基于静息态功能磁共振图像构建动态脑网络是神经精神疾病诊断和生理标志物探索领域普遍使用的脑网络构建方法。然而,动态脑网络特征在分类实验中潜在的“维度过高”和“时序不匹配”问题使实验结果精度不高。为了克服以上问题,提出了基...基于静息态功能磁共振图像构建动态脑网络是神经精神疾病诊断和生理标志物探索领域普遍使用的脑网络构建方法。然而,动态脑网络特征在分类实验中潜在的“维度过高”和“时序不匹配”问题使实验结果精度不高。为了克服以上问题,提出了基于二维主成分分析(two-dimensional principal component analysis,2DPCA)的动态脑网络特征提取方法。首先,将每个样本的动态脑网络转换成二维图像。然后,利用2DPCA对所有样本的脑网络图像进行主成分提取,获得鉴别性更高的特征。最后,将方法应用于自闭症谱系障碍的分类实验中,分类准确率达到81.65%,证实了方法的有效性。展开更多
为了将轻微型肝性脑病(MHE)患者从正常人中区分出来,首先使用独立分量分析(ICA)从静息态f M RI中提取默认网络(DM N),然后使用基于图像模型的多元分析方法(GAM M A),该算法为基于像素水平贝叶斯方法,用来探索默认网络中的功能整合异常...为了将轻微型肝性脑病(MHE)患者从正常人中区分出来,首先使用独立分量分析(ICA)从静息态f M RI中提取默认网络(DM N),然后使用基于图像模型的多元分析方法(GAM M A),该算法为基于像素水平贝叶斯方法,用来探索默认网络中的功能整合异常现象和临床参数之间的关系.在没有先验知识的前提下,使用5种机器学习的方法(支持向量机,分类回归树,逻辑回归,贝叶斯网络及C4.5)来进行分类.研究发现DMN中功能整合出现异常,并对MHE有很高的预测能力,准确率达到98%.因此,认为基于GAMMA提取的DMN功能整合异常可作为一个简单、客观的神经影像学标志物来区分MHE,并可成为现有MHE诊断方法的有力补充.展开更多
文摘基于静息态功能磁共振图像构建动态脑网络是神经精神疾病诊断和生理标志物探索领域普遍使用的脑网络构建方法。然而,动态脑网络特征在分类实验中潜在的“维度过高”和“时序不匹配”问题使实验结果精度不高。为了克服以上问题,提出了基于二维主成分分析(two-dimensional principal component analysis,2DPCA)的动态脑网络特征提取方法。首先,将每个样本的动态脑网络转换成二维图像。然后,利用2DPCA对所有样本的脑网络图像进行主成分提取,获得鉴别性更高的特征。最后,将方法应用于自闭症谱系障碍的分类实验中,分类准确率达到81.65%,证实了方法的有效性。
基金The National Natural Science Foundation of China(No.8123003481271739+2 种基金81501453)the Special Program of Medical Science of Jiangsu Province(No.BL2013029)the Natural Science Foundation of Jiangsu Province(No.BK20141342)
文摘为了将轻微型肝性脑病(MHE)患者从正常人中区分出来,首先使用独立分量分析(ICA)从静息态f M RI中提取默认网络(DM N),然后使用基于图像模型的多元分析方法(GAM M A),该算法为基于像素水平贝叶斯方法,用来探索默认网络中的功能整合异常现象和临床参数之间的关系.在没有先验知识的前提下,使用5种机器学习的方法(支持向量机,分类回归树,逻辑回归,贝叶斯网络及C4.5)来进行分类.研究发现DMN中功能整合出现异常,并对MHE有很高的预测能力,准确率达到98%.因此,认为基于GAMMA提取的DMN功能整合异常可作为一个简单、客观的神经影像学标志物来区分MHE,并可成为现有MHE诊断方法的有力补充.