CN111932523B - 一种基于脑成像大数据深度学习的性别分类器 - Google Patents
一种基于脑成像大数据深度学习的性别分类器 Download PDFInfo
- Publication number
- CN111932523B CN111932523B CN202010821445.1A CN202010821445A CN111932523B CN 111932523 B CN111932523 B CN 111932523B CN 202010821445 A CN202010821445 A CN 202010821445A CN 111932523 B CN111932523 B CN 111932523B
- Authority
- CN
- China
- Prior art keywords
- module
- image
- deep learning
- data
- gender
- 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
Images
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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于脑成像大数据深度学习的性别分类器,包括:数据预处理模块、深度学习模型和预测模块;数据预处理模块用于将输入的磁共振结构成像数据分割为灰质图像、白质图像和脑脊液图像,将分割后的图像由个体空间转化为MNI空间,并对灰质密度和灰质体积图像进行配准;深度学习模型依次包括输入模块、主干模块(stem),卷积模块、缩减模块、平均池化模块、drop out模块及Softmax函数,经数据预处理模块配准后的灰质密度和灰质体积图像由所述输入模块输入,经卷积、缩减和池化处理后提取图像特征值。本发明基于超过8万人次的脑成像大数据,能达到工业级别的脑成像深度学习分类器,具有很强的普适性,分类器对性别的分类正确率达到了94.9%。
Description
技术领域
本发明涉及脑成像技术领域,具体涉及一种基于脑成像大数据深度学习的性别分类器。
背景技术
脑成像尤其是磁共振成像经过数十年的发展,临床应用仍较有限。然而,大数据和深度学习在诸多如基于成像的乳腺癌和眼底疾病诊断上取得了突破性进展。目前,由于磁共振成像成本较高,对病人配合要求较高等原因,磁共振的大数据积累及相关研究一直处于千人级别数量级,难以构造基于大数据的工业级的深度学习分类器,并具备实际用途,具备可迁移性。
发明内容
为了解决上述所存在的技术问题,基于处理后的图像利用深度学习技术,利用脑成像数据对人的生理性别进行预测,实现能达到工业级别的脑成像深度学习分类器,使分类器具有很好的普适性,为此,本发明提供了一种基于脑成像大数据深度学习的性别分类器。
具体实施方案如下:
一种基于脑成像大数据深度学习的性别分类器,所述性别分类器包括:
数据预处理模块,用于将输入的磁共振结构成像数据分割为灰质图像、白质图像和脑脊液图像,将分割后的图像由个体空间转化为MNI空间,并对灰质密度和灰质体积图像进行配准;
深度学习模型,依次包括输入模块、主干模块(stem),卷积模块、缩减模块、平均池化模块、drop out模块及Softmax函数,经所述数据预处理模块配准后的灰质密度和灰质体积图像由所述输入模块输入,经卷积、缩减和池化处理后提取图像特征值;
预测模块,根据所述深度学习模型计算所得到的图像特征值进行性别分类。
所述的卷积模块包括:
卷积模块A,用于提取3x3x3大小范围内的图像特征;
卷积模块B,用于提取7x7x7大小范围内的图像特征;
卷积模块C,用于提取3x3x3大小范围内的图像特征;
所述缩减模块包括:
缩减模块A,用于提取不同来源的图像特征并缩小图片尺度;
缩减模块B,用于提取不同来源的图像特征并缩小图片尺度。
由所述输入模块输入的经配准后的灰质密度和灰质体积图像,依次经卷积模块A、缩减模块A、卷积模块B、缩减模块B和卷积模块C进行图像特征提取与缩减处理。
进一步地,所述性别分类器中还设有质量控制模块,其通过从各个数据来源站点抽取若干名被试的灰质密度图进行平均后形成标准模板,删除每个数据来源站点内同标准模板的空间相似程度小于站点均值减去两倍站点标准差的样本;即:e.g.Corri<Corr_meanj-2*Corr_stdj
其中:Corri为单个被试同标准模板的皮尔逊相关系数;
i为第i个被试;
Corr_meanj为第i个被试所在站点j的同模板的平均相关系数;
Corr_stdj为第i个被试所在站点j的同模板的相关的标准差。
优选地,所述数据预处理模块中利用Data Processing Assistant for Resting-State fMRI(DPARSF)工具中的voxel based morphometry(VBM)分析模块,将磁共振结构成像分割为灰质、白质和脑脊液,并将分割后的图像借助Diffeomorphic AnatomicalRegistration Through Exponentiated Liealgebra(DARTEL)工具将被试的个体空间转化为MNI空间。
优选地,所述数据预处理模块中输入的脑成像数据是基于T1-weighted磁共振结构成像数据或基于功能磁共振(BOLD-fMRI)或PET-CT的脑成像数据。
所述深度学习模型中还加入残差项,用于避免模型深度过大导致的梯度爆炸和梯度消失。
本发明技术方案具有如下优点:
本发明是基于脑成像大数据的深度学习模型,使用了基于三维图像的Inception-ResNet-V2模型,填补了基于脑成像大数据的深度学习分类器空白,能达到工业级别的脑成像深度学习分类器。考虑到此前基于脑成像的分类器多基于数千样本,本发明基于超过8万人次的脑成像大数据,是第一次真正意义的基于大数据构建的深度学习模型,使得模型对性别的分类正确率达到了94.9%,避免了基于单站点小样本的深度学习普适性差的缺点。若某站点丢失了所有被试的性别信息,可以通过本发明单纯借助图像来进行被试性别信息的补全;可以应用于法医鉴定性别,也可以应用于LGBTQ群体,为性别取向的确定提供参考。
附图说明
为了更清楚地说明本发明具体实施方式,下面将对具体实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供深度学习模型示意图;
图2为性别在线的预测平台构架图;
图3为本发明所提供的性别分类器的接受者操作特性曲线;
图4为训练样本中性别分类器的tensorboard监控图,展示了训练过程的准确率和损失变化,曲线被平滑以获得更好的可视化效果;
图5为验证样本中性别分类器的tensorboard监控图,展示了训练过程的准确率和损失变化。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动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。
如图1所示,本发明提供了一种基于脑成像大数据深度学习的性别分类器,基于脑成像标准化处理、深度学习和迁移学习,利用脑成像大数据,训练针对人类性别的分类器。性别分类器包括:数据预处理模块、深度学习模型和预测模块。
数据预处理模块,用于将输入的磁共振结构成像数据分割为灰质图像、白质图像和脑脊液图像,将分割后的图像由个体空间转化为MNI空间,并对灰质密度和灰质体积图像进行配准。本分类器主要基于T1-weighted磁共振结构成像数据。结构像数据先通过我们开发的Data Processing Assistant for Resting-State fMRI(DPARSF)工具中的voxelbased morphometry(VBM)分析模块,将结构像分割为灰质、白质和脑脊液。随后,将分割后的图像借助Diffeomorphic Anatomical Registration Through Exponentiated Liealgebra(DARTEL)工具将被试的个体空间转化为MNI空间。之后将配准后的灰质密度和灰质体积图像作为模型输入进行深度学习训练。
深度学习模型,依次包括输入模块、主干模块(stem),卷积模块、缩减模块、平均池化模块、drop out模块及Softmax函数,经所述数据预处理模块配准后的灰质密度和灰质体积图像由所述输入模块输入,经卷积、缩减和池化处理后提取图像特征值。
卷积模块A,用于提取3x3x3大小范围内的图像特征;
卷积模块B,用于提取7x7x7大小范围内的图像特征;
卷积模块C,用于提取3x3x3大小范围内的图像特征;
所述缩减模块包括:
缩减模块A,用于提取不同来源的图像特征并缩小图片尺度;
缩减模块B,用于提取不同来源的图像特征并缩小图片尺度;
由所述输入模块输入的经配准后的灰质密度和灰质体积图像,依次经卷积模块A、缩减模块A、卷积模块B、缩减模块B和卷积模块C进行图像特征提取与缩减处理。
本发明中在深度学习模型中将两种经典模型Inception和ResNet进行融合,有效提高预测正确率。本模型通过将卷积、池化等模块替换为三维版本并调整或缩减层和卷积核数,使其能够基于三维的磁共振图像进行精准预测。主要的模块包括一个主干模块(Stem),三组卷积模块(Inception-ResNet-A/B/C)和两个缩减模块(Reduction-A/B),如图1所示,能够利用不同大小和形状的卷积核,提取图像中不同尺度的特征;同时在模型中加入残差项(见图1中inception-resnet-A/B/C中带圆圈的加号符号),有效避免了由于模型过“深”导致的梯度消失或梯度爆炸。
预测模块,根据深度学习模型计算所得到的图像特征值进行性别分类。通过Softmax函数输出结果为{0,1}数据,其中0代表性别为女性,1代表性别为男性。
进一步优选地,为了保证在输入模块中输入数据的图像质量较高,在性别分类器中还设有质量控制模块,其通过从各个数据来源站点抽取若干名(优选10-15名)被试的灰质密度图进行平均后形成标准模板,将每个站点内同标准模板的空间相似程度小于站点均值减去两倍站点标准差的样本删去,保留每个数据来源站点内同标准模板的空间相似程度大于等于站点均值减去两倍站点标准差的样本。即删除符合下列公式的样本:
即:e.g.Corri<Corr_meanj-2*Corr_stdj
其中:Corri为单个被试同标准模板的皮尔逊相关系数;
i为第i个被试;
Corr_meanj为第i个被试所在站点j的同模板的平均相关系数;
Corr_stdj为第i个被试所在站点j的同模板的相关的标准差。
为了提升模型的可迁移性和普适性,先基于85721个样本的大数据训练性别分类器。再对性别分类器进行5-Fold跨站点交叉验证,达到了94.9%的正确率。
如图2所示的性别在线的预测平台构架图。通过使用docker技术,将预处理模块和模型预测模块打包到一个docker image中,实现了深度学习分类器的快速部署。随后,基于Node.js的JavaScript运行环境和HTML视图渲染,搭建了性别在线预测平台。具体地说,性别在线预测平台通过HTML表单提交到后端Controller路由接口响应接收,并存储。调用docker容器中算法命令行,得到日志文件,解析相关日志,得到结果标签返回。
基于另一个脑成像大数据库进行深度模型训练,并补全一组丢失性别信息的被试的性别信息。
首先获取了大样本脑成像数据库,包含脑成像信息、被试性别信息的标签,通过如下步骤进行性别分类,并补全被试的性别信息。
(1)对脑成像数据进行数据预处理和数据。
(2)进行质量控制。
(3)部署深度学习模型。在大样本脑成像数据库上进行训练,使该模型能够较为精确地基于脑成像判断被试性别。
(4)分类器评估。使用跨站点的交叉验证或者独立样本验证该分类器对性别的预测效果。
(5)补全被试性别信息。将该分类器应用于需要补全性别信息的图像,将预测标签作为补全的性别信息。
本发明通过对公开数据进行申请、下载和整理,积累了超过8万人的脑成像大数据。这是迄今为止最大的脑成像大数据库。在脑成像大数据的基础上,利用中国科学院心理研究所严超赣等人开发的DPABI工具箱(为领域内市场占有率第2的流水线数据处理工具)对数据进行了标准化处理,基于处理后的图像利用深度学习技术,利用脑成像数据对人的生理性别进行预测。该预测在跨站点交叉验证中达到94.9%的正确率。本模型能对世界上任意一台机器扫描的任意一个人的性别做出接近95%的正确预测。这是首次通过脑成像数据预测个体差异能达到95%左右的正确率,且具有可推广性。
为了确保通用性,本模型使用跨数据集的五折交叉验证来评估性别分类器的准确性(训练正确率和损失曲线见图4和图5)。值得注意的是,由于个别数据集样本数量庞大,训练样本中始终保留了3个数据集:Adolescent Brain Cognitive Development Study(ABCD,n=31,176),UK Biobank(n=20,124)and Alzheimer's Disease NeuroimagingInitiative(ADNI,n=16,596)。跨数据集的五折交叉验证准确率分别为:94.8%、94.0%、94.8%、95.7%和95.8%。综合起来,该模型在测试样本的平均准确率为94.9%。性别分类器的接受者操作特征(receiver operating characteristic,ROC)曲线的曲线下面积(area under curve,AUC)达到0.981(见图3)。简而言之,本发明所提供的性别分类器可以使用来自任何人和任何扫描仪的脑结构成像数据,对被试进行准确率约为95%的性别分类。
本发明所提供的性别分类器,可以辅助法医对只有头颅的尸体进行性别检测,只需扫描尸体头颅获得脑成像数据即可。还可以应用于LGBTQ群体,通过结构磁共振在分类器上分类出来的性别结果,可以为确定性别取向提供参考。当然还可以利用其它领域,这里不再赘述。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (3)
1.一种基于脑成像大数据深度学习的性别分类器,其特征在于,所述性别分类器包括:
数据预处理模块,用于将输入的磁共振结构成像数据分割为灰质图像、白质图像和脑脊液图像,将分割后的图像由个体空间转化为MNI空间,并对灰质密度和灰质体积图像进行配准;
深度学习模型,依次包括输入模块、主干模块stem,卷积模块、缩减模块、平均池化模块、drop out模块及Softmax函数,经所述数据预处理模块配准后的灰质密度和灰质体积图像由所述输入模块输入,经卷积、缩减和池化处理后提取图像特征值;
预测模块,根据所述深度学习模型计算所得到的图像特征值进行性别分类;所述的卷积模块包括:
卷积模块A,用于提取3x3x3大小范围内的图像特征;
卷积模块B,用于提取7x7x7大小范围内的图像特征;
卷积模块C,用于提取3x3x3大小范围内的图像特征;
所述缩减模块包括:
缩减模块A,用于提取不同来源的图像特征并缩小图片尺度;
缩减模块B,用于提取不同来源的图像特征并缩小图片尺度;
由所述输入模块输入的经配准后的灰质密度和灰质体积图像,依次经卷积模块A、缩减模块A、卷积模块B、缩减模块B和卷积模块C进行图像特征提取与缩减处理;所述性别分类器中还设有质量控制模块,其通过从各个数据来源站点抽取若干名被试的灰质密度图进行平均后形成标准模板,删除每个数据来源站点内同标准模板的空间相似程度小于站点均值减去两倍站点标准差的样本;即:e.g. Corri < Corr_meanj-2*Corr_stdj
其中:Corri为单个被试同标准模板的皮尔逊相关系数;
i为第i个被试;
Corr_meanj为第i个被试所在站点j的同模板的平均相关系数;
Corr_stdj为第i个被试所在站点j的同模板的相关的标准差;所述数据预处理模块中利用Data Processing Assistant for Resting-State fMRI工具中的voxel basedmorphometry分析模块,将磁共振结构成像分割为灰质、白质和脑脊液,并将分割后的图像借助Diffeomorphic Anatomical Registration Through Exponentiated Lie algebra工具将被试的个体空间转化为MNI空间。
2.根据权利要求1所述的基于脑成像大数据深度学习的性别分类器,其特征在于,所述数据预处理模块中输入的脑成像数据是基于T1-weighted磁共振结构成像数据或基于功能磁共振BOLD-fMRI或PET-CT的脑成像数据。
3.根据权利要求1所述的基于脑成像大数据深度学习的性别分类器,其特征在于,所述深度学习模型中还加入残差项,用于避免模型深度过大导致的梯度爆炸和梯度消失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010821445.1A CN111932523B (zh) | 2020-08-14 | 2020-08-14 | 一种基于脑成像大数据深度学习的性别分类器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010821445.1A CN111932523B (zh) | 2020-08-14 | 2020-08-14 | 一种基于脑成像大数据深度学习的性别分类器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932523A CN111932523A (zh) | 2020-11-13 |
CN111932523B true CN111932523B (zh) | 2023-02-10 |
Family
ID=73310410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010821445.1A Active CN111932523B (zh) | 2020-08-14 | 2020-08-14 | 一种基于脑成像大数据深度学习的性别分类器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932523B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523840B (zh) * | 2023-03-30 | 2024-01-16 | 苏州大学 | 一种基于深度学习的肺部ct图像检测系统以及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363083A (zh) * | 2019-06-06 | 2019-10-22 | 广智微芯(扬州)有限公司 | 一种人脸图像性别识别方法及装置 |
CN110992351A (zh) * | 2019-12-12 | 2020-04-10 | 南京邮电大学 | 基于多输入卷积神经网络的sMRI图像分类方法和装置 |
CN111199208A (zh) * | 2019-12-31 | 2020-05-26 | 上海昌投网络科技有限公司 | 一种基于深度学习框架的头像性别识别方法及系统 |
CN111488914A (zh) * | 2020-03-17 | 2020-08-04 | 哈尔滨工业大学 | 一种基于多任务学习的阿尔茨海默症分类及预测系统 |
-
2020
- 2020-08-14 CN CN202010821445.1A patent/CN111932523B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363083A (zh) * | 2019-06-06 | 2019-10-22 | 广智微芯(扬州)有限公司 | 一种人脸图像性别识别方法及装置 |
CN110992351A (zh) * | 2019-12-12 | 2020-04-10 | 南京邮电大学 | 基于多输入卷积神经网络的sMRI图像分类方法和装置 |
CN111199208A (zh) * | 2019-12-31 | 2020-05-26 | 上海昌投网络科技有限公司 | 一种基于深度学习框架的头像性别识别方法及系统 |
CN111488914A (zh) * | 2020-03-17 | 2020-08-04 | 哈尔滨工业大学 | 一种基于多任务学习的阿尔茨海默症分类及预测系统 |
Non-Patent Citations (3)
Title |
---|
基于TensorFlow的卷积神经网络图像分类实践策略研究;赵浩;《价值工程》;20200328(第09期);全文 * |
基于多重卷积神经网络跨数据集图像分类;刘鑫童等;《计算机工程与设计》;20181116(第11期);全文 * |
基于深度学习的脑部核磁图像分割算法;程俊龙等;《轻工科技》(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111932523A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107506761B (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
CN109919230B (zh) | 基于循环特征金字塔的医学图像肺结节检测方法 | |
CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其系统 | |
WO2016192612A1 (zh) | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 | |
CN111932522B (zh) | 一种基于脑成像大数据深度学习的阿尔兹海默症分类器 | |
CN107506797A (zh) | 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法 | |
CN113177943B (zh) | 一种脑卒中ct影像分割方法 | |
CN112164082A (zh) | 基于3d卷积神经网络分割多模态mr脑部图像方法 | |
CN104484886B (zh) | 一种mr图像的分割方法及装置 | |
CN110838108A (zh) | 基于医疗图像的预测模型构建方法、预测方法及装置 | |
CN106650818B (zh) | 基于高阶超网络的静息态功能磁共振影像数据分类方法 | |
CN105976393A (zh) | 大脑局灶性病变自动探测方法及装置 | |
CN112712528A (zh) | 一种多尺度u型残差编码器与整体反向注意机制结合的肠道病灶分割方法 | |
CN114998220A (zh) | 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法 | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
CN116579975A (zh) | 一种卷积神经网络的脑龄预测方法及系统 | |
CN114332572A (zh) | 基于显著图引导分层密集特征融合网络用于提取乳腺病变超声图像多尺度融合特征参数方法 | |
CN111863247A (zh) | 基于结构磁共振影像的大脑年龄级联精炼预测方法及系统 | |
CN111932523B (zh) | 一种基于脑成像大数据深度学习的性别分类器 | |
CN111383222A (zh) | 一种基于深度学习的椎间盘mri图像智能诊断系统 | |
CN114581459A (zh) | 一种基于改进性3D U-Net模型的学前儿童肺部影像感兴趣区域分割方法 | |
CN107590806B (zh) | 一种基于大脑医学成像的检测方法和系统 | |
CN112861881A (zh) | 一种基于改进MobileNet模型的蜂窝肺识别方法 | |
CN111223113B (zh) | 基于双重密集上下文感知网络的核磁共振海马体分割算法 | |
CN115937129A (zh) | 基于多模态磁共振影像的左右半脑关系的处理方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |