CN109190682A - 一种基于3d核磁共振影像的脑部异常的分类方法及设备 - Google Patents
一种基于3d核磁共振影像的脑部异常的分类方法及设备 Download PDFInfo
- Publication number
- CN109190682A CN109190682A CN201810918731.2A CN201810918731A CN109190682A CN 109190682 A CN109190682 A CN 109190682A CN 201810918731 A CN201810918731 A CN 201810918731A CN 109190682 A CN109190682 A CN 109190682A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- nuclear magnetic
- segmentation mask
- resonance image
- convolution
- 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.)
- Granted
Links
- 238000000293 three-dimensional nuclear magnetic resonance spectroscopy Methods 0.000 title claims abstract description 83
- 210000004556 brain Anatomy 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000011218 segmentation Effects 0.000 claims abstract description 137
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 58
- 210000005036 nerve Anatomy 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000005311 nuclear magnetism Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000005481 NMR spectroscopy Methods 0.000 abstract description 25
- 238000012549 training Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 16
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000000429 assembly Methods 0.000 description 6
- 230000000712 assembly Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请公开了一种基于3D核磁共振影像的脑部异常的分类方法及设备，包括：接收待处理的3D核磁共振影像，基于第一神经网络算法对所述3D核磁共振影像对应的影像序列执行卷积操作，得到分段掩码；进而基于第二神经网络算法和所述分段掩码对所述3D核磁共振影像对应的影像序列执行分类操作，得到脑部异常分类结果。本申请实施例借助人工智能和大数据处理技术，通过训练核磁共振影像的识别模型，能够对接收到的核磁共振影像中出现的脑部异常进行分类，有效提升了脑部异常的分类精度，进而提高了基于核磁共振影像对脑部异常的诊断精度。
Description
技术领域
本申请涉及医疗影像识别、计算机处理技术领域，尤其涉及一种基于3D核磁共振影像的脑部异常的分类方法及设备。
背景技术
核磁共振影像(Magnetic Resonance Imaging，MRI)作为医学领域一种常见的影像检查方式，主要利用磁共振现象从人体中获得电磁信号，重建出人体信息。这样，医生可以根据核磁共振影像对人体部位发生的异常进行识别。
核磁共振影像用途比较广，涉及全身各系统的成像诊断。例如：颅脑及其脊髓、心脏大血管、关节骨骼、软组织及盆腔等。
对于心血管疾病患者，利用核磁共振影像可作多个切面图，显示心脏、病变全貌及其与周围结构的关系，这样不但有助于医生观察各腔室、大血管及瓣膜的解剖变化，而且有助于医生作心室分析，进行定性及半定量的诊断。
尤其对于脑部疾病的患者，利用核磁共振影像可作冠状、矢状及横断成像。医生基于核磁共振影像能够对脑部是否发生异常进行判断。
目前，医生在拿到病人的核磁共振影像(例如：脑部核磁共振影像)时，通常是根据自身从医经验对患者身体是否发生异常进行识别或者判断。也就是说，目前利用核磁共振影像判断患者身体是否发生异常主要还是基于医生的经验。这样导致基于核磁共振影像对患者身体是否发生异常进行识别的识别精度较低，也容易造成误诊或者耽误患者治疗时间的事件发生。
发明内容
有鉴于此，本申请实施例提供了一种基于3D核磁共振影像的脑部异常的分类方法及设备，用于对3D核磁共振影像的脑部异常进行精准分类，提升脑部异常识别的识别精度。
本申请实施例提供了一种基于3D核磁共振影像的脑部异常的分类方法，包括：
接收待处理的3D核磁共振影像，基于第一神经网络算法对所述3D核磁共振影像对应的影像序列执行卷积操作，得到分段掩码；
基于第二神经网络算法和所述分段掩码对所述3D核磁共振影像对应的影像序列执行分类操作，得到脑部异常分类结果。
本申请实施例提供了一种基于3D核磁共振影像的脑部异常的分类设备，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由所述至少一个处理器执行以下步骤：
