龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：东南大学附属中大医院
摘要：本发明公开了一种基于rs‑fMRI数据及非成像表型信息融合的MRI自动ADHD诊断分类模型及其训练方法。本发明利用图卷积神经网络构建ADHD分类模型并通过对成像信息（静息状态fMRI数据）及非成像表型信息的融合来丰富图卷积网络的输入，不仅充分考虑了大脑的静态功能连接模式，还结合了人口统计学特征（这些特征包括但不限于性别、年龄和测试站点），实现了对ADHD患者与正常人的精准区分，显著提升了分类和预测的精度，为神经科学研究提供了强有力的支持。本发明可以有效的辅助临床医生进行ADHD的诊断，提高诊断效率和诊断准确度，降低病患的误诊率，进一步提升诊疗效果。
主权项：1.一种基于rs-fMRI数据及非成像表型信息融合的MRI自动ADHD诊断分类模型及其训练方法，其特征在于，所述基于rs-fMRI数据及非成像表型信息融合的MRI自动ADHD诊断分类模型具体训练步骤如下：步骤一：获取受试者的影像数据和相应的诊断标签数据构建获得数据集，其中所述影像数据为rs-fMRI数据，诊断标签数据为非成像的表型信息，所述非成像的表型信息主要为性别信息、年龄信息和站点信息。步骤二：使用功能磁共振数据处理分析DPARSF对数据进行预处理消除头动、心跳、呼吸等潜在干扰因素提高数据的信噪比和空间一致性。步骤三：根据大脑的多个感兴趣区域ROIs构建图形表示，每个ROI作为图中的一个节点，将大脑复杂的连接模式转化为直观的图结构。步骤四：通过图池化操作进行层级池化，降低图的复杂性，并且提取关键的结构信息。同时，利用多层感知器MLP对图结构进行特征提取，逐层传递和变换，揭示大脑功能活动的深层次特征。步骤五：通过性别、年龄和测试站点这三个表型信息，构建了代表非成像信息的图结构。步骤六：最后，通过融合MLP提取到的特征，将每个受试者的深层次特征加载到图形结构的数据上，实现成像信息和非成像信息的结合，并利用图卷积神经网络进行分类。所述步骤四中的特征提取过程中使用的损失函数具体为BCEWithLogitsLoss损失函数，具体为： 其中，N是批次大小。
全文数据：
权利要求：
百度查询： 东南大学附属中大医院 基于rs-fMRI数据及非成像表型信息融合的MRI自动ADHD诊断分类模型及其训练方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号