CN114004830A - 一种用于脑白质病辅助诊断的大脑神经影像学检查系统 - Google Patents
一种用于脑白质病辅助诊断的大脑神经影像学检查系统 Download PDFInfo
- Publication number
- CN114004830A CN114004830A CN202111485325.XA CN202111485325A CN114004830A CN 114004830 A CN114004830 A CN 114004830A CN 202111485325 A CN202111485325 A CN 202111485325A CN 114004830 A CN114004830 A CN 114004830A
- Authority
- CN
- China
- Prior art keywords
- brain
- image
- module
- neuroimaging
- nerve
- 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
- 238000002610 neuroimaging Methods 0.000 title claims abstract description 42
- 230000002490 cerebral effect Effects 0.000 title claims abstract description 41
- 238000003745 diagnosis Methods 0.000 title claims abstract description 25
- 208000034800 Leukoencephalopathies Diseases 0.000 title claims abstract description 10
- 210000004556 brain Anatomy 0.000 claims abstract description 107
- 210000005036 nerve Anatomy 0.000 claims abstract description 72
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 201000010099 disease Diseases 0.000 claims abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 4
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 32
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 19
- 210000004885 white matter Anatomy 0.000 claims description 16
- 208000014644 Brain disease Diseases 0.000 claims description 15
- 210000004884 grey matter Anatomy 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 210000003792 cranial nerve Anatomy 0.000 claims description 3
- 238000002598 diffusion tensor imaging Methods 0.000 claims description 3
- 238000002597 diffusion-weighted imaging Methods 0.000 claims description 3
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 3
- 230000004886 head movement Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000010412 perfusion Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000241 respiratory effect Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000010004 neural pathway Effects 0.000 claims description 2
- 210000000118 neural pathway Anatomy 0.000 claims description 2
- 230000005855 radiation Effects 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000877 morphologic effect Effects 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 210000004126 nerve fiber Anatomy 0.000 description 3
- 210000004498 neuroglial cell Anatomy 0.000 description 3
- 210000005056 cell body Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 206010051290 Central nervous system lesion Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 102000006386 Myelin Proteins Human genes 0.000 description 1
- 108010083674 Myelin Proteins Proteins 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000005012 myelin Anatomy 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 208000024891 symptom Diseases 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
- G06F18/23—Clustering 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于医疗设备技术领域，公开了一种用于脑白质病辅助诊断的大脑神经影像学检测系统，包括：供电模块为脑白质病辅助诊断的大脑神经影像学检测系统提供电力支持；大脑神经影像检查采集模块采集大脑神经影像检查的各项信息；AI智能模块对大脑神经影像信息进行预处理、特征提取、人工智能深度学习运算和处理，进行大脑神经影像动态识别和智能分析；报警模块当监测到非正常情况时利用声光报警装置发出报警；存储模块存储所述AI智能模块的处理结果。本发明能够将大脑神经影像学检查和人工智能分析结合起来，能够捕捉大脑微弱的形态学及功能变化，提高脑部神经影像分析的准确率，降低错误分析的可能，具有速度快、结果精确、辐射小的特点，适合推广应用。
Description
技术领域
本发明属于医疗设备技术领域，尤其涉及一种用于脑白质病辅助诊断的大脑神经影像学检查系统。
背景技术
大脑是由上百亿个神经元及神经胶质细胞组成的，每个神经元都包括细胞体和胞体延伸出来的突起两部分，神经元中较长的突起和包被其外的胶质细胞一起构成神经纤维，根据胶质细胞是否环绕神经元轴索形成髓鞘，将神经纤维分为有髓纤维和无髓纤维。在大脑中神经元细胞体聚集在大脑表层，看起来颜色深，叫做脑灰质；而神经纤维聚集在大脑内部，看起来颜色浅，叫做脑白质。脑白质病是一种大脑的结构性改变，以中枢神经细胞的髓鞘损害为主要特征，病变累及专门发挥高级大脑功能的白质束。其临床表现从认知障碍、精神症状、运动及感觉症状，到意识障碍甚至死亡。脑白质病变可由多种病因所致，如脑血管病、神经变性病、神经遗传病、炎症、感染、代谢、肿瘤、中毒等。脑白质病病因复杂，诊断困难，是神经病学的疑难病。大脑神经影像学检查是诊断脑白质病最重要的辅助检查，常见的方法有头部磁共振(MRI)结构成像、PET-CT、PET-MRI。上述方法的结果都可以在二维或三维空间中用图像的方式加以显示。
通过上述分析，现有技术存在的问题及缺陷为：现有大脑神经影像学检查设备获取影像的过程获取的影像包含的信息较少，阅片者的主观性大，易受专业水平及技术影响，辅助诊断脑白质病变困难在实际领域应用的意义不大。
现有技术中PET-CT、PET-MRI缺点则是有辐射、价格昂贵且信息量少。
发明内容
针对现有技术存在的问题，本发明提供了一种用于脑白质病辅助诊断的大脑神经影像学检查系统。
本发明是这样实现的，一种用于脑白质病诊断的大脑神经影像学检查系统，所述用于脑白质病辅助诊断的大脑神经影像学检查系统包括：
供电模块、大脑神经影像检查采集模块、控制模块、AI智能模块、报警模块和存储模块；
供电模块，与AI智能模块连接，用于脑白质病诊断的大脑神经影像学检查系统提供电力支持；
大脑神经影像检查采集模块，与AI智能模块连接，用于采集大脑神经影像检查的各项信息；
所述大脑神经影像检查采集模块采集多模态磁共振成像检查的各项信息包括：利用多模态磁共振成像装置进行采集大脑神经影像检查的各项信息，包括结构磁共振检查、弥散张量成像、弥散加权成像、磁敏感加权成像、功能磁共振成像、动脉自旋标记灌注成像及波谱分析；
控制模块，与AI智能模块连接，用于接收脑神经影像检查采集模块的信息并进行处理发出相关的指令；
AI智能模块，与供电模块、大脑神经影像检查采集模块、控制模块、报警模块和存储模块连接，用于对大脑神经影像信息进行预处理、特征提取、人工智能深度学习运算和处理，进行大脑神经影像动态识别和智能分析；
所述AI智能模块对大脑神经影像信息进行预处理包括：
获取多模态磁共振成像装置采集大脑神经影像信息，利用泊松噪声模型评估所述大脑神经影像的噪声水平，选择与噪声水平相匹配的第一卷积神经网络对多模态磁共振成像原始投影数据进行降噪处理；
报警模块，与AI智能模块连接，用于当监测到非正常情况时利用声光报警装置发出报警；
存储模块，与AI智能模块连接，用于利用存储器存储所述AI智能模块的处理结果。
进一步，所述供电模块设置有R1电阻、R2电阻以及R3电阻；
所述R1电阻的一端与R3电阻一端接地、所述R2电阻一端与所述R3电阻另一端相连接，所述R2电阻另一端连接D1与所述R1电阻另一端相连接。
进一步，所述报警模块包括：探测器单元、控制单元和声光报警单元。
进一步，所述存储器由NANDFlash阵列、大规模FPGA、高性能DSP和各类板载连接器组成。
进一步，所述AI智能模块对大脑神经影像信息进行特征提取包括：
对去噪后的大脑神经影像信息进行校正处理；对校正后的大脑神经影像进行分割处理得到大脑灰质图像、大脑白质图像和脑脊液图像；
将得到的大脑灰质图像、大脑白质图像和脑脊液图像与周边背景噪音区分并提取；
将提取的大脑灰质图像、大脑白质图像和脑脊液图像合并为大脑三维待测结构影像；
获取存储器中存储的标准大脑结构影像的上面皮层、神经核团、神经通路特征的位置；
基于确定标准大脑结构影像的上面皮层、神经核团、神经通路的位置确定大脑三维待测结构的对应特征区域，进行特征提取。
进一步，所述对去噪后的大脑神经影像信息进行校正处理包括：
利用去噪后的大脑神经影像数据中主峰能窗的去噪后的投影图像减去散射分量图像进行散射校正；对散射校正后的影像进行时间层矫正和头动矫正；
获取一个呼吸周期的呼气末时的MRI数据和吸气末时的MRI数据；根据所述吸气末时的MRI数据和所述呼气末时的MRI数据，得到若干个内插MRI数据；利用所述若干个内插MRI数据对大脑神经影像图像进行衰减校正。
进一步，所述对校正后的大脑神经影像进行分割处理得到大脑灰质图像、大脑白质图像和脑脊液图像包括：
获取标准大脑的大脑灰质、白质以及脑脊液分割图，及标准大脑的大脑灰质、白质以及脑脊液交界图；
获取校正后的大脑神经影像，利用卷积神经网络对校正后的大脑神经影像进行分割，得到各类别的预测概率分布；
利用线性迭代聚类超体素算法基于所述校正后的大脑神经影像生成超体素；将分割所得预测概率分布和所生成超体素融合得到大脑核磁神经图像的分割结果。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现如所述用于脑白质病诊断的大脑神经影像学检测系统的功能。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用所述用于脑白质病诊断的大脑神经影像学检测系统的功能。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用所述用于脑白质病辅助诊断的大脑神经影像学检查系统的功能。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明能够将大脑神经影像学检查和人工智能分析结合起来，能够捕捉大脑微弱的形态学及功能变化，提高脑部神经影像分析的准确率，降低错误分析的可能，具有速度快、结果精确、辐射小的特点，适合推广应用。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，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是本发明实施例提供的用于脑白质病辅助诊断的大脑神经影像学检查系统示意图。
图中：1、供电模块；2、大脑神经影像检查采集模块；3、控制模块；4、AI智能模块；5、报警模块；6、存储模块。
图2是本发明实施例提供的AI智能模块对大脑神经影像信息进行预处理的方法流程图。
图3是本发明实施例提供的AI智能模块对大脑神经影像信息进行特征提取的方法流程图。
图4是本发明实施例提供的对去噪后的大脑神经影像信息进行校正处理的方法流程图。
图5是本发明实施例提供的对校正后的大脑神经影像进行分割处理得到大脑灰质图像、大脑白质图像和脑脊液图像的方法流程图。
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，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种用于脑白质病辅助诊断的大脑神经影像学检查系统，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的用于脑白质病辅助诊断的大脑神经影像学检查系统包括：
供电模块1，与AI智能模块连接，用于脑白质病辅助诊断的大脑神经影像学检查系统提供电力支持；
大脑神经影像检查采集模块2，与AI智能模块4连接，用于采集大脑神经影像检查的各项信息；
所述大脑神经影像检查采集模块采集大脑神经影像检查的各项信息包括：利用多模态磁共振成像装置进行采集大脑神经影像检查的各项信息，包括结构磁共振检查、弥散张量成像、弥散加权成像、磁敏感加权成像、功能磁共振成像、动脉自旋标记灌注成像及波谱分析；
控制模块3，与AI智能模块4连接，用于接收脑神经影像检查采集模块的信息并进行处理发出相关的指令；
AI智能模块4，与供电模块1、大脑神经影像检查采集模块、控制模块、报警模块和存储模块连接，用于对大脑神经影像信息进行预处理、特征提取、人工智能深度学习运算和处理，进行大脑神经影像动态识别和智能分析；
报警模块5，与AI智能模块连接，用于当监测到非正常情况时利用声光报警装置发出报警；
存储模块6，与AI智能模块连接，用于利用存储器存储所述AI智能模块的处理结果。
本发明实施例提供的供电模块1设置有R1电阻、R2电阻以及R3电阻；R1电阻的一端与R3电阻一端接地、R2电阻一端与R3电阻另一端相连接，R2电阻另一端连接D1与R1电阻另一端相连接。
本发明实施例提供的报警模块5包括：探测器单元、控制单元和声光报警单元。
本发明实施例提供的存储器由NANDFlash阵列、大规模FPGA、高性能DSP和各类板载连接器组成。
如图2所示，本发明实施例提供的AI智能模块对大脑神经影像信息进行预处理包括：
S101，获取多模态磁共振成像装置采集大脑神经影像信息，利用泊松噪声模型评估所述大脑神经影像的噪声水平；
S102，选择与噪声水平相匹配的第一卷积神经网络对多模态磁共振成像原始投影数据进行降噪处理。
如图3所示，本发明实施例提供的AI智能模块对大脑神经影像信息进行特征提取包括：
S201，对去噪后的大脑神经影像信息进行校正处理；对校正后的大脑神经影像进行分割处理得到大脑灰质图像、大脑白质图像和脑脊液图像；
S202，将得到的大脑灰质图像、大脑白质图像和脑脊液图像与周边背景噪音区分并提取；
S203，将提取的大脑灰质图像、大脑白质图像和脑脊液图像合并为大脑三维待测结构影像；
S204，获取存储器中存储的标准大脑结构影像的上面皮层、神经核团、神经通路特征的位置；
S205，基于确定标准大脑结构影像的上面皮层、神经核团、神经通路的位置确定大脑三维待测结构的对应特征区域，进行特征提取。
如图4所示，本发明实施例提供的对去噪后的大脑神经影像信息进行校正处理包括：
S301，利用去噪后的大脑神经影像数据中主峰能窗的去噪后的投影图像减去散射分量图像进行散射校正；对散射校正后的影像进行时间层矫正和头动矫正；
S302，获取一个呼吸周期的呼气末时的MRI数据和吸气末时的MRI数据；根据所述吸气末时的MRI数据和所述呼气末时的MRI数据，得到若干个内插MRI数据；利用所述若干个内插MRI数据对大脑神经影像图像进行衰减校正。
如图5所示，本发明实施例提供的对校正后的大脑神经影像进行分割处理得到大脑灰质图像、大脑白质图像和脑脊液图像包括：
S401，获取标准大脑的大脑灰质、白质以及脑脊液分割图，及标准大脑的大脑灰质、白质以及脑脊液交界图；
S402，获取校正后的大脑神经影像，利用卷积神经网络对校正后的大脑神经影像进行分割，得到各类别的预测概率分布；
S403，利用线性迭代聚类超体素算法基于所述校正后的大脑神经影像生成超体素；将分割所得预测概率分布和所生成超体素融合得到大脑核磁神经图像的分割结果。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种用于脑白质病辅助诊断的大脑神经影像学检测系统，其特征在于，所述用于脑白质病辅助诊断的大脑神经影像学检测系统包括：
供电模块、大脑神经影像检查采集模块、控制模块、AI智能模块、报警模块和存储模块；
供电模块，与AI智能模块连接，用于脑白质病辅助诊断的大脑神经影像学检测系统提供电力支持；
大脑神经影像检查采集模块，与AI智能模块连接，用于采集大脑神经影像检查的各项信息；
所述大脑神经影像检查采集模块采集大脑神经影像检查的各项信息包括：
利用多模态磁共振成像装置进行采集大脑神经影像检查的各项信息；大脑神经影像检查信息包括结构磁共振检查、弥散张量成像、弥散加权成像、磁敏感加权成像、功能磁共振成像、动脉自旋标记灌注成像及波谱分析检查的信息；
控制模块，与AI智能模块连接，用于接收脑神经影像检查采集模块的信息并进行处理发出相关的指令；
AI智能模块，与供电模块、大脑神经影像检查采集模块、控制模块、报警模块和存储模块连接，用于对大脑神经影像信息进行预处理、特征提取、人工智能深度学习运算和处理，进行大脑神经影像动态识别和智能分析；
所述AI智能模块对大脑神经影像信息进行预处理包括：
获取多模态磁共振成像装置采集大脑神经影像信息；
利用泊松噪声模型评估所述利用多模态磁共振成像装置采集的大脑神经影像的噪声水平；
选择与噪声水平相匹配的第一卷积神经网络对多模态磁共振成像原始投影数据进行降噪处理；
报警模块，与AI智能模块连接，用于当监测到非正常情况时利用声光报警装置发出报警；
存储模块，与AI智能模块连接，用于利用存储器存储所述AI智能模块的处理结果。
2.如权利要求1所述用于脑白质病辅助诊断的大脑神经影像学检测系统，其特征在于，所述供电模块设置有R1电阻、R2电阻以及R3电阻；
所述R1电阻的一端与R3电阻一端接地、所述R2电阻一端与所述R3电阻另一端相连接，所述R2电阻另一端连接D1与所述R1电阻另一端相连接。
3.如权利要求1所述用于脑白质病辅助诊断的大脑神经影像学检测系统，其特征在于，所述报警模块包括：探测器单元、控制单元和声光报警单元。
4.如权利要求1所述用于脑白质病辅助诊断的大脑神经影像学检测系统，其特征在于，所述存储器由NANDFlash阵列、大规模FPGA、高性能DSP和各类板载连接器组成。
5.如权利要求1所述用于脑白质病辅助诊断的大脑神经影像学检测系统，其特征在于，所述AI智能模块对大脑神经影像信息进行特征提取包括：
对去噪后的大脑神经影像信息进行校正处理；对校正后的大脑神经影像进行分割处理得到大脑灰质图像、大脑白质图像和脑脊液图像；
将得到的大脑灰质图像、大脑白质图像和脑脊液图像与周边背景噪音区分并提取；
将提取的大脑灰质图像、大脑白质图像和脑脊液图像合并为大脑三维待测结构影像；
获取存储器中存储的标准大脑结构影像的上面皮层、神经核团、神经通路特征的位置；
基于确定标准大脑结构影像的上面皮层、神经核团、神经通路的位置确定大脑三维待测结构的对应特征区域，进行特征提取。
6.如权利要求5所述用于脑白质病辅助诊断的大脑神经影像学检测系统，其特征在于，所述对去噪后的大脑神经影像信息进行校正处理包括：
利用去噪后的大脑神经影像数据中主峰能窗的去噪后的投影图像减去散射分量图像进行散射校正；对散射校正后的影像进行时间层矫正和头动矫正；
获取一个呼吸周期的呼气末时的MRI数据和吸气末时的MRI数据；根据所述吸气末时的MRI数据和所述呼气末时的MRI数据，得到若干个内插MRI数据；利用所述若干个内插MRI数据对大脑神经影像图像进行衰减校正。
7.如权利要求5所述用于脑白质病辅助诊断的大脑神经影像学检测系统，其特征在于，所述对校正后的大脑神经影像进行分割处理得到大脑灰质图像、大脑白质图像和脑脊液图像包括：
获取标准大脑的大脑灰质、白质以及脑脊液分割图，及标准大脑的大脑灰质、白质以及脑脊液交界图；
获取校正后的大脑神经影像，利用卷积神经网络对校正后的大脑神经影像进行分割，得到各类别的预测概率分布；
利用线性迭代聚类超体素算法基于所述校正后的大脑神经影像生成超体素；将分割所得预测概率分布和所生成超体素融合得到大脑核磁神经图像的分割结果。
8.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求1-7任意一项所述用于脑白质病诊断的大脑神经影像学检测系统的功能。
9.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用如权利要求1-7任意一项所述用于脑白质病诊断的大脑神经影像学检测系统的功能。
10.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用如权利要求1-7任意一项所述用于脑白质病辅助诊断的大脑神经影像学检查系统的功能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111485325.XA CN114004830B (zh) | 2021-12-07 | 2021-12-07 | 一种用于脑白质病辅助诊断的大脑神经影像学检查系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111485325.XA CN114004830B (zh) | 2021-12-07 | 2021-12-07 | 一种用于脑白质病辅助诊断的大脑神经影像学检查系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114004830A true CN114004830A (zh) | 2022-02-01 |
| CN114004830B CN114004830B (zh) | 2024-03-29 |
Family
ID=79931459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111485325.XA Active CN114004830B (zh) | 2021-12-07 | 2021-12-07 | 一种用于脑白质病辅助诊断的大脑神经影像学检查系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114004830B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090030304A1 (en) * | 2007-07-26 | 2009-01-29 | Thorsten Feiweier | Method for detecting a brain region with neurodegenerative change |
| CN109859215A (zh) * | 2019-01-30 | 2019-06-07 | 北京慧脑云计算有限公司 | 一种基于Unet模型的脑白质高信号自动分割系统及其方法 |
| CN110689536A (zh) * | 2019-09-30 | 2020-01-14 | 深圳大学 | 基于多模态磁共振影像的大脑灰质及白质追踪方法及装置 |
-
2021
- 2021-12-07 CN CN202111485325.XA patent/CN114004830B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090030304A1 (en) * | 2007-07-26 | 2009-01-29 | Thorsten Feiweier | Method for detecting a brain region with neurodegenerative change |
| CN109859215A (zh) * | 2019-01-30 | 2019-06-07 | 北京慧脑云计算有限公司 | 一种基于Unet模型的脑白质高信号自动分割系统及其方法 |
| CN110689536A (zh) * | 2019-09-30 | 2020-01-14 | 深圳大学 | 基于多模态磁共振影像的大脑灰质及白质追踪方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 赵岩;孙健;杨学军;: "多模态影像融合技术在神经外科的应用及进展", 中国现代神经疾病杂志, no. 06, 31 December 2012 (2012-12-31), pages 645 - 650 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114004830B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2024083057A1 (zh) | 基于多模态磁共振成像的图卷积神经网络疾病预测系统 | |
| US20210358611A1 (en) | Method for Detecting Epileptic Spike, Method for Training Network Model, and Computer Device | |
| CN111028206A (zh) | 一种基于深度学习前列腺癌自动检测和分类系统 | |
| CN112365980B (zh) | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统 | |
| Majka et al. | Histology‐Based Average Template of the Marmoset Cortex With Probabilistic Localization of Cytoarchitectural Areas | |
| CN113052800B (zh) | 一种阿尔茨海默症影像分析方法与装置 | |
| Khasawneh et al. | Detection of K-complexes in EEG signals using deep transfer learning and YOLOv3 | |
| Tyagi et al. | Towards artificial intelligence in mental health: a comprehensive survey on the detection of schizophrenia | |
| CN112927187A (zh) | —种自动识别定位局灶性皮质发育不良癫痫病灶的方法 | |
| US11989883B2 (en) | Functional connectivity matrix processing system and device based on feature selection using filtering method | |
| Fong et al. | Bypassing MRI pre-processing in Alzheimer's disease diagnosis using deep learning detection network | |
| Ji et al. | Constructing dynamic brain functional networks via hyper-graph manifold regularization for mild cognitive impairment classification | |
| Elayaraja et al. | An efficient approach for detection and classification of cancer regions in cervical images using optimization based CNN classification approach | |
| Chen et al. | Individualized prediction of schizophrenia based on the whole‐brain pattern of altered white matter tract integrity | |
| Liu et al. | Robust cortical thickness morphometry of neonatal brain and systematic evaluation using multi-site MRI datasets | |
| Tosun et al. | Novel eye‐blink artefact detection algorithm from raw EEG signals using FCN‐based semantic segmentation method | |
| Zuo et al. | Alzheimer’s disease prediction via brain structural-functional deep fusing network | |
| Zhu et al. | Multi-modal non-euclidean brain network analysis with community detection and convolutional autoencoder | |
| Safai et al. | Multimodal brain connectomics-based prediction of Parkinson’s disease using graph attention networks | |
| Ya et al. | Machine learning models for diagnosis of Parkinson’s disease using multiple structural magnetic resonance imaging features | |
| Zhang et al. | Spatial–temporal eeg fusion based on neural network for major depressive disorder detection | |
| CN114004830B (zh) | 一种用于脑白质病辅助诊断的大脑神经影像学检查系统 | |
| CN113378898A (zh) | 基于相对熵损失函数卷积神经网络的脑龄预测方法 | |
| CN116386845A (zh) | 基于卷积神经网络和面部动态视频的精神分裂症诊断系统 | |
| Xiao et al. | Stability of AI-enabled diagnosis of Parkinson’s disease: A study targeting substantia nigra in quantitative susceptibility mapping imaging |
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 |