功能连接，预测所述被测对象的认知障碍发展进程。
上述轻度认知障碍发展进程预测方法、装置、计算机设备、存储介质和计算机程序产品，通过对被测对象多次随访的脑部影像数据进行处理，提取海马骨架的多个目标点的时间序列，计算各目标点与脑部其它区域的时间序列之间的动态功能连接，获取梯度变化的动态功能连接，根据基础信息、临床信息和梯度变化的动态功能连接进行预测，由于利用了更丰富的功能连接梯度变化的信息，因此可以把疾病分类准确性、特异性提高，能够预测预测被测对象的认知障碍发展进程，从而帮助医生和患者提前进行干预，减缓病程发展。
附图说明
图1为一个实施例中轻度认知障碍发展进程预测方法的应用环境图；
图2为一个实施例中轻度认知障碍发展进程预测方法的流程示意图；
图3为一个实施例中海马体的示意图；
图4为另一个实施例中海马体骨架的结构示意图；
图5为一个实施例中预测的轻度认知障碍患者的认知障碍发展进程的示意图；
图6为分析一个实施例中海马功能连接沿骨架梯度变化特点示意图；
图7为一个实施例中特征选择训练示意图；
图8为一个实施例中轻度认知障碍发展进程预测装置的结构示意图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的轻度认知障碍发展进程预测方法，可以应用于如图1所示的应用环境中。其中，检测终端102通过与处理终端104进行通信。检测终端可以设置有数据存储系统，如检测终端采集的检测影像。检测终端102将检测影像发送至处理终端104处理。检测终端可以为MRI(磁共振成像)设备。检测终端采集被测对象的脑部影像数据，如脑部MRI图像，发送至处理终端104，处理终端获取轻度认知障碍患者多次随访的第一脑部影像数据；对各所述第一脑部影像数据进行预处理，分别提取第一海马骨架；提取各所述第一海马骨架的多个目标点的时间序列，计算各目标点与脑部其它区域的时间序列之间的动态功能连接，获取第一梯度变化的动态功能连接；根据所述患者的基础信息、临床信息和所述第一梯度变化的动态功能连接，预测所述被测对象的认知障碍发展进程。
在一个实施例中，如图2所示，提供了一种轻度认知障碍发展进程预测方法，以该方法应用于图1中的处理终端为例进行说明，包括以下模块：
步骤202，获取轻度认知障碍患者多次随访的第一脑部影像数据。
其中，将被诊断为轻度认知发展障碍的患者作为被测对象。利用被测对象的多次随访的脑部影像数据进行预测。其中，第一脑部影像数据可以为被测对象脑部的MRI图像、T1w和BOLD中的至少一种。
步骤204，用于对各第一脑部影像数据进行预处理，分别提取海马骨架。
具体地，大脑海马区(hippocampus)是帮助人类处理长期学习与记忆声光、味觉等事件的大脑区域，负责短期记忆，发挥所谓的“叙述性记忆(declarative memory)”功能。在医学上，“海马区”是大脑皮质的一个内褶区，在“侧脑室”底部绕“脉络膜裂”形成一弓形隆起，它由两个扇形部分所组成，有时将两者合称海马结构。一个实施例中的海马结构如图3所示的脑部图像中的301区域，对该海马结构提取骨架如图4所示的401区域。
其中，一次随访的第一脑部影像数据中可以有患者的多个不同结构数据。当有多个结构数据时，这些数据互相配准并平均。例如，在大脑提取和读出失真校正后，采用刚体变换对T1w和T2w图像进行共配准。随后，使用T1w和T2w对比度进行非均匀性校正。使用FSLFIRST提取皮层下结构的分割。预处理后的图像对MNI152空间进行非线性配准，使用FreeSurfer 5.3.0-HCP提取皮层表面，使用MSMAll将个体的皮层表面与半球对称的Conte69模板进行对齐。
进一步地，在海马结构的基础上，对海马结构进行形态学处理，提取海马骨架。其中，使用MINC工具包(版本1.0.08)通过形态学操作(扩张/侵蚀)创建海马体积的“骨架”。海马掩膜重采样至0.5mm各向同性体素大小，创建倒角图，测量重采样海马体积边界至10mm的距离。这个倒角图被二值化，以在海马表面周围创建一个大的平滑团。在平滑团内部创建了一个相对倒角映射，并计算了该映射的局部最小导数，以隔离平滑团表面最大距离的点。这创建了一个“骨架”，遵循海马体的曲线形状，然后被原始海马体掩盖。最后，骨骼被重新采样到1mm的空间。
步骤206，提取各第一海马骨架的多个目标点的时间序列，计算各目标点与脑部其它区域的时间序列之间的动态功能连接，获取第一梯度变化的动态功能连接。
其中，目标点在海马骨架上是可以随机选取的。更优的方式是，利用对大量样本集进行训练，识别出的与认知障碍相关的特征点，作为目标点。由于是利用样本数据进行学习到的与疾病相关的目标点，因而选择的多个目标是与认知障碍相关的点。
在预处理之后，使用皮尔逊相关分析(Pearson’s correlation analysis)在来自双侧海马骨架每个目标点和来自皮质皮层每个顶点的时间序列之间构建个体海马皮层功能连接矩阵。基于每个目标点的功能连接特征，可以对海马骨架的目标点进行聚类，以验证这些目标点的功能连接具有沿海马骨架梯度变化的特点。为了分析每个海马体素之间的空间关系，应用了扩散图嵌入，这是一种非线性降维技术，用于识别不同区域连通性变化的空间轴。与基于分块或边界映射技术相比，扩散映射嵌入没有定义离散网络，而是提取描绘快速过渡的连续梯度。扩散图的嵌入导致了主要的梯度，解释了空间分布的主要变异性。扩散映射嵌入使用非线性变换，由BrainSpace工具箱提供。
步骤208，根据被测对象的基础信息、临床信息和第一梯度变化的动态功能连接，预测被测对象的认知障碍发展进程。
其中，基础信息包括年龄、性别和教育程度等。
其中，临床信息包括临床检验信息，包括但不限于MRS指标、ADAS-Cog13、FAQ、MMSE等。
本实施例中，通过利用轻度认知障碍患者多次随访中海马体的目标点与脑部其它区域的梯度变化的动态功能连接的变化，挖掘轻度认知障碍患者的大脑功能变化进程，进而，预计被测对象的认知障碍发展进程。如发现第二次随访相对于第一次随访，海马体与额叶的梯度变化的动态功能连接发生了变化，则可以预见该患者在第一次随访和第二随访这段时间病程发生了变化，利用多次随访的变化，预测被测对象的认知障碍发展进程。
其中，认知障碍发展进程包括未来一段时间内各时间点发展为不同程度认知障碍的概率。应当注意的是，这种认知障碍发展进程并不是诊断，而是一种概率预测，能够帮助患者了解疾病发展进程，帮助医生做出医疗干预的辅助手段。
其中，认知障碍包括三种不同程度认知障碍，分别为轻度认知障碍、中度认知障碍和重度认知障碍。一个实施例预测的轻度认知障碍患者的认知障碍发展进程如图5所示，分别展示了该被测对象发展在未来各时间点发展为轻度认知障碍的概率，在未来各时间点发展为中度认知障碍的概率，以及在未来各时间点发展为重度认知障碍的概率。
上述的认知障碍发展进程预测方法，通过对被测对象多次随访的脑部影像数据进行处理，提取海马骨架的多个目标点的时间序列，计算各目标点与脑部其它区域的时间序列之间的动态功能连接，获取梯度变化的动态功能连接，根据基础信息、临床信息和梯度变化的动态功能连接进行预测，由于利用了更丰富的功能连接梯度变化的信息，因此可以把疾病分类准确性、特异性提高，能够预测预测被测对象的认知障碍发展进程，从而帮助医生和患者提前进行干预，减缓病程发展。
在另一个实施例中，根据患者的基础信息、临床信息和第一梯度变化的动态功能连接，预测被测对象的认知障碍发展进程，包括：将患者的基础信息、临床信息和第一梯度变化的动态功能连接，输入至预先训练好的认知障碍发展进程预测模型，预测被测对象的认知障碍发展进程。
具体地，认知障碍发展进程预测模型可采用LASSO正则化Cox回归模型分析模式进行训练得到，该模型用于研究预测变量与生存时间的关系。具体做法先训练模型再使用最佳参数构建模型，最后评估预测精确度C-index值判断预测的优劣。
LASSO正则化Cox回归模型由glmnet工具箱提供。
Cox比例风险回归模型(Cox proportional hazard model)常用来研究预测变量与生存时间之间的关系。Cox比例风险回归模型可以分析多个因素对生存时间的影响，而且允许有截尾数据存在，是生存分析中最重要的多因素分析方法。
生存分析的主要目的是研究协变量(自变量)与观察结果即生存函数之间的关系，当受到协变量的影响时，传统的方法是考虑回归分析，即各协变量对的影响。由于生存数据中包含有截尾数据，用一般的回归分析难以解决上述问题。生存分析中一个很重要的内容是探索影响生存时间或生存率的危险因素，这些危险因素可通过影响各时刻的死亡风险(即风险率)而影响生存率，不同特征的人群在不同时刻的风险率函数不同，通常将风险率函数表达为基准风险率函数与相应协变量函数的乘积。
因此，Cox回归模型与一般的回归分析不同，协变量对生存时间的影响是通过风险函数和基准风险函数的比值反映的。其中的风险函数和基准风险函数是未知的。在完成参数估计的情况下，可对基准风险函数和风险函数做出估计，并可计算每一个时刻的生存率。
Cox回归模型的基本形式：
Figure BDA0003453338190000081
其中，β1，β2，…，βm为自变量的偏回归系数。
模型中偏回归系数βj的意义是当其他协变量固定不变时，协变量xj(j＝1，2，...，m)变化一个单位，其对数风险比的改变量。可见，回归系数βj又可解释为固定其他自变量时，自变量xj每改变一个单位，得到的相对危险的对数值。这个解释在生存时间的危险因素分析中更常用。
具体地，认知障碍发展进程预测模型的训练方式，包括：获取第一训练集；第一训练集包括了多个患者的多次随访的第二脑部影像数据，对应患者的基础信息、临床信息、及对第二脑部影像数据标注的实际认知障碍发展进程；对各第二脑部影像数据进行处理，提取第二海马骨架；提取各第二海马骨架的多个目标点的时间序列，计算各目标点与脑部其它区域的时间序列之间的动态功能连接，获取第二梯度变化的动态功能连接；将被测对象的基础信息、临床信息和第二梯度变化的动态功能连接输入至待训练的认知障碍发展进程预测模型，预测被测对象的认知障碍发展进程；根据预测的认知障碍发展进程和标注的实际认知障碍发展进程的差异对认知障碍发展进程预测模型进行调整，满足训练结束条件时，得到训练好的认知障碍发展进程预测模型。
其中，第一训练集可以采用ADNI等公开的MCI数据库，包含基线及多次追踪数据；包含T1w、BOLD等影像数据，以及被试的认知、血液及脑脊液的生化指标数据。第二脑部影像数据标注了实际认知障碍发展进程。其中，对第二脑部影像数据的提取骨架处理，梯度变化的动态功能连接处理与预测过程相同，此处不再赘述。
把被试分为训练集和测试集。认知障碍发展进程预测模型采用Cox回归建立。认知障碍发展进程预测模型是基于训练集进行训练的，其预后性能是基于测试集进行评估。基于训练数据，采用10倍交叉验证优化LASSO模型的正则化参数。时间到事件预后模型估计个人进展到AD痴呆的总体风险评分。风险分数高的人比风险分数低的人更早发展为AD痴呆。根据风险评分，可以估计每年发展为AD痴呆的概率值，给定基线危险(发展为AD痴呆)功能，这根据训练集进行估计。结合年龄、性别、教育程度、MRS指标、ADAS-Cog13、FAQ、MMSE等临床变量，训练认知障碍发展进程预测模型。
训练过程中，根据预测的认知障碍发展进程和实际标注的认知障碍发展进程的差异不断进行调整，训练得到认知障碍发展进程预测模型。训练时，利用了更丰富的功能连接梯度变化的信息，因此可以把疾病分类准确性、特异性提高，从而预测模型能够对轻度认知障碍发展轨迹进行预测，并给出具体数据和图表进行展示。
在一个实施例中，目标点是基于分类模型训练所确定的与轻度认知障碍相关的海马体的点。
本实施例中，选取了沿海马前后轴的多个点的功能连接特征，因此每个被试包含的特征有多组(每个点均有一组特征)；为了解决海马取点过程中存在的个体特异性问题，选取多视点学习方法，对比于单视点方法，多视点学习方法可以避免由点选取导致的个体特异性偏差带来的影响。具体地，海马取点过程中存在的个体特异性问题，通过选取轻度认知障碍相关的海马体的特征点，可以避免由点选取导致的个体特异性偏差带来的影响。
本实施例中，采用了一种多视图特征提取方法。关键步骤之一是获取合理的海马取点位置，这些样取点位置不仅具有足够的代表性，足以覆盖整个人群，以实现更好的泛化能力，而且还能够准确捕获与MCI相关的差异化生物标志物。为此，拟采用特异性的海马空间取点策略，从数据中获得多个具有代表性的空间取点策略。
利用回波平面成像(EPI)模板实现非线性配准，将时间平均rs-fMRI数据转换到标准MNI空间。在此基础上导出了一个变形场，用以刻画个体空间与标准空间之间的非线性映射关系。然后，通过对变形场进行逆变换，将每个受试者的个体空间扭曲到标准空间。进一步对这些个体空间地图集进行线性配准，将其转换回标准空间，从而使派生的个性化地图集更具可比性，但仍保留足够的个体差异，可以相互提供补充的特征表示。为了选择有代表性的地图集，使用近邻传播聚类(AP)算法对所有个性化海马取点方案进行聚类分析。在AP算法中，相似性由归一化互信息度量，适当的偏好值由平分法确定。AP算法自动识别定义相应集群构建多个海马取点方案。
