CN109300531A - 一种脑疾病早期诊断方法和装置 - Google Patents
一种脑疾病早期诊断方法和装置 Download PDFInfo
- Publication number
- CN109300531A CN109300531A CN201810974665.0A CN201810974665A CN109300531A CN 109300531 A CN109300531 A CN 109300531A CN 201810974665 A CN201810974665 A CN 201810974665A CN 109300531 A CN109300531 A CN 109300531A
- Authority
- CN
- China
- Prior art keywords
- image
- mri
- pet
- characteristic pattern
- layer
- 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
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种脑疾病早期诊断方法和装置,该脑疾病早期诊断方法包括:对至少一张MRI图像及PET图像进行预处理,获得脑部的MRI预处理图像及PET预处理图像,其中,所述MRI图像与所述PET体素数量一致且体素对应;将所述MRI预处理图像及所述PET预处理图像分别输入对应的预先建立的3D‑CNN模型中,获得MRI特征图及PET特征图;将所述MRI特征图及PET特征图级联输入预先建立的SBi‑RNN模型中,获得诊断结果。本发明的脑疾病早期诊断方法,利用图像识别方法可以有效提高脑疾病早期诊断的准确率,并使用SBi‑RNN来代替全连接处理3D‑CNN输出的特征图,进一步提高诊断的性能。
Description
技术领域
本发明涉及退行性疾病诊断技术领域,具体而言,涉及一种脑疾病早期诊断方法和装置。
背景技术
现有的脑疾病诊断手段主要由医疗保健人员直接观察患者的MRI图像(MRI,核磁共振)和PET图像(PET,正电子发射层扫描),进而得出诊断结果。
例如阿尔兹海默病,简称AD(AD,Alzheimer disease),是一种脑疾病,是老年人痴呆的主要原因,患者人数逐年上升。在阿尔兹海默病的症状逐渐显现前,如果可以早期发现阿尔兹海默病,并及时治疗,可以有效防止患者病情的不断恶化。
但是对于类似于阿尔兹海默病等这种脑疾病,利用现有的脑疾病诊断手段进行早期诊断,由于碍于医疗保健人员的主观性,其确诊效果是不理想的,诊断准确率相对较低。
发明内容
鉴于上述问题,本发明提供了一种脑疾病早期诊断方法和装置,以有效提高脑疾病早期诊断的准确率。
为了实现上述目的,本发明采用如下的技术方案:
一种脑疾病早期诊断方法,包括:
对至少一张MRI图像及PET图像进行预处理,获得脑部的MRI预处理图像及PET预处理图像,其中,所述MRI图像与所述PET体素数量一致且体素对应;
将所述MRI预处理图像及所述PET预处理图像分别输入对应的预先建立的3D-CNN模型中,获得MRI特征图及PET特征图;
将所述MRI特征图及PET特征图级联输入预先建立的SBi-RNN模型中,获得诊断结果。
优选地,所述“对至少一张脑部的MRI图像及PET图像进行预处理,获得MRI预处理图像及PET预处理图像”包括:
利用AC-PC线对所述MRI图像进行矫正;
利用颅骨剥离和小脑切除的图像切割方法处理矫正后的所述MRI图像,获得大脑MRI图像,并将所述大脑MRI图像分割为灰质图像、白质图像和脑脊液图像;
将所述灰质图像及所述PET图像进行降采样处理,从而将所述灰质图像及所述PET图像的体素调节到64×64×64。
优选地,所述预先建立的3D-CNN模型包括内核过滤器、卷积层及修正线性单元,其中,所述卷积层将输入图像与所述内核过滤器进行卷积,所述修正线性单元用于激活所述卷积层,所述内核过滤器输出特征图。
优选地,所述卷积层的运算函数包括:
式中,x,y和z为输入图像的三维体素坐标值;为第j个3D核权重,连接于l-1层的第k个特征图和l层的第j个特征图;是l-1层的第k个特征映射;δx,δy和δz分别为x,y和z的核大小;为所述内核过滤器的卷积响应。
