CN110503187B - 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 - Google Patents
一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 Download PDFInfo
- Publication number
- CN110503187B CN110503187B CN201910679959.5A CN201910679959A CN110503187B CN 110503187 B CN110503187 B CN 110503187B CN 201910679959 A CN201910679959 A CN 201910679959A CN 110503187 B CN110503187 B CN 110503187B
- Authority
- CN
- China
- Prior art keywords
- data
- generating
- training
- generated
- countermeasure network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 title claims abstract description 6
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims abstract description 59
- 230000006870 function Effects 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 45
- 238000009826 distribution Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000004886 head movement Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 claims 1
- 230000008485 antagonism Effects 0.000 abstract description 4
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000002156 mixing Methods 0.000 abstract description 3
- 208000014644 Brain disease Diseases 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000415 inactivating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012882 sequential analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法,属于机器学习领域。该方法通过生成对抗网络(GAN)生成fMRI图像,并用生成的图像与原始的数据集混合起到扩充数据集的作用。本发明提出的生成对抗网络结构包括一个五层隐藏层的生成器和一个使用跳跃连接残差模块的判别器。本发明旨在利用对抗网络生成的fMRI图像,扩充数据集,解决fMRI数据量少的问题,提高了分类网络的泛化能力,减少过拟合的风险。本发明能有效的解决脑疾病分类过程中核磁共振成像数据量不足的问题,来辅助医生诊断疾病。
Description
技术领域
本发明所属的技术领域为医学图像分析领域,涉及深度学习技术,具体涉及一种生成对抗网络对功能核磁共振成像(fMRI)的扩充技术。
背景技术
深度学习方法被广泛用于医学图像分析,通过在给定数据集上训练模型来完成新数据上的特定任务,比如分类、识别和分割等。常用的算法有支持向量机(SVM),隐马尔科夫(HMM)以及人工神经网络等。然而,传统的机器学习算法需要利用先验知识从原始数据中人工提取特征,从而训练模型。由于特征选取难度较大,模型可能存在拟合能力不够;另一方面,医学图像在数据量上远远比不过传统的图像,使用传统的模型过拟合现象严重。
近年来,越来越多的研究者在fMRI上进行研究,如阿尔兹海默症(AD),抑郁症(ASD),注意力缺陷多动障碍(ADHD)等。其中对fMRI的识别研究大体可以分为两类。一类是将fMRI提取成脑功能连接矩阵(FC),FC可以反应不同脑区之间的激活关系,其中包括疾病的相关特征,是一种有前途的大脑分析方法。通过对FC进行识别,可以有效识别的识别疾病。目前识别FC常用的方法有SVM,随机森林(RF),集成学习等,也有研究者使用自动编码器对FC进行无监督学习,但对RF的识别上始终有样本量过少,训练过拟合严重的问题。另一类是对fMRI图像进行序列分析,使用长短记忆网络(LSTM)和卷积神经网络(CNN)可以对一个时间序列的fMRI图像进行识别。然而,目前一个疾病的fMRI样本集往往只要几十个样本,识别的过拟合现象同样十分严重。
生成对抗式模型不仅在机器学习人工智能领域占有重要地位,生成方法本身也具有很大的研究价值。最近,生成模型的方法被广泛应用于小数据集的扩充训练上,是解决医学图像样本少的一个重要方法。生成方法和判别方法是机器学习中监督学习方法的两个分支。生成式模型是生成方法学习得到的模型。生成方法涉及对数据的分布假设和分布参数学习,并能够根据学习而来的模型采样出新的样本。
发明内容
技术问题:本发明针对现有的公开的fMRI数据集往往不够大,难以使用深度学习进行训练的特点,发明了一种基于生成对抗网络的fMRI数据扩充方法,通过采集fMRI图像,用生成对抗网络对fMRI图像进行训练并生成,扩充数据集。本发明提出了一种基于生成对抗网络,对fMRI图像进行生成,扩充数据集的方法,减小了深度学习模型在小样本数据集上的过拟合,用于提高fMRI数据的分类效果。
技术方案:为了达到上述目的,本发明提供的技术方案是一种基于生成对抗网络的fMRI数据扩充方法,该方法适用于对两类的fMRI数据进行生成。其中包括数据生成的步骤,和数据集扩充与分类的步骤。
步骤1.数据生成:fMRI数据的生成包括生成器和判别器的设计。生成器的作用是对fMRI图像进行生成,生成器网络通过训练一个映射函数,将网络输入的正态分布的噪声转化成生成的fMRI图像,输入噪声的目的是为了使生成的fMRI图像具有多样性,能适应扩充数据集的需求。判别器的作用是判别输入的图像是真的fMRI图像还是生成的图像,并将判断得到的结果反馈到生成器中。经过训练后的生成器便是生成fMRI图像需要的生成网络,通过改变输入噪声的个数,得到一定数量的生成fMRI图像。
步骤2.数据集扩充与分类:将生成得到的fMRI图像加入原始的fMRI数据集中,得到扩充的数据集,加入的生成图像比例在一定范围内最优。最终扩充后的数据集作为训练集来训练深度神经网络分类。神经网络的分类任务是一种高级的特征表达任务,可以从大量数据的训练集中学习到有用的特征,得到分类结果。普通的分类器,如SVM等,需要高质量的训练数据作为指导,使用扩充后的数据集训练反而无法得到好的结果。训练完成后的深度神经网络作为分类器,可以对fMRI图像进行分类。
有益效果:
本发明的有益效果在于解决了fMRI图像数据量小的问题,对fMRI数据进行生成有助于深度学习的分类。。使用生成的fMRI图像对数据集进行扩充,增加了数据中特征的多样性,使训练出的分类器更加鲁棒,减少过拟合的风险。
附图说明
图1为本发明方法设计流程图。
图2为本发明生成对抗网络的整体结构图。
图3为本发明生成器的网络结构图。
图4为本发明判别器、约束器及分类器共用的网络结构图。
图5为本发明提出方法的训练流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明的整体实施流程如图1,整个流程包括fMRI图像预处理,训练生成对抗网络,生成fMRI图像并扩充数据集,训练分类网络,对测试的数据进行分类。
具体实施:
一.fMRI图像预处理
把原始的DICOM数据转化为NIFTI格式;去除前若干个时间点;时间矫正;头动矫正;去除BOLD时间序列的线性趋势并且对时间序列进行滤波,保留更准确的时间序列;进行标准化和平滑操作。
二.训练生成对抗网络
图2是本发明的生成对抗网络的结构图。该网络包括一个生成器,一个判别器和一个约束器。生成器的作用是生成fMRI图像,判别器的目的是辨别生成的图像与真实的图像,约束器是一个预先训练好的分类网络,其作用是使得生成器生成的数据在Wasserstein距离上远离另一个类别的数据,通过约束器约束后的生成数据在后端进行分类时,能得到更好的分类效果。同时通过生成器与判别器的交替训练,可以达到生成高质量图像的目的。
本发明在网络的对抗方式上选择Wasserstein距离来衡量生成数据分布和真实数据分布间的距离,其中约束器的loss设置为:
M()表示约束计算器的映射输出,x’表示第二个类别的数据分布,z是输入的噪声向量,G()表示生成器的映射过程。表示生成数据分布与第二个类别数据分布之间的Wasserstein距离,并求得期望值,通过该值可以表示生成的数据分布和第二个数据类别的数据分布之间的差异性,称之为类间距离。/> 表示生成数据分布和第二个类别数据分布之间的类内距离,λ1是一个加权参数,用于平衡两个距离。为了使约束器收敛,本发明在训练约束计算器时将神经网络的权重参数范围限制在[-0.1,0.1]。加入对两个类别分布的距离约束函数后,生成网络更容易生成对分类效果有提升的数据。本发明提出最终的损失函数:
Lwasserstein(D,G)是生成对抗网络进行极大极小值优化的损失函数,和/>是对判别器和生成器输出的Wasserstein距离的估计,/> 是对梯度的惩罚,λ是梯度惩罚加权系数。这里的λ2是一个加权参数,用于控制两个损失之间的权衡。推荐系数为λ=0.1,λ1=10,λ2=0.01。
(1)生成器的结构设计
如图3为本发明设计的生成器的结构图,由于参考的fMRI图像的大小为64*64,生成器的网络结构设计为5层,分别为一层输入层,三层隐藏层和一层输出层。
A.输入层
生成器的输入层利用一层全连接的神经网络将噪声向量转换为8*8*128的特征矩阵,这层特征矩阵的作用是为了生成图像时具有多样性,将噪声向量转化为矩阵的目的是为了接下来的反卷积操作。
B.隐藏层
本发明设计的生成器的隐藏层为3层反卷积,卷积核选择3*3的大小,每一层的后面使用relu激活函数。
C.输出层
输出层的目的是对特征图进行加权挑选,将原本的16张特征图处理为一张并输出。此时得到的结果便是生成的fMRI图像。
(2)判别器和约束器的结构设计
本发明提出的生成对抗网络中,判别器和约束器的输入和输出的大小一样,两者使用相同的网络结构。两者的网络结构如图4所示,采用多层的卷积进行堆叠提取特征,为了确保判别器在分辨真伪时的性能,适当的加厚了卷积层的层数,并使用跳跃连接计算残差,提高训练时梯度传播的效果。每一次残差块包括3层卷积层,层与层之间使用Leaky_RELU激活函数,每个残差块后面使用下采样池化,将特征图进一步提取特征,在保证特征信息传播的情况下,逐步减少冗余信息。输出层使用全卷积的模式,相比使用全连接网络进行特征筛选,减少了参数量,使网络更简洁。
(3)生成对抗网络的训练
A.将预处理完的数据分为训练集和验证集,人工制作好每个数据的类别标签,以one-hot的格式保存;
B.生成对抗网络的训练过程如图5所示。本发明提出的生成对抗网络的训练方式与一般的对抗网络不同,为了让生成对抗网络达到最优的生成效果,即生成数据对分类准确率起明显的提高作用,本发明在训练生成对抗网络的过程中加入了监督器。其作用是评价训练阶段的生成器生成的数据的质量。在训练过程中先训练n次的对抗网络,再开始训练监督器,直到监督器的准确率达到稳定,记录下此刻的局部最优准确率,如此反复。在每次开始训练监督器前,需要将监督器参数重新初始化,以确保训练结果与上一次训练无关。重复训练这个步骤直至100个epoch,将其中监督器准确率最高时的网络模型保存下来。
C.为了优化本发明提出的网络,实施中以交替的方式更新网络的生成器和判别器,与常规的GAN不同,本发明提出的生成对抗网络需要判别器在整个训练过程中保持接近最优。因此,每更新1次生成器,更新5次判别器。此外,对于前25次迭代和第100次迭代,每更新1次生成器,更新100次判别器。
(4)优化策略
每个隐藏层的输出接上批归一化层(batch_norm)和随机丢弃层(dropout)层,batch_norm的作用是将每个隐藏层的输出批归一化,有助于防止梯度爆炸,并且可以减少在训练的过程中过拟合的风险,dropout的作用是使得在每次更新迭代时使隐藏层的神经元部分失活,起到减少过拟合的作用。
三.扩充数据集
本发明通过将生成的fMRI图像与真实的fMRI图像混合,达到扩充数据集的效果。生成的fMRI图像和真实的fMRI图像将按一定的比值混合,将两者的混合比例设定为0.2:1,0.4:1,0.6:1,0.8:1,1:1等等,做成不同的数据集并用分类器进行分类,将原始的fMRI数据集在分类器上的分类结果作为基线。对比不同比例下的分类效果,选择分类效果最好时的数据集,作为扩充后的数据集。
四.训练分类网络
本发明最终用于分类fMRI图像的分类器使用和判别器一样的结构,与判别器和约束器不同的是,最后一层有两个输出,分别代表健康人和病人两个类别。使用实施步骤三中已经挑选好的扩充数据集作为训练集,用ubantu系统下的tensorflow框架进行训练。训练过程中用验证集进行测试,将验证集分类效果最好时的网络模型保存下来作为最终的分类器模型。
五.预测分类
上述最终训练好的分类网络,便是用来预测fMRI图像类别的分类。输入需要分类的fMRI图像即可得到预测的类别。
本发明的方法,解决了利用深度学习分类核磁共振成像时,样本少的问题。通过生成对抗模型生成额外的数据,双方的博弈竞争过程增加了模型的泛化能力,扩充后的数据集可以得到更好的分类效果。训练好的最终模型可以自动的进行分类大量的fMRI图像,大大减少了人工分类的工作量,可以快速得到结果。并且该方法已证明是切实可行的。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (7)
1.一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法,其特征在于,包括数据生成的步骤、数据集扩充与分类的步骤;
所述数据生成的步骤:通过设计生成对抗网络实现,所述生成对抗网络包括生成器和判别器;生成器的作用是对fMRI图像进行生成,生成器通过训练一个映射函数,将网络输入的正态分布的噪声转化成生成的fMRI图像;判别器的作用是判别输入的图像是真实的fMRI图像还是生成的图像,并将判断得到的结果反馈到生成器中;
所述数据生成的步骤中还包括设计约束器;所述约束器是一个预先训练好的分类网络,其作用是使得生成器生成的数据在Wasserstein距离上远离另一个类别的数据;所述约束器的loss值设置为:
M()表示约束计算器的映射输出,x’表示第二个类别的数据分布,z是输入的噪声向量,G()表示生成器的映射过程;表示生成数据分布与第二个类别数据分布之间的Wasserstein距离,并求得期望值,通过该值表示生成的数据分布和第二个数据类别的数据分布之间的差异性,称之为类间距离;/> 表示生成数据分布和第二个类别数据分布之间的类内距离,λ1是一个加权参数,用于平衡两个距离;为了使约束器收敛,在训练约束计算器时将神经网络的权重参数范围限制在[-0.1,0.1];加入对两个类别分布的距离约束函数后,生成网络更容易生成对分类效果有提升的数据;
最终的损失函数Loss:
Lwasserstein(D,G)是生成对抗网络进行极大极小值优化的损失函数,和/>是对判别器和生成器输出的Wasserstein距离的估计,/> 是对梯度的惩罚,λ是梯度惩罚加权系数;这里的λ2是一个加权参数,用于控制两个损失之间的权衡;推荐系数为λ=0.1,λ1=10,λ2=0.01;
所述数据集扩充与分类的步骤:将生成得到的fMRI图像加入原始的fMRI数据集中,得到扩充的数据集,扩充后的数据集作为训练集训练深度神经网络;训练完成后的深度神经网络作为分类器,对fMRI图像进行分类。
2.根据权利要求1所述的一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法,其特征在于,在数据集扩充与分类的步骤中,所述扩充的数据集中加入的生成图像比例需限制在一定范围内。
3.根据权利要求2所述的一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法,其特征在于,所述比例设定为0.2:1,0.4:1,0.6:1,0.8:1,1:1。
4.根据权利要求1所述的一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法,其特征在于,所述方法还包括fMRI图像预处理的步骤:把原始的DICOM数据转化为NIFTI格式;去除前若干个时间点;时间矫正;头动矫正;去除BOLD时间序列的线性趋势并且对时间序列进行滤波,保留更准确的时间序列;进行标准化和平滑操作。
5.根据权利要求1所述的一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法,其特征在于,所述生成器设计为5层,包含一层输入层,三层隐藏层,一层输出层;
所述输入层:利用一层全连接的神经网络将噪声向量转换为8*8*128的特征矩阵;
所述隐藏层:为3层反卷积,卷积核选择3*3的大小,每一层的后面使用relu激活函数;
所述输出层:对特征图进行加权挑选,将原本的16张特征图处理为一张并输出,即得到生成的fMRI图像。
6.根据权利要求1所述的一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法,其特征在于,所述判别器和约束器的结构相同,采用多层的卷积进行堆叠提取特征,使用跳跃连接计算残差;每一次残差块包括3层卷积层,层与层之间使用Leaky_RELU激活函数,每个残差块后面使用下采样池化,输出采用全卷积的模式。
7.根据权利要求1所述的一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法,其特征在于,所述数据生成的步骤还包括生成对抗网络训练的步骤:
A.将预处理完的数据分为训练集和验证集,人工制作好每个数据的类别标签,以one-hot的格式保存;
B.在训练生成对抗网络的过程中加入监督器,其作用是评价训练阶段的生成器生成的数据的质量;在训练过程中先训练n次的对抗网络,再开始训练监督器,直到监督器的准确率达到稳定,记录下此刻的局部最优准确率,如此反复;在每次开始训练监督器前,需要将监督器参数重新初始化,以确保训练结果与上一次训练无关;重复训练这个步骤直至100个epoch,将其中监督器准确率最高时的网络模型保存下来;
C.以交替的方式更新生成对抗网络的生成器和判别器,每更新1次生成器,更新5次判别器,其中,对于前25次迭代和第100次迭代,每更新1次生成器,更新100次判别器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910679959.5A CN110503187B (zh) | 2019-07-26 | 2019-07-26 | 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910679959.5A CN110503187B (zh) | 2019-07-26 | 2019-07-26 | 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110503187A CN110503187A (zh) | 2019-11-26 |
CN110503187B true CN110503187B (zh) | 2024-01-16 |
Family
ID=68586908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910679959.5A Active CN110503187B (zh) | 2019-07-26 | 2019-07-26 | 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503187B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110895828B (zh) * | 2019-12-03 | 2023-04-18 | 武汉纺织大学 | 生成模拟非均质柔性生物组织mr影像的模型及方法 |
CN110889496B (zh) * | 2019-12-11 | 2023-06-06 | 北京工业大学 | 一种基于对抗生成网络的人脑效应连接识别方法 |
CN111067522A (zh) * | 2019-12-16 | 2020-04-28 | 中国科学院深圳先进技术研究院 | 大脑成瘾结构图谱评估方法及装置 |
CN111310787B (zh) * | 2020-01-15 | 2024-03-22 | 江苏大学 | 一种基于堆叠编码器的脑功能网络多核模糊聚类方法 |
CN111383217B (zh) * | 2020-03-11 | 2023-08-29 | 深圳先进技术研究院 | 大脑成瘾性状评估的可视化方法、装置及介质 |
CN111582225B (zh) * | 2020-05-19 | 2023-06-20 | 长沙理工大学 | 一种遥感图像场景分类方法及装置 |
CN111739635A (zh) * | 2020-06-10 | 2020-10-02 | 四川大学华西医院 | 一种用于急性缺血性卒中的诊断辅助模型及图像处理方法 |
CN112259247B (zh) * | 2020-10-22 | 2022-08-23 | 平安科技(深圳)有限公司 | 对抗网络训练、医疗数据补充方法、装置、设备及介质 |
CN112541555A (zh) * | 2020-12-22 | 2021-03-23 | 中国医学科学院北京协和医院 | 一种基于深度学习的分类器模型的训练方法 |
CN112884062B (zh) * | 2021-03-11 | 2024-02-13 | 四川省博瑞恩科技有限公司 | 一种基于cnn分类模型和生成对抗网络的运动想象分类方法及系统 |
CN113657623B (zh) * | 2021-07-13 | 2023-09-29 | 国网河北省电力有限公司电力科学研究院 | 电力设备状态诊断效果确定方法、装置、终端及存储介质 |
CN114519798A (zh) * | 2022-01-24 | 2022-05-20 | 东莞理工学院 | 一种基于对抗神经网络的多目标图像数据增强方法 |
CN115064263B (zh) * | 2022-06-08 | 2024-08-06 | 华侨大学 | 一种基于随机森林剪枝脑区选择的阿尔兹海默症预测方法 |
CN115512182B (zh) * | 2022-09-26 | 2023-07-04 | 中国人民解放军总医院第一医学中心 | 一种基于聚焦学习的ct血管造影智能成像方法 |
CN116680637B (zh) * | 2023-08-02 | 2023-11-03 | 北京世纪慈海科技有限公司 | 社区居家老年人传感数据分析模型的构建方法及装置 |
CN117457222B (zh) * | 2023-12-22 | 2024-03-19 | 北京邮电大学 | 阿尔茨海默症大脑萎缩模型构建方法、预测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108198179A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种生成对抗网络改进的ct医学图像肺结节检测方法 |
CN109325931A (zh) * | 2018-08-22 | 2019-02-12 | 中北大学 | 基于生成对抗网络和超分辨率网络的多模态图像融合方法 |
-
2019
- 2019-07-26 CN CN201910679959.5A patent/CN110503187B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110503187A (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503187B (zh) | 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 | |
Wang et al. | Covid-19 classification by FGCNet with deep feature fusion from graph convolutional network and convolutional neural network | |
CN110070935B (zh) | 基于对抗神经网络的医学图像合成方法、分类方法及装置 | |
CN111191660B (zh) | 一种基于多通道协同胶囊网络的结肠癌病理学图像分类方法 | |
JP2022538866A (ja) | 画像前処理のためのシステム及び方法 | |
CN109558896B (zh) | 基于超声组学和深度学习的疾病智能化分析方法及系统 | |
CN110276745B (zh) | 一种基于生成对抗网络的病理图像检测算法 | |
CN111488914A (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测系统 | |
CN109711426A (zh) | 一种基于gan和迁移学习的病理图片分类装置及方法 | |
CN113408605A (zh) | 基于小样本学习的高光谱图像半监督分类方法 | |
CN111882509A (zh) | 一种基于生成对抗网络的医学图像数据生成与检测方法 | |
CN113837229B (zh) | 一种知识驱动型的文本到图像生成方法 | |
CN116226629B (zh) | 一种基于特征贡献的多模型特征选择方法及系统 | |
CN111899259A (zh) | 一种基于卷积神经网络的前列腺癌组织微阵列分级方法 | |
CN109543637A (zh) | 一种人脸识别方法、装置、设备以及可读存储介质 | |
CN108256423A (zh) | 基于总体相关系数的阿尔茨海默症特征提取方法及系统 | |
JP5320443B2 (ja) | 高速判別装置および高速判別装置を高速化する方法、並びに高速判別装置プログラム | |
CN112863650A (zh) | 一种基于卷积与长短期记忆神经网络的心肌病识别系统 | |
CN117195027A (zh) | 基于成员选择的簇加权聚类集成方法 | |
CN114224354B (zh) | 心律失常分类方法、装置及可读存储介质 | |
Matsui et al. | Feature selection by genetic algorithm for MRI segmentation | |
CN113723485B (zh) | 一种轻微肝性脑病脑影像超图处理方法 | |
Mabuza-Hocquet et al. | Ethnicity prediction and classification from iris texture patterns: A survey on recent advances | |
Srivardhini et al. | A deep learning based multi-model for early prognosticate of Alzheimer’s dementia using MRI dataset | |
CN114445643B (zh) | 一种基于显著稀疏强关联的fmri脑功能连接数据特征提取方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230922 Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant after: Shenzhen Wanzhida Technology Co.,Ltd. Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301 Applicant before: JIANGSU University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |