CN117830322A - 用于对近红外数据进行显著性差异分析的方法和装置 - Google Patents

用于对近红外数据进行显著性差异分析的方法和装置 Download PDF

Info

Publication number
CN117830322A
CN117830322A CN202410252280.9A CN202410252280A CN117830322A CN 117830322 A CN117830322 A CN 117830322A CN 202410252280 A CN202410252280 A CN 202410252280A CN 117830322 A CN117830322 A CN 117830322A
Authority
CN
China
Prior art keywords
value
near infrared
representative
infrared data
measurement
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.)
Pending
Application number
CN202410252280.9A
Other languages
English (en)
Inventor
汪待发
邓皓
王刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huichuang Keyi Beijing Technology Co ltd
Original Assignee
Huichuang Keyi Beijing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huichuang Keyi Beijing Technology Co ltd filed Critical Huichuang Keyi Beijing Technology Co ltd
Priority to CN202410252280.9A priority Critical patent/CN117830322A/zh
Publication of CN117830322A publication Critical patent/CN117830322A/zh
Pending legal-status Critical Current

Links

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • A61B5/14553—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases specially adapted for cerebral tissue
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10048—Infrared image
    • 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
    • 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
    • G06T2207/30204—Marker

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Neurology (AREA)
  • Optics & Photonics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Quality & Reliability (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请提供了用于对近红外数据进行显著性差异分析的方法和装置。所述方法包括对获取到的至少两组近红外数据进行显著性差异分析，以得到用于反映两组近红外数据所表征的脑功能状况水平差异的第一P值；基于第一P值确定代表性第一P值，并基于代表性第一P值的对数或者代表性第一P值的倒数的对数，得到第二P值；确定第二P值处于第一测控条上的对应位置，并将对应位置提供的显示标记，在脑区关联图或检测探头排布关联图上进行相关联的显示；其中，第一测控条上的各个数值所对应的位置呈现不同的显示标记，且各个数值按照预设顺序分布。如此，即使在各个第一P值数量级相差较大的情况下，依然能够在第一测控条上通过显示标记进行显著区分。

Description

用于对近红外数据进行显著性差异分析的方法和装置
技术领域
本申请涉及数据分析技术领域，具体涉及用于对近红外数据进行显著性差异分析的方法和装置。
背景技术
在近红外脑功能成像领域，通常需要根据计算出的P值来对至少两组近红外数据之间进行显著性差异分析。一般而言，P值越小，则表明结果越显著。通常P<0.05认为数据具有显著性差异。目前，在对至少两组近红外数据进行显著性差异分析的过程中，可以得到P值来反映至少两组近红外数据之间的差异，例如可以对一组健康人的近红外数据和一组抑郁症患者的近红外数据进行处理，得到各组近红外数据的积分值，分析两组近红外数据的积分值是否有显著性差异，如P<0.05则认为抑郁症患者的积分值和健康人的积分值具有显著性差异，说明两类人群的脑激活情况不同。且通常将得到的P值以其在测控条上的对应位置处显示的颜色等特征关联地显示出来，从而通过以显示的不同颜色来反映不同组的近红外数据之间的显著性差异。
但是，在现有方法中，如果P值数量级差距较大或者测控条所表征的数值范围较大时，可能会导致部分P值在测控条上的对应位置处显示的颜色均集中显示在测控条的一端，导致部分P值之间的颜色差异较小，无法从视觉上进行显著区分。例如，测控条对应的数值范围为0-1，对应该数值范围的测控条的颜色由蓝色向红色过渡，且0-0.1之间对应的蓝色区分度相对较低，对于P=0.1、0.01、0.001、0.0001，均集中显示在测控条上的数值较小呈蓝色的一端且颜色区分度较低，而由于P值越小，表征近红外数据之间的显著性差异更明显，而现有技术中P值越小，越容易集中在数值较小的呈蓝色的一端，也就从颜色上更难以区分。如此，在部分P值较集中时，用户无法直观地从视觉上区分与该部分P值对应的近红外数据之间的显著性差异。
发明内容
针对现有技术中存在的上述技术问题，提出了本申请。本申请旨在提供用于对近红外数据进行显著性差异分析的方法和装置，其能够提高各个第一P值在第一测控条上的显示的区分度，避免差异较小的各个第一P值在第一测控条上集中显示，从而使用户能够直观地从视觉上区分各第一P值对应的近红外数据之间的显著性差异。
根据本申请的第一方案，提供一种用于对近红外数据进行显著性差异分析的方法，所述方法包括：对获取到的至少两组近红外数据进行显著性差异分析，以得到用于反映所述两组近红外数据所表征的脑功能状况水平差异的第一P值；基于所述第一P值确定代表性第一P值，并基于所述代表性第一P值的对数或者所述代表性第一P值的倒数的对数，得到第二P值；确定所述第二P值处于第一测控条上的对应位置，并将所述对应位置提供的显示标记，在脑区关联图或检测探头排布关联图上进行相关联的显示；其中，所述第一测控条上的各个数值所对应的位置呈现不同的显示标记，且各个数值按照预设顺序分布。
根据本申请的第二方案，提供一种用于对近红外数据进行显著性差异分析的装置，所述装置包括处理器，所述处理器配置为：对获取到的至少两组近红外数据进行显著性差异分析，以得到用于反映所述两组近红外数据所表征的脑功能状况水平差异的第一P值；基于所述第一P值确定代表性第一P值，并基于所述代表性第一P值的对数或者所述代表性第一P值的倒数的对数，得到第二P值；确定所述第二P值处于第一测控条上的对应位置，并将所述对应位置提供的显示标记，在脑区关联图或检测探头排布关联图上进行相关联的显示；其中，所述第一测控条上的各个数值所对应的位置呈现不同的显示标记，且各个数值按照预设顺序分布。
根据本申请的第三方案，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如本申请各个实施例所述的用于对近红外数据进行显著性差异分析的方法。
与现有技术相比，本申请实施例的有益效果在于：
本申请实施例提供的用于对近红外数据进行显著性差异分析的方法，对获取的至少两组近红外数据进行显著性差异分析，并得到第一P值，并基于该第一P值确定代表性第一P值，基于代表性第一P值的对数或者代表性第一P值的倒数的对数得到第二P值，从而使得得到的第二P值分布是均匀的。本申请实施例基于第二P值处于第一测控条上的对应位置处的显示标记，在脑区关联图或检测探头排布关联图上进行相关联的显示，在第一测控条上的各个数值所对应的位置呈现不同的显示标记。基于各个第二P值在第一测控条上的对应位置处的显示标记具有明显的差异，比如，颜色差别较大或者形状等相关特征差别较大，便于用户能够从视觉上直接区分出各组近红外数据的显著性差异，其中，对代表性第一P值取对数或者先对代表性第一P值取倒数再取对数的操作，可以改变第二P值所对应的测控条上的颜色，以适应用户观察两组近红外数据之间显著差异程度的习惯。
尤其是，基于本申请实施例提供的方法，在获取的代表性第一P值存在较集中的情况下，经过对代表性第一P值的转换得到第二P值，由于第二P值分布均匀，能够在第一测控条上的位置确定出的显示标记具有显著的区分度，避免了基于第一P值在第一测控条上的位置确定出的显示标记显著程度较低而无法对各第一P值对应的近红外数据之间的显著性差异在视觉上直观的进行区分的问题，也便于用户能够直观且快速的识别到显著性差异较大（即第一P值较小）的近红外数据。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述说明和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的类似附图标记可以表示相似组件的不同示例。附图通过举例而不是以限制的方式大体上示出各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。这样的实施例是说明性和示例性的，而并非旨在作为本方法、装置、系统或具有用于实现该方法的指令的非暂时性计算机可读介质的穷尽或排他的实施例。
图1示出了根据本申请实施例所述的用于对近红外数据进行显著性差异分析的方法的流程图。
图2示出了根据本申请实施例的第一P值在第二测控条和脑模图上显示的示意图。
图3示出了根据本申请实施例的第二P值在第一测控条和脑模图上显示的示意图。
图4示出了根据本申请实施例的第二P值在第一测控条和脑功能连接图上显示的示意图。
图5示出了根据本申请实施例的第二P值在第一测控条和检测探头排布关联图上显示的示意图。
图6示出根据本申请实施例的用于对近红外数据进行显著性差异分析的装置的结构示意图。
具体实施方式
为使本领域技术人员更好的理解本申请的技术方案，下面结合附图和具体实施方式对本申请作详细说明。下面结合附图和具体实施例对本申请的实施例作进一步详细描述，但不作为对本申请的限定。
本申请中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分。本申请中使用的“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。在本申请中，各个步骤在图中所示的箭头仅仅作为执行顺序的示例，而不是限制，本申请的技术方案并不限于实施例中描述的执行顺序，执行顺序中的各个步骤可以合并执行，可以分解执行，可以调换顺序，只要不影响执行内容的逻辑关系即可。
本申请使用的所有术语（包括技术术语或者科学术语）与本申请所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。对于相关领域普通技术人员已知的技术和设备可能不作详细讨论，但在适当情况下，所述技术和设备应当被视为说明书的一部分。
图1示出了根据本申请实施例所述的用于对近红外数据进行显著性差异分析的方法的流程图。在步骤S101，对获取到的至少两组近红外数据进行显著性差异分析，以得到用于反映所述两组近红外数据所表征的脑功能状况水平差异的第一P值。具体地，进行显著性差异分析的方法可以是T检验、方差分析、卡方检验、相关性分析或者回归分析等，对此不做限定。在进行显著性差异分析时需要报告第一P值，第一P值越小表明显著性差异分析的结果越显著。
需要说明的是，本申请对近红外数据的来源不做具体限定，本领域技术人员可以根据实际情况对任意多组近红外数据进行显著性差异分析。例如，至少两组近红外数据可以是多组不同人群的近红外数据，如一组健康人的近红外数据，一组抑郁症患者的近红外数据和一组焦虑症患者的近红外数据，可以对该三类人群的三组近红外数据进行显著性差异分析来分析哪些近红外数据的特征值指标能够区分这三类人群，从而有利于辅助医生进行诊断。此外，至少两组近红外数据也可以是同一类人群在不同阶段的近红外数据，例如某一类疾病患者在第一患病阶段的一组近红外数据和该类疾病患者在第二患病阶段的一组近红外数据，可以对这两组近红外数据的特征值指标进行显著性差异分析来辅助医生进行患病病程的判断等等。
具体地，所述第一P值可以为一个或多个，当从多个维度对近红外数据进行分析时可以在每一个维度上得到一个第一P值，例如，多个第一P值可以对应不同的采集通道、感兴趣脑区或者感兴趣脑区之间级别的两组近红外数据之间的显著性差异程度。
近红外脑功能成像在非侵入性脑功能成像中可以提供有关脑活动和血液氧合血红蛋白水平的信息，当脑区活跃时，血流和氧合血红蛋白水平会发生变化。这些变化会影响脑部组织对近红外光的吸收和散射，从而导致近红外光的强度发生变化。因此，通过对近红外数据进行分析，可以推断出脑功能状况水平。
具体而言，可以采用近红外数据采集装置来采集近红外数据。其中，近红外数据采集装置至少具有头帽，头帽用于佩戴在检测对象的头部上面。头帽可以具有多个用于传输近红外光和/或接收近红外光的探头。或者，头帽可以留有多个安装位以便可拆卸地装配各个探头，使用时，可以通过安装位将探头装配到头帽上。其中，多个探头中的每一个可以配置为发射探头或接收探头，每一对成对布设的探头形成一个通道。在一些实施例中，一个发射探头可以对应于多个接收探头，或者反过来，一个接收探头对应于多个发射探头，其成对关系根据探头的布设位置、所要检测的脑功能区域等的具体要求而定。
在该实施例中，以利用T检验来对两组近红外数据进行显著性差异分析作为示例。比如，可以基于获取到的两组近红外数据分别计算出均值（X1和X2）和标准差，再计算出两组近红外数据的样本量（n1和n2）和自由度，再根据公式（1）计算出T值，公式（1）：T=（X1-X2）/[s＾2＊(1/n1+1/n2)]＾0.5，其中，s是两组近红外数据的池化标准差。然后，再利用计算出的T值和自由度计算出第一P值，该第一P值能够反映出两组近红外数据所表征的脑功能状况水平差异。仅以此作为示例性说明，不构成对具体方案的限定。
在步骤S102，基于所述第一P值确定代表性第一P值，并基于所述代表性第一P值的对数或者所述代表性第一P值的倒数的对数，得到第二P值。其中，所述代表性第一P值可以是第一P值，也可以是处于阈值范围的第一P值。具体地，可以根据公式（2）或公式（3）得到第二P值，公式（2）：P2=-logaP1；公式（3）：P2=logaP1，其中，P2表示第二P值，P1表示代表性第一P值。优选的，a=10，以便于转化计算。仅以此作为示例，不构成对具体方案的限定。
其中，当第一P值为多个时，所述代表性第一P值可以是所有第一P值，也可以根据用户关注的检测脑区位置或者关注的显著性程度（例如用户更关注第一P值<0.05的情况）选择部分第一P值作为代表性第一P值，在此不做具体限定。需要说明的是，代表性第一P值指的是所有第一P值中的全部或部分第一P值，并不是对第一P值重新计算得到的第一P值。例如，第一组近红外数据为20名健康受检者的前额脑区的近红外数据，前额脑区布设有10个采集通道，因此，该组近红外数据中每名健康受检者的近红外数据包含10个采集通道的近红外数据。同样地，第二组近红外数据为20名脑功能受损受检者的前额脑区的10个采集通道的近红外数据。本领域技术人员想要分析两类人群的各个检测通道的脑激活状况是否有差异时，可以对两组近红外数据的10个采集通道的数据进行显著性差异分析，如此，对每个采集通道的分析结果得到一个第一P值，则共可得到10个第一P值，可以将该10个第一P值均作为代表性第一P值，也可以将其中的6个第一P值作为代表性第一P值，再对得到的代表性第一P值进行对数转化或者倒数及对数转化，得到第二P值。
其中，基于代表性第一P值的对数或者代表性第一P值的倒数的对数得到的第二P值的数量级相比于第一P值更分散、均匀，各个第二P值在第一测控条上的对应位置处的显示标记具有明显的差异，比如，颜色差别较大或者形状等相关特征差别较大，便于用户能够从视觉上直接区分出各组近红外数据的显著性差异。
在步骤S103，确定所述第二P值处于第一测控条上的对应位置，并将所述对应位置提供的显示标记，在脑区关联图或检测探头排布关联图上进行相关联的显示；其中，所述第一测控条上的各个数值所对应的位置呈现不同的显示标记，且各个数值按照预设顺序分布。第一测控条上的各个数值按照预设顺序分布，所述预设顺序可以是自下而上数值增大，也可以是自下而上数值减小，或者也可以是其他合理的数值分布顺序，对此不做限定。其中，第一测控条上的每个显示标记均对应一个数值，例如每种颜色均对应一个数值，可以根据第二P值得到第一测控条上的对应的颜色，再在脑区关联图或检测探头排布关联图上进行相关联的显示。
图2示出了根据第一P值在第二测控条和脑模图上显示的示意图。第二测控条201上显示的数值为表征第一P值的刻度值，显示标记为颜色，即每种颜色均对应一个数值，可根据第一P值得到第二测控条201上对应的颜色以对应显示在脑区关联图上。脑区关联图为脑模图，并且第二测控条201自下而上伴随数值的增大，颜色由蓝色过渡至红色，其中，第一P值越小，颜色越蓝。如此，对于多个第一P值小于0.1的情况，则在第二测控条201上均集中显示在蓝色区域，同时，在脑模图202上，大部分脑区的色块的颜色处于蓝色色系，用户通过观察脑模图202以及第二测控条201，完全无法区分出数值小于0.1的第一P值之间的显著性差异，即无法判断数值小于0.1的多个第一P值之间的显著程度。
然而，图3示出了根据第二P值在第一测控条和脑模图上显示的示意图。
图3中脑模图上显示的表征各采集通道的色块所对应的颜色表示根据代表性第一P值的倒数的对数得到的第二P值所对应的颜色，图3中的第一测控条301自下而上伴随着数值的减小，颜色由蓝色过渡至红色，其中，第一测控条301上显示的数值为第一测控条301的表征第一P值的刻度值，即图3中的第一测控条301上显示的刻度值均表征第一P值，而不是第二P值，如此用户可以基于第一P值确定两组近红外数据之间显著性差异程度，还便于用户能够从视觉上直接区分出各组近红外数据的显著性差异，由于第二P值是由第一P值转化得到，第二P值和第一P值是一一对应的关系，因此当通过第二P值显示时，仍可确定在脑模图302上显示的各色块所对应的第一P值。在一些实施例中，第一测控条301的颜色排布可根据第二测控条201得到，将第二测控条201所对应的各数值执行与第一P值转为为第二P值相同的转化，例如先对数值进行倒数转化再进行对数转化之后得到对应的转化数值，获得各转化数值在第二测控条201上对应的转化颜色，再按照转化数值由大到小或者由小到大的顺序将对应转化颜色进行顺序排布，以形成第一测控条301，且第一测控条301上显示的刻度值仍表征第一P值。当公式（2）中a>1或者公式（3）中a<1时，采用公式（2）或者公式（3）中均能改变测控条上的颜色与数值的对应关系，例如由之前的数值越小对应的颜色越偏向蓝色，转变为数值越小对应的颜色越偏向红色，以适应用户观察两组近红外数据之间显著差异程度的习惯，例如用户可能习惯显著性差异程度越大，呈现越红的显示。
当然，图3中当第二P值是由第一P值的倒数的对数获得的时，与图2示出的基于第一P值在脑模图202上进行相关联的显示存在较大差异的是，在第一测控条301上，第一P值分别0.1、0.01、0.001时对应位置处显示的颜色具有显著的差异。比如，第一P值为1时，第一测控条301上对应位置处显示的是蓝色，第一P值为0.1时，第一测控条301上对应位置处显示的是绿色，第一P值为0.01时，第一测控条301上对应位置处显示的是橙色，第一P值为0.001时，第一测控条301上对应位置处显示的是红色。同时，在脑模图302上，可以看到数值小于0.1的多个第一P值对应的脑区的色块之间具有明显的颜色差异，并且，可以直观地看出在脑模图302上色块较红的脑区具有较小的第一P值。
在该实施例中，虽然第一测控条301上显示的是表征第一P值的刻度值，但是，在确定显示标记的过程中，依然是根据本申请实施例提供的基于第二P值在第一测控条301上的位置来确定的。图2和图3仅作为示意图，不构成对具体方案的限制性说明。
其中，在脑区关联图或检测探头排布关联图上进行相关联的显示，如图3所示，可以在脑模图302上采集通道对应脑区的位置利用转化后的第二P值进行第一P值显示，从而便于用户了解不同检测位置的两组近红外数据的显著性差异程度。
上述示例仅作为示例性说明，不构成对具体方案的限定。
如此，通过图2和图3的比较，可以看出本申请实施例中提供的基于代表性第一P值来得到第二P值，并基于第二P值确定出在第一测控条上对应位置处的显示标记，并将所述显示标记在脑区关联图或检测探头排布关联图上进行关联的显示，能够提高根据第二P值确定出的显示标记在第一测控条上的分布均匀度，从而避免数量级相差较大的多个第一P值在第一测控条上集中显示出具有相似特征的显示标记（比如集中显示同一色系的颜色或者集中显示具有相似形状的符号等，对此不做限定）。对于多个数量级相差较大的第一P值而言，通过对数转化或倒数转化和对数转化得到第二P值，并根据第二P值确定出处于第一测控条上的对应位置处的显示标记，提高了各个显示标记之间的区分度，使得在脑区关联图或检测探头排布关联图上显示的显示标记具有显著的区别。
本申请实施例提供的用于对近红外数据进行显著性差异分析的方法，对获取的至少两组近红外数据进行显著性差异分析，并得到第一P值，并基于该第一P值确定代表性第一P值，基于代表性第一P值的对数或基于代表性第一P值的倒数的对数得到第二P值，从而使得得到的第二P值分布是均匀的。本申请实施例基于第二P值处于第一测控条上的对应位置处的显示标记，在脑区关联图或检测探头排布关联图上进行相关联的显示，在第一测控条上的各个数值所对应的位置呈现不同的显示标记。基于各个第二P值在第一测控条上的对应位置处的显示标记具有明显的差异，比如，颜色差别较大或者形状等相关特征差别较大，便于用户能够从视觉上直接区分出各组近红外数据的显著性差异，其中，对代表性第一P值取对数或者先对代表性第一P值取倒数再取对数的操作，可以改变第二P值所对应的测控条上的颜色，以适应用户观察两组近红外数据之间显著差异程度的习惯。尤其是，在获取的第一P值存在较集中的情况下，经过对代表性第一P值的转换得到第二P值，由于第二P值分布均匀，在第一测控条上的位置确定出的显示标记具有显著的区分度，避免了基于第一P值在第一测控条上的位置确定出的显示标记显著程度较低而无法对各第一P值对应的近红外数据之间的显著性差异在视觉上直观的进行区分的问题，也便于用户能够直观且快速的识别到显著性差异较大（即第一P值较小）的近红外数据。
在本申请的一些实施例中，在基于所述第一P值确定代表性第一P值，并基于代表性第一P值的对数或者所述代表性第一P值的倒数的对数，得到第二P值之前，所述方法还包括：确定所述第一P值处于第二测控条上的对应位置；在确定第一P值处于所述第二测控条上的对应位置的区分度不显著的情况下，则执行获取代表性第一P值并基于所述代表性第一P值进行对数转化或者倒数转化及对数转化的操作。其中，倒数转化及对数转化指的是先对第一P值进行倒数转化再进行对数转化。具体地，在对获取到的至少两组近红外数据进行显著性差异分析之后得到第一P值，如果基于第一P值处于第二测控条上的对应位置的区分度显著，则可以将根据第一P值处于第二测控条上的对应位置提供的显示标记在脑区关联图或检测探头排布关联图上进行相关联的显示，而无需执行获取代表性第一P值并基于所述代表性第一P值进行对数转化或者倒数转化及对数转化的操作。
如果基于第一P值处于第二测控条上的对应位置的区分度不显著，则意味着根据第一P值确定出的在第二测控条上的对应位置处的显示标记之间没有显著的差异，用户无法根据第一P值确定出的显示标记来判断不同组的近红外数据之间的显著性差异。因此，在确定第一P值处于所述第二测控条上的对应位置的区分度不显著的情况下，则执行获取代表性第一P值并基于所述代表性第一P值进行对数转化或者倒数转化及对数转化的操作。
在该实施例中，确定第一P值处于所述第二测控条上的对应位置的区分度是否显著具体可以包括：对第一P值处于第二测控条上的对应位置处提供的显示标记之间进行差异度分析，比如比较不同显示标记之间的颜色差异、形状差异等相关特征，如果差异度小于预设差异度，则认为区分度不显著。其中，第二测控条以及具有基于第二测控条得到的第一P值的显示标记的脑区关联图或检测探头排布关联图可以在用户界面上进行显示，也可以不显示。比如，如果基于第一P值处于第二测控条上的对应位置的区分度显著，则显示第二测控条以及具有第一P值的显示标记的脑区关联图或检测探头排布关联图，如果基于第一P值处于第二测控条上的对应位置的区分度不显著，则不显示第二测控条以及具有第一P值的显示标记的脑区关联图或检测探头排布关联图，只显示第一测控条，用户可以通过控制键查看第二测控条的显示情况。另外，如果基于第一P值处于第二测控条上的对应位置的区分度不显著，也可以显示第二测控条以及具有第一P值的显示标记的脑区关联图或检测探头排布关联图，用户在基于所显示的显著性差异程度选择是否执行代表性第一P值进行对数转化或者倒数转化及对数转化的操作。如此，既有助于用户整体上了解各个组的近红外数据之间的差异，而且能够节省算力，提高数据分析的效率。
在本申请的一些实施例中，所述对获取到的至少两组近红外数据进行显著性差异分析，具体包括：对至少两组所述近红外数据进行分析得到分析结果，所述分析结果包括采集通道的激活程度、感兴趣脑区的激活程度或感兴趣脑区之间的脑功能连接强度中的至少一种；基于所述分析结果来进行显著性差异分析，以得到所述第一P值。具体来说，可以对获取到的各组近红外数据进行处理以得到血氧浓度数据，并对各组的血氧浓度数据进行处理得到采集通道的激活程度、感兴趣脑区的激活程度或感兴趣脑区之间的脑功能连接强度中的至少一种。其中，对血氧浓度数据进行分析来得到采集通道的激活程度、感兴趣脑区的激活程度以及感兴趣脑区之间的脑功能连接强度的方法不做具体限定，采用已经公开的分析方法即可实现，在此不再赘述。
在该实施例中，基于感兴趣脑区的激活程度来进行显著性差异分析的结果可以参考图3，从图3中能够明显地、清晰地区分出感兴趣脑区各个采集通道的不同组近红外数据之间的显著性差异，其中，色块较红表示两组近红外数据之间，该色块对应的采集通道的激活程度的显著性差异较大。
图4示出了根据本申请实施例的第二P值在第一测控条和脑功能连接图上显示的示意图。基于感兴趣脑区之间的脑功能连接强度进行显著性差异分析得到的第一P值，并基于代表性第一P值进行倒数转化和对数转化得到的第二P值确定显示标记的结果如图4所示。其中，401表示第一测控条，402表示脑功能连接图，根据第二P值确定对应感兴趣脑区之间的连线的颜色，将基于第二P值在第一测控条401上确定出的显示标记在脑功能连接图402上进行关联地显示，可以清楚地、明显地观察到不同感兴趣脑区之间的脑功能连接水平。与图3中相同，该第一测控条401上显示的数值也表征第一P值。
在本申请的一些实施例中，脑区关联图包括脑模图或脑功能连接图，比如，图3示出的302即为脑模图，图4示出的402即为脑功能连接图，仅以此作为示例，不构成对具体方案的限定。在所述分析结果为激活程度的情况下，在脑模图或检测探头排布关联图上对所述第二P值所对应的显示标记进行相关联的显示。具体地，比如在检测探头或采集通道与脑模未进行配准的情况下，在检测探头排布关联图上对所述第二P值所对应的显示标记进行相关联的显示。图5示出了根据第二P值在第一测控条501和检测探头排布关联图502上进行关联显示，参考采集通道排布图503，可以根据检测探头排布关联图502上的显示标记来得到各个采集通道的激活程度的显著性差异。其中，采集通道排布图503示出了由发射探头S和接收探头D成对布设的采集通道（采集通道由S-D表示），每一个S和D之间的连接线表示基于发射探头S和接收探头D形成的采集通道，如图5所示，S1-D2、S1-D1、D1-S2、D2-S2、S3-D4、S3-D3、D3-S4、D4-S4间可分别形成采集通道，共形成8个采集通道。检测探头排布关联图502与采集通道排布图503中的采集通道排布方式相同，且检测探头排布关联图502中的每个色块的颜色基于第二P值确定。其中，图5示出的检测探头排布关联图502仅作为一种示例，不构成对具体方案的限定。与图3中相同，该第一测控条501上显示的数值也表征第一P值。
此外，在所述分析结果为脑功能连接强度的情况下，在脑功能连接图上对所述第二P值所对应的显示标记进行相关联的显示。如此，可以直观地从脑功能连接图上看出不同感兴趣脑区之间的脑功能连接状况，从而便于用户对不同感兴趣脑区的脑功能状况水平进行分析。
在本申请的一些实施例中，在所述分析结果为激活程度且检测探头或采集通道与脑模进行配准的情况下，在脑模图上对所述第二P值所对应的显示标记进行相关联的显示。也就是说，即使基于采集通道的激活程度来进行显著性差异分析，并得到第一P值，只要检测探头或采集通道与脑模进行了配准，根据第二P值确定出的显示标记可以直接在脑模图上进行关联地显示，从而使得用户基于脑模图直观的了解采集通道或者感兴趣脑区的两组近红外数据的显著性差异程度。
在本申请的一些实施例中，所述代表性第一P值为数值小于设定阈值的第一P值。比如，设定阈值可以是0.05，则数值小于0.05的第一P值即为代表性第一P值。用户认为第一P值小于0.05时，两组近红外数据之间具有显著性差异，因此优先将设定阈值设为0.05。其中，对于设定阈值不做具体限定，可以由用户自行设定。在基于代表性第一P值得到第二P值，并基于第二P值来确定在第一测控条上的显示标记，降低了运算负荷。
在本申请的一些实施例中，所述显示标记为颜色或符号，比如在第一测控条上按照预设顺序分布不同的颜色或符号，其中，在所述第一测控条上的不同第二P值范围对应的颜色或符号，在色度或形状上具有显著区分度。具体地，如图3所示，对于第一P值处于0.001-0.01范围对应的第二P值范围的颜色偏红色系，与第一P值处于0.01-0.1范围对应的第二P值范围的颜色偏绿色系，从而在色度上呈现出显著区分。如此，即使各个第一P值的数量级相差较大，基于代表性第一P值得到第二P值，并根据第二P值确定出在第一测控条上的颜色或符号，由于在第一测控条上的不同第二P值范围对应的颜色或符号，在色度或形状上具有显著区分度，因此，各个第二P值既不会集中于第一测控条上的同一区域，又不会因为特征相似导致无法区分。
在本申请的一些实施例中，如图6，提供了一种用于对近红外数据进行显著性差异分析的装置600，所述装置600包括处理器601和显示器602，所述处理器601配置为：对获取到的至少两组近红外数据进行显著性差异分析，以得到用于反映所述两组近红外数据所表征的脑功能状况水平差异的第一P值；基于所述第一P值确定代表性第一P值，并基于所述代表性第一P值的对数或者所述代表性第一P值的倒数的对数，得到第二P值；确定所述第二P值处于第一测控条上的对应位置，并将所述对应位置提供的显示标记，在脑区关联图或检测探头排布关联图上进行相关联的显示；其中，所述第一测控条上的各个数值所对应的位置呈现不同的显示标记，且各个数值按照预设顺序分布。其中，在显示器602上至少可以显示第一测控条以及脑区关联图或检测探头排布关联图。如此，基于各个第二P值在第一测控条上的对应位置处的显示标记具有明显的差异，比如，颜色差别较大或者形状等相关特征差别较大，便于用户能够从视觉上直接区分出各组近红外数据的显著性差异。另外，对代表性第一P值取对数或者先对代表性第一P值取倒数再取对数的操作，可以改变第二P值所对应的测控条上的颜色，以适应用户观察两组近红外数据之间显著差异程度的习惯。尤其是，在获取的第一P值存在较集中的情况下，经过对代表性第一P值的转换得到第二P值，由于第二P值分布均匀，在第一测控条上的位置确定出的显示标记具有显著的区分度，避免了基于第一P值在第一测控条上的位置确定出的显示标记显著程度较低而无法对各第一P值对应的近红外数据之间的显著性差异在视觉上直观的进行区分的问题，也便于用户能够直观且快速的识别到显著性差异较大（即第一P值较小）的近红外数据。
在本申请的一些实施例中，所述处理器601进一步配置为：向用户提供数据编辑项603，并响应于用户基于所述数据编辑项603对设定阈值的设置操作，将数值小于设定阈值的第一P值确定为代表性第一P值。具体地，处理器601可以直接对第一P值进行对数转化或者倒数转化和对数转化来得到第二P值，也可以接收自动识别用户基于数据编辑项603设定的设定阈值，从而仅对代表性第一P值进行对数转化或者倒数转化和对数转化来得到第二P值，从而降低运算负荷。
例如，数据编辑项603可以是输入框，用户可以在输入框中输入想要设定的数值。或者，数据编辑项603可以是滑动块，用户可以通过拖动滑动块来设定数值。对于数据编辑项603的具体形式不做限定。
在一些实施例中，所述处理器601配置为可执行前述各个实施例中用于在对近红外数据进行显著性差异分析的方法的步骤。所述处理器601可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元（CPU）、图形处理单元（GPU）等。更具体地，该处理器601可以是复杂指令集计算（CISC）微处理器、精简指令集计算（RISC）微处理器、超长指令字（VLIW）微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。该处理器601还可以是一个以上专用处理设备，诸如专用集成电路（ASIC）、现场可编程门阵列（FPGA）、数字信号处理器（DSP）、片上系统（SoC）等。
本申请描述了各种操作或功能，其可以被实现为软件代码或指令或被定义为软件代码或指令。此类内容可以是可以直接执行的源代码或差分代码(“增量”或“补丁”代码)(“对象”或“可执行”形式)。软件代码或指令可以存储在计算机可读存储介质中，并且在被执行时，可以使机器执行所描述的功能或操作，并且包括以机器(例如，计算装置、电子系统等)可访问的形式存储信息的任何机制，例如可记录或不可记录介质(例如，只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光学存储介质、闪存装置等)。
本申请描述的示例性方法可以至少部分地由机器或计算机实现。在一些实施例中，一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本申请各个实施例所述的用于对近红外数据进行显著性差异分析的方法的步骤。
上文中各个实施例的用于对近红外数据进行显著性差异分析的方法的各个步骤均可以结合于此，通过由处理器运行计算机程序指令来实现，在此不赘述。
这样的方法的实现可以包括软件代码，例如微代码、汇编语言代码、高级语言代码等。可以使用各种软件编程技术来创建各种程序或程序模块。例如，程序部分或程序模块可以用或借助Java、Python、C、C++、汇编语言或任何已知的编程语言来设计。可以将这样的软件部分或模块中的一个或多个集成到计算机系统和/或计算机可读介质中。这样的软件代码可以包括用于执行各种方法的计算机可读指令。该软件代码可以形成计算机程序产品或计算机程序模块的一部分。此外，在示例中，软件代码可以有形地存储在一个或多个易失性，非暂时性或非易失性有形计算机可读介质上，例如在执行期间或在其他时间。这些有形计算机可读介质的示例可以包括但不限于硬盘、可移动磁盘、可移动光盘(例如光盘和数字视频盘)、盒式磁带、存储卡或存储棒、随机存取存储器(RAM)、只读存储器(ROM)等。
此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本申请的具有等同元件、修改、省略、组合（例如，各种实施例交叉的方案）、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如，上述示例（或其一个或更多方案）可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本申请。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本申请的主题可以少于特定的公开的实施例的全部特征。从而，权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本申请的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (10)

1.一种用于对近红外数据进行显著性差异分析的方法，其特征在于，所述方法包括：
对获取到的至少两组近红外数据进行显著性差异分析，以得到用于反映所述两组近红外数据所表征的脑功能状况水平差异的第一P值；
基于所述第一P值确定代表性第一P值，并基于所述代表性第一P值的对数或者所述代表性第一P值的倒数的对数，得到第二P值；
确定所述第二P值处于第一测控条上的对应位置，并将所述对应位置提供的显示标记，在脑区关联图或检测探头排布关联图上进行相关联的显示；
其中，所述第一测控条上的各个数值所对应的位置呈现不同的显示标记，且各个数值按照预设顺序分布。
2.根据权利要求1所述的方法，其特征在于，在基于所述第一P值确定代表性第一P值，并基于所述代表性第一P值的对数或者所述代表性第一P值的倒数的对数，得到第二P值之前，所述方法还包括：
确定所述第一P值处于第二测控条上的对应位置；
在确定第一P值处于所述第二测控条上的对应位置的区分度不显著的情况下，则执行获取代表性第一P值并基于所述代表性第一P值进行对数转化或者倒数转化及对数转化的操作。
3.根据权利要求1或2所述的方法，其特征在于，所述对获取到的至少两组近红外数据进行显著性差异分析，具体包括：
对至少两组所述近红外数据进行分析得到分析结果，所述分析结果包括采集通道的激活程度、感兴趣脑区的激活程度或感兴趣脑区之间的脑功能连接强度中的至少一种；
基于所述分析结果来进行显著性差异分析，以得到所述第一P值。
4.根据权利要求3所述的方法，其特征在于，脑区关联图包括脑模图或脑功能连接图，在所述分析结果为激活程度的情况下，在脑模图或检测探头排布关联图上对所述第二P值所对应的显示标记进行相关联的显示；
在所述分析结果为脑功能连接强度的情况下，在脑功能连接图上对所述第二P值所对应的显示标记进行相关联的显示。
5.根据权利要求3所述的方法，其特征在于，在所述分析结果为激活程度且检测探头或采集通道与脑模进行配准的情况下，在脑模图上对所述第二P值所对应的显示标记进行相关联的显示。
6.根据权利要求1所述的方法，其特征在于，所述代表性第一P值为数值小于设定阈值的第一P值。
7.根据权利要求1所述的方法，其特征在于，所述显示标记为颜色或符号；
在所述第一测控条上的不同第一P值范围对应的颜色或符号，在色度或形状上具有显著区分度。
8.一种用于对近红外数据进行显著性差异分析的装置，其特征在于，所述装置包括处理器，所述处理器配置为：
对获取到的至少两组近红外数据进行显著性差异分析，以得到用于反映所述两组近红外数据所表征的脑功能状况水平差异的第一P值；
基于所述第一P值确定代表性第一P值，并基于所述代表性第一P值的对数或者所述代表性第一P值的倒数的对数，得到第二P值；
确定所述第二P值处于第一测控条上的对应位置，并将所述对应位置提供的显示标记，在脑区关联图或检测探头排布关联图上进行相关联的显示；
其中，所述第一测控条上的各个数值所对应的位置呈现不同的显示标记，且各个数值按照第一预设顺序分布。
9.根据权利要求8所述的装置，其特征在于，所述处理器进一步配置为：
向用户提供数据编辑项，并响应于用户基于所述数据编辑项对设定阈值的设置操作，将数值小于设定阈值的第一P值确定为代表性第一P值。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的用于对近红外数据进行显著性差异分析的方法。
CN202410252280.9A 2024-03-06 2024-03-06 用于对近红外数据进行显著性差异分析的方法和装置 Pending CN117830322A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410252280.9A CN117830322A (zh) 2024-03-06 2024-03-06 用于对近红外数据进行显著性差异分析的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410252280.9A CN117830322A (zh) 2024-03-06 2024-03-06 用于对近红外数据进行显著性差异分析的方法和装置

Publications (1)

Publication Number Publication Date
CN117830322A true CN117830322A (zh) 2024-04-05

Family

ID=90524330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410252280.9A Pending CN117830322A (zh) 2024-03-06 2024-03-06 用于对近红外数据进行显著性差异分析的方法和装置

Country Status (1)

Country Link
CN (1) CN117830322A (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592278A (zh) * 2011-12-27 2012-07-18 大连灵动科技发展有限公司 一种基于脑功能成像的脑内多区域协同竞争分析方法
CN102867301A (zh) * 2012-08-29 2013-01-09 西北工业大学 一种根据信息熵得到图像显著性特征的方法
CN104318569A (zh) * 2014-10-27 2015-01-28 北京工业大学 基于深度变分模型的空间显著性区域提取方法
US20160086052A1 (en) * 2014-09-19 2016-03-24 Brain Corporation Apparatus and methods for saliency detection based on color occurrence analysis
CN105869146A (zh) * 2016-03-22 2016-08-17 西安电子科技大学 基于显著性融合的sar图像变化检测方法
CN108226482A (zh) * 2012-03-26 2018-06-29 埃克塞尔柯尔有限责任公司 用于检测分析物的装置和方法
CN108387553A (zh) * 2018-02-09 2018-08-10 重庆东渝中能实业有限公司 针对白细胞与血小板共存全息图的分块重建与分类计数方法
CN109191436A (zh) * 2018-08-15 2019-01-11 复旦大学 基于视觉显著性谱残差方法的低剂量ct肺结节检测算法
CN110991547A (zh) * 2019-12-12 2020-04-10 电子科技大学 一种基于多特征最优融合的图像显著性检测方法
CN111079556A (zh) * 2019-11-25 2020-04-28 航天时代飞鸿技术有限公司 一种多时相无人机视频图像变化区域检测及分类方法
CN114983419A (zh) * 2022-06-14 2022-09-02 天津大学 一种基于脑电信号提升运动技能的康复装置
CN115083596A (zh) * 2022-05-31 2022-09-20 丹阳慧创医疗设备有限公司 近红外检测数据的分析方法及分析装置
CN116501723A (zh) * 2023-04-27 2023-07-28 哈尔滨医科大学 数据质量检查方法、装置、设备及存储介质
WO2023179305A1 (zh) * 2022-03-25 2023-09-28 丹阳慧创医疗设备有限公司 用近红外脑功能成像装置进行卒中康复分析的方法、系统
CN117275734A (zh) * 2023-11-20 2023-12-22 苏州药明泽康生物科技有限公司 脑健康状态评估方法及装置

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592278A (zh) * 2011-12-27 2012-07-18 大连灵动科技发展有限公司 一种基于脑功能成像的脑内多区域协同竞争分析方法
CN108226482A (zh) * 2012-03-26 2018-06-29 埃克塞尔柯尔有限责任公司 用于检测分析物的装置和方法
CN102867301A (zh) * 2012-08-29 2013-01-09 西北工业大学 一种根据信息熵得到图像显著性特征的方法
US20160086052A1 (en) * 2014-09-19 2016-03-24 Brain Corporation Apparatus and methods for saliency detection based on color occurrence analysis
CN104318569A (zh) * 2014-10-27 2015-01-28 北京工业大学 基于深度变分模型的空间显著性区域提取方法
CN105869146A (zh) * 2016-03-22 2016-08-17 西安电子科技大学 基于显著性融合的sar图像变化检测方法
CN108387553A (zh) * 2018-02-09 2018-08-10 重庆东渝中能实业有限公司 针对白细胞与血小板共存全息图的分块重建与分类计数方法
CN109191436A (zh) * 2018-08-15 2019-01-11 复旦大学 基于视觉显著性谱残差方法的低剂量ct肺结节检测算法
CN111079556A (zh) * 2019-11-25 2020-04-28 航天时代飞鸿技术有限公司 一种多时相无人机视频图像变化区域检测及分类方法
CN110991547A (zh) * 2019-12-12 2020-04-10 电子科技大学 一种基于多特征最优融合的图像显著性检测方法
WO2023179305A1 (zh) * 2022-03-25 2023-09-28 丹阳慧创医疗设备有限公司 用近红外脑功能成像装置进行卒中康复分析的方法、系统
CN115083596A (zh) * 2022-05-31 2022-09-20 丹阳慧创医疗设备有限公司 近红外检测数据的分析方法及分析装置
CN114983419A (zh) * 2022-06-14 2022-09-02 天津大学 一种基于脑电信号提升运动技能的康复装置
CN116501723A (zh) * 2023-04-27 2023-07-28 哈尔滨医科大学 数据质量检查方法、装置、设备及存储介质
CN117275734A (zh) * 2023-11-20 2023-12-22 苏州药明泽康生物科技有限公司 脑健康状态评估方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CSDN博客，壹脑云: "干货|对数化绘制P值地形图", Retrieved from the Internet <URL:https://blog.csdn.net/weixin_40052256/article/details/115828932> *
韩力群: "《类脑模型研究及应用》", 31 July 2022, 北京邮电大学出版社, pages: 46 - 48 *

Similar Documents

Publication Publication Date Title
US6542763B1 (en) Optical measurement equipment and recording medium and optical measurement method
CN1850003B (zh) 活体光测量装置
CN105530857A (zh) 根据母体腹部ecg记录的胎儿心率提取
Kurugol et al. Automated delineation of dermal–epidermal junction in reflectance confocal microscopy image stacks of human skin
CN114847885A (zh) 脑功能连接图谱的呈现方法、装置、系统及存储介质
JP4559417B2 (ja) 生体光計測装置およびプログラム
WO2020101023A1 (en) Information processing apparatus, information processing method, and program
Hasan et al. RGB pixel analysis of fingertip video image captured from sickle cell patient with low and high level of hemoglobin
CN115844393A (zh) 基于近红外数据的焦虑障碍评估装置和焦虑障碍评估系统
EP3954276A1 (en) Method, system, and non-transitory computer-readable recording medium for estimating biometric information about head using machine learning
CN117830322A (zh) 用于对近红外数据进行显著性差异分析的方法和装置
JP4490303B2 (ja) 生体光計測装置
US20230053434A1 (en) Impeded diffusion fraction for quantitative imaging diagnostic assay
JP6404162B2 (ja) 脳機能指標演算装置および脳機能指標演算方法
US20130322713A1 (en) Color map design method for assessment of the deviation from established normal population statistics and its application to quantitative medical images
CN106157287B (zh) 数据处理装置、数据处理方法和医学图像设备
Yu et al. Inter‐and intra‐observer agreement in dermatologists’ diagnoses of hyperpigmented facial lesions and development of an algorithm for automated diagnosis
Sharma et al. Role of Artificial Intelligence in Biomedical Imaging
Buxton et al. A novel nonlinear analysis of blood flow dynamics applied to the human lung
KR20160007406A (ko) 3d 데이터 기록에 기초하여 검사 대상의 병리학적 변화를 표시하기 위한 방법 및 장치
Heyi et al. Development of a retinal image segmentation algorithm for the identifying prevalence markers of diabetic retinopathy using a neural network
CN117116410B (zh) 一种用于近红外脑功能成像设备的医学报告生成装置
KR102682011B1 (ko) 참조 영역을 기준으로 안저 초분광 이미지를 보정하는 방법 및 영상 처리 장치
CN118429734B (zh) 磁共振数据分类系统
CN111539932B (zh) 一种血色素测量仪及测量方法

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