CN115064262A - 一种基于长短时记忆的阿尔兹海默症病程预测方法 - Google Patents
一种基于长短时记忆的阿尔兹海默症病程预测方法 Download PDFInfo
- Publication number
- CN115064262A CN115064262A CN202210642798.4A CN202210642798A CN115064262A CN 115064262 A CN115064262 A CN 115064262A CN 202210642798 A CN202210642798 A CN 202210642798A CN 115064262 A CN115064262 A CN 115064262A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- time sequence
- preprocessing
- disease
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 29
- 230000015654 memory Effects 0.000 title claims description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 37
- 210000004556 brain Anatomy 0.000 claims abstract description 25
- 230000000877 morphologic effect Effects 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000007689 inspection Methods 0.000 claims abstract description 4
- 230000007787 long-term memory Effects 0.000 claims abstract description 4
- 230000006403 short-term memory Effects 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims description 5
- 210000003625 skull Anatomy 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 abstract description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 15
- 238000011161 development Methods 0.000 abstract description 10
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000001934 delay Effects 0.000 abstract 1
- 208000024891 symptom Diseases 0.000 abstract 1
- 230000018109 developmental process Effects 0.000 description 8
- 230000001054 cortical effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 1
- 208000024806 Brain atrophy Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
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
- 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
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供一种基于长短时记忆的阿尔兹海默症病程预测方法，包括：对脑部影像数据进行脑区形态特征提取，得到特征预处理数据，然后将所述特征预处理数据进行时序预处理，得到时序预处理数据；将所述时序预处理数据按照病例进行分组，每一个分组包括同一个病例的多次检查的预处理数据并按时间顺序排序，得到时间序列特征数据；根据深度神经网络的方法通过所述时间序列特征数据中第N次和第N+1次的检查影像对第N+2次影像的状态预测。阿尔兹海默症发展的病程较长，随着时间的推移慢慢出现症状，疾病预测有利于早期的介入治疗，延缓疾病发展过程。本发明提供的方法解决了阿尔兹海默症病程的状态预测问题，为医生的影像诊断提供有效的预测诊断辅助。
Description
技术领域
本发明涉及与阿尔兹海默症病程预测相关的人工智能模型技术领域，特别涉及一种基于长短时记忆的阿尔兹海默症病程预测方法。
背景技术
阿尔兹海默症是一种起病隐匿的进行性发展的神经系统退行性疾病。
现有的阿尔兹海默症病程预测相关的人工智能模型通过病人在发展的过程中保留的影像检测结果，对正常人与阿尔兹海默症患者的脑部影像的差异建立分类模型，通过将疾病状态分为可以转换及不能转换的状态区分，与正常人比较特定的脑区域是否出现萎缩现象，实现阿尔兹海默症患者未来疾病发展判断。
然而，现有方法无法判断未来某个时间段阿尔兹海默症病人的病程。
发明内容
本发明要解决的技术问题，在于提供一种基于长短时记忆的阿尔兹海默症病程预测方法，解决了阿尔兹海默症病程的状态预测问题。
为了解决上述技术问题，本发明实施例是这样实现的：
本发明提供了一种基于长短时记忆的阿尔兹海默症病程预测方法，包括：
步骤10、对脑部影像数据进行脑区形态特征提取，得到特征预处理数据，然后将所述特征预处理数据进行时序预处理，得到时序预处理数据；
步骤20、将所述时序预处理数据按照病例进行分组，每一个分组包括同一个病例的多次检查的预处理数据并按时间顺序排序，得到时间序列特征数据；
步骤30、根据深度神经网络的方法通过所述时间序列特征数据中第N次和第N+1次的检查影像对第N+2次影像的状态预测，其中，N为大于等于1的自然数。
进一步地，所述步骤10中，脑区形态特征提取包括头骨、配准、分割、标准化、平滑以及脑区特征提取；时序预处理包括脑区形态特征提取、类别重标记、特征数据插值、数据归一化及数据序列化。
进一步地，所述步骤20具体包括：
步骤21、将所述时序预处理数据按照病例进行分组，每一个分组包括同一个病例的多次检查的预处理数据；
步骤22、根据预测时间步长将每一个病例的多次检查的预处理数据分组，得到步长一致的时间序列分组数据。
进一步地，所述步骤30具体包括：
步骤31、根据前置全连接层算法与长短时记忆网络模型算法对第N次和第N+1次的时间序列分组数据进行时间特征选择，得到选择结果，即最相关特征；
步骤32、通过训练后置全连接层算法选择最好的特征组合的方法对时间序列特征数据进行预测，得到预测结果，即N+2影像的状态预测。
本发明实施例中提供的技术方案具有如下技术效果或优点：
通过对脑部影像数据进行数据预处理，能有效地标准化脑部影像数据；通过将预处理数据按病例分组，对第N次和N+1次的检查影像的方法以及时间序列处理时间序列数据，提高了时间序列数据的准确性；通过对深度神经网络的方法对时间序列特征数据进行预测，能够更好的提取疾病发展过程中与时间相关的特征，从而有效地预测阿尔兹海默症病程发展状态，与病理学解剖得到的脑萎缩的结论一致；能够作为辅助阿尔兹海默症疾病预测的重要指标，提高医生对病情的把控从而及早地制定诊断方案。与此同时，本发明能够保证稳定的性能。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明实施例方法的流程图。
具体实施方式
本申请实施例通过提供一种基于长短时记忆的阿尔兹海默症病程预测方法，解决阿尔兹海默症病程的状态预测问题。
本申请实施例中的技术方案，总体思路如下：
本发明的方法采用时间序列预测的方式，能够实现基于时间节点的阿尔兹海默症病程预测，采用长短时记忆阿尔兹海默症预测模型采用病例在不同时间的多次检查的影像数据，并基于该数据集利用长短时记忆神经网络模型的预测特性，尝试对时间序列的影像提取变化特征，为医生的影像诊断提供有效的预测帮助；阿尔兹海默症的早期预测能够减缓疾病的发展的进程，从而提高病人的存活率以及降低医疗成本。
实施例
本实施例提供一种基于长短时记忆的阿尔兹海默症病程预测方法，如图1所示，可以包括如下步骤：
步骤10、对脑部影像数据进行脑区形态特征提取，得到特征预处理数据，然后将所述特征预处理数据进行时序预处理，得到时序预处理数据。
脑区形态特征提取包括头骨、配准、分割、标准化、平滑以及脑区特征提取；首先将所有头骨从图像中剥离出来，然后将图像相互配准，对大脑的主要结构进行分割。然后，将所有图像归一化并平滑为标准大小，接着从阿尔兹海默症图像中抽取感兴趣区域的体积、皮层厚度和表面积特征，包括皮质厚度标准差、皮质厚度平均值、白质体积、皮层表面积以及皮层体积。
时序预处理包括脑区形态特征提取、类别重标记、特征数据插值、数据归一化及数据序列化。其中，类别重标记是将N类数据重新标记为M类数据；特征数据插值是通过插值的方式补充缺失数据；数据归一化则是将数据映射到[0，1]区间；数据序列化是将数据依据时间顺序排列。
对现有的类标进行重标记预处理，将病例检查结果重新标记为下一次检查的结果，并通过特征数据插值的方法补齐数据，而且需要将所有特征数据归一化。
通过对收集同一类型下的时间序列数据来对数据进行预处理，能有效地标准化脑部影像数据，形成医学形态特征序列。本实施例方法基于以上医学形态特征，分别分析各医学形态特征对阿尔兹海默症发展进程的标识能力。并通过时间序列数据处理，能够得到对模型更有效的时间序列数据，并且解决了数据取值范围不一致、特征数据缺失、存在状态转换类别等问题，提高了数据分布的均衡性，并提升了算法的性能。
步骤20、将所述时序预处理数据按照病例进行分组，每一个分组包括同一个病例的多次检查的预处理数据并按时间顺序排序，得到时间序列特征数据。
具体地，可以包括如下步骤：
步骤21、将所述时序预处理数据按照病例进行分组，每一个分组包括同一个病例的多次检查的预处理数据。
将病例通过病例序号分组，即将同一个病例的数据分成一组，并按照检查的时间顺序排列，以方便下一步的数据处理。以两次检查为例，由于两次检查的样本较多，时序数据预处理成两个步长的分组，即同一个病例的每两个相邻检查的医学形态特征预处理为一个小分组；
步骤22、根据预测时间步长将每一个病例的多次检查的预处理数据分组，得到步长一致的时间序列分组数据。
依据检查的时间先后顺序排序，时序数据预处理成两个步长的分组，即同一个病例的每两个相邻检查的医学形态特征预处理为一个小分组，得到分组数据；进一步的，设置记录步长，以两个步长为例(每一步长之间的检查的时间间隔为六个月)。当某个病例的检查数据较多超过步长两步的时候，将该病例的历次检查数据排序后，按照每两条一组的方式重新分组。得到得到病理分组数据。
将病例通过病例序号分组，即将同一个病例的数据分成一组，并按照检查的时间顺序排列分组，以方便下一步的数据处理。
步骤30、根据深度神经网络的方法通过所述时间序列特征数据中第N次和第N+1次的检查影像对第N+2次影像的状态预测，其中，N为大于等于1的自然数。
具体地，可以包括如下步骤：
步骤31、根据前置全连接层算法与长短时记忆网络模型算法对第N次和第N+1次的时间序列分组数据进行时间特征选择，得到选择结果，即最相关特征。前置全连接层包含全连接层和线性整流函数，通过前置全连接层将数据送入时间序列模型与疾病发展时间最相关的特征。
步骤32、通过训练后置全连接层算法选择最好的特征组合的方法对时间序列特征数据进行预测，得到预测结果，即N+2影像的状态预测。后置全连接层包含全连接层层和逻辑回归激活层，通过后置全连接层选择最好的特征组合实现阿尔兹海默症的预测。
通过对脑部影像数据进行数据预处理，能有效地标准化脑部影像数据；通过将预处理数据按病例分组，对第N次和N+1次的检查影像的方法以及时间序列处理时间序列数据，提高了时间序列数据的准确性；通过对深度神经网络的方法对时间序列特征数据进行预测，能有效地预测阿尔兹海默症病程发展状态；辅助医生对病情的把控从而及早地制定诊断方案。本发明专利主要设计了长短时记忆阿尔兹海默症预测模型的方法，提取医学意义上与疾病发展相关的医学形态特征，解决了阿尔兹海默症病程的状态预测问题，为医生的影像诊断提供有效的预测诊断辅助。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。
Claims (4)
1.一种基于长短时记忆的阿尔兹海默症病程预测方法，其特征在于，包括：
步骤10、对脑部影像数据进行脑区形态特征提取，得到特征预处理数据，然后将所述特征预处理数据进行时序预处理，得到时序预处理数据；
步骤20、将所述时序预处理数据按照病例进行分组，每一个分组包括同一个病例的多次检查的预处理数据并按时间顺序排序，然后在每一个分组内根据预测时间步长再次分组，得到时间序列特征数据；
步骤30、根据深度神经网络的方法通过所述时间序列特征数据中第N次和第N+1次的检查影像对第N+2次影像的状态预测，其中，N为大于等于1的自然数。
2.根据权利要求1所述的方法，其特征在于：所述步骤10中，脑区形态特征提取包括头骨、配准、分割、标准化、平滑以及脑区特征提取；时序预处理包括脑区形态特征提取、类别重标记、特征数据插值、数据归一化及数据序列化。
3.根据权利要求1所述的方法，其特征在于：所述步骤20具体包括：
步骤21、将所述时序预处理数据按照病例进行分组，每一个分组包括同一个病例的多次检查的预处理数据；
步骤22、根据预测时间步长将每一个病例的多次检查的预处理数据分组，得到步长一致的时间序列分组数据。
4.根据权利要求1所述的方法，其特征在于：所述步骤30具体包括：
步骤31、根据前置全连接层算法与长短时记忆网络模型算法对第N次和第N+1次的时间序列分组数据进行时间特征选择，得到选择结果，即最相关特征；
步骤32、通过训练后置全连接层算法选择最好的特征组合的方法对时间序列特征数据进行预测，得到预测结果，即N+2影像的状态预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210642798.4A CN115064262B (zh) | 2022-06-08 | 2022-06-08 | 一种基于长短时记忆的阿尔兹海默症病程预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210642798.4A CN115064262B (zh) | 2022-06-08 | 2022-06-08 | 一种基于长短时记忆的阿尔兹海默症病程预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115064262A true CN115064262A (zh) | 2022-09-16 |
| CN115064262B CN115064262B (zh) | 2024-08-06 |
Family
ID=83200843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210642798.4A Active CN115064262B (zh) | 2022-06-08 | 2022-06-08 | 一种基于长短时记忆的阿尔兹海默症病程预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115064262B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109528197A (zh) * | 2018-11-20 | 2019-03-29 | 中国科学院上海生命科学研究院 | 基于脑功能图谱的猴-人跨物种迁移进行精神疾病的个体化预测方法和系统 |
| CN110211671A (zh) * | 2019-05-28 | 2019-09-06 | 安徽师范大学 | 一种基于权值分布的阈值化方法 |
| KR20200143023A (ko) * | 2019-06-14 | 2020-12-23 | 재단법인 아산사회복지재단 | 뇌 형상 특징 정량화를 통한 알츠하이머 병 예측 방법, 프로그램 및 컴퓨팅 장치 |
| CN113096814A (zh) * | 2021-05-28 | 2021-07-09 | 哈尔滨理工大学 | 一种基于多分类器融合的阿尔兹海默症分类预测方法 |
| CN113658721A (zh) * | 2021-07-19 | 2021-11-16 | 南京邮电大学 | 阿尔兹海默疾病进程预测方法 |
| CN114188013A (zh) * | 2021-09-01 | 2022-03-15 | 北京智精灵科技有限公司 | 一种阿尔兹海默症的认知及脑影像数据整合评估方法 |
| CN114596960A (zh) * | 2022-03-01 | 2022-06-07 | 中山大学 | 基于神经网络和自然对话的阿尔兹海默症风险预估方法 |
| CN114596253A (zh) * | 2021-12-02 | 2022-06-07 | 杭州电子科技大学 | 一种基于脑成像基因组特征的阿尔兹海默症识别方法 |
-
2022
- 2022-06-08 CN CN202210642798.4A patent/CN115064262B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109528197A (zh) * | 2018-11-20 | 2019-03-29 | 中国科学院上海生命科学研究院 | 基于脑功能图谱的猴-人跨物种迁移进行精神疾病的个体化预测方法和系统 |
| CN110211671A (zh) * | 2019-05-28 | 2019-09-06 | 安徽师范大学 | 一种基于权值分布的阈值化方法 |
| KR20200143023A (ko) * | 2019-06-14 | 2020-12-23 | 재단법인 아산사회복지재단 | 뇌 형상 특징 정량화를 통한 알츠하이머 병 예측 방법, 프로그램 및 컴퓨팅 장치 |
| CN113096814A (zh) * | 2021-05-28 | 2021-07-09 | 哈尔滨理工大学 | 一种基于多分类器融合的阿尔兹海默症分类预测方法 |
| CN113658721A (zh) * | 2021-07-19 | 2021-11-16 | 南京邮电大学 | 阿尔兹海默疾病进程预测方法 |
| CN114188013A (zh) * | 2021-09-01 | 2022-03-15 | 北京智精灵科技有限公司 | 一种阿尔兹海默症的认知及脑影像数据整合评估方法 |
| CN114596253A (zh) * | 2021-12-02 | 2022-06-07 | 杭州电子科技大学 | 一种基于脑成像基因组特征的阿尔兹海默症识别方法 |
| CN114596960A (zh) * | 2022-03-01 | 2022-06-07 | 中山大学 | 基于神经网络和自然对话的阿尔兹海默症风险预估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115064262B (zh) | 2024-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112070772A (zh) | 基于UNet++和ResNet的血液白细胞图像分割方法 | |
| DE202018006897U1 (de) | Dynamisches, selbstlernendes System für medizinische Bilder | |
| CN107066814A (zh) | 一种基于望闻问切协同的中医智能辅助诊断系统 | |
| CN109558912A (zh) | 一种基于深度可分离卷积的阿尔兹海默病分类方法 | |
| CN110796661B (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及系统 | |
| CN108492877B (zh) | 一种基于ds证据理论的心血管病辅助预测方法 | |
| DE102007018034A1 (de) | Automatische Bildanalyse und Quantifizierung für Fluoreszenz-In Situ-Hybridisierung | |
| CN111402254A (zh) | 一种ct图像肺结节高性能自动检测方法及装置 | |
| CN113628199B (zh) | 病理图片染色组织区域检测方法、检测系统及预后状态分析系统 | |
| CN112435743A (zh) | 一种基于机器学习的膀胱癌病理组学智能诊断方法及其预后模型 | |
| CN113902669A (zh) | 一种尿脱落细胞液基涂片的阅片方法及系统 | |
| CN115909006A (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
| CN113342973A (zh) | 一种基于疾病二分类器的辅助诊断模型的诊断方法 | |
| Li et al. | Research about tongue image of traditional chinese medicine (TCM) based on artificial intelligence technology | |
| CN114926396A (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
| CN114140437A (zh) | 一种基于深度学习的眼底硬渗出物分割方法 | |
| EP1660880A1 (de) | Vorrichtung und verfahren zur quantitativen auswertung der in einer körperflüssigkeitsprobe enthaltenen polypeptide sowie marker zur erkennung von pathologischen zuständen | |
| CN112819057A (zh) | 一种尿沉渣图像的自动识别方法 | |
| CN115064262A (zh) | 一种基于长短时记忆的阿尔兹海默症病程预测方法 | |
| CN111667472A (zh) | 骨髓细胞形态学人工智能分析方法 | |
| Liu et al. | Automatic identification of human erythrocytes in microscopic fecal specimens | |
| Jing et al. | Optimization of Deep-learning network using Resnet50 based model for corona virus disease (COVID-19) histopathological image classification | |
| Xiang et al. | Application of convolutional neural network algorithm in diagnosis of chronic cough and tongue in children with traditional Chinese medicine | |
| CN113255718B (zh) | 一种基于深度学习级联网络方法的宫颈细胞辅助诊断方法 | |
| CN114120035A (zh) | 一种医学影像识别训练方法 |
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 |