CN112070742B - 基于自适应感受野3d空间注意力的脑影像分类装置 - Google Patents

基于自适应感受野3d空间注意力的脑影像分类装置 Download PDF

Info

Publication number
CN112070742B
CN112070742B CN202010928977.5A CN202010928977A CN112070742B CN 112070742 B CN112070742 B CN 112070742B CN 202010928977 A CN202010928977 A CN 202010928977A CN 112070742 B CN112070742 B CN 112070742B
Authority
CN
China
Prior art keywords
module
convolution
attention
receptive field
self
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
Application number
CN202010928977.5A
Other languages
English (en)
Other versions
CN112070742A (zh
Inventor
尉飞
李秀梅
葛青青
孙军梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Normal University
Original Assignee
Hangzhou Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Normal University filed Critical Hangzhou Normal University
Priority to CN202010928977.5A priority Critical patent/CN112070742B/zh
Publication of CN112070742A publication Critical patent/CN112070742A/zh
Application granted granted Critical
Publication of CN112070742B publication Critical patent/CN112070742B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开基于自适应感受野3D空间注意力的脑影像分类装置。本发明通过引入注意力机制构建了一种基于自适应感受野3D空间注意力的3D‑ResNet18网络，该3D空间注意力模块由多个分支构成，能够对每条分支上不同尺度的信息进行融合，并在融合过程中对不同分支进行加权，以便于神经元进行自适应地调整感受野尺寸。使用该网络对阿尔兹海默症的脑MRI图像进行分类，从而提高了分类效果。该方法易于实现，数据预处理操作简单，具有更好的鲁棒性和准确率。

Description

基于自适应感受野3D空间注意力的脑影像分类装置
技术领域
本发明属于网络模式识别技术领域，具体涉及一种基于自适应感受野3D空间注意力的阿尔兹海默症脑影像分类装置。
背景技术
阿尔兹海默症是一种进行性发展的神经系统退行性疾病，是最常见的一种痴呆病症，会导致患者记忆减退、思考能力下降，甚至影响到身体的活动能力。在全球范围内，随着全球老龄化趋势日益严重，阿尔兹海默症的患病人数逐渐增加。因此，阿尔兹海默症的治疗费用也在急剧增加，严重影响了患者及其家庭的生活质量和社会的发展。阿尔兹海默症的诊断越来越受到研究人员的关注。
传统的机器学习方法被广泛地应用于医学图像的研究当中。至今为止，阿尔兹海默症的疾病诊断应用过多种非侵入性的成像模态，例如核磁共振成像(magneticresonance imaging，MRI)、功能性磁共振成像和正电子发射计算机断层扫描等模态。在过去的十年间，大量的研究使用了支持向量机、决策树和随机森林等算法对阿尔兹海默症的医学图像进行分类诊断。传统的机器学习方法对阿尔兹海默症进行分类诊断的研究过程中需要对医学图像数据进行复杂的数据预处理工作，例如特征提取、特征选择和特征降维等操作。这些研究的分类精度很大程度上取决于前期有效地预处理工作，同时这些预处理工作又消耗了大量的人力与物力。
随着人工智能技术的发展，越来越多的研究人员将深度学习技术引入到阿尔兹海默症的脑医学图像分类的研究当中。深度学习方法与传统机器学习方法的不同之处在于深度学习方法只需要较少或者不需要数据的预处理操作，并且可自动地从原始图像中提取特征，是一种更为客观、误差更小的方法。虽然现有的方法对阿尔兹海默症的脑医学图像分类有着不错的效果，但是仍不能满足分类的精度要求。
发明内容
本发明的目的是提高脑MRI图像分类精度，提出一种基于自适应感受野3D空间注意力的阿尔兹海默症脑影像分类装置。
一种基于自适应感受野3D空间注意力的阿尔兹海默症脑影像分类装置，包括：
数据获取模块，用于获取T1结构项脑部MRI图像；
数据预处理模块，用于将数据获取模块获取得到的MRI图像依次进行原点校正、灰质分割、配准与调制处理；
所述的原点校正是将MRI图像的原点校正至大脑前联合的位置。其中原点校正为常规技术操作，故不详解。
所述的灰质分割是将原点校正处理后的图像剔除颅骨区域，然后提取灰质区域。
所述的配准是将灰质图像配准到MNI(Montreal Neurological Institute)标准空间模板。
所述的调制是将配准后图像进行补偿调制，以对配准过后的灰质组织体积进行补偿。
自适应感受野的3D空间注意力深度学习模型模块，用于根据数据预处理模块处理后的图像和预设类别结果进行分类；由现有的3D-ResNet18网络中每个ResBlock的末端嵌入一个自适应感受野的3D空间注意力模块构成；
每个自适应感受野的3D空间注意力模块由多个卷积分支模块和一个加权融合模块构成。
每个卷积分支模块由不同感受野的空洞卷积构成。不同感受野的空洞卷积的输出特征图的信息尺度不同。空洞卷积的感受野由卷积核尺寸与空洞率大小决定，在卷积核尺寸固定时，空洞率越大，空洞卷积的感受野越大。空洞卷积在参数量更小的情况下能达到与相同感受野的普通卷积相当的分类精度。
加权融合模块用于将多个卷积分支模块的输出特征图进行加权融合，再通过Sigmoid函数非线性激活后获得该注意力模块的注意力权重特征图，并将注意力权重特征图分配到注意力模块的输入特征图上，得到加权融合后的输出特征图：
V＝σ(α·U1+β·U2+…+γ·Un)*X
其中X表示注意力模块的输入特征图，U1，U2…Un表示每个卷积分支模块的输出特征图，α，β…γ表示加权融合过程中分配给每个卷积分支模块输出特征图的权重系数；σ表示Sigmoid激活函数运算。
加权融合模块将不同信息尺度的输入特征图进行融合，并在融合过程中对不同信息尺度的输入特征图分别分配权重系数，权重系数可根据不同信息尺度的输入特征图的重要性来在训练过程中进行自适应地学习调整，以便于网络进行感受野的自适应调整，充分地利用了特征图的3D空间信息，有利于提升分类精度。
每个卷积分支模块的输入端共用同一输入端，每个卷积分支模块的输出端分别与加权融合模块的其中一路输入端连接。输入特征图通过每个卷积分支模块生成不同的注意力权重特征图，将不同的注意力权重特征图通过加权融合模块后使用乘积操作分配到注意力模块的输入特征图上，最终得到注意力模块的输出特征图。
由于每个卷积分支模块中的卷积核的尺寸不同，每个分支模块上的感受野也不同，加权融合模块通过对卷积分支模块输出的多路数据进行加权融合操作，使神经元能够自适应地调整感受野尺寸。
作为优选，每个自适应感受野的3D空间注意力模块由两个卷积分支模块和一个加权融合模块构成；
其中一个卷积分支模块由一个1×1×1的卷积构成，另一个卷积分支模块由一个卷积核尺寸为3×3×3，空洞率为2的空洞卷积构成；
对于给定的特征图首先分别对特征图进行两次不同的卷积运算和/>卷积将特征图的通道数C降维至1；
输出特征图V通过融合不同分支的注意力权重U1和U2所得，具体见公式(1)；
V＝σ(α·U1+β·U2)*X (1)
其中σ表示Sigmoid激活函数运算，α和β表示权重系数，X表示注意力模块的输入特征图。
本发明通过引入注意力机制构建了一种基于自适应感受野3D空间注意力的3D-ResNet18网络，该3D空间注意力模块由多个分支构成，能够对每条分支上不同尺度的信息进行融合，并在融合过程中对不同分支的结果进行加权，以便于神经元进行自适应地调整感受野尺寸。使用该网络对阿尔兹海默症的脑MRI图像进行分类，从而提高了分类效果。该方法易于实现，数据预处理操作简单，具有更好的鲁棒性和准确率。
附图说明
图1是自适应感受野3D空间注意力模块嵌入ResBlock的模型结构图；
图2是自适应感受野3D空间注意力模块。
具体实施方式
下面结合具体实施例对本发明做进一步分析。
一种基于自适应感受野3D空间注意力的阿尔兹海默症脑影像分类装置，包括：
数据获取模块，用于获取T1结构项脑部MRI图像；
数据预处理模块，用于将数据获取模块获取得到的MRI图像依次进行原点校正、灰质分割、配准与调制处理；
所述的原点校正是将MRI图像的原点校正至大脑前联合的位置。其中原点校正为常规技术操作，故不详解。
所述的灰质分割是将原点校正处理后的图像剔除颅骨区域，然后提取灰质区域。
所述的配准是将灰质图像配准到MNI(Montreal Neurological Institute)标准空间模板。
所述的调制是将配准后图像进行补偿调制。
自适应感受野的3D空间注意力深度学习模型模块，用于根据数据预处理模块处理后的图像和预设类别结果进行分类；如图1由现有的3D-ResNet18网络中每个ResBlock的末端嵌入一个自适应感受野的3D空间注意力模块构成；
如图2每个自适应感受野的3D空间注意力模块由多个卷积分支模块和一个加权融合模块构成。
每个卷积分支模块由不同感受野的空洞卷积构成。不同感受野的空洞卷积的输出特征图的信息尺度不同。空洞卷积的感受野由卷积核尺寸与空洞率大小决定，在卷积核尺寸固定时，空洞率越大，空洞卷积的感受野越大。空洞卷积在参数量更小的情况下能达到与相同感受野的普通卷积相当的分类精度。
加权融合模块用于将多个卷积分支模块的输出特征图进行加权融合，再通过Sigmoid函数非线性激活后获得该注意力模块的注意力权重特征图，并将注意力权重特征图分配到注意力模块的输入特征图上，得到加权融合后的输出特征图：
V＝σ(α·U1+β·U2+…+γ·Un)*X
其中X表示注意力模块的输入特征图，U1，U2…Un表示每个卷积分支模块的输入特征图，α，β…γ表示加权融合过程中分配给每个卷积分支模块输入特征图的权重系数；σ表示Sigmoid激活函数运算。
加权融合模块将不同信息尺度的输入特征图进行融合，并在融合过程中对不同信息尺度的输入特征图分别分配权重系数，权重系数可根据不同信息尺度的输入特征图的重要性来在训练过程中进行自适应地学习调整，以便于网络进行感受野的自适应调整，充分地利用了特征图的3D空间信息，有利于提升分类精度。
每个卷积分支模块的输入端共用同一输入端，每个卷积分支模块的输出端分别与加权融合模块的其中一路输入端连接。输入特征图通过每个卷积分支模块生成不同的注意力权重特征图，将不同的注意力权重特征图通过加权融合模块后使用乘积操作分配到注意力模块的输入特征图上，最终得到注意力模块的输出特征图。
由于每个卷积分支模块中的卷积核的尺寸不同，每个分支模块上的感受野也不同，加权融合模块通过对卷积分支模块输出的多路数据进行加权融合操作，使神经元能够自适应地调整感受野尺寸。
本实施例每个自适应感受野的3D空间注意力模块由两个卷积分支模块和一个加权融合模块构成；
其中一个卷积分支模块由一个1×1×1的卷积构成，另一个卷积分支模块由一个卷积核尺寸为3×3×3，空洞率为2的空洞卷积构成；
对于给定的特征图首先分别对特征图进行两次不同的卷积运算和/>卷积将特征图的通道数C降维至1；
输出特征图V通过融合不同分支的注意力权重U1和U2所得，具体见公式(1)；
V＝σ(α·U1+β·U2)*X (1)
其中σ表示Sigmoid激活函数运算，α和β表示权重系数，X表示注意力模块的输入特征图。
基于上述装置的基于自适应感受野3D空间注意力的阿尔兹海默症脑影像分类方法包括如下过程：
(一)数据获取
使用的T1结构项MRI数据集来自于ADNI(Alzheimer’s Disease NeuroimagingInitiative)数据库，数据集中包含阿尔兹海默症被试和健康被试的MRI图像。
(二)数据预处理
步骤(2.1)：原点校正
为了符合立体定向脑图谱的要求，需将MRI图像的原点校正至大脑前联合的位置。
步骤(2.2)：去颅骨与分割
由于大脑颅骨不能提供有效信息，所以需将颅骨剔除。大脑中的灰质主要负责大脑神经中枢的主导作用，为脑影像的分类提供了大量的有效信息。分割操作需将灰质从脑图像中分割出来。
步骤(2.3)：配准与调制
将灰质图像配准到MNI(Montreal Neurological Institute)标准空间模板上。为了补偿配准过程中因仿射变换和非线性扭曲所造成的影响，将配准后得到的图像进行调制，帮助配准后的灰质图像保留有效信息。
步骤(2.3)：数据集制作
将配准与调制过后的脑图像收集整理，由于阿尔兹海默症患者会出现海马体、颞叶等部位萎缩的特征表现，根据此特征表现将每个被试的脑图像进行标签设定。以上阿尔兹海默症患者的特征表现可从MRI图像观察所得，最终将表现出此特征的阿尔兹海默症患者的脑图像标签设定为一类，将其他健康被试的脑图像标签设定为另一类。
(三)网络模型
步骤(3.1)：自适应感受野的3D空间注意力深度学习模型搭建
如图1所示，在现有的3D-ResNet18网络中的每个ResBlock的末端嵌入自适应感受野的3D空间注意力模块。该注意力模块由多个卷积分支模块和一个加权融合模块构成。每个卷积分支模块由不同卷积核大小的卷积构成，加权融合模块由一个可对输入数据进行加权融合的加法器和一个Sigmoid激活函数依次串联构成。
如图2所示，该注意力模块中的每个卷积分支模块的输入端共用同一输入端，每个卷积分支模块的输出端分别连接到加权融合模块的多路输入端上。输入特征图通过每个卷积分支模块生成不同的注意力权重，将不同的注意力权重通过加权融合模块后使用乘积操作分配到输入数据，最终得到注意力模块的输出数据。由于每个卷积分支模块中的卷积核的尺寸不同，每个分支模块上的感受野也不同，加权融合模块通过对卷积分支模块输出的多路数据进行加权融合操作，使神经元能够自适应地调整感受野尺寸。这里注意力模块只使用了卷积核尺寸不同双分支结构，该模块也可根据实际使用情况扩展为多分支结构。
该注意力模块的双分支结构由两个卷积分支模块和一个加权融合模块构成，其中一个分支模块由一个1×1×1的卷积构成，另一个分支模块由一个卷积核尺寸为3×3×3，空洞率为2的空洞卷积构成。对于给定的特征图首先分别对特征图进行两次不同的卷积运算/>和/>卷积将特征图的通道数C降维至1。这里注意力模块不同分支上的卷积只使用了卷积核为1×1×1的普通卷积和卷积核为3×3×3，空洞率为2的空洞卷积运算，该模块不同分支上的卷积也可替换为其他卷积核尺寸不同的卷积。加权融合模块对多路输入上不同尺度的信息进行输入信息进行加权融合，使神经元能够自适应地调整感受野尺寸。将融合后的信息通过Sigmoid函数进行非线性激活后，最终的输出特征图V通过融合不同分支的注意力权重U1和U2所得，具体见公式(1)。
V＝σ(α·U1+β·U2)*X (1)
其中σ表示Sigmoid激活函数运算，α和β表示权重系数，X表示注意力模块的输入特征图。
步骤(3.2)：网络模型训练
将制作好的数据集输入到自适应感受野的3D空间注意力深度学习模型中进行模型训练。训练得到的网络模型可用于对阿尔兹海默症的脑MRI图像进行预测。
步骤(3.3)：预测与数据后处理
将一名阿尔兹海默症患者或者一名健康被试的脑MRI图像输入到训练得到的网络模型后，输出结果为一个行数为1，列数为2的数组，对该数组中的最大值的列索引进行寻找，若列索引为0，则该被试为阿尔兹海默症患者，若列索引为1，则该被试为健康被试。
本发明实施例收集了521位被试的磁共振数据图像，共5个数据集。其中，健康被试267人，AD患者254人。
表1数据集
Dataset1 Dataset2 Dataset3 Dataset4 Dataset5
被试数 105 105 104 104 104
将上述样本数据集分为训练集和测试集。使用上述训练集训练3D-ResNet18和嵌入了注意力模块的3D-ResNet18模型(即本发明模型)，利用上述测试集测试上述模型。
依次将每个数据集的样本作为测试集，其他四个数据集作为训练集，依次计算得到每个数据集的分类准确率。
表2分类准确率
测试集 Dataset1 Dataset2 Dataset3 Dataset4 Dataset5
3D-ResNet18 92.8％ 94.6％ 90.4％ 91.3％ 91.3％
本发明模型 94.6％ 96.4％ 90.4％ 91.3％ 94.2％
由表2可知，3D-ResNet18对AD的平均分类准确率达92.08％，嵌入了上述注意力模块的3D-ResNet18(本发明模型)对AD的平均分类准确率高达93.38％，能够提升模型的特征表达能力，更加准确地实现AD核磁共振图像的分类。

Claims (2)

1.一种基于自适应感受野3D空间注意力的阿尔兹海默症脑影像分类装置，其特征在于包括：
数据获取模块，用于获取T1结构项脑部MRI图像；
数据预处理模块，用于将数据获取模块获取得到的MRI图像依次进行原点校正、灰质分割、配准与调制处理，得到所需灰质图像；
自适应感受野的3D空间注意力深度学习模型模块，用于根据数据预处理模块处理后的图像和预设类别结果进行分类；由3D-ResNet18网络中每个ResBlock的末端嵌入一个自适应感受野的3D空间注意力模块构成；
每个自适应感受野的3D空间注意力模块由多个卷积分支模块和一个加权融合模块构成；
每个卷积分支模块由不同感受野的空洞卷积构成；
加权融合模块用于将多个卷积分支模块的输出特征图进行加权融合，使神经元能够自适应地调整感受野尺寸，再通过Sigmoid函数非线性激活后获得该注意力模块的注意力权重特征图，并将注意力权重特征图分配到注意力模块的输入特征图上，得到加权融合后的输出特征图：
V＝σ(α·U1+β·U2+…+γ·Un)*X
其中X表示注意力模块的输入特征图，U1，U2…Un表示每个卷积分支模块的输入特征图，α，β…γ表示加权融合过程中分配给每个卷积分支模块输入特征图的权重系数；σ表示Sigmoid激活函数运算；
每个自适应感受野的3D空间注意力模块由两个卷积分支模块和一个加权融合模块构成；
其中一个卷积分支模块由一个1×1×1的卷积构成，另一个卷积分支模块由一个卷积核尺寸为3×3×3，空洞率为2的空洞卷积构成；
对于给定的特征图首先分别对特征图进行两次不同的卷积运算/> 和/>卷积将特征图的通道数C降维至1；
输出特征图V通过融合不同分支的注意力权重U1和U2所得，具体见公式(1)；
V＝σ(α·U1+β·U2)*X (1)
其中σ表示Sigmoid激活函数运算，α和β表示权重系数，X表示注意力模块的输入特征图。
2.如权利要求1所述的一种基于自适应感受野3D空间注意力的阿尔兹海默症脑影像分类装置，其特征在于每个卷积分支模块由不同感受野的空洞卷积构成，空洞卷积的感受野由卷积核尺寸与空洞率大小决定，在卷积核尺寸固定时，空洞率越大，空洞卷积的感受野越大。
CN202010928977.5A 2020-09-07 2020-09-07 基于自适应感受野3d空间注意力的脑影像分类装置 Active CN112070742B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010928977.5A CN112070742B (zh) 2020-09-07 2020-09-07 基于自适应感受野3d空间注意力的脑影像分类装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010928977.5A CN112070742B (zh) 2020-09-07 2020-09-07 基于自适应感受野3d空间注意力的脑影像分类装置

Publications (2)

Publication Number Publication Date
CN112070742A CN112070742A (zh) 2020-12-11
CN112070742B true CN112070742B (zh) 2023-09-26

Family

ID=73663844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010928977.5A Active CN112070742B (zh) 2020-09-07 2020-09-07 基于自适应感受野3d空间注意力的脑影像分类装置

Country Status (1)

Country Link
CN (1) CN112070742B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561935B (zh) * 2020-12-26 2022-09-16 广东工业大学 一种大脑影像智能分类方法、装置和设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165667A (zh) * 2018-07-06 2019-01-08 中国科学院自动化研究所 基于自注意力机制的脑疾病分类系统
CN109522966A (zh) * 2018-11-28 2019-03-26 中山大学 一种基于密集连接卷积神经网络的目标检测方法
CN109978936A (zh) * 2019-03-28 2019-07-05 腾讯科技（深圳）有限公司 视差图获取方法、装置、存储介质及设备
CN110766632A (zh) * 2019-10-22 2020-02-07 广东启迪图卫科技股份有限公司 基于通道注意力机制和特征金字塔的图像去噪方法
CN110852383A (zh) * 2019-11-12 2020-02-28 复旦大学 基于注意力机制深度学习网络的目标检测方法及装置
CN111260786A (zh) * 2020-01-06 2020-06-09 南京航空航天大学 一种智能超声多模态导航系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165667A (zh) * 2018-07-06 2019-01-08 中国科学院自动化研究所 基于自注意力机制的脑疾病分类系统
CN109522966A (zh) * 2018-11-28 2019-03-26 中山大学 一种基于密集连接卷积神经网络的目标检测方法
CN109978936A (zh) * 2019-03-28 2019-07-05 腾讯科技（深圳）有限公司 视差图获取方法、装置、存储介质及设备
CN110766632A (zh) * 2019-10-22 2020-02-07 广东启迪图卫科技股份有限公司 基于通道注意力机制和特征金字塔的图像去噪方法
CN110852383A (zh) * 2019-11-12 2020-02-28 复旦大学 基于注意力机制深度学习网络的目标检测方法及装置
CN111260786A (zh) * 2020-01-06 2020-06-09 南京航空航天大学 一种智能超声多模态导航系统及方法

Also Published As

Publication number Publication date
CN112070742A (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
CN109165667B (zh) 基于自注意力机制的脑疾病分类系统
CN111488914B (zh) 一种基于多任务学习的阿尔茨海默症分类及预测系统
CN109589092B (zh) 基于集成学习的阿尔茨海默症确定方法及系统
CN109528197B (zh) 基于脑功能图谱进行精神疾病的个体化预测方法和系统
CN109472263B (zh) 一种结合全局和局部信息的大脑磁共振图像分割方法
CN107909117A (zh) 一种基于脑功能网络特征对早晚期轻度认知障碍的分类方法及装置
CN109087298B (zh) 一种阿尔兹海默病mri图像分类方法
CN110833414B (zh) 一种放射性脑损伤生物标志物的多模态分子成像方法
CN109215041B (zh) 一种全自动骨盆肿瘤分割方法及系统、存储介质及终端
CN112837274A (zh) 一种基于多模态多站点数据融合的分类识别方法
CN108596228B (zh) 一种基于无监督模糊系统的脑功能磁共振图像分类方法
Han et al. A novel convolutional variation of broad learning system for Alzheimer’s disease diagnosis by using MRI images
CN111402198A (zh) 基于解剖地标和残差网络的阿尔兹海默症分类方法及系统
CN112070742B (zh) 基于自适应感受野3d空间注意力的脑影像分类装置
CN113052800B (zh) 一种阿尔茨海默症影像分析方法与装置
Guan et al. Multi-source domain adaptation via optimal transport for brain dementia identification
Ciceri et al. Review on deep learning fetal brain segmentation from magnetic resonance images
Shahparian et al. Alzheimer disease diagnosis from fMRI images based on latent low rank features and support vector machine (SVM)
CN110458869A (zh) 一种新生儿磁共振结构脑影像的配准方法及其系统
CN106023236B (zh) 基于截断Dirichlet过程无限Student’s t混合模型的脑部核磁共振图像分割方法
CN113255734A (zh) 一种基于自监督学习和迁移学习的抑郁症分类方法
CN115761216A (zh) 一种孤独症脑部核磁共振图像识别方法
Wasserthal et al. Direct white matter bundle segmentation using stacked u-nets
CN113506238A (zh) 基于dti纤维追踪自动量化的mci辅助判断方法
CN112837807A (zh) 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法

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