CN108830830A - 一种脑萎缩程度的定量检测方法、检测装置及终端设备 - Google Patents
一种脑萎缩程度的定量检测方法、检测装置及终端设备 Download PDFInfo
- Publication number
- CN108830830A CN108830830A CN201810446410.7A CN201810446410A CN108830830A CN 108830830 A CN108830830 A CN 108830830A CN 201810446410 A CN201810446410 A CN 201810446410A CN 108830830 A CN108830830 A CN 108830830A
- Authority
- CN
- China
- Prior art keywords
- target
- brain
- magnitude
- image
- atrophy
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Abstract
本申请适用于图像处理技术领域,提供了一种脑萎缩程度的定量检测方法、检测装置及终端设备,包括:获取第一预设数量的第一模板图像以及所述第一模板图像的目标量值,并将所述第一模板图像的目标量值记为第一目标量值,所述第一模板图像为预设年龄的脑健康个体的大脑磁共振图像;获取待测个体的大脑磁共振图像,得到待测图像,并计算所述待测图像的目标量值,得到第二目标量值;根据所述第一目标量值,计算所述第二目标量值的百分位数,得到所述待测个体的脑萎缩程度。通过上述方法,将脑萎缩程度定量化,进而能够实现对脑萎缩程度的有效评估。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种脑萎缩程度的定量检测方法、检测装置及终端设备。
背景技术
阿尔茨海默病(Alzheimer’s Disease,AD)是老人痴呆症中最常见的类型,患者主要会出现记忆力,学习和执行能力的下降,使他们失去正常活动的功能。目前导致AD的病因还不明确,但可以肯定的是,脑萎缩是AD的明显病征。
目前,脑萎缩程度的评估大多是根据经验主观判断,缺少简单客观的量化指标。因此,对脑萎缩程度的量化方法的研究,将有助于AD病征的准确判断。
发明内容
有鉴于此,本申请实施例提供了一种脑萎缩程度的定量检测方法、检测装置及终端设备,以解决现有技术中无法有效评估脑萎缩程度的问题。
本申请实施例的第一方面提供了一种脑萎缩程度的定量检测方法,包括:
获取第一预设数量的第一模板图像以及所述第一模板图像的目标量值,并将所述第一模板图像的目标量值记为第一目标量值,所述第一模板图像为预设年龄的脑健康个体的大脑磁共振图像;
获取待测个体的大脑磁共振图像,得到待测图像,并计算所述待测图像的目标量值,得到第二目标量值;
根据所述第一目标量值,计算所述第二目标量值的百分位数,得到所述待测个体的脑萎缩程度。
本申请实施例的第二方面提供了一种脑萎缩程度的定量检测装置,包括:
标记单元,用于获取第一预设数量的第一模板图像以及所述第一模板图像的目标量值,并将所述第一模板图像的目标量值记为第一目标量值,所述第一模板图像为预设年龄的脑健康个体的大脑磁共振图像;
获取单元,用于获取待测个体的大脑磁共振图像,得到待测图像,并计算所述待测图像的目标量值,得到第二目标量值;
计算单元,用于根据所述第一目标量值,计算所述第二目标量值的百分位数,得到所述待测个体的脑萎缩程度。
本申请实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本申请实施例第一方面提供的所述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被一个或多个处理器执行时实现本申请实施例第一方面提供的所述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例通过获取第一预设数量的第一模板图像以及所述第一模板图像的目标量值,并将所述第一模板图像的目标量值记为第一目标量值,所述第一模板图像为预设年龄的脑健康个体的大脑磁共振图像;获取待测个体的大脑磁共振图像,得到待测图像,并计算所述待测图像的目标量值,得到第二目标量值;根据所述第一目标量值,计算所述第二目标量值的百分位数,得到所述待测个体的脑萎缩程度。通过上述方法,将脑萎缩程度定量化,进而能够实现对脑萎缩程度的有效评估。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的脑萎缩程度的定量检测方法的实现流程示意图;
图2是本申请实施例提供的脑萎缩程度的定量检测装置的示意图;
图3是本申请实施例提供的终端设备的示意图;
图4是本申请实施例提供的利用本申请中的脑萎缩程度的定量检测方法计算出的正常组和脑退化组的脑萎缩值对比表;
图5是本申请实施例提供的正常组和脑退化组的全脑萎缩量值的结果图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
图1是本申请实施例提供的脑萎缩程度的定量检测方法的实现流程示意图,如图所示,所述方法可以包括以下步骤:
步骤S101,获取第一预设数量的第一模板图像以及所述第一模板图像的目标量值,并将所述第一模板图像的目标量值记为第一目标量值,所述第一模板图像为预设年龄的脑健康个体的大脑磁共振图像。
其中,所述目标量值包括:
目标脑结构的体积与大脑的体积的比值、目标脑区的萎缩值。
所述目标脑结构包括:
海马、杏仁核、侧脑室。
所述目标脑区包括:
脑叶。
所述脑叶包括:
左额叶、右额叶、左枕叶、右枕叶、左顶叶、右顶叶、左颞叶、右颞叶、左扣带回、右扣带回、左岛叶、右岛叶。
示例性的,目标量值包括:
海马的体积与大脑的体积的比值、杏仁核的体积与大脑的体积的比值、侧脑室的体积与大脑的体积的比值;
左额叶的萎缩值、右额叶的萎缩值、左枕叶的萎缩值、右枕叶的萎缩值、左顶叶的萎缩值、右顶叶的萎缩值、左颞叶的萎缩值、右颞叶的萎缩值、左扣带回的萎缩值、右扣带回的萎缩值、左岛叶的萎缩值、右岛叶的萎缩值。
其中,第一预设数量可以是人为设定的,只要保证有足够多的目标量值即可。每个第一模板图像可能有全部的目标量值,也可能有一个或其中几个目标量值。示例性的,获取3个第一模板图像A、B、C,A有15个目标量值分别为海马的体积与大脑的体积的比值、杏仁核的体积与大脑的体积的比值、侧脑室的体积与大脑的体积的比值、左额叶的萎缩值、右额叶的萎缩值、左枕叶的萎缩值、右枕叶的萎缩值、左顶叶的萎缩值、右顶叶的萎缩值、左颞叶的萎缩值、右颞叶的萎缩值、左扣带回的萎缩值、右扣带回的萎缩值、左岛叶的萎缩值、右岛叶的萎缩值;B有2个目标量值分别为海马的体积与大脑的体积的比值、左额叶的萎缩值;C有1个目标量值为海马的体积与大脑的体积的比值。那么第一目标量值共有18个,其中3个海马的体积与大脑的体积的比值,2个左额叶的萎缩值。
预设年龄可以指一个具体的年龄,也可以指一个年龄段。如果预设年龄是一个具体的年龄,则预设年龄为待测个体的年龄;如果预设年龄是一个年龄段,则预设年龄是待测个体的年龄所在的年龄段,具体的年龄段划分可以是人为预先设定的。采用预设年龄的脑健康个体的大脑磁共振图像作为第一模板图像,将待测个体与其同龄脑健康个体的脑萎缩程度作对比,可以更准确地评估待测个体的脑萎缩程度。
在实际应用中,可以从预设脑模板库中获取第一模板图像及第一模板图像的目标量值,即预设脑模板库中存储有各年龄脑正常个体的磁共振图像及这些图像的目标量值;还可以从预设脑模板库中获取第一模板图像,再分别计算每个第一模板图像的目标量值,即预设脑模板库中只存储有各年龄脑正常个体的磁共振图像。计算每个第一模板图像的目标量值的方法与计算待测图像的目标量值的方法相同,可以参见步骤S102中的具体描述。有研究发现,大脑的结构会随着年龄增加而变化的,正常老年人随着年龄增加,大脑中的灰质体积会出现减少,而变化通常会在55岁后出现得最明显。因此,了解老年人正常的脑部变化有助于识别出现脑萎缩迹象的人。所以,在实际应用中,预设脑模板库中只需要收集40~90岁的脑正常个体的磁共振图像即可。
步骤S102,获取待测个体的大脑磁共振图像,得到待测图像,并计算所述待测图像的目标量值,得到第二目标量值。
其中,每个待测图像可以对应一个第二目标量值,也可以对应多个第二目标量值。
在一个实施例中,所述计算所述待测图像的目标量值,包括:
从预设脑模板库中获取第二预设数量的第二模板图像,所述第二模板图像中包含所述目标脑结构和/或所述目标脑区。
分别根据每个第二模板图像对所述待测图像进行分割处理,得到第二预设数量的分割图像,并将所述预设数量的分割图像融合成目标分割图像,所述目标分割图像中包含目标区域,所述目标区域为所述目标脑结构和/或所述目标脑区所占的区域。
判断所述目标区域是否为所述目标脑结构所占的区域。
若所述目标区域为所述目标脑结构所占的区域,则计算所述目标脑结构的体积。
计算所述目标分割图像中大脑的体积,并计算所述目标脑结构的体积与所述大脑的体积的比值。
在一个实施例中,所述计算所述待测图像的目标量值,还包括:
在判断所述目标区域是否为所述目标脑结构所占的区域之后,若所述目标区域为所述目标脑区所占的区域,则计算所述目标脑区内的脑脊液体积、脑白质体积和脑灰质体积。
通过A=VCSF/(VWM+VGM)计算所述目标脑区的萎缩值。
其中,A为所述目标脑区的萎缩值,VCSF为所述目标脑区内的脑脊液体积,VWM为所述目标脑区内的脑白质体积,VGM为所述目标脑区内的脑灰质体积。
在实际应用中,预设脑模板库中可以存储有大量的脑结构有差异的大脑的磁共振图像。根据每个第二模板图像对待测图像进行分割处理,再将得到的所有分割图像融合成一个目标图像,利用这样的方法,综合考虑了各种有差异的脑结构,使得分割结果更加精确。具体的,根据每个第二模板图像对待测图像进行分割处理可以包括以下步骤:
将所述第二模板图像映射到待测图像上,并计算第二模板图像与待测图像的坐标转换关系。
根据所述坐标转换关系,将第二模板图像中的目标脑结构和/或目标脑区所占的区域映射到待测图像上,在待检图像上得到目标区域。
对待测图像中的目标区域进行标记,得到分割图像。
在实际应用中,第二模板图像上可以包含一个或多个目标脑结构,也可以包含一个或多个目标脑区,还可以既包含目标脑结构又包含目标脑区。只需要保证能够利用第二模板图像在待测图像中分割出需要的目标脑结构、目标脑区即可,换句话说,需要保证待测图像的目标分割图像中包含有与第一模板图像的目标量值对应的目标脑结构,且包含有与第一模板图像的目标量值对应的目标脑区。示例性的,第一模板图像的目标量值有海马的体积与大脑的体积的比值、左额叶的萎缩值,那么待测图像的目标分割图像中需要有海马所占的区域、左额叶所占的区域。
在实际应用中,一些脑结构(如海马、杏仁核、侧脑室,即目标脑结构)的体积与大脑总体积的体积比值能够反映脑退化程度,而一些脑区(如脑叶,包括12个脑叶分区,即目标脑区)的萎缩值能够反映脑退化程度。所以,在对待测图像进行分割处理得到目标分割图像之后,还需要区分目标分割图像中的目标区域为目标脑结构所占的区域还是目标脑区所占的区域;若为目标脑结构所占的区域,则需要计算目标脑结构的体积、大脑的体积,以得到目标脑结构的体积与大脑的体积的比值;若为目标脑区所占的区域,则需要计算目标脑区内的脑脊液体积、脑白质体积和脑灰质体积,以得到目标脑区的萎缩值。
步骤S103,根据所述第一目标量值,计算所述第二目标量值的百分位数,得到所述待测个体的脑萎缩程度。
其中,如果将一组数据从小到大排序,并计算相应的累计百分位,则某一百分位所对应数据的值就称为这一百分位的百分位数。可表示为:一组n个观测值按数值大小排列。如,处于p%位置的值称第p百分位数。
在一个实施例中,在将所述第一模板图像的目标量值记为第一目标量值之后,还包括:
计算所述第一目标量值的均值和方差。
在一个实施例中,所述根据所述第一目标量值,计算所述第二目标量值的百分位数,包括:
通过将所述第二目标量值标准化,得到所述第二目标量值的标准化量值。
从预设对应关系表中查找所述第二目标量值的标准化量值对应的百分位数。
其中,z为所述第二目标量值的标准化量值,x为所述第二目标量值,μ为所述第一目标量值的均值,σ为所述第一目标量值的方差。
在实际应用中,计算第一目标量值的均值和方差是指,将所有第一模板图像的第一目标量值进行统计、分类,分别计算第一目标量值中每一类量值的均值和方差,然后再将第二目标量值进行统计、分类,在第一目标量值中分别找出与第二目标量值中的每一类量值对应的那一类量值,再通过分别将第二目标量值中的每一类量值标准化。
预设对应关系表可以是人为预先设定的,用来记录z值和百分位数的对应关系的表。
示例性的,假设第一目标量值共包含300个量值,300个量值共分为2类,第一类量值为海马的体积与大脑的体积的比值,共有100个;第二类量值为左额叶的萎缩值,共有200个。则需要计算100个第一类量值的均值和方差,还要计算200个第二类量值的均值和方差。根据第一目标量值中第一类量值的均值和方差对第二目标量值中的海马的体积与大脑的体积的比值进行标准化(假设计算出的第一类量值的标准化量值为50),根据第一目标量值中的第二类量值的均值和方差对第二目标量值中的左额叶的萎缩值进行标准化(假设计算出的第二类量值的标准化量值为70)根据预设对应表,可以查出,第一类量值的标准化量值50对应的百分位数为50%,第二类量值的标准化量值70对应的百分位数为70%。这样,就实现了对脑萎缩程度的定量评估。需要说明的是,上述只是脑萎缩程度定量计算的一个示例,并不对量值的个数、百分位数对应表做具体限定。
在一个实施例中,在根据所述第一目标量值,计算所述第二目标量值的百分位数之后,还包括:
将所述第二目标量值中目标脑结构的体积与大脑的体积的比值的百分位数、所述第二目标量值中目标脑区的萎缩值的百分位数按照预设权重相加,得到所述待测个体的全脑萎缩量值。
根据所述待测个体的全脑萎缩量值,得到所述待测个体的脑萎缩程度量值。
在一个实施例中,当所述目标脑结构为海马或杏仁核时,在将所述第二目标量值中目标脑结构的体积与大脑的体积的比值的百分位数、所述第二目标量值中目标脑区的萎缩值的百分位数按照预设权重相加之前,还包括:
通过P’=100-P更新所述第二目标量值的百分位;
其中,P’为更新后的所述第二目标量值的百分位数,P为根据所述第一目标量值计算出的所述第二目标量值的百分位数。
在实际应用中,为了使脑萎缩程度的定量评估更精确,需要将所有的第二目标量值的百分位数进行加权求和。预设权重可以是根据大量实验的经验人为预先设定的。示例性的,假设第二目标量值的百分位数分别为:海马的体积与大脑的体积的比值的百分位数为50%,杏仁核的体积与大脑的体积的比值的百分位数为40%、侧脑室的体积与大脑的体积的比值的体积比的百分位数为45%、左额叶的萎缩值的百分位数为30%、右额叶的萎缩值的百分位数为30%、左枕叶的萎缩值的百分位数为30%、右枕叶的萎缩值的百分位数为30%、左顶叶的萎缩值的百分位数为30%、右顶叶的萎缩值的百分位数为30%、左颞叶的萎缩值的百分位数为20%、右颞叶的萎缩值的百分位数为20%、左扣带回的萎缩值的百分位数为20%、右扣带回的萎缩值的百分位数为20%、左岛叶的萎缩值的百分位数为20%、右岛叶的萎缩值的百分位数为20%。假设预设权重均为1/15,则将上述第二目标量值按照预设权重进行加权求和,得到的全脑萎缩量为12.8%。需要说明的是,此处只是如何计算全脑萎缩量的一个示例,并不做具体限定。
在实际应用中,由于海马和杏仁核的体积与大脑的体积的比值是脑萎缩程度越大,体积的比值越小,而侧脑室的体积与大脑的体积的比值及各脑叶脑萎缩值是脑萎缩程度越大,其值越大。因此,在加权和的时候需将海马和杏仁核与大脑的体积比的百分位数变为(100-p)。
参见图4和图5,图4是本申请实施例提供的利用本申请中的脑萎缩程度的定量检测方法计算出的正常组和脑退化组的脑萎缩值对比表,图5是本申请实施例提供的正常组和脑退化组的全脑萎缩量值的结果图。图4和图5是根据收集的79个脑正常个体和69个脑退化患者的磁共振图像得到的实验结果。如图所示,脑正常个体与脑退化患者的全脑脑萎缩值存在显著差异,因此可以表明全脑萎缩量值是评估脑萎缩程度的一个很好的指标。
