-
公开(公告)号：CN117437152A
公开(公告)日：2024-01-23
申请号：CN202311764922.5
申请日：2023-12-21
Applicant: 之江实验室
Abstract: 本发明涉及一种基于扩散模型的PET迭代重建方法及系统，主要解决现有PET重建系统中噪声干扰大、成像质量低的问题。本发明将扩散模型引入到迭代重建的过程中，在每次迭代重建时，将输入图像和对应的正投图像拼接输入至训练好的扩散模型进行逐步去噪，得到去噪后的输入图像；基于去噪后的输入图像重建获得输出图像；本发明通过利用扩散模型对PET弦图数据进行降噪，降低了原始信号中的噪声干扰，提高了数据质量；通过在原有的迭代重建步骤中引入扩散模型降噪单元来优化重建过程，进一步提高了重建图像的成像质量。与现有技术相比，本发明采用了基于扩散模型的迭代重建方法，能够有效地降低噪声干扰，提高图像成像质量，具有广泛的应用前景。
-
公开(公告)号：CN117357132A
公开(公告)日：2024-01-09
申请号：CN202311665176.4
申请日：2023-12-06
Applicant: 之江实验室
Abstract: 本说明书公开了一种基于多层脑网络节点参与系数的任务执行方法及装置。所述任务执行方法包括：先获取脑部信号数据，以针对每个预设的时间段，根据该时间段内各节点的脑部信号，得到该时间段中各节点所对应的脑部信号序列。针对每个节点，根据各时间段中该节点的脑部信号序列以及各时间段中其他节点的脑部信号序列，确定该节点在相同时间段与其他节点的节点连通度以及确定该节点在不同时间段与其他节点的节点连通度，进而确定出每个节点在脑部活动中的多参与系数，该节点对应的多参与系数用于表示该节点对应的脑区在脑部活动中与其他脑区的连通情况，再根据每个节点对应的多参与系数，执行目标任务。
-
公开(公告)号：CN113838161B
公开(公告)日：2022-02-22
申请号：CN202111413375.7
申请日：2021-11-25
Applicant: 之江实验室
Abstract: 本发明公开了一种基于图学习的稀疏投影重建方法，属于医学影像领域。该方法通过在投影重建方法中每次迭代的过程中进行一次全局随机采样，获取每个像素点的全局随机采样点；再根据门函数进行随机点的相似筛选；最后利用这些相似的随机点通过图学习的方法修正每个像素点的像素值。以此来消除因为硬件原因或者稀疏重建方法本身所导致的形状伪影。通过本发明，可以在传统的投影重建方法中直接引入该方法，用于修复稀疏角度导致的重建后图像中的形状伪影，大大的提升成像质量。
-
公开(公告)号：CN117437152B
公开(公告)日：2024-04-02
申请号：CN202311764922.5
申请日：2023-12-21
Applicant: 之江实验室
Abstract: 本发明涉及一种基于扩散模型的PET迭代重建方法及系统，主要解决现有PET重建系统中噪声干扰大、成像质量低的问题。本发明将扩散模型引入到迭代重建的过程中，在每次迭代重建时，将输入图像和对应的正投图像拼接输入至训练好的扩散模型进行逐步去噪，得到去噪后的输入图像；基于去噪后的输入图像重建获得输出图像；本发明通过利用扩散模型对PET弦图数据进行降噪，降低了原始信号中的噪声干扰，提高了数据质量；通过在原有的迭代重建步骤中引入扩散模型降噪单元来优化重建过程，进一步提高了重建图像的成像质量。与现有技术相比，本发明采用了基于扩散模型的迭代重建方法，能够有效地降低噪声干扰，提高图像成像质量，具有广泛的应用前景。
-
公开(公告)号：CN117194921A
公开(公告)日：2023-12-08
申请号：CN202311154997.1
申请日：2023-09-07
Applicant: 之江实验室
Abstract: 本说明书公开了一种基于流形优化算法的动态脑功能网络学习及展示方法及装置，可以获取一段时间内的血氧信号，并通过滑动窗口的方式对所述血氧信号进行预处理，得到预处理后的信号数据，该预处理后的信号数据包括每个时间窗口下各脑节点的BOLD信号，而后构建目标函数，该目标函数用于表征脑节点之间的信号距离和功能连接权重之间的积以及用于表示相邻时间窗口之间的动态图嵌入在格拉斯曼流形上的距离，最后，根据预处理后的信号数据，以最小化该目标函数为优化目标，确定出动态脑功能连接网络以及动态脑功能连接网络对应的动态图嵌入并展示，从而能够有效地确定出反映大脑真实的功能连接情况的动态脑功能连接网络及动态图嵌入。
-
Patent Agency Ranking
公开(公告)号：CN117036727A
公开(公告)日：2023-11-10
申请号：CN202311294411.1
申请日：2023-10-09
Applicant: 之江实验室
IPC: G06V10/40 , G06V10/80 , G06V10/764
Abstract: 本发明公开了一种脑网络数据多层嵌入向量特征提取方法及装置，该方法对多层网络的嵌入学习和流形优化得到的多层网络节点信息的层内层间网络一致性嵌入表示F和层内节点嵌入表示Fi，再分别对每一层的层内节点嵌入表示Fi和层内层间网络一致性嵌入表示F进行相干性计算获得每层层内的相干特征，再计算每层层内的相干特征的熵获得相干熵特征，即为脑网络数据的多层嵌入向量特征。本发明通过对复杂的多层网络信息进行降维与关键提取，得到更加具有代表性、更加有效的多层网络特征信息，有效的提高多层网络数据信息的利用率，利用较少的数据量实现较高准确率的分析与分类。
-
公开(公告)号：CN116051849B
公开(公告)日：2023-07-07
申请号：CN202310342278.6
申请日：2023-04-03
Applicant: 之江实验室
IPC: G06V10/40 , G06V10/778
Abstract: 本发明公开了一种脑网络数据特征提取方法及装置，该方法基于嵌入（Embedding）和格拉斯曼流形（Grassmannian Manifold）优化得到多层脑网络节点信息低维表示，通过使用嵌入的方法将多层脑网络节点信息进行低维表示，并将嵌入表示基于格拉斯曼流形进行优化，得到更加有代表性、有意义的低维节点特征信息并可以通过重建低维表示获得低维脑部功能连接网络。本发明通过对复杂的多层脑网络信息进行降维与关键提取，得到更加具有代表性、更加有效的多层脑网络节点低维表示信息，有效的提高多层脑网络数据信息的利用率，利用较少的数据量实现较高准确率的疾病诊断、节点检测等脑部研究。
-
公开(公告)号：CN116051849A
公开(公告)日：2023-05-02
申请号：CN202310342278.6
申请日：2023-04-03
Applicant: 之江实验室
IPC: G06V10/40 , G06V10/778
Abstract: 本发明公开了一种脑网络数据特征提取方法及装置，该方法基于嵌入（Embedding）和格拉斯曼流形（Grassmannian Manifold）优化得到多层脑网络节点信息低维表示，通过使用嵌入的方法将多层脑网络节点信息进行低维表示，并将嵌入表示基于格拉斯曼流形进行优化，得到更加有代表性、有意义的低维节点特征信息并可以通过重建低维表示获得低维脑部功能连接网络。本发明通过对复杂的多层脑网络信息进行降维与关键提取，得到更加具有代表性、更加有效的多层脑网络节点低维表示信息，有效的提高多层脑网络数据信息的利用率，利用较少的数据量实现较高准确率的疾病诊断、节点检测等脑部研究。
-
公开(公告)号：CN117357132B
公开(公告)日：2024-03-01
申请号：CN202311665176.4
申请日：2023-12-06
Applicant: 之江实验室
Abstract: 本说明书公开了一种基于多层脑网络节点参与系数的任务执行方法及装置。所述任务执行方法包括：先获取脑部信号数据，以针对每个预设的时间段，根据该时间段内各节点的脑部信号，得到该时间段中各节点所对应的脑部信号序列。针对每个节点，根据各时间段中该节点的脑部信号序列以及各时间段中其他节点的脑部信号序列，确定该节点在相同时间段与其他节点的节点连通度以及确定该节点在不同时间段与其他节点的节点连通度，进而确定出每个节点在脑部活动中的多参与系数，该节点对应的多参与系数用于表示该节点对应的脑区在脑部活动中与其他脑区的连通情况，再根据每个节点对应的多(56)对比文件US 2020352463 A1,2020.11.12CN 116051849 A,2023.05.02CN 107909117 A,2018.04.13Junji Ma.Integrated and segregatedfrequency architecture of the human brainnetwork《.Brain Structure and Function》.第335-350页.梁夏;王金辉;贺永.人脑连接组研究:脑结构网络和脑功能网络.科学通报.2010,(16),第41-59页.何高奇;胡云奉;杨宇;魏文浩.基于rs-fMRI数据的脑功能网络构建与分析.华东理工大学学报(自然科学版).2015,(06),第99-105页.
-
公开(公告)号：CN116344058B
公开(公告)日：2023-08-18
申请号：CN202310615536.3
申请日：2023-05-29
Applicant: 之江实验室
IPC: G06F17/00
Abstract: 本说明书公开了一种基于图信号的阿尔兹海默风险标注方法及装置，该方法可以通过患者的脑部影像/信号数据，确定患者各脑区中的神经退化性病理性蛋白浓度以及确定各脑区之间的连通程度；基于各脑区之间的连通程度构建脑节点连接网络图，综合脑节点连接网络图和各脑区中的神经退化性病理性蛋白浓度构建神经退化性病理性蛋白图信号；根据神经退化性病理性蛋白图信号，计算每个脑节点的传播通量，并基于传播通量对每个脑节点进行阿尔兹海默症的传播风险分析，将脑节点分为高风险传播脑节点、高风险被传播脑节点和低风险脑节点三类，以在脑部影像数据中标注出目标脑区，从而能够全面的确定出存在风险的脑区，更加合理地针对阿尔兹海默症进行分析。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.02 seconds)
