-
公开(公告)号:CN116805284B
公开(公告)日:2023-12-19
申请号:CN202311085914.8
申请日:2023-08-28
Applicant: 之江实验室
IPC: G06T3/40 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 建不同的其他低分辨率磁共振图像时,具有更好本发明公开了一种基于特征迁移的三维磁 的泛化性能和重建质量,因而可以为临床应用和共振平面间超分辨重建方法和系统。首先,获取 研究提供大量高质量的数据,便于后续磁共振定高分辨率的磁共振数据和对应的低分辨率数据; 性定量分析。其次,将三维高分辨率数据转成二维标签数据,将三维低分辨率数据进行插值后转成二维初始数据,将三维低分辨率数据通过最近邻寻找的方法生成二维参考数据;然后设计基于特征迁移和平面间超分辨的深度学习网络完成二维低分辨(56)对比文件Liu, X等.Super Resolution of UnpairedMR Images Based on DomainMigration.Advances in IntelligentInformation Hiding and Multimedia SignalProcessing: Proceeding of the 18th IIH-MSP 2022 . Smart Innovation, Systems andTechnologies (339).2023,全文.邢晓羊;魏敏;符颖.基于特征损失的医学图像超分辨率重建.计算机工程与应用.2018,(第20期),全文.杨文瀚;刘家瑛;夏思烽;郭宗明.数据外补偿的深度网络超分辨率重建.软件学报.2017,(第04期),全文.
-
公开(公告)号:CN115116607B
公开(公告)日:2022-12-13
申请号:CN202211056174.0
申请日:2022-08-30
Applicant: 之江实验室
Abstract: 本发明公开了一种基于静息态磁共振迁移学习的脑疾病预测系统,分别获取健康成人静息态磁共振大数据集和对应脑疾病的患者静息态磁共振数据,预处理后配准到标准脑空间;通过匹配到标准脑空间的脑图谱提取各个脑区的时间信号;利用图卷积网络和门控循环网络构建深度学习模型并基于健康成人大数据集进行预训练;基于预训练模型和患者静息态功能磁共振数据进行模型微调和疾病预测。本发明提取静息态磁共振信号中的时空特征,利用健康成人的静息态磁共振大数据集对深度学习模型进行预训练,充分挖掘健康成人静息态磁共振中的固有时空特征模式,并将健康成人数据中学习到的先验时空特征模式迁移到脑疾病预测中,有效提高模型的预测性能。
-
公开(公告)号:CN115423894A
公开(公告)日:2022-12-02
申请号:CN202211375033.5
申请日:2022-11-04
Applicant: 之江实验室
IPC: G06T11/00 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于变分自编码器的磁共振加权图像合成方法和装置,包括以下步骤:步骤S1:使用磁共振扫描仪获取多对比度的真实磁共振加权图像及磁共振定量参数图;步骤S2:组成磁共振加权图像;步骤S3:构建具有编码器和解码器结构的预训练变分自编码器模型;步骤S4:得到变分自编码器模型;步骤S5:将所述磁共振加权图像和所述磁共振定量参数图通过所述变分自编码器模型合成第二磁共振加权图像。本发明使用变分自编码器模型,通过多种对比度磁共振加权图像的训练,可以得到一个近似的对比度信息的连续分布,这使得本发明中涉及的变分自编码器模型可以重建得到训练数据中不存在的磁共振加权图像。
-
公开(公告)号:CN116168258B
公开(公告)日:2023-07-11
申请号:CN202310454392.8
申请日:2023-04-25
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06V10/774 , G06N3/045 , G06N3/08
Abstract: 本说明书公开了一种目标物分类方法、装置、设备及可读存储介质,通过分别训练各模态的第一分类模型,将各模态的第一分类模型的特征提取子网作为各模态对应的特征提取子网,构建包含各模态的特征提取子网以及第二分类器的第二分类模型,并通过特征提取子网得到各模态的第一目标特征,并将各模态的第一目标特征融合得到的第二目标特征输入第二分类器得到预测分类结果,以预测分类结果以及第一训练样本的标签之间差异的最小化为优化目标,调整第二分类器的参数。可见,通过迁移预训练的特征提取子网的方式,解决了训练样本量少导致的模型分类效果差的问题,根据各模态的第一目标特征进行融合得到预测分类结果,能够提高模型分类性能。
-
公开(公告)号:CN114376558A
公开(公告)日:2022-04-22
申请号:CN202210296098.4
申请日:2022-03-24
Applicant: 之江实验室
Abstract: 本发明公开了一种基于磁共振和孪生图神经网络的脑图谱个体化方法及系统;首先,对静息态功能磁共振数据(rs‑fMRI)利用基于感兴趣区域的功能连接提取特征,同时对该特征进行费雪变换和指数变换;其次,对该数据集中T1加权的磁共振数据提取对应邻接矩阵;然后,以变换之后的特征和邻接矩阵作为输入,以组图谱标签和采样掩膜作为输出,设计孪生图神经网络进行训练和测试。相比于其他的rs‑fMRI个体化图谱方案,本发明利用rs‑fMRI和组图谱的数据特点设计的孪生网络架构和中心采样模式所重建的个体化脑图在任务态磁共振数据上的激活分布更加均匀,同时具有更短的重建时间。
-
公开(公告)号:CN116823625A
公开(公告)日:2023-09-29
申请号:CN202311099719.0
申请日:2023-08-30
Applicant: 之江实验室
IPC: G06T3/40 , G06T5/00 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于变分自编码器的跨对比度磁共振超分辨率方法和系统。首先,获取同一受试者的不同对比度的高分辨和低分辨率的磁共振成像;然后设计单一对比度的超分辨率网络学习低分辨率到高分辨率图像的映射;接着设计编码和解码模块学习对比度信息,并接入单一对比度的超分辨率网络完成跨对比度重建。本发明可以对不同对比度的低分辨率磁共振图像重建出参考对比度的高分辨率磁共振图像,为临床应用和研究提供大量高质量的数据,便于后续磁共振定性定量分析。
-
公开(公告)号:CN116805284A
公开(公告)日:2023-09-26
申请号:CN202311085914.8
申请日:2023-08-28
Applicant: 之江实验室
IPC: G06T3/40 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了一种基于特征迁移的三维磁共振平面间超分辨重建方法和系统。首先,获取高分辨率的磁共振数据和对应的低分辨率数据;其次,将三维高分辨率数据转成二维标签数据,将三维低分辨率数据进行插值后转成二维初始数据,将三维低分辨率数据通过最近邻寻找的方法生成二维参考数据;然后设计基于特征迁移和平面间超分辨的深度学习网络完成二维低分辨率图像到高分辨率图像的映射;最后将二维高分辨率图像组合成三维高分辨率图像。本发明利用数据本身的先验信息大幅提升重建质量,同时重建不同的其他低分辨率磁共振图像时,具有更好的泛化性能和重建质量,因而可以为临床应用和研究提供大量高质量的数据,便于后续磁共振定性定量分析。
-
公开(公告)号:CN115423894B
公开(公告)日:2023-02-03
申请号:CN202211375033.5
申请日:2022-11-04
Applicant: 之江实验室
IPC: G06T11/00 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于变分自编码器的磁共振加权图像合成方法和装置,包括以下步骤:步骤S1:使用磁共振扫描仪获取多对比度的真实磁共振加权图像及磁共振定量参数图;步骤S2:组成磁共振加权图像;步骤S3:构建具有编码器和解码器结构的预训练变分自编码器模型;步骤S4:得到变分自编码器模型;步骤S5:将所述磁共振加权图像和所述磁共振定量参数图通过所述变分自编码器模型合成第二磁共振加权图像。本发明使用变分自编码器模型,通过多种对比度磁共振加权图像的训练,可以得到一个近似的对比度信息的连续分布,这使得本发明中涉及的变分自编码器模型可以重建得到训练数据中不存在的磁共振加权图像。
-
公开(公告)号:CN115116607A
公开(公告)日:2022-09-27
申请号:CN202211056174.0
申请日:2022-08-30
Applicant: 之江实验室
Abstract: 本发明公开了一种基于静息态磁共振迁移学习的脑疾病预测系统,分别获取健康成人静息态磁共振大数据集和对应脑疾病的患者静息态磁共振数据,预处理后配准到标准脑空间;通过匹配到标准脑空间的脑图谱提取各个脑区的时间信号;利用图卷积网络和门控循环网络构建深度学习模型并基于健康成人大数据集进行预训练;基于预训练模型和患者静息态功能磁共振数据进行模型微调和疾病预测。本发明提取静息态磁共振信号中的时空特征,利用健康成人的静息态磁共振大数据集对深度学习模型进行预训练,充分挖掘健康成人静息态磁共振中的固有时空特征模式,并将健康成人数据中学习到的先验时空特征模式迁移到脑疾病预测中,有效提高模型的预测性能。
-
公开(公告)号:CN114334140A
公开(公告)日:2022-04-12
申请号:CN202210218603.3
申请日:2022-03-08
Applicant: 之江实验室
Abstract: 本发明公开了一种基于多关系功能连接矩阵的疾病预测系统及装置,根据脑图谱提取的静息态功能磁共振时间序列,分别计算皮尔逊相关系数矩阵与DTW距离矩阵,并结合皮尔逊相关系数矩阵将DTW距离矩阵转换为包含相关程度及相关方向信息,且数值范围和皮尔逊系数取值范围相当的DTW'矩阵,加权联合后得到功能连接矩阵。本发明联合DTW距离信息以减弱功能连接的动态变化及不同脑区功能信号的非同步性对功能连接矩阵的影响,使计算得到的功能连接矩阵可以更好地反应不同脑区功能信号之间的相关关系。以本发明系统计算的功能连接矩阵为特征进行精神疾病预测,可以提高疾病预测的准确率以及预测模型在多中心数据的泛化能力。
-
-
-
-
-
-
-
-
-