本申请实施例通过获取第一预设数量的第一模板图像以及所述第一模板图像的目标量值,并将所述第一模板图像的目标量值记为第一目标量值,所述第一模板图像为预设年龄的脑健康个体的大脑磁共振图像;获取待测个体的大脑磁共振图像,得到待测图像,并计算所述待测图像的目标量值,得到第二目标量值;根据所述第一目标量值,计算所述第二目标量值的百分位数,得到所述待测个体的脑萎缩程度。通过上述方法,将脑萎缩程度定量化,进而能够实现对脑萎缩程度的有效评估。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图2是本申请实施例提供的脑萎缩程度的定量检测装置的示意图,为了便于说明,仅示出与本申请实施例相关的部分。
图2所示的脑萎缩程度的定量检测装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元,也可以作为独立的挂件集成到所述终端设备中,还可以作为独立的终端设备存在。
所述脑萎缩程度的定量检测装置2包括:
标记单元21,用于获取第一预设数量的第一模板图像以及所述第一模板图像的目标量值,并将所述第一模板图像的目标量值记为第一目标量值,所述第一模板图像为预设年龄的脑健康个体的大脑磁共振图像。
获取单元22,用于获取待测个体的大脑磁共振图像,得到待测图像,并计算所述待测图像的目标量值,得到第二目标量值。
第一计算单元23,用于根据所述第一目标量值,计算所述第二目标量值的百分位数,得到所述待测个体的脑萎缩程度。
可选的,所述装置2还包括:
第二计算单元24,用于在将所述第一模板图像的目标量值记为第一目标量值之后,计算所述第一目标量值的均值和方差。
可选的,所述第一计算单元23包括:
标准化模块,用于通过将所述第二目标量值标准化,得到所述第二目标量值的标准化量值。
查找模块,用于从预设对应关系表中查找所述第二目标量值的标准化量值对应的百分位数。
其中,z为所述第二目标量值的标准化量值,x为所述第二目标量值,μ为所述第一目标量值的均值,σ为所述第一目标量值的方差。
其中,所述目标量值包括:
目标脑结构与大脑的体积比、目标脑区的萎缩值。
所述目标脑结构包括:
海马、杏仁核、侧脑室。
所述目标脑区包括:
脑叶。
所述脑叶包括:
左额叶、右额叶、左枕叶、右枕叶、左顶叶、右顶叶、左颞叶、右颞叶、左扣带回、右扣带回、左岛叶、右岛叶。
可选的,所述获取单元22包括:
获取模块,用于从预设脑模板库中获取第二预设数量的第二模板图像,所述第二模板图像中包含所述目标脑结构和/或所述目标脑区。
分割模块,用于分别根据每个第二模板图像对所述待测图像进行分割处理,得到第二预设数量的分割图像,并将所述预设数量的分割图像融合成目标分割图像,所述目标分割图像中包含目标区域,所述目标区域为所述目标脑结构和/或所述目标脑区所占的区域。
判断模块,用于判断所述目标区域是否为所述目标脑结构所占的区域。
第一计算模块,用于若所述目标区域为所述目标脑结构所占的区域,则计算所述目标脑结构的体积。
第二计算模块,用于计算所述目标分割图像中大脑的体积,并计算所述目标脑结构的体积与所述大脑的体积的比值。
可选的,所述获取单元22还包括:
第三计算模块,用于在判断所述目标区域是否为所述目标脑结构所占的区域之后,若所述目标区域为所述目标脑区所占的区域,则计算所述目标脑区内的脑脊液体积、脑白质体积和脑灰质体积。
第四计算模块,用于通过A=VCSF/(VWM+VGM)计算所述目标脑区的萎缩值。
其中,A为所述目标脑区的萎缩值,VCSF为所述目标脑区内的脑脊液体积,VWM为所述目标脑区内的脑白质体积,VGM为所述目标脑区内的脑灰质体积。
可选的,所述装置2还包括:
加权单元25,用于在根据所述第一目标量值,计算所述第二目标量值的百分位数之后,将所述第二目标量值中目标脑结构的体积与大脑的体积的比值的百分位数、所述第二目标量值中目标脑区的萎缩值的百分位数按照预设权重相加,得到所述待测个体的全脑萎缩量值。
结果单元26,用于根据所述待测个体的全脑萎缩量值,得到所述待测个体的脑萎缩程度量值。
可选的,所述加权单元25包括:
更新模块,用于当所述目标脑结构为海马或杏仁核时,在将所述第二目标量值中目标脑结构的体积与大脑的体积的比值的百分位数、所述第二目标量值中目标脑区的萎缩值的百分位数按照预设权重相加之前,通过P’=100-P更新所述第二目标量值的百分位。
其中,P’为更新后的所述第二目标量值的百分位数,P为根据所述第一目标量值计算出的所述第二目标量值的百分位数。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图3是本申请实施例提供的终端设备的示意图。如图3所示,该实施例的终端设备3包括:处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个脑萎缩程度的定量检测方法实施例中的步骤,例如图1所示的步骤S101至S103。或者,所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能,例如图2所示模块21至26的功能。
示例性的,所述计算机程序32可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器31中,并由所述处理器30执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序32在所述终端设备3中的执行过程。例如,所述计算机程序32可以被分割成标记单元、获取单元、第一计算单元,各单元具体功能如下:
标记单元,用于获取第一预设数量的第一模板图像以及所述第一模板图像的目标量值,并将所述第一模板图像的目标量值记为第一目标量值,所述第一模板图像为预设年龄的脑健康个体的大脑磁共振图像。
获取单元,用于获取待测个体的大脑磁共振图像,得到待测图像,并计算所述待测图像的目标量值,得到第二目标量值。
第一计算单元,用于根据所述第一目标量值,计算所述第二目标量值的百分位数,得到所述待测个体的脑萎缩程度。
可选的,所述装置还包括:
第二计算单元,用于在将所述第一模板图像的目标量值记为第一目标量值之后,计算所述第一目标量值的均值和方差。
可选的,所述第一计算单元包括:
标准化模块,用于通过将所述第二目标量值标准化,得到所述第二目标量值的标准化量值。
查找模块,用于从预设对应关系表中查找所述第二目标量值的标准化量值对应的百分位数。
其中,z为所述第二目标量值的标准化量值,x为所述第二目标量值,μ为所述第一目标量值的均值,σ为所述第一目标量值的方差。
其中,所述目标量值包括:
目标脑结构的体积与大脑的体积的比值、目标脑区的萎缩值。
所述目标脑结构包括:
海马、杏仁核、侧脑室。
所述目标脑区包括:
脑叶。
所述脑叶包括:
左额叶、右额叶、左枕叶、右枕叶、左顶叶、右顶叶、左颞叶、右颞叶、左扣带回、右扣带回、左岛叶、右岛叶。
可选的,所述获取单元包括:
获取模块,用于从预设脑模板库中获取第二预设数量的第二模板图像,所述第二模板图像中包含所述目标脑结构和/或所述目标脑区。
分割模块,用于分别根据每个第二模板图像对所述待测图像进行分割处理,得到第二预设数量的分割图像,并将所述预设数量的分割图像融合成目标分割图像,所述目标分割图像中包含目标区域,所述目标区域为所述目标脑结构和/或所述目标脑区所占的区域。
判断模块,用于判断所述目标区域是否为所述目标脑结构所占的区域。
第一计算模块,用于若所述目标区域为所述目标脑结构所占的区域,则计算所述目标脑结构的体积。
第二计算模块,用于计算所述目标分割图像中大脑的体积,并计算所述目标脑结构的体积与所述大脑的体积的比值。
可选的,所述获取单元还包括:
第三计算模块,用于在判断所述目标区域是否为所述目标脑结构所占的区域之后,若所述目标区域为所述目标脑区所占的区域,则计算所述目标脑区内的脑脊液体积、脑白质体积和脑灰质体积。
第四计算模块,用于通过A=VCSF/(VWM+VGM)计算所述目标脑区的萎缩值。
其中,A为所述目标脑区的萎缩值,VCSF为所述目标脑区内的脑脊液体积,VWM为所述目标脑区内的脑白质体积,VGM为所述目标脑区内的脑灰质体积。
可选的,所述装置还包括:
加权单元,用于在根据所述第一目标量值,计算所述第二目标量值的百分位数之后,将所述第二目标量值中目标脑结构的体积与大脑的体积的比值的百分位数、所述第二目标量值中目标脑区的萎缩值的百分位数按照预设权重相加,得到所述待测个体的全脑萎缩量值。
结果单元,用于根据所述待测个体的全脑萎缩量值,得到所述待测个体的脑萎缩程度量值。
可选的,所述加权单元包括:
更新模块,用于当所述目标脑结构为海马或杏仁核时,在将所述第二目标量值中目标脑结构的体积与大脑的体积的比值的百分位数、所述第二目标量值中目标脑区的萎缩值的百分位数按照预设权重相加之前,通过P’=100-P更新所述第二目标量值的百分位。
其中,P’为更新后的所述第二目标量值的百分位数,P为根据所述第一目标量值计算出的所述第二目标量值的百分位数。
所述终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是终端设备3的示例,并不构成对终端设备3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述终端设备3的内部存储单元,例如终端设备3的硬盘或内存。所述存储器31也可以是所述终端设备3的外部存储设备,例如所述终端设备3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括所述终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种脑萎缩程度的定量检测方法,其特征在于,包括:
获取第一预设数量的第一模板图像以及所述第一模板图像的目标量值,并将所述第一模板图像的目标量值记为第一目标量值,所述第一模板图像为预设年龄的脑健康个体的大脑磁共振图像;
获取待测个体的大脑磁共振图像,得到待测图像,并计算所述待测图像的目标量值,得到第二目标量值;
根据所述第一目标量值,计算所述第二目标量值的百分位数,得到所述待测个体的脑萎缩程度。
2.如权利要求1所述的脑萎缩程度的定量检测方法,其特征在于,在将所述第一模板图像的目标量值记为第一目标量值之后,还包括:
计算所述第一目标量值的均值和方差;
所述根据所述第一目标量值,计算所述第二目标量值的百分位数,包括:
通过将所述第二目标量值标准化,得到所述第二目标量值的标准化量值;
从预设对应关系表中查找所述第二目标量值的标准化量值对应的百分位数;
其中,z为所述第二目标量值的标准化量值,x为所述第二目标量值,μ为所述第一目标量值的均值,σ为所述第一目标量值的方差。
3.如权利要求1所述的脑萎缩程度的定量检测方法,其特征在于,所述目标量值包括:
目标脑结构的体积与大脑的体积的比值、目标脑区的萎缩值;
所述目标脑结构包括:
海马、杏仁核、侧脑室;
所述目标脑区包括:
脑叶;
所述脑叶包括:
左额叶、右额叶、左枕叶、右枕叶、左顶叶、右顶叶、左颞叶、右颞叶、左扣带回、右扣带回、左岛叶、右岛叶。
4.如权利要求3所述的脑萎缩程度的定量检测方法,其特征在于,所述计算所述待测图像的目标量值,包括:
从预设脑模板库中获取第二预设数量的第二模板图像,所述第二模板图像中包含所述目标脑结构和/或所述目标脑区;
分别根据每个第二模板图像对所述待测图像进行分割处理,得到第二预设数量的分割图像,并将所述预设数量的分割图像融合成目标分割图像,所述目标分割图像中包含目标区域,所述目标区域为所述目标脑结构和/或所述目标脑区所占的区域;
判断所述目标区域是否为所述目标脑结构所占的区域;
若所述目标区域为所述目标脑结构所占的区域,则计算所述目标脑结构的体积;
计算所述目标分割图像中大脑的体积,并计算所述目标脑结构的体积与所述大脑的体积的比值。
5.如权利要求4所述的脑萎缩程度的定量检测方法,其特征在于,所述计算所述待测图像的目标量值,还包括:
在判断所述目标区域是否为所述目标脑结构所占的区域之后,若所述目标区域为所述目标脑区所占的区域,则计算所述目标脑区内的脑脊液体积、脑白质体积和脑灰质体积;
通过A=VCSF/(VWM+VGM)计算所述目标脑区的萎缩值;
其中,A为所述目标脑区的萎缩值,VCSF为所述目标脑区内的脑脊液体积,VWM为所述目标脑区内的脑白质体积,VGM为所述目标脑区内的脑灰质体积。
6.如权利要求5所述的脑萎缩程度的定量检测方法,其特征在于,在根据所述第一目标量值,计算所述第二目标量值的百分位数之后,还包括:
将所述第二目标量值中目标脑结构的体积与大脑的体积的比值的百分位数、所述第二目标量值中目标脑区的萎缩值的百分位数按照预设权重相加,得到所述待测个体的全脑萎缩量值;
根据所述待测个体的全脑萎缩量值,得到所述待测个体的脑萎缩程度量值。
7.如权利要求6所述的脑萎缩程度的定量检测方法,其特征在于,当所述目标脑结构为海马或杏仁核时,在将所述第二目标量值中目标脑结构的体积与大脑的体积的比值的百分位数、所述第二目标量值中目标脑区的萎缩值的百分位数按照预设权重相加之前,还包括:
通过P’=100-P更新所述第二目标量值的百分位;
其中,P’为更新后的所述第二目标量值的百分位数,P为根据所述第一目标量值计算出的所述第二目标量值的百分位数。
8.一种脑萎缩程度的定量检测装置,其特征在于,包括:
标记单元,用于获取第一预设数量的第一模板图像以及所述第一模板图像的目标量值,并将所述第一模板图像的目标量值记为第一目标量值,所述第一模板图像为预设年龄的脑健康个体的大脑磁共振图像;
获取单元,用于获取待测个体的大脑磁共振图像,得到待测图像,并计算所述待测图像的目标量值,得到第二目标量值;
计算单元,用于根据所述第一目标量值,计算所述第二目标量值的百分位数,得到所述待测个体的脑萎缩程度。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810446410.7A CN108830830A (zh) | 2018-05-11 | 2018-05-11 | 一种脑萎缩程度的定量检测方法、检测装置及终端设备 |
PCT/CN2019/087946 WO2019214750A1 (zh) | 2018-05-11 | 2019-05-22 | 一种脑萎缩程度的定量检测方法、检测装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810446410.7A CN108830830A (zh) | 2018-05-11 | 2018-05-11 | 一种脑萎缩程度的定量检测方法、检测装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108830830A true CN108830830A (zh) | 2018-11-16 |
Family
ID=64147890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810446410.7A Pending CN108830830A (zh) | 2018-05-11 | 2018-05-11 | 一种脑萎缩程度的定量检测方法、检测装置及终端设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108830830A (zh) |
WO (1) | WO2019214750A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232708A (zh) * | 2019-05-14 | 2019-09-13 | 深圳博脑医疗科技有限公司 | 海马硬化程度的定量计算方法、装置、介质及终端设备 |
CN110334604A (zh) * | 2019-06-06 | 2019-10-15 | 广州金域医学检验中心有限公司 | 细胞展示方法、装置、计算机设备和计算机可读存储介质 |
WO2019214750A1 (zh) * | 2018-05-11 | 2019-11-14 | 深圳博脑医疗科技有限公司 | 一种脑萎缩程度的定量检测方法、检测装置及终端设备 |
CN110473171A (zh) * | 2019-07-18 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 脑龄检测方法、计算机设备和存储介质 |
CN112529868A (zh) * | 2020-12-10 | 2021-03-19 | 上海联影医疗科技股份有限公司 | 图像分析方法、装置、计算机设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050283054A1 (en) * | 2004-06-18 | 2005-12-22 | Banner Health | Evaluation of a treatment to decrease the risk of a progressive brain disorder or to slow brain aging |
CN101739681A (zh) * | 2009-12-14 | 2010-06-16 | 西北工业大学 | 基于相关预测模型的磁共振图像中检测结构形变的方法 |
CN102088910A (zh) * | 2008-07-07 | 2011-06-08 | 浜松光子学株式会社 | 脑部疾病的诊断系统 |
US20120071747A1 (en) * | 2010-04-13 | 2012-03-22 | Baxter Healthcare S.A. | Use of ventricular enlargement rate in intravenous immunoglobulin treatment of alzheimers disease |
CN103083018A (zh) * | 2011-10-28 | 2013-05-08 | 西门子公司 | 用于测量人脑结构的方法 |
CN107103612A (zh) * | 2017-03-28 | 2017-08-29 | 深圳博脑医疗科技有限公司 | 自动化分区域脑萎缩程度的定量计算方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6366797B1 (en) * | 1998-08-25 | 2002-04-02 | The Cleveland Clinic Foundation | Method and system for brain volume analysis |
US9808175B1 (en) * | 2009-02-02 | 2017-11-07 | Parexel International Corporation | Method and system for analyzing images to quantify brain atrophy |
JP2016064004A (ja) * | 2014-09-25 | 2016-04-28 | 大日本印刷株式会社 | 医用画像表示処理方法、医用画像表示処理装置およびプログラム |
CN108830830A (zh) * | 2018-05-11 | 2018-11-16 | 深圳博脑医疗科技有限公司 | 一种脑萎缩程度的定量检测方法、检测装置及终端设备 |
-
2018
- 2018-05-11 CN CN201810446410.7A patent/CN108830830A/zh active Pending
-
2019
- 2019-05-22 WO PCT/CN2019/087946 patent/WO2019214750A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050283054A1 (en) * | 2004-06-18 | 2005-12-22 | Banner Health | Evaluation of a treatment to decrease the risk of a progressive brain disorder or to slow brain aging |
CN102088910A (zh) * | 2008-07-07 | 2011-06-08 | 浜松光子学株式会社 | 脑部疾病的诊断系统 |
CN101739681A (zh) * | 2009-12-14 | 2010-06-16 | 西北工业大学 | 基于相关预测模型的磁共振图像中检测结构形变的方法 |
US20120071747A1 (en) * | 2010-04-13 | 2012-03-22 | Baxter Healthcare S.A. | Use of ventricular enlargement rate in intravenous immunoglobulin treatment of alzheimers disease |
CN103083018A (zh) * | 2011-10-28 | 2013-05-08 | 西门子公司 | 用于测量人脑结构的方法 |
CN107103612A (zh) * | 2017-03-28 | 2017-08-29 | 深圳博脑医疗科技有限公司 | 自动化分区域脑萎缩程度的定量计算方法 |
Non-Patent Citations (2)
Title |
---|
张明芝 等: ""基本分布"", 《实用医学统计学与SAS应用》 * |
李传富 等: ""计算机自动定量诊断脑萎缩的初步研究"", 《中华放射学杂志》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019214750A1 (zh) * | 2018-05-11 | 2019-11-14 | 深圳博脑医疗科技有限公司 | 一种脑萎缩程度的定量检测方法、检测装置及终端设备 |
CN110232708A (zh) * | 2019-05-14 | 2019-09-13 | 深圳博脑医疗科技有限公司 | 海马硬化程度的定量计算方法、装置、介质及终端设备 |
CN110232708B (zh) * | 2019-05-14 | 2021-04-30 | 深圳博脑医疗科技有限公司 | 海马硬化程度的定量计算方法、装置、介质及终端设备 |
CN110334604A (zh) * | 2019-06-06 | 2019-10-15 | 广州金域医学检验中心有限公司 | 细胞展示方法、装置、计算机设备和计算机可读存储介质 |
CN110473171A (zh) * | 2019-07-18 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 脑龄检测方法、计算机设备和存储介质 |
CN112529868A (zh) * | 2020-12-10 | 2021-03-19 | 上海联影医疗科技股份有限公司 | 图像分析方法、装置、计算机设备和存储介质 |
CN112529868B (zh) * | 2020-12-10 | 2023-06-27 | 上海联影医疗科技股份有限公司 | 图像分析方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2019214750A1 (zh) | 2019-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830830A (zh) | 一种脑萎缩程度的定量检测方法、检测装置及终端设备 | |
Manjón et al. | volBrain: an online MRI brain volumetry system | |
Sridhar et al. | Brain tumor classification using discrete cosine transform and probabilistic neural network | |
CN106682633B (zh) | 基于机器视觉的粪便镜检图像有形成分的分类识别方法 | |
Agaian et al. | A new acute leukaemia-automated classification system | |
CN109785334A (zh) | 心脏磁共振图像分割方法、装置、终端设备及存储介质 | |
CN108805859A (zh) | 一种图像检测方法、图像检测装置及终端设备 | |
Sun et al. | Dual-functional neural network for bilateral hippocampi segmentation and diagnosis of Alzheimer’s disease | |
CN109146891B (zh) | 一种应用于mri的海马体分割方法、装置及电子设备 | |
WO2017075077A1 (en) | Automated generation of sentence-based descriptors from imaging data | |
CN112164082A (zh) | 基于3d卷积神经网络分割多模态mr脑部图像方法 | |
Hossain et al. | Brain Tumor Auto-Segmentation on Multimodal Imaging Modalities Using Deep Neural Network. | |
CN110337670B (zh) | 一种基于磁共振图像的脑龄测试方法及脑龄测试装置 | |
CN108765447A (zh) | 一种图像分割方法、图像分割装置及电子设备 | |
CN110555856A (zh) | 一种基于深度神经网络的黄斑水肿病变区域分割方法 | |
CN109992578A (zh) | 基于无监督学习的反欺诈方法、装置、计算机设备及存储介质 | |
CN109671062A (zh) | 超声图像检测方法、装置、电子设备及可读存储介质 | |
Chan et al. | Quasi-conformal statistical shape analysis of hippocampal surfaces for Alzheimer׳ s disease analysis | |
CN113724847A (zh) | 基于人工智能的医疗资源分配方法、装置、终端设备及介质 | |
CN108447047A (zh) | 抗酸杆菌检测方法及装置 | |
CN111475541A (zh) | 数据决策方法、装置、电子设备及存储介质 | |
Damangir et al. | Reproducible segmentation of white matter hyperintensities using a new statistical definition | |
CN108182444A (zh) | 基于场景分类的视频质量诊断的方法及装置 | |
Rajesh Khanna | Multi-level classification of Alzheimer disease using DCNN and ensemble deep learning techniques | |
CN109886992A (zh) | 用于分割mri图像中异常信号区的全卷积网络模型训练方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |