CN108961215A - 基于多模态医学影像的帕金森病辅助诊断系统和方法 - Google Patents

基于多模态医学影像的帕金森病辅助诊断系统和方法 Download PDF

Info

Publication number
CN108961215A
CN108961215A CN201810567301.0A CN201810567301A CN108961215A CN 108961215 A CN108961215 A CN 108961215A CN 201810567301 A CN201810567301 A CN 201810567301A CN 108961215 A CN108961215 A CN 108961215A
Authority
CN
China
Prior art keywords
module
image
feature
parkinson
fusion
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
Application number
CN201810567301.0A
Other languages
English (en)
Inventor
施俊
钱奕奕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201810567301.0A priority Critical patent/CN108961215A/zh
Publication of CN108961215A publication Critical patent/CN108961215A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

本发明公开了一种基于多模态医学影像的帕金森病辅助诊断系统和方法。本系统包括输入模块、特征提取模块、特征融合模块以及诊断模块。本方法为获得超声图像、MRI图像和PET图像后，采用不同的方法对三通道的数据提取特征，对提取到的特征采用不同的融合方法进行特征融合；诊断模块将三个模态的特征通过集成学习的方法最终获得诊断结果，供医生进行诊断辅助参考。针对目前帕金森早期诊断，本发明定量分析多模态数据，对于早期诊断帕金森病具有重要意义，不仅可以提高诊断的准确性，减少操作者的主管判断误差，而且对临床早起干预、减少后期残疾，具有一定的辅助指导意义。

