CN110189302A - 脑图像分析方法、计算机设备和可读存储介质 - Google Patents

脑图像分析方法、计算机设备和可读存储介质 Download PDF

Info

Publication number
CN110189302A
CN110189302A CN201910374538.1A CN201910374538A CN110189302A CN 110189302 A CN110189302 A CN 110189302A CN 201910374538 A CN201910374538 A CN 201910374538A CN 110189302 A CN110189302 A CN 110189302A
Authority
CN
China
Prior art keywords
brain
sample
node
feature matrix
connection
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
Application number
CN201910374538.1A
Other languages
English (en)
Other versions
CN110189302B (zh
Inventor
邢潇丹
石峰
詹翊强
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.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare Co Ltd
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 Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN202111271561.1A priority Critical patent/CN113902732A/zh
Priority to CN201910374538.1A priority patent/CN110189302B/zh
Publication of CN110189302A publication Critical patent/CN110189302A/zh
Application granted granted Critical
Publication of CN110189302B publication Critical patent/CN110189302B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种脑图像分析方法、计算机设备和可读存储介质，该方法包括：接收脑结构图像，从脑结构图像中提取各脑区的特征信息作为节点特征；接收脑功能图像，从脑功能图像中提取各脑区间的功能连接信息作为节点间的连接；将节点特征和节点间的连接构建成图特性矩阵；将图特性矩阵输入训练模型，得到分析结果，其中，训练模型为样本脑结构图像和样本脑功能图像构建的样本图特性矩阵，输入图网络中训练得到的模型。该方法中由于输入的图特性矩阵包含了脑结构图像中各脑区的特征信息和脑功能图像中各脑区间的功能连接信息，能够更加全面准确的反映脑图像信息；另外，利用训练模型能够快速的对图特性矩阵进行分析，提高了对图特性矩阵的分析效率。

Description

脑图像分析方法、计算机设备和可读存储介质
技术领域
本发明涉及图像领域，特别是涉及一种脑图像分析方法、计算机设备和可读存储介质。
背景技术
轻度认知障碍(Mild cognitive impairment，MCI)是介于老年痴呆(Alzheimer’sdisease，AD)和正常衰老之间的一种状态，患者具有轻微的认知功能减退，但并不影响正常生活。
研究表明，MCI转化成痴呆症的年转化率为10-15％，由于其高转化率与不可逆性，早期MCI被认为是对患者进行干预的最佳状态，因此，对于早期MCI的辅助诊断很有必要。目前对于痴呆症的诊断，主要是使用患者的T1结构磁共振图像进行辅助诊断，而早期MCI与痴呆症不同，早期MCI并不会导致明显的脑部结构损伤如脑萎缩等，因此，无法仅仅依靠结构性磁共振影像对早期MCI进行辅助诊断。功能磁共振图像能够测量血液中的血氧浓度相依对比(Blood oxygen-level dependent,BOLD)，通过BOLD信号可以量化大脑的活动状态，用来辅助疾病的诊断。
在使用神经网络进行分类时，神经网络的分类对象有两种，一种是功能连接矩阵，一种是原始的BOLD信号，但功能连接矩阵与自然图像不同，不具备边界信息，使用卷积神经网络很难对其进行分类，而原始的BOLD信号，即使功能磁共振图像经过了预处理，BOLD信号中也包含大量的噪声，对分类结果也会造成干扰，无法进行准确地分类。
发明内容
基于此，有必要针对现有技术中的医学图像的分类方法存在对待测对象的早期MCI诊断不准确的问题，提供一种脑图像分析方法、计算机设备和可读存储介质。
第一方面，本发明实施例提供一种脑图像分析方法，所述方法包括：
接收脑结构图像，从所述脑结构图像中提取各脑区的特征信息作为节点特征；
接收脑功能图像，从所述脑功能图像中提取各所述脑区间的功能连接信息作为所述节点间的连接；
将所述节点特征和所述节点间的连接构建成图特性矩阵；
将所述图特性矩阵输入训练模型，得到分析结果，其中，所述训练模型为样本脑结构图像和样本脑功能图像构建的样本图特性矩阵，输入图网络中训练得到的模型。
在其中一个实施例中，所述图网络包括基于图的神经网络。
在其中一个实施例中，所述图网络为谱域图网络。
在其中一个实施例中，所述从所述脑功能图像中提取各所述脑区间的功能连接信息作为所述节点间的连接，包括：
按照预设的时间间隔，从所述脑功能图像中提取多个功能连接信息作为所述节点间的连接；
所述将所述节点特征和所述节点间的连接构建成图特性矩阵，包括：
将所述节点特征和所述节点间的连接构建成动态图特性矩阵。
在其中一个实施例中，所述图网络为长短期记忆网络。
在其中一个实施例中，所述训练模型的训练过程包括：
从所述样本脑结构图像中提取各脑区的特征信息作为样本节点特征；
从所述样本脑功能图像中提取各所述脑区间的功能连接信息作为所述样本节点间的连接；
将所述样本节点特征和所述样本节点间的连接构建成样本图特性矩阵；
将所述样本图特性矩阵输入所述图网络进行训练，得到所述训练模型。
在其中一个实施例中，所述从所述样本脑功能图像中提取各所述脑区间的功能连接信息作为所述样本节点间的连接，包括：
按照预设的时间间隔，从所述样本脑功能图像中提取多个功能连接信息作为所述样本节点间的连接。
在其中一个实施例中，所述将所述样本节点特征和所述样本节点间的连接构建成样本图特性矩阵，包括：
将所述样本节点特征和所述样本节点间的连接构建成样本动态图特性矩阵；
所述将所述样本图特性矩阵输入所述图网络进行训练，得到所述训练模型，包括：
将所述样本动态图特性矩阵输入初始长短期记忆网络进行训练，得到所述训练模型。
第二方面，本发明实施例提供一种脑图像分析装置，所述装置包括：
第一提取模块，用于接收脑结构图像，从所述脑结构图像中提取各脑区的特征信息作为节点特征；
第二提取模块，用于接收脑功能图像，从所述脑功能图像中提取各所述脑区间的功能连接信息作为所述节点间的连接；
第一构建模块，用于将所述节点特征和所述节点间的连接构建成图特性矩阵；
分析模块，用于将所述图特性矩阵输入训练模型，得到分析结果，其中，所述训练模型为样本脑结构图像和样本脑功能图像构建的样本图特性矩阵，输入图网络中训练得到的模型。
第三方面，本发明实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
接收脑结构图像，从所述脑结构图像中提取各脑区的特征信息作为节点特征；
接收脑功能图像，从所述脑功能图像中提取各所述脑区间的功能连接信息作为所述节点间的连接；
将所述节点特征和所述节点间的连接构建成图特性矩阵；
将所述图特性矩阵输入训练模型，得到分析结果，其中，所述训练模型为样本脑结构图像和样本脑功能图像构建的样本图特性矩阵，输入图网络中训练得到的模型。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
接收脑结构图像，从所述脑结构图像中提取各脑区的特征信息作为节点特征；
接收脑功能图像，从所述脑功能图像中提取各所述脑区间的功能连接信息作为所述节点间的连接；
将所述节点特征和所述节点间的连接构建成图特性矩阵；
将所述图特性矩阵输入训练模型，得到分析结果，其中，所述训练模型为样本脑结构图像和样本脑功能图像构建的样本图特性矩阵，输入图网络中训练得到的模型。
上述实施例提供的脑图像分析方法、装置、计算机设备和可读存储介质中，计算机设备接收脑结构图像，从脑结构图像中提取各脑区的特征信息作为节点特征，接收脑功能图像，从脑功能图像中提取各脑区间的功能连接信息作为节点间的连接，将节点特征和节点间的连接构建成图特性矩阵，将图特性矩阵输入训练模型，得到分析结果。在该方法中，计算机设备将从接收的脑结构图像中提取的各脑区的特征信息作为节点特征，将从接收的脑功能图像中提取的各脑区间的功能连接信息作为节点间的连接，将节点特征和节点间的连接构建成图特征矩阵，将该图特征矩阵输入训练模型对脑图像进行分类，由于输入的图特性矩阵包含了脑结构图像中各脑区的特征信息和脑功能图像中各脑区间的功能连接信息，能够更加全面准确的反映脑图像信息；另外，利用训练模型能够快速的对图特性矩阵进行分析，提高了对图特性矩阵的分析效率。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图；
图2为一个实施例提供的脑图像分析方法的流程示意图；
图3为一个实施例提供的脑图像分析方法示意图；
图4为另一个实施例提供的脑图像分析方法的流程示意图；
图5为一个实施例提供的脑图像分析装置结构示意图；
图6为一个实施例提供的脑图像分析装置结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的脑图像分析方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是个人计算机，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。
需要说明的是，本申请实施例提供的脑图像分析方法，其执行主体可以是脑图像分析装置，该脑图像分析装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。
需要说明的是，本申请实施例提供的脑图像分析方法可以用于早期MCI的辅助诊断，也可以用于老年痴呆症、强迫症和自闭症等的辅助诊断。下面以具体的实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为一个实施例提供的脑图像分析方法的流程示意图。本实施例涉及的是计算机设备根据脑结构图像和脑功能图像构建图特性矩阵，将图特性矩阵输入训练模型得到分析结果的具体实现过程。如图2所示，该方法可以包括：
S201，接收脑结构图像，从所述脑结构图像中提取各脑区的特征信息作为节点特征。
其中，脑结构图像是指利用结构性磁共振得到的受试者的脑部T1结构磁共振影像。需要说明的是，在磁共振成像中，在射频脉冲的激发下，人体组织内氢质子吸收能量处于激发状态，射频脉冲终止后，处于激发状态的氢质子恢复其原始状态，这个过程称为弛豫，T1弛豫指的是纵向弛豫，T2弛豫指的是横向弛豫，T1磁共振影像能够较好地观察解剖结构，T2磁共振影像能够较好地显示组织病变，在一个实施例中接收的脑结构图像为T1结构磁共振影像。具体的，计算机设备接收脑结构图像，按照预设的脑部分区模板将脑结构图像进行分区，从脑结构图像中提取各脑区的特征信息作为节点特征。其中，各脑区为节点，各脑区的特征为节点特征。可选的，计算机设备可以将各脑区的体积作为节点特征，也可以将各脑区的表面积、各脑区的曲率、各脑区的灰度中的任一一种特征作为节点特征。可选的，计算机设备可以从PACS(Picture Archiving and Communication Systems，影像归档和通信系统)服务器中接收脑结构图像，也可以从结构性磁共振医学影像设备中接收脑结构图像。可选的，预设的脑部分区模板可以是解剖自动标记(Anatomical Automatic Labeling，AAL)模板，也可以是其他的脑部分区模板，例如，SRI24模板。可选的，计算机设备可以按照预设的脑部分区模板将脑结构图像划分为116个脑区。可选的，计算机设备还可以对接收的脑结构图像进行前联合-后联合(Anterior Commissure-Posterior Commissure，AC-PC)矫正处理、重采样处理、去头骨处理和N3矫正处理中的至少一种预处理，从预处理后的脑结构图像中提取各脑区的特征信息作为节点特征。可选的，计算机设备可以使用ALL模板，将脑结构图像划分为m个脑区，分别计算每个脑区的体积vi，构建特征矩阵将特征矩阵Xm×m作为节点特征，例如，计算机设备可以使用ALL模板，将脑结构图像划分为116个脑区，构建一个116×116的矩阵X，计算各脑区的体积vi，将各脑区的体积vi作为矩阵X对角线上的元素得到特征矩阵X116×116，将特征矩阵X116×116作为节点的特征矩阵。
S202，接收脑功能图像，从所述脑功能图像中提取各所述脑区间的功能连接信息作为所述节点间的连接。
其中，脑功能图像是指利用功能磁共振(Functional Magnetic ResonanceImaging,FMRI)得到的受试者的脑部功能性磁共振影像。具体的，计算机设备接收脑功能图像，按照预设的脑部分区模板将脑功能图像进行分区，从脑功能图像中提取各脑区的功能连接信息作为上述节点间的连接。可选的，计算机设备可以从PACS服务器中接收脑功能图像，也可以从FMRI影像设备中接收脑功能图像。可选的，预设的脑部分区模板可以是AAL模板，也可以是其他的脑部分区模板，例如，SRI24模板。可选的，计算机设备可以按照预设的脑部分区模板将脑功能图像划分为116个脑区。可选的，计算机设备还可以对接收的脑功能图像进行时间配准处理、头动矫正处理、标准化处理和实空间滤波处理中的至少一种预处理，从预处理后的脑功能图像中提取各脑区的功能连接信息作为节点间的连接。
S203，将所述节点特征和所述节点间的连接构建成图特性矩阵。
具体的，计算机设备在得到上述节点特征和节点间的连接后，将节点特征和节点间的连接构建成图特性矩阵。也就是，计算机设备可以将各脑区的体积作为节点特征，将各脑区间的功能连接信息作为节点间的连接，构建成图特性矩阵。示例性地，以将脑结构图像和脑功能图像划分为4个脑区为例进行说明，从脑结构图像中提取各4个脑区的特征信息作为节点特征，从脑功能图像中提取各4个脑区的功能连接信息作为节点间的连接，将节点特征和节点间的连接构建成图特性矩阵X,
其中，v11,v22,v33,v44分别为4个脑区各脑区的特征信息，v12,v21为一脑区与二脑区的功能连接信息，v13,v31为一脑区与三脑区的功能连接信息，v14,v41为一脑区与四脑区的功能连接信息，v23,v32为二脑区与三脑区的功能连接信息，v24,v42为二脑区与四脑区的功能连接信息，v34,v43为三脑区与四脑区的功能连接信息。
S204，将所述图特性矩阵输入训练模型，得到分析结果，其中，所述训练模型为样本脑结构图像和样本脑功能图像构建的样本图特性矩阵，输入图网络中训练得到的模型。
具体的，计算机设备将构建的图特性矩阵输入训练模型，得到分析结果。其中，训练模型是将样本脑结构图像和样本脑功能图像构建的样本图特性矩阵输入图网络中，对图网络进行训练得到的模型。可选的，分析结果可以为正常或为早期轻度认知障碍(Mildcognitive impairment，MCI)。
在本实施例中，计算机设备将从接收的脑结构图像中提取的各脑区的特征信息作为节点特征，将从接收的脑功能图像中提取的各脑区间的功能连接信息作为节点间的连接，将节点特征和节点间的连接构建成图特征矩阵，将该图特征矩阵输入训练模型对脑图像进行分类，由于输入的图特性矩阵包含了脑结构图像中各脑区的特征信息和脑功能图像中各脑区间的功能连接信息，能够更加全面准确的反映脑图像信息；另外，利用训练模型能够快速的对图特性矩阵进行分析，提高了对图特性矩阵的分析效率。
在上述实施例的基础上，作为一种可选的实施方式，所述图网络包括基于图的神经网络。
具体的，上述将构建的样本图特性矩阵输入图网络中进行训练的图网络包括基于图的神经网络。可选的，上述图网络为谱域图网络，示例性地，在使用谱域的图卷积操作时，若图结构的连接矩阵为A，则图结构的拉普拉斯矩阵为L＝D-A，式中，D＝diag(∑jai,j)为A的度矩阵，图拉普拉斯矩阵的特征值构成图在谱域的一组基，因此，图特性矩阵的傅里叶变换为其中，U为拉普拉斯矩阵L的特征矩阵，UT为拉普拉斯特征矩阵的转置，卷积操作可以认为是傅里叶空间中的乘法操作，将系数矩阵和特征矩阵通过傅里叶变换转换到频率空间，再进行逆变换回到原来空间，即可完成卷积操作，可以将该卷积操作用下述公式表示：h*x＝U((UTh)⊙(UTx))，式中，h表示卷积过程中的参数，将上式写为矩阵的形式为:
上式中UTh为在训练过程中需要学习的谱域图卷积的卷积核，为了能够快速地计算卷积核的参数，使用切比雪夫多项式对UTh进行近似，根据切比雪夫多项式：
Tk(x)＝2xTk-1(x)-Tk-2(x)和T0(x)＝1，T1(x)＝x，
上述矩阵可以被近似为式中，为经过归一化的图拉普拉斯矩阵，其中，I单位矩阵，λmax为图拉普拉斯矩阵L的最大本征值，aj为需要学习的卷积和参数之一。可选的，在经过图网络得到分析结果后，可以使用支持向量机(SupportVector Machine,SVM)、超限学习机(ELM)、决策树、随机森林法、逻辑回归、岭回归中的任意一种模型对得到的分析结果进行分类。
在本实施例中，将构建的样本图特性矩阵输入图网络中进行训练的图网络包括基于图的神经网络，基于图的神经网络能够更好的对样本图特性矩阵进行分析和处理，而训练模型是对图网络进行训练得到的模型，进而使得训练模型对图特性矩阵能够进行更好的分析和处理。
图3为一个实施例提供的脑图像分析方法示意图。在上述实施例的基础上，作为一种可选的实施方式，上述从所述脑功能图像中提取各所述脑区间的功能连接信息作为所述节点间的连接，包括：按照预设的时间间隔，从所述脑功能图像中提取多个功能连接信息作为所述节点间的连接；上述S203，包括：将所述节点特征和所述节点间的连接构建成动态图特性矩阵。
具体的，计算机设备按照预设的时间间隔，从脑功能图像中提取多个功能连接信息作为节点间的连接，将上述节点特征和该节点间的连接构建成动态图特性矩阵。需要说明的是，按照预设的时间间隔从脑功能图像中提取的多个功能连接信息为具有时间间隔的功能连接信息，该节点间的连接为不同时间的节点连接，计算机设备将上述节点特征和具有不同时间的节点连接构建成动态图特性矩阵。可选的，计算机设备可以使用滑动窗口算法，从脑功能图像中提取多个功能连接信息作为节点间的连接。例如，计算机设备可以使用滑动窗口长度为120S，每次滑动的步长为2S的滑动窗口，从脑功能图像中提取多个功能连接信息作为节点间的连接。可选的，上述图网络为长短期记忆网络。如图3所示，计算机设备接收结构图像T1，按照预设的脑部分区模板将脑功能图像进行分区，从脑结构图像中提取各脑区的特征信息作为节点特征即图中的静态节点特征矩阵(Static Node FeatureMatrix)，按照预设的时间间隔从脑功能图像即图中的fMRI图像，从脑功能图像中提取多个功能连接信息即图中的动态连接矩阵，作为节点间的连接，将节点特征和节点间的连接构建的图特性矩阵输入图卷积长短期记忆网络(GC-LSTM)，通过全连接层对输入的图特性矩阵进行分类，得到分析结果，可选的，分析结果可以为正常，也可以为早期轻度认知障碍。
在本实施例中，计算机设备按照预设的时间间隔，从脑功能图像中提取多个功能连接信息作为节点间的连接，将节点特征和节点间的连接构建成动态图特性矩阵，能够更好地反映脑结构图像和脑功能图像的特性，将动态图特性矩阵输入训练模型，能够更加准确地的对图特性矩阵进行分析。
图4为另一个实施例提供的脑图像分析方法的流程示意图。本实施例涉及的是计算机设备对训练模型进行训练的具体实现过程。如图4所示，训练模型的训练过程可以包括：
S401，从所述样本脑结构图像中提取各脑区的特征信息作为样本节点特征。
具体的，计算机设备按照预设的脑部分区模板对样本脑结构图像进行分区，从样本脑结构图像中提取各脑区的特征信息作为样本节点特征。其中，各脑区的特征信息是各脑区的体积，计算机设备可以将各脑区的体积作为样本节点特征。可选的，预设的脑部分区模板可以是AAL模板，也可以是其他的脑部分区模板，例如，SRI24模板。可选的，计算机设备可以按照预设的脑部分区模板将样本脑结构图像划分为116个脑区。可选的，计算机设备还可以对样本脑结构图像进行AC-PC矫正处理、重采样处理、去头骨处理和N3矫正处理中的至少一种预处理，从预处理后的样本脑结构图像中提取各脑区的特征信息作为样本节点特征。
S402，从所述样本脑功能图像中提取各所述脑区间的功能连接信息作为所述样本节点间的连接。
具体的，计算机设备按照预设的脑部分区模板将样本脑功能图像进行分区，从样本脑功能图像中提取各脑区的功能连接信息作为样本节点间的连接。可选的，预设的脑部分区模板可以是AAL模板，也可以是其他的脑部分区模板，例如，SRI24模板。可选的，计算机设备可以按照预设的脑部分区模板将脑功能图像划分为116个脑区。可选的，计算机设备还可以对脑功能图像进行时间配准处理、头动矫正处理、标准化处理和实空间滤波处理中的至少一种预处理，从预处理后的脑功能图像中提取各脑区的功能连接信息作为样本节点间的连接。
S403，将所述样本节点特征和所述样本节点间的连接构建成样本图特性矩阵。
具体的，计算机设备在得到样本节点特征和样本节点间的连接后，将样本节点特征和样本节点间的连接构建成样本图特性矩阵。也就是，计算机设备可以将各脑区的体积作为样本节点特征，将各脑区间的功能连接信息作为样本节点间的连接，构建成样本图特性矩阵。
S404，将所述样本图特性矩阵输入所述图网络进行训练，得到所述训练模型。
具体的，计算机设备将样本图特性矩阵输入图网络中，对图网络进行训练，得到训练模型。需要说明的是，样本脑结构图像和样本脑功能图像为多个一一对应的图像，样本脑结构图像和对应的样本脑功能图像为已经标记的样本图像，计算机设备将样本图特性矩阵作为输入，将样本图特性矩阵的分析结果作为输出，根据样本图特性矩阵的分析结果和已标记样本图像，对图网络进行训练，得到训练模型。可选的，图网络包括基于图的神经网络。可选的，图网络为谱域图网络。
在本实施例中，计算机设备将样本图特性矩阵输入图网络进行训练，进而得到训练模型，而样本图特性矩阵是将从样本脑结构图像中提取各脑区的特征信息作为样本节点特征，从样本脑功能图像中提取各脑区间的功能连接信息作为样本节点间的连接，将样本节点特征和样本节点间的连接构建成的，因此，样本图特性矩阵能够充分地反映样本脑结构图像和样本脑功能图像的信息，这样将样本图特性矩阵输入图网络进行训练，能够提高得到的训练模型的准确度，使得获得的训练模型更加的准确。
在上述实施例的基础上，作为一种可选的实施方式，上述S402包括：按照预设的时间间隔，从所述样本脑功能图像中提取多个功能连接信息作为所述样本节点间的连接。
具体的，计算机设备按照预设的时间间隔，从样本脑功能图像中提取多个功能连接信息作为样本节点间的连接。可选的，计算机设备可以使用滑动窗口算法，从样本脑功能图像中提取多个功能连接信息作为样本节点间的连接。例如，计算机设备可以使用滑动窗口长度为120S，每次滑动的步长为2S的滑动窗口，从样本脑功能图像中提取多个功能连接信息作为样本节点间的连接。
在本实施例中，计算机设备按照预设的时间间隔，从样本脑功能图像中提取多个功能连接信息作为样本节点间的连接，能够从样本脑功能图像中提取更加全面地功能连接信息，进而提高了将多个功能连接信息作为样本节点间的连接的准确度。
在上述实施例的基础上，作为一种可选的实施方式，上述S403包括：将所述样本节点特征和所述样本节点间的连接构建成样本动态图特性矩阵；上述S404，包括：将所述样本动态图特性矩阵输入初始长短期记忆网络进行训练，得到所述训练模型。
具体的，计算机设备从样本脑功能图像中提取多个功能连接信息作为样本节点间的连接后，将上述样本节点特征和样本节点间的连接构建成样本动态图特性矩阵，将样本动态图特性矩阵输入初始长短期记忆网络进行训练，得到上述训练模型。需要说明的是，本实施例中初始长短期记忆网络中的矩阵点乘操作为图卷积操作，上述初始长短期记忆网络的输入与输出具有如下的形式：
it＝σi(ωxi*xt+ωhi*ht-1+ωci⊙ct-1+bi)
ot＝σo(ωxo*xt+ωho*ht-1+ωco⊙ct+bo)
ft＝σf(ωxf*xt+ωhf*ht-1+ωcf⊙ct-1+bf)
ct＝ft⊙ct-1+it⊙tanh(ωxc*xt+ωhc*ht-1+bc)
ht＝o⊙tanh(ct)
式中，*为图卷积操作。
在本实施例中，计算机设备将样本节点特征和样本节点间的连接构建成样本动态图特性矩阵，能够更好地反映样本脑结构图像和样本脑功能图像的特性，提高了构建的样本动态图特性矩阵的准确度，将样本动态图特性矩阵输入初始长短期记忆网络进行训练，能够更好地的对初始长短期记忆网络进行训练，进而提高了得到的训练模型的准确度。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图5为一个实施例提供的脑图像分析装置结构示意图。如图5所示，该装置可以包括：第一提取模块10、第二提取模块11、第一构建模块12和分析模块13。
具体的，第一提取模块10，用于接收脑结构图像，从所述脑结构图像中提取各脑区的特征信息作为节点特征；
第二提取模块11，用于接收脑功能图像，从所述脑功能图像中提取各所述脑区间的功能连接信息作为所述节点间的连接；
第一构建模块12，用于将所述节点特征和所述节点间的连接构建成图特性矩阵；
分析模块13，用于将所述图特性矩阵输入训练模型，得到分析结果，其中，所述训练模型为样本脑结构图像和样本脑功能图像构建的样本图特性矩阵，输入图网络中训练得到的模型。
可选的，所述图网络包括基于图的神经网络。
可选的，所述图网络为谱域图网络。
本实施例提供的脑图像分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第二提取模块11，具体用于按照预设的时间间隔，从所述脑功能图像中提取多个功能连接信息作为所述节点间的连接；
上述构建模块12，具体用于将所述节点特征和所述节点间的连接构建成动态图特性矩阵。
可选的，所述图网络为长短期记忆网络。
本实施例提供的脑图像分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图6为一个实施例提供的脑图像分析装置结构示意图。在上述实施例的基础上，可选的，所述装置还包括：
第三提取模块14，用于从所述样本脑结构图像中提取各脑区的特征信息作为样本节点特征；
第四提取模块15，用于从所述样本脑功能图像中提取各所述脑区间的功能连接信息作为所述样本节点间的连接；
第二构建模块16，用于将所述样本节点特征和所述样本节点间的连接构建成样本图特性矩阵；
训练模块17，用于将所述样本图特性矩阵输入所述图网络进行训练，得到所述训练模型。
本实施例提供的脑图像分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第四提取模块15，具体用于按照预设的时间间隔，从所述样本脑功能图像中提取多个功能连接信息作为所述样本节点间的连接。
本实施例提供的脑图像分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第二构建模块16，具体用于将所述样本节点特征和所述样本节点间的连接构建成样本动态图特性矩阵；
上述训练模块17，具体用于将所述样本动态图特性矩阵输入初始长短期记忆网络进行训练，得到所述训练模型。
本实施例提供的脑图像分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于脑图像分析装置的具体限定可以参见上文中对于脑图像分析方法的限定，在此不再赘述。上述脑图像分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
接收脑结构图像，从所述脑结构图像中提取各脑区的特征信息作为节点特征；
接收脑功能图像，从所述脑功能图像中提取各所述脑区间的功能连接信息作为所述节点间的连接；
将所述节点特征和所述节点间的连接构建成图特性矩阵；
将所述图特性矩阵输入训练模型，得到分析结果，其中，所述训练模型为样本脑结构图像和样本脑功能图像构建的样本图特性矩阵，输入图网络中训练得到的模型。
上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
接收脑结构图像，从所述脑结构图像中提取各脑区的特征信息作为节点特征；
接收脑功能图像，从所述脑功能图像中提取各所述脑区间的功能连接信息作为所述节点间的连接；
将所述节点特征和所述节点间的连接构建成图特性矩阵；
将所述图特性矩阵输入训练模型，得到分析结果，其中，所述训练模型为样本脑结构图像和样本脑功能图像构建的样本图特性矩阵，输入图网络中训练得到的模型。
上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于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。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种脑图像分析方法，其特征在于，所述方法包括：
接收脑结构图像，从所述脑结构图像中提取各脑区的特征信息作为节点特征；
接收脑功能图像，从所述脑功能图像中提取各所述脑区间的功能连接信息作为所述节点间的连接；
将所述节点特征和所述节点间的连接构建成图特性矩阵；
将所述图特性矩阵输入训练模型，得到分析结果，其中，所述训练模型为样本脑结构图像和样本脑功能图像构建的样本图特性矩阵，输入图网络中训练得到的模型。
2.根据权利要求1所述的方法，其特征在于，所述图网络包括基于图的神经网络。
3.根据权利要求1或2所述的方法，其特征在于，所述图网络为谱域图网络。
4.根据权利要求1所述的方法，其特征在于，所述从所述脑功能图像中提取各所述脑区间的功能连接信息作为所述节点间的连接，包括：
按照预设的时间间隔，从所述脑功能图像中提取多个功能连接信息作为所述节点间的连接；
所述将所述节点特征和所述节点间的连接构建成图特性矩阵，包括：
将所述节点特征和所述节点间的连接构建成动态图特性矩阵。
5.根据权利要求4所述的方法，其特征在于，所述图网络为长短期记忆网络。
6.根据权利要求1所述的方法，其特征在于，所述训练模型的训练过程包括：
从所述样本脑结构图像中提取各脑区的特征信息作为样本节点特征；
从所述样本脑功能图像中提取各所述脑区间的功能连接信息作为所述样本节点间的连接；
将所述样本节点特征和所述样本节点间的连接构建成样本图特性矩阵；
将所述样本图特性矩阵输入所述图网络进行训练，得到所述训练模型。
7.根据权利要求6所述的方法，其特征在于，所述从所述样本脑功能图像中提取各所述脑区间的功能连接信息作为所述样本节点间的连接，包括：
按照预设的时间间隔，从所述样本脑功能图像中提取多个功能连接信息作为所述样本节点间的连接。
8.根据权利7所述的方法，其特征在于，所述将所述样本节点和所述样本节点间的连接构建成样本图特性矩阵，包括：
将所述样本节点特征和所述样本节点间的连接构建成样本动态图特性矩阵；
所述将所述样本图特性矩阵输入所述图网络进行训练，得到所述训练模型，包括：
将所述样本动态图特性矩阵输入初始长短期记忆网络进行训练，得到所述训练模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8中任一项所述方法的步骤。
CN201910374538.1A 2019-05-07 2019-05-07 脑图像分析方法、计算机设备和可读存储介质 Active CN110189302B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111271561.1A CN113902732A (zh) 2019-05-07 2019-05-07 脑图像分析方法、计算机设备和可读存储介质
CN201910374538.1A CN110189302B (zh) 2019-05-07 2019-05-07 脑图像分析方法、计算机设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910374538.1A CN110189302B (zh) 2019-05-07 2019-05-07 脑图像分析方法、计算机设备和可读存储介质

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202111271561.1A Division CN113902732A (zh) 2019-05-07 2019-05-07 脑图像分析方法、计算机设备和可读存储介质

Publications (2)

Publication Number Publication Date
CN110189302A true CN110189302A (zh) 2019-08-30
CN110189302B CN110189302B (zh) 2021-10-22

Family

ID=67715791

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201910374538.1A Active CN110189302B (zh) 2019-05-07 2019-05-07 脑图像分析方法、计算机设备和可读存储介质
CN202111271561.1A Pending CN113902732A (zh) 2019-05-07 2019-05-07 脑图像分析方法、计算机设备和可读存储介质

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202111271561.1A Pending CN113902732A (zh) 2019-05-07 2019-05-07 脑图像分析方法、计算机设备和可读存储介质

Country Status (1)

Country Link
CN (2) CN110189302B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110720906A (zh) * 2019-09-25 2020-01-24 上海联影智能医疗科技有限公司 脑图像处理方法、计算机设备和可读存储介质
CN110852367A (zh) * 2019-11-05 2020-02-28 上海联影智能医疗科技有限公司 图像分类方法、计算机设备和存储介质
CN112948694A (zh) * 2021-03-31 2021-06-11 北京奇艺世纪科技有限公司 数据处理方法、装置、电子设备及可读存储介质
CN113080847A (zh) * 2021-03-17 2021-07-09 天津大学 基于图的双向长短期记忆模型诊断轻度认知障碍的装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020653A (zh) * 2012-12-07 2013-04-03 中国科学院自动化研究所 基于网络分析的结构和功能磁共振图像联合分类方法
CN103093087A (zh) * 2013-01-05 2013-05-08 电子科技大学 一种基于多任务学习的多模态脑网络特征融合方法
CN103886328A (zh) * 2014-03-19 2014-06-25 太原理工大学 基于脑网络模块结构特征的功能磁共振影像数据分类方法
CN104346530A (zh) * 2014-10-29 2015-02-11 中国科学院深圳先进技术研究院 大脑异常参数的提取方法和系统
CN106021949A (zh) * 2016-05-31 2016-10-12 常州大学 一种大脑默认网络的功能连接分析方法
CN107507162A (zh) * 2017-06-29 2017-12-22 南京航空航天大学 一种基于多模态脑影像的基因型分析方法
CN107658018A (zh) * 2017-10-12 2018-02-02 太原理工大学 一种基于结构连接和功能连接的融合脑网络构建方法
CN107909117A (zh) * 2017-09-26 2018-04-13 电子科技大学 一种基于脑功能网络特征对早晚期轻度认知障碍的分类方法及装置
CN107967686A (zh) * 2017-12-27 2018-04-27 电子科技大学 一种联合动态脑网络和长短时记忆网络的癫痫识别装置
CN108447546A (zh) * 2018-02-02 2018-08-24 常州大学 基于加权网络的大脑功能连接模块划分方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020653A (zh) * 2012-12-07 2013-04-03 中国科学院自动化研究所 基于网络分析的结构和功能磁共振图像联合分类方法
CN103093087A (zh) * 2013-01-05 2013-05-08 电子科技大学 一种基于多任务学习的多模态脑网络特征融合方法
CN103886328A (zh) * 2014-03-19 2014-06-25 太原理工大学 基于脑网络模块结构特征的功能磁共振影像数据分类方法
CN104346530A (zh) * 2014-10-29 2015-02-11 中国科学院深圳先进技术研究院 大脑异常参数的提取方法和系统
CN106021949A (zh) * 2016-05-31 2016-10-12 常州大学 一种大脑默认网络的功能连接分析方法
CN107507162A (zh) * 2017-06-29 2017-12-22 南京航空航天大学 一种基于多模态脑影像的基因型分析方法
CN107909117A (zh) * 2017-09-26 2018-04-13 电子科技大学 一种基于脑功能网络特征对早晚期轻度认知障碍的分类方法及装置
CN107658018A (zh) * 2017-10-12 2018-02-02 太原理工大学 一种基于结构连接和功能连接的融合脑网络构建方法
CN107967686A (zh) * 2017-12-27 2018-04-27 电子科技大学 一种联合动态脑网络和长短时记忆网络的癫痫识别装置
CN108447546A (zh) * 2018-02-02 2018-08-24 常州大学 基于加权网络的大脑功能连接模块划分方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JINYIN CHEN ET AL.: "GC-LSTM: Graph Convolution Embedded LSTM for Dynamic Link Prediction", 《ARXIV》 *
MICHAËL DEFFERRARD ET AL.: "Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering", 《ARXIV》 *
SARAH PARISOT ET AL.: "Disease prediction using graph convolutional networks: Application to Autism Spectrum Disorder and Alzheimer’s disease", 《MEDICAL IMAGE ANALYSIS》 *
SOFIA IRA KTENA ET AL.: "Metric learning with spectral graph convolutions on brain connectivity networks", 《NEUROIMAGE》 *
YAN WANG ET AL.: "A Novel Multimodal MRI Analysis for Alzheimer’s Disease Based on Convolutional Neural Network", 《2018 40TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110720906A (zh) * 2019-09-25 2020-01-24 上海联影智能医疗科技有限公司 脑图像处理方法、计算机设备和可读存储介质
CN110720906B (zh) * 2019-09-25 2022-07-05 上海联影智能医疗科技有限公司 脑图像处理方法、计算机设备和可读存储介质
CN110852367A (zh) * 2019-11-05 2020-02-28 上海联影智能医疗科技有限公司 图像分类方法、计算机设备和存储介质
CN110852367B (zh) * 2019-11-05 2023-10-31 上海联影智能医疗科技有限公司 图像分类方法、计算机设备和存储介质
CN113080847A (zh) * 2021-03-17 2021-07-09 天津大学 基于图的双向长短期记忆模型诊断轻度认知障碍的装置
CN112948694A (zh) * 2021-03-31 2021-06-11 北京奇艺世纪科技有限公司 数据处理方法、装置、电子设备及可读存储介质
CN112948694B (zh) * 2021-03-31 2023-06-27 北京奇艺世纪科技有限公司 数据处理方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN113902732A (zh) 2022-01-07
CN110189302B (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
Hou et al. Sparse autoencoder for unsupervised nucleus detection and representation in histopathology images
CN110189302A (zh) 脑图像分析方法、计算机设备和可读存储介质
Azizi et al. Robust and data-efficient generalization of self-supervised machine learning for diagnostic imaging
KR101857624B1 (ko) 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치
CN112070119B (zh) 超声切面图像质量控制方法、装置和计算机设备
CN111160367B (zh) 图像分类方法、装置、计算机设备和可读存储介质
Oksuz et al. Magnetic resonance fingerprinting using recurrent neural networks
CN111310841B (zh) 医学图像分类方法、装置、设备、计算机设备和存储介质
WO2023040588A1 (zh) 基于图模型的脑功能配准方法
CN110310256A (zh) 冠脉狭窄检测方法、装置、计算机设备和存储介质
CN110163260A (zh) 基于残差网络的图像识别方法、装置、设备及存储介质
CN109800805A (zh) 基于人工智能的图像处理系统以及计算机设备
CN109754447A (zh) 图像生成方法、装置、设备和存储介质
CN110797101B (zh) 医学数据处理方法、装置、可读存储介质和计算机设备
CN110334722A (zh) 图像分类方法、装置、计算机设备和存储介质
CN110717905B (zh) 脑部图像检测方法、计算机设备和存储介质
CN110298820A (zh) 影像分析方法、计算机设备和存储介质
CN110720906B (zh) 脑图像处理方法、计算机设备和可读存储介质
CN113935943A (zh) 颅内动脉瘤识别检测的方法、装置、计算机设备和存储介质
CN111128348B (zh) 医学图像处理方法、装置、存储介质及计算机设备
CN111759304B (zh) 心电图异常识别方法、装置、计算机设备和存储介质
CN110570425B (zh) 一种基于深度强化学习算法的肺结节分析方法及装置
CN111223158B (zh) 心脏冠脉图像的伪影校正方法和可读存储介质
CN114663445A (zh) 一种基于多尺度边缘感知的三维心脏图像分割方法
CN111160441B (zh) 分类方法、计算机设备和存储介质

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