CN111887813A - 一种鲜活离体组织脑区位置识别的方法及装置 - Google Patents
一种鲜活离体组织脑区位置识别的方法及装置 Download PDFInfo
- Publication number
- CN111887813A CN111887813A CN202010798143.7A CN202010798143A CN111887813A CN 111887813 A CN111887813 A CN 111887813A CN 202010798143 A CN202010798143 A CN 202010798143A CN 111887813 A CN111887813 A CN 111887813A
- Authority
- CN
- China
- Prior art keywords
- brain
- tissue
- fresh
- brain tissue
- map
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000000338 in vitro Methods 0.000 title claims abstract description 23
- 210000005013 brain tissue Anatomy 0.000 claims abstract description 109
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 241001465754 Metazoa Species 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 10
- 210000001519 tissue Anatomy 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000007831 electrophysiology Effects 0.000 description 2
- 238000002001 electrophysiology Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 241000700159 Rattus Species 0.000 description 1
- 108700008625 Reporter Genes Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 229910001424 calcium ion Inorganic materials 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011532 immunohistochemical staining Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009261 transgenic effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0073—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by tomography, i.e. reconstruction of 3D images from 2D projections
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Neurology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种鲜活离体脑组织脑区位置识别的方法,包括以下步骤:S1、根据鲜活离体脑组织所来自的实验对象,从脑图谱模型库中获取该实验对象所对应的脑组织图谱识别模型;S2、采集鲜活离体脑组织的脑片图像信号;S3、从脑片图像信号中提取出脑片图像信号中的特征值;S4、采用脑组织图谱识别模型对提取的特征值进行分析,识别出鲜活离体脑组织的脑片图像所对应的脑图谱,从而识别出脑片图像上各脑区。本发明公开一种鲜活离体脑组织脑区位置识别的装置,包括图像获取模块、图像采集模块、图像提取模块、图像识别模块。本发明可以实现从人工观察识别离体鲜活脑组织片上的脑区域结构到机器观察识别并标记的转换。
Description
技术领域
本发明属于神经科学研究实验技术领域,具体涉及一种鲜活离体组织脑区位置识别的方法及装置。
背景技术
脑是动物体内最复杂的器官,由数目庞大、形态及功能各异的神经元和其他细胞组成,通过不同的神经元和神经网络编码学习记忆、情感、认知、意识等活动。研究和认识大脑是治疗神经精神疾病,模拟大脑功能,优化人工智能等工作的基础。随着免疫组织化学染色、荧光转基因技术等显色方法的出现和成熟应用,人们已经对小鼠、大鼠等多种模式动物的大脑区域结构有了比较详细的了解,并且绘制完成了这些动物较为精准和详细的标准图谱。
当前,无论是经典实验对象的尼斯染色脑图谱还是后来通过转录荧光报告基因用于显示特定基因脑内表达的电子图片,都是将实验对象脑组织固定后,按特定厚度切片所取得的脑图片,并据此绘制的脑结构图谱。采用这类脑图谱对特定脑区的识别和鉴定时,对于研究人员常常是一个极大的挑战,通常需要经验十分丰富的科研人员依据实际脑组织片仔细比对脑图谱,才能准确识别相关脑区。此外,由于研究中因使用的实验对象年龄、体重、性别等差异,脑区位置也存在一定的偏差,鲜活脑组织不同于固定后染色的脑组织切片,从图像上看以灰白为主,且通常都在200-400微米厚;并且在实际操作中需要使脑片上的神经元保持较好的活性,需要实时灌流人工脑脊液,这些因素都给离体鲜活脑组织切片上识别特定脑区带来了很大的困难,这给脑科学研究,尤其是在离体鲜活脑组织片特定脑区细胞生理功能研究时给研究人员造成了严重的困扰。依据传统的图谱识别方法,不仅费时费力,且因动物个体差异,脑组织切片时位置的区别,常常导致较大的误差。
发明内容
本发明的目的是提供一种鲜活离体组织脑区位置识别的方法及装置,应用于电生理、离体脑片离子成像等神经科学研究实验中,在鲜活脑组织片上实时识别和显示目标脑区域结构的方法及装置,能够提高电生理、离子成像等活体脑组织切片上进行研究时目标脑区的准确性和高效,以解决背景技术中所提出的缺陷或问题。
为实现上述发明目的,本发明的实施例提供一种鲜活离体脑组织脑区位置识别的方法,其特征在于,包括以下步骤:
S1、根据鲜活离体脑组织所来自的实验对象,从脑图谱模型库中获取该实验对象所对应的脑组织图谱识别模型;
S2、采集鲜活离体脑组织的脑片图像信号;
S3、从步骤S2的脑片图像信号中提取出脑片图像信号中的特征值;
S4、采用步骤S1所获取的脑组织图谱识别模型对步骤S3所提取的特征值进行分析,识别出鲜活离体脑组织的脑片图像所对应的脑图谱,从而识别出脑片图像上各脑区。
在本发明进一步的实施例中,所述步骤S1中获取实验对象所对应的脑组织图谱识别模型,具体包括以下步骤:
S1-1、脑图谱模型库的预先建立;所述脑图谱模型库包括不同年龄段及性别的动物所对应的脑组织图谱识别模型;
S1-2、获取该鲜活离体脑组织所采用的实验对象所属年龄段对应的脑组织图谱识别模型。
其中,所述脑图谱模型库的预先建立包括以下步骤:采集不同切面的实验对象的鲜活离体脑组织图片建立脑图谱模型库;分别从每个切面下的脑切片样本中提取出特征值;对每个切面下的特征值进行训练,构建该实验对象所对应的脑组织图谱识别模型。
在本发明进一步的实施例中,所述步骤S3提取出脑片图像信号中的特征值,具体包括以下步骤:将步骤S2中脑片图像信号中每个像素点的值及背景差异,分别抓取和识别每次采集的图片像素特征,并结合标准脑图谱模型库中的图谱比对,确定该鲜活离体脑组织所处的脑层次,并将脑图谱模型库中的脑图谱以透明化形式覆盖至所采集的鲜活离体脑组织的脑片图像上,显示脑组织上对应位置的脑区名称。
在本发明进一步的实施例中,在步骤S4过程中,识别出鲜活离体脑组织的脑片图像所对应的脑图谱,包括以下过程:通过窗口命令输入用户的目标脑区,图像采集和识别后,自动以特定的颜色显示离体活脑组织片上对应的脑区及边界;并且,移动组织切片时,相应的脑区域标识部分也随之移动。
在本发明进一步的实施例中,在步骤S4过程中,识别出鲜活离体脑组织的脑片图像所对应的脑图谱还可通过“在线学习”的方式获取,具体包括以下过程:在采集实验对象的脑组织图谱模型进行识别前,先采集实验对象离体活的脑组织切片处于不同层次和切面的脑组织图像作为样本来“在线学习”出该实验对象的脑电识别模型;在采集实验对象的脑组织图谱信号样本时,研究人员根据程序提示完成制定动作,在执行过程中记录下实验对象所有的脑组织图谱,并按照位置的前后顺序打上标,依据切片厚度的不同,可以设置100微米的间隔。
在本发明进一步的实施例中,所述步骤S4还包括对脑片图像上各脑区进行区域标记,所述区域标记可以采用选定的颜色、数字或英文缩写一种或多种标出。
本发明的实施例还提供一种鲜活离体组织脑区位置识别的装置,其特征在于,包括图像获取模块、图像采集模块、图像提取模块、图像识别模块;其中,
所述图像获取模块,用于从预先构建的脑图谱模型库中获取实验对象所对应的脑组织图谱识别模型;
所述图像采集模块,用于采集实验对象的脑图像处于不同切片层时的脑组织图像信号样本;
所述图像提取模块,用于分别从每次所采集的脑组织图像信号样本中提取特征值;
所述图像识别模块,用于将图像获取模块所获取脑图像识别模型对所述提取单元所提取的特征值进行分析,识别出脑图像信号所对应的标准脑图谱。
在本发明进一步的实施例中,一种鲜活离体组织脑区位置识别的装置还包括过滤模块,所述过滤模块用于根据预设采集频率对样本采集单元所采集到的脑组织图像信号进行降噪。
本发明的上述技术方案的有益效果如下:
(1)本发明通过计算机软件,结合实时图像采集的实验对象鲜活离体脑组织切片图像集,利用基于深度学习的图像识别技术引入神经生物学研究领域,对每一张图片进行特征识别和标记,并和标准脑图谱比较,最终实现基于软件和脑图谱结合,实时识别实验对象鲜活离体脑组织片上指定脑区域结构及核团标注和位置显示。
(2)本发明可以实现从人工观察识别离体鲜活脑组织片上的脑区域结构到机器观察识别并标记的转换,本发明实施例提供的离体脑片区域结构识别方法及装置,能够获取实验对象的脑片图像识别模型,进而采用该实验对象自身的脑图像模型采集到的脑图像进行分析识别,精确定位实验对象鲜活离体脑片上的脑区结构位置,从而避免样本之间的差异,显著提高离体鲜活脑组织上脑区域结构的精确识别。
(3)本发明采用脑组织图谱识别模型对实验对象自身的脑组织图片上的结构区域进行识别,能够避免个体之间的差异,提高脑组织区域结构识别的准确性。对进一步在标记脑区进行细胞生理功能研究具有重要的现实意义,可将本发明实施例所提供的脑组织图像识别方法运用到脑地图构建、离体电生理记录,离体脑片钙离子成像等研究中,使得脑科学研究更精准、高效。
附图说明
图1为本发明的鲜活离体脑组织脑区位置识别的方法的工作流程图;
图2为本发明的鲜活离体脑组织脑区位置识别的装置的结构示意图。
附图标记说明:1、图像获取模块;2、图像采集模块;3、图像提取模块;4、图像识别模块。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
如图1所示,一种鲜活离体脑组织脑区位置识别的方法,包括以下步骤:
S1、根据鲜活离体脑组织所来自的实验对象,从脑图谱模型库中获取该实验对象所对应的脑组织图谱识别模型。
S1-1、脑图谱模型库的预先建立;所述脑图谱模型库包括不同年龄段及性别的动物所对应的脑组织图谱识别模型;
S1-2、获取该鲜活离体脑组织所采用的实验对象所属年龄段对应的脑组织图谱识别模型。
其中,所述脑图谱模型库的预先建立包括以下步骤:采集不同切面的实验对象的鲜活离体脑组织图片建立脑图谱模型库;分别从每个切面下的脑切片样本中提取出特征值;对每个切面下的特征值进行训练,构建该实验对象所对应的脑组织图谱识别模型。
S2、采集鲜活离体脑组织的脑片图像信号。
S3、从步骤S2的脑片图像信号中提取出脑片图像信号中的特征值;
具体的,将步骤S2中脑片图像信号中每个像素点的值及背景差异,分别抓取和识别每次采集的图片像素特征,并结合标准脑图谱模型库中的图谱比对,确定该鲜活离体脑组织所处的脑层次,并将脑图谱模型库中的脑图谱以透明化形式覆盖至所采集的鲜活离体脑组织的脑片图像上,显示脑组织上对应位置的脑区名称。
S4、采用步骤S1所获取的脑组织图谱识别模型对步骤S3所提取的特征值进行分析,识别出鲜活离体脑组织的脑片图像所对应的脑图谱,从而识别出脑片图像上各脑区。对脑片图像上各脑区进行区域标记,所述区域标记可以采用选定的颜色、数字或英文缩写一种或多种标出。
具体的,识别出鲜活离体脑组织的脑片图像所对应的脑图谱,包括以下过程:通过窗口命令输入用户的目标脑区,图像采集和识别后,自动以特定的颜色显示离体活脑组织片上对应的脑区及边界;并且,移动组织切片时,相应的脑区域标识部分也随之移动。
具体的,识别出鲜活离体脑组织的脑片图像所对应的脑图谱还可通过“在线学习”的方式获取,具体包括以下过程:在采集实验对象的脑组织图谱模型进行识别前,先采集实验对象离体活的脑组织切片处于不同层次和切面的脑组织图像作为样本来“在线学习”出该实验对象的脑电识别模型;在采集实验对象的脑组织图谱信号样本时,研究人员根据程序提示完成制定动作,在执行过程中记录下实验对象所有的脑组织图谱,并按照位置的前后顺序打上标,依据切片厚度的不同,可以设置100微米的间隔。
如图2所示,一种鲜活离体组织脑区位置识别的装置,包括图像获取模块、图像采集模块、图像提取模块、图像识别模块;其中,
所述图像获取模块1,用于从预先构建的脑图谱模型库中获取实验对象所对应的脑组织图谱识别模型;
所述图像采集模块2,用于采集实验对象的脑图像处于不同切片层时的脑组织图像信号样本;
所述图像提取模块3,用于分别从每次所采集的脑组织图像信号样本中提取特征值;
所述图像识别模块4,用于将图像获取模块所获取脑图像识别模型对所述提取单元所提取的特征值进行分析,识别出脑图像信号所对应的标准脑图谱。
优选的,一种鲜活离体组织脑区位置识别的装置还包括过滤模块,所述过滤模块用于根据预设采集频率对样本采集单元所采集到的脑组织图像信号进行降噪。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种鲜活离体脑组织脑区位置识别的方法,其特征在于,包括以下步骤:
S1、根据鲜活离体脑组织所来自的实验对象,从脑图谱模型库中获取该实验对象所对应的脑组织图谱识别模型;
S2、采集鲜活离体脑组织的脑片图像信号;
S3、从步骤S2的脑片图像信号中提取出脑片图像信号中的特征值;
S4、采用步骤S1所获取的脑组织图谱识别模型对步骤S3所提取的特征值进行分析,识别出鲜活离体脑组织的脑片图像所对应的脑图谱,从而识别出脑片图像上各脑区。
2.根据权利要求1所述的一种鲜活离体组织脑区位置识别的方法,其特征在于,所述步骤S1中获取实验对象所对应的脑组织图谱识别模型,具体包括以下步骤:
S1-1、脑图谱模型库的预先建立;所述脑图谱模型库包括不同年龄段及性别的动物所对应的脑组织图谱识别模型;
S1-2、获取该鲜活离体脑组织所采用的实验对象所属年龄段对应的脑组织图谱识别模型。
3.根据权利要求2所述的一种鲜活离体组织脑区位置识别的方法,其特征在于,所述脑图谱模型库的预先建立包括以下步骤:采集不同切面的实验对象的鲜活离体脑组织图片建立脑图谱模型库;分别从每个切面下的脑切片样本中提取出特征值;对每个切面下的特征值进行训练,构建该实验对象所对应的脑组织图谱识别模型。
4.根据权利要求1所述的一种鲜活离体组织脑区位置识别的方法,其特征在于,所述步骤S3提取出脑片图像信号中的特征值,具体包括以下步骤:将步骤S2中脑片图像信号中每个像素点的值及背景差异,分别抓取和识别每次采集的图片像素特征,并结合标准脑图谱模型库中的图谱比对,确定该鲜活离体脑组织所处的脑层次,并将脑图谱模型库中的脑图谱以透明化形式覆盖至所采集的鲜活离体脑组织的脑片图像上,显示脑组织上对应位置的脑区名称。
5.根据权利要求1所述的一种鲜活离体组织脑区位置识别的方法,其特征在于,在步骤S4过程中,识别出鲜活离体脑组织的脑片图像所对应的脑图谱,包括以下过程:通过窗口命令输入用户的目标脑区,图像采集和识别后,自动以特定的颜色显示离体活脑组织片上对应的脑区及边界;并且,移动组织切片时,相应的脑区域标识部分也随之移动。
6.根据权利要求1所述的一种鲜活离体组织脑区位置识别的方法,其特征在于,在步骤S4过程中,识别出鲜活离体脑组织的脑片图像所对应的脑图谱还可通过“在线学习”的方式获取,具体包括以下过程:在采集实验对象的脑组织图谱模型进行识别前,先采集实验对象离体活的脑组织切片处于不同层次和切面的脑组织图像作为样本来“在线学习”出该实验对象的脑电识别模型;在采集实验对象的脑组织图谱信号样本时,研究人员根据程序提示完成制定动作,在执行过程中记录下实验对象所有的脑组织图谱,并按照位置的前后顺序打上标,依据切片厚度的不同,可以设置100微米的间隔。
7.根据权利要求1所述的一种鲜活离体组织脑区位置识别的方法,其特征在于,所述步骤S4还包括对脑片图像上各脑区进行区域标记,所述区域标记可以采用选定的颜色、数字或英文缩写一种或多种标出。
8.一种鲜活离体组织脑区位置识别的装置,其特征在于,包括图像获取模块、图像采集模块、图像提取模块、图像识别模块;其中,
所述图像获取模块,用于从预先构建的脑图谱模型库中获取实验对象所对应的脑组织图谱识别模型;
所述图像采集模块,用于采集实验对象的脑图像处于不同切片层时的脑组织图像信号样本;
所述图像提取模块,用于分别从每次所采集的脑组织图像信号样本中提取特征值;
所述图像识别模块,用于将图像获取模块所获取脑图像识别模型对所述提取单元所提取的特征值进行分析,识别出脑图像信号所对应的标准脑图谱。
9.根据权利要求8所述的一种鲜活离体组织脑区位置识别的装置,其特征在于,还包括过滤模块,所述过滤模块用于根据预设采集频率对样本采集单元所采集到的脑组织图像信号进行降噪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010798143.7A CN111887813A (zh) | 2020-08-11 | 2020-08-11 | 一种鲜活离体组织脑区位置识别的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010798143.7A CN111887813A (zh) | 2020-08-11 | 2020-08-11 | 一种鲜活离体组织脑区位置识别的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111887813A true CN111887813A (zh) | 2020-11-06 |
Family
ID=73246803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010798143.7A Pending CN111887813A (zh) | 2020-08-11 | 2020-08-11 | 一种鲜活离体组织脑区位置识别的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111887813A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082529A (zh) * | 2022-06-30 | 2022-09-20 | 华东师范大学 | 一种大体组织多维信息采集和分析系统与方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242865A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 基于多图谱的医学图像自动分区系统、方法、装置及存储介质 |
CN110599461A (zh) * | 2019-08-21 | 2019-12-20 | 东南大学 | 一种基于子空间特征学习的丘脑功能分区方法 |
CN110660068A (zh) * | 2019-09-10 | 2020-01-07 | 华中科技大学苏州脑空间信息研究院 | 三维细胞构筑图像的半自动脑区分割方法 |
CN110751112A (zh) * | 2019-10-24 | 2020-02-04 | 复旦大学 | 一种基于计算机视觉的小鼠脑图谱绘制辅助系统及方法 |
CN110880366A (zh) * | 2019-12-03 | 2020-03-13 | 上海联影智能医疗科技有限公司 | 一种医学影像处理系统 |
-
2020
- 2020-08-11 CN CN202010798143.7A patent/CN111887813A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242865A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 基于多图谱的医学图像自动分区系统、方法、装置及存储介质 |
CN110599461A (zh) * | 2019-08-21 | 2019-12-20 | 东南大学 | 一种基于子空间特征学习的丘脑功能分区方法 |
CN110660068A (zh) * | 2019-09-10 | 2020-01-07 | 华中科技大学苏州脑空间信息研究院 | 三维细胞构筑图像的半自动脑区分割方法 |
CN110751112A (zh) * | 2019-10-24 | 2020-02-04 | 复旦大学 | 一种基于计算机视觉的小鼠脑图谱绘制辅助系统及方法 |
CN110880366A (zh) * | 2019-12-03 | 2020-03-13 | 上海联影智能医疗科技有限公司 | 一种医学影像处理系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082529A (zh) * | 2022-06-30 | 2022-09-20 | 华东师范大学 | 一种大体组织多维信息采集和分析系统与方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272492A (zh) | 一种细胞病理涂片的处理方法及系统 | |
CN107368859A (zh) | 病变识别模型的训练方法、验证方法和病变图像识别装置 | |
CN109670510A (zh) | 一种基于深度学习的胃镜活检病理数据筛查系统和方法 | |
CN107330263A (zh) | 一种计算机辅助乳腺浸润性导管癌组织学分级的方法 | |
CN106821324A (zh) | 一种基于舌面和舌下综合分析的舌诊辅助医疗系统 | |
CN114331971A (zh) | 一种基于半监督自训练的超声内镜目标检测方法 | |
CN109431523A (zh) | 基于非社会性声音刺激行为范式的孤独症初级筛查装置 | |
CN110495888B (zh) | 一种基于中医舌、面图像的标准色卡及其应用 | |
CN113470820A (zh) | 一种艾灸机器人智能控制方法 | |
CN109431522A (zh) | 基于叫名反应范式的孤独症早期筛查装置 | |
CN111887813A (zh) | 一种鲜活离体组织脑区位置识别的方法及装置 | |
CN111222464B (zh) | 情感分析方法以及系统 | |
CN114360718B (zh) | 一种基于特征拟合的pet/ct自动肺癌诊断分类系统及构建方法 | |
CN113012129A (zh) | 一种脑切片图像的区域定位及标记神经细胞计数系统及装置 | |
CN110766665A (zh) | 基于强监督算法和深度学习网络的舌象数据分析方法 | |
CN106887180B (zh) | 一种基于医学影像经典病案库的教学系统 | |
US20200005014A1 (en) | Non-transitory computer-readable recording medium storing image analysis program and image analysis method | |
CN109711306B (zh) | 一种基于深度卷积神经网络获取面部特征的方法及设备 | |
CN115984266B (zh) | 一种脑区中靶点定位方法及系统 | |
CN110251084A (zh) | 一种基于人工智能的舌像检测与识别方法 | |
CN114529898A (zh) | 一种基于人工智能的大数据类器官图像识别的方法 | |
CN110135357A (zh) | 一种基于远程遥感的幸福感实时检测方法 | |
CN114898862A (zh) | 基于卷积神经网络和病理切片图像的宫颈癌计算机辅助诊断方法 | |
CN115035086A (zh) | 一种基于深度学习的结核皮试智能筛查分析方法和装置 | |
CN114049485A (zh) | 胚胎发育期的心脏断面智能识别和异常判断方法及装置 |
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 |
Application publication date: 20201106 |
|
RJ01 | Rejection of invention patent application after publication |