CN111523617B - 基于白质融合特征图和残差注意力网络的癫痫检测*** - Google Patents
基于白质融合特征图和残差注意力网络的癫痫检测*** Download PDFInfo
- Publication number
- CN111523617B CN111523617B CN202010518773.4A CN202010518773A CN111523617B CN 111523617 B CN111523617 B CN 111523617B CN 202010518773 A CN202010518773 A CN 202010518773A CN 111523617 B CN111523617 B CN 111523617B
- Authority
- CN
- China
- Prior art keywords
- white matter
- fusion
- residual
- attention network
- value
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Neurology (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Neurosurgery (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- High Energy & Nuclear Physics (AREA)
- Multimedia (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于白质融合特征图和残差注意力网络的癫痫检测***,包括:数据采集模块,采集待检测人员的扩散磁共振成像数据,并进行数据预处理;特征提取模块,用三种不同的成像方法将预处理后数据转化为大脑的白质纤维图像,提取出白质纤维的连接信息和三种白质纤维特征信息;特征融合模块,根据统计的先验知识,按照三种白质纤维特征信息的显著性大小加权得到白质纤维融合特征信息,再与白质纤维的连接信息共同生成白质融合特征图;特征分类模块,将白质融合特征图送入按照最佳迁移率预训练的残差注意力网络中,残差注意力网络输出检测结果。本发明通过能够在早期及时自动计算待检测人员患有癫痫的概率,提升医生诊断癫痫的效率和准确率。
Description
技术领域
本发明涉及癫痫检测领域,尤其涉及一种基于白质融合特征图和残差注意力网络的癫痫检测***。
背景技术
癫痫是目前世界上最常见的神经***疾病之一,任何年龄段的人群均有可能发病。癫痫疾病会严重影响患者的身体健康,给患者的生活带来极大的不便,同时也带来了许多社会问题。癫痫患者越早进行治疗,就能越好地控制疾病的发展。癫痫辅助检测可以有效提升医生诊断癫痫疾病的效率和准确率,从而让癫痫患者尽早得到治疗。
目前公开的专利大多都是以头皮脑电EEG数据作为癫痫检测特征,如专利号CN110575141A、CN109994203A、CN110292379A等,而癫痫患者往往是先在大脑白质发生结构性病变,再产生异常的EEG信号,另外EEG信号容易受到肌电、眼电等干扰,具有噪声大、稳定性差的特点,所以EEG信号不能作为癫痫检测的早期信号,无法实现早期诊断癫痫疾病的需求。
发明内容
本发明提供了一种基于白质融合特征图和残差注意力网络的癫痫检测***,本发明通过能够在早期及时自动计算待检测人员患有癫痫的概率,提升医生诊断癫痫的效率和准确率,详见下文描述:
一种基于白质融合特征图和残差注意力网络的癫痫检测***,所述***包括:
数据采集模块,采集待检测人员的扩散磁共振成像数据,并进行数据预处理;
特征提取模块,用三种不同的成像将预处理后数据转化为大脑的白质纤维图像,提取出白质纤维的连接信息和三种白质纤维特征信息;
特征融合模块,根据统计的先验知识,按照三种白质纤维特征信息的显著性大小加权得到白质纤维融合特征信息,再与白质纤维的连接信息共同生成白质融合特征图;
特征分类模块,将白质融合特征图送入按照最佳迁移率预训练的残差注意力网络中,残差注意力网络输出检测结果。
其中,所述三种白质纤维特征信息包括:体积分数、神经突方向分散度、神经突密度,后续对该三种白质纤维特征信息进行加权获取到白质纤维融合特征信息。
进一步地,所述扩散磁共振成像数据为3种扩散敏感参数b值,b值为1000s/mm2的数据采集32个梯度方向,b值为5000s/mm2的数据采集64个梯度方向,b值为0s/mm2的数据通过前向到后向、后向到前向的采集方式。
其中,所述按照三种白质纤维特征信息的显著性大小加权得到白质纤维融合特征信息具体为:
其中,x表示白质融合特征的值,a表示神经突方向分散度的值,b表示神经突密度的值,c表示体积分数的值。
进一步地,所述方法将白质纤维的连接信息配准到大脑解剖模板,然后与白质纤维的融合特征,共同生成白质融合特征图。
其中,所述残差注意力网络先在ImageNet数据集上预训练,得到每个卷积层的权重参数,然后从第一次实验从迁移学习第一个卷积层的权重参数开始,每次实验都多迁移学习一个卷积层的权重参数,直到迁移学习所有卷积层的权重参数,即遍历实验不同迁移率的残差注意力网络;
获取最佳分类效果对应的最佳迁移率,选择按照最佳迁移率预训练的残差注意力网络作为癫痫检测***的模型算法。
进一步地,所述残差注意力网络中有权重参数的网络层一共有34层,先通过1个卷积层,然后经过5个结构类似的残差注意力块,再通过2个卷积层和全局平均池化层,最后通过全连接层和Softmax函数输出分类结果和概率。
其中,所述残差注意力块中一共有3个卷积层,第1卷积层的输出不但输入第2卷积层还通过残差连接直接输入第3卷积层,第2卷积层输出的特征图在通道上有注意力机制,特征图的每个通道都乘上相应的权重值,再输入第3卷积层,最后通过1个最大值池化层输入到下一个网络层。
其中,所述注意力机制是先通过全局池化把特征图在每个通道都压缩为1个值,保留原有的通道数目,然后经过3个全连接层,最后再通过Sigmoid函数转化为权重值。
本发明提供的技术方案的有益效果是:
(1)本发明能帮助医生及时在早期对癫痫患者进行诊断;
(2)本发明提出了一种新的癫痫检测特征-白质融合特征图,通过加权融合三种不同的白质特征信息后与白质连接信息共同生成白质融合特征图,从而更好的体现健康人和癫痫患者在大脑白质上的显著差异,白质融合特征图作为一种大脑结构特征,能作为早期诊断癫痫疾病的依据;
(3)本发明提出了一种新的癫痫检测算法-残差注意力网络,设计的34层残差注意力网络比传统的卷积神经网络具有更强的检测能力,残差注意力块中的残差连接可以让神经网络通过增加网络层深度获得更好拟合能力的同时避免出现梯度消失问题,注意力机制可以让神经网络中的特征图的每个通道具有不同的权重值,从而让神经网络有侧重性的关注某些重点通道,进一步提高算法的检测能力;
(4)本发明提出了迁移率的概念,因为ImageNet数据和白质融合特征图数据具有较大的差异,所以需要在本地白质融合特征图数据集中通过遍历实验找到最佳分类效果所对应的迁移率,即确定迁移学习的最佳卷积层数,从而最大程度发挥迁移学习的效果。
附图说明
图1为一种基于白质融合特征图和残差注意力网络的癫痫检测***的原理图;
图2为构建白质融合特征图的原理图;
图3为残差注意力网络的模型结构图;
图4为遍历实验找到最佳迁移率的原理图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
实施例1
一种基于白质融合特征图和残差注意力网络的癫痫检测***,参见图1,该***包括:
数据采集模块,采集待检测人员的扩散磁共振成像数据,并进行数据预处理;
特征提取模块,用三种不同的成像方法将预处理后数据转化为大脑的白质纤维图像,提取出白质纤维的连接信息和三种特征信息;
其中,该三种白质纤维特征信息包括:体积分数、神经突方向分散度、神经突密度,后续对该三种白质纤维特征信息进行加权获取到白质纤维融合特征信息。
特征融合模块,根据统计的先验知识,按照三种白质纤维特征信息的显著性大小加权得到白质纤维融合特征信息,再与白质纤维的连接信息共同生成白质融合特征图;
其中,白质纤维的连接信息与白质纤维融合特征信息为并列关系。
特征分类模块,将白质融合特征图送入按照最佳迁移率预训练的残差注意力网络中,残差注意力网络输出检测结果。
实施例2
下面结合图2-图4对实施例1中的方案进行进一步地介绍,详见下文描述:
一、数据采集模块
在医院用3T的MRI扫描仪获得待检测人员的扩散磁共振成像数据,每名受试者采集3种扩散敏感参数b值(0s/mm2、1000s/mm2、5000s/mm2)的扩散磁共振成像数据,采集参数如下:切片数55个,切片厚度2.3mm,视野220×220mm2,基质尺寸96×96,体素尺寸2.3×2.3×2.3mm3,重复时间8300ms,回声时间100ms。
另外,b值为1000s/mm2的数据采集32个梯度方向,b值为5000s/mm2的数据采集64个梯度方向,b值为0s/mm2的数据通过前向到后向、后向到前向的采集方式。
对上述数据进行预处理,包括四种方法:时间片校准、头部运动校准、空间标准化和空间平滑,其中,时间片校准为校准各层图像扫描时间片不同步时存在的问题;头部运动校准为降低图像扫描过程中受试者因为头部动作导致大脑图像的定位误差;空间标准化为调整受试者大脑形态结构为标准的形态结构;空间平滑为消除受试者大脑形态结构空间标准化之后的细微差异。
该四种处理方法均为本领域技术人员所公知的数据预处理方法,本发明实施例对此不做赘述。
二、特征提取模块
用b值为5000s/mm2的扩散磁共振成像数据通过Q球体成像方法(QBI)提取白质纤维的连接信息,用b值为5000s/mm2的扩散磁共振成像数据通过一般Q采样成像(GQI)提取白质纤维的体积分数;用三种b值为0s/mm2、1000s/mm2、5000s/mm2的扩散磁共振成像数据通过神经突方向分散度和密度成像,提取白质纤维的神经突方向分散度和神经突密度;即一共提取了白质纤维的连接信息和白质纤维三种不同的特征信息,参见图2。
其中,Q球体成像方法是对原始数据估计得到取向分布函数(简称ODF),再得到白质纤维的连接信息;Q采样成像是对原始数据估计得到自旋分数函数(简称SDF),再得到白质纤维的体积分数。
三、特征融合模块
按照数据采集模块的方式获取200名健康人和200名癫痫患者的扩散磁共振成像数据,并通过特征提取模块的方式获取每个人的白质纤维;通过统计学的秩和检验计算200名健康人群体和200名癫痫患者群体的白质纤维的三种特征信息的显著性大小,计算得到神经突方向分散度和神经突密度的显著性差异是3颗星,而体积分数的显著性差异是2颗星,通过加权平均计算白质融合特征的值如下:
其中,公式中的x表示白质融合特征的值,a表示神经突方向分散度的值,b表示神经突密度的值,c表示体积分数的值。
在实际应用中,在统计学中根据显著性检验得到的显著性P值,一般以P<0.05为有统计学差异,记为1颗星;P<0.01为有显著统计学差异,记为2颗星;P<0.001为有极其显著统计学差异,记为3颗星。
进一步地,将白质纤维的连接信息配准到大脑解剖模板(AAL),然后与白质纤维的融合特征,共同生成白质融合特征图。
本地白质融合特征图数据集有400张图片。
四、特征分类模块
定义迁移率的概念:迁移学习卷积层权重参数的层数占模型网络所有卷积层数的百分比。
残差注意力网络先在ImageNet数据集上预训练,得到每个卷积层的权重参数,然后从第一次实验从迁移学习第一个卷积层的权重参数开始,每次实验都多迁移学习一个卷积层的权重参数,直到迁移学习所有卷积层的权重参数,即遍历实验不同迁移率的残差注意力网络。
本地白质融合特征图的数据集的80%重新训练残差注意力网络中没有迁移学习的卷积层和全连接层,然后数据集剩余的20%测试残差注意力网络的检测效果,比较所有实验的结果找到最佳分类效果对应的最佳迁移率,选择按照最佳迁移率预训练的残差注意力网络作为癫痫检测***的模型算法。
残差注意力网络除迁移学习的卷积层剩下的网络层在用本地白质融合特征图重新训练时,优化算法是Adam,损失函数是交叉熵,激活函数是SELU,学习率:0.00001,训练批次大小:32。
其中,残差注意力网络的结构具体为:
残差注意力网络中有权重参数的网络层一共有34层,其整体结构是先通过1个卷积层,然后经过5个结构类似的残差注意力块,再通过2个卷积层和全局平均池化层,最后通过全连接层和Softmax函数输出分类结果和概率。
其中,残差注意力块中一共有3个卷积层,第1卷积层的输出不但输入第2卷积层还通过残差连接直接输入第3卷积层,第2卷积层输出的特征图在通道上有注意力机制,特征图的每个通道都乘上相应的权重值,再输入第3卷积层,最后通过1个最大值池化层输入到下一个网络层。
其中,注意力机制是先通过全局池化把特征图在每个通道都压缩为1个值,保留原有的通道数目,然后经过3个全连接层,最后再通过Sigmoid函数转化为权重值。
其中,卷积层的卷积核大小都是3×3,第一个卷积层的卷积核数目为32,第1残差注意力块中卷积层的卷积核数目为64,第2残差注意力块中的卷积层的卷积核数目为128,第3和第4残差注意力块中的卷积层的卷积核数目为256,第5残差注意力块中的卷积层的卷积核数目为384,最后2个卷积层的卷积核数目为384。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于白质融合特征图和残差注意力网络的癫痫检测***,其特征在于,所述***包括:
数据采集模块,采集待检测人员的扩散磁共振成像数据,并进行数据预处理;
特征提取模块,用三种不同的成像将预处理后数据转化为大脑的白质纤维图像,提取出白质纤维的连接信息和三种白质纤维特征信息;
特征融合模块,根据统计的先验知识,按照三种白质纤维特征信息的显著性大小加权得到白质纤维融合特征信息,再与白质纤维的连接信息共同生成白质融合特征图;
特征分类模块,将白质融合特征图送入按照最佳迁移率预训练的残差注意力网络中,残差注意力网络输出检测结果。
2.根据权利要求1所述的一种基于白质融合特征图和残差注意力网络的癫痫检测***,其特征在于,所述三种白质纤维特征信息包括:体积分数、神经突方向分散度、神经突密度,后续对该三种白质纤维特征信息进行加权获取到白质纤维融合特征信息。
3.根据权利要求1所述的一种基于白质融合特征图和残差注意力网络的癫痫检测***,其特征在于,所述扩散磁共振成像数据为3种扩散敏感参数b值,b值为1000s/mm2的数据采集32个梯度方向,b值为5000s/mm2的数据采集64个梯度方向,b值为0s/mm2的数据通过前向到后向、后向到前向的采集方式。
5.根据权利要求1所述的一种基于白质融合特征图和残差注意力网络的癫痫检测***,其特征在于,所述***将白质纤维的连接信息配准到大脑解剖模板,然后与白质纤维的融合特征,共同生成白质融合特征图。
6.根据权利要求1所述的一种基于白质融合特征图和残差注意力网络的癫痫检测***,其特征在于,
所述残差注意力网络先在ImageNet数据集上预训练,得到每个卷积层的权重参数,然后从第一次实验从迁移学习第一个卷积层的权重参数开始,每次实验都多迁移学习一个卷积层的权重参数,直到迁移学习所有卷积层的权重参数,即遍历实验不同迁移率的残差注意力网络;
获取最佳分类效果对应的最佳迁移率,选择按照最佳迁移率预训练的残差注意力网络作为癫痫检测***的模型算法。
7.根据权利要求1所述的一种基于白质融合特征图和残差注意力网络的癫痫检测***,其特征在于,所述残差注意力网络中有权重参数的网络层一共有34层,先通过1个卷积层,然后经过5个结构类似的残差注意力块,再通过2个卷积层和全局平均池化层,最后通过全连接层和Softmax函数输出分类结果和概率。
8.根据权利要求7所述的一种基于白质融合特征图和残差注意力网络的癫痫检测***,其特征在于,所述残差注意力块中一共有3个卷积层,第1卷积层的输出不但输入第2卷积层还通过残差连接直接输入第3卷积层,第2卷积层输出的特征图在通道上有注意力机制,特征图的每个通道都乘上相应的权重值,再输入第3卷积层,最后通过1个最大值池化层输入到下一个网络层。
9.根据权利要求8所述的一种基于白质融合特征图和残差注意力网络的癫痫检测***,其特征在于,所述注意力机制是先通过全局池化把特征图在每个通道都压缩为1个值,保留原有的通道数目,然后经过3个全连接层,最后再通过Sigmoid函数转化为权重值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010518773.4A CN111523617B (zh) | 2020-06-09 | 2020-06-09 | 基于白质融合特征图和残差注意力网络的癫痫检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010518773.4A CN111523617B (zh) | 2020-06-09 | 2020-06-09 | 基于白质融合特征图和残差注意力网络的癫痫检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523617A CN111523617A (zh) | 2020-08-11 |
CN111523617B true CN111523617B (zh) | 2022-03-29 |
Family
ID=71913023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010518773.4A Active CN111523617B (zh) | 2020-06-09 | 2020-06-09 | 基于白质融合特征图和残差注意力网络的癫痫检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523617B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800928B (zh) * | 2021-01-25 | 2024-04-09 | 北京工业大学 | 融合通道和频谱特征的全局自注意力残差网络的癫痫发作预测方法 |
CN113197545B (zh) * | 2021-04-08 | 2022-10-04 | 山东师范大学 | 基于图注意力残差网络与焦点损失的癫痫检测*** |
CN114926460B (zh) * | 2022-07-19 | 2022-10-25 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 眼底图像分类模型的训练方法、眼底图像分类方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976393A (zh) * | 2016-05-30 | 2016-09-28 | 北京理工大学 | 大脑局灶性病变自动探测方法及装置 |
CN109472263A (zh) * | 2018-10-12 | 2019-03-15 | 东南大学 | 一种结合全局和局部信息的大脑磁共振图像分割方法 |
CN109920550A (zh) * | 2018-12-25 | 2019-06-21 | 天津大学 | 一种基于dMRI研究青少年肌阵挛性癫痫的方法 |
CN110544252A (zh) * | 2019-09-05 | 2019-12-06 | 重庆邮电大学 | 基于多模态磁共振脑影像的帕金森病辅助诊断*** |
US10588561B1 (en) * | 2017-08-24 | 2020-03-17 | University Of South Florida | Noninvasive system and method for mapping epileptic networks and surgical planning |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11344199B2 (en) * | 2010-03-15 | 2022-05-31 | The Medical College Of Wisconsin, Inc. | Systems and methods for detection and prediction of brain disorders based on neural network interaction |
-
2020
- 2020-06-09 CN CN202010518773.4A patent/CN111523617B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976393A (zh) * | 2016-05-30 | 2016-09-28 | 北京理工大学 | 大脑局灶性病变自动探测方法及装置 |
US10588561B1 (en) * | 2017-08-24 | 2020-03-17 | University Of South Florida | Noninvasive system and method for mapping epileptic networks and surgical planning |
CN109472263A (zh) * | 2018-10-12 | 2019-03-15 | 东南大学 | 一种结合全局和局部信息的大脑磁共振图像分割方法 |
CN109920550A (zh) * | 2018-12-25 | 2019-06-21 | 天津大学 | 一种基于dMRI研究青少年肌阵挛性癫痫的方法 |
CN110544252A (zh) * | 2019-09-05 | 2019-12-06 | 重庆邮电大学 | 基于多模态磁共振脑影像的帕金森病辅助诊断*** |
Non-Patent Citations (3)
Title |
---|
Histological and MRI markers ofwhite matter damage in focal epilepsy;Deleo F, Thom M, Concha L, Bernasconi A;《Epilepsy Res.》;20181230;全文 * |
White matter stimulation for the treatment of epilepsy;FadyGirgis,Jonathan P.Miller;《Seizure》;20160430;全文 * |
基于深度学习的脑白质病变区域MRI图像变化检测;张毅辉,秦品乐,曾建潮;《中北大学学报(自然科学版)》;20190909;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111523617A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523617B (zh) | 基于白质融合特征图和残差注意力网络的癫痫检测*** | |
CN110390351B (zh) | 一种基于深度学习的致痫灶三维自动定位*** | |
CN111127441B (zh) | 一种基于图节点嵌入的多模态脑影像抑郁识别方法和*** | |
CN112120694B (zh) | 一种基于神经网络的运动想象脑电信号分类方法 | |
CN110598793B (zh) | 一种大脑功能网络特征分类方法 | |
CN109009102B (zh) | 一种基于脑电图深度学习的辅助诊断方法及*** | |
CN106127769A (zh) | 一种基于脑连接网络的脑龄预测方法 | |
CN110534195B (zh) | 一种基于数据空间变换的阿尔兹海默症检测方法 | |
CN110444277A (zh) | 一种基于多生成多对抗的多模态脑部mri图像双向转换方法 | |
WO2021212715A1 (zh) | 精神***症分类识别方法、运行控制装置及医疗设备 | |
CN111202517A (zh) | 一种睡眠自动分期方法、***、介质及电子设备 | |
CN113768519A (zh) | 基于深度学***的方法 | |
CN115272295A (zh) | 基于时域-空域联合状态的动态脑功能网络分析方法及*** | |
Rathi et al. | Detection and characterization of brain tumor using segmentation based on HSOM, wavelet packet feature spaces and ANN | |
Wang et al. | Deep transfer learning-based multi-modal digital twins for enhancement and diagnostic analysis of brain mri image | |
CN116561518A (zh) | 一种基于脑区权重相关性的脑网络构建方法 | |
CN111227834A (zh) | 静息态脑功能连接的自动化快速可视化方法 | |
CN115984257A (zh) | 一种基于多尺度transformer的多模态医学图像融合方法 | |
CN114723937A (zh) | 一种基于核磁共振影像的血管周围间隙分类方法及*** | |
Xu et al. | A Multi-scale Attention-based Convolutional Network for Identification of Alzheimer's Disease based on Hippocampal Subfields | |
Zhao et al. | Machine learning approaches in comparative studies for Alzheimer’s diagnosis using 2D MRI slices | |
CN109480842B (zh) | 用于诊断功能性消化不良的***及设备 | |
CN111543994B (zh) | 基于白质连接图及并联卷积神经网络的癫痫辅助检测*** | |
CN115251889B (zh) | 一种功能磁共振影像动态连接网络特征描述方法 | |
Vidhya et al. | Advanced Detection of Brain Disease using ML and DL Algorithm |
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 |