基于双模态磁共振成像和决策层融合的抑郁症辅助诊断

本研究提出一种基于结构和功能双模态磁共振成像数据融合的抑郁症分类算法,首先利用功能脑网络和深度学习网络分别提取功能和结构磁共振成像数据特征,并计算类概率,然后使用软投票法和加权投票法在决策层对两种类概率数据进行融合,充分提取功能与结构磁共振成像的数据信息,得到更加准确的分类效果。试验结果表明,数据融合方法可以显著提高抑郁症分类效果,获得91.34%的准确率和96.62%的召回率,更好地实现了抑郁症的辅助诊断与预后。     

基于迁移学习和3D-WGMobileNet的青年抑郁症辅助诊断

提出一种基于3D-WGMobileNet和迁移学习的网络模型,实现对青年抑郁症不同阶段患者的正确分类。首先,对功能磁共振成像（fMRI）数据进行预处理,并通过局部一致性分析将4D fMRI数据转换为3D,进行降维处理。然后,使用迁移学习方法将阿尔茨海默症的特征迁移到提出的3D-WGMobileNet中。利用动态分组卷积构建卷积核的专家权重矩阵,提高模型的表达能力;利用滑窗分组卷积来压缩模型的参数量,增强模型的计算能力。最后,利用3D-WGMobileNet对抑郁症患者图像进行特征提取和分类。在人类连接组项目数据库上的实验结果表明结合迁移学习、动态分组卷积和滑窗分组卷积的3D-WGMobileNet获得较好的分类效果,其中,抑郁症和健康对照组、轻度抑郁症和健康对照组、轻度抑郁症和中度抑郁症的分类准确率分别达到89.00%、85.15%、87.90%,证明本文方法的可行性和有效性。     

基于卷积循环神经网络的阿尔茨海默症早期诊断

早期准确诊断能延迟阿尔茨海默症(Alzheimer′s disease,AD)病情的恶化。磁共振成像(MRI)和正电子发射断层扫描(PET)已被证明有助于了解AD相关的解剖和功能性神经变化。近期研究表明,多模态特征的融合可以提高分类性能。本研究提出了一种基于卷积循环神经网络的多模态数据分类新框架,新框架结合了2D卷积神经网络和循环神经网络,以学习3D MRI和3D PET图像切分为2D切片序列之后的切片内、切片间特征,完成AD的早期诊断。本研究方法在AD与NC的分类实验中ACC为93.3%,AUC为98.1%;在MCIc与NC的分类实验准确率为83.8%,AUC为91.9%;MCIc与MCInc的分类实验准确率为79.0%,AUC为88.9%。结果表明该方法具有良好的分类性能。     

双向抑郁症患者脑磁共振图像纹理特征

目的研究双向抑郁症患者与健康人群脑部磁共振图像在前额叶脑白质区的纹理差异。方法在抑郁症患者组和健康对照组中随机各选取8名志愿者,进行相同的脑部磁共振扫描,选取左右额叶脑白质作为研究对象,提取实验组和对照组样本的纹理特征,使用最小分类误差与最小平均相关系数法对纹理特征进行筛选及分类比较研究。结果通过比较原始数据分析(raw data analysis,RDA)、主成分分析(principal component analysis,PCA)、线性判别分析(linear discriminant analysis,LDA)、非线性判别分析(nonlinear discriminant analysis,NDA)4种分类方法,发现LDA和NDA方法对样本纹理分类正确率高于RDA和PCA分类方法。结论抑郁症患者与健康人群脑部磁共振图像的前额叶脑白质区纹理特征存在差异。     

KPCA和Adaboost算法在阿尔茨海默症功能磁共振影像分类中的 应用

本研究的目的在于使用机器学习方法,对脑部功能磁共振成像数据进行分析与特征提取,完成对阿尔茨海默症 （AD）的辅助诊断与分析。首先对数据进行预处理与去除协变量,并从大脑全局特征出发,根据现有的自动解剖标记模 板,把每个被试的大脑分为116个脑区,通过提取每个脑区的时间序列,构建全脑功能连接矩阵,然后使用核主成分分析 法进行特征提取,最后用Adaboost算法进行分类。在对34名AD患者、35名轻度认知障碍患者和35名正常对照组的功能 磁共振成像数据进行的实验结果表明,利用静息态功能磁共振成像,同时结合机器学习的方法,能够有效地实现AD的正 确分类,准确率可以达到96%,该结果可以为AD患者的临床辅助诊断提供有效的判断依据。     

基于功能磁共振图像转换在阿尔茨海默症分类中的应用

为了能识别阿尔茨海默症（AD）早期症状,提出一种改进的3DPCANet网络模型,并结合患者功能磁共振成像（fMRI）转换,对AD不同阶段患者进行分类。首先预处理患者的fMRI,并对预处理后的图像进行局部一致性（ReHo）图像转换;然后采用改进的3DPCANet模型对fMRI转换后的图像进行特征提取;最后使用支持向量机进行分类。实验结果显示,改进后的3DPCANet模型可以对fMRI转换后的图像提取有效的分类特征,其中,晚期轻度认知障碍与AD、主观记忆衰退与AD、主观记忆衰退与早期轻度认知障碍的分类准确率分别达到90.00%、88.89%、88.00%,验证了本方法的有效性和可行性。     

基于深度学习的磁共振液体衰减反转恢复序列图像合成方法

磁共振能够获得不同对比度的多模态图像，为临床诊断提供了丰富的信息。但是常常由于患者难以配合或扫描条件限制造成某些对比度图像没有被扫描或者获得的图像质量不能达到诊断要求。图像合成技术是弥补这种图像缺失的一种方法。近年来，深度学习在磁共振图像合成领域得到了广泛应用。本文提出了一种基于多模态融合的合成网络，首先利用特征编码器将多个单模态图像分别进行特征编码后，再通过特征融合模块将不同模态图像特征进行融合，最终生成目标模态图像。通过引入基于图像域和K空间域的动态加权组合损失函数，改进了网络中目标图像与预测图像的相似性度量方法。经实验验证并定量比较，本文提出的多模态融合深度学习网络可以有效合成高质量的磁共振液体衰减反转恢复（FLAIR）序列图像。综上，本文提出的方法可以减少患者的磁共振扫描时间，以及解决FLAIR图像缺失或图像质量难以满足诊断要求的临床问题。     

基于广义卷积神经网络的阿尔茨海默病多模态磁共振图像分类方法研究

阿尔茨海默病（AD）是一种进行性、不可逆的神经系统退行性疾病,基于磁共振成像（MRI）的神经影像学检查是进行AD筛查与诊断最直观、可靠的方法之一。临床上头颅MRI检测会产生多模态影像数据,为解决多模态MRI处理与信息融合的问题,本文提出基于广义卷积神经网络（gCNN）的结构MRI和功能MRI特征提取与融合方法。该方法针对结构MRI提出基于混合注意力机制的三维残差U型网络（3D HA-ResUNet）进行特征表示与分类;针对功能MRI提出U型图卷积神经网络（U-GCN）进行脑功能网络的节点特征表示与分类。在两类影像特征融合的基础上,基于离散二进制粒子群优化算法筛选最优特征子集,并使用机器学习分类器输出预测结果。来自AD神经影像学计划（ADNI）开源数据库的多模态数据集验证结果表明,本文所提出的模型在各自数据域内都有优秀的表现,而gCNN框架结合了两类模型的优势,进一步提高使用单一模态MRI的方法性能,将分类准确率和敏感性分别提升了5.56%和11.11%。综上,本文所提出的基于gCNN的多模态MRI分类方法可以为AD的辅助诊断提供技术基础。     

基于多尺度功能脑网络融合特征的抑郁症分类算法

【摘要】提出一种多尺度功能脑网络融合特征的抑郁症分类方法，具体思想包括:首先通过精细化脑区，建立4种不同尺度的脑网络；然后对每种尺度的脑网络分别提取局部特征和全局特征，并将多种尺度脑网络的特征进行有效融合并降维；最后使用支持向量机对患者脑部功能磁共振影像进行分类。试验结果表明，分别提取局部特征和全局特征，并进行有效融合，可以提升识别效果；空间尺度减小会得到更多有效特征，进而能够有效提升分类结果；多尺度特征融合也可以在很大程度上对分类结果起到积极作用。与传统单一大尺度脑网络方法相比，本研究提出的方法获得了更加优秀的试验结果，识别率可达88.67%，充分验证了本研究提出方法的有效性和可行性，并为抑郁症患者的临床诊断与治疗提供生物学依据。     

阴性颞叶癫痫患者静息态脑功能连接网络特征融合策略的分析

静息态功能磁共振成像(rfMRI)的功能连接(FC)可为阴性颞叶癫痫提供脑功能异常指标,但冗余特征影响了精准性。为此,本研究提出结合特异性指数模型与判别相关分析(DCA)的特征融合策略以改善识别效果。将20位患者与20位健康人的rfMRI数据预处理后,以健康人为对照组,构建两类特异性指数模型以量化FC和脑网络FC;采用最小冗余最大相关(mRMR)及独立样本t检验去除冗余特征,应用DCA融合2类FC特异性指标;将融合特征分别输入到K近邻、支持向量机和逻辑回归分类器中,并以嵌套10次10折交叉验证与嵌套10次5折分层交叉验证的平均分类精度来评估算法有效性。结果表明,融合特征识别率达到了91.25%～92.50%,高于非融合方案的识别水平。所提出的特征融合策略可有效地处理冗余信息,增强特征判别能力,为精准识别阴性颞叶癫痫提供了新思路。     

基于随机森林算法的阿尔茨海默症医学影像分类

为实现阿尔茨海默症(AD)的医学影像分类,辅助医生对患者的病情进行准确判断,本研究对采集的34名AD患者、35名轻度认知障碍患者和35名正常对照组成员的功能磁共振影像进行特征提取和分类,具体思路包括:首先利用皮尔逊相关系数计算脑区之间的功能连接,然后采用随机森林算法对被试不同脑区之间的功能连接进行重要性度量及特征选择,最后使用支持向量机分类器进行分类,利用十倍交叉验证估算分类准确率。实验结果显示,随机森林算法可以对功能连接特征进行有效分析,同时得到AD发病过程的异常脑区,基于随机森林和SVM建立的分类模型对AD、轻度认知障碍的识别具有较好的效果,分类准确率可达90.68%,相关结论可以为AD的早期临床诊断提供客观参照。 【关键词】阿尔茨海默症;功能磁共振成像;随机森林;特征选择     

融合白质fMRI的dMRI纤维追踪重建研究

基于弥散磁共振成像(dMRI)的纤维束重建,是分析大脑白质结构的主要工具.现有的纤维追踪成像算法受dMRI分辨率及成像机理约束,在构建大脑白质灰质边界区域的纤维时成像性能和准确性大大下降.为克服该缺陷,提出一种结合功能磁共振成像(fMRI)的新型dMRI纤维追踪成像算法.该算法引入表征白质中fMRI信号各向异性的空间相...     

Combination of feature-reduced MR spectroscopic and MR imaging data for improved brain tumor classification

The purpose of this paper is to evaluate the effect of the combination of magnetic resonance spectroscopic imaging (MRSI) data and magnetic resonance imaging (MRI) data on the classification result of four brain tumor classes. Suppressed and unsuppressed short echo time MRSI and MRI were performed on 24 patients with a brain tumor and four volunteers. Four different feature reduction procedures were applied to the MRSI data: simple quantitation, principal component analysis, independent component analysis and LCModel. Water intensities were calculated from the unsuppressed MRSI data. Features were extracted from the MR images which were acquired with four different contrasts to comply with the spatial resolution of the MRSI. Evaluation was performed by investigating different combinations of the MRSI features, the MRI features and the water intensities. For each data set, the isolation in feature space of the tumor classes, healthy brain tissue and cerebrospinal fluid was calculated and visualized. A test set was used to calculate classification results for each data set. Finally, the effect of the selected feature reduction procedures on the MRSI data was investigated to ascertain whether it was more important than the addition of MRI information. Conclusions are that the combination of features from MRSI data and MRI data improves the classification result considerably when compared with features obtained from MRSI data alone. This effect is larger than the effect of specific feature reduction procedures on the MRSI data. The addition of water intensities to the data set also increases the classification result, although not significantly. We show that the combination of data from different MR investigations can be very important for brain tumor classification, particularly if a large number of tumors are to be classified simultaneously.     

基于双稀疏字典的医学图像融合算法及在脑血管疾病诊断中的应用

目的通过图像融合方法结合解剖和功能医学图像以提供更多有用的信息并辅助医生诊断。方法利用稀疏表示能很好地反映图像特征的优势。首先,选取医院脑梗死和脑出血的CT和MRI的临床图像,采用双稀疏字典算法得到稀疏字典,再通过结合空间域信息的最大选择法作为融合规则对其进行融合,并与基于主成分分析(principal component analysis,PCA)和离散小波变换(discrete wavelet transform,DWT)方法的图像融合结果在主观方面以及客观方面的QAB/F和Piella指标上进行比较。结果本文提出的方法所获得的融合图像主观评价优于另外两种方法。QAB/F和Piella的均值分别为0.9139和0.7213,客观评价指标也优于另外两种方法。结论基于双稀疏字典的图像融合算法得到的融合图像更清晰,对比度更高,并且特征保留效果更好,有助于医生的诊断。     

正则化多任务学习在精神分裂症核磁共振成像图像分类中的应用

为实现对精神疾病的计算机辅助诊断与预后,利用机器学习与图像处理技术分析多地区精神疾病的核磁共振成像数据,已成为该领域的必然趋势。本文首先提出切片提取的核磁共振成像图像预处理方法,然后提取图像的纹理特征,最后提出一种lp范数正则化的多任务学习支持向量机精神分裂症分类方法,同时学习3个数据中心精神分裂症图像的共享特征和各自独有的特征,用于分类精神分裂症患者和正常人。实验结果表明,该方法取得了优秀的诊断精度,可为精神分裂症患者的临床诊断与治疗提供生物学依据。     

An image fusion algorithm based on multi-resolution decomposition for functional magnetic resonance images

This paper presents a new functional image fusion algorithm which is the combination of SPM and ICA using multi-resolution decomposition. Firstly, we designed the fMRI experiments and obtained the fMRI image data from different experimental conditions. The brain activated regions were extracted by the SPM and ICA methods respectively. Secondly, by constructing the Laplacian pyramids of the source image, a new fusion rule based on the salience and matching measure is proposed in various resolutions. Finally, the fused functional images are reconstructed by the inverse Laplacian pyramid transformation. The results show that the algorithm can retain the details of the source images and pinpoint exactly the brain functional area associated with the hand action, thus outperforming SPM or ICA for functional regions extraction.     

功能磁共振在研究老年抑郁症脑功能及结构中的应用

目的:基于核磁共振下高分辨率结构成像及功能扫描评价老年抑郁症患者的脑功能及结构。方法:选取2015年1月至2016年7月于我院就诊的抑郁症老年患者50例为研究组,招募50例老年健康者为对照组,所有入组者均进行核磁共振下高分辨率结构像及功能扫描,采用MRIcro软件转化,应用REST、SPM 8软件进行图像结果分析。结果:抑郁组的汉密尔顿抑郁量表(HAMD)评分为(26.7±1.6)分,对照组为(4.7±1.7)分,两组比较差异具有统计学意义(t=66.636,P0.001)。抑郁组患者中左侧的梭状回、颞上回、楔前叶、顶下小叶、中央后回、中央旁小叶,以及右侧的枕中回、顶下小叶、额上回的ReHo较健康组显著减低(P0.05),抑郁组患者的左侧颞下回、额下回、楔前叶,右侧内侧扣带回、梭状回、颞下回、楔叶的GMV较健康组显著减低(P0.05)。结论:老年抑郁症患者中脑功能与结构异常的区域没有重叠,异常的脑功能与结构对于抑郁症神经病理机制的作用相互独立。     

基于KPCA算法的阿尔茨海默症辅助诊断

阿尔茨海默症（AD）是一种起病隐匿、进行性发展的神经系统退行性疾病,利用磁共振成像和计算机技术对AD患者的辅助诊断是目前不断探索的新课题。本研究先对磁共振图像进行预处理和相关性分析,然后利用核主成分分析法（KPCA）对脑灰质图像进行特征提取,结合Adaboost算法进行分类,并与主成分分析法（PCA）进行对比试验。通过对AD神经影像学计划数据库中的116名AD患者、116名轻度认知障碍患者,以及117名正常对照的脑部功能磁共振成像进行的研究表明,利用机器学习能够很有效地辅助诊断AD脑部疾病,KPCA算法对图像进行特征提取比PCA 算法更加充分完备,分类结果更加精确,能够获得更好的AD辅助诊断结果。     

CT/MRI双模态造影剂的制备及研究进展

电子计算机断层扫描（CT）用途广泛,常用于解剖学成像,骨成像和肿瘤成像等,但软组织对比度较低。核磁共振成像（MRI）的软组织对比度高,但成像时间长,价格昂贵。将CT成像技术与MRI技术合二为一使其优势互补,可以在短时间内得到更准确的生物信息。如今CT/MRI双模态造影剂相关的综述文献并不是很多。本文在CT/MRI双模态分子影像前驱物的基础上归纳一些制备CT/MRI双模态造影剂的方法,如纳米乳法,表面物理修饰法,表面化学修饰法,氯胺-T碘标记法,氧化还原法,并展望了未来CT/MRI双模态造影剂的发展。