检索结果-南通市图书馆

检索条件"主题词=影像组学脑网络"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于影像组学脑网络的脑疾病诊断和功能脑网络预测算法研究

基于影像组学脑网络的脑疾病诊断和功能脑网络预测算法研究

引用

作者：宋志伟烟台大学

学位级别：硕士

近年来,基于大脑区域之间影像组学特征构建的脑网络（Radiomics-based Morphological Brain Network,rad MBN）已被证明是一种强大的脑网络分析方法,其可用于探索大脑运行和神经疾病发病的机制。相较于其他的脑网络构建方法,rad MBN基... 详细信息

近年来,基于大脑区域之间影像组学特征构建的脑网络（Radiomics-based Morphological Brain Network,rad MBN）已被证明是一种强大的脑网络分析方法,其可用于探索大脑运行和神经疾病发病的机制。相较于其他的脑网络构建方法,rad MBN基于临床最常见的结构T1加权成像（T1 Weighted Imaging,T1WI）进行构建,包含丰富的纹理和强度影像组学特征,具有广泛的临床应用潜力。然而,rad MBN在脑科学和深度学习领域的应用有待进一步深入。鉴于此,为了进一步推广rad MBN的应用,本文从阿尔茨海默病（Alzheimer’s Disease,AD）的欧式图像空间和rad MBN图空间的联合表达、动态rad MBN的构建以及基于rad MBN到功能脑网络的预测三个角度,开展以下研究:（1）sMRI-ADNet:基于影像组学脑网络的欧式-图空间联合表达AD诊断算法针对传统T1图像用于AD诊断时存在特征表达能力不足的问题,本研究提出了一个基于影像组学脑网络的欧式-图空间联合表达模型（称为sMRI-ADNet）用于T1加权成像的多维表征并进行AD诊断研究。具体而言,sMRI-ADNet由一个结合了卷积神经网络和Transformer的欧式空间特征学习通道以及一个结合了图神经网络和多层感知机的图空间特征学习通道组成,用于融合欧式空间中的灰质体积和图空间中的脑网络特征,并应用于AD的诊断研究。本研究在四个公开数据库共3377例受试者中进行实验。数据库内和数据库间的交叉验证实验表明,sMRI-ADNet分别取得了92.1%和91.6%的诊断准确率。此外,在模型可解释性实验中,sMRI-ADNet揭示了与AD相关的大脑区域,并在四个数据库中可重复实现。sMRI-ADNet的分类评分与临床测量的认知能力、脑脊液生物标志物、代谢和遗传风险等13个指标之间具有显著相关性,证明了模型在临床场景中的应用和推广潜力。（2）Task-rad MBNet:基于任务驱动的动态稀疏影像组学脑网络AD诊断算法针对传统的静态rad MBN在图神经网络模型中的特征表达能力有限的问题,本研究提出了一种基于任务驱动的动态稀疏影像组学脑网络及AD诊断模型（称为Task-rad MBNet）,以改善rad MBN在疾病诊断任务中的特征表达能力。具体而言,Task-rad MBNet通过设计两个图卷积网络（Graph Convolutional Network,GCN）通道来建立,分别是连通性GCN通道和影像组学GCN通道。这两个通道共享相同的动态rad MBN,但用于不同的目标。连通性GCN通道中的动态图更新模块根据目标任务动态地学习最适合的rad MBN稀疏拓扑结构,而影像组学GCN通道则将影像组学节点特征与rad MBN动态拓扑相结合以提高AD诊断的准确性。本研究在两个公开数据库共1273例受试者上的实验结果表明,相对于传统以静态rad MBN为基础的诊断模型,Task-rad MBNet在两个数据集的早期AD诊断实验中分别取得了更好的诊断准确率（87.8%和86.0%）,具有良好的临床应用前景。（3）U-GCNet:基于影像组学脑网络到功能脑网络的深度学习预测算法由于功能磁共振成像（Function Magnetic Resonance Imaging,fMRI）并不是大多数医院的常规序列,以此为基础而构建的功能脑网络（Functional MRI Brain Network,fMRI-BN）在临床的应用推广也受到了较大的制约。为此,本研究提出了一种基于常规T1WI图像构建的影像组学脑网络（rad MBN）到功能脑网络预测的深度学习模型（称为U-GCNet）。具体而言,U-GCNet包括用于生成深度特征的图卷积网络编码模块,更新深度特征为深度连接矩阵的深度特征连通性构建模块,以及输出目标fMRI-BN的图卷积网络解码模块组成。此外,本研究还提出一种多尺度网络相似损失函数（Multi-scale Network Similarity Loss Function,MSNS Loss）来计算预测fMRI-BN和目标fMRI-BN的相似度。本研究在三个公开数据库3169名受试者中进行实验。实验结果表明,U-GCNet在基于rad MBN预测fMRI-BN任务中预测了高相似度的fMRI-BN,预测误差（Mean Squared Error,MSE）在0.0004～0.0012之间,预测相关性（Pearson correlation coefficient,PCC）在0.967～0.991之间。此外,本研究在预测脑网络与目标脑网络的耦合一致性分析、网络属性分析以及脑网络连接矩阵可视化实验中,进一步证明U-GCNe

关键词：影像组学脑网络深度学习欧式-图空间联合表达动态稀疏影像组学脑网络功能脑网络预测

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：