优选地,所述修正线性单元的运算函数包括:
式中,为第l层的第j个特征的偏置项。
优选地,所述预先建立的SBi-RNN模型包括输入层、隐藏层和输出层,其中,输入层中包括多个输入单元;隐藏层中包括多个隐藏单元,且所述多个隐藏单元相邻间链接;隐藏单元接收输入单元的信息,且接收上一隐藏单元的输出信息。
优选地,所述SBi-RNN模型的运算函数包括:
st=f(Uxt+Wst-1),ot=SoftMax(Vst)
式中,st定义为每个节点,xt为第t个单元的输入,U是从输入层到隐藏层的权重,W为前一个单元到当前单元的连接权重,f为激活函数;SoftMax为分类器,V为从隐藏层到输出层的权重,ot为输出的最终结果。
本发明还提供一种脑疾病早期诊断装置,包括:
预处理模块,用于对至少一张MRI图像及PET图像进行预处理,获得脑部的MRI预处理图像及PET预处理图像,其中,所述MRI图像与所述PET体素数量一致且体素对应;
特征提取模块,用于将所述MRI预处理图像及所述PET预处理图像分别输入对应的预先建立的3D-CNN模型中,获得MRI特征图及PET特征图;
诊断模块,用于将所述MRI特征图及PET特征图级联输入预先建立的SBi-RNN模型中,获得诊断结果。
优选地,所述预处理模块包括:
矫正单元,用于利用AC-PC线对所述MRI图像进行矫正;
图像切割单元,用于利用颅骨剥离和小脑切除的图像切割方法处理矫正后的所述MRI图像,获得大脑MRI图像,并将所述大脑MRI图像分割为灰质图像、白质图像和脑脊液图像;
降采样单元,用于将所述灰质图像及所述PET图像进行降采样处理,从而将所述灰质图像及所述PET图像的体素调节到64×64×64。
优选地,所述预先建立的3D-CNN模型包括内核过滤器、卷积层及修正线性单元,其中,所述卷积层将输入图像与所述内核过滤器进行卷积,所述修正线性单元用于激活所述卷积层,所述内核过滤器输出特征图。
本发明提供一种脑疾病早期诊断方法,该方法包括:对至少一张MRI图像及PET图像进行预处理,获得脑部的MRI预处理图像及PET预处理图像,其中,所述MRI图像与所述PET体素数量一致且体素对应;将所述MRI预处理图像及所述PET预处理图像分别输入对应的预先建立的3D-CNN模型中,获得MRI特征图及PET特征图;将所述MRI特征图及PET特征图级联输入预先建立的SBi-RNN模型中,获得诊断结果。本发明的脑疾病早期诊断方法,利用图像识别方法可以有效提高脑疾病早期诊断的准确率,并使用SBi-RNN来代替全连接处理3D-CNN输出的特征图,进一步提高诊断的性能。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明范围的限定。
图1是本发明实施例1提供的一种脑疾病早期诊断方法的流程图;
图2是本发明实施例1提供的一种脑疾病的神经网络诊断框架的结构示意图;
图3是本发明实施例2提供的一种脑疾病早期诊断方法的预处理的流程图;
图4是本发明实施例3提供的一种脑疾病早期诊断装置的结构示意图;
图5是本发明实施例3提供的一种脑疾病早期诊断装置的预处理模块的结构示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
图1是本发明实施例1提供的一种脑疾病早期诊断方法的流程图,该方法包括如下步骤:
步骤S11:对至少一张MRI图像及PET图像进行预处理,获得脑部的MRI预处理图像及PET预处理图像,其中,MRI图像与PET体素数量一致且体素对应。
本发明实施例中,可以先对进行诊断病人的MRI图像及PET图像进行预处理,获得预处理后的图像在进行诊断。其中,该MRI图像及PET图像的体素是一致的,因此数量是一致的,并且多张MRI图像或PET图像可以构成完整的立体图形,因此要求MRI图像的体素与PET图像的体素也要对应。并且该预处理过程可以将原本为数量众多的截层扫描图处理为3D立体图像,以便输入3D-CNN模型进行3D卷积。
本发明实施例中,由于脑疾病与人脑中的灰质高度相关,在预处理过程中还可以将图像的脑部灰质部分分割出来,形成灰质图像,然后进行后续的诊断,从而有效减少诊断过程的运算量,并且不会牺牲诊断的精度。其中,上述预处理过程可以利用算法或应用程序来实现,例如,可以使用核磁共振处理软件FSL对MRI图像进行分割处理,利用FAST操作将MRI灰质图像分割出来。同样地,还可以利用图像识别算法来处理,并分割出灰质图像,这里不做限定。
步骤S12:将MRI预处理图像及PET预处理图像分别输入对应的预先建立的3D-CNN模型中,获得MRI特征图及PET特征图。
本发明实施例中,3D-CNN即三维卷积神经网络,该三维卷积神经网络是一种特殊的神经网络,通过交替堆叠卷积子采样层来构建3D卷积核,其中,该子采样层可以分层地学习多级特征,因此,该预先建立的3D-CNN模型为一种深度学习模型。其中,预先建立的3D-CNN模型包括内核过滤器、卷积层及修正线性单元,其中,卷积层将输入图像与内核过滤器进行卷积,修正线性单元用于激活卷积层,内核过滤器输出特征图。
该卷积层的运算函数包括:
式中,x,y和z为输入图像的三维体素坐标值;为第j个3D核权重,连接于l-1层的第k个特征图和l层的第j个特征图;是l-1层的第k个特征映射;δx,δy和δz分别为x,y和z的核大小;为内核过滤器的卷积响应。
该修正线性单元的运算函数包括:
式中,为第l层的第j个特征的偏置项。
本发明实施例中,3D-CNN模型的卷积层可以将输入的图像与进行学习训练后的内核过滤器卷积在一起,然后通过算法在卷积和非线性激活函数中添加偏差项,其中,这里使用修正线性单元(ReLU)进行激活,最后则可在3D-CNN模型的每个内核过滤器中获得一系列的特征图。其中,在每个卷积层之后,还可以添加一个池化层,例如可以添加平均池化层或最大池化层。本发明实施例可以使用最大池化层,利用最大池化层替换每个多维数据集的最大值,从而可以减小沿空间维度的要素,使3D-CNN模型更紧凑和高效。
步骤S13:将MRI特征图及PET特征图级联输入预先建立的SBi-RNN模型中,获得诊断结果。
本发明实施例中,SBi-RNN即堆叠双向递归神经网络。该SBi-RNN模型用于与上述3D-CNN模型连接,并取代3D-CNN模型的全连接层,接收3D-CNN模型输出的特征图,进一步进行强化特征分析,从而获得诊断结果。预先建立的SBi-RNN模型包括输入层、隐藏层和输出层,其中,输入层中包括多个输入单元;隐藏层中包括多个隐藏单元,且多个隐藏单元相邻间链接;隐藏单元接收输入单元的信息,且接收上一隐藏单元的输出信息。
该SBi-RNN模型的运算函数包括:
st=f(Uxt+Wst-1),ot=SoftMax(Vst)
式中,st定义为每个节点,xt为第t个单元的输入,U是从输入层到隐藏层的权重,W为前一个单元到当前单元的连接权重,f为激活函数;SoftMax为分类器,V为从隐藏层到输出层的权重,ot为输出的最终结果。
本发明实施例中,该SBi-RNN模型可以一次处理输入序列的一个元素,其隐藏单元可以维护一个状态向量,该状态向量中包含有序列中过去元素的信息。该SBi-RNN模型在处理输入序列时可以从前后两个方向扫描序列,从而可以获取输入序列特征中的前后信息,并且通过堆叠多个递归神经网络RNN小区来提高SBi-RNN模型的深度,从而获取更深的特征。
该SBi-RNN模型在处理输入序列时可以从前后两个方向扫描序列,即该SBi-RNN模型具有前向传播以及后向传播的特点,因此可以通过前向传播以及后向传播说明整个SBi-RNN模型的运算过程,例如:
定义一个输入序列x,长度为T,该SBi-RNN模型的输入单元为I,输出单元为K。可以将定义为在时间t的第i个输入,设和分别表示SBi-RNN模型在时间t下,元素j的输入以及非线性可识别激活函数的输出。则对于完整的隐式单元序列,可以通过递归调用以下算式得到:
同时,SBi-RNN模型的输出层的输出单元可以计算为:
在SBi-RNN模型中,目标函数取决于隐藏层的激活函数,即该目标函数不仅取决于对输出层的影响,还取决于对下一隐藏层的影响,算法表达为:
最终,隐藏层的隐藏单元的输入及输出权重是相同的,因此可以将输入序列进行求和获得SBi-RNN模型权重的导数:
综上实施例所有步骤,本发明实施例还可以提出一个基于深度学习的脑疾病的神经网络诊断框架,如图3所示,该神经网络诊断框架200包括输入端210、特征提取端220、诊断端230以及输出端240,其中该特征提取端220包括两个3D-CNN模型,分别接收3D的MRI图像以及PET图像,输出级联的2D特征图221,并将该特征图输入包括SBi-RNN模型的诊断端230进行诊断,输出结果。
该神经网络诊断框架200在进行诊断工作的投入前,还可以进行相应深度学习训练以及效果验证。例如,在训练过程中,该两个3D-CNN模型的训练样本分别为预处理后的PET图像以及MRI图像;相应地该SBi-RNN模型的训练样本中,上述两个3D-CNN模型训练过程中输出的特征图为输入样本,PET图像以及MRI图像相应正确诊断结果为输出训练样本。该该神经网络诊断框架200训练过后,效果验证过程可以在训练过程中采用交叉验证的方式来进行,例如在训练过程中采用10组样本,9组样本用于训练,1组样本用于验证。
实施例2
图3是本发明实施例2提供的一种脑疾病早期诊断方法的预处理的流程图,包括如下步骤:
步骤S31:利用AC-PC线对MRI图像进行矫正。
步骤S32:利用颅骨剥离和小脑切除的图像切割方法处理矫正后的MRI图像,获得大脑MRI图像,并将大脑MRI图像分割为灰质图像、白质图像和脑脊液图像。
步骤S33:将灰质图像及PET图像进行降采样处理,从而将灰质图像及PET图像的体素调节到64×64×64。
本发明实施例中,将灰质图像以及PET图像降低采样体素可以有效减少运算时间,且不会牺牲诊断精度,从而提高诊断的效率。
实施例3
图4是本发明实施例3提供的一种脑疾病早期诊断装置的结构示意图。
该脑疾病早期诊断装置400包括:
预处理模块410,用于对至少一张MRI图像及PET图像进行预处理,获得脑部的MRI预处理图像及PET预处理图像,其中,MRI图像与PET体素数量一致且体素对应。
特征提取模块420,用于将MRI预处理图像及PET预处理图像分别输入对应的预先建立的3D-CNN模型中,获得MRI特征图及PET特征图。
诊断模块430,用于将MRI特征图及PET特征图级联输入预先建立的SBi-RNN模型中,获得诊断结果。
本发明实施例中,预先建立的3D-CNN模型包括内核过滤器、卷积层及修正线性单元,其中,卷积层将输入图像与内核过滤器进行卷积,修正线性单元用于激活卷积层,内核过滤器输出特征图。
如图5所示,该预处理模块410包括:
矫正单元411,用于利用AC-PC线对MRI图像进行矫正;
图像切割单元412,用于利用颅骨剥离和小脑切除的图像切割方法处理矫正后的MRI图像,获得大脑MRI图像,并将大脑MRI图像分割为灰质图像、白质图像和脑脊液图像;
降采样单元413,用于将灰质图像及PET图像进行降采样处理,从而将灰质图像及PET图像的体素调节到64×64×64。
本发明实施例中,上述各个模块及单元更加详细的功能描述可以参考前述实施例中相应部分的内容,在此不再赘述。
此外,本发明还提供了一种计算机设备,该计算机设备可以包括智能电话、平板电脑、服务器等。该计算机设备包括存储器和处理器,存储器可用于存储计算机程序,处理器通过运行所述计算机程序,从而使计算机设备执行上述方法或者上述脑疾病早期诊断装置中的各个模块的功能。
存储器可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本实施例还提供了一种计算机存储介质,用于储存上述计算机设备中使用的计算机程序。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种脑疾病早期诊断方法,其特征在于,包括:
对至少一张MRI图像及PET图像进行预处理,获得脑部的MRI预处理图像及PET预处理图像,其中,所述MRI图像与所述PET体素数量一致且体素对应;
将所述MRI预处理图像及所述PET预处理图像分别输入对应的预先建立的3D-CNN模型中,获得MRI特征图及PET特征图;
将所述MRI特征图及PET特征图级联输入预先建立的SBi-RNN模型中,获得诊断结果。
2.根据权利要求1所述的脑疾病早期诊断方法,其特征在于,所述“对至少一张脑部的MRI图像及PET图像进行预处理,获得MRI预处理图像及PET预处理图像”包括:
利用AC-PC线对所述MRI图像进行矫正;
利用颅骨剥离和小脑切除的图像切割方法处理矫正后的所述MRI图像,获得大脑MRI图像,并将所述大脑MRI图像分割为灰质图像、白质图像和脑脊液图像;
将所述灰质图像及所述PET图像进行降采样处理,从而将所述灰质图像及所述PET图像的体素调节到64×64×64。
3.根据权利要求1所述的脑疾病早期诊断方法,其特征在于,所述预先建立的3D-CNN模型包括内核过滤器、卷积层及修正线性单元,其中,所述卷积层将输入图像与所述内核过滤器进行卷积,所述修正线性单元用于激活所述卷积层,所述内核过滤器输出特征图。
4.根据权利要求3所述的脑疾病早期诊断方法,其特征在于,所述卷积层的运算函数包括:
式中,x,y和z为输入图像的三维体素坐标值;为第j个3D核权重,连接于l-1层的第k个特征图和l层的第j个特征图;是l-1层的第k个特征映射;δx,δy和δz分别为x,y和z的核大小;为所述内核过滤器的卷积响应。
5.根据权利要求3所述的脑疾病早期诊断方法,其特征在于,所述修正线性单元的运算函数包括:
式中,为第l层的第j个特征的偏置项。
6.根据权利要求1所述的脑疾病早期诊断方法,其特征在于,所述预先建立的SBi-RNN模型包括输入层、隐藏层和输出层,其中,输入层中包括多个输入单元;隐藏层中包括多个隐藏单元,且所述多个隐藏单元相邻间链接;隐藏单元接收输入单元的信息,且接收上一隐藏单元的输出信息。
7.根据权利要求6所述的脑疾病早期诊断方法,其特征在于,所述SBi-RNN模型的运算函数包括:
st=f(Uxt+Wst-1),ot=SoftMax(Vst)
式中,st定义为每个节点,xt为第t个单元的输入,U是从输入层到隐藏层的权重,W为前一个单元到当前单元的连接权重,f为激活函数;SoftMax为分类器,V为从隐藏层到输出层的权重,ot为输出的最终结果。
8.一种脑疾病早期诊断装置,其特征在于,包括:
预处理模块,用于对至少一张MRI图像及PET图像进行预处理,获得脑部的MRI预处理图像及PET预处理图像,其中,所述MRI图像与所述PET图像体素数量一致且体素对应;
特征提取模块,用于将所述MRI预处理图像及所述PET预处理图像分别输入对应的预先建立的3D-CNN模型中,获得MRI特征图及PET特征图;
诊断模块,用于将所述MRI特征图及PET特征图级联输入预先建立的SBi-RNN模型中,获得诊断结果。
9.根据权利要求8所述的脑疾病早期诊断装置,其特征在于,所述预处理模块包括:
矫正单元,用于利用AC-PC线对所述MRI图像进行矫正;
图像切割单元,用于利用颅骨剥离和小脑切除的图像切割方法处理矫正后的所述MRI图像,获得大脑MRI图像,并将所述大脑MRI图像分割为灰质图像、白质图像和脑脊液图像;
降采样单元,用于将所述灰质图像及所述PET图像进行降采样处理,从而将所述灰质图像及所述PET图像的体素调节到64×64×64。
10.根据权利要求8所述的脑疾病早期诊断装置,其特征在于,所述预先建立的3D-CNN模型包括内核过滤器、卷积层及修正线性单元,其中,所述卷积层将输入图像与所述内核过滤器进行卷积,所述修正线性单元用于激活所述卷积层,所述内核过滤器输出特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810974665.0A CN109300531A (zh) | 2018-08-24 | 2018-08-24 | 一种脑疾病早期诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810974665.0A CN109300531A (zh) | 2018-08-24 | 2018-08-24 | 一种脑疾病早期诊断方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109300531A true CN109300531A (zh) | 2019-02-01 |
Family
ID=65165301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810974665.0A Pending CN109300531A (zh) | 2018-08-24 | 2018-08-24 | 一种脑疾病早期诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109300531A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109820507A (zh) * | 2019-03-25 | 2019-05-31 | 钟霁媛 | 疾病辅助诊断方法及装置 |
CN110246566A (zh) * | 2019-04-24 | 2019-09-17 | 中南大学湘雅二医院 | 基于卷积神经网络的品行障碍确定方法、系统和存储介质 |
CN111178429A (zh) * | 2019-11-25 | 2020-05-19 | 上海联影智能医疗科技有限公司 | 利用患者深度图像提供医疗指导的系统和方法 |
CN111199253A (zh) * | 2019-12-30 | 2020-05-26 | 北京小白世纪网络科技有限公司 | 基于3d cnn深度学习的前列腺癌症图像识别方法 |
WO2020168696A1 (zh) * | 2019-02-22 | 2020-08-27 | 未艾医疗技术(深圳)有限公司 | 基于VRDS 4D医学影像的动脉与静脉Ai处理方法及产品 |
CN113951834A (zh) * | 2021-11-30 | 2022-01-21 | 湖南应超智能计算研究院有限责任公司 | 基于视觉Transformer算法的阿尔兹海默症分类预测方法 |
TWI768483B (zh) * | 2020-09-28 | 2022-06-21 | 臺北醫學大學 | 用於識別腦白質高信號之方法及裝置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106649514A (zh) * | 2015-10-16 | 2017-05-10 | 百度(美国)有限责任公司 | 用于受人启发的简单问答(hisqa)的系统和方法 |
EP3252671A1 (en) * | 2016-05-31 | 2017-12-06 | Siemens Healthcare GmbH | Method of training a deep neural network |
CN108198625A (zh) * | 2016-12-08 | 2018-06-22 | 北京推想科技有限公司 | 一种分析高维医疗数据的深度学习方法和装置 |
-
2018
- 2018-08-24 CN CN201810974665.0A patent/CN109300531A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649514A (zh) * | 2015-10-16 | 2017-05-10 | 百度(美国)有限责任公司 | 用于受人启发的简单问答(hisqa)的系统和方法 |
EP3252671A1 (en) * | 2016-05-31 | 2017-12-06 | Siemens Healthcare GmbH | Method of training a deep neural network |
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 |
CN108198625A (zh) * | 2016-12-08 | 2018-06-22 | 北京推想科技有限公司 | 一种分析高维医疗数据的深度学习方法和装置 |
Non-Patent Citations (1)
Title |
---|
卓奕楠等: "基于多模态典型相关特征表达的阿尔兹海默病诊断", 《中国生物医学工程学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020168696A1 (zh) * | 2019-02-22 | 2020-08-27 | 未艾医疗技术(深圳)有限公司 | 基于VRDS 4D医学影像的动脉与静脉Ai处理方法及产品 |
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 |
CN110246566A (zh) * | 2019-04-24 | 2019-09-17 | 中南大学湘雅二医院 | 基于卷积神经网络的品行障碍确定方法、系统和存储介质 |
CN111178429A (zh) * | 2019-11-25 | 2020-05-19 | 上海联影智能医疗科技有限公司 | 利用患者深度图像提供医疗指导的系统和方法 |
CN111199253A (zh) * | 2019-12-30 | 2020-05-26 | 北京小白世纪网络科技有限公司 | 基于3d cnn深度学习的前列腺癌症图像识别方法 |
TWI768483B (zh) * | 2020-09-28 | 2022-06-21 | 臺北醫學大學 | 用於識別腦白質高信號之方法及裝置 |
CN113951834A (zh) * | 2021-11-30 | 2022-01-21 | 湖南应超智能计算研究院有限责任公司 | 基于视觉Transformer算法的阿尔兹海默症分类预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109300531A (zh) | 一种脑疾病早期诊断方法和装置 | |
CN110378381B (zh) | 物体检测方法、装置和计算机存储介质 | |
US10891537B2 (en) | Convolutional neural network-based image processing method and image processing apparatus | |
CN107622485B (zh) | 一种融合深度张量神经网络的医学影像数据分析方法和系统 | |
Li et al. | Deep learning segmentation of optical microscopy images improves 3-D neuron reconstruction | |
Suryawati et al. | Deep structured convolutional neural network for tomato diseases detection | |
CN110175630B (zh) | 用于近似深入神经网络以用于解剖对象检测的方法和系统 | |
Li et al. | Deep learning based imaging data completion for improved brain disease diagnosis | |
CN108229490A (zh) | 关键点检测方法、神经网络训练方法、装置和电子设备 | |
CN107408209A (zh) | 无需取样及特征选择的自动缺陷分类 | |
CN109993707A (zh) | 图像去噪方法和装置 | |
CN111832592B (zh) | Rgbd显著性检测方法以及相关装置 | |
CN108542390A (zh) | 基于多对比度磁共振影像的血管斑块成分识别方法 | |
CN110111325A (zh) | 神经影像分类方法、计算机终端及计算机可读存储介质 | |
CN110859642B (zh) | 一种基于AlexNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质 | |
CN111583285A (zh) | 一种基于边缘关注策略的肝脏影像语义分割方法 | |
CN112836602B (zh) | 基于时空特征融合的行为识别方法、装置、设备及介质 | |
CN113392937A (zh) | 一种3d点云数据分类方法及其相关装置 | |
CN115409846A (zh) | 一种基于深度学习的结直肠癌病灶区域轻量级分割方法 | |
Mahbub et al. | Detect bangladeshi mango leaf diseases using lightweight convolutional neural network | |
CN109034218A (zh) | 模型训练方法、装置、设备及存储介质 | |
CN115909016B (zh) | 基于GCN分析fMRI图像的系统、方法、电子设备及介质 | |
CN113627404B (zh) | 基于因果推断的高泛化人脸替换方法、装置和电子设备 | |
CN116977343A (zh) | 图像处理方法、装置、设备、存储介质及程序产品 | |
CN110674872B (zh) | 一种高维磁共振影像的分类方法及装置 |
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: 20190201 |