Description

基于多模态医学影像的帕金森病辅助诊断系统和方法
技术领域
本发明涉及基于医学影像的计算机分析技术的应用领域，具体涉及一种基于多模态医学影像的帕金森病辅助诊断系统和方法。
背景技术
帕金森病（Paekinson’s disease，PD）又名震颤麻痹，是一种常见的中老年人神经系统变性疾病。帕金森病最主要的病理改变是中脑黑质多巴胺（Dopamine，DA）能神经元的变性死亡，由此而引起纹状体DA含量显著性减少而致病，临床上主要以运动迟缓、强直、静止性震颤和姿势平衡障碍非对称运动症状为主要表现。目前，帕金森的诊断仍主要依据其临床核心症状，然而这些核心症状也并非帕金森病所有，仅根据病史及临床表现很难确诊，因此发展一种早期诊断帕金森病的手段尤其必要。
经颅超声作为一种非侵入性的技术，已成为帕金森病的诊断及与帕金森综合征鉴别诊断的重要工具。最重要的是，它能够探测黑质的高回声，是早期诊断帕金森病及能够鉴别诊断帕金森综合征的关键。
磁共振成像（Magnetic Resonance Imaging，MRI）是断层成像的一种，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。MRI对人体没有电离辐射损伤，对软组织结构的显示清晰度也优于其他检查方式，同时其可进行多序列成像形成多种图像类型，为明确病变性质提供更丰富的影像信息。
正电子发射型计算机断层显像（Positron Emission Computed Tomography，PET）是核医学领域比较先进的临床检查影像技术，是目前惟一可在活体上显示生物分子代谢、受体及神经介质活动的新型影像技术，具有灵敏度高、特异性高、全身显像以及安全性好等特点，现已广泛用于多种疾病的诊断。
基于计算机辅助诊断（Computer aided diagnosis，CAD）的方法给帕金森症诊断带来了巨大帮助，其让神经影像信息的识别能力最大化，能够从影像数据中提取潜在的有效信息。大多数的辅助诊断系统是基于单模态的，但由于各个模态所表征的信息不同，不同模态的提取的有效信息都不是全面的，因此，本发明提出一种基于超声图像、MRI和PET影像三种不同模态的数据进行帕金森病辅助诊断的系统和方法，能够获得更好的分类结果，从而为医生提供更准确的辅助诊断。
发明内容
本发明的目的在于针对已有技术的不足，提供一种基于多模态医学影像的帕金森病辅助诊断系统和方法，主要利用经颅中脑超声以及MRI和PET三个模态数据，进行特征提取后再进行特征融合，最终利用集成学习的方法进行分类学习，从而为医生提供有效的辅助诊断参考。
为达此目的，本发明采用以下技术方案：
一种基于多模态医学影像的帕金森病辅助诊断系统，包括输入模块、特征提取模块、特征融合模块和诊断模块，所述输入模块连接特征提取模块，特征提取模块连接特征融合模块，特征融合模块连接诊断模块；其中，所述输入模块：主要包含三个模态的输入，主要通过经颅超声获取的黑质区域的超声图像以及MRI和PET图像。所述特征提取模块：根据医生的先验知识，本发明提取了整幅超声图像中的中脑目标区域，并将其和MRI、PET图像分别进行特征学习，对于不同模态的数据可采用不同的特征学习的方法得到更具有鲁棒性的特征。所述特征融合模块：对特征提取模块提取到的特征进行特征融合，将各个模态的特征进行融合后再进行分类。所述诊断模块：将三个模态的融合特征进行分类最终获得诊断结果。
一种基于多模态医学影像的帕金森病辅助诊断方法，采用上述系统进行操作，包括如下步骤：
（1）读入经颅超声图像、MRI影像以及PET影像的三个模态数据并进行预处理；
（2）对经颅超声图像、MRI图像和PET图像采用不同的特征提取的方法提取特征；
（3）采用集成学习的方法对三个通道的数据进行集成学习，以获得更高的分类性能；然后采用不同的特征融合的方法对三个通道的特征进行融合；
（4）利用不同类型的分类器对融合特征进行分类，获得辅助诊断结果，供医生进行诊断辅助参考。
本发明与现有技术比较，具有如下显而易见的实质特点和显著优点：
采用了本发明的技术方案，能够将多种模态的所表征的特性相结合，最大化的利用了受检者的信息，并为医生的诊断提供了有效的辅助作用。
附图说明
图1为基于多模态医学影像的帕金森病辅助诊断系统的结构示意图。
具体实施方案
下面结合附图和具体实例对本发明进行详细说明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
如图1所示，一种基于多模态医学影像的帕金森病辅助诊断系统，包括输入模块、特征提取模块、特征融合模块和诊断模块，所述输入模块连接特征提取模块，特征提取模块连接特征融合模块，特征融合模块连接诊断模块；所述输入模块读入经颅超声图像及MRI和PET影像，特征提取模块对超声图像、MRI和PET图像采用不同的特征提取的方法提取特征，以卷积神经网络为例，不同的卷积核可得到不同的特征，也可采用其他类似方法提取；特征融合模块通过集成学习的方法，将多模态特征进行融合，获得包含更多信息量的融合特征，以此来训练出更具有鲁棒性的模型；诊断模块通过选择不同的分类器对融合特征进行分类，获得辅助诊断结果，供医生进行诊断辅助参考。
一种基于多模态医学影像的帕金森病辅助诊断方法，采用上述系统进行操作，以卷积神经网络为例，包括如下步骤：
（1）读入经颅超声图像、MRI影像以及PET影像的三个模态数据并进行预处理；
（2）对经颅超声图像、MRI图像和PET图像用卷积的方法提取特征，不同的卷积核可提取不同的表征特征；
（3）采用集成学习的方法对三个通道的数据进行集成学习，以获得更高的分类性能；然后采用不同的特征融合的方法对三个通道的特征进行融合；
（4）利用不同类型的分类器对融合特征进行分类，获得辅助诊断结果，供医生进行诊断辅助参考。
上述步骤（2）中以卷积神经网络提取图像特征为例，具体包括如下步骤：
（2.1）读入中脑区域超声图像，对中脑区域超声图像构建卷积神经网络，卷积的层数以及卷积核的大小，池化层的大小都可根据需求自行设定，最后通过全连接层输出特征向量。
（2.2）读入MRI图像，对MRI图像构建卷积神经网络，卷积的层数以及卷积核的大小，池化层的大小都可根据需求自行设定，最后通过全连接层输出特征向量。
（2.3）读入PET图像，对PET图像构建卷积神经网络，卷积的层数以及卷积核的大小，池化层的大小都可根据需求自行设定，最后通过全连接层输出特征向量。
（2.4）对步骤（2.1）（2.2）（2.3）得到的特征采用不同的特征融合方法进行融合。
（2.5）对步骤（2.4）中得到的特征分别进行分类，得到结果后，采用Voting、Adaboost或其他集成算法进行集成学习，来提高最终的分类性能。
（2.6）本实施例中，采用卷积的方法对整幅图像提取特征，并在卷积层之后连接池化曾，卷积层和池化层的大小和数量均可根据实际情况自行调整。卷积核池化的计算性质，使得图像中的平移部分对于最后的特征向量没有影响。从这一角度说，提取到的特征更不容易过拟合。在利用不同的卷积、池化层时，能对最后的输出向量的大小进行控制从而达到控制整体模型的拟合能力，有效的防止过拟合和欠拟合。
针对目前帕金森早期诊断，本发明定量分析多模态数据，对于早期诊断帕金森病具有重要意义，不仅可以提高诊断的准确性，减少操作者的主管判断误差，而且对临床早起干预、减少后期残疾，具有一定的辅助指导意义。

Claims (2)

1.一种基于多模态医学影像的帕金森病辅助诊断系统，包括输入模块、特征提取模块、特征融合模块和诊断模块，其特征在于：所述输入模块连接特征提取模块，特征提取模块连接特征融合模块，特征融合模块连接诊断模块；所述输入模块读入经颅超声图像及MRI和PET影像，特征提取模块对超声图像、MRI和PET图像采用不同的特征提取的方法提取特征；特征融合模块通过集成学习的方法，将多模态特征进行融合，获得包含更多信息量的融合特征，以此来训练出更具有鲁棒性的模型；诊断模块通过选择不同的分类器对融合特征进行分类，获得辅助诊断结果，供医生进行诊断辅助参考。
2.一种基于多模态医学影像的帕金森病辅助诊断方法，采用上述系统进行操作，其特征在于，包括如下步骤：
（1）读入经颅超声图像、MRI影像以及PET影像的三个模态数据并进行预处理；
（2）对经颅超声图像、MRI图像和PET图像采用不同的特征提取的方法提取特征；
（3）采用集成学习的方法对三个通道的数据进行集成学习，以获得更高的分类性能；然后采用不同的特征融合的方法对三个通道的特征进行融合；
（4）利用不同类型的分类器对融合特征进行分类，获得辅助诊断结果，供医生进行诊断辅助参考。
CN201810567301.0A 2018-06-05 2018-06-05 基于多模态医学影像的帕金森病辅助诊断系统和方法 Pending CN108961215A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810567301.0A CN108961215A (zh) 2018-06-05 2018-06-05 基于多模态医学影像的帕金森病辅助诊断系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810567301.0A CN108961215A (zh) 2018-06-05 2018-06-05 基于多模态医学影像的帕金森病辅助诊断系统和方法

Publications (1)

Publication Number Publication Date
CN108961215A true CN108961215A (zh) 2018-12-07

Family

ID=64493590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810567301.0A Pending CN108961215A (zh) 2018-06-05 2018-06-05 基于多模态医学影像的帕金森病辅助诊断系统和方法

Country Status (1)

Country Link
CN (1) CN108961215A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858540A (zh) * 2019-01-24 2019-06-07 青岛中科智康医疗科技有限公司 一种基于多模态融合的医学图像识别系统及方法
CN110169783A (zh) * 2019-07-08 2019-08-27 闫俊梁 一种数字化Pet-超声一体机
CN110544252A (zh) * 2019-09-05 2019-12-06 重庆邮电大学 基于多模态磁共振脑影像的帕金森病辅助诊断系统
CN111292851A (zh) * 2020-02-27 2020-06-16 平安医疗健康管理股份有限公司 数据分类方法、装置、计算机设备和存储介质
CN111783796A (zh) * 2020-06-19 2020-10-16 哈尔滨工业大学 一种基于深度特征融合的pet/ct影像识别系统
CN111916207A (zh) * 2020-08-07 2020-11-10 杭州深睿博联科技有限公司 一种基于多模态融合的疾病识别方法及装置
CN111938592A (zh) * 2020-08-13 2020-11-17 天津工业大学 面向阿尔兹海默症诊断的有缺失多模态表示学习算法
CN112002407A (zh) * 2020-07-17 2020-11-27 上海大学 一种基于超声视频的乳腺癌诊断装置及其方法
CN112581428A (zh) * 2020-11-26 2021-03-30 广东工业大学 一种多模态医学图像辅助诊断方法
CN112949712A (zh) * 2021-03-01 2021-06-11 北京小白世纪网络科技有限公司 一种基于多模态的甲状腺结节自动识别模型构建方法
CN113012142A (zh) * 2021-04-02 2021-06-22 电子科技大学 一种基于磁共振图像的帕金森病的智能诊断系统
CN113143246A (zh) * 2021-04-27 2021-07-23 浙江大学医学院附属第二医院 基于多模态磁共振脑影像的帕金森病辅助临床决策系统
CN113317763A (zh) * 2021-06-30 2021-08-31 平安科技（深圳）有限公司 基于多模态的帕金森病检测装置及计算机可读存储介质
CN113384261A (zh) * 2021-05-28 2021-09-14 华南理工大学 一种基于深度学习的椎体压缩性骨折多模态智能诊断系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046259A (zh) * 2015-06-09 2015-11-11 济南大学 基于多特征融合的日冕物质抛射检测方法
CN105512661A (zh) * 2015-11-25 2016-04-20 中国人民解放军信息工程大学 一种基于多模态特征融合的遥感影像分类方法
CN106909933A (zh) * 2017-01-18 2017-06-30 南京邮电大学 一种三阶段多视角特征融合的窃电分类预测方法
CN107292259A (zh) * 2017-06-15 2017-10-24 国家新闻出版广电总局广播科学研究院 基于AdaRank的深度特征和传统特征的集成方法
CN107480702A (zh) * 2017-07-20 2017-12-15 东北大学 面向hcc病理图像识别的特征选择与特征融合方法
CN107506797A (zh) * 2017-08-25 2017-12-22 电子科技大学 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046259A (zh) * 2015-06-09 2015-11-11 济南大学 基于多特征融合的日冕物质抛射检测方法
CN105512661A (zh) * 2015-11-25 2016-04-20 中国人民解放军信息工程大学 一种基于多模态特征融合的遥感影像分类方法
CN106909933A (zh) * 2017-01-18 2017-06-30 南京邮电大学 一种三阶段多视角特征融合的窃电分类预测方法
CN107292259A (zh) * 2017-06-15 2017-10-24 国家新闻出版广电总局广播科学研究院 基于AdaRank的深度特征和传统特征的集成方法
CN107480702A (zh) * 2017-07-20 2017-12-15 东北大学 面向hcc病理图像识别的特征选择与特征融合方法
CN107506797A (zh) * 2017-08-25 2017-12-22 电子科技大学 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LEI CHEN ET AL.: ""MULTIPLE FEATURE EXTRACTION F OR EARLY PARKINSON RISK ASSESSMENT"", 《PROCEEDINGS OF 2010 IEEE 17TH INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 *
刘 培 等: ""一种基于集成学习和特征融合的遥感"", 《红外与毫米波学报》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858540A (zh) * 2019-01-24 2019-06-07 青岛中科智康医疗科技有限公司 一种基于多模态融合的医学图像识别系统及方法
CN110169783A (zh) * 2019-07-08 2019-08-27 闫俊梁 一种数字化Pet-超声一体机
CN110544252A (zh) * 2019-09-05 2019-12-06 重庆邮电大学 基于多模态磁共振脑影像的帕金森病辅助诊断系统
CN111292851A (zh) * 2020-02-27 2020-06-16 平安医疗健康管理股份有限公司 数据分类方法、装置、计算机设备和存储介质
CN111783796A (zh) * 2020-06-19 2020-10-16 哈尔滨工业大学 一种基于深度特征融合的pet/ct影像识别系统
CN112002407A (zh) * 2020-07-17 2020-11-27 上海大学 一种基于超声视频的乳腺癌诊断装置及其方法
CN111916207B (zh) * 2020-08-07 2023-08-08 杭州深睿博联科技有限公司 一种基于多模态融合的疾病识别方法及装置
CN111916207A (zh) * 2020-08-07 2020-11-10 杭州深睿博联科技有限公司 一种基于多模态融合的疾病识别方法及装置
CN111938592A (zh) * 2020-08-13 2020-11-17 天津工业大学 面向阿尔兹海默症诊断的有缺失多模态表示学习算法
CN111938592B (zh) * 2020-08-13 2024-03-12 天津工业大学 面向阿尔兹海默症诊断的有缺失多模态表示学习算法
CN112581428A (zh) * 2020-11-26 2021-03-30 广东工业大学 一种多模态医学图像辅助诊断方法
CN112949712A (zh) * 2021-03-01 2021-06-11 北京小白世纪网络科技有限公司 一种基于多模态的甲状腺结节自动识别模型构建方法
CN113012142A (zh) * 2021-04-02 2021-06-22 电子科技大学 一种基于磁共振图像的帕金森病的智能诊断系统
CN113143246A (zh) * 2021-04-27 2021-07-23 浙江大学医学院附属第二医院 基于多模态磁共振脑影像的帕金森病辅助临床决策系统
CN113384261A (zh) * 2021-05-28 2021-09-14 华南理工大学 一种基于深度学习的椎体压缩性骨折多模态智能诊断系统
CN113317763A (zh) * 2021-06-30 2021-08-31 平安科技（深圳）有限公司 基于多模态的帕金森病检测装置及计算机可读存储介质
CN113317763B (zh) * 2021-06-30 2024-03-19 平安科技（深圳）有限公司 基于多模态的帕金森病检测装置及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN108961215A (zh) 基于多模态医学影像的帕金森病辅助诊断系统和方法
Zhang et al. A 3D densely connected convolution neural network with connection-wise attention mechanism for Alzheimer's disease classification
US20210401392A1 (en) Deep convolutional neural networks for tumor segmentation with positron emission tomography
Liu et al. Classification of Alzheimer’s disease by combination of convolutional and recurrent neural networks using FDG-PET images
Zhang et al. Multi-modal deep learning model for auxiliary diagnosis of Alzheimer’s disease
Tagaris et al. Machine learning for neurodegenerative disorder diagnosis—survey of practices and launch of benchmark dataset
WO2016033458A1 (en) Restoring image quality of reduced radiotracer dose positron emission tomography (pet) images using combined pet and magnetic resonance (mr)
CN110674773A (zh) 一种痴呆症的识别系统、装置及存储介质
Qiao et al. Early Alzheimer’s disease diagnosis with the contrastive loss using paired structural MRIs
Dong et al. DeepAtrophy: Teaching a neural network to detect progressive changes in longitudinal MRI of the hippocampal region in Alzheimer's disease
Li et al. AMD-Net: Automatic subretinal fluid and hemorrhage segmentation for wet age-related macular degeneration in ocular fundus images
Zuo et al. Deep Learning-based Eye-Tracking Analysis for Diagnosis of Alzheimer's Disease Using 3D Comprehensive Visual Stimuli
Dong et al. Latent feature representation learning for Alzheimer’s disease classification
Chen et al. BAGNet: bidirectional aware guidance network for malignant breast lesions segmentation
Al-Jumaili et al. Classification of the Level of Alzheimer's Disease Using Anatomical Magnetic Resonance Images Based on a Novel Deep Learning Structure
CN115312198A (zh) 结合注意力机制和多尺度特征挖掘的深度学习脑肿瘤预后分析建模方法及系统
Shaaf et al. A Convolutional Neural Network Model to Segment Myocardial Infarction from MRI Images.
CN114520052A (zh) 一种基于多模态融合的胰腺癌早期诊断方法与系统
Zhang et al. Pyramid-attentive GAN for multimodal brain image complementation in Alzheimer’s disease classification
Sun et al. Application of artificial intelligence nuclear medicine automated images based on deep learning in tumor diagnosis
US10769785B2 (en) Neural network for neurodegenerative disease classification
Farhan et al. A comparative study of neuroimaging and pattern recognition techniques for estimation of Alzheimer’s
Jain et al. A review of deep learning-based disease detection in Alzheimer's patients
Che et al. Segmentation of bone metastases based on attention mechanism
CN113393938A (zh) 一种融合影像和临床特征信息的乳腺癌风险预测系统

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: 20181207