CN106250707A - 一种基于深度学习算法处理头部结构像数据的方法 - Google Patents
一种基于深度学习算法处理头部结构像数据的方法 Download PDFInfo
- Publication number
- CN106250707A CN106250707A CN201610665544.9A CN201610665544A CN106250707A CN 106250707 A CN106250707 A CN 106250707A CN 201610665544 A CN201610665544 A CN 201610665544A CN 106250707 A CN106250707 A CN 106250707A
- Authority
- CN
- China
- Prior art keywords
- data
- degree
- model
- layer
- deep learning
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习算法处理头部结构像数据的方法，该方法包括以下步骤：采集头部磁共振结构像数据存储于计算机中；首先将多帧图片分别通过卷积神经网络模型提取对应的特征，然后将序列图片的特征作为LSTM模型的序列输入，并与整个序列对应的标签一并作为LSTM模型的一个训练样本；采用3层LSTM模型，序列输入MRI图像中间100层图片，每层图片对应1024维的特征，模型最后是一个两类分类器的全连接层；将医学待分析数据导入深度学习模型中进行与之匹配的医学分析；当模型训练结束时，测试样本也以同样MRI序列层的格式进行整理，然后用训练好的深度学习模型进行分类判别该MRI图像是否属于吸烟者、药物成瘾者或疾病患。
Description
技术领域
本发明属于医学图像处理技术领域，具体涉及一种基于深度学习算法处理头部结构像数据的方法，所述方法基于深度卷积神经网络和递归神经网络模型。
背景技术
尼古丁依赖已经被世界卫生组织定性为一种疾病并列入国际疾病分类(ICD-10，F17.2)(WHO1992)，属于精神活性物质依赖，其发生、发展均与大脑的结构与功能变化有密切关系。吸烟成瘾不仅仅是生理上的依赖，还存在心理上的依赖，不但对人类大脑认知及注意力等功能产生显著影响，导致大脑结构和功能改变，还是导致脑血管病、痴呆的危险因素。
近年来人工智能技术蓬勃发展，在改变医疗健康方面有很大的潜力。深度学习方法是通过构建深层网络结构进行多层次特征学习的人工智能方法，已经广泛而有效地用于图像识别、语音识别等领域。随着深度学习方法在大规模图片分类(ImageNet)上取得突破性进展，深度学习在各个方面都受到了极大的关注，在图像识别与语音识别领域都取得了很大的成功。
针对目前戒烟治疗的盲目性、复吸率高等难题，有必要深入了解吸烟者的脑结构和功能变化特点，为探索个体化戒烟治疗方案乃至预测戒烟成功率提供理论依据。但目前深度学习方法在临床医学疾病诊疗方面的应用研究和预测尚不多见，尤其是应用于人脑，本发明首次将深度学习方法应用于吸烟者脑结构的判别中，探索一种临床证实并判别吸烟者脑结构变化的全新方法。另外，对于吸毒者，癫痫病患者等，同样可以通过判别脑结构变化进行判断或诊断。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于深度学习算法处理头部结构像数据的方法，利用深度卷积网络结合LSTM模型对头部结构像数据进行分析，从而达到更好的分类效果。
为实现上述目的，本发明所述的基于深度学习算法处理头部结构像数据的方法包括以下步骤：
1)采集海量已备案的同类型的头部磁共振结构像数据及与医疗素材数据匹配的头部磁共振结构像数据作为医疗训练数据通过输入装置输入并存储于计算机中；
2)首先将计算机中存储的多帧图片分别通过卷积神经网络模型提取对应的特征，然后将计算机中存储的序列图片的特征作为LSTM模型的序列输入，并与整个序列对应的标签一并作为LSTM模型的一个训练样本；
3)采用3层LSTM模型，序列输入MRI图像中间100层图片，每层图片对应1024维的特征，模型最后是一个两类分类器的全连接层；
4)将所述医疗训练数据的图像数据采用分割、关联或文本数据挖掘方法整合或格式化为计算机可以理解的结构化数据矩阵并从每个单元数据中提取数据特征；
5)将已形成结构化数据矩阵的医疗训练数据导入设置于计算机内对应深度学习模型的存储模块中；
6)通过计算机对所述深度学习模型进行优化运算，优化运算方法如下：a.设定深度学习基本框架，将所述医疗训练数据按照数据特征建立包括输入层、至少一层隐层和输出层的数据模型，输入层包含若干个具有数据特征的节点，输出层包含若干个具有医疗诊断数据特征的节点，每个隐层包含若干个与上一层输出值具有映射对应关系的节点；b.每个节点采用数学方程建立该节点的数据模型，采用人工或随机方法预设所述数学方程中的相关参数值，输入层中各节点值为所述数据特征，各隐层及输出层中各节点输入值为上层输出值，每层中各节点的输出值为该节点经所述数学方程运算后所得的值；c.初始化所述参数值，将所述输出层中各节点的输出值与对应节点的医疗诊断数据特征比对，反复修正各节点参数值，依次循环，最终获得使所述输出层中各节点的输出值生成与所述医疗诊断数据特征相似度为最大时的输出值对应的各节点中的参数值；
7)将获取的已形成结构化矩阵数据的医学待分析数据导入深度学习模型中进行与之匹配的医学分析；
8)当模型训练结束时，测试样本也以同样MRI序列层的格式进行整理，然后用训练好的深度学习模型进行分类判别该MRI图像是否属于吸烟者、药物成瘾者或疾病患者。
所述药物成瘾者包括吸毒者，疾病患者包括癫痫病患者。
所述头部磁共振结构像数据包括吸烟者与不吸烟者的头部结构磁共振图像，头部结构磁共振图像的参数为：3D T1-weighted MPRAGE T1加权序列，矢状位扫描，176层，TR＝2530ms，TE＝3.39ms，层厚1mm，TI＝1100ms，FOV＝256mm×256mm，分辨率＝256×256。
每例头部结构磁共振图像有176张图片，吸烟组和不吸烟组各自随机选取1/4作为测试集，其中吸烟者15例，不吸烟者16例，其余作为训练集。
通过深度卷积网络对训练样本的MRI序列层提取特征，然后将序列的特征向量输入到LSTM递归神经网络。
LSTM作为长短时记忆型的递归神经网络，将可变长度的输入映射成为可变长度的输出。
当模型训练结束时，测试样本也以同样MRI序列层的格式进行整理，然后用训练好的深度学习模型进行分类判别，得出MRI图像是否属于吸烟者的结论。
本发明具有如下优点：本发明所述的基于深度学习算法处理头部结构像数据的方法与现有技术相比，能有效减轻医生或医学研究人员的工作压力且可对大量的医疗或医学图像数据进行科学分析并获得与之匹配的分析结果，能够应用深度学习中的深度卷积神经元算法在计算机内建立模型，该模型利用海量医疗数据选择及优化模型参数，通过“训练”模型自动学习医生或医学研究人员的图像分析过程，继而帮助其处理大量的医疗或医学数据，最终辅助医生做出针对大量医疗数据的正确判断和有效决策。本发明可大大降低医生或医学研究人员的工作压力，提高其工作效率，可使医生或医学研究人员从繁重的对医疗或医学数据的分析工作中解脱出来，从而将更多的精力用于其它更重要的工作中。本发明所述的基于深度学习算法处理头部结构像数据的方法不仅适用于判断吸烟者的脑部特征，还可以用于各种成瘾类型的判断，或者疾病的诊断，如吸毒者，癫痫病患者等。
附图说明
图1是176层的MRI图像的示意图。
图2是ConvLSTM模型的流程图。
具体实施方式
以下实施例用于说明本发明，但不用来限制本发明的范围。
本发明所述的基于深度学习算法处理头部结构像数据的方法包括以下步骤：
1)采集海量同类型的(指数据格式、采集方式完全相同)头部磁共振结构像数据及与医疗素材数据匹配的头部磁共振结构像数据作为医疗训练数据，通过输入装置输入并存储于计算机中；
2)首先将计算机中存储的多帧图片分别通过卷积神经网络模型提取对应的特征，然后将计算机中存储的序列图片的特征作为LSTM模型的序列输入，并与整个序列对应的标签一并作为LSTM模型的一个训练样本；
3)采用3层LSTM模型，序列输入MRI图像中间100层图片，每层图片对应1024维的特征，模型最后是一个两类分类器的全连接层；
4)将所述医疗训练数据的图像数据采用分割、关联或文本数据挖掘方法整合或格式化为计算机可以理解的结构化数据矩阵并从每个单元数据中提取数据特征；
5)将已形成结构化数据矩阵的医疗训练数据导入设置于计算机内对应深度学习模型的存储模块中；
6)通过计算机对所述深度学习模型进行优化运算，优化运算方法如下：a.设定深度学习基本框架，将所述医疗训练数据按照数据特征建立包括输入层、至少一层隐层和输出层的数据模型，输入层包含若干个具有数据特征的节点，输出层包含若干个具有医疗诊断数据特征的节点，每个隐层包含若干个与上一层输出值具有映射对应关系的节点；b.每个节点采用数学方程建立该节点的数据模型，采用人工或随机方法预设所述数学方程中的相关参数值，输入层中各节点值为所述数据特征，各隐层及输出层中各节点输入值为上层输出值，每层中各节点的输出值为该节点经所述数学方程运算后所得的值；c.初始化所述参数值，将所述输出层中各节点的输出值与对应节点的医疗诊断数据特征比对，反复修正各节点参数值，依次循环，最终获得使所述输出层中各节点的输出值生成与所述医疗诊断数据特征相似度为最大时的输出值对应的各节点中的参数值；
7)将获取的已形成结构化矩阵数据的医学待分析数据导入深度学习模型中进行与之匹配的医学分析；
8)当模型训练结束时，测试样本也以同样MRI序列层的格式进行整理，然后用训练好的深度学习模型进行分类判别该MRI图像是否属于吸烟者、药物成瘾者或疾病患者。
所述药物成瘾者包括吸毒者，疾病患者包括癫痫病患者。
训练好的深度学习模型是指模型训练的训练样本中包含的图像达到100个以上，用训练样本中的全部图像对深度学习模型分别进行了训练，训练完成的深度学习模型即为训练好的深度学习模型。
实施例一
所述头部磁共振结构像数据包括吸烟者与不吸烟者的头部结构磁共振图像，头部结构磁共振图像的参数为：3D T1-weighted MPRAGE T1加权序列，矢状位扫描，176层，TR＝2530ms，TE＝3.39ms，层厚1mm，TI＝1100ms，FOV＝256mm×256mm，分辨率＝256×256，重复2次。
如图1所示，每例头部结构磁共振图像有176张图片，吸烟组和不吸烟组各自随机选取1/4作为测试集，其中吸烟者15例，不吸烟者16例，其余作为训练集。
通过深度卷积网络模型和递归神经网络(RNN)有效处理图片任务。LSTM作为长短时记忆型的递归神经网络，能够将可变长度的输入映射成为可变长度的输出。
图2示出了ConvLSTM模型的流程图，如图2所示，首先将多帧图片分别通过卷积神经网络(Convolutional Neural Networks，简称CNN)模型提取对应的特征，然后将序列图片的特征作为LSTM模型的序列输入，并与整个序列对应的标签一并作为LSTM模型的一个训练样本。采用3层LSTM模型，序列输入MRI图像中间100层图片，对应googlenet提取的1024维度特征向量，模型最后是一个两类分类器的全连接层(即全连接层分类器)。
当模型训练结束时，测试样本也以同样MRI序列层的格式进行整理，然后用训练好的深度学习模型进行分类判别，得出该MRI图像是否属于吸烟者的结论。
实施例二
实施例二中每例头部结构磁共振图像同样有176张图片，吸毒组和不吸毒组各自随机选取1/4作为测试集，其中吸毒者15例，不吸毒者16例，其余作为训练集。
其余的方法与实施例一相同。
实施例三
实施例三中每例头部结构磁共振图像同样有176张图片，癫痫病患者组和非癫痫病患者组各自随机选取1/4作为测试集，其中癫痫病患者15例，非癫痫病患者16例，其余作为训练集。
其余的方法与实施例一相同。
本发明所述的基于深度学习算法处理头部结构像数据的方法利用LSTM模型对头部结构像数据分析，从而更好的达到分类效果。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (7)
1.一种基于深度学习算法处理头部结构像数据的方法，所述方法包括以下步骤：
1)采集海量的同类型的头部磁共振结构像数据及与医疗素材数据匹配的头部磁共振结构像数据作为医疗训练数据，通过输入装置输入并存储于计算机中；
2)将计算机中存储的多帧图片分别通过卷积神经网络模型提取对应的特征，然后将计算机中存储的序列图片的特征作为LSTM模型的序列输入，并与整个序列对应的标签一并作为LSTM模型的一个训练样本；
3)采用3层LSTM模型，序列输入MRI图像中间100层图片，每层图片对应1024维的特征，模型最后是一个两类分类器的全连接层；
4)将所述医疗训练数据的图像数据采用分割、关联或文本数据挖掘方法整合或格式化为结构化数据矩阵并从每个单元数据中提取数据特征；
5)将已形成结构化数据矩阵的医疗训练数据导入设置于计算机内对应深度学习模型的存储模块中；
6)通过计算机对所述深度学习模型进行优化运算，优化运算方法如下：a.设定深度学习基本框架，将所述医疗训练数据按照数据特征建立包括输入层、至少一层隐层和输出层的数据模型，输入层包含若干个具有数据特征的节点，输出层包含若干个具有医疗诊断数据特征的节点，每个隐层包含若干个与上一层输出值具有映射对应关系的节点；b.每个节点采用数学方程建立该节点的数据模型，采用人工或随机方法预设所述数学方程中的相关参数值，输入层中各节点值为所述数据特征，各隐层及输出层中各节点输入值为上层输出值，每层中各节点的输出值为该节点经所述数学方程运算后所得的值；c.初始化所述参数值，将所述输出层中各节点的输出值与对应节点的医疗诊断数据特征比对，反复修正各节点参数值，依次循环，最终获得使所述输出层中各节点的输出值生成与所述医疗诊断数据特征相似度为最大时的输出值对应的各节点中的参数值；
7)将获取的已形成结构化矩阵数据的医学待分析数据导入深度学习模型中进行与之匹配的医学分析；
8)当模型训练结束时，测试样本也以同样MRI序列层的格式进行整理，然后用训练好的深度学习模型进行分类判别该MRI图像是否属于吸烟者、药物成瘾者或疾病患者。
2.如权利要求1所述的基于深度学习算法处理头部结构像数据的方法，其特征在于，所述药物成瘾者包括吸毒者，疾病患者包括癫痫病患者。
3.如权利要求1所述的基于深度学习算法处理头部结构像数据的方法，其特征在于，所述头部磁共振结构像数据包括吸烟者与不吸烟者的头部结构磁共振图像，头部结构磁共振图像的参数为：3D T1-weighted MPRAGE T1加权序列，矢状位扫描，176层，TR＝2530ms，TE＝3.39ms，层厚1mm，TI＝1100ms，FOV＝256mm×256mm，分辨率＝256×256。
4.如权利要求3所述的基于深度学习算法处理头部结构像数据的方法，其特征在于，每例头部结构磁共振图像有176张图片，吸烟组和不吸烟组各自随机选取1/4作为测试集，其中吸烟者15例，不吸烟者16例，其余作为训练集。
5.如权利要求4所述的基于深度学习算法处理头部结构像数据的方法，其特征在于，通过深度卷积网络模型和递归神经网络有效处理图片任务。
6.如权利要求5所述的基于深度学习算法处理头部结构像数据的方法，其特征在于，LSTM作为长短时记忆型的递归神经网络，将可变长度的输入映射成为可变长度的输出。
7.如权利要求6所述的基于深度学习算法处理头部结构像数据的方法，其特征在于，当模型训练结束时，测试样本也以同样MRI序列层的格式进行整理，然后用训练好的深度学习模型进行分类判别，得出MRI图像是否属于吸烟者的结论。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610665544.9A CN106250707A (zh) | 2016-08-12 | 2016-08-12 | 一种基于深度学习算法处理头部结构像数据的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610665544.9A CN106250707A (zh) | 2016-08-12 | 2016-08-12 | 一种基于深度学习算法处理头部结构像数据的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106250707A true CN106250707A (zh) | 2016-12-21 |
Family
ID=57592124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610665544.9A Pending CN106250707A (zh) | 2016-08-12 | 2016-08-12 | 一种基于深度学习算法处理头部结构像数据的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106250707A (zh) |
Cited By (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106888205A (zh) * | 2017-01-04 | 2017-06-23 | 浙江大学 | 一种非侵入式基于功耗分析的plc异常检测方法 |
| CN106909784A (zh) * | 2017-02-24 | 2017-06-30 | 天津大学 | 基于二维时频图像深度卷积神经网络的癫痫脑电识别方法 |
| CN106970343A (zh) * | 2017-04-11 | 2017-07-21 | 深圳先进技术研究院 | 一种磁共振成像方法及装置 |
| CN106980899A (zh) * | 2017-04-01 | 2017-07-25 | 北京昆仑医云科技有限公司 | 预测血管树血管路径上的血流特征的深度学习模型和系统 |
| CN107194933A (zh) * | 2017-04-24 | 2017-09-22 | 天津大学 | 结合卷积神经网络和模糊推理的脑肿瘤分割方法和装置 |
| CN107392097A (zh) * | 2017-06-15 | 2017-11-24 | 中山大学 | 一种单目彩色视频的三维人体关节点定位方法 |
| CN107679574A (zh) * | 2017-09-29 | 2018-02-09 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法及系统 |
| CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
| CN108062538A (zh) * | 2017-12-29 | 2018-05-22 | 成都智宝大数据科技有限公司 | 人脸识别方法及装置 |
| CN108154191A (zh) * | 2018-01-12 | 2018-06-12 | 北京经舆典网络科技有限公司 | 文档图像的识别方法和系统 |
| CN108229522A (zh) * | 2017-03-07 | 2018-06-29 | 北京市商汤科技开发有限公司 | 神经网络的训练方法、属性检测方法、装置及电子设备 |
| WO2018126396A1 (en) * | 2017-01-05 | 2018-07-12 | General Electric Company | Deep learning based estimation of data for use in tomographic reconstruction |
| CN108320732A (zh) * | 2017-01-13 | 2018-07-24 | 阿里巴巴集团控股有限公司 | 生成目标说话人语音识别计算模型的方法和装置 |
| CN108461152A (zh) * | 2018-01-12 | 2018-08-28 | 平安科技（深圳）有限公司 | 医疗模型训练方法、医疗识别方法、装置、设备及介质 |
| CN108734614A (zh) * | 2017-04-13 | 2018-11-02 | 腾讯科技（深圳）有限公司 | 交通拥堵预测方法及装置、存储介质 |
| 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 |
| CN109259784A (zh) * | 2018-08-27 | 2019-01-25 | 上海铱硙医疗科技有限公司 | 脑梗塞的ai预测方法、装置、设备及存储介质 |
| CN109300531A (zh) * | 2018-08-24 | 2019-02-01 | 深圳大学 | 一种脑疾病早期诊断方法和装置 |
| CN109448795A (zh) * | 2018-11-12 | 2019-03-08 | 山东农业大学 | 一种circRNA的识别方法及装置 |
| CN109828549A (zh) * | 2019-01-28 | 2019-05-31 | 中国石油大学(华东) | 一种基于深度学习的工业互联网设备故障预测方法 |
| CN109820507A (zh) * | 2019-03-25 | 2019-05-31 | 钟霁媛 | 疾病辅助诊断方法及装置 |
| CN110007366A (zh) * | 2019-03-04 | 2019-07-12 | 中国科学院深圳先进技术研究院 | 一种基于多传感器融合的生命搜寻方法以及系统 |
| CN110520875A (zh) * | 2017-04-27 | 2019-11-29 | 日本电信电话株式会社 | 学习型信号分离方法和学习型信号分离装置 |
| CN111012332A (zh) * | 2020-01-20 | 2020-04-17 | 太原理工大学 | 基于神经网络的12导联心电信号多标签分类方法 |
| CN111067522A (zh) * | 2019-12-16 | 2020-04-28 | 中国科学院深圳先进技术研究院 | 大脑成瘾结构图谱评估方法及装置 |
| CN111316281A (zh) * | 2017-07-26 | 2020-06-19 | 舒辅医疗 | 基于机器学习的自然语言情境中数值数据的语义分类 |
| CN111383217A (zh) * | 2020-03-11 | 2020-07-07 | 深圳先进技术研究院 | 大脑成瘾性状评估的可视化方法、装置及介质 |
| CN111612027A (zh) * | 2019-02-26 | 2020-09-01 | 沛智生医科技股份有限公司 | 细胞分类方法、系统与医疗分析平台 |
| CN111832644A (zh) * | 2020-07-08 | 2020-10-27 | 北京工业大学 | 一种基于序列级别的脑部医疗影像报告生成方法及系统 |
| WO2021070108A1 (en) * | 2019-10-11 | 2021-04-15 | International Business Machines Corporation | Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory |
| WO2021179189A1 (zh) * | 2020-03-11 | 2021-09-16 | 深圳先进技术研究院 | 大脑成瘾性状评估的可视化方法、装置及介质 |
| US11232604B2 (en) | 2020-05-06 | 2022-01-25 | Ebm Technologies Incorporated | Device for marking image data |
| US20220196771A1 (en) * | 2019-04-25 | 2022-06-23 | Insightec, Ltd. | Accelerated magnetic resonance thermometry |
| US11417424B2 (en) | 2019-10-11 | 2022-08-16 | International Business Machines Corporation | Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory and multiple instance learning |
| CN116525135A (zh) * | 2023-04-27 | 2023-08-01 | 兰州大学 | 基于气象因素的时空模型对疫情发展态势进行预测的方法 |
| US11756691B2 (en) | 2018-08-01 | 2023-09-12 | Martin Reimann | Brain health comparison system |
-
2016
- 2016-08-12 CN CN201610665544.9A patent/CN106250707A/zh active Pending
Cited By (60)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106888205B (zh) * | 2017-01-04 | 2020-02-18 | 浙江大学 | 一种非侵入式基于功耗分析的plc异常检测方法 |
| CN106888205A (zh) * | 2017-01-04 | 2017-06-23 | 浙江大学 | 一种非侵入式基于功耗分析的plc异常检测方法 |
| WO2018126396A1 (en) * | 2017-01-05 | 2018-07-12 | General Electric Company | Deep learning based estimation of data for use in tomographic reconstruction |
| CN108320732A (zh) * | 2017-01-13 | 2018-07-24 | 阿里巴巴集团控股有限公司 | 生成目标说话人语音识别计算模型的方法和装置 |
| CN106909784A (zh) * | 2017-02-24 | 2017-06-30 | 天津大学 | 基于二维时频图像深度卷积神经网络的癫痫脑电识别方法 |
| CN106909784B (zh) * | 2017-02-24 | 2019-05-10 | 天津大学 | 基于二维时频图像深度卷积神经网络的癫痫脑电识别装置 |
