CN111968113A - 一种基于最优传输映射的脑影像二维卷积深度学习方法 - Google Patents
一种基于最优传输映射的脑影像二维卷积深度学习方法 Download PDFInfo
- Publication number
- CN111968113A CN111968113A CN202010910497.6A CN202010910497A CN111968113A CN 111968113 A CN111968113 A CN 111968113A CN 202010910497 A CN202010910497 A CN 202010910497A CN 111968113 A CN111968113 A CN 111968113A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- brain image
- mapping
- brain
- deep learning
- 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
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 89
- 238000013507 mapping Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000005540 biological transmission Effects 0.000 title claims abstract description 29
- 230000000877 morphologic effect Effects 0.000 claims abstract description 15
- 238000013508 migration Methods 0.000 claims abstract description 14
- 230000005012 migration Effects 0.000 claims abstract description 14
- 210000003710 cerebral cortex Anatomy 0.000 claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 13
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 10
- 230000001054 cortical effect Effects 0.000 claims description 9
- 210000005154 hemibrain Anatomy 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000003925 brain function Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 8
- 238000012549 training Methods 0.000 abstract description 6
- 238000013526 transfer learning Methods 0.000 abstract description 6
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000003909 pattern recognition Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于最优传输映射的脑影像二维平面图像映射方法，包括获取待映射的脑影像数据；将脑影像数据重建脑皮层三维网格表面，并获取三维网格顶点的形态学测量值；将脑皮层三维网格表面映射为二维平面并进行网格化；将三维网格顶点的形态学测量值映射到二维平面，得到二维平面图像；对生成的二维平面图像进行深度学习或深度迁移学习。本发明实现了成熟的二维卷积神经网络模型在三维/四维脑影像数据上的运用，克服了三维/四维脑影像数据缺乏性能优良的深度学习模型的瓶颈，可利用二维卷积神经网络模型进行迁移学习，解决了脑影像样本小而模型训练难的问题。
Description
技术领域
本发明涉及脑影像深度学习技术，具体涉及一种基于最优传输映射的脑影像二维平面图像映射方法。
背景技术
脑影像的模式识别是脑科学与信息科学交叉学科领域的重点研究方向之一。发育、老化、长期训练和脑疾病等都伴随有大脑结构或功能的变化。磁共振成像作为一种非侵入式的脑成像手段，可以对脑结构或功能进行测量，构建脑影像的模式分类模型，将为构建个体的脑影像指纹提供方法学支撑。
深度学习是近年兴起的模式识别方法，成功应用于计算机视觉、自然语言处理等领域。卷积神经网络是目前深度学习技术领域中非常具有代表性的神经网络之一，在图像处理领域有出色表现。它是一种前馈神经网络，通常由多个卷积层组成，并通过反向传播算法进行网络权值更新。深度学习在脑影像模式识别领域得到了持续的关注，但是有限的脑影像样本和深度学习所要求的大规模训练样本之间存在巨大的鸿沟，限制了深度学习在脑影像模式识别领域的应用。由于脑影像采集成本高昂，有限时间内无法采集到如计算机视觉与图像识别领域的样本规模，所以亟待从方法学角度为这一鸿沟搭建桥梁。迁移学习很有可能是最优方案之一。一种常用的迁移学习方案是在大型数据集(如2D自然图像数据集ImageNet)上预训练模型，然后在新的数据集上微调模型。但是，脑影像通常是3维或4维体积图像，而当前3维或4维深度学习模型还不成熟。因此，亟需发展一种深度/迁移学习方法框架，将成熟的二维深度卷积神经网络模型应用于3维或4维脑影像的模式识别，从而提高脑影像模式识别的性能。