接收待处理的3D核磁共振影像，基于第一神经网络算法对所述3D核磁共振影像对应的影像序列执行卷积操作，得到分段掩码；
基于第二神经网络算法和所述分段掩码对所述3D核磁共振影像对应的影像序列执行分类操作，得到脑部异常分类结果。
本申请提供的至少一个实施例所达到的有益效果如下：
本申请实施例通过接收待处理的3D核磁共振影像，基于第一神经网络算法对所述3D核磁共振影像对应的影像序列执行卷积操作，得到分段掩码；进而基于第二神经网络算法和所述分段掩码对所述3D核磁共振影像对应的影像序列执行分类操作，得到脑部异常分类结果。本申请实施例借助人工智能和大数据处理技术，通过训练核磁共振影像的识别模型，能够对接收到的核磁共振影像中出现的脑部异常进行分类，有效提升了脑部异常的分类精度，进而提高了基于核磁共振影像对脑部异常的诊断精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面对实施例描述中所需要使用的说明书附图作简要介绍，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，对于本领域的普通技术人员来讲，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为本申请实施例提供的一种基于3D核磁共振影像的脑部异常的分类方法的流程示意图；
图2为本申请实施例提供的得到分段掩码的结构示意图；
图3为本申请实施例提供的脑部异常分类的流程示意图；
图4为本申请实施例提供的一种基于3D核磁共振影像的脑部异常的分类设备的结构示意图；
图5为本申请实施例提供的一种基于3D核磁共振影像的脑部异常的分类设备的结构示意图。
具体实施方式
为了实现本申请的目的，本申请实施例提供了一种基于3D核磁共振影像的脑部异常的分类方法及设备，通过接收待处理的3D核磁共振影像，基于第一神经网络算法对所述3D核磁共振影像对应的影像序列执行卷积操作，得到分段掩码；进而基于第二神经网络算法和所述分段掩码对所述3D核磁共振影像对应的影像序列执行分类操作，得到脑部异常分类结果。本申请实施例借助人工智能和大数据处理技术，通过训练核磁共振影像的识别模型，能够对接收到的核磁共振影像中出现的脑部异常进行分类，有效提升了脑部异常的分类精度，进而提高了基于核磁共振影像对脑部异常的诊断精度。
下面结合说明书附图对本申请各个实施例作进一步地详细描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
图1为本申请实施例提供的一种基于3D核磁共振影像的脑部异常的分类方法的流程示意图。所述方法可以如下所示。
步骤101：接收待处理的3D核磁共振影像，基于第一神经网络算法对所述3D核磁共振影像对应的影像序列执行卷积操作，得到分段掩码。
在本申请实施例中，用户(或者医生)输入采集的3D核磁共振影像，并对该3D核磁共振影像启动分类处理操作。
对于输入的3D核磁共振影像，利用第一神经网络算法对该3D核磁共振影像对应的影像序列执行卷积操作，得到分段掩码。
这里的第一神经网络算法可以是指Unet(Unity Networking)神经网络算法，也可以是其他用于图像分割的算法，这里对于第一神经网络算法的具体形式不做限定。
较优地，基于Unet神经网络算法，对所述3D核磁共振影像对应的影像序列执行卷积操作，分别得到每次卷积操作对应的分段掩码。
在本申请实施例中，利用Unet神经网络算法，对待处理的3D核磁共振影像进行特征提取操作和上采样处理操作，为后续更好的实现分类奠定基础。
具体地，利用Unet神经网络算法，对所述3D核磁共振影像对应的影像序列执行第1层卷积操作，得到第1层对应的分段掩码M1；
利用Unet神经网络算法，对所述3D核磁共振影像对应的影像序列执行第1层卷积操作，得到第1层对应的分段掩码M1；
利用Unet神经网络算法，对所述分段掩码M1执行第2层卷积操作，得到第2层对应的分段掩码M2；
依次按照上述方式执行，……；
利用Unet神经网络算法，对所述分段掩码M2执行第m+1层卷积操作，得到第m+1层对应的分段掩码M(m+1)，其中，m为大于2的自然数；
利用Unet神经网络算法，对所述分段掩码M(m+1)执行第n层卷积操作，得到第n层对应的分段掩码Mn，其中，n为大于m+1的自然数，且(n-m)满足大于等于2。
较优地，所述分段掩码与卷积操作对应的卷积层值之间满足：
所述卷积层值从1至n/2，每层对应的所述分段掩码的矩阵行或列数值逐渐减小；
所述卷积层值从n/2至n，每层对应的所述分段掩码的矩阵行或列数值逐渐增加；
其中，当所述卷积层值为n/2时，所述分段掩码对应的矩阵行或列数值最小。
需要说明的是，执行卷积操作的层数可以根据实际需要确定，也可以根据实验数据确定，这里不做具体限定。
在本申请实施例中，卷积操作可以是利用编码器实现的，也可以是利用解码器实现的；以执行8次卷积操作(即n＝8)为例详细说明得到的分段掩码。
图2为本申请实施例提供的得到分段掩码的结构示意图。
假设本申请实施例中待处理的3D核磁共振影像为320*320*24，将320*320*24的3D核磁共振影像输入编码器1(该编码器1可以称之为第一层)执行卷积操作，得到的分段掩码为320*320*24，即M1＝320*320*24；
将得到的320*320*24输入编码器2(该编码器2可以称之为第二层)执行卷积操作，得到的分段掩码为160*160*12，即M2＝160*160*12；
将得到的160*160*12输入编码器3(该编码器3可以称之为第三层)执行卷积操作，得到的分段掩码为80*80*12，即M3＝80*80*12；
将得到的80*80*12输入编码器4(该编码器4可以称之为第四层)执行卷积操作，得到的分段掩码为40*40*12，即M4＝40*40*12；
将得到的40*40*12输入解码器1(该解码器1可以称之为第五层)执行卷积操作，得到的分段掩码为80*80*12，即M5＝80*80*12；
将得到的80*80*12输入解码器2(该解码器2可以称之为第六层)执行卷积操作，得到的分段掩码为160*160*12，即M6＝160*160*12；
将得到的160*160*12输入解码器3(该解码器3可以称之为第七层)执行卷积操作，得到的分段掩码为320*320*24，即M7＝320*320*24；
将得到的320*320*24输入解码器4(该解码器4可以称之为第八层)执行卷积操作，得到的分段掩码为320*320*24，即M8＝320*320*24。
这样可以得到每层卷积编码对应的分段掩码。
较优地，在基于第二神经网络算法和所述分段掩码对所述3D核磁共振影像对应的影像序列执行分类操作之前，所述方法还包括：
按照不同所述分段掩码的生成时间的先后顺序，对所述分段掩码进行排序。
具体地，将所述卷积层值从n/2至n分别对应的分段掩码，按照卷积层值从大到小的顺序进行排列，得到排序结果。
以图2中所示的内容为例，将卷积层值从4至8分别对应的分段掩码，按照卷积层值从大到小的顺序进行排列，得到的排序结果为：【8，320*320*24】、【7，320*320*24】、【6，160*160*12】、【5，80*80*12】、【4，40*40*12】。
较优地，在得到分段掩码的情况下，所述方法还包括：
输出本轮分段掩码生成过程的最小化分段损失参数，该最小化分段损失参数用于调整分段模型训练参数，使得下一轮生成的分段掩码精度更高。
具体地，最小化分段损失参数LSEG可以表示为：
其中，LSEG为分段掩码生成过程的最小化分段损失参数；ωc为通道c的训练标度，取值范围为【0,1】；gc SEG(x)为二元掩码模型；为软预测掩码模型。
步骤102：基于第二神经网络算法和所述分段掩码对所述3D核磁共振影像对应的影像序列执行分类操作，得到脑部异常分类结果。
在本申请实施例中，基于第二神经网络算法和所述排序结果对应的所述分段掩码，对所述3D核磁共振影像对应的影像序列执行卷积操作，得到卷积结果；根据所述卷积结果对脑部异常进行识别和分类。
具体地，基于第二神经网络算法和第n层对应的分段掩码Mn，对所述3D核磁共振影像对应的影像序列执行卷积操作，得到第一卷积结果；
基于第二神经网络算法和第n-1层对应的分段掩码Mn-1，对所述第一卷积结果执行卷积操作，得到第二卷积结果；
基于第二神经网络算法和第n-m层对应的分段掩码Mn-m，对所述第m-1卷积结果执行卷积操作，得到第m卷积结果，其中，m为大于等于n/2的自然数。
图3为本申请实施例提供的脑部异常分类处理的流程示意图。
假设本申请实施例中待处理的3D核磁共振影像为320*320*24，以图2所示的得到的分段掩码为例进行说明。
将待处理的3D核磁共振影像为320*320*24和第8层处理得到的分段掩码320*320*24输入至解码器执行卷积操作，得到第一卷积结果；
将第一卷积结果和第7层处理得到的分段掩码320*320*24输入至解码器执行卷积操作，得到第二卷积结果；
将第二卷积结果和第6层处理得到的分段掩码160*160*12输入至解码器执行卷积操作，得到第三卷积结果；
将第三卷积结果和第5层处理得到的分段掩码80*80*12输入至解码器执行卷积操作，得到第四卷积结果；
将第四卷积结果和第4层处理得到的分段掩码40*40*12输入至解码器执行卷积操作，得到第五卷积结果。
较优地，根据所述第m卷积结果对脑部异常进行识别和分类。
具体地，在本申请实施例中，可以根据第五卷积结果对脑部异常进行分类；
还可以根据第一卷积结果、第二卷积结果、第三卷积结果、第四卷积结果和第五卷积结果，对脑部异常进行分类。
较优地，在得到分类结果的情况下，所述方法还包括：
输出本轮分类结果生成过程的最小化分类损失参数，该最小化分类损失参数用于调整分类模型训练参数，使得下一轮生成的分类结果精度更高。
具体地，最小化分类损失参数LCLS可以表示为：
其中，LCLS为分类结果生成过程的最小化分段损失参数；gi CLS(x)为二元掩码模型；为软预测掩码模型；i为第i次卷积操作。
通过本申请实施例提供的技术方案，接收待处理的3D核磁共振影像，基于第一神经网络算法对所述3D核磁共振影像对应的影像序列执行卷积操作，得到分段掩码；进而基于第二神经网络算法和所述分段掩码对所述3D核磁共振影像对应的影像序列执行分类操作，得到脑部异常分类结果。本申请实施例借助人工智能和大数据处理技术，通过训练核磁共振影像的识别模型，能够对接收到的核磁共振影像中出现的脑部异常进行分类，有效提升了脑部异常的分类精度，进而提高了基于核磁共振影像对脑部异常的诊断精度。
基于同一个发明构思，图4为本申请实施例提供的一种基于3D核磁共振影像的脑部异常的分类设备的结构示意图。所述分类设备包括至少一个处理器401及存储器402，所述存储器402存储有程序，并且被配置成由所述至少一个处理器401执行以下步骤：
接收待处理的3D核磁共振影像，基于第一神经网络算法对所述3D核磁共振影像对应的影像序列执行卷积操作，得到分段掩码；
基于第二神经网络算法和所述分段掩码对所述3D核磁共振影像对应的影像序列执行分类操作，得到脑部异常分类结果。
在本申请的另一个实施例中，所述处理器401还执行以下步骤：
基于Unet神经网络算法，对所述3D核磁共振影像对应的影像序列执行卷积操作，分别得到每次卷积操作对应的分段掩码。
在本申请的另一个实施例中，所述处理器401还执行以下步骤：
对所述3D核磁共振影像对应的影像序列执行第1层卷积操作，得到第1层对应的分段掩码M1；
对所述分段掩码M1执行第2层卷积操作，得到第2层对应的分段掩码M2；
对所述分段掩码M2执行第m+1层卷积操作，得到第m+1层对应的分段掩码M(m+1)，其中，m为大于2的自然数；
对所述分段掩码Mm+1执行第n层卷积操作，得到第n层对应的分段掩码Mn；
其中，n为大于m+1的自然数。
其中，所述分段掩码与卷积操作对应的卷积层值之间满足：
所述卷积层值从1至n/2，每层对应的所述分段掩码的矩阵行或列数值逐渐减小；
所述卷积层值从n/2至n，每层对应的所述分段掩码的矩阵行或列数值逐渐增加；
其中，当所述卷积层值为n/2时，所述分段掩码对应的矩阵行或列数值最小。
在本申请的另一个实施例中，所述处理器401还执行以下步骤：
在基于第二神经网络算法和所述分段掩码对所述3D核磁共振影像对应的影像序列执行分类操作之前，按照不同所述分段掩码的生成时间的先后顺序，对所述分段掩码进行排序。
在本申请的另一个实施例中，所述处理器401还执行以下步骤：
将所述卷积层值从n/2至n分别对应的分段掩码，按照卷积层值从大到小的顺序进行排列，得到排序结果。
在本申请的另一个实施例中，所述处理器401还执行以下步骤：
基于第二神经网络算法和所述排序结果对应的所述分段掩码，对所述3D核磁共振影像对应的影像序列执行卷积操作，得到卷积结果；
根据所述卷积结果对脑部异常进行识别和分类。
在本申请的另一个实施例中，所述处理器401还执行以下步骤：
基于第二神经网络算法和第n层对应的分段掩码Mn，对所述3D核磁共振影像对应的影像序列执行卷积操作，得到第一卷积结果；
基于第二神经网络算法和第n-1层对应的分段掩码Mn-1，对所述第一卷积结果执行卷积操作，得到第二卷积结果；
基于第二神经网络算法和第n-m层对应的分段掩码Mn-m，对所述第m-1卷积结果执行卷积操作，得到第m卷积结果，其中，m为大于等于n/2的自然数。
在本申请的另一个实施例中，所述处理器401还执行以下步骤：
根据所述第m卷积结果对脑部异常进行分类，得到分类结果。
需要说明的是，本申请实施例提供的脑部异常分类设备可以通过软件方式实现，也可以通过硬件方式实现，这里不做具体限定。本申请实施例中记载的处理器可以是中央处理器，还可以是其他控制器，这里不做具体限定。
图5为本申请实施例提供的一种基于3D核磁共振影像的脑部异常的分类设备的结构示意图，所述分类设备包括：分段组件501和分类组件502，其中：
所述分段组件501，用于接收待处理的3D核磁共振影像，基于第一神经网络算法对所述3D核磁共振影像对应的影像序列执行卷积操作，得到分段掩码，并将所述分段掩码发送给分类组件；
所述分类组件502，用于接收所述待处理的3D核磁共振影像和所述分段掩码，基于第二神经网络算法和所述分段掩码对所述3D核磁共振影像对应的影像序列执行分类操作，得到脑部异常分类结果。
在本申请的另一个实施例中，所述分段组件501，具体用于基于Unet神经网络算法，对所述3D核磁共振影像对应的影像序列执行卷积操作，分别得到每次卷积操作对应的分段掩码。
在本申请的另一个实施例中，所述分段组件501，具体用于按照以下方式对所述3D核磁共振影像对应的影像序列执行卷积操作：
对所述3D核磁共振影像对应的影像序列执行第1层卷积操作，得到第1层对应的分段掩码M1；
对所述分段掩码M1执行第2层卷积操作，得到第2层对应的分段掩码M2；
对所述分段掩码M2执行第m+1层卷积操作，得到第m+1层对应的分段掩码M(m+1)；其中，m为大于2的自然数；
对所述分段掩码Mm+1执行第n层卷积操作，得到第n层对应的分段掩码Mn；其中，n为大于m+1的自然数。
在本申请的另一个实施例中，所述分段组件501，还用于按照不同所述分段掩码的生成时间的先后顺序，对所述分段掩码进行排序，并按照排序结果将所述分段掩码发送给所述分类组件。
在本申请的另一个实施例中，所述分段掩码与卷积操作对应的卷积层值之间满足：
所述卷积层值从1至n/2，每层对应的所述分段掩码的矩阵行或列数值逐渐减小；
所述卷积层值从n/2至n，每层对应的所述分段掩码的矩阵行或列数值逐渐增加；
其中，当所述卷积层值为n/2时，所述分段掩码对应的矩阵行或列数值最小。
在本申请的另一个实施例中，所述分段组件501，具体用于将所述卷积层值从n/2至n分别对应的分段掩码，按照卷积层值从大到小的顺序排列，将排列结果发送给所述分类组件。
在本申请的另一个实施例中，所述分类组件502，具体用于基于第二神经网络算法和各层对应的分段掩码，对所述3D核磁共振影像对应的影像序列执行卷积操作，得到卷积结果；根据所述卷积结果对脑部异常进行识别和分类。
在本申请的另一个实施例中，所述分类组件502，具体用于按照以下方式对所述3D核磁共振影像对应的影像序列执行卷积操作：
基于第二神经网络算法和第n层对应的分段掩码Mn，对所述3D核磁共振影像对应的影像序列执行卷积操作，得到第一卷积结果；
基于第二神经网络算法和第n-1层对应的分段掩码Mn-1，对所述第一卷积结果执行卷积操作，得到第二卷积结果；
基于第二神经网络算法和第n-m层对应的分段掩码Mn-m，对所述第m-1卷积结果执行卷积操作，得到第m卷积结果，其中，m为大于等于n/2的自然数。
在本申请的另一个实施例中，所述分类组件502，具体用于根据所述第m卷积结果对脑部异常进行识别和分类。
需要说明的是，本申请实施例提供的分类设备可以通过软件方式实现，也可以通过硬件方式实现，这里不做具体限定。分类设备接收待处理的3D核磁共振影像，基于第一神经网络算法对所述3D核磁共振影像对应的影像序列执行卷积操作，得到分段掩码；进而基于第二神经网络算法和所述分段掩码对所述3D核磁共振影像对应的影像序列执行分类操作，得到脑部异常分类结果。本申请实施例借助人工智能和大数据处理技术，通过训练核磁共振影像的识别模型，能够对接收到的核磁共振影像中出现的脑部异常进行分类，有效提升了脑部异常的分类精度，进而提高了基于核磁共振影像对脑部异常的诊断精度。
本领域的技术人员应明白，本申请的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种基于3D核磁共振影像的脑部异常的分类方法，其特征在于，包括：
接收待处理的3D核磁共振影像，基于第一神经网络算法对所述3D核磁共振影像对应的影像序列执行卷积操作，得到分段掩码；
基于第二神经网络算法和所述分段掩码对所述3D核磁共振影像对应的影像序列执行分类操作，得到脑部异常分类结果。
2.根据权利要求1所述的分类方法，其特征在于，基于第一神经网络算法对所述3D核磁共振影像对应的影像序列执行卷积操作，得到分段掩码，包括：
基于Unet神经网络算法，对所述3D核磁共振影像对应的影像序列执行卷积操作，分别得到每次卷积操作对应的分段掩码。
3.根据权利要求2所述的分类方法，其特征在于，对所述3D核磁共振影像对应的影像序列执行卷积操作，分别得到每次卷积操作对应的分段掩码，包括：
对所述3D核磁共振影像对应的影像序列执行第1层卷积操作，得到第1层对应的分段掩码M1；
对所述分段掩码M1执行第2层卷积操作，得到第2层对应的分段掩码M2；
对所述分段掩码M2执行第m+1层卷积操作，得到第m+1层对应的分段掩码M(m+1)，其中，m为大于2的自然数；
对所述分段掩码Mm+1执行第n层卷积操作，得到第n层对应的分段掩码Mn；
其中，n为大于m+1的自然数。
4.根据权利要求3所述的分类方法，其特征在于，所述分段掩码与卷积操作对应的卷积层值之间满足：
所述卷积层值从1至n/2，每层对应的所述分段掩码的矩阵行或列数值逐渐减小；
所述卷积层值从n/2至n，每层对应的所述分段掩码的矩阵行或列数值逐渐增加；
其中，当所述卷积层值为n/2时，所述分段掩码对应的矩阵行或列数值最小。
5.根据权利要求2至4任一项所述的分类方法，其特征在于，在基于第二神经网络算法和所述分段掩码对所述3D核磁共振影像对应的影像序列执行分类操作之前，所述方法还包括：
按照不同所述分段掩码的生成时间的先后顺序，对所述分段掩码进行排序。
6.根据权利要求5所述的分类方法，其特征在于，按照不同所述分段掩码的生成时间的先后顺序，对所述分段掩码进行排序，包括：
将所述卷积层值从n/2至n分别对应的分段掩码，按照卷积层值从大到小的顺序进行排列，得到排序结果。
7.根据权利要求6所述的分类方法，其特征在于，基于第二神经网络算法和所述分段掩码对所述3D核磁共振影像对应的影像序列执行分类操作，得到脑部异常分类结果，包括：
基于第二神经网络算法和所述排序结果对应的所述分段掩码，对所述3D核磁共振影像对应的影像序列执行卷积操作，得到卷积结果；
根据所述卷积结果对脑部异常进行识别和分类。
8.根据权利要求7所述的分类方法，其特征在于，基于第二神经网络算法和各层对应的分段掩码，对所述3D核磁共振影像对应的影像序列执行卷积操作，得到卷积结果，包括：
基于第二神经网络算法和第n层对应的分段掩码Mn，对所述3D核磁共振影像对应的影像序列执行卷积操作，得到第一卷积结果；
基于第二神经网络算法和第n-1层对应的分段掩码Mn-1，对所述第一卷积结果执行卷积操作，得到第二卷积结果；
基于第二神经网络算法和第n-m层对应的分段掩码Mn-m，对所述第m-1卷积结果执行卷积操作，得到第m卷积结果，其中，m为大于等于n/2的自然数。
9.根据权利要求8所述的分类方法，其特征在于，得到脑部异常分类结果，包括：
根据所述第m卷积结果对脑部异常进行分类，得到分类结果。
10.一种基于3D核磁共振影像的脑部异常的分类设备，其特征在于，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由所述至少一个处理器执行以下步骤：
接收待处理的3D核磁共振影像，基于第一神经网络算法对所述3D核磁共振影像对应的影像序列执行卷积操作，得到分段掩码；
基于第二神经网络算法和所述分段掩码对所述3D核磁共振影像对应的影像序列执行分类操作，得到脑部异常分类结果。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810918731.2A CN109190682B (zh) | 2018-08-13 | 2018-08-13 | 一种基于3d核磁共振影像的脑部异常的分类方法及设备 |
| US17/268,221 US11887300B2 (en) | 2018-08-13 | 2018-11-15 | Method and apparatus for classifying a brain anomaly based on a 3D MRI image |
| PCT/CN2018/115535 WO2020034469A1 (en) | 2018-08-13 | 2018-11-15 | Method and apparatus for classifying a brain anomaly based on a 3d mri image |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810918731.2A CN109190682B (zh) | 2018-08-13 | 2018-08-13 | 一种基于3d核磁共振影像的脑部异常的分类方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109190682A true CN109190682A (zh) | 2019-01-11 |
| CN109190682B CN109190682B (zh) | 2020-12-18 |
Family
ID=64921225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810918731.2A Active CN109190682B (zh) | 2018-08-13 | 2018-08-13 | 一种基于3d核磁共振影像的脑部异常的分类方法及设备 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11887300B2 (zh) |
| CN (1) | CN109190682B (zh) |
| WO (1) | WO2020034469A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110110661A (zh) * | 2019-05-07 | 2019-08-09 | 西南石油大学 | 一种基于unet分割的岩石图像孔隙类型识别方法 |
| CN110689960A (zh) * | 2019-09-24 | 2020-01-14 | 广州大学 | 一种乳腺癌的智能判别方法、装置、设备及存储介质 |
| CN114638878A (zh) * | 2022-03-18 | 2022-06-17 | 北京安德医智科技有限公司 | 基于深度学习的二维超声心动图管径检测方法及装置 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862136A (zh) * | 2020-06-22 | 2020-10-30 | 南开大学 | 基于卷积神经网络的多模态核磁影像缺血性脑卒中病变分割方法 |
| CN113012168B (zh) * | 2021-03-24 | 2022-11-04 | 哈尔滨理工大学 | 一种基于卷积神经网络的脑胶质瘤mri图像分割方法 |
| CN113194334B (zh) * | 2021-04-16 | 2023-06-06 | 厦门智瞳科技有限公司 | 一种保护隐私的图像处理方法、装置、终端及存储介质 |
| CN113077021A (zh) * | 2021-06-07 | 2021-07-06 | 广州天鹏计算机科技有限公司 | 基于机器学习的电子病历多维挖掘方法 |
| CN114266769B (zh) * | 2022-03-01 | 2022-06-21 | 北京鹰瞳科技发展股份有限公司 | 一种基于神经网络模型进行眼部疾病识别的系统及其方法 |
| GB2621332B (en) * | 2022-08-08 | 2024-09-11 | Twinn Health Ltd | A method and an artificial intelligence system for assessing an MRI image |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4921882B2 (ja) * | 2006-07-31 | 2012-04-25 | 株式会社東芝 | 脳血管診断装置及び医用画像診断装置 |
| CN103366180A (zh) * | 2013-06-14 | 2013-10-23 | 山东大学 | 一种基于自动特征学习的细胞图像分割方法 |
| CN106096616A (zh) * | 2016-06-08 | 2016-11-09 | 四川大学华西医院 | 一种基于深度学习的磁共振影像特征提取及分类方法 |
| CN106250707A (zh) * | 2016-08-12 | 2016-12-21 | 王双坤 | 一种基于深度学习算法处理头部结构像数据的方法 |
| CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
| CN107133461A (zh) * | 2017-04-26 | 2017-09-05 | 中国人民解放军总医院 | 一种基于自编码器的医学图像处理装置与方法 |
| CN107145727A (zh) * | 2017-04-26 | 2017-09-08 | 中国人民解放军总医院 | 一种利用卷积神经网络的医学图像处理装置与方法 |
| CN107220980A (zh) * | 2017-05-25 | 2017-09-29 | 重庆理工大学 | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 |
| CN107492071A (zh) * | 2017-08-17 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像处理方法及设备 |
| CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术（北京）有限公司 | 用于分析医学影像的方法和装置 |
| CN108053417A (zh) * | 2018-01-30 | 2018-05-18 | 浙江大学 | 一种基于混合粗分割特征的3DU-Net网络的肺分割装置 |
| CN108346145A (zh) * | 2018-01-31 | 2018-07-31 | 浙江大学 | 一种病理切片中非常规细胞的识别方法 |
| CN108389190A (zh) * | 2018-02-08 | 2018-08-10 | 贵州联科卫信科技有限公司 | 一种基于深度学习方法的肺结节自动检测方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201307590D0 (en) * | 2013-04-26 | 2013-06-12 | St Georges Hosp Medical School | Processing imaging data to obtain tissue type information |
| EP3380859A4 (en) * | 2015-11-29 | 2019-07-31 | Arterys Inc. | AUTOMATED SEGMENTATION OF CARDIAC VOLUME |
| CN107016681B (zh) * | 2017-03-29 | 2023-08-25 | 浙江师范大学 | 基于全卷积网络的脑部mri肿瘤分割方法 |
| CN107067395B (zh) * | 2017-04-26 | 2022-01-25 | 中国人民解放军总医院 | 一种基于卷积神经网络的核磁共振图像处理装置与方法 |
| GB201709672D0 (en) * | 2017-06-16 | 2017-08-02 | Ucl Business Plc | A system and computer-implemented method for segmenting an image |
| CN107492099B (zh) * | 2017-08-28 | 2021-08-20 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析系统以及存储介质 |
| WO2019113712A1 (en) * | 2017-12-14 | 2019-06-20 | Khademi April | Method and system for standardized processing of mr images |
| US20220386872A1 (en) * | 2018-04-24 | 2022-12-08 | Washington University | Methods and systems for noninvasive and localized brain liquid biopsy using focused ultrasound |
-
2018
- 2018-08-13 CN CN201810918731.2A patent/CN109190682B/zh active Active
- 2018-11-15 WO PCT/CN2018/115535 patent/WO2020034469A1/en active Application Filing
- 2018-11-15 US US17/268,221 patent/US11887300B2/en active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4921882B2 (ja) * | 2006-07-31 | 2012-04-25 | 株式会社東芝 | 脳血管診断装置及び医用画像診断装置 |
| CN103366180A (zh) * | 2013-06-14 | 2013-10-23 | 山东大学 | 一种基于自动特征学习的细胞图像分割方法 |
| CN106096616A (zh) * | 2016-06-08 | 2016-11-09 | 四川大学华西医院 | 一种基于深度学习的磁共振影像特征提取及分类方法 |
| CN106250707A (zh) * | 2016-08-12 | 2016-12-21 | 王双坤 | 一种基于深度学习算法处理头部结构像数据的方法 |
| CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
| CN107133461A (zh) * | 2017-04-26 | 2017-09-05 | 中国人民解放军总医院 | 一种基于自编码器的医学图像处理装置与方法 |
| CN107145727A (zh) * | 2017-04-26 | 2017-09-08 | 中国人民解放军总医院 | 一种利用卷积神经网络的医学图像处理装置与方法 |
| CN107220980A (zh) * | 2017-05-25 | 2017-09-29 | 重庆理工大学 | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 |
| CN107492071A (zh) * | 2017-08-17 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像处理方法及设备 |
| CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术（北京）有限公司 | 用于分析医学影像的方法和装置 |
| CN108053417A (zh) * | 2018-01-30 | 2018-05-18 | 浙江大学 | 一种基于混合粗分割特征的3DU-Net网络的肺分割装置 |
| CN108346145A (zh) * | 2018-01-31 | 2018-07-31 | 浙江大学 | 一种病理切片中非常规细胞的识别方法 |
| CN108389190A (zh) * | 2018-02-08 | 2018-08-10 | 贵州联科卫信科技有限公司 | 一种基于深度学习方法的肺结节自动检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| AHMED HAROUNI 等: "UNIVERSAL MULTI-MODAL DEEP NETWORK FOR CLASSIFICATION AND SEGMENTATION OF MEDICAL IMAGES", 《2018 IEEE 15TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI 2018)》 * |
| DALILA CHERIFI 等: "Abnormal tissus extraction in MRI Brain medical images", 《2011 7TH INTERNATIONAL WORKSHOP ON SYSTEMS，SIGNAL PROCESSING AND THEIR APPLICATIONS(WOSSPA)》 * |
| OLAF RONNEBERGER 等: "U-Net: Convolutional Networks for Biomedical Image Segmentation", 《ARXIV:1505.04597V1》 * |
| YANG DENG 等: "A Strategy of MR Brain Tissue Images Suggestive Annotation Based on Modified U-Net", 《ARXIV:1807.07510V4》 * |
| 张喜红: "基于BP神经网络脑部CT图像模式分类方法的研究", 《伊犁师范学院学报(自然科学版)》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110110661A (zh) * | 2019-05-07 | 2019-08-09 | 西南石油大学 | 一种基于unet分割的岩石图像孔隙类型识别方法 |
| CN110689960A (zh) * | 2019-09-24 | 2020-01-14 | 广州大学 | 一种乳腺癌的智能判别方法、装置、设备及存储介质 |
| CN114638878A (zh) * | 2022-03-18 | 2022-06-17 | 北京安德医智科技有限公司 | 基于深度学习的二维超声心动图管径检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020034469A1 (en) | 2020-02-20 |
| CN109190682B (zh) | 2020-12-18 |
| US20210319555A1 (en) | 2021-10-14 |
| US11887300B2 (en) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109190682A (zh) | 一种基于3d核磁共振影像的脑部异常的分类方法及设备 | |
| CN109872328A (zh) | 一种脑部图像分割方法、装置和存储介质 | |
| CN109785928A (zh) | 诊疗方案推荐方法、装置及存储介质 | |
| CN109409503B (zh) | 神经网络的训练方法、图像转换方法、装置、设备及介质 | |
| CN108986891A (zh) | 医疗影像处理方法及装置、电子设备及存储介质 | |
| CN109671076A (zh) | 血管分割方法、装置、电子设备及存储介质 | |
| CN110097550A (zh) | 一种基于深度学习的医学图像分割方法及系统 | |
| CN107492099A (zh) | 医学图像分析方法、医学图像分析系统以及存储介质 | |
| CN107145756A (zh) | 一种脑卒中类型预测方法以及装置 | |
| CN109003267A (zh) | 从3d图像自动检测目标对象的计算机实现方法和系统 | |
| CN110335276B (zh) | 医学图像分割模型、方法、存储介质及电子设备 | |
| CN110070540A (zh) | 图像生成方法、装置、计算机设备及存储介质 | |
| CN110047068A (zh) | 基于金字塔场景分析网络的mri脑肿瘤分割方法及系统 | |
| CN109658400A (zh) | 一种基于头颅ct影像的评分方法及系统 | |
| CN114638292B (zh) | 一种基于多尺度分析的人工智能病理辅助诊断系统 | |
| CN109864737A (zh) | 一种心电信号中p波识别方法和系统 | |
| CN110148195A (zh) | 一种磁共振图像生成方法、系统、终端及存储介质 | |
| CN109816666A (zh) | 对称全卷积神经网络模型构建方法、眼底图像血管分割方法、装置、计算机设备及存储介质 | |
| CN111785366A (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
| CN116167990B (zh) | 基于图像的目标识别、神经网络模型处理方法 | |
| CN110246216A (zh) | 脊柱模型生成方法、脊柱模型生成系统及终端 | |
| CN110796064B (zh) | 人体肌肉图像的建立方法、装置、存储介质及电子设备 | |
| CN112365962A (zh) | 基于肺部ct影像和临床信息的医疗资源分配方法及设备 | |
| CN114332947A (zh) | 一种图像分类系统及终端设备 | |
| EP3164069A1 (en) | Systems and methods for identifying and profiling muscle patterns |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A classification method and equipment of brain abnormalities based on 3D NMR images Effective date of registration: 20220715 Granted publication date: 20201218 Pledgee: Su Qiwen Pledgor: BEIJING ANDE YIZHI TECHNOLOGY Co.,Ltd. Registration number: Y2022990000432 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20201218 Pledgee: Su Qiwen Pledgor: BEIJING ANDE YIZHI TECHNOLOGY Co.,Ltd. Registration number: Y2022990000432 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right |