[1]张越,杨勇哲,吴逢春,等.基于多模态磁共振影像的精神分裂症患者多特征分类研究[J].中国医学物理学杂志,2017,34(1):99-104.[doi:10.3969/j.issn.1005-202X.2017.01.020]
 [J].Chinese Journal of Medical Physics,2017,34(1):99-104.[doi:10.3969/j.issn.1005-202X.2017.01.020]
点击复制

基于多模态磁共振影像的精神分裂症患者多特征分类研究()
分享到:

《中国医学物理学杂志》[ISSN:1005-202X/CN:44-1351/R]

卷:
34卷
期数:
2017年第1期
页码:
99-104
栏目:
脑科学与神经物理
出版日期:
2017-01-25

文章信息/Info

文章编号:
1005-202X(2017)01-0099-06
作者:
张越1杨勇哲12吴逢春34陆小兵34宁玉萍34杜欣1李承炜1王凯曦1吴凯14
1. 华南理工大学材料科学与工程学院生物医学工程系,广东广州510006;2. 华南理工大学医学院,广东广州510006;3. 广州医 科大学附属脑科医院/广州市惠爱医院,广东广州510370;4. 广州市脑科医院-华工神经影像联合研究中心,广东广州510370
关键词:
精神分裂症多模态磁共振影像灰质体积局部一致性低频振荡振幅度中心度
分类号:
R749.3;TP319.4
DOI:
10.3969/j.issn.1005-202X.2017.01.020
文献标志码:
A
摘要:
精神分裂症(SZ)的分类研究已经被广泛报道,但是之前比较多的研究都是基于单个模态的或者单个特征的。 本研究提出了一种基于多模态磁共振影像的自动分类方法,采集了44 例SZ患者与56 例健康正常人的结构与功能磁共 振影像,基于自动解剖标签模板提取了90 个感兴趣区域的灰质体积、局部一致性、低频振荡振幅和度中心度作为分类模 型的输入特征。为了降低特征维度,利用递归特征消除法获取对分类有效的主要特征,然后采用支持向量机对SZ患者 和正常人进行分类。结果表明,将4 种多模态特征组合起来作为分类特征时,分类准确率达到94.47%,明显优于单独将 这些特征作为分类模型的输入特征时取得的分类效果,并且研究发现分类权重最大的脑区主要集中在额叶、颞叶和枕 叶。研究结果有助于理解SZ患者的病理机制与进展规律及实现自动诊断。

相似文献/References:

[1]杨勇哲,黄飚,冀泓锞,等.精神分裂症的磁共振影像学研究进展[J].中国医学物理学杂志,2016,33(8):848.[doi:10.3969/j.issn.1005-202X.2016.08.019]
 [J].Chinese Journal of Medical Physics,2016,33(1):848.[doi:10.3969/j.issn.1005-202X.2016.08.019]
[2]张娜,王瑜,周文,等. 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[J].中国医学物理学杂志,2018,35(7):790.[doi:DOI:10.3969/j.issn.1005-202X.2018.07.010]
 ZHANG Na,WANG Yu,ZHOU Wen,et al. Application of regularized multi-task learning in schizophrenia MRI data classification[J].Chinese Journal of Medical Physics,2018,35(1):790.[doi:DOI:10.3969/j.issn.1005-202X.2018.07.010]
[3]李嘉慧,刘建鹏,潘智林,等.精神分裂症患者认知功能损伤的神经生物学基础和电生理表现[J].中国医学物理学杂志,2020,37(1):115.[doi:DOI:10.3969/j.issn.1005-202X.2020.01.021]
 LI Jiahui,LIU Jianpeng,et al.Neurobiological bases and electrophysiological manifestations of cognitive impairments in patients with schizophrenia[J].Chinese Journal of Medical Physics,2020,37(1):115.[doi:DOI:10.3969/j.issn.1005-202X.2020.01.021]
[4]李刚,韩德鹏,刘强伟,等.基于典型相关稀疏自编码器的精神分裂症的分类[J].中国医学物理学杂志,2020,37(3):391.[doi:DOI:10.3969/j.issn.1005-202X.2020.03.025]
 LI Gang,HAN Depeng,LIU Qiangwei,et al.Classification of schizophrenia based on deep canonically correlated sparse autoencoder[J].Chinese Journal of Medical Physics,2020,37(1):391.[doi:DOI:10.3969/j.issn.1005-202X.2020.03.025]
[5]谢忠翔,武杰,项华中.基于稀疏表示变量选择方法的影像遗传学数据分析[J].中国医学物理学杂志,2020,37(5):584.[doi:10.3969/j.issn.1005-202X.2020.05.010]
 XIE Zhongxiang,WU Jie,XIANG Huazhong.Sparse representation-based variable selection algorithm for analysis of imaging genetics data[J].Chinese Journal of Medical Physics,2020,37(1):584.[doi:10.3969/j.issn.1005-202X.2020.05.010]
[6]徐信毅,李斌,朱耿,等.基于时空图卷积神经网络的精神分裂症识别[J].中国医学物理学杂志,2024,41(2):227.[doi:DOI:10.3969/j.issn.1005-202X.2024.02.016]
 XU Xinyi,LI Bin,ZHU Geng,et al.Spatial-temporal graph convolutional neural network for schizophrenia recognition[J].Chinese Journal of Medical Physics,2024,41(1):227.[doi:DOI:10.3969/j.issn.1005-202X.2024.02.016]
[7]任秀芳,罗捷.基于图论的精神分裂症患者静息态功能脑网络分析[J].中国医学物理学杂志,2024,41(7):821.[doi:DOI:10.3969/j.issn.1005-202X.2024.07.006]
 REN Xiufang,LUO Jie.Analysis of resting-state functional brain network in schizophrenia patients based on graph theory[J].Chinese Journal of Medical Physics,2024,41(1):821.[doi:DOI:10.3969/j.issn.1005-202X.2024.07.006]

备注/Memo

备注/Memo:
【收稿日期】2016-07-17 【基金项目】国家自然科学基金青年科学基金(31400845);广东省自然科学基金(2015A030313800);广州市产学研协同创新重大专项 (201604020170);广东省前沿与关键技术创新专项资金(重大科技专项)(2016B010108003);广东省公益研究与能力建设专项资金 (2016A020216004);广州市科技计划科技型中小企业创新-初创项目(2017010160496)广州市医学重点学科建设广州市惠爱医院课 题(GBH2014-QN06);华南理工大学中央高校基本科研业务费(2013ZM046,2015ZZ042) 【作者简介】张越,硕士研究生,研究方向:人脑连接组学,E-mail: beliefyue@outlook.com 【通信作者】吴凯,博士,副教授,研究方向:人脑连接组学,E-mail: kaiwu@scut.edu.cn
更新日期/Last Update: 2017-01-16