CN106066934A - 一种基于Spark平台的阿尔茨海默病早期辅助诊断*** - Google Patents

一种基于Spark平台的阿尔茨海默病早期辅助诊断*** Download PDF

Info

Publication number
CN106066934A
CN106066934A CN201610363245.XA CN201610363245A CN106066934A CN 106066934 A CN106066934 A CN 106066934A CN 201610363245 A CN201610363245 A CN 201610363245A CN 106066934 A CN106066934 A CN 106066934A
Authority
CN
China
Prior art keywords
data
module
image
smri
diagnosis
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
CN201610363245.XA
Other languages
English (en)
Inventor
刘琚
李迅
肖依凡
董贤光
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.)
SUZHOU RESEARCH INSTITUTE SHANDONG UNIVERSITY
Original Assignee
SUZHOU RESEARCH INSTITUTE SHANDONG UNIVERSITY
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 SUZHOU RESEARCH INSTITUTE SHANDONG UNIVERSITY filed Critical SUZHOU RESEARCH INSTITUTE SHANDONG UNIVERSITY
Priority to CN201610363245.XA priority Critical patent/CN106066934A/zh
Publication of CN106066934A publication Critical patent/CN106066934A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于Spark平台的阿尔茨海默病早期辅助诊断***，属于医疗大数据应用领域。该***包括影像存储模块，影像预处理模块，模型训练模块，预测诊断模块。通过影像存储模块在集群上建立原始sMRI影像数据库，采用HDFS分布式存储；由影像预处理模块对原始影像预处理，获取有效数据并发送给模型训练模块；模型训练模块调用MLlib的机器学习算法，对有效数据进行降维分类，得到最佳分类模型；最后预测诊断模块通过Spark Streaming实时处理受试者的sMRI影像，由分类模型对其分类，给出诊断结果。本发明将大数据技术与sMRI技术相结合，在处理海量影像数据的基础上，自动高效的对受试者的sMRI影像数据做出客观诊断，为医生诊断阿尔茨海默病提供辅助支持，具有实际应用价值。

Description

一种基于Spark平台的阿尔茨海默病早期辅助诊断***
技术领域
本发明涉及医疗大数据应用领域，尤其涉及一种基于Spark平台的阿尔茨海默病早期辅助诊断***。
背景技术
阿尔茨海默病(Alzheimer’s Disease，AD)通常被称为老年痴呆症，表现为语言、记忆、判断力等认知能力下降，属于神经渐退性疾病，一般常见于老年人。由于阿尔茨海默病尚无法彻底治愈，故及时诊断AD病变，从而进行早期干预治疗，减轻病变至关重要。目前AD的早期诊断方法主要包括四种：早期临床症状判断，神经心理学测验，神经生物学检测，神经影像学检查。其中神经影像学中的磁共振成像(structural magnetic resonanceimaging，sMRI)技术能够客观记录不同脑组织的结构三维影像，测量脑萎缩变化，进而反映AD病变程度。由于sMRI技术对于人脑没有任何危害、安全、有效，从而被广泛用于AD病变的早期辅助诊断。
然而传统的手工测量sMRI方法耗时长，工作量繁重，并需要使用者具备一定的先验知识，专业要求较高，易受主观因素影响；并且随着医学条件的改善与经济水平的发展，正常人与AD患者脑组织的sMRI影像数据***式增长，海量数据中隐藏着巨大的应用价值，但目前临床还无法有效利用这些数据；故借助大数据处理技术与机器学习方法自动、客观、高效的处理sMRI影像，统计分析，从而为诊断AD早期病变提供辅助支持，具有重要的研究意义。
诞生于加州大学伯克利分校AMPLab的Spark大数据处理和计算框架，以其基于内存运算，适合机器学***台，建立针对海量sMRI影像数据的阿尔茨海默病早期辅助诊断***，能够挖掘大数据中的潜在价值，提高诊断效率。
发明内容
针对AD辅助诊断的传统sMRI手工测量方法的不足与海量sMIR影像数据无法有效处理的问题，本发明提出一种基于Spark平台的阿尔茨海默病早期辅助诊断***。本发明将Spark大数据处理平台与医疗***中的sMRI技术相结合，实现一种阿尔茨海默病早期辅助诊断***，该***在处理海量sMRI影像数据的基础上，提取正常人与不同程度AD患者的脑组织sMRI影像的有效数据特征，采用分布式分类算法对提取的数据特征进行分类学习，训练最佳分类模型，进而对未知的受试者的影像进行分类判断，根据分类结果诊断该受试者是否为AD患者，为医生提供一种自动高效的客观辅助诊断技术支持。
为实现上述目的，本发明提出如下技术方案：
一种基于Spark平台的阿尔茨海默病早期辅助诊断***，该***包括影像存储模块、影像预处理模块、模型训练模块以及预测诊断模块，其特征在于：
所述影像存储模块用于建立原始正常人和AD患者脑组织的sMRI影像库，以分布式文件***存储影像大数据；
所述影像预处理模块用于对sMRI影像进行预处理，从影像数据中提取特征，获得有效数据，保存到HDFS存储层上，以供后续模块进行数据分析；
所述模型训练模块用于训练最佳分类模型，通过采用分布式的分类算法对提取的有效数据进行分类训练，设置算法不同参数而获得最佳分类模型，能够区分正常人与AD患者的影像数据；
所述预测诊断模块用于实时对未知受试者的影像进行分类判断，根据分类结果诊断受试者是否为AD患者；
所述***建立于Spark集群之上，在Spark大数据平台上将批处理与流处理相结合，对海量数据进行运算，采用分布式机器学习算法对sMRI影像数据处理分析，实现依据sMRI影像诊断AD病变的功能。
特别地，影像存储模块利用Hadoop分布式文件***HDFS对海量的sMRI影像数据进行存储，在集群中部署HDFS***。
特别地，影像预处理模块利用Thunder对sMRI影像数据进行预处理，来获得有效的特征数据，将三维数据转为一维数据，以供后续模块处理。
特别地，模型训练模块利用主成分分析PCA算法对数据降维，利用分布式支持向量机SVM算法对数据进行训练从而得到分类模型，把影像数据分为正常和AD两类，为诊断AD病变提供依据。
特别地，预测诊断模块利用Spark Streaming来进行数据流式处理，实时处理受试者的sMRI影像数据，并且即时给出诊断结果。
本发明的有益效果：
1.***构建于Spark分布式处理计算框架，将大数据平台应用于医疗应用中，能够高效处理海量影像数据，解决了传统技术无法处理医疗大数据的弊端；
2.采用HDFS分布式存储方案，存储日益增多的影像数据，安全高效；
3.***将大数据流处理与批处理相结合，通过对已有影像数据学习建立分类模型，并能实时处理新的受试者的sMRI影像数据，实时给出诊断结果；
4.利用分布式的机器学习算法对sMRI影像数据进行挖掘学习，有效分析正常人与AD患者脑组织的sMRI影像之间的特征，自动建立分类模型，做出客观诊断结果，弥补了手工测量，主观判断的不足。
附图说明
图1是本发明基于Spark平台的阿尔茨海默病早期辅助诊断***的整体架构；
图2是本发明基于Spark平台的阿尔茨海默病早期辅助诊断***的整体流程。
具体实施方式
为了能够更清楚地描述本发明的技术内容，下面结合附图与实施例对本发明作进一步说明。
本发明的一种基于Spark平台的阿尔茨海默病早期辅助诊断***，将Spark的数据处理能力与利用脑组织的sMRI影像诊断AD病变技术相结合，在Spark大数据平台上，以海量sMRI影像数据为基础，利用机器学习算法构建了正常人与AD病人脑组织sMRI影像数据的分类模型，以训练的最佳分类模型对受试者的sMRI影像的做出分类，根据分类结果做出诊断，为医生诊断受试者是否存在AD病变提供客观支持。
图1给出了本发明所述***的整体架构，整个***分为五层：硬件层，HDFS存储层，Spark分布式处理层，Spark组件层，辅助诊断***应用程序层。各层具体功能为：
(1)硬件层位于***架构最底层，主要为***提供基础硬件设施，包括搭建Spark集群所需的计算机设备(工作站、服务器)与网络设备(路由器、交换机)，以及用于采集受试者脑组织的sMRI的影像采集设备；
(2)HDFS存储层采用HDFS分布式文件存储***，负责存储管理海量的脑组织sMRI影像数据，包括不同年龄段的正常人与AD患者的脑部sMRI影像，以及对影像预处理后的有效数据；
(3)Spark分布式处理层是***的核心数据处理层，执行用户编写的应用程序代码，依靠Spark集群的分布式数据处理能力对数据进行具体的运算处理，并为用户返回运算结果；
(4)Spark组件层主要包括Spark Streaming与MLlib，MLlib为上层应用程序提供具体的算法接口，被上层应用程序所调用，设置算法参数，再与Spark集***互，交由集群执行运算，Spark Streaming为***提供实时的数据流式处理，用于实时诊断；
(5)辅助诊断***应用程序层是用户根据***需求编写的具体代码，包括***各模块的具体实现，主要包括影像存储模块，影像预处理模块，模型训练模块以及预测诊断模块。
本发明所述的一种基于Spark平台的阿尔茨海默病早期辅助诊断***主要流程如图2所示。具体步骤为：
(1)建立sMRI影像数据库；整合已有的正常人和AD患者的脑组织的sMRI影像，将其存储到HDFS存储层，并利用影像采集设备不断获取新的影像，并将其存储。
(2)影像预处理；利用Thunder工具，从HDFS存储层读取sMRI影像，将三维矩阵一维化，并利用特定的特征提取方法获取有效数据，然后将有效数据保存到HDFS存储层中。
(3)模型训练；利用分布式SVM算法在训练有效数据的基础上，构建最佳分类模型，详细描述为：
a.加载有效数据，从HDFS层加载预处理得到的有效影像数据；
b.格式转化，将有效数据转变为MLlib支持的分布式矩阵格式，得到训练数据；
c.降维处理，由于有效数据的维数过大，利用PCA算法对数据进行主成分分析，达到降维目的；
d.加标签，根据数据取自的影像是否属于AD患者，为数据加上标签，正常人的数据标为0，AD患者的数据标为1；
e.划分数据集，将数据划分为训练集，验证集与测试集。
f.分类模型训练，采用分布式的SVM算法在训练集上进行分类模型的训练，通过设置算法的不同参数得到不同的分类模型，在验证集上计算不同分类模型的评价指标，根据最好的评价指标确定最佳分类模型，并在测试集上测试最佳分类模型的分类效果，将最佳分类模型保存。
(4)预测诊断，利用Spark Streaming实时处理受试者的脑组织的sMRI影像，并通过最佳分类模型对数据做出分类判断，实时返回诊断结果，详细描述为：
a.获取受试者脑组织sMRI影像，由影像采集设备对受试者进行检测，获取其脑组织的sMRI影像，并通过Spark Streaming将该影像实时传送到诊断***；
b.对sMRI影像预处理，按照步骤(2)对受试者的影像进行预处理，获得特征数据；
c.分类，调用最佳分类模型对受试者的影像数据做出分类；
d.诊断，根据分类结果做出诊断，并实时将诊断结果返给医生，为医生提供辅助支持。

Claims (5)

1.一种基于Spark平台的阿尔茨海默病早期辅助诊断***，该***包括影像存储模块、影像预处理模块、模型训练模块以及预测诊断模块，其特征在于：
所述影像存储模块用于建立原始正常人和AD患者脑组织的sMRI影像库，以分布式文件***存储影像大数据；
所述影像预处理模块用于对sMRI影像进行预处理，从影像数据中提取特征，获得有效数据，保存到HDFS存储层上，以供后续模块进行数据分析；
所述模型训练模块用于训练最佳分类模型，通过采用分布式的分类算法对提取的有效数据进行分类训练，设置算法不同参数而获得最佳分类模型，能够区分正常人与AD患者的影像数据；
所述预测诊断模块用于实时对未知受试者的影像进行分类判断，根据分类结果诊断受试者是否为AD患者；
所述***建立于Spark集群之上，在Spark大数据平台上将批处理与流处理相结合，对海量数据进行运算，采用分布式机器学习算法对sMRI影像数据处理分析，实现依据sMRI影像诊断AD病变的功能。
2.根据权利要求1所述的基于Spark平台的阿尔茨海默病早期辅助诊断***，其特征在于：影像存储模块利用Hadoop分布式文件***HDFS对海量的sMRI影像数据进行存储，在集群中部署HDFS***。
3.根据权利要求1所述的基于Spark平台的阿尔茨海默病早期辅助诊断***，其特征在于：影像预处理模块利用Thunder对sMRI影像数据进行预处理，来获得有效的特征数据，将三维数据转为一维数据，以供后续模块处理。
4.根据权利要求1所述的基于Spark平台的阿尔茨海默病早期辅助诊断***，其特征在于：模型训练模块利用主成分分析PCA算法对数据降维，利用分布式支持向量机SVM算法对数据进行训练从而得到分类模型，把影像数据分为正常和AD两类，为诊断AD病变提供依据。
5.根据权利要求1所述的基于Spark平台的阿尔茨海默病早期辅助诊断***，其特征在于：预测诊断模块利用Spark Streaming来进行数据流式处理，实时处理检测者的sMRI影像数据，并且即时给出诊断结果。
CN201610363245.XA 2016-05-27 2016-05-27 一种基于Spark平台的阿尔茨海默病早期辅助诊断*** Pending CN106066934A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610363245.XA CN106066934A (zh) 2016-05-27 2016-05-27 一种基于Spark平台的阿尔茨海默病早期辅助诊断***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610363245.XA CN106066934A (zh) 2016-05-27 2016-05-27 一种基于Spark平台的阿尔茨海默病早期辅助诊断***

Publications (1)

Publication Number Publication Date
CN106066934A true CN106066934A (zh) 2016-11-02

Family

ID=57420358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610363245.XA Pending CN106066934A (zh) 2016-05-27 2016-05-27 一种基于Spark平台的阿尔茨海默病早期辅助诊断***

Country Status (1)

Country Link
CN (1) CN106066934A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599549A (zh) * 2016-11-25 2017-04-26 上海联影医疗科技有限公司 一种计算机辅助诊断***、方法及其医疗***
CN107590806A (zh) * 2017-09-19 2018-01-16 陈烨 一种基于大脑医学成像的检测方法和***
CN108717875A (zh) * 2018-05-18 2018-10-30 贵州大学 一种基于大数据的慢性疾病智能管理***
WO2019042200A1 (zh) * 2017-08-30 2019-03-07 第四范式（北京）技术有限公司 执行机器学习的分布式***及其方法
CN109581867A (zh) * 2017-09-29 2019-04-05 罗克韦尔自动化技术公司 用于监视、诊断优化和控制的分类建模
CN109657803A (zh) * 2018-03-23 2019-04-19 新华三大数据技术有限公司 机器学习模型的构建
CN110059124A (zh) * 2019-04-22 2019-07-26 上海飞未信息技术有限公司 一种快速大规模影像数据分布式流水线处理方法和***
CN110908994A (zh) * 2018-09-14 2020-03-24 北京京东金融科技控股有限公司 数据模型处理方法、***、电子设备及可读介质
CN111009321A (zh) * 2019-08-14 2020-04-14 电子科技大学 一种机器学习分类模型在青少年孤独症辅助诊断中的应用方法
WO2023161830A1 (en) * 2022-02-23 2023-08-31 Chernobelsky Ivgenia Distributed electronic ledger storage including reduced images

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345633A (zh) * 2013-06-27 2013-10-09 山东大学 一种用于阿尔兹海默病早期发现的结构性核磁共振影像处理方法
US8873836B1 (en) * 2012-06-29 2014-10-28 Emc Corporation Cluster-based classification of high-resolution data
CN104679895A (zh) * 2015-03-18 2015-06-03 成都影泰科技有限公司 一种医学影像数据存储方法
CN104881568A (zh) * 2015-04-27 2015-09-02 苏州敏宇医疗科技有限公司 一种基于云计算的肿瘤治疗疗效早期评价的***和方法
CN105095653A (zh) * 2015-07-13 2015-11-25 湖南互动传媒有限公司 医疗大数据应用基础服务***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8873836B1 (en) * 2012-06-29 2014-10-28 Emc Corporation Cluster-based classification of high-resolution data
CN103345633A (zh) * 2013-06-27 2013-10-09 山东大学 一种用于阿尔兹海默病早期发现的结构性核磁共振影像处理方法
CN104679895A (zh) * 2015-03-18 2015-06-03 成都影泰科技有限公司 一种医学影像数据存储方法
CN104881568A (zh) * 2015-04-27 2015-09-02 苏州敏宇医疗科技有限公司 一种基于云计算的肿瘤治疗疗效早期评价的***和方法
CN105095653A (zh) * 2015-07-13 2015-11-25 湖南互动传媒有限公司 医疗大数据应用基础服务***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴辉群 等；: "《医学影像大数据的存储与挖掘技术研究》", 《中国数字医学》 *
赵小杰 等；: "《阿尔茨海默氏症研究中的磁共振成像数据分析》", 《软件学报》 *
闫瑾: "《多类型磁共振影像特征融合算法用于阿尔兹海默病早期诊断》", 《万方学位论文库》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599549A (zh) * 2016-11-25 2017-04-26 上海联影医疗科技有限公司 一种计算机辅助诊断***、方法及其医疗***
WO2019042200A1 (zh) * 2017-08-30 2019-03-07 第四范式（北京）技术有限公司 执行机器学习的分布式***及其方法
CN107590806A (zh) * 2017-09-19 2018-01-16 陈烨 一种基于大脑医学成像的检测方法和***
CN107590806B (zh) * 2017-09-19 2021-06-01 陈烨 一种基于大脑医学成像的检测方法和***
CN109581867A (zh) * 2017-09-29 2019-04-05 罗克韦尔自动化技术公司 用于监视、诊断优化和控制的分类建模
CN109657803A (zh) * 2018-03-23 2019-04-19 新华三大数据技术有限公司 机器学习模型的构建
CN109657803B (zh) * 2018-03-23 2020-04-03 新华三大数据技术有限公司 机器学习模型的构建
CN108717875A (zh) * 2018-05-18 2018-10-30 贵州大学 一种基于大数据的慢性疾病智能管理***
CN110908994A (zh) * 2018-09-14 2020-03-24 北京京东金融科技控股有限公司 数据模型处理方法、***、电子设备及可读介质
CN110059124A (zh) * 2019-04-22 2019-07-26 上海飞未信息技术有限公司 一种快速大规模影像数据分布式流水线处理方法和***
CN111009321A (zh) * 2019-08-14 2020-04-14 电子科技大学 一种机器学习分类模型在青少年孤独症辅助诊断中的应用方法
WO2023161830A1 (en) * 2022-02-23 2023-08-31 Chernobelsky Ivgenia Distributed electronic ledger storage including reduced images

Similar Documents

Publication Publication Date Title
CN106066934A (zh) 一种基于Spark平台的阿尔茨海默病早期辅助诊断***
ALEnezi A method of skin disease detection using image processing and machine learning
WO2020151536A1 (zh) 一种脑部图像分割方法、装置、网络设备和存储介质
Giovannucci et al. CaImAn an open source tool for scalable calcium imaging data analysis
CN109447183B (zh) 预测模型训练方法、装置、设备以及介质
Esmaeilzadeh et al. End-to-end Parkinson disease diagnosis using brain MR-images by 3D-CNN
CN109447998B (zh) 基于PCANet深度学习模型下的自动分割方法
Zhang et al. Automated semantic segmentation of red blood cells for sickle cell disease
CN113808738B (zh) 一种基于自识别影像的疾病识别***
CN104361318A (zh) 一种基于弥散张量成像技术的疾病诊断辅助***及方法
CN110910377B (zh) 一种基于神经网络的脑梗死mri图像识别方法
CN110859624A (zh) 一种基于结构磁共振影像的大脑年龄深度学习预测***
CN113688862B (zh) 一种基于半监督联邦学习的脑影像分类方法及终端设备
CN112348785B (zh) 一种癫痫病灶定位方法及***
Alqudah et al. Lightweight Deep Learning for Malaria Parasite Detection Using Cell-Image of Blood Smear Images.
CN116110597B (zh) 一种基于数字孪生的患者病症类别智能分析方法及装置
WO2023198224A1 (zh) 一种精神障碍类磁共振图像初步筛查模型构建方法
Waweru et al. Deep learning in skin lesion analysis towards cancer detection
Chatchaiwatkul et al. Lung disease detection and classification with deep learning approach
Mirchandani et al. Comparing the Architecture and Performance of AlexNet Faster R-CNN and YOLOv4 in the Multiclass Classification of Alzheimer Brain MRI Scans
CN117352164A (zh) 基于人工智能的多模态肿瘤检测诊断平台及其处理方法
Thomas et al. Diabetic retinopathy detection using EADBSC and improved dilated ensemble CNN-based classification
Pallawi et al. Study of Alzheimer’s disease brain impairment and methods for its early diagnosis: a comprehensive survey
He et al. Brain image feature recognition method for Alzheimer’s disease
Mishra et al. Automatic Nuclei Segmentation Method using NLM Filter for Denoising

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20161102