CN108288070B - 一种神经指纹提取分类方法及系统 - Google Patents
一种神经指纹提取分类方法及系统 Download PDFInfo
- Publication number
- CN108288070B CN108288070B CN201810031512.2A CN201810031512A CN108288070B CN 108288070 B CN108288070 B CN 108288070B CN 201810031512 A CN201810031512 A CN 201810031512A CN 108288070 B CN108288070 B CN 108288070B
- Authority
- CN
- China
- Prior art keywords
- brain
- image
- fingerprint
- magnetic resonance
- images
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/38—Registration of image sequences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
Abstract
本发明提供了一种神经指纹提取分类方法,包括依次执行如下步骤:图像获取步骤、脑结构标注步骤、神经指纹提取步骤。本发明的有益效果是:本发明对不同序列的磁共振图像进行信息挖掘,通过建立统一的结构标注和定位形成对各脑区的统一指纹提取和建立的方法,从而构建全面的神经指纹系统,建立不同性别、不同年龄阶段的神经指纹标准库,从而可以对待测目标进行脑健康的评估,疾病的分类分型以及疾病的预测。神经指纹标准库的建立可以对待测对象进行脑发育、脑衰老、神经疾病、精神疾病进行可量化的评估和分类,可以形成天赋评估、优势评估、衰老评估、康复评估、辅助诊断、疾病预测等技术。为人类人才的优势培养、脑保健、脑疾病的诊断和预防奠定标准化技术基础。
Description
技术领域
本发明涉及医疗领域的图像处理技术和人工智能识别技术,尤其涉及一种神经指纹提取分类方法及系统。
背景技术
磁共振成像是一种常用的医学断层成像方法,它利用磁共振现象从人体中获得电磁信号,并重建出人体信息。这种技术利用核磁共振原理,依据所释放的能量在物质内部不同结构环境中不同的衰减,通过外加梯度磁场检测所发射出的电磁波,即可得知构成这一物体原子核的位置和种类,据此可以绘制成物体内部的结构图像。人体三分之二的重量为水分,而且人体内器官和组织中的水分并不相同,很多疾病的病理过程会导致水分形态的变化,即可由磁共振图像反应出来,但目前医生对脑神经磁共振图像的应用主要是根据影像所反映的脑结构的病变进行主观判别与分类。
现有磁共振脑影像的阅片及分类完全依赖于医生视觉观察,在经验的基础上进行主观的判断,对病灶的发现过度依赖经验,缺乏可量化的标准。此外,医生在写阅片报告时的主观性也比较强,缺乏统一的量化标准和话术体系,对电子病历标准化和大数据挖掘造成了瓶颈。
发明内容
本发明提供了一种神经指纹提取分类方法,包括依次执行如下步骤:
图像获取步骤:选取若干健康人和若干不同脑神经疾病患者作为对象,利用磁共振成像技术获取对象的磁共振图像;
脑结构标注步骤:针对目标图像,在已有的脑图谱数据库中进行图谱预选,通过图谱预选算法筛选与目标图像匹配度最高的5~25套脑图谱,作为分析目标图像的参考标准;针对结构图像序列的图像进行基于多脑图谱对目标图像的分割,将上述预选出来的脑图谱分别配准到目标图像,在对多个脑图谱所形成的分割边界进行融合,最后生成目标图像的分割结果,并将分割脑区的结果融合于原图像;
神经指纹提取步骤:将不同序列的磁共振图像配准到已标注和定位的结构图像,同时结合不同序列图像之间的对应变化关系筛选出各序列对应的特征脑区,再分别对每个序列的特征脑区的多维信息进行挖掘,分析并提取出与特定脑状态(脑发育、脑衰老、神经疾病、精神疾病的亚类、亚型)的生理特性最相关的多维特征。
作为本发明的进一步改进,该神经指纹提取分类方法还包括:建立神经指纹库步骤:基于大量的图像样本及其病例信息,利用人工智能的方法对不同性别、年龄以及疾病所对应的神经指纹进行分类,再进行人工的鉴别与确认,最后形成不同人群的神经指纹库,该神经指纹库将随着样本量的增加而不断扩张,建立对未知图像神经指纹识别的标准库基础。
作为本发明的进一步改进,该神经指纹提取分类方法还包括:
神经指纹识别步骤:根据神经指纹的构成建立相似性测度算法,针对待测目标首先执行脑结构标注步骤和神经指纹提取步骤,从而提取神经指纹,再与神经指纹库进行比对,以相似度最高的指纹类别作为对该待测目标的识别结果。
作为本发明的进一步改进,在所述图像获取步骤与所述脑结构标注步骤之间还包括:
图像预处理步骤:针对图像获取步骤获取的磁共振图像,选定一个标准大脑模板,对每一个对象,对其相同层面的多序列扫描图像进行配准,之后对其进行图像标准化操作以实现不同个体间的图像横向对比。
作为本发明的进一步改进,在所述图像预处理步骤中,首先采用基于脑图谱的全脑自动分割算法对三维磁共振数据进行处理,获得全脑标注和定位的结果,之后运用配准算法将其他模态脑图像与已标注的结构图像进行配准,将分割结果映射到不同模态磁共振图像中。
作为本发明的进一步改进,在所述图像获取步骤中,采集每个受试者的磁共振多模态图像,包括但不仅限于T1、T2、DTI、ASL、MRS等。。
作为本发明的进一步改进,在所述神经指纹提取步骤中,对于不同模态的MRI数据,基于临床研究成果选取与疾病相关的脑区,提取各序列特征脑区的神经指纹特征,包括体积、信号强度、连接强度、网络有效性等量化参数及三维形态学特征,为各脑区建立特征参数向量,结合脑区关系网络构建个体脑影像特征,即神经指纹。
本发明还提供了一种神经指纹提取分类系统,包括:存储器、处理器以及存储在所述存储器上的计算机程序,所述计算机程序配置为由所述处理器调用时实现本发明所述的方法的步骤。
本发明还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时实现本发明所述的方法的步骤。
本发明的有益效果是:本发明对不同模态的磁共振图像进行信息挖掘,通过建立统一的结构标注和定位形成对各脑区的统一指纹提取和建立的方法,从而构建全面的神经指纹系统,建立不同性别、不同年龄阶段的神经指纹标准库,从而可以对待测目标进行脑健康的评估以及疾病的预测。神经指纹标准库的建立可以对待测对象进行脑发育、脑衰老、神经疾病、健康疾病进行可量化的评估和分类,可以形成天赋评估、优势评估、衰老评估、康复评估、辅助诊断、疾病预测等技术。为人类人才的优势培养、脑保健、脑疾病的诊断和预防奠定标准化技术基础。
附图说明
图1是多序列磁共振图像脑结构标注及三维重建示意图。
图2是对各模态标注脑结构的信息挖掘示意图。
图3是神经指纹示意图。
图4是融合特征筛选示意图(以两类人群为例)。
图5是技术方案流程图。
图6是多脑图谱脑影像分割算法流程图。
具体实施方式
本发明的技术方案中首先是基于磁共振影像神经指纹的数据提取,神经指纹的提取主要基于(不仅限于)磁共振结构像(T1/T2)、弥散张量成像(DTI)、功能成像(fMRI)、血管成像(MRA)、灌注成像(DCE/ASL)、波谱成像(MRS)等医学影像数据,这些成像方法从结构、脑白质弥散特性、脑神经活跃特性、脑血循环、微循环以及代谢等多方面反映脑神经的性状,通过一系列图像处理、信号建模的算法将图像中的相关神经信息提取后,进行数据融合,形成与神经性状一一对应的特征集合。
其次是脑图谱数据库的建立,该脑图谱数据库包括若干不同年龄段健康人和若干不同年龄段不同脑神经精神疾病患者的高精度磁共振多序列扫描图像,以及这些图像高精度分割结果。单个脑图谱的定义为,带有标注信息的单个对象的单序列成像结果。利用磁共振成像技术获取人群的磁共振图像,所指的磁共振图像包括所有磁共振的序列所能产生的图像以及这些序列产生图像的任意组合,在所指的任意序列图像的组合中,单序列T1或T2或DTI图像是所允许的最小图像集合。
其次是神经指纹的生成,神经指纹是对人脑在施加一组磁共振扫描条件下生成的图像参数的不同特征的定义,由此可以根据不同的神经指纹对神经组织,特别是特定病灶的类型进行区分。由于脑神经病灶区域在特定的磁共振图像中会呈现出异常的高信号或低信号,所以对于不同神经疾病病例,可以根据病灶的异常信号,用自动分割方法实现精确定位,再根据定位识别具体的脑区,由此衍生出可以表征脑白质神经连接网络、脑功能连接网络、脑血管连接网络及其血管特性、脑血流及微循环等特性的特征参数,对待测对象进行全面量化,实现对人脑磁共振影像的参数化和标准化。本发明所定义的神经指纹是一个脑图像深度信息挖掘的特征集合体,该特征集合体中的每个元素代表目标神经组织在特定磁共振参数图中所对应的归一化图像信号,该特征集合体的实质是大脑特定生理状态所对应的磁共振多模态影像特征及特征之间的关系网络。
最后是神经指纹的识别与分类。由于从不同神经组织提取出的神经指纹具有一定的模式差异,我们需要利用合适的模式识别方法对神经指纹进行有效分类。为此需要建立神经指纹库作为模式识别流程中的训练集。神经指纹库中保存了已提取的已知病例样本的神经指纹,用于新的神经组织磁共振图像的比对识别。之后,对于待匹配的新的神经组织磁共振图像,与神经指纹库里的神经指纹进行比对和匹配,从而实现对神经组织的分类。分类后的神经指纹加入到现有神经指纹库中以更新神经指纹库,扩充数据样本,以完善神经指纹库。
综上,本发明公开了一种神经指纹提取分类方法,包括如下步骤:
图像获取步骤:选取若干健康人和若干不同脑神经疾病患者作为对象,利用磁共振成像技术获取对象的磁共振图像;所指的磁共振图像包括所有磁共振的序列所能产生的图像以及这些序列产生图像的任意组合,在所指的任意序列图像的组合中,单序列T1或T2或DTI图像是所允许的最小图像集合。针对所获取的图像,
图像预处理步骤:针对图像获取步骤获取的磁共振图像,选定一个标准大脑模板,对每一个对象,对其相同层面的多序列扫描图像进行配准,配准同一个体相同层面的多序列扫描图像以消除头动效应,之后对其进行图像标准化操作以实现不同个体间的图像横向对比;
针对目标图像,在已有的脑图谱数据库中进行图谱预选,通过图谱预选算法筛选与目标图像匹配度最高的5~25套脑图谱,作为分析目标图像的参考标准。
脑结构标注步骤:针对T1、T2或DTI序列的图像进行基于多脑图谱对目标图像的分割,将上述预选出来的脑图谱分别配准到目标图像,在对多个脑图谱所形成的分割边界进行融合,最后生成目标图像的分割结果,并将分割脑区的结果融合于原图像,该图像最大的特色就是对每一个脑区进行了标注和定位。
神经指纹提取步骤:已完成标注和定位的结构图像是神经指纹构建的基础,针对每一个结构标注的区域进行深度的信息挖掘便是神经指纹提取;磁共振不同序列的成像结果承载了神经的不同特性,不同序列所产生图像的对比度对应了不同的神经性状,有特异性敏感度的成像序列会失去解剖结构的对比度,只有将结构像的标注和定位配准到这些序列的图像上才能完成对每个脑区的信息挖掘和指纹提取。例如:DTI序列反映了脑白质中水分子弥散方向的依赖特性,通过计算FA值可以显示大脑白质纤维的结构和各向异性特征,然而FA图失去了解剖结构的辨识度,无法通过自身的对比度进行脑区的标注和定位,将结构图像(T1/T2/DTI)的标注和定位配准到FA图像便可完成对每个脑区的FA值以及相应纤维连结情况的信息挖掘,生成神经指纹的一部分元素。以此类推,将不同序列的磁共振图像配准到已标注和定位的结构图像,将不同序列的磁共振图像配准到已标注和定位的结构图像,同时结合不同序列图像之间的对应变化关系筛选出各序列对应的特征脑区,再分别对每个序列的特征脑区的多维信息(体积、信号强度、连接强度、网络有效性等)进行挖掘,分析并提取出与特定脑状态(脑发育、脑衰老、神经疾病、精神疾病的亚类、亚型)的生理特性最相关的多维特征,从而完成神经指纹的信息提取。
建立神经指纹库步骤:基于大量的图像样本及其病例信息,利用人工智能的方法对不同性别、年龄以及疾病所对应的神经指纹进行分类,再进行人工的鉴别与确认,最后形成不同人群的神经指纹库,该神经指纹库将随着样本量的增加而不断扩张,建立对未知图像神经指纹识别的标准库基础。
神经指纹识别步骤:根据神经指纹的构成建立相似性测度算法,针对待测目标首先执行脑结构标注步骤和神经指纹提取步骤,从而提取神经指纹,再与神经指纹库进行比对,以相似度最高的指纹类别作为对该待测目标的识别结果。
具体实施例:
以阿尔茨海默病为例,本发明方法的具体步骤如下:
①图像获取。选取若干健康人、若干不同分型不同阶段的阿尔茨海默病患者作为初始对象,采集每个对象的T1、T2、DTI、ASL、MRS等多模态磁共振图像,并获取每个对象的年龄、性别、量表评分等临床数据。
②图像预处理。首先采用基于脑图谱的全脑自动分割算法对三维磁共振数据进行处理,获得全脑标注和定位的结果,之后运用配准算法将其他模态脑图像(T2、DTI、ASL、MRS等)与已标注的结构图像(T1)进行配准,将分割结果映射到不同模态磁共振图像中。
③提取神经指纹。对于不同模态的MRI数据,利用基于多序列影像的融合特征筛选方法选取与疾病相关的脑区,提取各脑区包括体积、信号强度、连接强度、网络有效性等量化参数及三维形态学特征,为各脑区建立特征参数向量,结合脑区关系网络构建个体脑影像特征,即神经指纹。
④建立指纹库。将提取到的所有神经指纹根据其临床诊断结果和个人信息进行标注分组,建立各分组的神经指纹库。以神经指纹库作为模式识别流程的训练集,通过数据挖掘,确定各分组的特征关系网络及量化参数范围。
新病例的识别。当有新的病例需要识别时,按照①-③步骤提取其神经指纹,结合其他临床信息,采用机器学习方法进行模式识别,得到该病例与阿尔茨海默病各亚型匹配度,并以相似度最高的类型作为对该待测对象的识别结果。
基于多脑图谱的全脑分割算法简介:
①采用微分同胚映射算法为核心的非线性图像配准,将各脑图谱的T1图像分别配准到目标个体的T1图像。根据图像变换光流场理论(optical flow theory),微分同胚映射算法的基本思想是待配准图像在弹性力的牵扯作用下通过使全局能量最小化的迭代,逐步逼近参考图像。
初始定义:待配准的脑图谱图像为M,目标图像为F。由M非线性变换到F的非参数变换表示为s,满足:s:p→p+s(p),其中M变换到F产生的位移场表示为S。
1.将目标图像F通过6参数仿射变换配准到预定义的MNI标准T1脑模板上,从而实现F的MNI空间标准化。
2.给定S的初始值,并设S每次迭代的增量场为u,由此估计出图像微分同胚非线性变换的弹性力全局能力为
其中σi与σx是控制上式右边第二项权重的预定义超参数。
4.对增量场u进行类流体正则化:u←Kfluid★u.,即对u进行高斯平滑核卷积。
②采用加权投票法进行标签多脑图谱到目标图像的标签融合,从而得到最终的目标图像分割结果。
初始定义:待分割的目标脑个体图像:TF,n个脑图谱集合:
其中,D是磁共振图像模态个数(这里D=1),β是模型参数,<·,·>是点积.是第i个脑图谱图像与目标图像在范围内的绝对差值向量。由此得到的Mx(i,j)表示图谱i与图谱j对于目标图像体素x产生相同标签生成错误的概率。
2.根据Mx(i,j)计算任意脑图谱i对于目标图像分割的投票权重:
3.计算目标图像的体素x对应标签号I的概率:
4.根据上一步求得的最大概率所对应的标签I,即为目标图像的体素x所估计出的标签,从而实现目标图像分割。
本发明具有如下有益效果:本发明对不同模态的磁共振图像进行信息挖掘,通过建立统一的结构标注和定位形成对各脑区的统一指纹提取和建立的方法,从而构建全面的神经指纹系统,建立不同性别、不同年龄阶段的神经指纹标准库,从而可以对待测目标进行脑健康的评估以及疾病的预测。神经指纹标准库的建立可以对待测对象进行脑发育、脑衰老、神经疾病、健康疾病进行可量化的评估和分类,可以形成天赋评估、优势评估、衰老评估、康复评估、辅助诊断、疾病预测等技术。为人类人才的优势培养、脑保健、脑疾病的诊断和预防奠定标准化技术基础。
本发明涉及的基于磁共振影像的神经指纹提取及分类技术,该技术允许对体内组织的多种重要性质进行非侵入的同步量化检测,并且为人脑各区域复杂的功能、生理及物理变化和形态变化以及相关脑结构连接网络和功能连接网络提供了定量的分析方法。与人工阅片相比,改善了对生理异常描述的话术体系,提高了以磁共振影像为基础的对脑生理、物理和功能特性的刻画精度,同时以神经指纹为指标提高了对疾病所引起的神经异常检测的敏感性、特异性和处理速度。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (3)
1.一种神经指纹提取分类方法,其特征在于,包括依次执行如下步骤:
图像获取步骤:选取若干健康人和若干不同脑神经疾病患者作为对象,利用磁共振成像技术获取对象的磁共振图像;
脑图像获取标准:磁共振图像包括所有磁共振的序列所能产生的图像以及这些序列产生图像的任意组合,包括但不限于同一个体扫描得到的磁共振结构像、弥散张量成像、功能成像、血管成像、灌注成像、波谱成像的医学影像数据,在所指的任意序列图像的组合中,单序列磁共振结构像或弥散张量成像图像是所允许的最小图像集合;
脑结构标注步骤:针对目标图像,在已有的脑图谱数据库中进行图谱预选,通过图谱预选算法筛选与目标图像匹配度最高的5~25套脑图谱,作为分析目标图像的参考标准;针对结构图像序列的图像进行基于多脑图谱对目标图像的分割,将预选出来的脑图谱分别配准到目标图像,在对多个脑图谱所形成的分割标签进行融合,最后生成目标图像的分割结果;
神经指纹提取步骤:将不同序列的磁共振图像配准到已标注和定位的结构图像,同时结合不同序列图像之间的对应变化关系筛选出各序列对应的特征脑区,再分别对每个序列的特征脑区的多维信息进行挖掘,分析并提取出与特定脑状态,包括脑发育、脑衰老、神经疾病、精神疾病的亚类、亚型的生理特性最相关的多维特征,即大脑特定生理状态所对应的磁共振多模态影像特征及特征之间的关系网络;
其中:
神经指纹识别步骤:根据神经指纹的构成建立相似性测度算法,针对待测目标首先执行脑结构标注步骤和神经指纹提取步骤,从而提取神经指纹,再与神经指纹库进行比对,以相似度最高的指纹类别作为对该待测目标的识别结果;
在所述图像预处理步骤中,首先采用基于脑图谱的全脑自动分割算法对三维磁共振数据进行处理,获得全脑标注和定位的结果,之后运用配准算法将其他模态脑图像与已标注的结构图像进行配准,将分割结果映射到不同模态磁共振图像中;
在所述图像获取步骤中,采集每个受试者的磁共振多模态图像,包括但不仅限于T1、T2、DTI、ASL、MRS;
在所述神经指纹提取步骤中,对于不同模态的MRI数据,基于临床研究成果选取与疾病相关的脑区,提取各序列特征脑区的神经指纹特征,包括体积、信号强度、连接强度、网络有效性等量化参数及三维形态学特征,为各脑区建立特征参数向量,结合脑区关系网络构建个体脑影像特征,即神经指纹;
其中:
建立神经指纹库步骤:基于大量的图像样本及其病例信息,利用人工智能的方法对不同性别、年龄以及疾病所对应的神经指纹进行分类,再进行人工的鉴别与确认,最后形成不同人群的神经指纹库,该神经指纹库将随着样本量的增加而不断扩张,建立对未知图像神经指纹识别的标准库基础;
在所述图像获取步骤与所述脑结构标注步骤之间还包括:
图像预处理步骤:针对图像获取步骤获取的磁共振图像,选定一个标准大脑模板,对每一个对象,对其相同层面的多序列扫描图像进行配准,之后对其进行图像信号强度标准化操作以实现不同个体间的图像横向对比。
2.一种神经指纹提取分类系统,其特征在于,包括:存储器、处理器以及存储在所述存储器上的计算机程序,所述计算机程序配置为由所述处理器调用时实现权利要求1所述的方法的步骤。
3.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时实现权利要求1所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810031512.2A CN108288070B (zh) | 2018-01-12 | 2018-01-12 | 一种神经指纹提取分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810031512.2A CN108288070B (zh) | 2018-01-12 | 2018-01-12 | 一种神经指纹提取分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108288070A CN108288070A (zh) | 2018-07-17 |
CN108288070B true CN108288070B (zh) | 2022-04-29 |
Family
ID=62835246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810031512.2A Active CN108288070B (zh) | 2018-01-12 | 2018-01-12 | 一种神经指纹提取分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108288070B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3598396A1 (de) * | 2018-07-20 | 2020-01-22 | Rothenbühler, Rudolf | Computergestütztes verfahren zum analysieren personenbezogener unfalldaten |
CN109346172A (zh) * | 2018-09-19 | 2019-02-15 | 江苏金惠甫山软件科技有限公司 | 基于人工智能的评价系统 |
CN109447183B (zh) * | 2018-11-27 | 2020-10-16 | 东软集团股份有限公司 | 预测模型训练方法、装置、设备以及介质 |
CN109726752A (zh) * | 2018-12-25 | 2019-05-07 | 脑玺(上海)智能科技有限公司 | 基于时间信号曲线的灌注动态影像的分割方法及系统 |
CN109545380A (zh) * | 2019-01-10 | 2019-03-29 | 上海联影医疗科技有限公司 | 人体结构生长健康状况确定方法、装置、存储介质及设备 |
CN109993709B (zh) * | 2019-03-18 | 2021-01-12 | 绍兴文理学院 | 一种基于深度学习的图像配准误差校正方法 |
CN110010245A (zh) * | 2019-03-20 | 2019-07-12 | 上海市精神卫生中心(上海市心理咨询培训中心) | 一种精神疾病脑影像处理系统 |
CN110111325A (zh) * | 2019-05-14 | 2019-08-09 | 深圳大学 | 神经影像分类方法、计算机终端及计算机可读存储介质 |
CN110827271A (zh) * | 2019-11-13 | 2020-02-21 | 上海交通大学 | 基于功能影像数据构建个体辨识力提高的脑功能网络方法 |
CN111000571A (zh) * | 2019-12-26 | 2020-04-14 | 上海市精神卫生中心(上海市心理咨询培训中心) | 创伤后心理疾病的风险预测方法,相关设备及存储装置 |
CN111161258B (zh) * | 2019-12-31 | 2023-05-09 | 重庆青信科技有限公司 | 基于能谱曲线统计指纹的能谱ct图像分割方法 |
CN112233805B (zh) * | 2020-10-14 | 2022-03-01 | 河北工业大学 | 基于多图谱神经影像学数据进行生物标志物的挖掘方法 |
CN113724160B (zh) * | 2021-08-26 | 2023-09-05 | 浙江大学医学院附属邵逸夫医院 | 一种脑影像处理方法、装置、设备及存储介质 |
CN113947577B (zh) * | 2021-10-18 | 2022-06-28 | 上海市精神卫生中心(上海市心理咨询培训中心) | 基于健康人群分布实现脑影像特征归一化处理的方法、系统、装置、处理器及其存储介质 |
CN116912252B (zh) * | 2023-09-13 | 2024-01-16 | 中国科学院自动化研究所 | 面向模态缺失的影像数据的脑图谱个体化方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6813373B1 (en) * | 2001-04-03 | 2004-11-02 | Koninklijke Philips Electronics, N.V. | Image segmentation of embedded shapes using constrained morphing |
CN1907225B (zh) * | 2005-08-05 | 2011-02-02 | Ge医疗系统环球技术有限公司 | 用于脑内出血损伤分割的方法和设备 |
US9558558B2 (en) * | 2013-03-28 | 2017-01-31 | Koninklijke Philips N.V. | Interactive follow-up visualization |
CN103800011B (zh) * | 2014-02-18 | 2016-08-17 | 常州大学 | 一种基于功能磁共振成像的脑区效应连接分析系统 |
CN106156484A (zh) * | 2016-06-08 | 2016-11-23 | 中国科学院自动化研究所 | 基于磁共振影像的脑疾病个体化预测方法和系统 |
CN107145756A (zh) * | 2017-05-17 | 2017-09-08 | 上海辉明软件有限公司 | 一种脑卒中类型预测方法以及装置 |
-
2018
- 2018-01-12 CN CN201810031512.2A patent/CN108288070B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108288070A (zh) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108288070B (zh) | 一种神经指纹提取分类方法及系统 | |
Zeng et al. | A new deep belief network-based multi-task learning for diagnosis of Alzheimer’s disease | |
Tagaris et al. | Machine learning for neurodegenerative disorder diagnosis—survey of practices and launch of benchmark dataset | |
El-Baz et al. | Biomedical image segmentation: advances and trends | |
Ahirwar | Study of techniques used for medical image segmentation and computation of statistical test for region classification of brain MRI | |
Cover et al. | Computational methods for corpus callosum segmentation on MRI: A systematic literature review | |
US8634614B2 (en) | System and method for volumetric analysis of medical images | |
Kumar et al. | Fiberprint: A subject fingerprint based on sparse code pooling for white matter fiber analysis | |
Fan et al. | Application of KPCA and AdaBoost algorithm in classification of functional magnetic resonance imaging of Alzheimer’s disease | |
Bansal et al. | An improved hybrid classification of brain tumor MRI images based on conglomeration feature extraction techniques | |
Wu et al. | A fully convolutional network feature descriptor: Application to left ventricle motion estimation based on graph matching in short-axis MRI | |
Yang et al. | Diagnosis of Parkinson’s disease based on 3D ResNet: The frontal lobe is crucial | |
Zhang et al. | Modeling alzheimer’s disease progression via amalgamated magnitude-direction brain structure variation quantification and tensor multi-task learning | |
Rao et al. | A comprehensive study of features used for brian tumor detection and segmentation from Mr images | |
S U et al. | A Review on state-of-the-art techniques for image segmentation and classification for brain MR images | |
Pallawi et al. | Study of Alzheimer’s disease brain impairment and methods for its early diagnosis: a comprehensive survey | |
Dalboni da Rocha et al. | Multilevel diffusion tensor imaging classification technique for characterizing neurobehavioral disorders | |
Abd Hamid et al. | Incorporating attention mechanism in enhancing classification of alzheimer’s disease | |
VIANNEY-KINANI et al. | Computer-aided diagnosis of brain tumors using image enhancement and fuzzy logic | |
Ugurlu et al. | Neighborhood resolved fiber orientation distributions (NRFOD) in automatic labeling of white matter fiber pathways | |
Ayub et al. | A Novel Approach for the Prediction of Conversion from Mild Cognitive Impairment to Alzheimer's disease using MRI Images. | |
Gopi | Brain tissue segmentation to detect schizophrenia in gray matter using MR images | |
Matoug | Predicting Alzheimer's disease by segmenting and classifying 3D-brain MRI images using clustering technique and SVM classifiers. | |
Bandyopadhyay | Brain Tumor Causes Neurological Disorders in Brain | |
Kulhalli et al. | Primary level classification of brain tumor using PCA and PNN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |