JP7492640B1 - 脳ネットワークデータ特徴抽出方法および装置 - Google Patents
脳ネットワークデータ特徴抽出方法および装置 Download PDFInfo
- Publication number
- JP7492640B1 JP7492640B1 JP2023211917A JP2023211917A JP7492640B1 JP 7492640 B1 JP7492640 B1 JP 7492640B1 JP 2023211917 A JP2023211917 A JP 2023211917A JP 2023211917 A JP2023211917 A JP 2023211917A JP 7492640 B1 JP7492640 B1 JP 7492640B1
- Authority
- JP
- Japan
- Prior art keywords
- layer
- brain
- network
- representation
- embedding
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 232
- 238000000605 extraction Methods 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 23
- 239000010410 layer Substances 0.000 claims description 240
- 239000011229 interlayer Substances 0.000 claims description 82
- 239000011159 matrix material Substances 0.000 claims description 80
- 230000003044 adaptive effect Effects 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 15
- 208000014644 Brain disease Diseases 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 201000010099 disease Diseases 0.000 abstract description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 13
- 238000003745 diagnosis Methods 0.000 abstract description 12
- 238000011160 research Methods 0.000 abstract description 8
- 230000009467 reduction Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 238000012800 visualization Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 208000021384 Obsessive-Compulsive disease Diseases 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000003925 brain function Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 230000002888 effect on disease Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
Description
多層脳機能接続ネットワークに基づいて、層内ノード埋め込み表現、層間ノード埋め込み表現およびネットワーク整合性埋め込み表現を構築するステップと、
前記層内ノード埋め込み表現と、前記層間ノード埋め込み表現と、前記ネットワーク整合性埋め込み表現とを組み合わせ、前記ネットワーク整合性埋め込み表現に適応重みαiを付けて、統合埋め込み表現フレームワークを得るステップであって、iは、前記多層脳機能接続ネットワークにおける層のインデックスである、ステップと、
前記統合埋め込み表現フレームワークをグラスマン多様体上で最適化し、最適化によって得られた層内層間ネットワーク共通埋め込み表現Fを、抽出された脳ネットワークデータ特徴とするステップと、を含み、
指数写像を用いて-ΔFiと-ΔFを接空間から前記グラスマン多様体へ写像して、前記統合埋め込み表現フレームワークのFiとFに対して反復最適化を行うことであって、ΔFiとΔFは、多様体空間上の前記統合埋め込み表現フレームワークのグラスマン勾配である、ことと、
適応損失関数を構築することによって、前記適応重みαiに対して反復最適化を行うことと、を含み、
前記適応損失関数は、以下の式で表され、
前記統合埋め込み表現フレームに基づいてFiとFの偏導関数をそれぞれ求め、前記統合埋め込み表現フレームに基づくFiとFのユークリッド勾配
正射影により前記ユークリッド勾配を接空間に射影し、前記グラスマン勾配ΔFiとΔFを得る、ことにより得られる。
患者の脳MRIデータを取得し、
同じ周波数帯域内の脳領域ノード間の相互関係を、脳領域ノードの層内接続ネットワークとして算出し、異なる周波数帯域間の脳領域ノード間の相互関係を、脳領域ノードの層間接続ネットワークとして算出し、
前記層内接続ネットワークと前記層間接続ネットワークとに基づいて、前記多層脳機能接続ネットワークを構成する、ことにより得られる。
多層脳機能接続ネットワークに基づいて、層内ノード埋め込み表現、層間ノード埋め込み表現およびネットワーク整合性埋め込み表現を構築し、前記層内ノード埋め込み表現と、前記層間ノード埋め込み表現と、前記ネットワーク整合性埋め込み表現とを組み合わせ、前記ネットワーク整合性埋め込み表現に適応重みαiを付けて、統合埋め込み表現フレームワークを得るための多層脳ネットワーク埋め込み表現統合フレームワークモジュールであって、iは、前記多層脳機能接続ネットワークにおける層のインデックスである、多層脳ネットワーク埋め込み表現統合フレームワークモジュールと、
前記統合埋め込み表現フレームワークをグラスマン多様体上で最適化し、最適化によって得られた層内層間ネットワーク共通埋め込み表現Fを、抽出された脳ネットワークデータ特徴とするための最適化抽出モジュールと、を含み、
前記統合埋め込み表現フレームワークは、以下の式で表され、
前記最適化抽出モジュールは、前記統合埋め込み表現フレームワークをグラスマン多様体上で最適化するときに、具体的に、
指数写像を用いて-ΔFiと-ΔFを接空間から前記グラスマン多様体へ写像して、前記統合埋め込み表現フレームワークのFiとFに対して反復最適化を行い、ここで、ΔFiとΔFは、多様体空間上の前記統合埋め込み表現フレームワークのグラスマン勾配であり、
適応損失関数を構築することによって、前記適応重みαiに対して反復最適化を行い、ここで、
前記適応損失関数は、以下の式で表され、
患者の脳MRIデータを取得し、
同じ周波数帯域内の脳領域ノード間の相互関係を、脳領域ノードの層内接続ネットワークとして算出し、異なる周波数帯域間の脳領域ノード間の相互関係を、脳領域ノードの層間接続ネットワークとして算出し、
前記層内接続ネットワークと前記層間接続ネットワークとに基づいて、前記多層脳機能接続ネットワークを構成するための磁気共鳴画像データ処理モジュールをさらに含む。
脳ネットワークデータ特徴を抽出して得るための、上記脳ネットワークデータ特徴抽出装置と、
前記脳ネットワークデータ特徴に基づいて脳疾患予測を行うための脳疾患予測モジュールと、を含む。
多層脳機能接続ネットワークに基づいて、層内ノード埋め込み表現、層間ノード埋め込み表現およびネットワーク整合性埋め込み表現を構築し、前記層内ノード埋め込み表現と、前記層間ノード埋め込み表現と、前記ネットワーク整合性埋め込み表現とを組み合わせ、前記ネットワーク整合性埋め込み表現に適応重みαiを付けて、統合埋め込み表現フレームワークを得るための多層脳ネットワーク埋め込み表現統合フレームワークモジュールであって、iは、前記多層脳機能接続ネットワークにおける層のインデックスである、多層脳ネットワーク埋め込み表現統合フレームワークモジュールと、
前記統合埋め込み表現フレームワークをグラスマン多様体上で最適化し、最適化によって得られた層内層間ネットワーク共通埋め込み表現Fを、抽出された脳ネットワークデータ特徴とするための最適化抽出モジュールと、を含み、
前記統合埋め込み表現フレームワークは、以下の式で表され、
前記最適化抽出モジュールは、前記統合埋め込み表現フレームワークをグラスマン多様体上で最適化するときに、具体的に、
指数写像を用いて-ΔFiと-ΔFを接空間から前記グラスマン多様体へ写像して、前記統合埋め込み表現フレームワークのFiとFに対して反復最適化を行い、ここで、ΔFiとΔFは、多様体空間上の前記統合埋め込み表現フレームワークのグラスマン勾配であり、
適応損失関数を構築することによって、前記適応重みαiに対して反復最適化を行い、ここで、
前記適応損失関数は、以下の式で表され、
患者の脳MRIデータを取得し、
同じ周波数帯域内の脳領域ノード間の相互関係を、脳領域ノードの層内接続ネットワークとして算出し、異なる周波数帯域間の脳領域ノード間の相互関係を、脳領域ノードの層間接続ネットワークとして算出し、
前記層内接続ネットワークと前記層間接続ネットワークとに基づいて、前記多層脳機能接続ネットワークを構成するための磁気共鳴画像データ処理モジュールをさらに含む。
脳ネットワークデータ特徴を抽出して得るための、本発明の脳ネットワークデータ特徴抽出装置と、
前記脳ネットワークデータ特徴に基づいて脳疾患予測を行うための脳疾患予測モジュールと、を含む。
脳疾患予測モジュールは、従来技術においてよく用いられているニューラルネットワーク(NN:Neural Network)または分類決定木(Decision Tree)などの構造を採用し、通常の方法に基づいて構築して得ることができる。
ここで、脳ネットワークデータ特徴抽出装置は、具体的に、
多層脳機能接続ネットワークに基づいて、層内ノード埋め込み表現、層間ノード埋め込み表現およびネットワーク整合性埋め込み表現を構築し、前記層内ノード埋め込み表現と、前記層間ノード埋め込み表現と、前記ネットワーク整合性埋め込み表現とを組み合わせ、前記ネットワーク整合性埋め込み表現に適応重みαiを付けて、統合埋め込み表現フレームワークを得るための多層脳ネットワーク埋め込み表現統合フレームワークモジュールであって、iは、前記多層脳機能接続ネットワークにおける層のインデックスである、多層脳ネットワーク埋め込み表現統合フレームワークモジュールと、
前記統合埋め込み表現フレームワークをグラスマン多様体上で最適化し、最適化によって得られた層内層間ネットワーク共通埋め込み表現Fを、抽出された脳ネットワークデータ特徴とするための最適化抽出モジュールと、を含み、
前記統合埋め込み表現フレームワークは、以下の式で表され、
前記最適化抽出モジュールは、前記統合埋め込み表現フレームワークをグラスマン多様体上で最適化するときに、具体的に、
指数写像を用いて-ΔFiと-ΔFを接空間から前記グラスマン多様体へ写像して、前記統合埋め込み表現フレームワークのFiとFに対して反復最適化を行い、ここで、ΔFiとΔFは、多様体空間上の前記統合埋め込み表現フレームワークのグラスマン勾配であり、
適応損失関数を構築することによって、前記適応重みαiに対して反復最適化を行い、ここで、
前記適応損失関数は、以下の式で表され、
Claims (8)
- 脳ネットワークデータ特徴抽出方法であって、
多層脳機能接続ネットワークに基づいて、層内ノード埋め込み表現、層間ノード埋め込み表現およびネットワーク整合性埋め込み表現を構築するステップと、
前記層内ノード埋め込み表現と、前記層間ノード埋め込み表現と、前記ネットワーク整合性埋め込み表現とを組み合わせ、前記ネットワーク整合性埋め込み表現に適応重みαiを付けて、統合埋め込み表現フレームワークを得るステップであって、iは、前記多層脳機能接続ネットワークにおける層のインデックスである、ステップと、
前記統合埋め込み表現フレームワークをグラスマン多様体上で最適化し、最適化によって得られた層内層間ネットワーク共通埋め込み表現Fを、抽出された脳ネットワークデータ特徴とするステップと、を含み、
前記統合埋め込み表現フレームワークは、以下の式で表され、
前記統合埋め込み表現フレームワークをグラスマン多様体上で最適化することは、
指数写像を用いて-ΔFiと-ΔFを接空間から前記グラスマン多様体へ写像して、前記統合埋め込み表現フレームワークのFiとFに対して反復最適化を行うことであって、ΔFiとΔFは、多様体空間上の前記統合埋め込み表現フレームワークのグラスマン勾配である、ことと、
適応損失関数を構築することによって、前記適応重みαiに対して反復最適化を行うことと、を含み、
前記適応損失関数は、以下の式で表され、
ことを特徴とする脳ネットワークデータ特徴抽出方法。 - 前記多様体空間上の前記統合埋め込み表現フレームワークのグラスマン勾配ΔFiとΔFは、
前記統合埋め込み表現フレームに基づいてFiとFの偏導関数をそれぞれ求め、前記統合埋め込み表現フレームに基づくFiとFのユークリッド勾配
正射影により前記ユークリッド勾配を接空間に射影し、前記グラスマン勾配ΔFiとΔFを得る、ことにより得られ、
ここで、J(F i )とJ(F)は、それぞれ前記統合埋め込み表現フレームにおけるF i 、Fに関する関数を表し、
ことを特徴とする請求項1に記載の方法。 - 前記多層脳機能接続ネットワークは、
患者の脳MRIデータを取得し、
同じ周波数帯域内の脳領域ノード間の相互関係を、脳領域ノードの層内接続ネットワークとして算出し、異なる周波数帯域間の脳領域ノード間の相互関係を、脳領域ノードの層間接続ネットワークとして算出し、
前記層内接続ネットワークと前記層間接続ネットワークとに基づいて、前記多層脳機能接続ネットワークを構成する、ことにより得られる、
ことを特徴とする請求項1に記載の方法。 - 脳ネットワークデータ特徴抽出装置であって、
多層脳機能接続ネットワークに基づいて、層内ノード埋め込み表現、層間ノード埋め込み表現およびネットワーク整合性埋め込み表現を構築し、前記層内ノード埋め込み表現と、前記層間ノード埋め込み表現と、前記ネットワーク整合性埋め込み表現とを組み合わせ、前記ネットワーク整合性埋め込み表現に適応重みαiを付けて、統合埋め込み表現フレームワークを得るための多層脳ネットワーク埋め込み表現統合フレームワークモジュールであって、iは、前記多層脳機能接続ネットワークにおける層のインデックスである、多層脳ネットワーク埋め込み表現統合フレームワークモジュールと、
前記統合埋め込み表現フレームワークをグラスマン多様体上で最適化し、最適化によって得られた層内層間ネットワーク共通埋め込み表現Fを、抽出された脳ネットワークデータ特徴とするための最適化抽出モジュールと、を含み、
前記統合埋め込み表現フレームワークは、以下の式で表され、
前記最適化抽出モジュールは、前記統合埋め込み表現フレームワークをグラスマン多様体上で最適化するときに、具体的に、
指数写像を用いて-ΔFiと-ΔFを接空間から前記グラスマン多様体へ写像して、前記統合埋め込み表現フレームワークのFiとFに対して反復最適化を行い、ここで、ΔFiとΔFは、多様体空間上の前記統合埋め込み表現フレームワークのグラスマン勾配であり、
適応損失関数を構築することによって、前記適応重みαiに対して反復最適化を行い、ここで、前記適応損失関数は、以下の式で表され、
ことを特徴とする脳ネットワークデータ特徴抽出装置。 - 患者の脳MRIデータを取得し、
同じ周波数帯域内の脳領域ノード間の相互関係を、脳領域ノードの層内接続ネットワークとして算出し、異なる周波数帯域間の脳領域ノード間の相互関係を、脳領域ノードの層間接続ネットワークとして算出し、
前記層内接続ネットワークと前記層間接続ネットワークとに基づいて、前記多層脳機能接続ネットワークを構成するための磁気共鳴画像データ処理モジュールをさらに含む、
ことを特徴とする請求項4に記載の装置。 - メモリと、プロセッサと、前記メモリに記憶され、前記プロセッサ上で実行可能なコンピュータプログラムとを含む電子デバイスであって、前記プロセッサが前記コンピュータプログラムを実行すると、請求項1~3のいずれか1項に記載の脳ネットワークデータ特徴抽出方法を実施する、
ことを特徴とする電子デバイス。 - コンピュータプログラムを記憶している記憶媒体であって、前記コンピュータプログラムがプロセッサによって実行されると、請求項1~3のいずれか1項に記載の脳ネットワークデータ特徴抽出方法が実施される、
ことを特徴とする記憶媒体。 - 脳ネットワークデータ特徴を抽出して得るための、請求項4または5に記載の脳ネットワークデータ特徴抽出装置と、
前記脳ネットワークデータ特徴に基づいて脳疾患予測を行うための脳疾患予測モジュールと、を含む、
ことを特徴とする脳疾患予測システム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310342278.6A CN116051849B (zh) | 2023-04-03 | 2023-04-03 | 一种脑网络数据特征提取方法及装置 |
CN202310342278.6 | 2023-04-03 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP7492640B1 true JP7492640B1 (ja) | 2024-05-29 |
Family
ID=86125979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023211917A Active JP7492640B1 (ja) | 2023-04-03 | 2023-12-15 | 脳ネットワークデータ特徴抽出方法および装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7492640B1 (ja) |
CN (1) | CN116051849B (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117036727B (zh) * | 2023-10-09 | 2024-01-05 | 之江实验室 | 脑网络数据多层嵌入向量特征提取方法及装置 |
CN117357132B (zh) * | 2023-12-06 | 2024-03-01 | 之江实验室 | 一种基于多层脑网络节点参与系数的任务执行方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229066A (zh) | 2018-02-07 | 2018-06-29 | 北京航空航天大学 | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 |
CN109065128A (zh) | 2018-09-28 | 2018-12-21 | 郑州大学 | 一种加权图正则化稀疏脑网络构建方法 |
JP2023044669A (ja) | 2021-09-17 | 2023-03-30 | 之江実験室 | グラフモデルに基づく脳機能レジストレーション方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097327B (zh) * | 2016-06-06 | 2018-11-02 | 宁波大学 | 结合流形特征及双目特性的立体图像质量客观评价方法 |
CN109615005A (zh) * | 2018-12-10 | 2019-04-12 | 广东技术师范学院 | 基于流形深度学习和极限学习机的图像集分类系统及方法 |
CN109886419A (zh) * | 2019-01-23 | 2019-06-14 | 中山大学 | 一种基于对称矩阵空间子空间学习的格拉斯曼流形域自适应方法 |
CN109770932B (zh) * | 2019-02-21 | 2022-04-29 | 河北工业大学 | 多模态脑部神经影像特征的处理方法 |
CN110781766B (zh) * | 2019-09-30 | 2023-05-19 | 广州大学 | 基于特征谱正则化的格拉斯曼流形判别分析图像识别方法 |
US20210406662A1 (en) * | 2020-06-25 | 2021-12-30 | PolyN Technology Limited | Analog hardware realization of trained neural networks for voice clarity |
CN113255728B (zh) * | 2021-04-26 | 2024-03-22 | 浙江工业大学 | 一种基于图嵌入和多模态脑网络的抑郁症分类方法 |
CN113313232B (zh) * | 2021-05-19 | 2023-02-14 | 华南理工大学 | 一种基于预训练和图神经网络的功能脑网络分类方法 |
CN113705437B (zh) * | 2021-08-25 | 2024-03-12 | 杭州电子科技大学 | 一种基于多流形嵌入式分布对齐的领域自适应方法 |
CN113786185B (zh) * | 2021-09-18 | 2024-05-07 | 安徽师范大学 | 一种基于卷积神经网络的静态脑网络特征提取方法和系统 |
CN115841607A (zh) * | 2022-10-11 | 2023-03-24 | 重庆邮电大学 | 一种基于图注意力网络的脑网络结构和相似度的联合学习方法 |
CN115631371A (zh) * | 2022-10-17 | 2023-01-20 | 杭州电子科技大学 | 一种脑电信号核心网络的提取方法 |
CN115758118A (zh) * | 2022-11-18 | 2023-03-07 | 杭州电子科技大学 | 一种基于脑电互信息的多源流形嵌入特征选择方法 |
-
2023
- 2023-04-03 CN CN202310342278.6A patent/CN116051849B/zh active Active
- 2023-12-15 JP JP2023211917A patent/JP7492640B1/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229066A (zh) | 2018-02-07 | 2018-06-29 | 北京航空航天大学 | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 |
CN109065128A (zh) | 2018-09-28 | 2018-12-21 | 郑州大学 | 一种加权图正则化稀疏脑网络构建方法 |
JP2023044669A (ja) | 2021-09-17 | 2023-03-30 | 之江実験室 | グラフモデルに基づく脳機能レジストレーション方法 |
Non-Patent Citations (1)
Title |
---|
SHENG, Xiaoqi et al.,Deep Manifold Harmonic Network With Dual Attention for Brain Disorder Classification,IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS,2023年01月,Vol.27, No.1,pp.131-142 |
Also Published As
Publication number | Publication date |
---|---|
CN116051849B (zh) | 2023-07-07 |
CN116051849A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Tensorizing GAN with high-order pooling for Alzheimer’s disease assessment | |
Baldeon-Calisto et al. | AdaResU-Net: Multiobjective adaptive convolutional neural network for medical image segmentation | |
JP7492640B1 (ja) | 脳ネットワークデータ特徴抽出方法および装置 | |
CN110739070A (zh) | 一种基于3d卷积神经网络的脑疾病诊断方法 | |
Lu et al. | A 3D convolutional neural network for volumetric image semantic segmentation | |
CN110599461B (zh) | 一种基于子空间特征学习的丘脑功能分区方法 | |
CN111709485B (zh) | 医学影像处理方法、装置和计算机设备 | |
Du et al. | Accelerated super-resolution MR image reconstruction via a 3D densely connected deep convolutional neural network | |
Chen et al. | Generative adversarial U-Net for domain-free medical image augmentation | |
Zhang et al. | A novel denoising method for CT images based on U-net and multi-attention | |
CN115496720A (zh) | 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备 | |
CN114863225A (zh) | 图像处理模型训练方法、生成方法、装置、设备及介质 | |
Agarwal et al. | Weakly supervised lesion co-segmentation on ct scans | |
Wang et al. | CWC-transformer: a visual transformer approach for compressed whole slide image classification | |
Qiao et al. | An enhanced Runge Kutta boosted machine learning framework for medical diagnosis | |
CN114298997A (zh) | 一种伪造图片检测方法、装置及存储介质 | |
CN112164447B (zh) | 图像处理方法、装置、设备及存储介质 | |
Ma et al. | An iterative multi‐path fully convolutional neural network for automatic cardiac segmentation in cine MR images | |
CN112908465A (zh) | 基于异常检测和半监督的超声关键帧自主识别方法 | |
CN116630964A (zh) | 一种基于离散小波注意力网络的食品图像分割方法 | |
Juhl et al. | Implicit neural distance representation for unsupervised and supervised classification of complex anatomies | |
Bergamasco et al. | A bipartite graph approach to retrieve similar 3D models with different resolution and types of cardiomyopathies | |
Arthy et al. | Deep Capsule Residual Networks for Better Diagnosis Rate in Medical Noisy Images. | |
Bertrand et al. | Deep learning-based emulation of human cardiac activation sequences | |
CN117036727B (zh) | 脑网络数据多层嵌入向量特征提取方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231215 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20231215 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240301 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240430 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240514 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240517 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7492640 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |