CN113781461A - 一种病人智能监控排序方法 - Google Patents
一种病人智能监控排序方法 Download PDFInfo
- Publication number
- CN113781461A CN113781461A CN202111089390.0A CN202111089390A CN113781461A CN 113781461 A CN113781461 A CN 113781461A CN 202111089390 A CN202111089390 A CN 202111089390A CN 113781461 A CN113781461 A CN 113781461A
- Authority
- CN
- China
- Prior art keywords
- network
- image
- constructing
- artifact
- identification
- 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
- 238000012163 sequencing technique Methods 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000003384 imaging method Methods 0.000 claims abstract description 34
- 238000005516 engineering process Methods 0.000 claims abstract description 28
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000013526 transfer learning Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000002591 computed tomography Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 32
- 210000000056 organ Anatomy 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 16
- 210000004204 blood vessel Anatomy 0.000 claims description 14
- 238000013508 migration Methods 0.000 claims description 11
- 230000005012 migration Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 230000003042 antagnostic effect Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000002547 anomalous effect Effects 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000011551 log transformation method Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000002792 vascular Effects 0.000 claims description 3
- 208000019553 vascular disease Diseases 0.000 claims description 3
- 230000002526 effect on cardiovascular system Effects 0.000 abstract description 10
- 208000024172 Cardiovascular disease Diseases 0.000 abstract description 7
- 230000001154 acute effect Effects 0.000 abstract description 6
- 230000010412 perfusion Effects 0.000 description 12
- 238000011158 quantitative evaluation Methods 0.000 description 8
- 238000013170 computed tomography imaging Methods 0.000 description 7
- 230000002107 myocardial effect Effects 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000003788 cerebral perfusion Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 208000004652 Cardiovascular Abnormalities Diseases 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/404—Angiography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/421—Filtered back projection [FBP]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种病人智能监控排序方法，包括S1、基于深度识别模型对CT扫描协议进行自适应优化；S2、基于对抗技术对CT伪影进行辨识与自动校正；S3、基于增量学习技术进行CT定量成像；S4、基于迁移学习技术对CT影像进行智能分析；S5、对CT影像进行辅助决策。本发明构建了一种面向急诊病人智能监控排序的策略网络，网络架构可以基于多种深度卷积网络技术，比如高维卷积神经网络，目的是筛选心血管急重病人CT投影数据；高维卷积神经网络最终确定图像是否包含急性心血管疾病，从而使图像按照“急重优先”顺序而非原本采集的顺序进行诊断，优化有限的医院的医疗资源，达到快速诊断和治疗“急重优先”的病人。
Description
技术领域
本发明涉及排序领域，尤其涉及一种病人智能监控排序方法。
背景技术
随着我国医疗水平的不断提高，在CT设备日益普及的今天，CT产品自市场化以来，一直保持着技术创新的传统，不断开发新一代产品以便开拓临床应用的新领域，产品的更新换代使原有产品发生了质的变化，具有新的功能，能满足顾客新的需要，在创造新的顾客使用功能价值的同时，也使企业保持了足够的利润。近五年来，AI技术在数据、算法和计算能力等方面日趋成熟，屡获突破，已开始真正解决实际问题，切实创造经济效果。作为大数据分布的显著代表，医疗行业有望成为应用前景最为广阔行业之一，因此其具有巨大的商业化潜力。
因此通过人工智能技术与大规模医学CT数据的融合解决传统医疗资源不均衡的矛盾尤为必要。为此，我们推出了一种病人智能监控排序方法。
发明内容
鉴于上述问题，本发明的目的在于提供一种病人智能监控排序方法，包括：
S1、基于深度识别模型对CT扫描协议进行自适应优化；
S2、基于对抗技术对CT伪影进行辨识与自动校正；
S3、基于增量学习技术进行CT定量成像；
S4、基于迁移学习技术对CT影像进行智能分析；
S5、对CT影像进行辅助决策。
优选地，所述S1包括：
S11、构建脏器区域解剖特征辨识网络；
S12、构建CT个性化扫描协议任务导向网络。
优选地，所述S11包括：
S1101、构建三维定位像成像子网络：
包括噪声估计块，伪影估计块和图像滤波块的深度残差学习子网络，其中噪声估计块、伪影估计块和图像滤波块分别通过残差学习网络、多尺度小波和卷积神经网络进行处理；
基于多尺度小波变换的处理流程进行伪影估计，通过迭代的方法进一步提高微剂量图像的图像质量，最终获得三维定位像；
S1102、构建脏器区域辨识子网络：
基于深度残差学习网络输出的恢复后的微剂量三维定位图像作为辨识网络的输入；
其中脏器区域辨识网络包含编码过程和解码过程；
其中编码过程采用残差块的结构，解码过程采用全卷积网络；训练集被定义为X，其中Xi为第i幅输入图像，Yi为第i幅输入图像的标签，其中I定义为不同的重建目标区域；同时定义
为第i幅输入图像的第k个像素的概率；
为图像水平预测的概率图，则可以通过像素水平的所有计算得到，其代价函数为：
三维定位像成像子网络和脏器区域辨识子网络通过级联得到最终的脏器区域解剖特征辨辨识网络，L表示代价函数，r表示控制参数。
优选地，所述S12包括：
S1201、构建深度识别网络，所构建的深度识别模型是基于双向深度递归网络；
S1202、利用由脏器区域解剖特征辨识网络中获得的三维定位像和目标脏器区域，作为高维图像特征提取网络的输入，提取出三维定位像和目标脏器区域的形态学特征
纹理特征
S1203、个性化扫描参数估计，基于任务驱动，病人驱动的多目标优化，
其中，所述S1203中个性化扫描参数估计的优化过程通过一个目标方程求解
优选地，所述S2包括：
S21、构建CT伪影自动辨识的对抗主动学习网络；
S22、构建CT伪影自动校正的对抗学习网络；
所述S21包括：
基于主动学习和对抗学习理论技术进行网络研究设计；主动学习网络能辅助数据中伪影标注，主动学习网络A＝(C，Q,S,L,U)，C为机器学习模型，用于CT伪影辨别和标识；Q为查询函数，采用基于委员会选择算法作为查询策略，用于从未标注样本池U中筛选含大信息量的数据；S为监督者，选择样本U中正确的标签，然后利用获得的新知识来训练分类器和下一轮查询；
所述S22包括：
S2201、构建伪影辨识类型索引的伪影自动校正对抗学习网络，辨识伪影类型：
S2202、根据伪影辨识结果，对每类伪影进行标注索引；
S2203、针对不同伪影，采用不同的对抗网络进行自动校正；
S2204、根据伪影辨识网络中辨识结果及范围，采用特征提取方法，对弦图中伪影部分进行特征分析和提取，对于不同特征构建特定的损失函数，以实现基于伪影结构特征差异的伪影自动校正；
S2205、对于符合预设条件的伪影，依据辨识结果，对CT投影数据进行多尺度方向场处理，提取投影数据中伪影部分多尺度方向数据信息，并根据多尺度方向数据信息设置对抗网络代价函数，获得伪影校正后的投影数据。
优选地，所述S3包括：
S31、构建CT定量成像半监督增量学习网络；构建低剂量CT定量成像监督学习网络：
低剂量CT定量成像监督学习网络包含全连接滤波层、正弦反投影层以及残差卷积神经网络，其中全连接滤波层基于滤波反投影算法滤波核进行优化设计，正弦反投影层对应于滤波反投影算法中的反投影算子，残差卷积神经网络用于进一步优化重建结果，该网络代价函数设计为2范数均方根误差，记为：
其中
为CT重建网络的最终预测图像，xH ref为目标CT图像，N为训练样本数，Θ为需要学习的参数；
S32、构建半监督增量学习网络：将外源获取的含噪CT投影数据通过多种形变场后输入预先训练好的FBP net，对CT图像结果进行自适应加权融合，得到融合后的高质量CT目标图像，对进行FBP net参数再次深度优化，获得半监督定量成像模型；
S33、构建CT定量成像无监督增量学习网络；基于Log变换前含噪CT投影数据统计特性以及CT投影数据高阶导数稀疏性设计CT定量成像无监督增量学习网络；基于最大后验概率框架构建深度学习网络中的目标函数，其包含基于似然函数的数据保真项以及基于分段线性的先验信息项，该目标函数能够更加准确地描述CT投影数据，且能沿着梯度方向进行训练优化，其表达式为:
其中，C1表示含噪CT投影训练数据集，yi为第i个含噪CT投影训练数据，N表示数据集个数，G表示满足复合泊松统计特性的X射线光子数，I代表探测器接收的光子数，Ii代表第i个探测器接收的光子数，Gi代表Ii的近似中间值，Gj！表示第j个投影下G的乘值，I0j表示第j个投影下的入射光子数，ε代表电子噪声，且服从均值为0，方差为σ2的高斯分布，D2表示二阶差分算子，fθ代表无监督学习网络映射，其中θ为网络映射中需要学习的参数，利用滤波反投影算法重建得到高质量CT图像，fθ(yi)j代表对于第i个含噪CT投影训练数据yi在像素j上无监督学习网络映射。
优选地，所述S4包括：
S41、构建基于视频景深迁移学习技术的血管定性辨识网络，包括：
S4101、构建动态景深区域识别网络：训练集被定义为s＝{(Xi,Yi),i＝1,2，3,…,n}，其中Xi为第i时间帧三维序列输入图像，Yi为第i时间帧标签数据，
为网络输出结果，其代价函数为：
S4102、构建视频景深迁移学习网络；
S42、构建基于医学多模态迁移成像的血管定量识别网络，包括：
S4201、构建血管定量识别网络：训练集被定义为S＝{(Xi，Yi),i＝1,2,3,…,n}，其中Xi为第i幅输入图像，Yi∈{0,1}为第i幅输入图像的标签，其中Yi＝1定义为异常图像，Yi＝0定义为非异常图像；
定义
为第i幅输入图像的第k个像素的概率，其中k＝{1,2，3,…，|Xi|}，|Xi|表示为Xi总的像素个数，若
为图像水平预测的概率图，则
通过像素水平的所有
计算得到，其代价函数为：
其中I(·)为指示函数，
由Soft max Function计算得到，r为控制参数；LMIL表示代价函数；
S4202、构建多模态迁移学习网络。
优选地，所述S5包括：
S51、构建面向急诊病人智能监控排序的策略网络；
S52、构建面向血管疾病辅助报告生成的深度网络得到的监控排序结果。
本发明的有效果：
1、本发明构建了一种面向急诊病人智能监控排序的策略网络，网络架构可以基于多种深度卷积网络技术，比如高维卷积神经网络，目的是筛选心血管急重病人CT投影数据；高维卷积神经网络最终确定图像是否包含急性心血管疾病，从而使图像按照“急重优先”顺序而非原本采集的顺序进行诊断，优化有限的医院的医疗资源，达到快速诊断和治疗“急重优先”的病人。
2、本发明中针对临床应用中CT成像所面临的三大问题，结合人工智能(AI)技术，将各个问题纳入深度学习网络中，同时把各子网络依次递进，融为一体，目标明确，构建出面向多重任务扫描协议自适应优化，微辐射剂量CT定量成像，CT成像智能辅助诊断的CT成像与智能分析新框架。
3、本发明构建的CT-AI影像***新框架是临床任务导向，更具有临床实际意义，且该框架基于CT影像扫描-重建-辅助分析一体化***，深度分析了CT影像***每个部件的潜力和需求，便于后续改造升级CT影像***。
4、本发明有效解决了当前CT的CAD x技术多基于CT图像，忽略了投影数据中包含的更为丰富和详尽的医疗信息；本发明的一体化框架，输出端的预测误差最终可传递到输入端的CT投影数据，等价于直接从投影出发，利用多角度下的投影信息进行心血管异常的定位与识别，即从原始数据中进行预测。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1，为本发明一种病人智能监控排序方法的一种示例性实施例图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
如图1所示的一种实施例，本发明提供了一种病人智能监控排序方法，包括
本发明采用的技术方案如下：
一种病人智能监控排序方法，包括如下步骤：
S1、基于深度识别模型对CT扫描协议进行自适应优化，包括：
S11构建脏器区域解剖特征辨识网络；
S12构建CT个性化扫描协议任务导向网络；
辨识网络能够在微辐射剂量下精准估计目标脏器解剖区域，为后续CT扫描协议优化提供指引；
S2、基于对抗技术对CT伪影进行辨识与自动校正；
S3、基于增量学习技术进行CT定量成像；
S4、基于迁移学习技术对CT影像进行智能分析；
S5、对CT影像进行辅助决策。
其中，所述S11包括如下步骤：
S1101、构建三维定位像成像子网络；包括噪声估计块，伪影估计块和图像滤波块的深度残差学习子网络，其中噪声估计、伪影估计和图像滤波分别通过残差学习网络、多尺度小波和卷积神经网络进行处理；基于多尺度小波变换的处理流程进行伪影估计，通过迭代的方法进一步提高微剂量图像的图像质量，最终获得高质量的三维定位像；
S1102、构建脏器区域辨识子网络：基于深度残差学***预测的概率图，则可以通过像素水平的所有计算得到，其代价函数为：
三维定位像成像子网络和脏器区域辨识子网络通过级联得到最终的脏器区域解剖特征辨辨识网络，L表示代价函数，r表示控制参数。
S12、构建CT个性化扫描协议任务导向网络，包括如下步骤：
S1201、构建深度识别网络，快速精确的提取病人的体征信息，包括生化指标，年龄，身高等。所构建的深度识别模型是基于双向深度递归网络，其中递归网络已经在众多自然语言处理中取得了巨大成功以及广泛应用。利用双向深度递归网络结构能够高效的提取出病人核心信息
并且实现其二维向量化的表达，根据这些高维的体征信息可以辅助于CT自适应扫描参数的优化
S1202、利用由脏器区域解剖特征辨识网络中获得的高质量的三维定位像和目标脏器区域，作为高维图像特征提取网络的输入，提取出三维定位像和目标脏器区域的形态学特征
纹理特征
不同于常规的自适应扫描协议只根据二维定位像进行自适应扫描协议的设定，本项目能够精确的估计出每个曝光投影的自适应扫描参数。其中高维图像特征提取网络可以由全卷积网络构成。
S1203、个性化扫描参数估计，基于任务驱动，病人驱动的多目标优化，包括扫描范围，管电流，管电压等，目的是为了降低病人辐射损伤的同时，保证重建图像质量、诊断精度。
其中，所述S1203中个性化扫描参数估计的优化过程通过一个目标方程求解
其中，S2包括：
S21构建CT伪影自动辨识的对抗主动学习网络；
S22构建CT伪影自动校正的对抗学习网络；
S21基于主动学习和对抗学习理论技术进行网络研究设计；主动学习网络能辅助数据中伪影标注，主动学习网络A＝(C,Q,S,L,U)，C为机器学习模型，用于CT伪影辨别和标识；Q为查询函数，采用基于委员会选择算法作为查询策略，用于从未标注样本池U中筛选含大信息量的数据；S为监督者，选择样本U中正确的标签，然后利用获得的新知识来训练分类器和下一轮查询；最终实现较少标识数据下的高精度CT常见伪影高辨识与精标注；
S22构建CT伪影自动校正的对抗学习网络:包括如下步骤：
S2201、构建伪影辨识类型索引的伪影自动校正对抗学习网络，辨识不同伪影类型，如金属伪影，环形伪影，风车伪影等：
S2202、根据伪影辨识结果，对每类伪影进行标注索引；
S2203、然后针对不同伪影，采用不同的对抗网络进行自动校正；
S2204、在多种伪影存在混叠情况下或不同伪影表征相似情况下，拟根据伪影辨识网络中辨识结果及范围，首先采用特征提取方法，对弦图中伪影部分进行特征分析和提取，对于不同特征我们拟构建特定的损失函数，以实现基于伪影结构特征差异的伪影自动校正；
S2105、对于符合预设条件的伪影，例如影响解剖结构准确辨识，或影响CT图像标准值的强伪影，如金属伪影，环形伪影等，依据辨识结果，对CT投影数据进行多尺度方向场处理，如多尺度方向变换场和多尺度轮廓变换场，以提取投影数据中伪影部分多尺度方向数据信息，并根据这些多尺度数据信息设计针对性的对抗网络代价函数，最终获得伪影校正后的投影数据.
其中，所述S3包括如下步骤：
S31、构建CT定量成像半监督增量学习网络；构建低剂量CT定量成像监督学习网络：
对于已有范例CT“含噪图像-目标图像”大样本数据，采用“投影域-图像域”深度滤波反投影网络估计数据对大样本内部特征，并以此作为监督学习成像网络；低剂量CT定量成像监督学习网络包含全连接滤波层、正弦反投影层以及残差卷积神经网络，其中全连接滤波层基于滤波反投影算法滤波核进行优化设计，正弦反投影层对应于滤波反投影算法中的反投影算子，残差卷积神经网络用于进一步优化重建结果，该网络代价函数设计为2范数均方根误差，记为：
其中
为CT重建网络的最终预测图像，xH ref为目标CT图像，N为训练样本数，Θ为需要学习的参数；
S32、构建半监督增量学习网络：本项目首先将外源获取的含噪CT投影数据通过多种形变场后输入预先训练好的FBP net，随后网络重建CT图像结果进行自适应加权融合，得到融合后的高质量CT目标图像，进而，运用不断增加的“含噪CT投影数据-目标CT图像”数据对进行FBP net参数再次深度优化，最终，完成半监督定量成像模型搭建；
S33、构建CT定量成像无监督增量学习网络；基于Log变换前含噪CT投影数据统计特性，如复合泊松-高斯噪声分布，以及CT投影数据高阶导数稀疏性设计CT定量成像无监督增量学习网络。基于最大后验概率框架，本项目设计了深度学习网络中的目标函数，其包含基于似然函数的数据保真项以及基于分段线性的先验信息项，该目标函数能够更加准确地描述CT投影数据，且能沿着梯度方向进行训练优化，其表达式为:
其中，C1表示含噪CT投影训练数据集，yi为第i个含噪CT投影训练数据，N表示数据集个数，G表示满足复合泊松统计特性的X射线光子数，I代表探测器接收的光子数，Ii代表第i个探测器接收的光子数，Gi代表Ii的近似中间值，Gj！表示第j个投影下G的乘值，I0j表示第j个投影下的入射光子数，ε代表电子噪声，且服从均值为0，方差为σ2的高斯分布，D2表示二阶差分算子，fθ代表无监督学习网络映射，其中θ为网络映射中需要学习的参数，利用滤波反投影算法重建得到高质量CT图像，fθ(yi)j代表对于第i个测量值yi在像素j上无监督学习网络映射；
其中，所述S4包括如下步骤：S41、构建基于视频景深迁移学习技术的血管定性辨识网络；心血管灌注CT成像数据包含多个连续时间帧的图像数据，这些数据具有高度时间连续性及空间相关性，这些特性也同样存在于自然场景视频数据中。相比于灌注CT图像因缺乏标注数据难以直接用来训练网络，自然视频数据具有精标签且易于用于训练网络。因此，基于4，本研究拟采用迁移学习技术，将视频景深分析网络用于定量评估心血管状态
S4101、构建动态景深/区域识别网络：训练集被定义为s＝{(Xi，Yi)，i＝1，2，3，…，n}，其中Xi为第i时间帧三维序列输入图像，Yi为第i时间帧标签数据(比如视频景深图像/CT心血管区域图像)，即二维的概率热点图(Hot map)，能定量区分不同区域，
为网络输出结果，其代价函数为：
S4102、构建视频景深迁移学习网络；本项目首先将自然视频数据对输入上述识别网络，进行网络预训练，得到景深网络，随后制定迁移学习策略，用心血管灌注CT数据对对景深网络进行迁移学习训练得到血管区域定量评估网络，其中评估网络中原景深网络部分参数冻结，只训练其他层的参数，深度挖掘心脑血管CT序列图像的高维稳健特征，实现心血管定性辨识S42、构建基于医学多模态迁移成像的血管定量识别网络；
包括S4201、构建血管定量识别网络：训练集被定义为S＝{(Xi，Yi)，i＝1，2，3,…，n}，其中Xi为第i幅输入图像，Yi∈{0，1}为第i幅输入图像的标签，其中Yi＝1定义为异常图像，Yi＝0定义为非异常图像。同时定义
为第i幅输入图像的第k个像素的概率，其中k＝{1，2，3，…,|Xi|}，|Xi|表示为Xi总的像素个数。如果
为图像水平预测的概率图，则
可以通过像素水平的所有
计算得到，其代价函数为：
其中I(·)为指示函数，
由Soft max Function计算得到，r为控制参数；LMIL表示代价函数；
S4202、构建多模态迁移学习网络：针对脑灌注，首先将自然图像数据对输入上述识别网络，进行网络预训练，随后，用脑灌注MRI数据对对经自然图像训练后的识别网络进行迁移学习训练得到血管区域定量评估网络；最后，制定迁移学习策略，用脑灌注CT数据对先对脑灌注CT投影数据进行重建，再对血管区域定量评估网络进行迁移学习，融合脑部MRI，CT图像内在解剖结构相关性以及不同模态影像信息多样性，优化血管区域定量评估网络参数，其中根据脑灌注CT数据集大小及参数个数，可选择：(1)对前n层参数冻结起来，即在训练脑灌注CT血管区域定量评估网络的时候，不改变这n层的值；(2)不冻结这前n层参数，而是不断调整网络参数的值，称为微调两种策略进行迁移学习；最终，定量识别脑灌注CT图像脑卒中区域；同理，针对心肌灌注数据，首先将自然图像数据对输入上述识别网络，进行网络预训练，随后，用心肌灌注PET数据对对经自然图像训练后的识别网络进行迁移学习训练得到血管区域定量评估网络；最后，制定迁移学习策略，用心肌灌注CT数据对先对脑灌注CT投影数据进行重建，再对血管区域定量评估网络进行迁移学习，融合心肌PET，CT图像内在解剖结构相关性以及不同模态影像信息多样性，优化血管区域定量评估网络参数，其中根据心肌灌注CT数据集大小及参数个数，选择跟前面类似的两种策略进行参数训练；最终，定量识别心肌灌注CT图像心梗区域。
其中，所述S5包括如下步骤：S51、构建面向急诊病人智能监控排序的策略网络；一种面向急诊病人智能监控排序的策略网络，网络架构可以基于多种深度卷积网络技术，比如高维卷积神经网络，目的是筛选心血管急重病人CT投影数据。高维卷积神经网络最终确定图像是否包含急性心血管疾病，从而使图像按照“急重优先”顺序而非原本采集的顺序进行诊断，优化有限的医院的医疗资源，达到快速诊断和治疗“急重优先”的病人；
S52、构建面向血管疾病辅助报告生成的深度网络得到的监控排序结果，本项目依“急重优先”最优顺序对心血管急重病人CT投影数据优先判断，根据心血管疾病样本库，拟使用递归神经网络生成疾病辅助报告。
其中，对于CT投影数据,拟构建描述图像最大概率表达形式：
其中，还包括长短期记忆网络简称LSTM构建概率p；LSTM是以网络展开形式进行设计，可以为图像和每个句子创建LSTM存储器的副本，使得所有LSTM在时间上共享相同的参数，所有重复连接都转换为展开版本中的前馈连接，则展开过程如下：
x-1＝CNN(I)
xt＝WeSt，t∈{0，…，N-1}
pt+1＝LSTM(xt)，t∈{0，…,N-1}
其中我们将每个单词表示为单热向量St，其尺寸等于字典的大小。注意，我们用两个特殊的单词S0和SN分别表示句子的开头和结尾。图像和单词都映射到同一个空间，图像通过使用视觉CNN，并通过单词嵌入We。图像I仅在t-1时输入一次，以通知LSTM图像内容。我们的损失函数是每个步骤中正确单词的负对数可能性的总和，可表示如下：
通过优化LSTM的所有参数，图像嵌入器CNN的顶层和单词嵌入We来使上式的损失函数达到最小化；该网络最终输入心血管疾病分类识别结果，用于辅助后续医疗诊断。
本发明的有效果：
1、本发明构建了一种面向急诊病人智能监控排序的策略网络，网络架构可以基于多种深度卷积网络技术，比如高维卷积神经网络，目的是筛选心血管急重病人CT投影数据；高维卷积神经网络最终确定图像是否包含急性心血管疾病，从而使图像按照“急重优先”顺序而非原本采集的顺序进行诊断，优化有限的医院的医疗资源，达到快速诊断和治疗“急重优先”的病人。
2、本发明中针对临床应用中CT成像所面临的三大问题，结合人工智能(AI)技术，将各个问题纳入深度学习网络中，同时把各子网络依次递进，融为一体，目标明确，构建出面向多重任务扫描协议自适应优化，微辐射剂量CT定量成像，CT成像智能辅助诊断的CT成像与智能分析新框架。
3、本发明构建的CT-AI影像***新框架是临床任务导向，更具有临床实际意义，且该框架基于CT影像扫描-重建-辅助分析一体化***，深度分析了CT影像***每个部件的潜力和需求，便于后续改造升级CT影像***。
4、本发明有效解决了当前CT的CAD x技术多基于CT图像，忽略了投影数据中包含的更为丰富和详尽的医疗信息；本发明的一体化框架，输出端的预测误差最终可传递到输入端的CT投影数据，等价于直接从投影出发，利用多角度下的投影信息进行心血管异常的定位与识别，即从原始数据中进行预测。
尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由权利要求及其等同物限定。
Claims (8)
1.一种病人智能监控排序方法，其特征在于，包括：
S1、基于深度识别模型对CT扫描协议进行自适应优化；
S2、基于对抗技术对CT伪影进行辨识与自动校正；
S3、基于增量学习技术进行CT定量成像；
S4、基于迁移学习技术对CT影像进行智能分析；
S5、对CT影像进行辅助决策。
2.根据权利要求1所述的一种病人智能监控排序方法，其特征在于，所述S1包括：
S11、构建脏器区域解剖特征辨识网络；
S12、构建CT个性化扫描协议任务导向网络。
3.根据权利要求2所述的一种病人智能监控排序方法，其特征在于，所述S11包括：
S1101、构建三维定位像成像子网络：
包括噪声估计块，伪影估计块和图像滤波块的深度残差学习子网络，其中噪声估计块、伪影估计块和图像滤波块分别通过残差学习网络、多尺度小波和卷积神经网络进行处理；
基于多尺度小波变换的处理流程进行伪影估计，通过迭代的方法进一步提高微剂量图像的图像质量，最终获得三维定位像；
S1102、构建脏器区域辨识子网络：
基于深度残差学习网络输出的恢复后的微剂量三维定位图像作为辨识网络的输入；
其中脏器区域辨识网络包含编码过程和解码过程；
其中编码过程采用残差块的结构，解码过程采用全卷积网络；训练集被定义为X，其中Xi为第i幅输入图像，Yi为第i幅输入图像的标签，其中I定义为不同的重建目标区域；同时定义
为第i幅输入图像的第k个像素的概率；
为图像水平预测的概率图，则可以通过像素水平的所有计算得到，其代价函数为：
三维定位像成像子网络和脏器区域辨识子网络通过级联得到最终的脏器区域解剖特征辨辨识网络，L表示代价函数，r表示控制参数。
4.根据权利要求3所述的一种病人智能监控排序方法，其特征在于，所述S12包括：
S1201、构建深度识别网络，所构建的深度识别模型是基于双向深度递归网络；
S1202、利用由脏器区域解剖特征辨识网络中获得的三维定位像和目标脏器区域，作为高维图像特征提取网络的输入，提取出三维定位像和目标脏器区域的形态学特征
纹理特征
S1203、个性化扫描参数估计，基于任务驱动，病人驱动的多目标优化，
其中，所述S1203中个性化扫描参数估计的优化过程通过一个目标方程求解
5.根据权利要求1所述的一种病人智能监控排序方法，其特征在于，所述S2包括：
S21、构建CT伪影自动辨识的对抗主动学习网络；
S22、构建CT伪影自动校正的对抗学习网络；
所述S21包括：
基于主动学习和对抗学习理论技术进行网络研究设计；主动学习网络能辅助数据中伪影标注，主动学习网络A＝(C，Q，S，L，U)，C为机器学习模型，用于CT伪影辨别和标识；Q为查询函数，采用基于委员会选择算法作为查询策略，用于从未标注样本池U中筛选含大信息量的数据；S为监督者，选择样本U中正确的标签，然后利用获得的新知识来训练分类器和下一轮查询；
所述S22包括：
S2201、构建伪影辨识类型索引的伪影自动校正对抗学习网络，辨识伪影类型：
S2202、根据伪影辨识结果，对每类伪影进行标注索引；
S2203、针对不同伪影，采用不同的对抗网络进行自动校正；
S2204、根据伪影辨识网络中辨识结果及范围，采用特征提取方法，对弦图中伪影部分进行特征分析和提取，对于不同特征构建特定的损失函数，以实现基于伪影结构特征差异的伪影自动校正；
S2205、对于符合预设条件的伪影，依据辨识结果，对CT投影数据进行多尺度方向场处理，提取投影数据中伪影部分多尺度方向数据信息，并根据多尺度方向数据信息设置对抗网络代价函数，获得伪影校正后的投影数据。
6.根据权利要求1所述的一种病人智能监控排序方法，其特征在于，所述S3包括：
S31、构建CT定量成像半监督增量学习网络；构建低剂量CT定量成像监督学习网络：
低剂量CT定量成像监督学习网络包含全连接滤波层、正弦反投影层以及残差卷积神经网络，其中全连接滤波层基于滤波反投影算法滤波核进行优化设计，正弦反投影层对应于滤波反投影算法中的反投影算子，残差卷积神经网络用于进一步优化重建结果，该网络代价函数设计为2范数均方根误差，记为：
其中
为CT重建网络的最终预测图像，xH ref为目标CT图像，N为训练样本数，Θ为需要学习的参数；
S32、构建半监督增量学习网络：将外源获取的含噪CT投影数据通过多种形变场后输入预先训练好的FBPnet，对CT图像结果进行自适应加权融合，得到融合后的高质量CT目标图像，对进行FBPnet参数再次深度优化，获得半监督定量成像模型；
S33、构建CT定量成像无监督增量学习网络；基于Log变换前含噪CT投影数据统计特性以及CT投影数据高阶导数稀疏性设计CT定量成像无监督增量学习网络；基于最大后验概率框架构建深度学习网络中的目标函数，其包含基于似然函数的数据保真项以及基于分段线性的先验信息项，该目标函数能够更加准确地描述CT投影数据，且能沿着梯度方向进行训练优化，其表达式为:
其中，C1表示含噪CT投影训练数据集，yi为第i个含噪CT投影训练数据，N表示数据集个数，G表示满足复合泊松统计特性的X射线光子数，I代表探测器接收的光子数，Ii代表第i个探测器接收的光子数，Gi代表Ii的近似中间值，Gj！表示第j个投影下G的乘值，I0j表示第j个投影下的入射光子数，ε代表电子噪声，且服从均值为0，方差为σ2的高斯分布，D2表示二阶差分算子，fθ代表无监督学习网络映射，其中θ为网络映射中需要学习的参数，利用滤波反投影算法重建得到高质量CT图像，fθ(yi)j代表对于第i个含噪CT投影训练数据yi在像素j上无监督学习网络映射。
7.根据权利要求1所述的一种病人智能监控排序方法，其特征在于，所述S4包括：
S41、构建基于视频景深迁移学习技术的血管定性辨识网络，包括：
S4101、构建动态景深区域识别网络：训练集被定义为s＝{(Xi，Yi)，i＝1，2，3，...，n}，其中Xi为第i时间帧三维序列输入图像，Yi为第i时间帧标签数据，
为网络输出结果，其代价函数为：
S4102、构建视频景深迁移学习网络；
S42、构建基于医学多模态迁移成像的血管定量识别网络，包括：
S4201、构建血管定量识别网络：训练集被定义为S＝{(Xi，Yi)，i＝1，2，3，...，n}，其中Xi为第i幅输入图像，Yi∈{0，1}为第i幅输入图像的标签，其中Yi＝1定义为异常图像，Yi＝0定义为非异常图像；
定义
为第i幅输入图像的第k个像素的概率，其中k＝{1，2，3，...，|Xi|}，|Xi|表示为Xi总的像素个数，若
为图像水平预测的概率图，则
通过像素水平的所有
计算得到，其代价函数为：
其中I(·)为指示函数，
由Soft max Function计算得到，r为控制参数；LMIL表示代价函数；
S4202、构建多模态迁移学习网络。
8.根据权利要求1所述的一种病人智能监控排序方法，其特征在于，所述S5包括：
S51、构建面向急诊病人智能监控排序的策略网络；
S52、构建面向血管疾病辅助报告生成的深度网络得到的监控排序结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111089390.0A CN113781461B (zh) | 2021-09-16 | 2021-09-16 | 一种病人智能监控排序方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111089390.0A CN113781461B (zh) | 2021-09-16 | 2021-09-16 | 一种病人智能监控排序方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113781461A true CN113781461A (zh) | 2021-12-10 |
| CN113781461B CN113781461B (zh) | 2024-07-19 |
Family
ID=78851677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111089390.0A Active CN113781461B (zh) | 2021-09-16 | 2021-09-16 | 一种病人智能监控排序方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113781461B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115345803A (zh) * | 2022-10-19 | 2022-11-15 | 合肥视微科技有限公司 | 基于残差网络的ct断层图中环形伪影校正方法 |
| CN115836855A (zh) * | 2023-02-22 | 2023-03-24 | 首都医科大学附属北京朝阳医院 | 一种移动式磁共振设备成像方法、装置、存储介质及终端 |
| CN117876279A (zh) * | 2024-03-11 | 2024-04-12 | 浙江荷湖科技有限公司 | 基于扫描光场序列图像的去除运动伪影方法及*** |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107481297A (zh) * | 2017-08-31 | 2017-12-15 | 南方医科大学 | 一种基于卷积神经网络的ct图像重建方法 |
| US20170372193A1 (en) * | 2016-06-23 | 2017-12-28 | Siemens Healthcare Gmbh | Image Correction Using A Deep Generative Machine-Learning Model |
| CN109035169A (zh) * | 2018-07-19 | 2018-12-18 | 西安交通大学 | 一种无监督/半监督ct图像重建深度网络训练方法 |
| CN111968111A (zh) * | 2020-09-02 | 2020-11-20 | 广州海兆印丰信息科技有限公司 | 一种ct图像的脏器或伪影辨别方法及装置 |
| CN111968108A (zh) * | 2020-09-02 | 2020-11-20 | 广州海兆印丰信息科技有限公司 | 基于智能扫描协议的ct智能成像方法、装置及*** |
| CN111968167A (zh) * | 2020-09-02 | 2020-11-20 | 广州海兆印丰信息科技有限公司 | Ct三维定位像的图像处理方法、装置和计算机设备 |
| CN111968110A (zh) * | 2020-09-02 | 2020-11-20 | 广州海兆印丰信息科技有限公司 | Ct成像方法、装置、存储介质及计算机设备 |
| CN112037146A (zh) * | 2020-09-02 | 2020-12-04 | 广州海兆印丰信息科技有限公司 | 医学图像伪影自动校正方法、装置和计算机设备 |
| CN112348792A (zh) * | 2020-11-04 | 2021-02-09 | 广东工业大学 | 一种基于小样本学习和自监督学习的x光胸片图像分类方法 |
| CN112508063A (zh) * | 2020-11-23 | 2021-03-16 | 刘勇志 | 基于增量学习的医学图像分类方法 |
-
2021
- 2021-09-16 CN CN202111089390.0A patent/CN113781461B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170372193A1 (en) * | 2016-06-23 | 2017-12-28 | Siemens Healthcare Gmbh | Image Correction Using A Deep Generative Machine-Learning Model |
| CN107481297A (zh) * | 2017-08-31 | 2017-12-15 | 南方医科大学 | 一种基于卷积神经网络的ct图像重建方法 |
| CN109035169A (zh) * | 2018-07-19 | 2018-12-18 | 西安交通大学 | 一种无监督/半监督ct图像重建深度网络训练方法 |
| CN111968111A (zh) * | 2020-09-02 | 2020-11-20 | 广州海兆印丰信息科技有限公司 | 一种ct图像的脏器或伪影辨别方法及装置 |
| CN111968108A (zh) * | 2020-09-02 | 2020-11-20 | 广州海兆印丰信息科技有限公司 | 基于智能扫描协议的ct智能成像方法、装置及*** |
| CN111968167A (zh) * | 2020-09-02 | 2020-11-20 | 广州海兆印丰信息科技有限公司 | Ct三维定位像的图像处理方法、装置和计算机设备 |
| CN111968110A (zh) * | 2020-09-02 | 2020-11-20 | 广州海兆印丰信息科技有限公司 | Ct成像方法、装置、存储介质及计算机设备 |
| CN112037146A (zh) * | 2020-09-02 | 2020-12-04 | 广州海兆印丰信息科技有限公司 | 医学图像伪影自动校正方法、装置和计算机设备 |
| CN112348792A (zh) * | 2020-11-04 | 2021-02-09 | 广东工业大学 | 一种基于小样本学习和自监督学习的x光胸片图像分类方法 |
| CN112508063A (zh) * | 2020-11-23 | 2021-03-16 | 刘勇志 | 基于增量学习的医学图像分类方法 |
Non-Patent Citations (3)
| Title |
|---|
| PRATYUSH KUMAR.ET AL: "Example Mining for Incremental Learning in Medical Imaging", 《ARXIV》, 31 December 2018 (2018-12-31) * |
| 施俊等: "深度学习在医学影像中的应用综述", 《中国图象图形学报》, vol. 25, no. 10, 31 December 2020 (2020-12-31) * |
| 朱森华等: "人工智能技术在医学影像产业的应用与思考", 《人工智能》, no. 03, 10 June 2020 (2020-06-10) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115345803A (zh) * | 2022-10-19 | 2022-11-15 | 合肥视微科技有限公司 | 基于残差网络的ct断层图中环形伪影校正方法 |
| CN115836855A (zh) * | 2023-02-22 | 2023-03-24 | 首都医科大学附属北京朝阳医院 | 一种移动式磁共振设备成像方法、装置、存储介质及终端 |
| CN117876279A (zh) * | 2024-03-11 | 2024-04-12 | 浙江荷湖科技有限公司 | 基于扫描光场序列图像的去除运动伪影方法及*** |
| CN117876279B (zh) * | 2024-03-11 | 2024-05-28 | 浙江荷湖科技有限公司 | 基于扫描光场序列图像的去除运动伪影方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113781461B (zh) | 2024-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liang et al. | MCFNet: Multi-layer concatenation fusion network for medical images fusion | |
| CN110503654B (zh) | 一种基于生成对抗网络的医学图像分割方法、***及电子设备 | |
| CN111476292B (zh) | 医学图像分类处理人工智能的小样本元学习训练方法 | |
| CN110930421B (zh) | 一种用于cbct牙齿图像的分割方法 | |
| CN113781461B (zh) | 一种病人智能监控排序方法 | |
| CN113314205B (zh) | 一种高效的医学影像标注与学习*** | |
| CN110992351B (zh) | 基于多输入卷积神经网络的sMRI图像分类方法和装置 | |
| CN111583285B (zh) | 一种基于边缘关注策略的肝脏影像语义分割方法 | |
| CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其*** | |
| CN114897914B (zh) | 基于对抗训练的半监督ct图像分割方法 | |
| CN111667483B (zh) | 多模态图像的分割模型的训练方法、图像处理方法和装置 | |
| 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 | |
| CN111667027B (zh) | 多模态图像的分割模型训练方法、图像处理方法及装置 | |
| CN112529063A (zh) | 一种适用于帕金森语音数据集的深度域适应分类方法 | |
| CN114748053A (zh) | 一种基于fMRI高维时间序列的信号分类方法及装置 | |
| CN110477907A (zh) | 一种智能辅助识别痫性发作的方法 | |
| La Rosa | A deep learning approach to bone segmentation in CT scans | |
| CN111784713A (zh) | 一种引入注意力机制的u形心脏分割方法 | |
| CN117274599A (zh) | 一种基于组合双任务自编码器的脑磁共振分割方法及*** | |
| CN117523203B (zh) | 一种基于Transformer半监督算法的蜂窝肺病灶图像分割识别方法 | |
| CN116703850A (zh) | 基于领域自适应的医学图像分割方法 | |
| CN116433679A (zh) | 一种基于空间位置结构先验的内耳迷路多级标注伪标签生成与分割方法 | |
| CN110613445A (zh) | 一种基于dwnn框架的心电信号的识别方法 | |
| CN115798709A (zh) | 基于多任务图同构网络的阿尔兹海默病分类装置及方法 | |
| CN115565671A (zh) | 基于跨模型相互教学半监督的房颤辅助分析方法 |
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 |