CN114882992B - 一种用于预测疾病的去除多站点功能磁共振成像异质性方法 - Google Patents
一种用于预测疾病的去除多站点功能磁共振成像异质性方法 Download PDFInfo
- Publication number
- CN114882992B CN114882992B CN202210515422.7A CN202210515422A CN114882992B CN 114882992 B CN114882992 B CN 114882992B CN 202210515422 A CN202210515422 A CN 202210515422A CN 114882992 B CN114882992 B CN 114882992B
- Authority
- CN
- China
- Prior art keywords
- site
- population
- embedding
- network
- invariant
- 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
Links
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
- 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种用于预测疾病的去除多站点功能磁共振成像异质性方法,其特点是该方法包含:获取多站点静息态fMRI数据和表型数据集;应用HO脑图谱提取fMRI数据通过Fisher变换后的脑网络功能连接矩阵并进行特征工程;将脑网络特征通过双头编码器解耦表示为站点不变和站点特定嵌入,利用正则约束训练编码器;基于站点特定嵌入和表型信息构造人口图,并通过图卷积神经网络在人口图上进行站点不变嵌入的传播和转换;人口图中包含的大量未标注的结点取最终转换得到的二维向量中概率更大的类别等步骤。本发明与现有技术相比具有准确率高的诊断效果,有效避免了大量人工干预造成的失误,大大提升了工作效率和诊断结果的准确率。
Description
技术领域
本发明涉及计算机辅助诊断技术领域,尤其是一种用于预测疾病的去除多站点功能磁共振成像异质性方法。
背景技术
静息态功能磁共振成像(rs-fMRI)具有捕捉大脑感兴趣区间交互的能力。研究结果表明,脑功能连接模式可以作为阿尔茨海默病、抑郁症、自闭症等一系列精神疾病的诊断生物标志物。由于精神疾病的诊断难度大,计算机辅助诊断被寄予厚望。然而,在利用大规模共享的多站点fMRI数据训练诊断模型的过程中,由于各站点使用的采集协议和扫描仪类型等诸多差异造成的数据异质性问题,诊断模型难以达到预期的效果。因此,去除多站点fMRI的异质性并进行疾病预测具有重要意义。
近年来,图卷积神经网络(GCN)在半监督分类任务中对具有相关关系的数据表现出了惊人的性能。由于患病样本相对较少,采用半监督的分类显得尤为合适。多站点fMRI依据人口学信息天然地构成人口图,因此,在人口图上使用GCN是一种有效的诊断办法。为了在人口图上传播无异质性的fMRI特征,解耦表示学习(Disentangled RepresentationLearning)是一种有效的技术。
为此,设计多种约束达到解耦目的,实现在人口图上传播无异质性的fMRI特征。但该解耦表示学习约束,在人口图中传播去除异质性的fMRI信息,并结合解耦所得的站点特定嵌入构建人口图,用于去除多站点功能磁共振成像异质性的大规模精神疾病诊断,至今尚未见有相关技术的公开报道。
发明内容
本发明的目的是针对现有技术的不足而设计的一种用于预测疾病的去除多站点功能磁共振成像异质性方法,采用解耦表示学习的约束方法,将原始fMRI数据解耦表示成站点不变和站点特定嵌入,然后使用站点特定嵌入构造人口图的边,站点不变嵌入表示结点,使用基于Jumping Knowledge Network(JK-Net)t设计的人口图卷积神经网络进行疾病的诊断和预测,该方法在人口图中传播去除异质性的fMRI信息,并结合解耦所得的站点特定嵌入构建人口图,保留了结点与站点相关的原始细节,使用四约束包含站点分类损失、重构损失、站点特定嵌入稀疏化约束用于训练模型,端到端的训练方式新颖简单,极大地提升了疾病诊断的效率,具有良好和广泛的应用前景。
实现本发明的具体技术方案是:一种用于预测疾病的去除多站点功能磁共振成像异质性方法,其特点是将原始fMRI数据解耦表示成站点不变和站点特定嵌入,然后使用站点特定嵌入构造人口图的边,站点不变嵌入表示结点,使用基于Jumping KnowledgeNetwork(JK-Net)设计的人口图卷积神经网络进行精神疾病诊断,具体实施包括以下步骤:
步骤一:数据处理与特征工程
获取患病人群与正常人群的多站点静息态fMRI数据,并应用HO脑图谱提取Fisher变换后的脑网络功能连接矩阵;获取表型数据集(含站点、性别、年龄等信息)。取脑网络功能连接矩阵的上三角部分构建特征向量,并应用递归式特征消除选取前2000维表示脑网络特征。
步骤二:网络设计模块
脑网络特征通过双头编码器解耦表示为站点不变和站点特定嵌入,利用站点特定嵌入和表型信息构造人口图的边,使用站点不变嵌入表示结点,通过四层图卷积网络与JK-Net在所构造的人口图上进行结点特征的传播与变换。
步骤三:网络训练与输出模块
网络训练时设计四种正则约束,包含基于梯度反转层的站点分类损失、重构损失、站点特定嵌入稀疏化约束和基于人口图卷积的疾病预测损失,最终可以将通过图卷积神经网络特征变换得到的二维向量中概率更大的类别作为人口图中未标注的结点类别。
所述步骤一的数据处理与特征工程具体包括:
1)对于多站点静息态fMRI数据,采用nilearn库获取基于HO脑图谱的脑网络功能连接矩阵,将矩阵的上三角部分逐行相连构建脑网络的特征向量;
2)对于当前脑网络的特征向量,应用递归式特征消除方法,即基于外部估计器为每一特征赋予的权重,递归选取更重要的2000维特征作为原始fMRI特征。
所述步骤二的网络设计模块具体包括:
1)双头编码器、站点分类器和解码器均为MLP;
2)人口图的构造利用站点特定嵌入和归一化的表型特征,表型特征通过MLP映射到高维表示后,将得到的高维表示与站点特定嵌入拼接得到计算边权重的输入,最后计算两两结点输入的cosine相似性作为边的权重;
3)人口图卷积神经网络传播与变换结点的站点不变嵌入,包含了四层图卷积网络,并应用JK-Net以缓解过平滑,将每一层的输出拼接起来,通过一层MLP进行诊断。
所述步骤三的网络训练与输出模块具体包括:
1)采用基于对抗的域自适应方法提取站点不变信息,将解耦所得站点不变嵌入通过梯度反转层,并由站点分类器识别该嵌入来自哪个站点,由此产生站点分类损失;
2)将站点不变和站点特定嵌入拼接并送入解码器,解码fMRI特征与原始fMRI特征间的距离构成重构损失,以保证解耦的完整性;
3)使用欧几里得范数构建站点特定嵌入的稀疏化约束;
4)基于人口图卷积的疾病预测损失;
5)通过三个超参数对损失求和建立最终的损失函数,并应用梯度下降法优化模型参数。
所述正则约束包含基于梯度反转层的站点分类损失、重构损失、基于人口图卷积的疾病预测损失或站点特定嵌入稀疏化约束。
所述人口图中未标注的结点类别采用大量的无标注fMRI数据和少量的有标注fMRI数据。
本发明与现有技术相比具有以下显著的技术进步和有益效果:
1)有效性,在精神疾病的诊断上,其效果好过其它的诊断方法,有效性强。
2)高效性,使用端到端的训练方式,可以直接对输入的某站点fMRI数据输出全部未标注被试的诊断结果,相比较于人工诊断的方法,更加快速高效。
3)简易性,使用搭建好的神经网络架构,可以直接将预处理好的fMRI数据和表型信息送入网络,无需其他人工操作,通过计算机辅助训练和预测,避免了大量人工干预造成的失误,节省了大量的人力与时间,大大提升了工作效率和诊断结果的准确率。
附图说明
图1为本发明流程图;
图2为本发明的神经网络架构图。
具体实施方式
下面以精神疾病的预测为例,对本发明作进一步的详细说明。
参阅图1~图2,本发明首先对多站点静息态fMRI数据应用HO脑图谱提取通过Fisher变换后的脑网络功能连接矩阵并进行特征工程,其次将脑网络特征通过双头编码器解耦表示为站点不变和站点特定嵌入,并利用四种正则约束训练编码器,所述四种正则约束包括站点分类损失、重构损失、站点特定嵌入稀疏化约束和疾病预测损失。其中,在疾病预测的过程中,基于站点特定嵌入和表型信息构造人口图,并通过图卷积神经网络在人口图上进行站点不变嵌入的传播和变换,最终可以根据变换得到的二维向量中概率更大的类别作为人口图中大量未标注的结点的分类结果。
参阅图2,具体操作按以下步骤进行:
(一)fMRI数据处理与特征工程
对于多站点静息态fMRI数据,调用nilearn库提取fMRI数据在HO脑图谱下的各脑区信号变化序列,通过Fisher变换得该fMRI相应的脑网络功能连接矩阵,取矩阵上三角部分逐行相连构建脑网络特征向量,再应用递归式特征消除方法,即基于外部估计器为每一特征赋予的权重,递归选取更重要的2000维特征作为原始脑网络特征。对于表型信息,对每一被试的性别和年龄属性进行归一化处理。
(二)网络模型的设计
将原始脑网络特征通过双头编码器显式地解耦表示为站点不变特征ei和站点特定特征es。为了解耦表示学习,四种正则约束被使用,分别是站点分类损失、重构损失、es稀疏化约束和疾病预测损失。在最主要的疾病预测模型设计中,本发明设计了一个人口图边权重编码模块(PEWE)用来利用站点特定嵌入和表型信息输出两结点间的边的权重。此外,用站点不变嵌入表示每一结点,并构建结合JK-Net的四层图卷积神经网络进行疾病的预测。
所述四种正则约束的具体描述如下:
1)站点分类损失:受益于无监督域自适应方法,本发明采用基于对抗的方法来获取站点不变信息,将通过梯度反转层的ei送入站点分类器,并鼓励站点分类器来识别数据点当前x来自哪一站点。
2)重构损失:为了保证解耦的完整性,将ei和es拼接并送入解码器重构出原始的脑网络特征。
3)es稀疏化约束:受多任务学习启发,任务特定的特征通常是稀疏的,同时也为了解耦信息的互斥,为es增添稀疏化这一约束。
4)疾病预测损失:基于图卷积网络传播和变换节点特征,将学习到的二维表示应用Softmax函数及交叉熵损失函数,这一约束采用的即为预测疾病时产生的损失。
在构建人口图时,PEWE结合站点特定嵌入和归一化的表型特征,首先将表型特征通过MLP映射到高维表示ep,接着将得到的高维表示与站点特定嵌入拼接得到计算边权重的输入,最后计算结点u和结点v输入的cosine相似性作为边的权重au,v,具体由下述(1)式表达为:
au,v=Cos(concat(eu,s,eu,p),concat(ev,s,ev,p)+1)×0.5 (1);
对于疾病预测,本发明设计的人口图卷积神经网络包含四层图卷积网络,并应用Jumping Knowledge Network(JK-Net)缓解过平滑问题。具体地操作是将每一层的输出拼接起来,通过一层MLP进行诊断。此外,在所构人口图上执行每一结点的站点不变嵌入的传播与变换,以此防止站点间数据异质性带来的问题,提升诊断的准确率。
(三)网络的训练以及输出
训练时使用的站点分类损失由下述(2)式表示为:
使用的重构损失由下述(3)式表示为:
使用的稀疏化损失由下述(4)式表示为:
使用的疾病预测损失由下述(5)式表示为:
最终模型的优化目标由下述(6)式表示为最小化的损失函数:
其中:α为站点分类损失比例系数;β为站点特定嵌入稀疏化损失比例系数;γ为重构损失比例系数。
在上述损失函数中,N为站点数;Mk为k站点数据集;CE为交叉熵损失;SC为站点分类器;Ei为站点不变编码器;Es为站点特定编码器;DE为解码器;PGC为人口图卷积网络。
网络训练过程中采用梯度下降法优化模型参数,最终将图卷积变换得到的二维向量中概率更大的类别作为人口图中大量未标注的结点的分类结果,本发明通常采用大量的无标注fMRI数据和少量的有标注fMRI数据。
本发明的保护内容不局限于以上实施例,在不背离发明构思的精神和范围下,本领域技术人员能够想到的变化和优点都被包括在本发明中,并且以所附的权利要求书为保护范围。
Claims (5)
1.一种用于预测疾病的去除多站点功能磁共振成像异质性方法,其特征在于采用解耦表示学习的约束方法,将原始fMRI数据解耦表示成站点不变和站点特定嵌入,然后使用站点特定嵌入构造人口图的边,站点不变嵌入表示结点,使用基于JK-Net设计的人口图卷积神经网络进行疾病的预测,具体实施包括以下步骤:
步骤一:数据处理与特征工程
1-1:获取患病人群与正常人群的多站点静息态fMRI数据,应用HO脑图谱提取Fisher变换后的脑网络功能连接矩阵;
1-2:获取包括站点、性别和年龄信息的表型数据集,使用脑网络功能连接矩阵的上三角部分构建特征向量,应用递归式特征消除选取前2000维表示脑网络特征;
步骤二:网络设计模块
2-1:将脑网络特征通过双头编码器解耦表示为站点不变和站点特定嵌入;
2-2:利用站点特定嵌入和表型信息构造人口图的边,使用站点不变嵌入表示结点即被试,通过四层图卷积网络与JK-Net在所构造的人口图上进行结点特征的传播与变换,构建结合JK-Net的四层图卷积神经网络;
步骤三:网络训练与输出模块
采用正则约束对构建的人口图卷积神经网络进行训练,通过图卷积神经网络特征变换,得到二维向量中概率更大的类别作为人口图中未标注的结点类别,将完成网络训练的四层图卷积神经网络进行疾病的预测;
所述步骤二的网络设计模块具体包括:
1)双头编码器、站点分类器和解码器均为MLP;
2)人口图的构造利用站点特定嵌入和归一化的表型特征,表型特征通过MLP映射到高维表示后,将得到的高维表示与站点特定嵌入拼接得到计算边权重的输入,最后计算两两结点输入的cosine相似性作为边的权重;
3)人口图卷积神经网络传播与变换结点的站点不变嵌入,包含了四层图卷积网络,并应用JK-Net以缓解过平滑,将每一层的输出拼接起来,通过一层MLP进行诊断。
2.根据权利要求1所述用于预测疾病的去除多站点功能磁共振成像异质性方法,其特征在于所述步骤一的数据处理与特征工程具体包括:
1)对于多站点静息态fMRI数据,采用nilearn库获取基于HO脑图谱的脑网络功能连接矩阵,将矩阵的上三角部分逐行相连构建脑网络的特征向量;
2)对于当前脑网络的特征向量,应用递归式特征消除方法,即基于外部估计器为每一特征赋予的权重,递归选取更重要的2000维特征作为原始fMRI特征。
3.根据权利要求1所述用于预测疾病的去除多站点功能磁共振成像异质性方法,其特征在于所述步骤三的网络训练与输出模块具体包括:
1)采用基于对抗的域自适应方法提取站点不变信息,将解耦所得站点不变嵌入通过梯度反转层,并由站点分类器识别该嵌入来自哪个站点,由此产生站点分类损失;
2)将站点不变和站点特定嵌入拼接并送入解码器,解码fMRI特征与原始fMRI特征间的距离构成重构损失,以保证解耦的完整性;
3)使用欧几里得范数构建站点特定嵌入的稀疏化约束;
4)基于人口图卷积的疾病预测损失;
5)通过三个超参数对损失求和建立最终的损失函数,并应用梯度下降法优化模型参数。
4.根据权利要求1所述用于预测疾病的去除多站点功能磁共振成像异质性方法,其特征在于所述正则约束包含基于梯度反转层的站点分类损失、重构损失、基于人口图卷积的疾病预测损失或站点特定嵌入稀疏化约束。
5.根据权利要求1所述用于预测疾病的去除多站点功能磁共振成像异质性方法,其特征在于所述人口图中未标注的结点类别采用大量的无标注fMRI数据和少量的有标注fMRI数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210515422.7A CN114882992B (zh) | 2022-05-12 | 2022-05-12 | 一种用于预测疾病的去除多站点功能磁共振成像异质性方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210515422.7A CN114882992B (zh) | 2022-05-12 | 2022-05-12 | 一种用于预测疾病的去除多站点功能磁共振成像异质性方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114882992A CN114882992A (zh) | 2022-08-09 |
CN114882992B true CN114882992B (zh) | 2023-07-25 |
Family
ID=82674875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210515422.7A Active CN114882992B (zh) | 2022-05-12 | 2022-05-12 | 一种用于预测疾病的去除多站点功能磁共振成像异质性方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882992B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115482436B (zh) * | 2022-09-21 | 2023-06-30 | 北京百度网讯科技有限公司 | 图像筛选模型的训练方法、装置以及图像筛选方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9510756B2 (en) * | 2012-03-05 | 2016-12-06 | Siemens Healthcare Gmbh | Method and system for diagnosis of attention deficit hyperactivity disorder from magnetic resonance images |
US9265441B2 (en) * | 2013-07-12 | 2016-02-23 | Siemens Aktiengesellschaft | Assessment of traumatic brain injury |
US11002814B2 (en) * | 2017-10-25 | 2021-05-11 | Siemens Medical Solutions Usa, Inc. | Decoding from brain imaging data of individual subjects by using additional imaging data from other subjects |
AU2020102977A4 (en) * | 2020-10-23 | 2020-12-24 | Bhima, Ravi Teja DR | A Deep learning technique to recognise brain activity by fMRI and DTI image fusion |
CN112837274B (zh) * | 2021-01-13 | 2023-07-07 | 南京工业大学 | 一种基于多模态多站点数据融合的分类识别方法 |
-
2022
- 2022-05-12 CN CN202210515422.7A patent/CN114882992B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114882992A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738363B (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
CN114242236A (zh) | 结构-功能脑网络双向映射模型构建方法及脑网络双向映射模型 | |
CN113314205A (zh) | 一种高效的医学影像标注与学习系统 | |
CN111369565A (zh) | 一种基于图卷积网络的数字病理图像的分割与分类方法 | |
CN113744275B (zh) | 一种基于特征变换的三维cbct牙齿图像的分割方法 | |
CN112819037B (zh) | 基于交叉注意力和自注意力的分类参数分布的故障诊断方法 | |
CN114882992B (zh) | 一种用于预测疾病的去除多站点功能磁共振成像异质性方法 | |
CN113496481A (zh) | 一种少样本胸部X-Ray图像的辅助检测方法 | |
Huai et al. | Zerobn: Learning compact neural networks for latency-critical edge systems | |
CN116012581A (zh) | 一种基于双重注意力融合的图像分割方法 | |
Muhammad et al. | Multi-scale Xception based depthwise separable convolution for single image super-resolution | |
CN117974693B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN111008570B (zh) | 一种基于压缩-激励伪三维网络的视频理解方法 | |
CN116580243A (zh) | 一种掩码图像建模引导域适应的跨域遥感场景分类方法 | |
CN117423108B (zh) | 指令微调多模态大模型的图像细粒度描述方法及系统 | |
CN112700508B (zh) | 一种基于深度学习的多对比度mri图像重建方法 | |
CN118015396A (zh) | 一种基于无监督的医学图像器官分割模型预训练方法 | |
CN117437423A (zh) | 基于sam协同学习和跨层特征聚合增强的弱监督医学图像分割方法及装置 | |
CN115995002B (zh) | 一种网络构建方法及城市场景实时语义分割方法 | |
CN116759076A (zh) | 一种基于医疗影像的无监督疾病诊断方法及系统 | |
CN109190701B (zh) | 一种基于镜像不变性卷积神经网络的图像分类方法 | |
CN115830317A (zh) | 基于极坐标转换的U-Net增强注意模块的皮肤癌图像分割方法及装置 | |
Shi et al. | Blind ct image quality assessment using ddpm-derived content and transformer-based evaluator | |
CN116188420A (zh) | 一种基于卷积Transformer的多模态医学图像分割方法 | |
CN116007937A (zh) | 一种机械设备传动部件智能故障诊断方法及装置 |
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 |