从多视点中确定与轻度认知障碍相关的海马体的特征点，具体通过分类模型训练得到。具体地，如图6所示和图7所示，提取第三海马骨架的多个点的时间序列，计算各点与脑部其它区域的时间序列之间的功能连接，提取功能连接的变化梯度的特征；根据各点的梯度变化的动态功能连接的特征，进行相似度分析；基于相似度分析结果对海马体的多个点进行聚类，以验证这些目标点的功能连接具有沿海马骨架梯度变化的特点。
具体地，获取第二训练集；第二训练集包括了多个患者多次随访的第三脑部影像训练数据，及对第三脑部影像数据标注的轻度认知障碍结果；对各第三脑部影像数据进行预处理，分别提取第三海马骨架；提取第三海马骨架的多个点的时间序列，计算各点与脑部其它区域的时间序列之间的功能连接，提取梯度变化的动态功能连接的特征；根据各点的梯度变化的动态功能连接的特征，进行相似度分析，基于相似度分析结果对海马体的多个点进行聚类；根据海马体的各类别的点对被测对象患有轻度认知障碍进行预测；根据预测结果与标注结果对分类模型进行调整，根据最终确定的分类模型确定与轻度认知障碍相关的海马体的各类目标点。
具体地，海马骨架的提取与认知障碍发展进程预测过程相同，此处不再赘述。
具体地，特征提取是一种降维技术，从已有的特征中产生新的特征，并提取对分类有用的基本特征的过程。因此，特征提取有助于分类模型更好地训练，降低时间复杂度，并产生更好的准确率。
假设
Figure BDA0003453338190000101
包含特征向量，其中/>
Figure BDA0003453338190000102
代表第n个被试海马第k个点的功能连接特征；/>
Figure BDA0003453338190000111
代表被试的类别标签向量，用于指示被试是正常或MCI被试。
稀疏群学习方法SGL用于特征选择，近年来，SGL在神经影像学数据分析中的应用日益广泛。
SGL的特征选择方法可以定义为
Figure BDA0003453338190000112
SGL提供了确定海马哪个部位的功能连接是最重要的，以及这些部位包含最相关的特征。
为了更进一步提升学习模型的性能，需要增加惩罚项减轻因两个被试海马功能连接特征高度相似而导致的模型不收敛，因此，构建图拉普拉斯正则项：
Figure BDA0003453338190000113
把上述正则项引入SGL模型，得到关系引导稀疏群学习方法RSGL：
Figure BDA0003453338190000114
其中，其中λ3是用于控制被试关系贡献的超参数。
然后，采用加速近端梯度(APG)方法求模型的最优解，因此，优化问题可以分为平滑部分
Figure BDA0003453338190000115
及非平滑部分
Figure BDA0003453338190000116
分类模型采用基于支持向量机的分类模型，线性支持向量机学习算法如下：
输入训练数据集
T＝{(x1，y1)，(x2，y2)，…，(xN，yN)}，其中
Figure BDA0003453338190000117
选择惩罚参数C＞0，构造并求解凸二次规划问题
Figure BDA0003453338190000121
Figure BDA0003453338190000122
0≤αi≤C，i＝1，2，…，N
得到最优解：
Figure BDA0003453338190000123
计算
Figure BDA0003453338190000124
Figure BDA0003453338190000125
求分离超平面
w*·x+b*＝0
以及分类决策函数
f(x)＝sign(w*·x+b*)
经过训练的SVM分类器的模型权重反映了所选特征对MCI精确分类的重要性。在所有的LOOCV运行中，RSGL算法一致地选择了部分海马区域，作为目标点。
对于这些选定的海马区域，在训练过程中，在所有LOOCV折叠上平均每个特征的SVM模型权值。
根据分类准确性(ACC)、ROC曲线下面积(AUC)、敏感性(SEN)和特异性(SPE)等指标评价MCI诊断结果。ACC被定义为正确预测标签数量与整个样本数量的比率。AUC测量概率。根据真阳性率和假阳性率分别计算SEN和SPE
Figure BDA0003453338190000126
其中TP、TN、FP分别为真阳性率、真阴性率、假阳性率。采用漏一交叉验证(LOOCV)方法评价各比较方法的诊断性能。需要注意的是，在我们提出的诊断框架中，LOOCV对所有程序都进行。即只在训练数据上进行图谱生成和特征选择，然后将其应用到测试数据上进行性能评价。在每一次的LOOCV中，还对训练数据进行一次额外的内部LOOCV，以选择最优的超参数，基于分类模型的超参数，即选择了与轻度认知障碍相关的海马体的特征点。
在另一个实施例中，在对各脑部影像数据进行处理前，还对脑部影像数据进行预处理，包括：根据生理运动校正脑部影像数据。具体地，对图像进行生理运动校正，所有后续分析步骤均使用统计参数制图软件SPM12进行。预处理包括切片时间校正、空间重组和共配准，重采样体素尺寸为3mm各向同性，没有空间平滑。由于所有的分析都依赖于协方差，还回归了参与者特异性白质和脑脊液面罩的平均时间过程，以及从每次EPI运行中估计的6个刚体运动参数。为了进一步纠正运动的影响，采用多变量技术，去除6个刚体运动参数估计和BOLD信号中的离群点，用相邻数据点间插值替代离群的BOLD信号。
本申请的方法，利用了更丰富的功能连接梯度变化的信息，因此可以把疾病分类准确性、特异性提高(计算完成后给出具体数据和图、表)。基于上述分类模型获取的特征而构建的预测模型，提高了对进展型MCI发展轨迹的预测(计算完成后给出具体数据和图、表)。因为利用了完整的梯度变化信息，我们的方法能够提供MCI进展过程中，海马受损的空间分布的进展。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的轻度认知障碍发展进程预测方法的轻度认知障碍发展进程预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个轻度认知障碍发展进程预测装置实施例中的具体限定可以参见上文中对于轻度认知障碍发展进程预测方法的限定，在此不再赘述。
在一个实施例中，如图8所示，一种轻度认知障碍发展进程预测装置，包括：
图像获取模块802，用于获取轻度认知障碍患者多次随访的第一脑部影像数据。
图像处理模块804，用于对各所述第一脑部影像数据进行预处理，分别提取第一海马骨架。
动态功能连接模块806，用于提取各所述第一海马骨架的多个目标点的时间序列，计算各目标点与脑部其它区域的时间序列之间的动态功能连接，获取第一梯度变化的动态功能连接。
预测模块808，用于根据所述患者的基础信息、临床信息和所述第一梯度变化的动态功能连接，预测所述被测对象的认知障碍发展进程。
上述轻度认知障碍发展进程预测装置，通过对被测对象多次随访的脑部影像数据进行处理，提取海马骨架的多个目标点的时间序列，计算各目标点与脑部其它区域的时间序列之间的动态功能连接，获取梯度变化的动态功能连接，根据基础信息、临床信息和梯度变化的动态功能连接进行预测，由于利用了更丰富的功能连接梯度变化的信息，因此可以把疾病分类准确性、特异性提高，能够预测预测被测对象的认知障碍发展进程，从而帮助医生和患者提前进行干预，减缓病程发展。
在另一个实施例中，预测模块，用于将所述患者的基础信息、临床信息和所述第一梯度变化的动态功能连接，输入至预先训练好的认知障碍发展进程预测模型，预测所述被测对象的认知障碍发展进程。
在另一个实施例中，还包括训练模块，用于获取第一训练集；所述第一训练集包括了多个患者的多次随访的第二脑部影像数据，对应患者的基础信息、临床信息、及对所述第二脑部影像数据标注的实际认知障碍发展进程；对各所述第二脑部影像数据进行预处理，分别提取第二海马骨架；提取各所述第二海马骨架的多个目标点的时间序列，计算各目标点与脑部其它区域的时间序列之间的动态功能连接，获取第二梯度变化的动态功能连接；将所述被测对象的基础信息、临床信息和所述第二梯度变化的动态功能连接输入至待训练的认知障碍发展进程预测模型，预测所述被测对象的认知障碍发展进程；根据预测的认知障碍发展进程和标注的实际认知障碍发展进程的差异对所述认知障碍发展进程预测模型进行调整，满足训练结束条件时，得到训练好的认知障碍发展进程预测模型。
在另一个实施例中，目标点是基于分类模型训练所确定的与轻度认知障碍相关的海马体的点。
在另一个实施例中，还包括分类模块，用于获取第二训练集；所述第二训练集包括了多个患者多次随访的第三脑部影像训练数据，及对所述第三脑部影像数据标注的轻度认知障碍结果；对各所述第三脑部影像数据进行预处理，分别提取第三海马骨架；提取所述第三海马骨架的多个点的时间序列，计算各点与脑部其它区域的时间序列之间的功能连接，提取梯度变化的动态功能连接的特征；根据各点的梯度变化的动态功能连接的特征，进行相似度分析，基于相似度分析结果对海马体的多个点进行聚类；根据海马体的各类别的点对被测对象患有轻度认知障碍进行预测；根据预测结果与标注结果对分类模型进行调整，根据最终确定的分类模型确定与轻度认知障碍相关的海马体的各类目标点。
在另一个实施例中，还包括预处理模块，用于根据生理运动校正所述脑部影像数据。
上述轻度认知障碍发展进程预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种轻度认知障碍发展进程预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时上述各实施例的方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各实施例的方法的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各实施例的方法的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种轻度认知障碍发展进程预测方法，其特征在于，包括：
获取轻度认知障碍患者多次随访的第一脑部影像数据；
对各所述第一脑部影像数据进行预处理，分别提取第一海马骨架；
提取各所述第一海马骨架的多个目标点的时间序列，计算各目标点与脑部其它区域的时间序列之间的动态功能连接，获取第一梯度变化的动态功能连接；
根据所述患者的基础信息、临床信息和所述第一梯度变化的动态功能连接，预测所述被测对象的认知障碍发展进程。
2.根据权利要求1所述的方法，其特征在于，根据所述患者的基础信息、临床信息和所述第一梯度变化的动态功能连接，预测所述被测对象的认知障碍发展进程，包括：
将所述患者的基础信息、临床信息和所述第一梯度变化的动态功能连接，输入至预先训练好的认知障碍发展进程预测模型，预测所述被测对象的认知障碍发展进程。
3.根据权利要求2所述的方法，其特征在于，所述认知障碍发展进程预测模型的训练方式，包括：
获取第一训练集；所述第一训练集包括了多个患者的多次随访的第二脑部影像数据，对应患者的基础信息、临床信息、及对所述第二脑部影像数据标注的实际认知障碍发展进程；
对各所述第二脑部影像数据进行预处理，分别提取第二海马骨架；
提取各所述第二海马骨架的多个目标点的时间序列，计算各目标点与脑部其它区域的时间序列之间的动态功能连接，获取第二梯度变化的动态功能连接；
将所述被测对象的基础信息、临床信息和所述第二梯度变化的动态功能连接输入至待训练的认知障碍发展进程预测模型，预测所述被测对象的认知障碍发展进程；
根据预测的认知障碍发展进程和标注的实际认知障碍发展进程的差异对所述认知障碍发展进程预测模型进行调整，满足训练结束条件时，得到训练好的认知障碍发展进程预测模型。
4.根据权利要求1或3所述的方法，其特征在于，所述目标点是基于分类模型训练所确定的与轻度认知障碍相关的海马体的点。
5.根据权利要求4所述的方法，其特征在于，所述分类模型的训练方式，包括：
获取第二训练集；所述第二训练集包括了多个患者多次随访的第三脑部影像训练数据，及对所述第三脑部影像数据标注的轻度认知障碍结果；
对各所述第三脑部影像数据进行预处理，分别提取第三海马骨架；
提取所述第三海马骨架的多个点的时间序列，计算各点与脑部其它区域的时间序列之间的功能连接，提取梯度变化的动态功能连接的特征；
根据各点的梯度变化的动态功能连接的特征，进行相似度分析，基于相似度分析结果对海马体的多个点进行聚类；
根据海马体的各类别的点对被测对象患有轻度认知障碍进行预测；
根据预测结果与标注结果对分类模型进行调整，根据最终确定的分类模型确定与轻度认知障碍相关的海马体的各类目标点。
6.根据权利要求1，3和5任一项所述的方法，其特征在于，所述方法还包括：根据生理运动校正所述脑部影像数据。
7.一种轻度认知障碍发展进程预测装置，其特征在于，所述装置包括：
图像获取模块，用于获取轻度认知障碍患者多次随访的第一脑部影像数据；
图像处理模块，用于对各所述第一脑部影像数据进行预处理，分别提取第一海马骨架；
动态功能连接模块，用于提取各所述第一海马骨架的多个目标点的时间序列，计算各目标点与脑部其它区域的时间序列之间的动态功能连接，获取第一梯度变化的动态功能连接；
预测模块，用于根据所述患者的基础信息、临床信息和所述第一梯度变化的动态功能连接，预测所述被测对象的认知障碍发展进程。
8.一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现权利要求1至6任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现权利要求1至6任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1至6任一项所述的方法的步骤。
CN202111678855.6A 2021-12-31 2021-12-31 轻度认知障碍发展进程预测方法、装置和计算机设备 Pending CN116417139A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111678855.6A CN116417139A (zh) 2021-12-31 2021-12-31 轻度认知障碍发展进程预测方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111678855.6A CN116417139A (zh) 2021-12-31 2021-12-31 轻度认知障碍发展进程预测方法、装置和计算机设备

Publications (1)

Publication Number Publication Date
CN116417139A true CN116417139A (zh) 2023-07-11

Family

ID=87050159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111678855.6A Pending CN116417139A (zh) 2021-12-31 2021-12-31 轻度认知障碍发展进程预测方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN116417139A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011270A (zh) * 2023-08-04 2023-11-07 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于临床mri影像的人脑海马体多尺度形态测量方法及设备
CN119028583A (zh) * 2024-08-12 2024-11-26 江苏省人民医院（南京医科大学第一附属医院） 体外循环心脏手术患者神经认知障碍的预测数据处理方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011270A (zh) * 2023-08-04 2023-11-07 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于临床mri影像的人脑海马体多尺度形态测量方法及设备
CN119028583A (zh) * 2024-08-12 2024-11-26 江苏省人民医院（南京医科大学第一附属医院） 体外循环心脏手术患者神经认知障碍的预测数据处理方法

Similar Documents

Publication Publication Date Title
US12354256B2 (en) Brain feature prediction using geometric deep learning on graph representations of medical image data
Jungo et al. On the effect of inter-observer variability for a reliable estimation of uncertainty of medical image segmentation
Liu et al. Improved ASD classification using dynamic functional connectivity and multi-task feature selection
Cui et al. RNN-based longitudinal analysis for diagnosis of Alzheimer’s disease
Liu et al. Weakly supervised deep learning for brain disease prognosis using MRI and incomplete clinical scores
Salem et al. A fully convolutional neural network for new T2-w lesion detection in multiple sclerosis
Cheng et al. CNNs based multi-modality classification for AD diagnosis
CN108288070B (zh) 一种神经指纹提取分类方法及系统
Salem et al. A supervised framework with intensity subtraction and deformation field features for the detection of new T2-w lesions in multiple sclerosis
Li et al. Alzheimer's disease classification based on combination of multi-model convolutional networks
García-Lorenzo et al. Review of automatic segmentation methods of multiple sclerosis white matter lesions on conventional magnetic resonance imaging
Yue et al. Hierarchical feature extraction for early Alzheimer’s disease diagnosis
Zhou et al. Interpretable graph convolutional network of multi-modality brain imaging for alzheimer’s disease diagnosis
Ganiler et al. A subtraction pipeline for automatic detection of new appearing multiple sclerosis lesions in longitudinal studies
US10970837B2 (en) Automated uncertainty estimation of lesion segmentation
CN115496953B (zh) 基于时空图卷积的脑网络分类方法
CN106023194A (zh) 基于静息态功能连接的杏仁核谱聚类分割方法
Karakis et al. Deep learning prediction of motor performance in stroke individuals using neuroimaging data
CN118429734B (zh) 磁共振数据分类系统
CN120219308A (zh) 一种基于多模态融合的脑部影像分析方法及系统
CN116417139A (zh) 轻度认知障碍发展进程预测方法、装置和计算机设备
Klein et al. Early diagnosis of dementia based on intersubject whole-brain dissimilarities
De Bonis et al. Explainable brain age prediction: a comparative evaluation of morphometric and deep learning pipelines
Khatri et al. Alzheimer’s disease and mild cognitive impairment detection using sMRI with efficient receptive field and enhanced multi-axis attention fusion
CN119339943A (zh) 一种基于图神经网络的帕金森病早期预警系统及方法

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