CN111738302A - 一种基于多模态数据对阿尔茨海默病进行分类诊断的*** - Google Patents
一种基于多模态数据对阿尔茨海默病进行分类诊断的*** Download PDFInfo
- Publication number
- CN111738302A CN111738302A CN202010465444.8A CN202010465444A CN111738302A CN 111738302 A CN111738302 A CN 111738302A CN 202010465444 A CN202010465444 A CN 202010465444A CN 111738302 A CN111738302 A CN 111738302A
- Authority
- CN
- China
- Prior art keywords
- module
- image data
- data
- probability
- prediction
- 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.)
- Granted
Links
Images
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多模态数据对阿尔茨海默病进行分类诊断的***,包括:图形用户界面模块,用于以图形的方式给用户呈现程序功能调用的接口;3D MRI图像数据预处理模块,用于对患者的3D MRI图像进行预处理,从3D数据中选出2D切片;图像数据分类预测模块,用于对2D切片进行特征提取,并进行分类预测,给出患者三种状态(阿尔茨海默病、轻度认知障碍、正常)的概率;非图像数据分类预测模块,用于对患者的非图像数据进行分类预测,给出患者三种状态的概率;基于概率的集成模块,用于给出一个三种状态概率的最终预测结果。本发明在多模态(图像、非图像)数据情境下对阿尔茨海默病患者进行精准分类预测,辅助医疗工作者进行诊断和治疗。
Description
技术领域
本发明涉及阿尔茨海默病医疗诊断设备的技术领域,尤其是指一种基于多模态数据对阿尔茨海默病进行分类诊断的***。
背景技术
阿尔茨海默病(Alzheimer’s Disease,简称AD)是一种神经退化性疾病,俗称老年痴呆症。轻度认知功能障碍(Mild Cognitive Impairment,简称MCI)是介于正常老化和轻度AD之间的认知缺损状态,但未达到AD的诊断标准。
目前临床诊断早期AD及AD相关性MCI缺乏可靠指标,多数患者确诊时已属AD中晚期,此时治疗疗效不佳。因此对AD及AD相关性MCI患者早期诊断与早期干预尤为重要。
核磁共振成像(Magnetic Resonance Imaging,简称MRI)是广泛用于AD的诊断的神经成像方法。本发明基于深度学习方法分析MCI/AD患者的MRI数据和非图像的体检数据构建分类诊断模型,辅助医生分析病情、诊断。本课题研究成果应用于临床可使AD及AD相关性MCI患者进行早期诊断和干预,为患者家庭及社会减轻巨大负担。
技术基础在于,首先,关于AD的分类研究已有先例,对AD特征的提取为降低数据维度和提升模型准确率也有一定成果,为本项目研究AD与MCI的诊断分类模型提供了依据。
深度学习是机器学习的一个分支。它通过在给定的数据集上训练模型来完成新数据上的特定任务。相对于传统的医学图像识别方法,深度学习能够挖掘到医学图像中潜在的非线性关系,特征提取率更高。根据许多实验数据,深度学习的结果确实比其他方法的结果更准确。近年来,深度学习越来越多地被应用在医学图像识别中,并为进一步的临床应用研究提供了重要的依据。
以基于深度学习的心脏核磁共振影像分析为核心技术的一款心脏核磁共振影像AI分析软件已经获得FDA510(k)与欧洲的CE认证与批准。这表明深度学习的方法在临床预测与分类方面是可行的。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种基于多模态数据对阿尔茨海默病进行分类诊断的***,在多模态(图像、非图像)数据情境下对阿尔茨海默病患者进行分类预测,辅助医疗工作者进行诊断和治疗。
为实现上述目的,本发明所提供的技术方案为:一种基于多模态数据对阿尔茨海默病进行分类诊断的***,包括:
图形用户界面模块,用于以图形的方式给用户呈现程序功能调用的接口,供用户使用;
3D MRI图像数据预处理模块,用于对患者的3D MRI图像进行预处理,从3D数据中选出2D切片,以供后续图像数据分类预测模块进行处理;
图像数据分类预测模块,用于对经过3D MRI图像数据预处理模块后得到的2D切片进行特征提取,通过提取的特征进行分类预测,给出患者三种状态的概率,三种状态分别为阿尔茨海默病AD、轻度认知障碍MCI、正常NC;
