CN106096616A - 一种基于深度学习的磁共振影像特征提取及分类方法 - Google Patents
一种基于深度学习的磁共振影像特征提取及分类方法 Download PDFInfo
- Publication number
- CN106096616A CN106096616A CN201610409373.3A CN201610409373A CN106096616A CN 106096616 A CN106096616 A CN 106096616A CN 201610409373 A CN201610409373 A CN 201610409373A CN 106096616 A CN106096616 A CN 106096616A
- Authority
- CN
- China
- Prior art keywords
- layer
- magnetic resonance
- resonance image
- neural network
- theta
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000000605 extraction Methods 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 10
- 238000011176 pooling Methods 0.000 claims abstract description 56
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 208000031940 Disease Attributes Diseases 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010304 firing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 238000005070 sampling Methods 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 159
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- IENHCEGSGRQUTP-UHFFFAOYSA-N 2-methyl-3-nitroso-1,3-thiazolidine-4-carboxylic acid Chemical compound CC1SCC(C(O)=O)N1N=O IENHCEGSGRQUTP-UHFFFAOYSA-N 0.000 description 3
- 208000019695 Migraine disease Diseases 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 206010027599 migraine Diseases 0.000 description 3
- 210000005013 brain tissue Anatomy 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 238000012307 MRI technique Methods 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的磁共振影像特征提取及分类方法,包括:S1纳入磁共振图像并对其进行预处理操作和特征映射操作;S2构建包括输入层、多个卷积层、至少一个池化层/下采样层以及全连接层的多层卷积神经网络,其中,卷积层和池化层/下采样层依次交替设于输入层和全连接层之间,且卷积层的数量比池化层/下采样层的数量多1;S3使用步骤S2构建的多层卷积神经网络对磁共振图像进行特征提取;S4将步骤S3输出的特征向量输入Softmax分类器中,对磁共振图像的疾病属性做出判断。其通过多层卷积神经网络的非线性映射,自动得到高度可分的特征/特征组合用于分类,并且可以不断优化网络结构得到更好的分类效果。
Description
技术领域
本发明涉及医学数据处理技术领域,尤其涉及一种磁共振影像特征提取及分类方法。
背景技术
磁共振成像是一种高分辨率、无损伤、解剖结构显示清楚的医学成像技术,因此磁共振成像技术在医疗诊断过程中起了重要的作用,尤其在脑组织相关的疾病诊断和研究中得到了广泛的应用。近十年以来,对于非脑组织/结构损伤的神经、精神疾病的诊断,磁共振成像(MRI,Magnetic Resonance Imaging)作为神经影像中一种重要的脑成像方法,也已被广泛地用于认知神经科学和脑疾病的研究中。
多元模式分类分析(MVPA,Multi-voxel Pattern Analysis)等机器学习算法常被用于识别人脑磁共振图像中的空间模式,实现大脑状态的解码,或者对健康和患病脑的区分。常见的分类过程中,首先需要对不同模态磁共振图像进行特征映射(如,针对结构像T1的全脑灰质体积特征映射图、针对弥散张量图像的FA图、针对静息态磁共振图像的ALFF图等),之后选取区分度较高的特征值(选取某个特征映射图的部分或者全部)组成特征向量作为分类器的输入,使用改进的分类器对其进行分类。通常来说,在特征向量数据优化和分类器参数寻优的条件下,可以取得不错的分类效果(文献报道的分类准确率范围集中在65%~85%),但还达不到临床应用或接近于临床实用的水平。
传统使用MVPA等机器学习算法对磁共振图像分类的过程中,需要人工选择特征输入,而人工选定的输入特征跟人的经验有很大关系,致使分类效果一直未得到有效突破,与临床实际使用还有较大差距。
发明内容
针对上述问题,本发明旨在提供一种基于深度学习的磁共振影像特征提取及分类方法,有效解决了传统的磁共振图像分类过程中需要人工选择特征输入致使分类精度不高的问题,其通过多层卷积神经网络的非线性映射,自动得到高度可分的特征/特征组合用于分类,并且可以不断优化网络结构得到更好的分类效果。
本发明提供的技术方案如下:
一种基于深度学习的磁共振影像特征提取及分类方法,包括:
S1 纳入磁共振图像并对其进行预处理操作和特征映射操作;
S2 构建一个包括输入层、多个卷积层、至少一个池化层/下采样层以及全连接层的多层卷积神经网络,其中,所述卷积层和所述池化层/下采样层依次交替设于所述输入层和所述全连接层之间,且所述卷积层的数量比所述池化层/下采样层的数量多1;
S3 使用步骤S2构建的所述多层卷积神经网络对步骤S1中经预处理和特征映射后的磁共振图像进行特征提取;
S4 将步骤S3中所述多层卷积神经网络输出的特征向量输入Softmax分类器中,对纳入到的磁共振图像的疾病属性做出判断。
在本技术方案中,步骤S2中构建的多层卷积神经网络中卷积层和池化层/下采样层的数量根据实际情况进行确定,对多卷积神经网络中的层次进行适当的扩展或缩减。当训练样本数量较多时,可适当增加卷积层和池化层/下采样层的数量;当训练样本数量较少时,可适当减少卷积层和池化层/下采样层的数量。
进一步优选地,在步骤S1中具体包括:
S11 输入标准格式磁共振图像,并进行格式变换;
S12 对步骤S11中变换格式后的磁共振图像进行滤波处理、去噪处理、分割处理、时间校正处理、配准处理、重采样处理以及平滑处理等;
S13 将步骤S12中预处理操作之后的磁共振图像在标准空间内进行特征映射,得到标准空间内的特征映射图。
在本技术方案中,步骤S12中我们只是示例性的给出了7种对磁共振图像进行预处理的步骤,常规预处理步骤多达20~30项,这里我们不一一列举。
进一步优选地,在步骤S3中具体包括:
S31 输入训练样本集,采用无监督学习方法预训练所述多层卷积神经网络中各层的节点参数,实现训练样本集的特征提取;
S32 输入步骤S1中的磁共振图像数据集,采用有监督学习方法对步骤S22中多层卷积神经网络中各层的节点参数进行微调训练,实现步骤S22中提取的特征的微调。
在本技术方案中,在步骤S31中的无监督学习过程是多层卷积神经网络中各层节点参数从无到有的一个过程,故这里输入的训练样本集可以为标准数据集,也可以为纳入的特定磁共振图像数据集,我们对该过程中输入的训练样本集不做具体限定。
进一步优选地,在步骤S32中,所述多层卷积神经网络中各层神经元的连接权值ωhj的微调过程为:
其中,误差为当输入为(xk,yk)时的输出值,为第k个训练样本对应的第j个输出,η为给定学习率。
进一步优选地,在步骤S32中,所述多层卷积神经网络中第I层卷积层后接第I+1层池化层,则第I+1层卷积层的误差求取方法如下:
其中,为第I+1层池化层的误差敏感项,为第I层卷积层的误差敏感项,为第I层卷积层对应的第j个神经元激发函数的导数,符号●为矩阵点乘操作。
进一步优选地,在步骤S32中,所述多层卷积神经网络中第I层池化层后接第I+1层卷积层,则第I+1层池化层的误差求取方法如下:
其中,为第I层池化层的误差敏感项,为第I+1层卷积层的误差敏感项,M为第I+1层卷积层中特征数量,Kij为卷积核,符号*为离散卷积操作。
进一步优选地,在步骤S4中具体包括:
S41 对步骤S3输出的特征进行局部归一化处理和过拟合处理;
S42 将经过局部归一化处理和过拟合处理输出的特征向量输入Softmax分类器中,对纳入到的磁共振图像的疾病属性做出判断。
进一步优选地,在步骤S41中,对步骤S3输出的特征进行局部归一化处理具体包括:
其中,为核i在(x,y)处的神经元,N为某一层中核的总数。
进一步优选地,在步骤S3和步骤S4中,使用随机梯度下降算法优化参数:
其中,h(x)为目标函数,J(θ)为损失函数,α为算法的学习速率,θ′j为θ的最终更迭参数,j为参数的个数,m为训练样本集的记录条数。
本发明提供的基于深度学习的磁共振影像特征提取及分类方法,能够带来以下有益效果:
本发明提供的磁共振影像特征提取及分类方法中,在多层卷积神经网络对输入的磁共振图像进行了特征提取(即得到卷积和池化特征)之后,让多层卷积神经网络自己学习挑选输入的特征组合得到特征向量给分类器分类以得到最好的分类效果。相较于传统的人工选择输入特征、经过组合后得到一个输出特征向量后给分类器进行分类更智能化,实现更加精确地分类效果。且在该多层卷积神经网络中将特征提取部分和分类识别部分衔接在一起,其中特征学习部分隐式进行,大部分集中在该多层卷积神经网络的中间隐含层,即在训练训练样本集的同时,进行特征学习,免去了繁琐的手动提取特征和设计特征的过程,简化了流程,节约时间。
再有,在本发明中,在多层卷积网络中各层之间(前神经元和下一级输入神经元之间)进行特征映射时,为了提高并行训练的速度,给当前层神经元设置相同的权重,这样,产生的过程参数大大减小,增大了该多层卷积神经网络的灵活性和可扩展性。尤其对于输入的磁共振图像是多维向量的情况,减少了在特征提取以及分类过程中,数据重建带来的复杂度,对于大规模图像识别任务,这个特点很实用。
最后,在本发明中,采用使用随机梯度下降算法优化样本训练过程中的参数,且训练样本读取过程是随机的,读取一次训练样本,更新一次权值,而不是等所有训练样本m全部读完,大大降低了算法的复杂度。这样,当m很大时,如100万时,有可能在读取了几千条之后函数已收敛,随机梯度下降算法的使用是的使得J(θ)快速收敛,适合训练样本集较大的训练过程。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对上述特性、技术特征、优点及其实现方式予以进一步说明。
图1为本发明中基于深度学习的磁共振影像特征提取及分类方法的流程示意图;
图2为本发明中多层卷积神经网络示意图;
图3为本发明具体实施例中偏头痛患者磁共振图像数据的分类流程图;
图4为本发明具体实施例中该多层卷积神经网络对提取出来的特征进行有监督学习过程示意图。
具体实施方式
图1为本发明提供的基于深度学习的磁共振影像特征提取及分类方法的流程示意图,从图中可以看出,在该磁共振影像特征提取及分类方法包括:S1纳入磁共振图像并对其进行预处理操作和特征映射操作;S2构建一个包括输入层、多个卷积层、至少一个池化层/下采样层以及全连接层的多层卷积神经网络,其中,卷积层和池化层/下采样层依次交替设于输入层和全连接层之间,且卷积层的数量比池化层/下采样层的数量多1;S3使用步骤S2构建的多层卷积神经网络对步骤S1中经预处理和特征映射后的磁共振图像进行特征提取;S4将步骤S3中多层卷积神经网络输出的特征向量输入Softmax分类器中,对纳入到的磁共振图像的疾病属性做出判断。
具体来说,在步骤S1中具体包括:S11输入标准格式磁共振图像,包括各模态/多模态磁共振图像数据,并进行格式变换,作为输入数据;S12对步骤S11中纳入到的磁共振图像进行滤波处理、去噪处理、分割处理、配准处理、重采样处理以及平滑处理等;S13将步骤S12中预处理操作之后的磁共振图像在标准空间内进行特征映射,以将原始磁共振图像转换成每个像素代表某一特征值的特征映射图。
在步骤S2中构建的多层卷积神经网络中卷积层和池化层/下采样层的数量根据训练样本的大小进行确定,在这里我们并不做具体限定。如,在一个具体实施例中,可以构建一个包括输入层I、卷积层C1、池化层/下采样层S1、卷积层C2、池化层/下采样层S2、卷积层C3以及全连接层的多层卷积神经网络。在另一各具体实施例中,可以构建一个包括输入层I、卷积层C1、池化层/下采样层S1、卷积层C2、池化层/下采样层S2、卷积层C3、池化层/下采样层S4、卷积层C4以及全连接层的多层卷积神经网络。在上述具体实施例中,我们构建的多层卷积神经网络分别包括了3个卷积层、2个池化层/下采样层和4个卷积层、3个池化层/下采样层,在其他实施例中,还可以包括5个卷积层、4个池化层/下采样层甚至更多,原则上来说,只要构建的多层卷积神经网络中,卷积层的数量比池化层/下采样层数量多1,且卷积层后接于输入层,同时卷积层和数量比池化层/下采样层交替设置,都包括在本发明的内容中。
可以看出,在构建的多层卷积神经网络中,隐含层的核心部分由卷积层和池化层交替迭代组成。在一个实施例中,如图2所示,假定静息态功能磁共振(Rs-fMRI)图像大小为I×I,卷积滤波器Filter尺寸大小为F1*F1,输出i个特征图(如图示中的M1、M2、……、Mi),则其和原始I×I的Rs-fMRI图像进行二维图像卷积产生输出图像为g(x,y)=f(x,y)*C(u,v),其中Rs-fMRI图像的二维数字图像用f(x,y)表示,二维卷积函数用C(u,v)。以此得到i个M×M大小的卷积层Conv1,其中,i=I-F1+1,具体得到的输出特征图为:
其中,Mj表示被选择的输入的磁共振图像集,b表示每个输出特征图的额外偏置。
之后,在卷积层Conv1后接池化层Pool1,我们知道,池化层能够对一定邻域或范围内通过对邻域内特征值的最大值对不同特征进行特征维数的缩放。在该实施方式中,池化层Pool1的池化步进尺寸Pool Size大小为m,即将m×m的像素池化到一个像素,得到i个P×P大小的池化层输出特征图(如图示中的P1、P2、……、Pi),其中,P=M/m。经过池化层Pool1之后的统计特征,跟池化之前的特征相比,维度降低了很多,有效抑制了过拟合现象。
接着,池化层Pool1后继续接卷积层Conv2(得到N×N个卷积层,如图示中的N1、N2、……、Nj),卷积层Conv2与卷积层Conv1相比,只是输出层个数和卷积核滤波器大小不同。同理,卷积层Conv2后接的池化层Pool2,与池化层Pool1相比,只是池化步进尺寸大小不同,以此卷积层和池化层相互交迭之后接全连接层FC,具体该全连接层FC的输入是卷积和池化层的输出,映射成n维向量,全连接层FC后再接Softmax分类层,输出的每一维都是图像属于该类别的概率,完成对输入的磁共振图像疾病属性的判断。
通过上述方法构建好了多层卷积神经网络之后,如步骤S31中所述,采用无监督学习方法确定多层卷积神经网络中各神经网络节点的参数。具体在该训练过程中,首先训练多层卷积神经网络中的第一层,再将第一层训练好的隐含结点作为第二层的输入结点,这样依次完成各层的预训练。预训练之后,为了更好的学习特征,再以监督学习的方式(与预训练过程的方向相反,通过带标签的数据训练,使得误差自向后传递)对该多层卷积神经网络进行微调,具体如步骤S32所述,对于训练例(xk,yk),假定输出为那么误差为:
其中,为第k个训练样本对应的第j个输出。
基于此,该多层卷积神经网络在预训练的过程中,有超过允许范围的误差就要在有监督学习的过程中进行节点参数微调,我们以隐含层到输出层的连接权值ωhj的推导为例进行说明。对误差Ek给定学习率η,则连接权值ωhj的微调如下:
另外,在多层卷积神经网络中,如果第I层为卷积层,第I+1层为池化层,用表示第I+1层池化层的误差敏感项,用表示第I层卷积层的误差敏感项,则第I+1层卷积层的误差求取方法如下:
其中,为第I层卷积层对应的第j个神经元激发函数的导数,符号●为矩阵点乘操作。
相应的,在多层卷积神经网络中,如果第I层为池化层,且该池化层中对应N个通道,N个特征值;第I+1层为卷积层,包含M个特征,则第I层每个通道的误差敏感项为第I+1层的所有特征核对应的贡献之和。当第I+1层中第j个特征核对应第I层中第i个通道,则第I+1层池化层的误差求取方法如下:
其中,M为第I+1层卷积层中特征数量,Kij为卷积核,符号*为离散卷积操作,在具体实施例中,在该多层卷积神经网络中,池化层默认为线性激发函数。具体,池化针对过拟合问题,对一定邻域或范围内的不同特征进行特征维数的缩放,特征维数缩放算法通常是取邻域内特征值的最大或者均值。如,Aj=a(1,...,n)j=Pooling(Xj);其中Aj是池化之后的输出,a1j是输出后第1个特征向量的激活值。
我们知道,泛化对于多层卷积神经网络的训练来说较为关键,而局部归一化有助于泛化。因此,在步骤S4中,首先对步骤S3输出的特征进行局部归一化处理和过拟合处理(步骤S41);随后再将经过局部归一化处理和过拟合处理输出的特征向量输入Softmax分类器中,对纳入到的磁共振图像的疾病属性做出判断(步骤S42)。
具体,在步骤S41中,对步骤S3输出的特征进行局部归一化处理包括:
其中,为核i在(x,y)处的神经元,N为某一层中核的总数。要说明的是,在该多层卷积神经网络中的任一层中,特征核的顺序是任意的,并在训练开始时就已被决定,上述局部归一化实现了一种单侧抑制的形式,这种单侧抑制来源于真实的神经元,并为神经元输出中的大型活动创造竞争条件,这些神经元的输出值是由不同核计算得到的。
另外,在整个网络训练过程中,为了防止参数的过拟合,每次给定输入训练样本之后,虽然多层卷积神经网络的训练样本呈现出不同的结构,但是所有结果都共享权重,这样就大大降低了神经元的复杂协同适应性,神经元之间不相互依赖,通过有用地结合其它许多不同神经元的随机子集,被迫学习更强大的功能。又,在整个网络训练过程中,为了防止网络参数陷入局部最优而非全局最优,我们使用随机梯度下降算法优化参数:
其中,h(x)为目标函数,x0=1,由上式子可知,求h(x)实则演变为求参数θT。为了确定θT效果好坏,使用损失函数J(θ)评估h(x)函数的性能好坏,该错误函数如下式所示:
则θ最终更迭参数θ′j为:
其中,α为算法的学习速率,j为参数的个数,m为训练样本集的记录条数。
在一个具体实施例中:我们以某医院偏头痛患者和健康对照组的磁共振图像为例,其中,健康对照组用HC表示,共21人;偏头痛患者用MIG表示,共47人(其中,有CA症状的用MCA表示,共20人;无CA症状的用MNCA表示,共27人)。
数据预处理用SPM8软件,基于上述对多卷积神经网络的描述,在处理过程中,先将原始的DICOM类型数据进行格式转换;去除前10个时间点;时间层校正;头动校正且校正误差控制在2mm内;空间标准化;平滑处理。
预处理完成之后,如图3所示,将纳入到的磁共振图像Rs-fMRI在构建好的多层卷积神经网络模型(CNN网络模型)中进行特征提取,以无监督学习的方式对其进行预训练;之后,为了更好的学习特征,再以监督学习的方式(带有标签数据),进行微调,以提高对Rs-fMRI图像的识别准确率,如图4所示为该多层卷积神经网络对提取出来的特征进行有监督学习过程的示意图,其向下生成底层,同时修改在无监督训练时,底层向高层传递的层间权重,使得高级特征更能表征Rs-fMRI图像本身。特征学习完成后,再进入强分类器SoftMax模型,完成疾病的诊断和分类。HC和MIG的识别结果如表1所示,HC、MCA及MNCA三分类的识别结果如表2所示:
表1:HC和MIG的识别结果
表2:HC、MCA及MNCA三分类的识别结果
由以上结果可以看出,本发明提供的基于深度学习的磁共振影像特征提取及分类方法达到了磁共振图像准确分类的结果,其中HC和MIG二分类准确率高达0.9787,HC、MCA及MNCA的三分类识别率达0.8687。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于深度学习的磁共振影像特征提取及分类方法,其特征在于,所述磁共振影像特征提取及分类方法包括:
S1纳入磁共振图像并对其进行预处理操作和特征映射操作;
S2构建一个包括输入层、多个卷积层、至少一个池化层/下采样层以及全连接层的多层卷积神经网络,其中,所述卷积层和所述池化层/下采样层依次交替设于所述输入层和所述全连接层之间,且所述卷积层的数量比所述池化层/下采样层的数量多1;
S3使用步骤S2构建的所述多层卷积神经网络对步骤S1中经预处理和特征映射后的磁共振图像进行特征提取;
S4将步骤S3中所述多层卷积神经网络输出的特征向量输入Softmax分类器中,对纳入到的磁共振图像的疾病属性做出判断。
2.如权利要求1所述的磁共振影像特征提取及分类方法,其特征在于,
在步骤S1中具体包括:
S11输入标准格式磁共振图像,并进行格式变换;
S12对步骤S11中变换格式后的磁共振图像进行滤波处理、去噪处理、分割处理、时间校正处理、配准处理、重采样处理以及平滑处理;
S13将步骤S12中预处理操作之后的磁共振图像在标准空间内进行特征映射,得到标准空间内的特征映射图。
3.如权利要求1或2所述的磁共振影像特征提取及分类方法,其特征在于,在步骤S3中具体包括:
S31输入训练样本集,采用无监督学习方法预训练所述多层卷积神经网络中各层的节点参数,实现训练样本集的特征提取;
S32输入步骤S1中的磁共振图像数据集,采用有监督学习方法对步骤S22中多层卷积神经网络中各层的节点参数进行微调训练,实现步骤S22中提取的特征的微调。
4.如权利要求3所述的磁共振影像特征提取及分类方法,其特征在于,在步骤S32中,所述多层卷积神经网络中各层神经元的连接权值ωhj的微调过程为:
其中,误差为当输入为(xk,yk)时的输出值,为第k个训练样本对应的第j个输出,η为给定学习率。
5.如权利要求3所述的磁共振影像特征提取及分类方法,其特征在于,在步骤S32中,所述多层卷积神经网络中第I层卷积层后接第I+1层池化层,则第I+1层卷积层的误差求取方法如下:
其中,为第I+1层池化层的误差敏感项,为第I层卷积层的误差敏感项,为第I层卷积层对应的第j个神经元激发函数的导数,符号●为矩阵点乘操作。
6.如权利要求3所述的磁共振影像特征提取及分类方法,其特征在于,在步骤S32中,所述多层卷积神经网络中第I层池化层后接第I+1层卷积层,则第I+1层池化层的误差求取方法如下:
其中,为第I层池化层的误差敏感项,为第I+1层卷积层的误差敏感项,M为第I+1层卷积层中特征数量,Kij为卷积核,符号*为离散卷积操作。
7.如权利要求1或2或4或5或6所述的磁共振影像特征提取及分类方法,其特征在于,在步骤S4中具体包括:
S41对步骤S3输出的特征进行局部归一化处理和过拟合处理;
S42将经过局部归一化处理和过拟合处理输出的特征向量输入Softmax分类器中,对纳入到的磁共振图像的疾病属性做出判断。
8.如权利要求7所述的磁共振影像特征提取及分类方法,其特征在于,在步骤S41中,对步骤S3输出的特征进行局部归一化处理具体包括:
其中,为核i在(x,y)处的神经元,N为某一层中核的总数。
9.如权利要求4或5或6或8所述的磁共振影像特征提取及分类方法,其特征在于,在步骤S3和步骤S4中,使用随机梯度下降算法优化参数:
其中,h(x)为目标函数,J(θ)为损失函数,α为算法的学习速率,θ′j为θ的最终更迭参数,j为参数的个数,m为训练样本集的记录条数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610409373.3A CN106096616A (zh) | 2016-06-08 | 2016-06-08 | 一种基于深度学习的磁共振影像特征提取及分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610409373.3A CN106096616A (zh) | 2016-06-08 | 2016-06-08 | 一种基于深度学习的磁共振影像特征提取及分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106096616A true CN106096616A (zh) | 2016-11-09 |
Family
ID=57227926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610409373.3A Pending CN106096616A (zh) | 2016-06-08 | 2016-06-08 | 一种基于深度学习的磁共振影像特征提取及分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106096616A (zh) |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682694A (zh) * | 2016-12-27 | 2017-05-17 | 复旦大学 | 一种基于深度学习的敏感图像识别方法 |
CN106780482A (zh) * | 2017-01-08 | 2017-05-31 | 广东工业大学 | 一种医学图像分类方法 |
CN106777953A (zh) * | 2016-12-09 | 2017-05-31 | 江西中科九峰智慧医疗科技有限公司 | 医学影像数据的分析方法及系统 |
CN106971198A (zh) * | 2017-03-03 | 2017-07-21 | 北京市计算中心 | 一种基于深度学习的尘肺病等级判定方法及系统 |
CN107064845A (zh) * | 2017-06-06 | 2017-08-18 | 深圳先进技术研究院 | 基于深度卷积网的一维部分傅里叶并行磁共振成像方法 |
CN107066934A (zh) * | 2017-01-23 | 2017-08-18 | 华东交通大学 | 胃部肿瘤细胞图像识别判定装置、方法及胃部肿瘤切片识别判定设备 |
CN107145898A (zh) * | 2017-04-14 | 2017-09-08 | 北京航星机器制造有限公司 | 一种基于神经网络的射线图像分类方法 |
CN107256393A (zh) * | 2017-06-05 | 2017-10-17 | 四川大学 | 基于深度学习的一维生理信号的特征提取与状态识别 |
CN107256544A (zh) * | 2017-04-21 | 2017-10-17 | 南京天数信息科技有限公司 | 一种基于vcg16的前列腺癌图像诊断方法及系统 |
CN107292257A (zh) * | 2017-06-14 | 2017-10-24 | 深圳先进技术研究院 | 基于深度学习的身体部位自动识别磁共振扫描方法与装置 |
CN107346430A (zh) * | 2017-06-29 | 2017-11-14 | 济南浪潮高新科技投资发展有限公司 | 一种核磁共振图像自动筛选方法 |
CN107423571A (zh) * | 2017-05-04 | 2017-12-01 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别系统 |
CN107464216A (zh) * | 2017-08-03 | 2017-12-12 | 济南大学 | 一种基于多层卷积神经网络的医学图像超分辨率重构方法 |
CN108038471A (zh) * | 2017-12-27 | 2018-05-15 | 哈尔滨工程大学 | 一种基于深度学习技术的水声通信调制模式识别方法 |
WO2018103538A1 (zh) * | 2016-12-08 | 2018-06-14 | 北京推想科技有限公司 | 一种分析高维医疗数据的深度学习方法和装置 |
CN108603922A (zh) * | 2015-11-29 | 2018-09-28 | 阿特瑞斯公司 | 自动心脏体积分割 |
CN108596994A (zh) * | 2018-04-24 | 2018-09-28 | 朱高杰 | 一种基于深度学习和数据自洽的磁共振弥散加权成像方法 |
CN108830809A (zh) * | 2018-06-05 | 2018-11-16 | 陕西师范大学 | 一种基于膨胀卷积图像去噪方法 |
CN109190682A (zh) * | 2018-08-13 | 2019-01-11 | 北京安德医智科技有限公司 | 一种基于3d核磁共振影像的脑部异常的分类方法及设备 |
CN109498037A (zh) * | 2018-12-21 | 2019-03-22 | 中国科学院自动化研究所 | 基于深度学习提取特征和多重降维算法的脑认知测量方法 |
CN109801259A (zh) * | 2018-12-18 | 2019-05-24 | 中国科学院深圳先进技术研究院 | 一种核磁共振图像的快速成像方法、装置及设备 |
CN109886346A (zh) * | 2019-02-26 | 2019-06-14 | 四川大学华西医院 | 一种心肌mri图像分类系统 |
CN110164544A (zh) * | 2018-02-11 | 2019-08-23 | 深圳欧德蒙科技有限公司 | 一种病症信息处理的方法、装置及终端设备 |
CN110188794A (zh) * | 2019-04-23 | 2019-08-30 | 深圳大学 | 一种深度学习模型的训练方法、装置、设备及存储介质 |
CN110188787A (zh) * | 2019-04-11 | 2019-08-30 | 淮阴工学院 | 一种基于区块链互证和卷积神经网络的凭证式记账方法 |
CN110246566A (zh) * | 2019-04-24 | 2019-09-17 | 中南大学湘雅二医院 | 基于卷积神经网络的品行障碍确定方法、系统和存储介质 |
CN110346743A (zh) * | 2019-07-22 | 2019-10-18 | 上海东软医疗科技有限公司 | 一种磁共振弥散加权成像方法和装置 |
WO2019200745A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技(深圳)有限公司 | Mri病变位置检测方法、装置、计算机设备和存储介质 |
CN110443105A (zh) * | 2018-05-03 | 2019-11-12 | 长庚医疗财团法人林口长庚纪念医院 | 自体免疫抗体的免疫荧光影像型态识别方法 |
CN110866880A (zh) * | 2019-11-14 | 2020-03-06 | 上海联影智能医疗科技有限公司 | 图像伪影检测方法、装置、设备和存储介质 |
CN110992351A (zh) * | 2019-12-12 | 2020-04-10 | 南京邮电大学 | 基于多输入卷积神经网络的sMRI图像分类方法和装置 |
CN110996789A (zh) * | 2017-06-16 | 2020-04-10 | 伦斯勒理工大学 | 使用神经网络集成断层扫描图像重建和放射组学的系统和方法 |
CN111292315A (zh) * | 2020-03-05 | 2020-06-16 | 四川大学华西医院 | 一种病理切片组织区域快速配准算法 |
CN111524571A (zh) * | 2020-05-21 | 2020-08-11 | 电子科技大学 | 一种脑卒中患者个性化治疗方案推荐方法 |
CN111627553A (zh) * | 2020-05-26 | 2020-09-04 | 四川大学华西医院 | 首发精神分裂症个体化预测模型的构建方法 |
CN111739635A (zh) * | 2020-06-10 | 2020-10-02 | 四川大学华西医院 | 一种用于急性缺血性卒中的诊断辅助模型及图像处理方法 |
US10902598B2 (en) | 2017-01-27 | 2021-01-26 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
CN112465905A (zh) * | 2019-09-06 | 2021-03-09 | 四川大学华西医院 | 基于深度学习的磁共振成像数据的特征脑区定位方法 |
CN112734814A (zh) * | 2019-10-28 | 2021-04-30 | 北京大学 | 三维颅面锥形束ct图像配准方法 |
US11023785B2 (en) | 2018-07-23 | 2021-06-01 | International Business Machines Corporation | Sparse MRI data collection and classification using machine learning |
CN113221968A (zh) * | 2021-04-23 | 2021-08-06 | 北京科技大学 | 一种胶带输送机运行状态诊断方法及装置 |
CN114693964A (zh) * | 2022-03-09 | 2022-07-01 | 电子科技大学 | 一种基于人工神经网络的mri数据特征提取和分类识别方法 |
US11551353B2 (en) | 2017-11-22 | 2023-01-10 | Arterys Inc. | Content based image retrieval for lesion analysis |
CN118447339A (zh) * | 2024-07-08 | 2024-08-06 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于预训练微调模型的脑磁图切片数据分类方法 |
-
2016
- 2016-06-08 CN CN201610409373.3A patent/CN106096616A/zh active Pending
Cited By (56)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108603922A (zh) * | 2015-11-29 | 2018-09-28 | 阿特瑞斯公司 | 自动心脏体积分割 |
US10871536B2 (en) | 2015-11-29 | 2020-12-22 | Arterys Inc. | Automated cardiac volume segmentation |
WO2018103538A1 (zh) * | 2016-12-08 | 2018-06-14 | 北京推想科技有限公司 | 一种分析高维医疗数据的深度学习方法和装置 |
CN106777953A (zh) * | 2016-12-09 | 2017-05-31 | 江西中科九峰智慧医疗科技有限公司 | 医学影像数据的分析方法及系统 |
CN106682694A (zh) * | 2016-12-27 | 2017-05-17 | 复旦大学 | 一种基于深度学习的敏感图像识别方法 |
CN106780482A (zh) * | 2017-01-08 | 2017-05-31 | 广东工业大学 | 一种医学图像分类方法 |
CN107066934A (zh) * | 2017-01-23 | 2017-08-18 | 华东交通大学 | 胃部肿瘤细胞图像识别判定装置、方法及胃部肿瘤切片识别判定设备 |
US10902598B2 (en) | 2017-01-27 | 2021-01-26 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
CN106971198A (zh) * | 2017-03-03 | 2017-07-21 | 北京市计算中心 | 一种基于深度学习的尘肺病等级判定方法及系统 |
CN107145898A (zh) * | 2017-04-14 | 2017-09-08 | 北京航星机器制造有限公司 | 一种基于神经网络的射线图像分类方法 |
CN107256544A (zh) * | 2017-04-21 | 2017-10-17 | 南京天数信息科技有限公司 | 一种基于vcg16的前列腺癌图像诊断方法及系统 |
CN107423571A (zh) * | 2017-05-04 | 2017-12-01 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别系统 |
CN107423571B (zh) * | 2017-05-04 | 2018-07-06 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别系统 |
CN107256393A (zh) * | 2017-06-05 | 2017-10-17 | 四川大学 | 基于深度学习的一维生理信号的特征提取与状态识别 |
CN107064845B (zh) * | 2017-06-06 | 2019-07-30 | 深圳先进技术研究院 | 基于深度卷积网的一维部分傅里叶并行磁共振成像方法 |
CN107064845A (zh) * | 2017-06-06 | 2017-08-18 | 深圳先进技术研究院 | 基于深度卷积网的一维部分傅里叶并行磁共振成像方法 |
CN107292257A (zh) * | 2017-06-14 | 2017-10-24 | 深圳先进技术研究院 | 基于深度学习的身体部位自动识别磁共振扫描方法与装置 |
CN110996789A (zh) * | 2017-06-16 | 2020-04-10 | 伦斯勒理工大学 | 使用神经网络集成断层扫描图像重建和放射组学的系统和方法 |
CN110996789B (zh) * | 2017-06-16 | 2024-04-16 | 伦斯勒理工大学 | 执行筛查、诊断或其他基于图像的分析任务的系统和方法 |
CN107346430A (zh) * | 2017-06-29 | 2017-11-14 | 济南浪潮高新科技投资发展有限公司 | 一种核磁共振图像自动筛选方法 |
CN107464216A (zh) * | 2017-08-03 | 2017-12-12 | 济南大学 | 一种基于多层卷积神经网络的医学图像超分辨率重构方法 |
US11551353B2 (en) | 2017-11-22 | 2023-01-10 | Arterys Inc. | Content based image retrieval for lesion analysis |
CN108038471A (zh) * | 2017-12-27 | 2018-05-15 | 哈尔滨工程大学 | 一种基于深度学习技术的水声通信调制模式识别方法 |
CN110164544A (zh) * | 2018-02-11 | 2019-08-23 | 深圳欧德蒙科技有限公司 | 一种病症信息处理的方法、装置及终端设备 |
WO2019200745A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技(深圳)有限公司 | Mri病变位置检测方法、装置、计算机设备和存储介质 |
CN108596994B (zh) * | 2018-04-24 | 2022-05-03 | 朱高杰 | 一种基于深度学习和数据自洽的磁共振弥散加权成像方法 |
CN108596994A (zh) * | 2018-04-24 | 2018-09-28 | 朱高杰 | 一种基于深度学习和数据自洽的磁共振弥散加权成像方法 |
CN110443105A (zh) * | 2018-05-03 | 2019-11-12 | 长庚医疗财团法人林口长庚纪念医院 | 自体免疫抗体的免疫荧光影像型态识别方法 |
CN108830809B (zh) * | 2018-06-05 | 2022-05-03 | 陕西师范大学 | 一种基于膨胀卷积图像去噪方法 |
CN108830809A (zh) * | 2018-06-05 | 2018-11-16 | 陕西师范大学 | 一种基于膨胀卷积图像去噪方法 |
US11023785B2 (en) | 2018-07-23 | 2021-06-01 | International Business Machines Corporation | Sparse MRI data collection and classification using machine learning |
CN109190682A (zh) * | 2018-08-13 | 2019-01-11 | 北京安德医智科技有限公司 | 一种基于3d核磁共振影像的脑部异常的分类方法及设备 |
CN109190682B (zh) * | 2018-08-13 | 2020-12-18 | 北京安德医智科技有限公司 | 一种基于3d核磁共振影像的脑部异常的分类方法及设备 |
CN109801259A (zh) * | 2018-12-18 | 2019-05-24 | 中国科学院深圳先进技术研究院 | 一种核磁共振图像的快速成像方法、装置及设备 |
CN109498037A (zh) * | 2018-12-21 | 2019-03-22 | 中国科学院自动化研究所 | 基于深度学习提取特征和多重降维算法的脑认知测量方法 |
CN109886346A (zh) * | 2019-02-26 | 2019-06-14 | 四川大学华西医院 | 一种心肌mri图像分类系统 |
CN110188787A (zh) * | 2019-04-11 | 2019-08-30 | 淮阴工学院 | 一种基于区块链互证和卷积神经网络的凭证式记账方法 |
CN110188794B (zh) * | 2019-04-23 | 2023-02-28 | 深圳大学 | 一种深度学习模型的训练方法、装置、设备及存储介质 |
CN110188794A (zh) * | 2019-04-23 | 2019-08-30 | 深圳大学 | 一种深度学习模型的训练方法、装置、设备及存储介质 |
CN110246566A (zh) * | 2019-04-24 | 2019-09-17 | 中南大学湘雅二医院 | 基于卷积神经网络的品行障碍确定方法、系统和存储介质 |
CN110346743A (zh) * | 2019-07-22 | 2019-10-18 | 上海东软医疗科技有限公司 | 一种磁共振弥散加权成像方法和装置 |
CN112465905A (zh) * | 2019-09-06 | 2021-03-09 | 四川大学华西医院 | 基于深度学习的磁共振成像数据的特征脑区定位方法 |
CN112734814B (zh) * | 2019-10-28 | 2023-10-20 | 北京大学 | 三维颅面锥形束ct图像配准方法 |
CN112734814A (zh) * | 2019-10-28 | 2021-04-30 | 北京大学 | 三维颅面锥形束ct图像配准方法 |
CN110866880A (zh) * | 2019-11-14 | 2020-03-06 | 上海联影智能医疗科技有限公司 | 图像伪影检测方法、装置、设备和存储介质 |
CN110992351B (zh) * | 2019-12-12 | 2022-08-16 | 南京邮电大学 | 基于多输入卷积神经网络的sMRI图像分类方法和装置 |
CN110992351A (zh) * | 2019-12-12 | 2020-04-10 | 南京邮电大学 | 基于多输入卷积神经网络的sMRI图像分类方法和装置 |
CN111292315A (zh) * | 2020-03-05 | 2020-06-16 | 四川大学华西医院 | 一种病理切片组织区域快速配准算法 |
CN111524571A (zh) * | 2020-05-21 | 2020-08-11 | 电子科技大学 | 一种脑卒中患者个性化治疗方案推荐方法 |
CN111524571B (zh) * | 2020-05-21 | 2022-06-10 | 电子科技大学 | 一种脑卒中患者个性化治疗方案推荐系统 |
CN111627553A (zh) * | 2020-05-26 | 2020-09-04 | 四川大学华西医院 | 首发精神分裂症个体化预测模型的构建方法 |
CN111739635A (zh) * | 2020-06-10 | 2020-10-02 | 四川大学华西医院 | 一种用于急性缺血性卒中的诊断辅助模型及图像处理方法 |
CN113221968A (zh) * | 2021-04-23 | 2021-08-06 | 北京科技大学 | 一种胶带输送机运行状态诊断方法及装置 |
CN114693964A (zh) * | 2022-03-09 | 2022-07-01 | 电子科技大学 | 一种基于人工神经网络的mri数据特征提取和分类识别方法 |
CN118447339A (zh) * | 2024-07-08 | 2024-08-06 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于预训练微调模型的脑磁图切片数据分类方法 |
CN118447339B (zh) * | 2024-07-08 | 2024-09-13 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于预训练微调模型的脑磁图切片数据分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106096616A (zh) | 一种基于深度学习的磁共振影像特征提取及分类方法 | |
Pashaei et al. | Brain tumor classification via convolutional neural network and extreme learning machines | |
Khan et al. | Transfer learning with intelligent training data selection for prediction of Alzheimer’s disease | |
Farooq et al. | A deep CNN based multi-class classification of Alzheimer's disease using MRI | |
Cheng et al. | CNNs based multi-modality classification for AD diagnosis | |
CN109376751B (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
Kumar et al. | Breast cancer classification of image using convolutional neural network | |
CN109192298B (zh) | 基于脑网络的深度脑疾病诊断算法 | |
Fernandes et al. | Automatic searching and pruning of deep neural networks for medical imaging diagnostic | |
CN110533683B (zh) | 一种融合传统特征与深度特征的影像组学分析方法 | |
Silva et al. | Model based on deep feature extraction for diagnosis of Alzheimer’s disease | |
Zaabi et al. | Alzheimer's disease detection using convolutional neural networks and transfer learning based methods | |
Singh et al. | A novel machine learning approach for detecting the brain abnormalities from MRI structural images | |
CN113951830B (zh) | 一种基于3d注意力卷积与自监督学习的脑疾病分类方法 | |
Kumar et al. | A dense U-Net architecture for multiple sclerosis lesion segmentation | |
CN114748053A (zh) | 一种基于fMRI高维时间序列的信号分类方法及装置 | |
CN114795178B (zh) | 一种基于多注意力神经网络的大脑状态解码方法 | |
Deepthi et al. | An intelligent Alzheimer’s disease prediction using convolutional neural network (CNN) | |
Kanagaraj et al. | Detecting Parkinson's Disease with Image Classification | |
CN115474939A (zh) | 一种基于深度展开神经网络的孤独症谱系障碍识别模型 | |
Janghel | Deep-learning-based classification and diagnosis of Alzheimer's disease | |
Devi | Detection and automated classification of brain tumor types in MRI images using convolutional neural network with grid search optimization | |
Ahmed et al. | Human skin diseases detection and classification using cnn | |
Javid et al. | Design and analysis of an improved deep ensemble learning model for melanoma skin cancer classification | |
CN112863650A (zh) | 一种基于卷积与长短期记忆神经网络的心肌病识别系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |
|
RJ01 | Rejection of invention patent application after publication |