| CN108229522A (zh) * | 2017-03-07 | 2018-06-29 | 北京市商汤科技开发有限公司 | 神经网络的训练方法、属性检测方法、装置及电子设备 |
| CN108229522B (zh) * | 2017-03-07 | 2020-07-17 | 北京市商汤科技开发有限公司 | 神经网络的训练方法、属性检测方法、装置及电子设备 |
| CN107977709A (zh) * | 2017-04-01 | 2018-05-01 | 北京昆仑医云科技有限公司 | 预测血管树血管路径上的血流特征的深度学习模型和系统 |
| CN106980899A (zh) * | 2017-04-01 | 2017-07-25 | 北京昆仑医云科技有限公司 | 预测血管树血管路径上的血流特征的深度学习模型和系统 |
| CN106980899B (zh) * | 2017-04-01 | 2020-11-17 | 北京昆仑医云科技有限公司 | 预测血管树血管路径上的血流特征的深度学习模型和系统 |
| CN107977709B (zh) * | 2017-04-01 | 2021-03-16 | 北京科亚方舟医疗科技股份有限公司 | 预测血管树血管路径上的血流特征的深度学习模型和系统 |
| CN106970343A (zh) * | 2017-04-11 | 2017-07-21 | 深圳先进技术研究院 | 一种磁共振成像方法及装置 |
| CN106970343B (zh) * | 2017-04-11 | 2019-12-27 | 深圳先进技术研究院 | 一种磁共振成像方法及装置 |
| CN108734614A (zh) * | 2017-04-13 | 2018-11-02 | 腾讯科技（深圳）有限公司 | 交通拥堵预测方法及装置、存储介质 |
| CN107194933A (zh) * | 2017-04-24 | 2017-09-22 | 天津大学 | 结合卷积神经网络和模糊推理的脑肿瘤分割方法和装置 |
| CN110520875B (zh) * | 2017-04-27 | 2023-07-11 | 日本电信电话株式会社 | 学习型信号分离方法和学习型信号分离装置 |
| CN110520875A (zh) * | 2017-04-27 | 2019-11-29 | 日本电信电话株式会社 | 学习型信号分离方法和学习型信号分离装置 |
| CN107392097B (zh) * | 2017-06-15 | 2020-07-07 | 中山大学 | 一种单目彩色视频的三维人体关节点定位方法 |
| CN107392097A (zh) * | 2017-06-15 | 2017-11-24 | 中山大学 | 一种单目彩色视频的三维人体关节点定位方法 |
| CN111316281B (zh) * | 2017-07-26 | 2024-01-23 | 舒辅医疗 | 基于机器学习的自然语言情境中数值数据的语义分类方法以及系统 |
| CN111316281A (zh) * | 2017-07-26 | 2020-06-19 | 舒辅医疗 | 基于机器学习的自然语言情境中数值数据的语义分类 |
| WO2019062843A1 (zh) * | 2017-09-29 | 2019-04-04 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法及系统 |
| CN107679574A (zh) * | 2017-09-29 | 2018-02-09 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法及系统 |
| CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
| CN108062538A (zh) * | 2017-12-29 | 2018-05-22 | 成都智宝大数据科技有限公司 | 人脸识别方法及装置 |
| CN108154191A (zh) * | 2018-01-12 | 2018-06-12 | 北京经舆典网络科技有限公司 | 文档图像的识别方法和系统 |
| WO2019136806A1 (zh) * | 2018-01-12 | 2019-07-18 | 平安科技（深圳）有限公司 | 医疗模型训练方法、医疗识别方法、装置、设备及介质 |
| CN108461152A (zh) * | 2018-01-12 | 2018-08-28 | 平安科技（深圳）有限公司 | 医疗模型训练方法、医疗识别方法、装置、设备及介质 |
| US11756691B2 (en) | 2018-08-01 | 2023-09-12 | Martin Reimann | Brain health comparison system |
| US11887300B2 (en) | 2018-08-13 | 2024-01-30 | Beijing Ande Yizhi Technology Co., Ltd. | Method and apparatus for classifying a brain anomaly based on a 3D MRI image |
| 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 |
| 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 |
| CN109300531A (zh) * | 2018-08-24 | 2019-02-01 | 深圳大学 | 一种脑疾病早期诊断方法和装置 |
| CN109259784A (zh) * | 2018-08-27 | 2019-01-25 | 上海铱硙医疗科技有限公司 | 脑梗塞的ai预测方法、装置、设备及存储介质 |
| CN109448795A (zh) * | 2018-11-12 | 2019-03-08 | 山东农业大学 | 一种circRNA的识别方法及装置 |
| CN109448795B (zh) * | 2018-11-12 | 2021-04-16 | 山东农业大学 | 一种circRNA的识别方法及装置 |
| CN109828549A (zh) * | 2019-01-28 | 2019-05-31 | 中国石油大学(华东) | 一种基于深度学习的工业互联网设备故障预测方法 |
| CN111612027A (zh) * | 2019-02-26 | 2020-09-01 | 沛智生医科技股份有限公司 | 细胞分类方法、系统与医疗分析平台 |
| CN110007366A (zh) * | 2019-03-04 | 2019-07-12 | 中国科学院深圳先进技术研究院 | 一种基于多传感器融合的生命搜寻方法以及系统 |
| CN109820507A (zh) * | 2019-03-25 | 2019-05-31 | 钟霁媛 | 疾病辅助诊断方法及装置 |
| CN109820507B (zh) * | 2019-03-25 | 2024-03-08 | 钟霁媛 | 疾病辅助诊断方法及装置 |
| US11921182B2 (en) * | 2019-04-25 | 2024-03-05 | Insightec Ltd. | Accelerated magnetic resonance thermometry |
| US20220196771A1 (en) * | 2019-04-25 | 2022-06-23 | Insightec, Ltd. | Accelerated magnetic resonance thermometry |
| CN114503213A (zh) * | 2019-10-11 | 2022-05-13 | 国际商业机器公司 | 使用卷积长短期记忆从弱注释的卷式医学图像检测疾病 |
| GB2604503B (en) * | 2019-10-11 | 2023-12-20 | Merative Us L P | Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory |
| US11195273B2 (en) | 2019-10-11 | 2021-12-07 | International Business Machines Corporation | Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory |
| US11417424B2 (en) | 2019-10-11 | 2022-08-16 | International Business Machines Corporation | Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory and multiple instance learning |
| GB2604503A (en) * | 2019-10-11 | 2022-09-07 | Ibm | Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory |
| CN114503213B (zh) * | 2019-10-11 | 2024-03-08 | 玛雷迪夫美国公司 | 使用卷积长短期记忆从弱注释的卷式医学图像检测疾病 |
| WO2021070108A1 (en) * | 2019-10-11 | 2021-04-15 | International Business Machines Corporation | Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory |
| CN111067522A (zh) * | 2019-12-16 | 2020-04-28 | 中国科学院深圳先进技术研究院 | 大脑成瘾结构图谱评估方法及装置 |
| CN111012332A (zh) * | 2020-01-20 | 2020-04-17 | 太原理工大学 | 基于神经网络的12导联心电信号多标签分类方法 |
| CN111383217B (zh) * | 2020-03-11 | 2023-08-29 | 深圳先进技术研究院 | 大脑成瘾性状评估的可视化方法、装置及介质 |
| CN111383217A (zh) * | 2020-03-11 | 2020-07-07 | 深圳先进技术研究院 | 大脑成瘾性状评估的可视化方法、装置及介质 |
| WO2021179189A1 (zh) * | 2020-03-11 | 2021-09-16 | 深圳先进技术研究院 | 大脑成瘾性状评估的可视化方法、装置及介质 |
| US11232604B2 (en) | 2020-05-06 | 2022-01-25 | Ebm Technologies Incorporated | Device for marking image data |
| CN111832644A (zh) * | 2020-07-08 | 2020-10-27 | 北京工业大学 | 一种基于序列级别的脑部医疗影像报告生成方法及系统 |
| CN116525135A (zh) * | 2023-04-27 | 2023-08-01 | 兰州大学 | 基于气象因素的时空模型对疫情发展态势进行预测的方法 |
| CN116525135B (zh) * | 2023-04-27 | 2024-03-19 | 兰州大学 | 基于气象因素的时空模型对疫情发展态势进行预测的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106250707A (zh) | 一种基于深度学习算法处理头部结构像数据的方法 | |
| Kwasigroch et al. | Deep CNN based decision support system for detection and assessing the stage of diabetic retinopathy | |
| KR102166010B1 (ko) | 얼굴인식을 이용한 인지장애 판단 방법 및 시스템 | |
| EP3306500A1 (en) | Method for analysing medical treatment data based on deep learning, and intelligent analyser thereof | |
| CN107808146A (zh) | 一种多模态情感识别分类方法 | |
| CN106682616A (zh) | 基于双通道特征深度学习的新生儿疼痛表情识别方法 | |
| Cheng et al. | Combining convolutional and recurrent neural networks for Alzheimer's disease diagnosis using PET images | |
| CN107492099A (zh) | 医学图像分析方法、医学图像分析系统以及存储介质 | |
| CN108363979A (zh) | 基于双通道三维卷积神经网络的新生儿疼痛表情识别方法 | |
| CN109325131A (zh) | 一种基于生物医学知识图谱推理的药物识别方法 | |
| CN113191390B (zh) | 一种图像分类模型的构建方法、图像分类方法及存储介质 | |
| CN109685724A (zh) | 一种基于深度学习的对称感知人脸图像补全方法 | |
| CN106909938A (zh) | 基于深度学习网络的视角无关性行为识别方法 | |
| CN107292103A (zh) | 一种预测图像生成方法及装置 | |
| CN108710950A (zh) | 一种图像量化分析方法 | |
| CN110575141A (zh) | 一种基于生成对抗网络的癫痫检测方法 | |
| CN116246773A (zh) | 一种知识和数据结合的辅助诊疗模型 | |
| Degadwala et al. | Enhancing Alzheimer Stage Classification of MRI Images through Transfer Learning | |
| CN109616165A (zh) | 医疗信息展示方法及装置 | |
| Khan et al. | [Retracted] A Novel Approach to Predict Brain Cancerous Tumor Using Transfer Learning | |
| CN111951950B (zh) | 基于深度学习的三维数据医疗分类系统 | |
| Mohammadi et al. | Deep-rsi: Deep learning for radiographs source identification | |
| CN113779298B (zh) | 一种基于复合损失的医学视觉问答方法 | |
| Deepa et al. | Automatic diagnosis of glaucoma using ensemble based deep learning model | |
| Roux et al. | A cognitive virtual microscopic framework for knowlege-based exploration of large microscopic images in breast cancer histopathology |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161221 |