CN113160974A - 一种基于超图聚类的精神疾病生物型发掘方法 - Google Patents
一种基于超图聚类的精神疾病生物型发掘方法 Download PDFInfo
- Publication number
- CN113160974A CN113160974A CN202110411971.5A CN202110411971A CN113160974A CN 113160974 A CN113160974 A CN 113160974A CN 202110411971 A CN202110411971 A CN 202110411971A CN 113160974 A CN113160974 A CN 113160974A
- Authority
- CN
- China
- Prior art keywords
- clustering
- hypergraph
- edge
- brain image
- subject
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于超图聚类的精神疾病生物型发掘方法,包括:步骤一,基于预处理后的脑影像数据,采样超边去构建超图结构;步骤二,根据超图结构的多个受试者之间的高阶关系,度量两两受试者之间的相似度矩阵;步骤三,基于得到的相似度矩阵使用聚类算法(归一化割,K‑means和社区检测等)进行聚类,从而得到受试者标签;步骤四,根据得到的受试者标签,重新进行步骤一至步骤三,直到结果收敛;步骤五,提取精神疾病的生物型。相比于已有的探索精神疾病生物型的方法,本发明充分利用受试者的脑影像数据来表达受试者之间复杂的高阶关系,提高了聚类效果,探索了更具可靠性的生物型。
Description
技术领域
本发明涉及脑影像分析技术领域,尤其涉及一种基于超图聚类的精神疾病生物型发掘方法。
背景技术
当前的精神疾病诊断方法具有很大的主观性,导致精神疾病的诊断是不准确的。精神疾病(如精神分裂症和双相情感障碍)通常在病程、临床症状等方面存在差异和重叠。目前的精神疾病的诊断主要依据传统的基于症状的诊断标准(如《精神疾病诊断和统计手册》(DSM-5)和《精神和行为障碍分类》(ICD-10))。然而,事实上许多患者表现出多种精神疾病相关的多种临床表现的混合。这使得现有的精神疾病诊断方法是不可靠,且缺乏生物学依据。因此,迫切需要客观可靠的影像学方法来辅助精神疾病的精确化定义和分类以指导精神疾病的临床诊断和治疗。
脑影像技术的发展为发现精神疾病间的异同和精神疾病的子型提供了一个独特的机会。目前,脑影像测度可被用于发掘某种具有异质性的精神疾病中的生物亚型,也已被用于发掘具有相似症状的不同精神疾病间的跨诊断的生物型。已有工作通常使用聚类方法来对受试者进行重新分组,使得不同组的受试者的大脑模式不同且同组受试者的大脑模式相似。然而,已有的研究只考虑了成对受试者之间的相似度关系,而忽略多受试者之间的复杂的高阶关系,且其结果在一定程度上并不可靠。
发明内容
本发明为了解决上述提到的问题,提供了一种基于超图聚类的精神疾病生物型发掘方法。
本发明解决其技术问题所采用的技术方案是:构造一种基于超图聚类的精神疾病生物型发掘方法,包括:
步骤S1,基于预处理后的受试者脑影像数据提取的脑影像特征,采样超边,构建超图结构;
步骤S2,根据超图结构表达的多个受试者之间的高阶关系,度量两两受试者之间的相似度矩阵;
步骤S3,对得到的相似度矩阵使用聚类算法进行聚类,得到受试者的类别标签;
步骤S4,根据得到的受试者的类别标签,重新进行步骤S1-步骤S3,直到收敛;
步骤S5,根据最终的受试者的类别标签,确定精神疾病的生物型。
其中,从预处理后的受试者脑影像数据中提取脑影像特征的步骤包括:
对脑影像数据预处理,预处理的方式主要包括:层间校正、头动校正、空间标准化、空间平滑;
使用预处理后的受试者脑影像数据计算脑影像测度;
对受试者脑影像测度使用特征提取方法,得到提取后的脑影像特征。
其中,采样超边的步骤包括:
基于提取的脑影像特征,建立k近邻稀疏图,并为每一条边赋予边概率;
基于k近邻稀疏图,对于每一条边,根据边对应的两顶点的类别标签和边概率的约束条件更新k近邻稀疏图;
由更新的k近邻稀疏图中提取强连通子图,并为每一个强连通子图赋予权重;
依权重随机采样一个子图,并从子图中随机采样D个顶点;其中,D为一条超边包含的顶点的个数;
继续依权重随机采样一个子图和从其中随机采样下一条超边,直到所有的超边都采样完成。
其中,超图结构表达的多个受试者之间的高阶关系包括:
基于超图结构,所有受试者对每一条超边的拟合误差;
由拟合误差转化为表达受试者属于超边概率的关联矩阵,计算关联矩阵H的公式为:
其中,φe表示超边所对应的子空间拟合的模型,r(v,φe)是代表受试者对应的顶点v对超边e上的φe的拟合残差,σ为参数,该参数可在步骤S1-S4的过程中通过迭代自动调整,最终选择使目标函数收敛的σ,所述目标函数为:
其中,SSE(c,σ)是第c类别受试者与该类别所在子空间的残差平方和;C为类别个数。
其中,度量两两受试者之间的相似度矩阵的步骤包括:利用受试者属于超边概率的关联矩阵,计算相似度矩阵。
其中,聚类算法的类型包括:归一化割、K均值和社区检测聚类方法。
本发明的方法不同于已有的利用无监督聚类算法对受试者的脑影像数据分析来发掘精神疾病生物型的方法,本方法基于超图聚类算法来获得生物型,其特色和创新主要在于:1)超图算法利用了两个以上受试者之间的复杂的高阶关系来重新度量两两受试者之间的相似度关系,可以得到全局角度的样本之间的关系;2)目前没有研究使用超图聚类发掘精神疾病生物型,本发明提出了基于超图聚类的精神疾病生物型发掘方法,此方法有利于发掘新的、可靠的和具有生物学意义的精神疾病生物型,有利于推动精神疾病的精准医疗;3)与使用传统的聚类算法发掘精神疾病生物型的方法相比,基于超图聚类的精神疾病生物型发掘方法更具优势。除了用于脑影像分析领域以外,该发明也可以应用于计算机视觉、图像处理等领域的聚类。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明提供的一种基于超图聚类的精神疾病生物型发掘方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明做进一步的详细说明。应当理解,此外所描述的具体实施例仅用以解释本发明,但并不用于限定本发明。基于本发明中的实施例,本领域普通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,都将属于本发明保护的范围。
参照附图1,本发明提供一种基于超图聚类的精神疾病生物型发掘方法,包括:
步骤S1,基于预处理后的受试者脑影像数据提取的脑影像特征,采样超边,构建超图结构;
步骤S2,根据超图结构表达的多个受试者之间的高阶关系,度量两两受试者之间的相似度矩阵;
步骤S3,对得到的相似度矩阵使用聚类算法进行聚类,得到受试者的类别标签;
步骤S4,根据得到的受试者的类别标签,重新进行步骤S1-步骤S3,直到收敛;
步骤S5,根据最终的受试者的类别标签,确定精神疾病的生物型。
在预处理阶段,对个体受试者的脑影像数据进行预处理;使用预处理后的受试者的脑影像数据计算其脑影像测度;对脑影像测度使用特征提取方法,得到提取后的脑影像特征。以功能核磁共振成像数据为例,预处理包括层间校正、头动校正、空间标准化、空间平滑等。基于预处理后的功能核磁共振数据可使用假设驱动方法,比如基于感兴趣区的方法,提取不同脑区之间的相关系数表示的脑功能连接特征,也可基于数据驱动方法,比如独立成分分析方法,得到空间功能网络特征和功能网络间的连接特征。脑影像特征包括但不局限于上述特征。
其中,采样超边的步骤包括:
基于提取的脑影像特征,建立k近邻稀疏图,并为每一条边赋予边概率;
基于k近邻稀疏图,对于每一条边,根据边对应的两顶点的类别标签和边概率的约束条件更新k近邻稀疏图;
由更新的k近邻稀疏图中提取强连通子图,并为每一个强连通子图赋予权重;
依权重随机采样一个子图,并从子图中随机采样D个顶点;其中,D为一条超边包含的顶点的个数;
继续依权重随机采样一个子图和从其中随机采样下一条超边,直到所有的超边都采样完成。
其中,超图结构表达的多个受试者之间的高阶关系包括:
基于超图结构,所有受试者对每一条超边的拟合误差;
由拟合误差转化为表达受试者属于超边概率的关联矩阵,计算关联矩阵H的公式为:
其中,φe表示超边所对应的子空间拟合的模型,r(v,φe)是代表受试者对应的顶点v对超边e上的φe的拟合残差,σ为参数,该参数可在步骤S1-S4的过程中通过迭代自动调整,最终选择使目标函数收敛的σ,所述目标函数为:
其中,SSE(c,σ)是第c类别受试者与该类别所在子空间的残差平方和;C为类别个数。
其中,度量两两受试者之间的相似度矩阵的步骤包括:利用受试者属于超边概率的关联矩阵,计算相似度矩阵。
其中,聚类算法的类型包括:归一化割、K均值和社区检测聚类方法。
本发明的方法不同于已有的利用无监督聚类算法对受试者的脑影像数据分析来探索精神疾病生物型的方法,本方法基于超图聚类算法来获得生物型,其特色和创新主要在于:1)超图算法利用了两个以上受试者之间的复杂的高阶关系来重新度量两两受试者之间的相似度关系,可以得到全局角度的样本之间的关系;2)目前没有研究使用超图聚类探索精神疾病生物型,本发明提出了基于超图聚类的精神疾病生物型发掘方法,此方法有利于发掘新的、可靠的和具有生物学意义的精神疾病生物型,有利于推动精神疾病的精准医疗;3)与使用传统的聚类算法发掘精神疾病生物型的方法相比,基于超图聚类的精神疾病生物型发掘方法更具优势。除了用于脑影像分析领域以外,该发明也可以应用于计算机视觉、图像处理等领域的聚类。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (6)
1.一种基于超图聚类的精神疾病生物型发掘方法,其特征在于,包括:
步骤S1,基于预处理后的受试者脑影像数据提取的脑影像特征,采样超边,构建超图结构;
步骤S2,根据超图结构表达的多个受试者之间的高阶关系,度量两两受试者之间的相似度矩阵;
步骤S3,对得到的相似度矩阵使用聚类算法进行聚类,得到受试者的类别标签;
步骤S4,根据得到的受试者的类别标签,重新进行步骤S1-S3,直到收敛;
步骤S5,根据最终的受试者的类别标签,确定精神疾病的生物型。
2.根据权利要求1所述的基于超图聚类的精神疾病生物型发掘方法,其特征在于,从预处理后的受试者脑影像数据中提取脑影像特征的步骤包括:
对脑影像数据预处理,预处理的方式主要包括:层间校正、头动校正、空间标准化、空间平滑;
使用预处理后的受试者脑影像数据计算脑影像测度;
对受试者脑影像测度使用特征提取方法,得到提取后的脑影像特征。
3.根据权利要求1所述的基于超图聚类的精神疾病生物型发掘方法,其特征在于,采样超边的步骤包括:
基于提取的脑影像特征,建立k近邻稀疏图,并为每一条边赋予边概率;
基于k近邻稀疏图,对于每一条边,根据边对应的两顶点的类别标签和边概率的约束条件更新k近邻稀疏图;
由更新的k近邻稀疏图中提取强连通子图,并为每一个强连通子图赋予权重;
依权重随机采样一个子图,并从子图中随机采样D个顶点;其中,D为一条超边包含的顶点的个数;
继续依权重随机采样一个子图和从其中随机采样下一条超边,直到所有的超边都采样完成。
5.根据权利要求1所述的基于超图聚类的精神疾病生物型发掘方法,其特征在于,度量两两受试者之间的相似度矩阵的步骤包括:利用受试者属于超边概率的关联矩阵,计算相似度矩阵。
6.根据权利要求1所述的基于超图聚类的精神疾病生物型发掘方法,其特征在于,聚类算法的类型包括:归一化割、K均值和社区检测聚类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110411971.5A CN113160974B (zh) | 2021-04-16 | 2021-04-16 | 一种基于超图聚类的精神疾病生物型发掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110411971.5A CN113160974B (zh) | 2021-04-16 | 2021-04-16 | 一种基于超图聚类的精神疾病生物型发掘方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113160974A true CN113160974A (zh) | 2021-07-23 |
CN113160974B CN113160974B (zh) | 2022-07-19 |
Family
ID=76868657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110411971.5A Active CN113160974B (zh) | 2021-04-16 | 2021-04-16 | 一种基于超图聚类的精神疾病生物型发掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113160974B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808735A (zh) * | 2021-09-08 | 2021-12-17 | 山西大学 | 一种基于脑影像的精神疾病评估方法 |
CN114840560A (zh) * | 2022-04-14 | 2022-08-02 | 深圳市医未医疗科技有限公司 | 非结构化数据转化及存储方法和装置 |
CN117009614A (zh) * | 2023-07-20 | 2023-11-07 | 武汉大学 | 一种地理信息资源检索意图检测方法及计算机可读介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881681A (zh) * | 2015-05-22 | 2015-09-02 | 浙江大学 | 基于混合图模型的图像序列类别标注方法 |
CN104899253A (zh) * | 2015-05-13 | 2015-09-09 | 复旦大学 | 面向社会图像的跨模态图像-标签相关度学习方法 |
CN106203470A (zh) * | 2016-06-22 | 2016-12-07 | 南京航空航天大学 | 一种基于超图的多模态特征选择及分类方法 |
CN110010245A (zh) * | 2019-03-20 | 2019-07-12 | 上海市精神卫生中心(上海市心理咨询培训中心) | 一种精神疾病脑影像处理系统 |
CN110717547A (zh) * | 2019-10-15 | 2020-01-21 | 重庆大学 | 一种基于回归超图的学习算法 |
CN111275696A (zh) * | 2020-02-10 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 一种医学图像处理的方法、图像处理的方法及装置 |
CN111488479A (zh) * | 2019-01-25 | 2020-08-04 | 北京京东尚科信息技术有限公司 | 超图构建方法、装置以及计算机系统和介质 |
CN111754395A (zh) * | 2020-07-01 | 2020-10-09 | 太原理工大学 | 一种脑功能超网络模型的鲁棒性评估方法 |
US20200410028A1 (en) * | 2018-02-08 | 2020-12-31 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for detecting pathogenic social media accounts without content or network structure |
CN112418337A (zh) * | 2020-11-27 | 2021-02-26 | 太原理工大学 | 基于脑功能超网络模型的多特征融合数据分类方法 |
-
2021
- 2021-04-16 CN CN202110411971.5A patent/CN113160974B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899253A (zh) * | 2015-05-13 | 2015-09-09 | 复旦大学 | 面向社会图像的跨模态图像-标签相关度学习方法 |
CN104881681A (zh) * | 2015-05-22 | 2015-09-02 | 浙江大学 | 基于混合图模型的图像序列类别标注方法 |
CN106203470A (zh) * | 2016-06-22 | 2016-12-07 | 南京航空航天大学 | 一种基于超图的多模态特征选择及分类方法 |
US20200410028A1 (en) * | 2018-02-08 | 2020-12-31 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for detecting pathogenic social media accounts without content or network structure |
CN111488479A (zh) * | 2019-01-25 | 2020-08-04 | 北京京东尚科信息技术有限公司 | 超图构建方法、装置以及计算机系统和介质 |
CN110010245A (zh) * | 2019-03-20 | 2019-07-12 | 上海市精神卫生中心(上海市心理咨询培训中心) | 一种精神疾病脑影像处理系统 |
CN110717547A (zh) * | 2019-10-15 | 2020-01-21 | 重庆大学 | 一种基于回归超图的学习算法 |
CN111275696A (zh) * | 2020-02-10 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 一种医学图像处理的方法、图像处理的方法及装置 |
CN111754395A (zh) * | 2020-07-01 | 2020-10-09 | 太原理工大学 | 一种脑功能超网络模型的鲁棒性评估方法 |
CN112418337A (zh) * | 2020-11-27 | 2021-02-26 | 太原理工大学 | 基于脑功能超网络模型的多特征融合数据分类方法 |
Non-Patent Citations (5)
Title |
---|
LIU, MX 等: "View-aligned hypergraph learning for Alzheimer"s disease diagnosis with incomplete multi-modality data", 《MEDICAL IMAGE ANALYSIS》 * |
刘建军 等: "基于超图模型的图像目标识别", 《计算机工程》 * |
张帆: "基于多特征融合的超网络功能磁共振影像阿尔兹海默症分类研究", 《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》 * |
彭瑶: "基于超图的多模态特征选择及分类方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》 * |
杜宇慧 等: "基于独立成分分析的精神分裂症患者动态脑功能网络分析新方法", 《中国医学影像技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808735A (zh) * | 2021-09-08 | 2021-12-17 | 山西大学 | 一种基于脑影像的精神疾病评估方法 |
CN113808735B (zh) * | 2021-09-08 | 2024-03-12 | 山西大学 | 一种基于脑影像的精神疾病评估方法 |
CN114840560A (zh) * | 2022-04-14 | 2022-08-02 | 深圳市医未医疗科技有限公司 | 非结构化数据转化及存储方法和装置 |
CN114840560B (zh) * | 2022-04-14 | 2023-02-28 | 深圳市医未医疗科技有限公司 | 非结构化数据转化及存储方法和装置 |
CN117009614A (zh) * | 2023-07-20 | 2023-11-07 | 武汉大学 | 一种地理信息资源检索意图检测方法及计算机可读介质 |
CN117009614B (zh) * | 2023-07-20 | 2024-01-09 | 武汉大学 | 一种地理信息资源检索意图检测方法及计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113160974B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113160974B (zh) | 一种基于超图聚类的精神疾病生物型发掘方法 | |
CN113040715B (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
CN109409416B (zh) | 特征向量降维方法和医学图像识别方法、装置及存储介质 | |
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 | |
CN110335665B (zh) | 一种应用于医学图像辅助诊断分析的以图搜图方法及系统 | |
CN110236543B (zh) | 基于深度学习的阿尔茨海默病多分类诊断系统 | |
CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
Gurovich et al. | DeepGestalt-identifying rare genetic syndromes using deep learning | |
CN110840468B (zh) | 自闭症风险评估方法及装置、终端设备、存储介质 | |
CN111009321A (zh) | 一种机器学习分类模型在青少年孤独症辅助诊断中的应用方法 | |
CN115019405A (zh) | 一种基于多模态融合的肿瘤分类方法及系统 | |
WO2021212715A1 (zh) | 精神分裂症分类识别方法、运行控制装置及医疗设备 | |
CN116597214A (zh) | 基于多模态超图注意网络的阿尔茨海默症分类方法及系统 | |
CN115272295A (zh) | 基于时域-空域联合状态的动态脑功能网络分析方法及系统 | |
CN109907751B (zh) | 一种基于人工智能监督学习的实验室胸痛数据检查辅助识别方法 | |
CN113902738A (zh) | 一种心脏mri分割方法及系统 | |
CN117352164A (zh) | 基于人工智能的多模态肿瘤检测诊断平台及其处理方法 | |
CN117195027A (zh) | 基于成员选择的簇加权聚类集成方法 | |
Yang et al. | Confidence calibration on multiclass classification in medical imaging | |
CN116956138A (zh) | 一种基于多模态学习的影像基因融合分类方法 | |
CN116344028A (zh) | 一种基于多模态异构数据的肺部疾病自动识别方法及装置 | |
CN113723485B (zh) | 一种轻微肝性脑病脑影像超图处理方法 | |
CN116564534A (zh) | 中医临床数据的多视图聚类方法、装置及电子设备 | |
CN110334748A (zh) | 基于d-s证据理论进行多组学数据集成的癌症亚型分类方法 | |
CN116091446A (zh) | 食管内窥镜图像的异常检测方法、系统、介质及设备 |
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 |