CN106295709A - 基于多尺度脑网络特征的功能磁共振影像数据分类方法 - Google Patents
基于多尺度脑网络特征的功能磁共振影像数据分类方法 Download PDFInfo
- Publication number
- CN106295709A CN106295709A CN201610687766.0A CN201610687766A CN106295709A CN 106295709 A CN106295709 A CN 106295709A CN 201610687766 A CN201610687766 A CN 201610687766A CN 106295709 A CN106295709 A CN 106295709A
- Authority
- CN
- China
- Prior art keywords
- brain
- represent
- magnetic resonance
- brain network
- node
- 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
Links
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及图像处理技术,具体是一种基于多尺度脑网络特征的功能磁共振影像数据分类方法。本发明解决了传统磁共振影像数据分类方法分类准确率低的问题。基于多尺度脑网络特征的功能磁共振影像数据分类方法,该方法是采用如下步骤实现的:步骤S1:对静息态功能磁共振影像进行预处理;步骤S2:采用动态随机种子方法对影像进行区域分割,并对所分割的脑区进行平均时间序列提取;步骤S3:计算各脑区平均时间序列两两间的关联程度;步骤S4:对关联矩阵进行二值化处理;步骤S5:计算静息态功能脑网络的局部属性及其在特定阈值空间的AUC值;步骤S6:进行分类器构建;步骤S7:量化所选特征在分类器中的重要度和冗余度。本发明适用于磁共振影像数据分类。
Description
技术领域
本发明涉及图像处理技术,具体是一种基于多尺度脑网络特征的功能磁共振影像数据分类方法。
背景技术
作为功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)技术与复杂网络理论的结合,磁共振影像数据分类方法当前已经成为脑科学领域的热点之一。然而,传统磁共振影像数据分类方法由于自身原理所限,仅能够对单一尺度的脑网络进行描述,由此导致其分类准确率低,从而严重影响其应用价值。基于此,有必要发明一种全新的磁共振影像数据分类方法,以解决传统磁共振影像数据分类方法存在的上述问题。
发明内容
本发明为了解决传统磁共振影像数据分类方法分类准确率低的问题,提供了一种基于多尺度脑网络特征的功能磁共振影像数据分类方法。
本发明是采用如下技术方案实现的:
基于多尺度脑网络特征的功能磁共振影像数据分类方法,该方法是采用如下步骤实现的:
步骤S1:对静息态功能磁共振影像进行预处理;
步骤S2:根据选定的标准化脑图谱,采用动态随机种子方法对预处理后的静息态功能磁共振影像进行区域分割,分割尺度分别为90,256,497,1003,1501,然后对所分割的各脑区进行平均时间序列的提取;
步骤S3:采用皮尔逊相关方法,计算各脑区的平均时间序列两两间的关联程度,由此得到关联矩阵;
步骤S4:设定阈值,然后根据阈值对关联矩阵进行二值化处理,由此得到静息态功能脑网络模型;
步骤S5:计算静息态功能脑网络模型的局部属性及局部属性在特定阈值空间内的AUC值;所述局部属性包括:静息态功能脑网络模型中各节点的度、节点效率、中间中心度;
步骤S6:采用支持向量机分类算法,选择静息态功能脑网络模型的局部属性作为分类特征,由此进行分类器的构建,然后采用交叉验证方法对构建的分类器进行检验;
步骤S7:采用互信息分析方法,对所选特征在分类器中的重要度和冗余度进行量化,然后根据量化结果对所选特征进行二次筛选,由此对静息态功能脑网络模型进行优化。
与传统磁共振影像数据分类方法相比,本发明所述的基于多尺度脑网络特征的功能磁共振影像数据分类方法通过采用动态随机种子方法、皮尔逊相关方法、支持向量机分类算法、交叉验证方法、互信息分析方法,实现了对多尺度的脑网络进行描述,由此大幅提高了分类准确率(如图1所示,本发明的分类准确率明显高于传统磁共振影像数据分类方法的分类准确率),从而使得应用价值更高。
本发明有效解决了传统磁共振影像数据分类方法分类准确率低的问题,适用于磁共振影像数据分类。
附图说明
图1是本发明与传统磁共振影像数据分类方法的对比示意图。
具体实施方式
基于多尺度脑网络特征的功能磁共振影像数据分类方法,该方法是采用如下步骤实现的:
步骤S1:对静息态功能磁共振影像进行预处理;
步骤S2:根据选定的标准化脑图谱,采用动态随机种子方法对预处理后的静息态功能磁共振影像进行区域分割,分割尺度分别为90,256,497,1003,1501,然后对所分割的各脑区进行平均时间序列的提取;
步骤S3:采用皮尔逊相关方法,计算各脑区的平均时间序列两两间的关联程度,由此得到关联矩阵;
步骤S4:设定阈值,然后根据阈值对关联矩阵进行二值化处理,由此得到静息态功能脑网络模型;
步骤S5:计算静息态功能脑网络模型的局部属性及局部属性在特定阈值空间内的AUC值;所述局部属性包括:静息态功能脑网络模型中各节点的度、节点效率、中间中心度;
步骤S6:采用支持向量机分类算法,选择静息态功能脑网络模型的局部属性作为分类特征,由此进行分类器的构建,然后采用交叉验证方法对构建的分类器进行检验;
步骤S7:采用互信息分析方法,对所选特征在分类器中的重要度和冗余度进行量化,然后根据量化结果对所选特征进行二次筛选,由此对静息态功能脑网络模型进行优化。
所述步骤S1中,预处理采用SPM软件进行,预处理步骤具体包括:时间层校正、头动校正、联合配准、空间标准化、低频滤波。
所述步骤S2中,标准化脑图谱采用AAL模板;
区域分割步骤具体包括:首先,计算AAL模板中每个脑区占所有脑区的体素比例V;然后,计算AAL模板中原有脑区在节点规模N下可细化的子区域个数k,k=VN;然后,对相应脑区设置k个随机种子体素,并依次计算所有剩余体素与种子体素的距离;然后,采用动态随机种子点的设置方法,将当前体素与距离最近的体素组合形成新的子区域,并将新的物理中心设置为新的种子体素;依次循环,直至脑区内所有体素均分割完成;
平均时间序列的提取步骤具体包括:提取AAL模板中每个脑区所包含的所有体素在不同时间点上的BOLD强度,并将各体素在不同时间点上的BOLD强度进行算术平均,由此得到各脑区的平均时间序列。
所述步骤S3中,计算公式具体表示如下:
公式(1)中:rij表示关联矩阵中第i行第j列的元素;n表示时间点个数;xi(t)表示第i个脑区的时间序列;表示第i个脑区的时间序列的平均值;xj(t)表示第j个脑区的时间序列;表示第j个脑区的时间序列的平均值;关联矩阵的维度分别为90×90,256×256,497×497,1003×1003,1501×1501。
所述步骤S4中,二值化处理公式具体表示如下:
公式(2)中:bij表示静息态功能脑网络模型中第i行第j列的元素;rij表示关联矩阵中第i行第j列的元素;τ表示阈值;静息态功能脑网络模型的维度分别为90×90,256×256,497×497,1003×1003,1501×1501。
所述步骤S5中,计算公式具体表示如下:
公式(3)中:ki表示静息态功能脑网络模型中任意一节点i的度;aij表示静息态功能脑网络模型中节点i与节点j之间的连接;
公式(4)中:ei表示静息态功能脑网络模型中任意一节点i的节点效率;dij表示静息态功能脑网络模型中节点i与节点j之间的最短路径长度;
公式(5)中:bi表示静息态功能脑网络模型中任意一节点i的中间中心度;σmn表示从节点m到节点n的最短路径的数量;σmn(i)表示从节点m到节点n经过节点i的最短路径的数量;
公式(6)中:YAUC表示各局部属性值在特定阈值空间内的AUC值;Y(Sk)表示阈值Sk对应的局部属性值;Y(Sk-1)表示阈值Sk-1对应的局部属性值;ΔS表示两个阈值之间的间隔。
所述步骤S6中,分类器的构建步骤具体包括:采用RBF核函数,选择双样本T检验后具有显著组间差异的局部属性的AUC值作为分类特征,由此进行分类器的构建;
检验步骤具体包括:从样本集中随机选择90%的样本作为训练样本,剩余10%的样本作为测试样本,由此进行分类测试并得到分类准确率;将重复进行100次分类测试后得到的分类准确率进行算术平均,然后将算术平均值作为分类器的分类准确率。
所述步骤S7中,量化公式具体表示如下:
公式(7)中:D表示所选特征在分类器中的重要度;S表示所有特征的集合;|S|表示S中特征的个数;xi表示所选特征;c表示样本的类别标签;I(xi,c)表示所选特征与样本的类别标签c的互信息;
公式(8)中:R表示所选特征在分类器中的冗余度;S表示所有特征的集合;|S|表示S中特征的个数;xi表示所选特征;xj表示其它特征;I(xi,xj)表示所选特征与其它特征的互信息;
二次筛选步骤具体包括:分别按照重要度大小和冗余度大小对所选特征进行排名,然后筛选出重要度较大且冗余度较小的特征。
Claims (8)
1.一种基于多尺度脑网络特征的功能磁共振影像数据分类方法,其特征在于:该方法是采用如下步骤实现的:
步骤S1:对静息态功能磁共振影像进行预处理;
步骤S2:根据选定的标准化脑图谱,采用动态随机种子方法对预处理后的静息态功能磁共振影像进行区域分割,分割尺度分别为90,256,497,1003,1501,然后对所分割的各脑区进行平均时间序列的提取;
步骤S3:采用皮尔逊相关方法,计算各脑区的平均时间序列两两间的关联程度,由此得到关联矩阵;
步骤S4:设定阈值,然后根据阈值对关联矩阵进行二值化处理,由此得到静息态功能脑网络模型;
步骤S5:计算静息态功能脑网络模型的局部属性及局部属性在特定阈值空间内的AUC值;所述局部属性包括:静息态功能脑网络模型中各节点的度、节点效率、中间中心度;
步骤S6:采用支持向量机分类算法,选择静息态功能脑网络模型的局部属性作为分类特征,由此进行分类器的构建,然后采用交叉验证方法对构建的分类器进行检验;
步骤S7:采用互信息分析方法,对所选特征在分类器中的重要度和冗余度进行量化,然后根据量化结果对所选特征进行二次筛选,由此对静息态功能脑网络模型进行优化。
2.根据权利要求1所述的基于多尺度脑网络特征的功能磁共振影像数据分类方法,其特征在于:所述步骤S1中,预处理采用SPM软件进行,预处理步骤具体包括:时间层校正、头动校正、联合配准、空间标准化、低频滤波。
3.根据权利要求1所述的基于多尺度脑网络特征的功能磁共振影像数据分类方法,其特征在于:所述步骤S2中,标准化脑图谱采用AAL模板;
区域分割步骤具体包括:首先,计算AAL模板中每个脑区占所有脑区的体素比例V;然后,计算AAL模板中原有脑区在节点规模N下可细化的子区域个数k,k=VN;然后,对相应脑区设置k个随机种子体素,并依次计算所有剩余体素与种子体素的距离;然后,采用动态随机种子点的设置方法,将当前体素与距离最近的体素组合形成新的子区域,并将新的物理中心设置为新的种子体素;依次循环,直至脑区内所有体素均分割完成;
平均时间序列的提取步骤具体包括:提取AAL模板中每个脑区所包含的所有体素在不同时间点上的BOLD强度,并将各体素在不同时间点上的BOLD强度进行算术平均,由此得到各脑区的平均时间序列。
4.根据权利要求1所述的基于多尺度脑网络特征的功能磁共振影像数据分类方法,其特征在于:所述步骤S3中,计算公式具体表示如下:
公式(1)中:rij表示关联矩阵中第i行第j列的元素;n表示时间点个数;xi(t)表示第i个脑区的时间序列;表示第i个脑区的时间序列的平均值;xj(t)表示第j个脑区的时间序列;表示第j个脑区的时间序列的平均值;关联矩阵的维度分别为90×90,256×256,497×497,1003×1003,1501×1501。
5.根据权利要求1所述的基于多尺度脑网络特征的功能磁共振影像数据分类方法,其特征在于:所述步骤S4中,二值化处理公式具体表示如下:
公式(2)中:bij表示静息态功能脑网络模型中第i行第j列的元素;rij表示关联矩阵中第i行第j列的元素;τ表示阈值;静息态功能脑网络模型的维度分别为90×90,256×256,497×497,1003×1003,1501×1501。
6.根据权利要求1所述的基于多尺度脑网络特征的功能磁共振影像数据分类方法,其特征在于:所述步骤S5中,计算公式具体表示如下:
公式(3)中:ki表示静息态功能脑网络模型中任意一节点i的度;aij表示静息态功能脑网络模型中节点i与节点j之间的连接;
公式(4)中:ei表示静息态功能脑网络模型中任意一节点i的节点效率;dij表示静息态功能脑网络模型中节点i与节点j之间的最短路径长度;
公式(5)中:bi表示静息态功能脑网络模型中任意一节点i的中间中心度;σmn表示从节点m到节点n的最短路径的数量;σmn(i)表示从节点m到节点n经过节点i的最短路径的数量;
公式(6)中:YAUC表示各局部属性值在特定阈值空间内的AUC值;Y(Sk)表示阈值Sk对应的局部属性值;Y(Sk-1)表示阈值Sk-1对应的局部属性值;ΔS表示两个阈值之间的间隔。
7.根据权利要求1所述的基于多尺度脑网络特征的功能磁共振影像数据分类方法,其特征在于:所述步骤S6中,分类器的构建步骤具体包括:采用RBF核函数,选择双样本T检验后具有显著组间差异的局部属性的AUC值作为分类特征,由此进行分类器的构建;
检验步骤具体包括:从样本集中随机选择90%的样本作为训练样本,剩余10%的样本作为测试样本,由此进行分类测试并得到分类准确率;将重复进行100次分类测试后得到的分类准确率进行算术平均,然后将算术平均值作为分类器的分类准确率。
8.根据权利要求1所述的基于多尺度脑网络特征的功能磁共振影像数据分类方法,其特征在于:所述步骤S7中,量化公式具体表示如下:
公式(7)中:D表示所选特征在分类器中的重要度;S表示所有特征的集合;|S|表示S中特征的个数;xi表示所选特征;c表示样本的类别标签;I(xi,c)表示所选特征与样本的类别标签c的互信息;
公式(8)中:R表示所选特征在分类器中的冗余度;S表示所有特征的集合;|S|表示S中特征的个数;xi表示所选特征;xj表示其它特征;I(xi,xj)表示所选特征与其它特征的互信息;
二次筛选步骤具体包括:分别按照重要度大小和冗余度大小对所选特征进行排名,然后筛选出重要度较大且冗余度较小的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610687766.0A CN106295709A (zh) | 2016-08-18 | 2016-08-18 | 基于多尺度脑网络特征的功能磁共振影像数据分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610687766.0A CN106295709A (zh) | 2016-08-18 | 2016-08-18 | 基于多尺度脑网络特征的功能磁共振影像数据分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106295709A true CN106295709A (zh) | 2017-01-04 |
Family
ID=57661363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610687766.0A Pending CN106295709A (zh) | 2016-08-18 | 2016-08-18 | 基于多尺度脑网络特征的功能磁共振影像数据分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106295709A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680677A (zh) * | 2017-10-11 | 2018-02-09 | 四川大学 | 基于脑网络分析的神经精神疾病分类方法 |
CN108596236A (zh) * | 2018-04-18 | 2018-09-28 | 东南大学 | 一种基于全局连接特征和测地距离的丘脑核团分区方法 |
CN108765399A (zh) * | 2018-05-23 | 2018-11-06 | 平安科技(深圳)有限公司 | 病变部位识别方法及装置、计算机装置及可读存储介质 |
CN111414579A (zh) * | 2020-02-19 | 2020-07-14 | 深圳市儿童医院 | 基于多角度相关关系获取脑区关联信息的方法和*** |
CN111753947A (zh) * | 2020-06-08 | 2020-10-09 | 深圳大学 | 静息态脑网络构建方法、装置、设备及计算机存储介质 |
CN112418337A (zh) * | 2020-11-27 | 2021-02-26 | 太原理工大学 | 基于脑功能超网络模型的多特征融合数据分类方法 |
CN112515653A (zh) * | 2020-10-09 | 2021-03-19 | 天津大学 | 一种基于核磁共振图像的脑网络构建方法 |
CN112651976A (zh) * | 2020-10-13 | 2021-04-13 | 首都医科大学附属北京天坛医院 | 基于低分辨率核磁数据的病灶区域脑网络确定方法及*** |
CN114862834A (zh) * | 2022-05-31 | 2022-08-05 | 太原理工大学 | 一种静息态功能磁共振影像数据分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110022355A1 (en) * | 2009-07-24 | 2011-01-27 | International Business Machines Corporation | Network Characterization, Feature Extraction and Application to Classification |
CN102855491A (zh) * | 2012-07-26 | 2013-01-02 | 中国科学院自动化研究所 | 一种基于网络中心性的脑功能磁共振图像分类方法 |
CN103886328A (zh) * | 2014-03-19 | 2014-06-25 | 太原理工大学 | 基于脑网络模块结构特征的功能磁共振影像数据分类方法 |
-
2016
- 2016-08-18 CN CN201610687766.0A patent/CN106295709A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110022355A1 (en) * | 2009-07-24 | 2011-01-27 | International Business Machines Corporation | Network Characterization, Feature Extraction and Application to Classification |
CN102855491A (zh) * | 2012-07-26 | 2013-01-02 | 中国科学院自动化研究所 | 一种基于网络中心性的脑功能磁共振图像分类方法 |
CN103886328A (zh) * | 2014-03-19 | 2014-06-25 | 太原理工大学 | 基于脑网络模块结构特征的功能磁共振影像数据分类方法 |
Non-Patent Citations (3)
Title |
---|
曹静: "基于最大相关最小冗余的特征选择算法研究", 《中国硕士学位论文全文数据库》 * |
郭浩: "抑郁症静息态功能脑网络异常拓扑属性分析及分类研究", 《中国博士学位论文全文数据库医药卫生科技辑》 * |
郭浩等: "静息态功能脑网络差异指标分析及抑郁症分类应用", 《计算机应用与软件》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680677A (zh) * | 2017-10-11 | 2018-02-09 | 四川大学 | 基于脑网络分析的神经精神疾病分类方法 |
CN108596236A (zh) * | 2018-04-18 | 2018-09-28 | 东南大学 | 一种基于全局连接特征和测地距离的丘脑核团分区方法 |
CN108765399A (zh) * | 2018-05-23 | 2018-11-06 | 平安科技(深圳)有限公司 | 病变部位识别方法及装置、计算机装置及可读存储介质 |
CN111414579A (zh) * | 2020-02-19 | 2020-07-14 | 深圳市儿童医院 | 基于多角度相关关系获取脑区关联信息的方法和*** |
CN111753947A (zh) * | 2020-06-08 | 2020-10-09 | 深圳大学 | 静息态脑网络构建方法、装置、设备及计算机存储介质 |
CN111753947B (zh) * | 2020-06-08 | 2024-05-03 | 深圳大学 | 静息态脑网络构建方法、装置、设备及计算机存储介质 |
CN112515653A (zh) * | 2020-10-09 | 2021-03-19 | 天津大学 | 一种基于核磁共振图像的脑网络构建方法 |
CN112515653B (zh) * | 2020-10-09 | 2024-03-26 | 天津大学 | 一种基于核磁共振图像的脑网络构建方法 |
CN112651976A (zh) * | 2020-10-13 | 2021-04-13 | 首都医科大学附属北京天坛医院 | 基于低分辨率核磁数据的病灶区域脑网络确定方法及*** |
CN112651976B (zh) * | 2020-10-13 | 2022-07-19 | 首都医科大学附属北京天坛医院 | 基于低分辨率核磁数据的病灶区域脑网络确定方法及*** |
CN112418337A (zh) * | 2020-11-27 | 2021-02-26 | 太原理工大学 | 基于脑功能超网络模型的多特征融合数据分类方法 |
CN114862834A (zh) * | 2022-05-31 | 2022-08-05 | 太原理工大学 | 一种静息态功能磁共振影像数据分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106295709A (zh) | 基于多尺度脑网络特征的功能磁共振影像数据分类方法 | |
CN103886328B (zh) | 基于脑网络模块结构特征的功能磁共振影像数据分类方法 | |
CN106548206B (zh) | 基于最小生成树的多模态磁共振影像数据分类方法 | |
CN102855491A (zh) | 一种基于网络中心性的脑功能磁共振图像分类方法 | |
CN102509123A (zh) | 一种基于复杂网络的脑功能磁共振图像分类方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN109241858A (zh) | 一种基于轨道交通列车的客流密度检测方法及装置 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN105447520A (zh) | 一种基于加权投影对支持向量机的样本分类方法 | |
CN106650818A (zh) | 基于高阶超网络的静息态功能磁共振影像数据分类方法 | |
CN104678288A (zh) | 基于信息熵和小波变换的开关电流电路故障字典获取方法 | |
CN103020653A (zh) | 基于网络分析的结构和功能磁共振图像联合分类方法 | |
CN105631474A (zh) | 基于Jeffries-Matusita距离和类对决策树的高光谱数据多分类方法 | |
CN106294174A (zh) | 测试充分性的多维度度量方法及装置 | |
CN107316306A (zh) | 一种基于马尔可夫模型的合成孔径雷达图像快速分割方法 | |
CN103646012A (zh) | 分块ostm压缩测量矩阵构造方法 | |
CN107622476A (zh) | 基于概率生成模型的图像超分辨处理方法 | |
Zhang et al. | Efficient-receptive field block with group spatial attention mechanism for object detection | |
CN113406437B (zh) | 一种基于辅助分类生成对抗网络的输电线路故障检测方法 | |
CN114298909A (zh) | 一种超分辨网络模型及其应用 | |
CN105787899A (zh) | 一种基于自适应回归的快速图像超分辨方法 | |
CN105488521A (zh) | 一种基于核函数的扩容样本筛选方法 | |
Liu et al. | An Explainable Convolutional Neural Networks for Automatic Segmentation of the Left Ventricle in Cardiac MRI. | |
Li et al. | Training super-resolution network with difficulty-based adaptive sampling | |
Liu et al. | Context-endcoding for neural network based skull stripping in magnetic resonance imaging |
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: 20170104 |