CN110559003A - 基于改进U-Net模型的脑神经性慢性疾病的诊断方法 - Google Patents
基于改进U-Net模型的脑神经性慢性疾病的诊断方法 Download PDFInfo
- Publication number
- CN110559003A CN110559003A CN201910878212.2A CN201910878212A CN110559003A CN 110559003 A CN110559003 A CN 110559003A CN 201910878212 A CN201910878212 A CN 201910878212A CN 110559003 A CN110559003 A CN 110559003A
- Authority
- CN
- China
- Prior art keywords
- image
- improved
- training
- net model
- brain
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 208000017667 Chronic Disease Diseases 0.000 title claims abstract description 13
- 210000003792 cranial nerve Anatomy 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 43
- 210000004556 brain Anatomy 0.000 claims abstract description 36
- 238000010586 diagram Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims description 10
- 238000002405 diagnostic procedure Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 10
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 208000018737 Parkinson disease Diseases 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 208000024827 Alzheimer disease Diseases 0.000 description 3
- 230000004770 neurodegeneration Effects 0.000 description 3
- 208000015122 neurodegenerative disease Diseases 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002598 diffusion tensor imaging Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- High Energy & Nuclear Physics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明属于脑部神经性慢性疾病的诊断方法技术领域,尤其涉及一种基于改进U‑Net模型的脑神经性慢性疾病的诊断方法。该方法包括如下步骤:获取待处理的脑部PET图像;对待处理的脑部PET图像进行预处理;将预处理后的脑部PET图像作为输入数据,输入预先训练的改进U‑Net模型,得到输出结果;将输出结果与预先定义的诊断信息进行匹配,输出脑部PET图像是否患病信息;其中,预先训练的改进U‑Net模型为基于训练图像数据库中脑部PET图像和对应的是否患病标签的训练集,进行训练后的模型。该方法基于改进U‑Net模型,提高脑神经性慢性疾病的诊断正确率,同时可以充分利用图像中可视化特征图的有效信息。
Description
技术领域
本发明属于脑部神经性慢性疾病的诊断方法技术领域,尤其涉及一种基于改进U-Net模型的脑神经性慢性疾病的诊断方法。
背景技术
阿尔茨海默病(Alzheimer Disease,AD)和帕金森病(Parkinson Disease,PD)作为全世界发病率第一和第二的神经退行性疾病,多发于中老年阶段。
AD和PD的确诊主要基于临床诊断和影像学方法,临床诊断方法所利用的病症往往都出现在发病过程中后期,此时早已无法实现早期诊断和针对治疗。影像学方法,具体包括对结构磁共振成像(Magnetic Resonance Imaging,MRI)、正电子发射型计算机断层成像(Positron Emission Computed Tomography,PET)以及弥散张量成像(Diffusion TensorImaging,DTI)等影像信息进行综合评估,获得脑部结构、功能的详细状况,具有良好的诊断效果。因此,针对影像学数据的处理以及对应的辅助诊断方法具有重要的研究价值。
辅助诊断主要利用深度学习模型,将现有的带标签影像学数据送入深度学习模型中训练,以此得到二分类、多分类的分类结果。然而由于医学数据本身数量稀少,大部分研究都利用早期单一模态数据,直接利用传统的深度学习模型容易陷入过拟合的困境,无法针对神经退行性疾病的病程导致的脑部拓扑结构变化进行研究,对于患者的病情无法做出准确客观的判断,导致其诊断正确率不高。同时,大部分研究没有利用深度学习网络训练过程中提取的可视化特征图,导致许多训练过程的有效性息被浪费。因此对于深度学习模型的改进,使其适用于医学影像数据十分必要。