最优传输映射是一种网格曲面保面元映射方法，能够将任意3维曲面映射到平面上，并保持每个网格的面元基本不变。最优传输映射从本质上来讲是一种保拓扑关系，保面积的曲面映射方法。其实现可以分为两个部分，首先依据黎曼映射定理，存在唯一的保角映射，将3维曲面映射到2维平面，并且保持角度不变，但会带来较大的面积畸变；然后根据最优传输理论将得到的保角网格映射到保面积网格，从而得到从3维曲面到2维平面的保面元映射。
发明内容
本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于最优传输映射的脑影像二维平面图像映射方法，本发明实现了成熟的二维卷积神经网络模型在三维/四维脑影像数据上的运用，克服了三维/四维脑影像数据缺乏性能优良的深度学习模型的瓶颈，可利用二维卷积神经网络模型进行迁移学习，解决了脑影像样本小而模型训练难的问题。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于最优传输映射的脑影像二维卷积深度学习方法，包括：
1)获取待映射的脑影像数据；
2)将脑影像数据重建脑皮层三维网格表面，并获取三维网格顶点的形态学测量值；
3)将脑皮层三维网格表面映射为二维平面并进行网格化；
4)将三维网格顶点的形态学测量值映射到二维平面，得到二维平面图像；
5)对生成的二维平面图像进行深度学习或深度迁移学习。
可选地，步骤1)中的待映射的脑影像数据为脑结构磁共振成像数据或脑功能磁共振成像数据。
可选地，步骤2)中将脑影像数据重建脑皮层三维网格表面具体是采用FreeSurfer软件将待映射的脑影像数据重建脑皮层三维网格表面。
可选地，步骤2)中获取三维网格顶点的形态学测量值具体是指获取三维网格顶点的坐标。
可选地，步骤3)包括：
3.1)将两个半脑的皮层三维网格表面上的内墙移除得到半脑曲面的开放边界，所述内墙是指半脑内侧非皮质区域；
3.2)在开放边界上选择四个点作为正方形的四个角，采用最优传输映射将两个半脑皮层三维网格表面分别映射为正方形的二维网格平面；
3.3)对两个半脑的二维网格平面进行等距网格化，得到属于每个网格单元的顶点索引。
可选地，步骤4)包括：
4.1)计算属于各网格单元的所有顶点的度量值的均值，作为该网格单元的属性值；
4.2)对于没有顶点的网格单元，采用其近邻网格单元的属性值进行插值；
4.3)将所有网格单元属性值构成的二维矩阵生成指定格式的二维图像，从而得到脑影像的二维平面图像。
可选地，步骤5)对生成的二维平面图像进行深度学习或深度迁移学习具体是指基于ImageNet预训练的二维卷积神经网络对生成的二维平面图像进行深度学习或深度迁移学习。
此外，本发明还提供一种脑影像二维平面图像映射系统，包括计算机设备，该计算机设备被编程或配置以执行所述基于最优传输映射的脑影像二维卷积深度学习方法的步骤。
此外，本发明还提供一种脑影像二维平面图像映射系统，包括计算机设备，该计算机设备的存储器中存储有被编程或配置以执行所述基于最优传输映射的脑影像二维卷积深度学习方法的计算机程序。
此外，本发明还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行所述基于最优传输映射的脑影像二维卷积深度学习方法的计算机程序。
和现有技术相比，本发明具有下述优点：
1、本发明对采集的大脑结构成像使用FreeSurfer进行处理，可以得到重建的脑皮层三维网格表面，采用最优传输映射将三维表面脑影像测量映射为二维平面图像，本发明实现了成熟的二维卷积神经网络模型在三维/四维脑影像数据上的运用，克服了三维/四维脑影像数据缺乏性能优良的深度学习模型的瓶颈。
2、本发明对采集的大脑结构成像使用FreeSurfer进行处理，可以得到重建的脑皮层三维网格表面，采用最优传输映射将三维表面脑影像测量映射为二维平面图像，从而5)对生成的二维平面图像进行二维卷积神经网络的深度/迁移学习，本发明可利用预训练的二维卷积神经网络模型进行迁移学习，解决了脑影像样本小而模型训练难的问题。
附图说明
图1是本发明实施例方法的基本流程图。
图2是本发明实施例中人脑结构磁共振成像的原始数据图像。
图3是本发明实施例中个体脑皮层三维网格曲面。
图4是本发明实施例中基于最优传输映射的半脑皮层二维网格平面。
图5是本发明实施例中左右半脑的皮层厚度二维平面图像。
具体实施方式
如图1所示，本实施例基于最优传输映射的脑影像二维卷积深度学习方法包括：
1)获取待映射的脑影像数据；
2)将脑影像数据重建脑皮层三维网格表面，并获取三维网格顶点的形态学测量值；
3)将脑皮层三维网格表面映射为二维平面并进行网格化；
4)将三维网格顶点的形态学测量值映射到二维平面，得到二维平面图像；
5)对生成的二维平面图像进行深度学习或深度迁移学习。
本实施例中，步骤1)中的待映射的脑影像数据为脑结构磁共振成像数据，如图2所示。此外，步骤1)中的待映射的脑影像数据也可以为脑功能磁共振成像数据。
本实施例中，步骤2)中将脑影像数据重建脑皮层三维网格表面具体是采用FreeSurfer软件将待映射的脑影像数据重建脑皮层三维网格表面，得到结果如图3所示。
本实施例中，步骤2)中获取三维网格顶点的形态学测量值具体是指获取三维网格顶点的坐标。此外，也可以根据需要采用其他类型的形态学测量值。
本实施例中，步骤3)包括：
3.1)将两个半脑的皮层三维网格表面上的内墙移除得到半脑曲面的开放边界，该内墙是指半脑内侧非皮质区域；
3.2)在开放边界上选择四个点作为正方形的四个角，采用最优传输映射将两个半脑皮层三维网格表面分别映射为正方形的二维网格平面，如图4所示；
3.3)对两个半脑的二维网格平面进行等距网格化，得到属于每个网格单元的顶点索引。
本实施例中，步骤4)包括：
4.1)计算属于各网格单元的所有顶点的度量值的均值，作为该网格单元的属性值；
4.2)对于没有顶点的网格单元，采用其近邻网格单元的属性值进行插值；
4.3)将所有网格单元属性值构成的二维矩阵生成指定格式(例如常见的jpg、png格式等)的二维图像，从而得到脑影像的二维平面图像，如图5所示。
本实施例中，步骤5)对生成的二维平面图像进行深度学习或深度迁移学习具体是指基于ImageNet预训练的二维卷积神经网络对生成的二维平面图像进行深度学习或深度迁移学习，利用基于ImageNet预训练的二维卷积神经网络进行迁移学习，解决了脑影像样本小而模型训练难的问题。
为了验证本实施例基于最优传输映射的脑影像二维卷积深度学习方法的有效性，本实施例中采用了如下方法来验证：
I、本实施例针对人脑结构磁共振成像进行分析，首先采用FreeSurfer软件进行处理，得到个体的脑皮层三维网格表面(如图3)，采用配准函数将个体脑皮层三维网格表面映射到fsaverage6标准模板上，该标准皮层模板每个半脑大约4万个顶点，对应的顶点级皮层厚度等形态学测量值对应约为4万个。
II、采用步骤3.1)～3.3)将fsaverage6标准模板映射为二维网格平面(如图4)，然后将该二维平面等距网格化为224*224个单元，构建每个单元的顶点索引。
III、采用步骤4.1)～4.3)将每个被试的顶点级皮层厚度等形态学测量值通过上一步骤建立的索引计算网格单元属性值，并生成二维图像(如图5)。
IV、为了验证方法的性能，利用ImageNet预训练的ResNet152网络进行二分类实验。本实施例针对性别二态性分类共16000人(男性8000人，女性8000人)的同一批被试，计算得到皮层厚度属性的二维平面图像，将ResNet152的全连接层和分类层根据本实施例修改为二分类，并将前面的所有卷积层参数冻结，从而进行迁移学习实验，分类准确率作为评价指标。分类准确率是指基于训练后的分类器，对测试样本类别分类的准确率。本实施例中，对16000个样本进行10折交叉验证，左右半脑皮层厚度的平均分类准确率分别为89.74％和89.94％。
综上所述，目前对于脑影像深度学习的研究才刚刚起步，本实施例基于最优传输映射将脑影像形态学测量映射为二维平面图像，然后利用ImageNet预训练深度神经网络模型进行迁移学习。通过大脑结构性别二态性分类测试，模式分类的判断结果良好，同时该方法扩展性好，可以将其他任何脑结构或功能度量映射为二维图像，并进行深度/迁移学习，为脑影像模式识别提供了一个新的技术路线。
此外，本实施例还提供一种脑影像二维平面图像映射系统，包括计算机设备，该计算机设备被编程或配置以执行前述基于最优传输映射的脑影像二维卷积深度学习方法的步骤。
此外，本实施例还提供一种脑影像二维平面图像映射系统，包括计算机设备，该计算机设备的存储器中存储有被编程或配置以执行前述基于最优传输映射的脑影像二维卷积深度学习方法的计算机程序。
此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行前述基于最优传输映射的脑影像二维卷积深度学习方法的计算机程序。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于最优传输映射的脑影像二维卷积深度学习方法，其特征在于，包括：
1)获取待映射的脑影像数据；
2)将脑影像数据重建脑皮层三维网格表面，并获取三维网格顶点的形态学测量值；
3)将脑皮层三维网格表面映射为二维平面并进行网格化；
4)将三维网格顶点的形态学测量值映射到二维平面，得到二维平面图像；
5)对生成的二维平面图像进行深度学习或深度迁移学习。
2.根据权利要求1所述的基于最优传输映射的脑影像二维卷积深度学习方法，其特征在于，步骤1)中的待映射的脑影像数据为脑结构磁共振成像数据或脑功能磁共振成像数据。
3.根据权利要求1所述的基于最优传输映射的脑影像二维卷积深度学习方法，其特征在于，步骤2)中将脑影像数据重建脑皮层三维网格表面具体是采用FreeSurfer软件将待映射的脑影像数据重建脑皮层三维网格表面。
4.根据权利要求1所述的基于最优传输映射的脑影像二维卷积深度学习方法，其特征在于，步骤2)中获取三维网格顶点的形态学测量值具体是指获取三维网格顶点的坐标。
5.根据权利要求1所述的基于最优传输映射的脑影像二维卷积深度学习方法，其特征在于，步骤3)包括：
3.1)将两个半脑的皮层三维网格表面上的内墙移除得到半脑曲面的开放边界，所述内墙是指半脑内侧非皮质区域；
3.2)在开放边界上选择四个点作为正方形的四个角，采用最优传输映射将两个半脑皮层三维网格表面分别映射为正方形的二维网格平面；
3.3)对两个半脑的二维网格平面进行等距网格化，得到属于每个网格单元的顶点索引。
6.根据权利要求5所述的基于最优传输映射的脑影像二维卷积深度学习方法，其特征在于，步骤4)包括：
4.1)计算属于各网格单元的所有顶点的度量值的均值，作为该网格单元的属性值；
4.2)对于没有顶点的网格单元，采用其近邻网格单元的属性值进行插值；
4.3)将所有网格单元属性值构成的二维矩阵生成指定格式的二维图像，从而得到脑影像的二维平面图像。
7.根据权利要求1所述的基于最优传输映射的脑影像二维卷积深度学习方法，其特征在于，步骤5)对生成的二维平面图像进行深度学习或深度迁移学习具体是指基于ImageNet预训练的二维卷积神经网络对生成的二维平面图像进行深度学习或深度迁移学习。
8.一种脑影像二维平面图像映射系统，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行权利要求1～7中任意一项所述基于最优传输映射的脑影像二维卷积深度学习方法的步骤。
9.一种脑影像二维平面图像映射系统，包括计算机设备，其特征在于，该计算机设备的存储器中存储有被编程或配置以执行权利要求1～7中任意一项所述基于最优传输映射的脑影像二维卷积深度学习方法的计算机程序。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质中存储有被编程或配置以执行权利要求1～7中任意一项所述基于最优传输映射的脑影像二维卷积深度学习方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010910497.6A CN111968113B (zh) | 2020-09-02 | 2020-09-02 | 一种基于最优传输映射的脑影像二维卷积深度学习方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010910497.6A CN111968113B (zh) | 2020-09-02 | 2020-09-02 | 一种基于最优传输映射的脑影像二维卷积深度学习方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111968113A true CN111968113A (zh) | 2020-11-20 |
| CN111968113B CN111968113B (zh) | 2024-01-19 |
Family
ID=73393195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010910497.6A Active CN111968113B (zh) | 2020-09-02 | 2020-09-02 | 一种基于最优传输映射的脑影像二维卷积深度学习方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111968113B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115828208A (zh) * | 2022-12-07 | 2023-03-21 | 北京理工大学 | 一种基于云边协同的触觉脑电解锁方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108523997A (zh) * | 2018-04-28 | 2018-09-14 | 上海交通大学医学院附属仁济医院 | 脑皮层结构、脑血管及脑内病灶3d打印模型及其制备方法 |
| CN110121749A (zh) * | 2016-11-23 | 2019-08-13 | 通用电气公司 | 用于图像采集的深度学习医疗系统和方法 |
| CN110859624A (zh) * | 2019-12-11 | 2020-03-06 | 北京航空航天大学 | 一种基于结构磁共振影像的大脑年龄深度学习预测系统 |
| CN111273767A (zh) * | 2020-01-13 | 2020-06-12 | 重庆邮电大学 | 一种基于深度迁移学习的助听脑机接口系统 |
-
2020
- 2020-09-02 CN CN202010910497.6A patent/CN111968113B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110121749A (zh) * | 2016-11-23 | 2019-08-13 | 通用电气公司 | 用于图像采集的深度学习医疗系统和方法 |
| CN108523997A (zh) * | 2018-04-28 | 2018-09-14 | 上海交通大学医学院附属仁济医院 | 脑皮层结构、脑血管及脑内病灶3d打印模型及其制备方法 |
| CN110859624A (zh) * | 2019-12-11 | 2020-03-06 | 北京航空航天大学 | 一种基于结构磁共振影像的大脑年龄深度学习预测系统 |
| CN111273767A (zh) * | 2020-01-13 | 2020-06-12 | 重庆邮电大学 | 一种基于深度迁移学习的助听脑机接口系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115828208A (zh) * | 2022-12-07 | 2023-03-21 | 北京理工大学 | 一种基于云边协同的触觉脑电解锁方法及系统 |
| CN115828208B (zh) * | 2022-12-07 | 2023-09-08 | 北京理工大学 | 一种基于云边协同的触觉脑电解锁方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111968113B (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Hf-neus: Improved surface reconstruction using high-frequency details | |
| Hsu et al. | Direct immersogeometric fluid flow analysis using B-rep CAD models | |
| Stoyanova et al. | An enhanced computational method for age‐at‐death estimation based on the pubic symphysis using 3 D laser scans and thin plate splines | |
| CN107203988B (zh) | 一种由二维x光图像重建三维体图像的方法及其应用 | |
| CN105931226A (zh) | 基于深度学习的自适应椭圆拟合细胞自动检测分割方法 | |
| CN104346824A (zh) | 基于单张人脸图像自动合成三维表情的方法及装置 | |
| CN104063702A (zh) | 一种基于遮挡修复和局部相似性匹配的三维步态识别方法 | |
| Gao et al. | Connectivity-guaranteed porous synthesis in free form model by persistent homology | |
| CN110599442B (zh) | 一种融合脑皮质厚度和边缘系统形态特征的抑郁识别系统 | |
| CN115496720A (zh) | 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备 | |
| Zhang et al. | Three‐dimensional quantitative analysis on granular particle shape using convolutional neural network | |
| CN111968113B (zh) | 一种基于最优传输映射的脑影像二维卷积深度学习方法 | |
| Xie et al. | Geometric Modeling of Rosa roxburghii Fruit Based on Three‐Dimensional Point Cloud Reconstruction | |
| Hu et al. | Craniofacial reconstruction based on a hierarchical dense deformable model | |
| CN114419278A (zh) | 室内三维彩色网格模型生成方法及系统 | |
| AlZu′ bi et al. | 3D medical volume segmentation using hybrid multiresolution statistical approaches | |
| Tekawade et al. | 3d autoencoders for feature extraction in X-ray tomography | |
| Hu et al. | CVT-based 3D image segmentation and quality improvement of tetrahedral/hexahedral meshes using anisotropic Giaquinta-Hildebrandt operator | |
| Zhang et al. | CAD‐Aided 3D Reconstruction of Intelligent Manufacturing Image Based on Time Series | |
| Botsch et al. | IMD-Net: A deep learning-based icosahedral mesh denoising network | |
| Shi et al. | Unified geometry and topology correction for cortical surface reconstruction with intrinsic reeb analysis | |
| CN112116710A (zh) | 基于趋势约束的曲面重建方法 | |
| CN118470222B (zh) | 一种基于sdf扩散的医学超声影像三维重建方法和系统 | |
| Kamencay et al. | Innovative 3D reconstruction method based on patch based technique using neural network | |
| CN104777329A (zh) | 一种用于粒子图像测速三维粒子场重构的线性规划算法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |