CN113538333A - 基于脑部块特征加权表达的阿尔茨海默症诊断方法 - Google Patents
基于脑部块特征加权表达的阿尔茨海默症诊断方法 Download PDFInfo
- Publication number
- CN113538333A CN113538333A CN202110639443.5A CN202110639443A CN113538333A CN 113538333 A CN113538333 A CN 113538333A CN 202110639443 A CN202110639443 A CN 202110639443A CN 113538333 A CN113538333 A CN 113538333A
- Authority
- CN
- China
- Prior art keywords
- block
- feature
- network
- level
- brain
- 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 43
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000003745 diagnosis Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 210000005013 brain tissue Anatomy 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 206010008096 Cerebral atrophy Diseases 0.000 claims 1
- 241001653634 Russula vesca Species 0.000 claims 1
- 230000001502 supplementing effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 230000005764 inhibitory process Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract 1
- 230000003993 interaction Effects 0.000 abstract 1
- 238000012216 screening Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 206010003694 Atrophy Diseases 0.000 description 2
- 208000024806 Brain atrophy Diseases 0.000 description 2
- 208000036632 Brain mass Diseases 0.000 description 2
- 230000037444 atrophy Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000013589 supplement Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了基于脑部块特征加权表达的阿尔茨海默症诊断方法，利用脑部图像块作为输入，分级提取块级、区域级和个体级的图像特征，提取并融合多尺度特征表示，使用前一级子网络的输出作为输入，分层构建多尺度子网络，在块级子网络后引入块特征加权表达模块，构建基于块特征加权表示的分层全卷积网络模型，通过学习自动获取到每个块特征的重要程度并分配不同的权重；通过分层构建多尺度子网络和块特征加权表达对特征进行深度融合与全局关联，在信息相互作用过程中实现特征筛选、特征互补和全局特征理解。本发明利用脑部块特征加权表达对块级图像特征产生的增强或抑制调制作用，提高了阿尔茨海默症诊断的准确性。
Description
技术领域
本发明涉及图像处理、模式识别技术领域，具体涉及基于脑部块特征加权表达的阿尔茨海默症诊断方法。
背景技术
阿尔茨海默症(Alzheimer's disease,AD)是一种多发于老年人群中不可逆转的神经退行性疾病，脑萎缩是患有阿尔茨海默症的重要生物标记物，现有的基于sMRI大脑图像疾病自动诊断的方法通常分为三个阶段，即：感兴趣区域(region of interest，ROI)的预先确定、特征提取和分类模型的构建。这些方法通常分为四类：基于体素的方法、基于感兴趣区域的方法、基于块的方法和基于整个图像的方法。基于体素的方法利用皮质的厚度、大脑组织的密度和体积来测量大脑的形态变化，由于体素的维数非常高，而模型训练的图像的数目相对较少，这种方法通常会遇到过拟合的问题；基于ROI的方法仅关注根据经验定义的特定大脑区域，可能无法覆盖整个大脑中所有的病理部位，并且手工标注的ROI特征与分类任务是两个独立的过程，无法实现与分类器相互协调；基于块的方法将图像局部块作为输入，进行块级别分析的问题困难在于如何从sMRI中提取和组合可区分的局部块；基于整副图像的方法将整个大脑图像作为网络的输入，很难检测大脑细微的结构变化。
患有AD患者早期阶段的大脑图像结构改变不易被发现，并且老年人的大脑本身会出现一定程度的萎缩，因此准确地诊断阿尔茨海默症是一项困难的任务，常规的基于体素、区域和块的自动诊断方法的主要难点在于：1)仅在单个(即区域或块)级别上提取的特征包含的信息量较少，不能够表示出整个sMRI的全局结构信息。2)手工标注的ROI特征与后面的分类器独立开来，并且可能与分类器无法很好地协调，从而导致诊断性能不理想。
发明内容
有鉴于此，本发明提出了一种基于脑部块特征加权表达的阿尔茨海默症诊断方法，旨在解决仅靠提取单个尺度的特征表示，不足以表征全脑结构信息，以及特征提取与分类器构造相分离的问题。
包括以下步骤：
S1、获取图像训练的数据集；
S2、对数据集进行图像预处理；
S3、建立分层全卷积神经网络，设置网络的层数和节点数，在块级子网络后引入块特征加权表达模块，得到自动诊断AD的基于块特征加权表示的分层全卷积网络；
S4、将脑部MRI图像输入所述的基于块特征加权表示的分层全卷积网络，输出所述脑部MRI图像的阿尔兹海默症分类检测结果。
本发明提供的技术方案带来的有益效果是：(1)本发明无需手工标注ROI特征，分级提取并融合多尺度特征表示，扩大其信息感知范围并能保留大脑的细微结构变化特征，分层构建多尺度子网络，实现将特征提取和分类器构建相统一；
(2)本发明构建了一种基于块特征加权表示的分层全卷积网络模型，利用脑部块特征加权表达对块级图像特征产生的增强或抑制调制作用，增强诊断价值重要的块特征，减弱不重要的块特征，从而让提取的特征指向性更强，提高了阿尔茨海默症诊断的准确性。
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为本发明基于脑部块特征加权表达的阿尔茨海默症诊断方法的执行流程图；
图2为本发明sMRI脑图像预处理效果图；
图3为本发明基于脑部块特征加权表达的阿尔茨海默症诊断的网络结构图；
图4为本发明脑部块特征加权表达模块的示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
请参考图1，本发明提出一种基于脑部块特征加权表达的阿尔茨海默症诊断方法，包括以下步骤：
S1、获取图像训练的数据集；
S2、对数据集进行图像预处理；
请参考图2，对图像进行预处理以获得相同的分辨率和空间结构一致的图像，依次对数据集进行包括前联合-后联合校正、偏置场校正、去除非脑组织结构、线性配准(flirt)和非线性配准(fnirt)的处理，将预处理后整个大脑的sMRI图像送进网络训练；
S3、建立分层全卷积神经网络，设置网络的层数和节点数，在块级子网络后引入块特征加权表达模块，得到自动诊断AD的基于块特征加权表示的分层全卷积网络；
步骤S3具体包括：
S31、采用分级全卷积神经网络模型，由输入图像、块级子网络、区域级子网络和个体级子网络四部分组成，对此四个部分进行分级整合处理，实现将特征提取和分类器构建相统一；
请参考图3，采用输入为sMRI图像中尺寸相同的块，以数据驱动的方式自动识别块，充分提取sMRI图像中与大脑萎缩相关的特征，保证输入的块尽可能多的包含大脑的萎缩区域；块级子网络用P-net表示，每个P-net都用完全相同的网络结构，并且具有相同的权重，提高训练效率、控制可学习的参数量。P-net网络包括conv1-conv7共七个卷积层，为了扩大感受野，减少网络的参数数量，在conv 1、conv 2和conv5层后均加入最大池化的下采样层。在分类卷积C-P层，采用Sigmoid函数作为分类层的激活函数，经过P-net模块处理后，得到块级的特征表示和分类得分；为了使区域级子网得到足够的特征，在P-Net网络的conv7层和分类卷积C-P中加入了跳跃连接，把经过跳跃连接后的数据输出作为后续区域级子网的输入，P-net的分类得分作为块级特征的信息补充，提供有关诊断任务的更直接和更高的语义信息。通过使用块级的分类得分和块级特征信息作为区域级子网的输入，在多尺度监督下与块级特征信息共同优化块级的分类分数；在Conv-R和C-R卷积层中同样加入跳跃连接，将所有区域级特征和分类层连接起来。它们由个体级的卷积层进一步处理，以获得个体级的特征表示，最终通过分类层C-S生成个体级的分类分数。块级子网络、区域级子网络和个体级的子网络串联连接，整个网络结构中通过误差反向传播来提高判别能力，进而提高网络的诊断性能。
S32、在块级子网络后引入块特征加权表达模块，得到自动诊断AD的基于块特征加权表示的分层全卷积网络；
参考图4，不同的脑部块特征对阿尔茨海默症的诊断所起的作用并不等同的，为了增强诊断价值重要的块特征，减弱不重要的块特征，我们采用Hu等人提出的Squeeze-and-Excitation结构，引入块特征加权表达模块，计算到每个块特征的重要性权重，首先对块级子网络产生的每个块特征做全局平均池化(Global Average Pooling，GAP)处理，然后用两个连续的全连接层进行降维和升维，获取块之间的关系，再通过Sigmoid激活函数，对映射到[0,1]的特征向量进行归一化操作，表达如(1)
Sp＝σ2(fc2(σ1(fc1(Fp,W1)),W2)) (1)
其中W1,W2分别表示两个全连接的参数，σ1是ReLU函数，σ2表示Sigmoid运算，fc1和fc2表示两个全连接层，通过GAP计算得到每个块的特征向量
Sp表示每个块受到关注的程度。根据关注度不同，特征图的每个块将被分配不同的权重，最后产生的输出计算如(2)，其中
H,W,D表示块的长宽高尺寸，P表示块的数目,
表示该模块的最终输出。
每个块特征上所有的信息利用GAP聚合成一个值，得到每个块的整体信息，GAP操作能屏蔽掉每个块特征的空间分布信息，更专注于块之间的相关性。产生的权重可视为经过特征选择后的每个块特征的重要性系数，然后通过乘法逐块加权到先前的特征上，实现对每个块原始特征的重标定。
步骤S32具体为：输入块的尺寸为H×W×D×P。首先通过全局池化来“挤压”数据，尺寸变为1×1×1×P。为了使模型更好地拟合各个块的相关性，降低模型的计算复杂度，将块的个数目P减少到原来的1/4。处理后的数据通过ReLU激活函数，再通过一个全连接层，将数据恢复为1×1×1×P的大小，升到初始维数，每个包含不同信息量的块被分配了不同的权重，最后通过Sigmoid函数将权值归一化为0～1，然后加权到原始的每个块，所有块的特征被重塑为H×W×D×P。
S4、将脑部MRI图像输入所述的基于块特征加权表示的分层全卷积网络，输出所述脑部MRI图像的阿尔兹海默症分类检测结果。
步骤S4具体为：将提取脑部图像的每个块送进块级子网络，以生成这些输入块的特征表示，由C-P层输出这些块的分类分数。块特征加权表达模型可以为不同的脑部块分配不同的权重；块级子网的输出根据输入块的空间关系进行分组/合并(相邻的块进行组合)，再由区域级子网进行处理，由C-R层产生每个特定区域的特征表示和分类分数；区域级子网再次通过空间连接生成个体级子网，最终通过C-S层生成个体级的分类分数，从而得到阿尔兹海默症分类检测结果。
本发明建立了一种具有脑部块特征加权表达分层全卷积网络结构，分级提取并融合多尺度特征表示，扩大其信息感知范围并能保留大脑的细微结构变化特征，分层构建多尺度子网络，实现将特征提取和分类器构建相统一；构建了一种基于块特征加权表示的分层全卷积网络模型，利用脑部块特征加权表达对块级图像特征产生的增强或抑制调制作用，增强诊断价值重要的块特征，减弱不重要的块特征，从而让提取的特征指向性更强，从而提高了阿尔茨海默症诊断的准确性。
上面结合附图对本发明的示例进行了描述，但是本发明并不将优先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力要求所保护的范围情况下，还可以做出很多形式，均属于本发明的保护之内。
Claims (6)
1.基于脑部块特征加权表达的阿尔茨海默症诊断方法，其特征在于，包括以下步骤：
S1、获取训练的图像数据集；
S2、对图像数据集进行预处理，得到预处理后的sMRI图像数据集；
S3、建立分层全卷积神经网络，设置网络的层数和节点数，在块级子网络后引入块特征加权表达模块，得到自动诊断AD的基于块特征加权表示的分层全卷积网络；
S4、将脑部MRI图像输入所述的基于块特征加权表示的分层全卷积网络，输出所述脑部MRI图像的阿尔兹海默症分类检测结果。
2.根据权利要求1所述的基于脑部块特征加权表达的阿尔茨海默症诊断方法，其特征在于，S2所述预处理是指对图像数据集依次进行包括前联合-后联合校正、偏置场校正、去除非脑组织结构、线性配准(flirt)和非线性配准(fnirt)操作。
3.根据权利要求1所述的基于脑部块特征加权表达的阿尔茨海默症诊断方法，其特征在于，所述步骤S3具体步骤如下：
S31、采用分级全卷积神经网络模型，由输入图像、块级子网络、区域级子网络和个体级子网络四部分组成，对此四个部分进行分级整合处理，实现将特征提取和分类器构建相统一；
所述输入图像为预处理后的sMRI图像数据集；
S32、在块级子网络后引入块特征加权表达模块，得到自动诊断AD的基于块特征加权表示的分层全卷积网络。
4.根据权利要求3所述的基于脑部块特征加权表达的阿尔茨海默症诊断方法，其特征在于，所述S31具体为：采用输入为sMRI图像中尺寸相同的块，以数据驱动的方式自动识别块，充分提取sMRI图像中与大脑萎缩相关的特征，块级子网络用P-net表示，每个P-net都用完全相同的网络结构，并且具有相同的权重，P-net网络包括conv1-conv7共七个卷积层，在conv 1、conv 2和conv5层后均加入最大池化的下采样层，在分类卷积C-P层，采用Sigmoid函数作为分类层的激活函数，经过P-net模块处理后，得到块级的特征表示和分类得分；在P-Net网络的conv7层和分类卷积C-P中加入跳跃连接，把经过跳跃连接后的数据输出作为后续区域级子网的输入，P-net的分类得分作为块级特征的信息补充，通过使用块级的分类得分和块级特征信息作为区域级子网的输入，在多尺度监督下与块级特征信息共同优化块级的分类分数；在Conv-R和C-R卷积层中同样加入跳跃连接，将所有区域级特征和分类层连接起来，它们由个体级的卷积层进一步处理，以获得个体级的特征表示，最终通过分类层C-S生成个体级的分类分数，块级子网络、区域级子网络和个体级的子网络串联连接，整个网络结构中通过误差反向传播来提高判别能力，进而提高网络的诊断性能。
5.根据权利要求3所述的基于脑部块特征加权表达的阿尔茨海默症诊断方法，其特征在于，所述S32具体为：
S321、对块级子网络产生的每个块特征做全局平均池化GAP处理；
S322、用两个连续的全连接层进行降维和升维，获取块之间的关系；
S323、通过Sigmoid激活函数，对映射到[0，1]的特征向量进行归一化操作，表达式如(1)
Sp＝σ2(fc2(σ1(fc1(Fp，W1))，W2)) (1)
其中W1，W2分别表示两个全连接的参数，σ1是ReLU函数，σ2表示Sigmoid运算，fc1和fc2表示两个全连接层，通过GAP计算得到每个块的特征向量
Sp表示每个块受到关注的程度，根据关注度不同，特征图的每个块将被分配不同的权重，最后产生的输出计算如(2)，其中
H，W，D分别表示块的长宽高尺寸，P表示块的数目，
表示该模块的最终输出：
每个块特征上所有的信息利用GAP聚合成一个值，得到每个块的整体信息，产生的权重视为经过特征选择后的每个块特征的重要性系数，然后通过乘法逐块加权到先前的特征上，实现对每个块原始特征的重标定。
6.根据权利要求1所述的基于脑部块特征加权表达的阿尔茨海默症诊断方法，其特征在于，所述步骤S4具体为：将提取脑部图像的每个块送进块级子网络，以生成这些输入块的特征表示，由C-P层输出这些块的分类分数，块特征加权表达模型为不同的脑部块分配不同的权重；块级子网的输出根据输入块的空间关系进行分组/合并，再由区域级子网进行处理，由C-R层产生每个特定区域的特征表示和分类分数；区域级子网再次通过空间连接生成个体级子网，最终通过C-S层生成个体级的分类分数，从而得到阿尔兹海默症分类检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110639443.5A CN113538333B (zh) | 2021-06-08 | 2021-06-08 | 基于脑部块特征加权表达的阿尔茨海默症诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110639443.5A CN113538333B (zh) | 2021-06-08 | 2021-06-08 | 基于脑部块特征加权表达的阿尔茨海默症诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113538333A true CN113538333A (zh) | 2021-10-22 |
| CN113538333B CN113538333B (zh) | 2022-06-17 |
Family
ID=78124717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110639443.5A Expired - Fee Related CN113538333B (zh) | 2021-06-08 | 2021-06-08 | 基于脑部块特征加权表达的阿尔茨海默症诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113538333B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160217586A1 (en) * | 2015-01-28 | 2016-07-28 | University Of Florida Research Foundation, Inc. | Method for the autonomous image segmentation of flow systems |
| CN109034263A (zh) * | 2018-08-15 | 2018-12-18 | 东北大学 | 脑网络多频融合图核的阿尔茨海默病辅助诊断装置及方法 |
| CN109086809A (zh) * | 2018-07-18 | 2018-12-25 | 安徽安大笃北信息科技有限责任公司 | 基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法 |
| CN110236543A (zh) * | 2019-05-23 | 2019-09-17 | 东华大学 | 基于深度学习的阿尔茨海默病多分类诊断系统 |
| EP3628315A1 (en) * | 2018-09-28 | 2020-04-01 | Université de Caen Normandie | Combination of acetylcholinesterase inhibitor and 5-ht4 receptor agonist as neuroprotective agent in the treatment of neurodegenerative diseases |
| KR102097738B1 (ko) * | 2020-03-03 | 2020-04-06 | 주식회사 휴런 | 인공지능 기반 파킨슨 병 진단 장치 및 방법 |
| CN111311737A (zh) * | 2020-03-04 | 2020-06-19 | 中南民族大学 | 心脏图像的三维建模方法、装置、设备及存储介质 |
| 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 |
| CN111738363A (zh) * | 2020-07-24 | 2020-10-02 | 温州大学 | 基于改进的3d cnn网络的阿尔茨海默病分类方法 |
| CN111738302A (zh) * | 2020-05-28 | 2020-10-02 | 华南理工大学 | 一种基于多模态数据对阿尔茨海默病进行分类诊断的系统 |
| CN111862136A (zh) * | 2020-06-22 | 2020-10-30 | 南开大学 | 基于卷积神经网络的多模态核磁影像缺血性脑卒中病变分割方法 |
-
2021
- 2021-06-08 CN CN202110639443.5A patent/CN113538333B/zh not_active Expired - Fee Related
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160217586A1 (en) * | 2015-01-28 | 2016-07-28 | University Of Florida Research Foundation, Inc. | Method for the autonomous image segmentation of flow systems |
| CN109086809A (zh) * | 2018-07-18 | 2018-12-25 | 安徽安大笃北信息科技有限责任公司 | 基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法 |
| CN109034263A (zh) * | 2018-08-15 | 2018-12-18 | 东北大学 | 脑网络多频融合图核的阿尔茨海默病辅助诊断装置及方法 |
| EP3628315A1 (en) * | 2018-09-28 | 2020-04-01 | Université de Caen Normandie | Combination of acetylcholinesterase inhibitor and 5-ht4 receptor agonist as neuroprotective agent in the treatment of neurodegenerative diseases |
| CN110236543A (zh) * | 2019-05-23 | 2019-09-17 | 东华大学 | 基于深度学习的阿尔茨海默病多分类诊断系统 |
| KR102097738B1 (ko) * | 2020-03-03 | 2020-04-06 | 주식회사 휴런 | 인공지능 기반 파킨슨 병 진단 장치 및 방법 |
| CN111311737A (zh) * | 2020-03-04 | 2020-06-19 | 中南民族大学 | 心脏图像的三维建模方法、装置、设备及存储介质 |
| 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 |
| CN111738302A (zh) * | 2020-05-28 | 2020-10-02 | 华南理工大学 | 一种基于多模态数据对阿尔茨海默病进行分类诊断的系统 |
| CN111862136A (zh) * | 2020-06-22 | 2020-10-30 | 南开大学 | 基于卷积神经网络的多模态核磁影像缺血性脑卒中病变分割方法 |
| CN111738363A (zh) * | 2020-07-24 | 2020-10-02 | 温州大学 | 基于改进的3d cnn网络的阿尔茨海默病分类方法 |
Non-Patent Citations (4)
| Title |
|---|
| N VINUTHA ET AL: "A Convolution Neural Network based Classifier for Diagnosis of Alzheimer"s Disease", 《2018 FOURTEENTH INTERNATIONAL CONFERENCE ON INFORMATION PROCESSING(ICINPRO)》 * |
| TANG QILING ET AL: "Learning Nonclassical Receptive Field Modulation for Contour Detection", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| 孔薇等: "基于炎症反应的阿尔茨海默症功能模块构建", 《安徽大学学报(自然科学版)》 * |
| 普安等: "基于卷积循环神经网络的阿尔茨海默症早期诊断", 《生物医学工程研究》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113538333B (zh) | 2022-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109117864B (zh) | 基于异构特征融合的冠心病风险预测方法、模型及系统 | |
| CN109886273B (zh) | 一种cmr图像分割分类系统 | |
| CN108830326B (zh) | 一种mri图像的自动分割方法及装置 | |
| CN110236543B (zh) | 基于深度学习的阿尔茨海默病多分类诊断系统 | |
| CN112529042B (zh) | 一种基于双重注意力多示例深度学习的医学图像分类方法 | |
| CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
| Cortina-Januchs et al. | Detection of pore space in CT soil images using artificial neural networks | |
| CN111080678B (zh) | 一种基于深度学习的多时相sar图像变化检测方法 | |
| CN112674720B (zh) | 基于3d卷积神经网络的阿尔茨海默症的预判断方法 | |
| CN110097128B (zh) | 医学图像分类装置及系统 | |
| CN116958825A (zh) | 一种移动式遥感图像采集方法及公路维护监测方法 | |
| CN113592894A (zh) | 一种基于边界框和同现特征预测的图像分割方法 | |
| CN112863664A (zh) | 基于多模态超图卷积神经网络的阿尔茨海默病分类方法 | |
| CN112883941A (zh) | 一种基于并行神经网络的人脸表情识别方法 | |
| CN113989652B (zh) | 分层多重判定规则下的耕地变化检测方法及系统 | |
| Sathya et al. | RDA-CNN: Enhanced Super Resolution Method for Rice Plant Disease Classification. | |
| CN112036298A (zh) | 一种基于双段区块卷积神经网络的细胞检测方法 | |
| Asyhar et al. | Implementation LSTM Algorithm for Cervical Cancer using Colposcopy Data | |
| Mahapatra | Retinal image quality classification using neurobiological models of the human visual system | |
| Wang et al. | An edge detection method by combining fuzzy logic and neural network | |
| CN113538333B (zh) | 基于脑部块特征加权表达的阿尔茨海默症诊断方法 | |
| CN113781385A (zh) | 用于大脑医学影像自动分类的联合注意力图卷积方法 | |
| Rani Krithiga et al. | A novel automated classification technique for diagnosing liver disorders using wavelet and texture features on liver ultrasound images | |
| Liu et al. | Neural network for lung cancer diagnosis | |
| CN117809318B (zh) | 基于机器视觉的甲骨文识别方法及其系统 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220617 |