发明内容
(一)要解决的技术问题
针对现有存在的技术问题,本发明提供一种基于改进U-Net模型的脑神经性慢性疾病的诊断方法,充分利用图像中可视化特征图的有效信息,提高脑神经性慢性疾病的诊断正确率。
(二)技术方案
本发明提供一种基于改进U-Net网络模型的脑神经性慢性疾病的诊断方法,包括如下步骤:
A1、获取待处理的脑部PET图像;
A2、对所述待处理的脑部PET图像进行灰度变换、直方图均衡化、去噪、图像增强的预处理;
A3、将预处理后的脑部PET图像作为输入数据,输入预先训练的改进U-Net模型,得到输出结果;
A4、将输出结果与预先定义的诊断信息进行匹配,输出所述脑部PET图像是否患病信息;
其中,所述预先训练的改进U-Net模型为基于训练图像数据库中脑部PET图像和对应的是否患病标签的训练集,进行训练后的模型。
进一步地,所述U-Net网络模型的训练包括如下步骤:
S1、采集100张脑部PET图像作为训练图像数据库,用于改进U-Net模型的训练,所述训练图像数据库包括训练集和测试集,其中,训练集50张,测试集50张;
S2、对每张图像灰度变换、直方图均衡化、去噪、图像增强的预处理;
S3、将预处理后的训练集图像及其是否患病标签分别作为输入数据,对改进U-Net模型进行训练;
将预处理后的测试集图像作为输入数据输入训练后的改进U-Net模型,进行超参数调整,得到训练好的改进U-Net模型。
进一步地,所述训练图像数据库中的脑部PET图像来自PPMI、ADNI和HCP。
进一步地,使用线性整流函数作为改进U-Net模型的激励函数。
进一步地,所述改进U-Net模型包括三层编码路径和对应的三层解码路径;
每一所述编码路径均包括:两个3*3的可变卷积单元、一个最大池化运算器和一个步长为2的下采样通道;
每一所述解码路径均包括:两个3*3的可变卷积单元、一个最大池化运算器和一个步长为2的上采样通道。
进一步地,所述可变卷积单元满足如下公式:
式中:分别为改进U-Net模型中第l层路径的输入和输出特征图;f为可变卷积单元的大小;so为可变卷积单元的步长;k1为特征图的通道数;(x、y)为像素点坐标;Δx、Δy作为小量忽略;为赋予每一个像素点权值的函数,通过双线性插值法得到;
u(x,y)=max(0,1-|x-y|)
式中:为像素点p的权值函数;q为特征图中的积分像素;w(q)为积分像素q的权值函数;qw为输入特征图中的积分像素;pw为输入特征图中的像素;qz为输出特征图中的积分像素;pz为输出特征图中的像素;u为一位卷积核。
进一步地,所述直方图均衡化中采用限制对比度自适应直方图均衡算法,满足以下公式:
式中:L为图像中所有的灰度值取值;k为待均衡化的灰度值;MN为总像素点个数;nj为灰度值为j的像素点的个数。
进一步地,采用小波阈值去噪法对待处理的脑部PET图像进行去噪处理。
进一步地,所述图像增强包括:采用对比度线性拉伸函数进行图像增强处理。
(三)有益效果
本发明提供的脑神经性慢性疾病的诊断方法,通过改进U-Net模型,能够适应脑部影像学数据的特点,提高诊断正确率。同时,在诊断过程中能够提取可视化特征图,为医生对神经退行性疾病的病程发展研究、早期针对治疗方案制定等方面提供帮助。
附图说明
图1为本发明提供的诊断方法的流程图;
图2为本发明中待处理的脑部PET图像;
图3为本发明中经过灰度变换和直方图均衡化的图像;
图4为本发明中经过去噪的图像;
图5为本发明中预处理后的图像;
图6为本发明中改进U-Net模型的结构示意图;
图7为本发明改进U-Net模型中第一层解码路径得到的可视化特征图;
图8为本发明改进U-Net模型中第二层解码路径得到的可视化特征图;
图9为本发明改进U-Net模型中第三层解码路径得到的可视化特征图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
本发明提供一种基于改进U-Net模型的脑神经性慢性疾病的诊断方法,如图1所示,包括如下步骤:
A1、获取待处理的脑部PET图像,如图2所示。
A2、对所述待处理的脑部PET图像进行灰度变换、直方图均衡化、去噪、图像增强的预处理,具体地:
A21、将脑部PET图像的灰度值从-2000~2000,映射到0~255;
A22、对灰度变换后的脑部PET图像使用限制对比度自适应直方图均衡算法提高对比度,得到如图3所示的灰度变换和直方图均衡化后的图像;
限制对比度自适应直方图均衡算法满足以下公式:
式中:sk为均衡化后的灰度值;L为图像中所有的灰度值取值;k为待均衡化的灰度值;MN为总像素点个数;nj为灰度值为j的像素点的个数;
A23、对灰度变换和直方图均衡化后的图像进行小波阈值法去噪处理,得到如图4所示的去噪后的图像;
其中,小波阈值法f(x)满足如下公式:
式中:x为像素点的系数;α为设定阈值。即,当像素点的系数x的绝对值小于设定的阈值α时,x会被赋值为0;当像素点的系数x的绝对值大于等于设定的阈值α时,x会被赋值为趋于0。
其中,设定阈值α满足如下公式:
式中:T为去噪时滑动窗口内x的平方和;N为信号离散数;
A24、对去噪后的图像采用对比度线性拉伸函数进行图像增强处理,得到如图5所示的预处理后的图像。
A3、将预处理后的图像作为输入数据,输入预先训练的改进U-Net模型,得到输出结果。
A4、将输出结果与预先定义的诊断信息进行匹配,输出脑部PET图像是否患病信息;
其中,所述预先训练的改进U-Net模型为基于训练图像数据库中脑部PET图像和对应的是否患病标签的训练集,进行训练后的模型。
进一步地,如图6所示,改进U-Net模型包括三层编码路径、基底层和对应的三层解码路径,每一层编码路径和每一层解码路径之间包括复制和裁剪(copy and crop)操作,有利于保留更多的有用信息。改进U-Net模型中使用线性整流函数(Rectified Linear Unit,ReLU)作为激励函数,利用自适应矩估计优化器(Adam-Optimizer)进行模型优化。
每一层编码路径均由两个3*3的可变卷积单元、一个最大池化运算器和一个步长位2的下采样通道组成;编码路径后设置有一个基底层,基底层由两个3*3的可变卷积单元组成;每一层解码路径均由两个3*3的可变卷积单元、一个最大池化运算器和一个步长位2的上采样通道组成。
如图7所示,为改进U-Net模型中第一层解码路径得到的可视化特征图,第一层解码路径提取脑部PET图像的初级特征;如图8所示,为改进U-Net模型中第二层解码路径得到的可视化特征图,第二层解码路径提取的特征相较于第一层解码路径提取的特征具有更多的细节;如图9所示,为改进U-Net模型中第三层解码路径得到的可视化特征图,第三层解码路径提取的特征是改进U-Net模型学习到的区别性特征。
其中,可变卷积单元满足如下公式:
式中:Zl+1分别为l层的输入和输出特征矩阵,又称为特征图;f为可变卷积单元的大小;so为可变卷积单元的步长;k1为特征图的通道数;(x、y)为像素点坐标;Δx、Δy可以作为小量忽略;为赋予每一个像素点权值的函数,通过双线性插值法得到;
u(x,y)=max(0,1-|x-y|)
式中:为像素点p为权值函数;q为特征图中的积分像素;w(q)为积分像素q的权值函数;qw为输入特征图中的积分像素;pw为输入特征图中的像素;qz为输出特征图中的积分像素;pz为输出特征图中的像素;u为一位卷积核。
具体地,改进U-Net模型的训练过程如下:
S1、采集100张脑部PET图像作为训练图像数据库,用于改进U-Net模型的训练,所述训练图像数据库包括训练集和测试集,其中,训练集50张,测试集50张;
其中,100张脑部PET图像采集自公开数据库:帕金森病程标志物计划(Parkinson's Progression Markers Initiative,PPMI)、阿尔茨海默氏症神经成像计划(Alzheimer'sDisease Neuroimaging Initiative,ADNI)和人类连接组计划(Human ConnectomeProject,HCP)。
S2、对每张图像灰度变换、直方图均衡化、去噪、图像增强的预处理。
S3、将预处理后的训练集图像及其是否患病标签分别作为输入数据,对改进U-Net模型进行训练;
将预处理后的测试集图像作为输入数据输入训练后的改进U-Net模型,进行超参数调整,得到训练好的改进U-Net模型。
以上结合具体实施例描述了本发明的技术原理,这些描述只是为了解释本发明的原理,不能以任何方式解释为对本发明保护范围的限制。基于此处解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (9)
1.一种基于改进U-Net网络模型的脑神经性慢性疾病的诊断方法,其特征在于,包括如下步骤:
A1、获取待处理的脑部PET图像;
A2、对所述待处理的脑部PET图像进行灰度变换、直方图均衡化、去噪、图像增强的预处理;
A3、将预处理后的脑部PET图像作为输入数据,输入预先训练的改进U-Net模型,得到输出结果;
A4、将输出结果与预先定义的诊断信息进行匹配,输出所述脑部PET图像是否患病信息;
其中,所述预先训练的改进U-Net模型为基于训练图像数据库中脑部PET图像和对应的是否患病标签的训练集,进行训练后的模型。
2.根据权利要求1所述的诊断方法,其特征在于,所述U-Net网络模型的训练包括如下步骤:
S1、采集100张脑部PET图像作为训练图像数据库,用于改进U-Net模型的训练,所述训练图像数据库包括训练集和测试集,其中,训练集50张,测试集50张;
S2、对每张图像灰度变换、直方图均衡化、去噪、图像增强的预处理;
S3、将预处理后的训练集图像及其是否患病标签分别作为输入数据,对改进U-Net模型进行训练;
将预处理后的测试集图像作为输入数据输入训练后的改进U-Net模型,进行超参数调整,得到训练好的改进U-Net模型。
3.根据权利要求2所述的诊断方法,其特征在于,所述训练图像数据库中的脑部PET图像来自PPMI、ADNI和HCP。
4.根据权利要求3所述的诊断方法,其特征在于,使用线性整流函数作为改进U-Net模型的激励函数。
5.根据权利要求4所述的诊断方法,其特征在于,所述改进U-Net模型包括三层编码路径和对应的三层解码路径;
每一所述编码路径均包括:两个3*3的可变卷积单元、一个最大池化运算器和一个步长为2的下采样通道;
每一所述解码路径均包括:两个3*3的可变卷积单元、一个最大池化运算器和一个步长为2的上采样通道。
6.根据权利要求5所述的诊断方法,其特征在于,所述可变卷积单元满足如下公式:
式中:Zl+1分别为改进U-Net模型中第l层路径的输入和输出特征图;f为可变卷积单元的大小;so为可变卷积单元的步长;k1为特征图的通道数;(x、y)为像素点坐标;Δx、Δy作为小量忽略;为赋予每一个像素点权值的函数,通过双线性插值法得到;
u(x,y)=max(0,1-|x-y|)
式中:为像素点p的权值函数;q为特征图中的积分像素;w(q)为积分像素q的权值函数;qw为输入特征图中的积分像素;pw为输入特征图中的像素;qz为输出特征图中的积分像素;pz为输出特征图中的像素;u为一位卷积核。
7.根据权利要求6所述的诊断方法,其特征在于,所述直方图均衡化中采用限制对比度自适应直方图均衡算法,满足以下公式:
式中:L为图像中所有的灰度值取值;k为待均衡化的灰度值;MN为总像素点个数;nj为灰度值为j的像素点的个数。
8.根据权利要求7所述的诊断方法,其特征在于,采用小波阈值去噪法对待处理的脑部PET图像进行去噪处理。
9.根据权利要求8所述的诊断方法,其特征在于,所述图像增强包括:采用对比度线性拉伸函数进行图像增强处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910878212.2A CN110559003A (zh) | 2019-09-17 | 2019-09-17 | 基于改进U-Net模型的脑神经性慢性疾病的诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910878212.2A CN110559003A (zh) | 2019-09-17 | 2019-09-17 | 基于改进U-Net模型的脑神经性慢性疾病的诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110559003A true CN110559003A (zh) | 2019-12-13 |
Family
ID=68780643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910878212.2A Pending CN110559003A (zh) | 2019-09-17 | 2019-09-17 | 基于改进U-Net模型的脑神经性慢性疾病的诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110559003A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI808579B (zh) * | 2021-12-24 | 2023-07-11 | 易思腦科技股份有限公司 | 自動進化的腦波偵測系統與用於腦波資料庫的自動進化方法 |
-
2019
- 2019-09-17 CN CN201910878212.2A patent/CN110559003A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI808579B (zh) * | 2021-12-24 | 2023-07-11 | 易思腦科技股份有限公司 | 自動進化的腦波偵測系統與用於腦波資料庫的自動進化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165667B (zh) | 基于自注意力机制的脑疾病分类系统 | |
CN110930416B (zh) | 一种基于u型网络的mri图像前列腺分割方法 | |
CN113674253B (zh) | 基于U-Transformer的直肠癌CT影像自动分割方法 | |
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 | |
CN114581662B (zh) | 一种脑肿瘤图像的分割方法、系统、装置及存储介质 | |
CN113902761A (zh) | 基于知识蒸馏的肺部疾病病灶无监督分割方法 | |
CN111863232B (zh) | 基于区块链和医学影像的远程疾病智能诊断系统 | |
WO2022121100A1 (zh) | 一种基于darts网络的多模态医学图像融合方法 | |
CN110945564B (zh) | 基于混合上下文cnn模型的医学图像分割 | |
CN113744271A (zh) | 基于神经网络的视神经自动分割和受压迫程度测算方法 | |
CN114748053A (zh) | 一种基于fMRI高维时间序列的信号分类方法及装置 | |
CN113989551A (zh) | 一种基于改进ResNet网络的阿尔茨海默病分类方法 | |
CN113539402B (zh) | 多模态影像自动勾画模型迁移方法 | |
CN113269774B (zh) | 一种mri图像的帕金森病分类及标注病灶区域的方法 | |
CN110559003A (zh) | 基于改进U-Net模型的脑神经性慢性疾病的诊断方法 | |
CN109685803B (zh) | 一种左心室图像分割方法、装置、设备及存储介质 | |
CN116863221A (zh) | 一种基于cnn与注意力机制的阿尔兹海默症分类方法 | |
CN116309754A (zh) | 一种基于局部-全局信息协作的大脑医学图像配准方法及系统 | |
CN116486430A (zh) | 一种基于多分辨率特征融合的多方位身体姿态评估方法 | |
CN111951228B (zh) | 一种融合梯度激活映射和深度学习模型的癫痫灶定位系统 | |
CN114119558B (zh) | 一种自动生成鼻咽癌影像诊断结构化报告方法 | |
CN113487579B (zh) | 自动勾画模型的多模态迁移方法 | |
CN112837807A (zh) | 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法 | |
CN112070742A (zh) | 基于自适应感受野3d空间注意力的脑影像分类装置 | |
CN116741372B (zh) | 一种基于双分支表征一致性损失的辅助诊断系统及装置 |
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: 20191213 |