非图像数据分类预测模块,用于对患者的非图像数据进行分类预测,给出患者上述三种状态的概率;其中,所述非图像数据包括问卷、体检指标;
基于概率的集成模块,用于对上述两个分类预测模块给出的三种状态的概率进行集成,给出一个三种状态概率的最终预测结果。
进一步,所述图形用户界面模块包括预训练模型选择模块、数据集选择模块、模型训练参数设置模块、已训练模型选择模块,其中:
所述预训练模型选择模块从设备中选择预训练模型权重,然后对所拥有的数据进行模型权重调整训练;
所述数据集选择模块从设备中选择特定的数据集以供模型权重调整训练;
所述模型训练参数设置模块用于对模型权重调整训练时的参数进行设置,参数包括批大小、训练轮数;
所述已训练模型选择模块从设备中选择已进行权重调整训练后的模型,对待预测的数据进行分类预测。
进一步,所述3D MRI图像数据预处理模块包括3D MRI图像数据读取模块、2D切片熵计算模块、基于熵值的切片选择模块,其中:
所述3D MRI图像数据读取模块让程序从设备中读取.nii后缀格式的3D MRI文件;
所述基于熵值的切片选择模块根据每个切片的熵值进行排序,在信息论中熵值能够反映***的信息量,熵值越大蕴含的信息量就大,因此,所述切片选择模块最终选择熵值最大的若干张切片,默认为32张,用户能够自行设置张数。
进一步,所述图像数据分类预测模块包括神经网络特征提取模块、特征分类模块,其中:
所述神经网络特征提取模块从2D图像数据进行特征提取,以供特征分类模块进行分类,所述神经网络特征提取模块会使用多种不同的卷积神经网络模型进行特征提取,有DenseNet、Inception V4、VGG 16;
所述特征分类模块接收神经网络提取的特征,利用全连接神经网络和Softmax函数进行三种状态的概率计算。
进一步,所述非图像数据分类预测模块包括数据清洗模块、分类模块,其中:
所述数据清洗模块用于对非图像数据进行清洗,去除或根据统计数据补全字段缺失的数据;
所述分类模块用于对非图像数据进行分类,使用XGBoost工具进行三种状态的概率计算。
进一步,所述基于概率的集成模块接收图像数据分类预测模块和非图像数据分类预测模块给出的结果,基于它们的预测概率进行归一化后,分别根据它们在训练时达到的准确率进行加权求和,给出最终的预测结果;其中,归一化并加权求和的方法如下:
归一化:对于每个分类预测模块给出来的三类概率预测值向量p1、p2、p3,选出其中的最大值pmax,把每个概率都除以该最大值,这步操作会在每个分类预测模块所给出的概率预测进行;
加权求和:多个三类概率预测值向量归一化后,乘以对应分类预测模块在训练过程中的准确率,然后进行向量相加;
所有向量相加后得到一个最终的向量p1、p2、p3,该向量的每个元素都除以(p1+p2+p3),就得到最终的概率预测。
本发明与现有技术相比,具有如下优点与有益效果:
1、使用多模态数据进行分类预测,单一模态的数据可能比较片面,不同模态的数据可以达到知识互补的效果。
2、多个分类预测模块给出的预测值使用基于概率的方法进行集成,且会考虑对应模型训练过程中的准确率作为权重,与目前大多数集成方法都是简单的“少数服从多数”式的投票完全不一样。
总之,本发明***利用图像数据和非图象数据抽取信息进行分类,不同模态数据一起使用可以达到知识互补的优点。对于3D的MRI图像,本发明不直接使用神经网络进行处理,而是先通过计算熵值选取信息量最大的部分切片,然后使用神经网络处理。此外,对于多个分类器给出的预测结果,本发明不使用简单的“少数服从多数”的投票方式,而是使用基于概率的方式进行投票,把更高的权重赋予信心更强的模型,达到提高预测自信度的目的。
附图说明
图1为基于本发明***的数据路径流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本实施例所提供的基于多模态数据对阿尔茨海默病进行分类诊断的***,是使用Python语言开发的在安装Windows***或Linux***的设备上运行的阿尔茨海默病分类诊断***,它包括:
图形用户界面模块,用于以图形的方式给用户呈现程序功能调用的接口,让无编程基础的用户使用起来更简单,为用户提供方便。
3D MRI图像数据预处理模块,用于对患者的3D MRI图像进行预处理,从3D数据中选出2D切片,以供后续图像数据分类预测模块进行处理。
图像数据分类预测模块,用于对经过3D MRI图像数据预处理模块后得到的2D切片进行特征提取,通过提取的特征进行分类预测,给出患者三种状态的概率,三种状态分别为阿尔茨海默病(AD)、轻度认知障碍(MCI)、正常(NC)。
非图像数据分类预测模块,用于对患者的非图像数据(问卷、体检指标)进行分类预测,给出患者上三种状态的概率。
基于概率的集成模块,用于对上述两个分类预测模块给出的三种状态的概率进行集成,给出一个三种状态概率的最终预测结果。
所述图形用户界面模块包括预训练模型选择模块、数据集选择模块、模型训练参数设置模块、已训练模型选择模块,其中:
所述预训练模型选择模块从设备中选择预训练模型权重,然后可对所拥有的数据进行模型权重调整训练;
所述数据集选择模块从设备中选择特定的数据集以供模型权重调整训练;
所述模型训练参数设置模块用于对模型权重调整训练时的参数(如批大小、训练轮数)进行设置;
所述已训练模型选择模块从设备中选择已进行权重调整训练后的模型,对待预测的数据进行分类预测。
所述3D MRI图像数据预处理模块包括3D MRI图像数据读取模块、2D切片熵计算模块、基于熵值的切片选择模块,其中:
所述3D MRI图像数据读取模块让程序从设备中读取.nii后缀格式的3D MRI文件;
所述基于熵值的切片选择模块根据每个切片的熵值进行排序,在信息论中熵值可反映***的信息量,熵值越大蕴含的信息量就大,因此本模块最终选择熵值最大的若干张切片(默认为32张,用户可以自行设置张数)。
所述图像数据分类预测模块包括神经网络特征提取模块、特征分类模块,其中:
所述神经网络特征提取模块从2D图像数据进行特征提取,以供特征分类模块进行分类,本模块会使用多种不同的卷积神经网络模型进行特征提取,备选的卷积神经网络模型都是在计算机视觉领域被广泛使用的性能优良的模型,如DenseNet、Inception V4、VGG16等;
特征分类模块接收神经网络提取的特征,利用全连接神经网络和Softmax函数进行三种状态的概率计算。
所述非图像数据分类预测模块包括数据清洗模块、分类模块,其中:
所述数据清洗模块用于对非图像数据进行清洗,去除或根据统计数据补全字段缺失的数据;
所述分类模块用于对非图像数据进行分类,使用XGBoost工具进行三种状态的概率计算。
所述基于概率的集成模块接收图像数据分类预测模块和非图像数据分类预测模块给出的结果,基于它们的预测概率进行归一化后,分别根据它们在训练时达到的准确率进行加权求和,给出最终的预测结果;其中,归一化并加权求和的方法如下:
归一化:对于每个分类预测模块给出来的三类概率预测值p1、p2、p3(向量),选出其中的最大值pmax,把每个概率都除以该最大值,这步操作会在每个分类预测模块所给出的概率预测进行;
加权求和:多个三类概率预测值向量归一化后,乘以对应分类预测模块在训练过程中的准确率,然后进行向量相加;
所有向量相加后得到一个最终的向量p1、p2、p3,该向量的每个元素都除以(p1+p2+p3),就得到最终的概率预测。
下面为本实施例上述***的具体操作过程,如图1所示,其流程如下:
用户在使用程序的时候,打开图形用户界面模块的程序,就能看到图形用户界面。用户可以在图形用户界面的预训练模型选择模块选择一个预训练的模型,并在模型训练参数设置模块设置自定义的参数,然后在数据集选择模块选择需要用于训练的数据集,即可开始模型的训练。
模型训练过程中,3D MRI图像数据预处理模块会从用户选择的数据集目录中取出.nii格式的3D MRI图像数据,然后传递给2D切片熵计算模块;2D切片熵计算模块会根据公式计算3D数据里的每一个2D切片的熵值,计算完成后根据熵值进行排序,基于熵值的切片选择模块就会选择熵最大的若干张切片(默认32张,用户可自定义数量)。
当切片选择模块选出了切片之后,就会把切片存下来,供后面的图像数据分类预测模块进行训练。图像数据分类预测模块会从切片选择模块存下来的切片中读取2D切片并进行训练,即更新用户在图形用户界面中选择的预训练模型里面的参数,让模型能更好地分辨MRI 2D切片数据。在训练过程中,读取的2D切片会传给神经网络特征提取模块。经过DenseNet、Inception V4、VGG16等卷积神经网络的特征提取过程之后,提取出的特征传给特征分类模块。特征分类模块利用全连接神经网络和Softmax函数对提取到的特征进行三种状态的分类概率计算。得到的三种状态的概率取最高的那个状态与原本的标签进行比较,若不正确就计算梯度更新模型参数。
在图形用户界面,用户除了能选择预训练模型和图像数据集目录进行训练,用户还能选择XGBoost工具和非图像数据集进行模型训练。用户选择好模型和非图象数据集后,数据清洗模块首先会去除字段欠缺的数据,然后分类模块会把处理后的数据用以训练。
等待图像数据分类的模型和非图像数据分类的模型都训练好之后,用户就能够输入未知数据进行预测了。当用户拥有患者的MRI图像数据和体检指标等非图像数据时,图像数据经过3D MRI图像数据预处理模块、图像数据分类预测模块后可得到多个三元组,即不同图像数据分类预测模块给出的三种状态的概率预测值;非图像数据经过非图像的分类预测模块后也能得到一个三元组,即三种状态的概率预测值。前面得到的多个三元组,传递给基于概率的集成模块进行处理。最后,用户就能够把程序最终的概率预测当作参考指标进行诊断。至此,本***就完成了一个辅助诊断的任务。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (6)
1.一种基于多模态数据对阿尔茨海默病进行分类诊断的***,其特征在于,包括:
图形用户界面模块,用于以图形的方式给用户呈现程序功能调用的接口,供用户使用;
3D MRI图像数据预处理模块,用于对患者的3D MRI图像进行预处理,从3D数据中选出2D切片,以供后续图像数据分类预测模块进行处理;
图像数据分类预测模块,用于对经过3D MRI图像数据预处理模块后得到的2D切片进行特征提取,通过提取的特征进行分类预测,给出患者三种状态的概率,三种状态分别为阿尔茨海默病AD、轻度认知障碍MCI、正常NC;
非图像数据分类预测模块,用于对患者的非图像数据进行分类预测,给出患者上述三种状态的概率;其中,所述非图像数据包括问卷、体检指标;
基于概率的集成模块,用于对上述两个分类预测模块给出的三种状态的概率进行集成,给出一个三种状态概率的最终预测结果。
2.根据权利要求1所述的一种基于多模态数据对阿尔茨海默病进行分类诊断的***,其特征在于:所述图形用户界面模块包括预训练模型选择模块、数据集选择模块、模型训练参数设置模块、已训练模型选择模块,其中:
所述预训练模型选择模块从设备中选择预训练模型权重,然后对所拥有的数据进行模型权重调整训练;
所述数据集选择模块从设备中选择特定的数据集以供模型权重调整训练;
所述模型训练参数设置模块用于对模型权重调整训练时的参数进行设置,参数包括批大小、训练轮数;
所述已训练模型选择模块从设备中选择已进行权重调整训练后的模型,对待预测的数据进行分类预测。
3.根据权利要求1所述的一种基于多模态数据对阿尔茨海默病进行分类诊断的***,其特征在于:所述3D MRI图像数据预处理模块包括3D MRI图像数据读取模块、2D切片熵计算模块、基于熵值的切片选择模块,其中:
所述3D MRI图像数据读取模块让程序从设备中读取.nii后缀格式的3D MRI文件;
所述基于熵值的切片选择模块根据每个切片的熵值进行排序,在信息论中熵值能够反映***的信息量,熵值越大蕴含的信息量就大,因此,所述切片选择模块最终选择熵值最大的若干张切片,默认为32张,用户能够自行设置张数。
4.根据权利要求1所述的一种基于多模态数据对阿尔茨海默病进行分类诊断的***,其特征在于:所述图像数据分类预测模块包括神经网络特征提取模块、特征分类模块,其中:
所述神经网络特征提取模块从2D图像数据进行特征提取,以供特征分类模块进行分类,所述神经网络特征提取模块会使用多种不同的卷积神经网络模型进行特征提取,有DenseNet、Inception V4、VGG 16;
所述特征分类模块接收神经网络提取的特征,利用全连接神经网络和Softmax函数进行三种状态的概率计算。
5.根据权利要求1所述的一种基于多模态数据对阿尔茨海默病进行分类诊断的***,其特征在于:所述非图像数据分类预测模块包括数据清洗模块、分类模块,其中:
所述数据清洗模块用于对非图像数据进行清洗,去除或根据统计数据补全字段缺失的数据;
所述分类模块用于对非图像数据进行分类,使用XGBoost工具进行三种状态的概率计算。
6.根据权利要求1所述的一种基于多模态数据对阿尔茨海默病进行分类诊断的***,其特征在于:所述基于概率的集成模块接收图像数据分类预测模块和非图像数据分类预测模块给出的结果,基于它们的预测概率进行归一化后,分别根据它们在训练时达到的准确率进行加权求和,给出最终的预测结果;其中,归一化并加权求和的方法如下:
归一化:对于每个分类预测模块给出来的三类概率预测值向量p1、p2、p3,选出其中的最大值pmax,把每个概率都除以该最大值,这步操作会在每个分类预测模块所给出的概率预测进行;
加权求和:多个三类概率预测值向量归一化后,乘以对应分类预测模块在训练过程中的准确率,然后进行向量相加;
所有向量相加后得到一个最终的向量p1、p2、p3,该向量的每个元素都除以(p1+p2+p3),就得到最终的概率预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010465444.8A CN111738302B (zh) | 2020-05-28 | 2020-05-28 | 一种基于多模态数据对阿尔茨海默病进行分类诊断的*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010465444.8A CN111738302B (zh) | 2020-05-28 | 2020-05-28 | 一种基于多模态数据对阿尔茨海默病进行分类诊断的*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738302A true CN111738302A (zh) | 2020-10-02 |
CN111738302B CN111738302B (zh) | 2023-06-20 |
Family
ID=72646475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010465444.8A Active CN111738302B (zh) | 2020-05-28 | 2020-05-28 | 一种基于多模态数据对阿尔茨海默病进行分类诊断的*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738302B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205111A (zh) * | 2021-04-07 | 2021-08-03 | 零氪智慧医疗科技(天津)有限公司 | 适用于肝脏肿瘤的识别方法、装置及电子设备 |
CN113538333A (zh) * | 2021-06-08 | 2021-10-22 | 中南民族大学 | 基于脑部块特征加权表达的阿尔茨海默症诊断方法 |
CN113763343A (zh) * | 2021-08-31 | 2021-12-07 | 同济大学 | 基于深度学习的阿兹海默症检测方法及计算机可读介质 |
CN114170162A (zh) * | 2021-11-25 | 2022-03-11 | 深圳先进技术研究院 | 一种图像预测方法、图像预测装置以及计算机存储介质 |
CN116417135A (zh) * | 2023-02-17 | 2023-07-11 | 中国人民解放军总医院第二医学中心 | 基于脑影像预测早期阿尔茨海默症类型的处理方法和装置 |
TWI811097B (zh) * | 2021-09-09 | 2023-08-01 | 南韓商智聰醫治股份有限公司 | 用於確定用戶癡呆程度的方法及裝置 |
CN116843377A (zh) * | 2023-07-25 | 2023-10-03 | 河北鑫考科技股份有限公司 | 基于大数据的消费行为预测方法、装置、设备及介质 |
CN117496133A (zh) * | 2024-01-03 | 2024-02-02 | 山东工商学院 | 基于多模态数据的封闭母线r-cnn温度故障监测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070253625A1 (en) * | 2006-04-28 | 2007-11-01 | Bbnt Solutions Llc | Method for building robust algorithms that classify objects using high-resolution radar signals |
US20150141491A1 (en) * | 2012-07-11 | 2015-05-21 | The University Of Birmingham | Therapeutic Targets for Alzheimer's Disease |
CN107067395A (zh) * | 2017-04-26 | 2017-08-18 | 中国人民解放军总医院 | 一种基于卷积神经网络的核磁共振图像处理装置与方法 |
CN107944473A (zh) * | 2017-11-06 | 2018-04-20 | 南京邮电大学 | 一种基于多分类器主客观融合的生理信号情感识别方法 |
CN108257673A (zh) * | 2018-01-12 | 2018-07-06 | 南通大学 | 患病风险值预测方法及电子设备 |
CN109165692A (zh) * | 2018-09-06 | 2019-01-08 | 中国矿业大学 | 一种基于弱监督学习的用户性格预测装置及方法 |
CN109508653A (zh) * | 2018-10-26 | 2019-03-22 | 南京邮电大学 | 一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法 |
CN109589092A (zh) * | 2018-10-08 | 2019-04-09 | 广州市本真网络科技有限公司 | 基于集成学习的阿尔茨海默症确定方法及*** |
WO2019169816A1 (zh) * | 2018-03-09 | 2019-09-12 | 中山大学 | 一种用于精细化识别车辆属性的深度神经网络及训练方法 |
CN110236543A (zh) * | 2019-05-23 | 2019-09-17 | 东华大学 | 基于深度学习的阿尔茨海默病多分类诊断*** |
-
2020
- 2020-05-28 CN CN202010465444.8A patent/CN111738302B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070253625A1 (en) * | 2006-04-28 | 2007-11-01 | Bbnt Solutions Llc | Method for building robust algorithms that classify objects using high-resolution radar signals |
US20150141491A1 (en) * | 2012-07-11 | 2015-05-21 | The University Of Birmingham | Therapeutic Targets for Alzheimer's Disease |
CN107067395A (zh) * | 2017-04-26 | 2017-08-18 | 中国人民解放军总医院 | 一种基于卷积神经网络的核磁共振图像处理装置与方法 |
CN107944473A (zh) * | 2017-11-06 | 2018-04-20 | 南京邮电大学 | 一种基于多分类器主客观融合的生理信号情感识别方法 |
CN108257673A (zh) * | 2018-01-12 | 2018-07-06 | 南通大学 | 患病风险值预测方法及电子设备 |
WO2019169816A1 (zh) * | 2018-03-09 | 2019-09-12 | 中山大学 | 一种用于精细化识别车辆属性的深度神经网络及训练方法 |
CN109165692A (zh) * | 2018-09-06 | 2019-01-08 | 中国矿业大学 | 一种基于弱监督学习的用户性格预测装置及方法 |
CN109589092A (zh) * | 2018-10-08 | 2019-04-09 | 广州市本真网络科技有限公司 | 基于集成学习的阿尔茨海默症确定方法及*** |
CN109508653A (zh) * | 2018-10-26 | 2019-03-22 | 南京邮电大学 | 一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法 |
CN110236543A (zh) * | 2019-05-23 | 2019-09-17 | 东华大学 | 基于深度学习的阿尔茨海默病多分类诊断*** |
Non-Patent Citations (2)
Title |
---|
RACHNA JAIN 等: "Convolutional neural network based Alzheimer’s disease classification from magnetic resonance brain images" * |
吴庆园: "动脉硬化评价方法及其风险因素干预研究", 《CNKI硕士学位论文 医药卫生科技》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205111A (zh) * | 2021-04-07 | 2021-08-03 | 零氪智慧医疗科技(天津)有限公司 | 适用于肝脏肿瘤的识别方法、装置及电子设备 |
CN113538333A (zh) * | 2021-06-08 | 2021-10-22 | 中南民族大学 | 基于脑部块特征加权表达的阿尔茨海默症诊断方法 |
CN113538333B (zh) * | 2021-06-08 | 2022-06-17 | 中南民族大学 | 基于脑部块特征加权表达的阿尔茨海默症诊断方法 |
CN113763343A (zh) * | 2021-08-31 | 2021-12-07 | 同济大学 | 基于深度学习的阿兹海默症检测方法及计算机可读介质 |
CN113763343B (zh) * | 2021-08-31 | 2024-03-29 | 同济大学 | 基于深度学习的阿兹海默症检测方法及计算机可读介质 |
TWI811097B (zh) * | 2021-09-09 | 2023-08-01 | 南韓商智聰醫治股份有限公司 | 用於確定用戶癡呆程度的方法及裝置 |
CN114170162A (zh) * | 2021-11-25 | 2022-03-11 | 深圳先进技术研究院 | 一种图像预测方法、图像预测装置以及计算机存储介质 |
CN116417135A (zh) * | 2023-02-17 | 2023-07-11 | 中国人民解放军总医院第二医学中心 | 基于脑影像预测早期阿尔茨海默症类型的处理方法和装置 |
CN116417135B (zh) * | 2023-02-17 | 2024-03-08 | 中国人民解放军总医院第二医学中心 | 基于脑影像预测早期阿尔茨海默症类型的处理方法和装置 |
CN116843377A (zh) * | 2023-07-25 | 2023-10-03 | 河北鑫考科技股份有限公司 | 基于大数据的消费行为预测方法、装置、设备及介质 |
CN117496133A (zh) * | 2024-01-03 | 2024-02-02 | 山东工商学院 | 基于多模态数据的封闭母线r-cnn温度故障监测方法 |
CN117496133B (zh) * | 2024-01-03 | 2024-03-22 | 山东工商学院 | 基于多模态数据的封闭母线r-cnn温度故障监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111738302B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738302A (zh) | 一种基于多模态数据对阿尔茨海默病进行分类诊断的*** | |
CN109886273B (zh) | 一种cmr图像分割分类*** | |
CN112418329B (zh) | 一种基于多尺度纹理特征融合宫颈oct图像分类方法及*** | |
CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其*** | |
CN111009321A (zh) | 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 | |
CN111488914A (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测*** | |
CN113314205A (zh) | 一种高效的医学影像标注与学习*** | |
CN114549469A (zh) | 一种基于置信度校准的深层神经网络医疗图像诊断方法 | |
Ebrahim et al. | Alzheimer disease early detection using convolutional neural networks | |
CN117218453B (zh) | 一种不完备多模态医学影像学习方法 | |
CN114881105A (zh) | 基于transformer模型和对比学习的睡眠分期方法及*** | |
CN111540467A (zh) | 精神***症分类识别方法、运行控制装置及医疗设备 | |
CN113786185B (zh) | 一种基于卷积神经网络的静态脑网络特征提取方法和*** | |
CN112990270B (zh) | 一种传统特征与深度特征的自动融合方法 | |
CN107590806B (zh) | 一种基于大脑医学成像的检测方法和*** | |
CN117338234A (zh) | 一种屈光度与视力联合检测方法 | |
CN112837276A (zh) | 一种基于级联深度神经网络模型的脑胶质瘤分割方法 | |
CN117012370A (zh) | 多模态疾病辅助推理***、方法、终端及存储介质 | |
CN116564539A (zh) | 基于信息抽取和实体归一的医学相似病例推荐方法和*** | |
Tobias et al. | Android Application for Chest X-ray Health Classification From a CNN Deep Learning TensorFlow Model | |
Nisha et al. | SGD-DABiLSTM based MRI Segmentation for Alzheimer’s disease Detection | |
CN114983341A (zh) | 基于多模态特征融合的阿尔茨海默病多分类预测*** | |
CN117765322B (zh) | 一种基于多模态数据可解释深度学习的分类*** | |
CN110543894A (zh) | 一种医学影像处理方法 | |
CN114445643B (zh) | 一种基于显著稀疏强关联的fmri脑功能连接数据特征提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |