-
公开(公告)号：CN110599442B
公开(公告)日：2022-08-12
申请号：CN201910587047.5
申请日：2019-07-01
Applicant: 兰州大学
IPC: G06T7/00 , G06T7/11 , G06T7/33 , G06T5/00 , G06T9/00 , G06V10/44 , G06V10/764 , G06V10/77 , G06V10/80 , G06K9/62 , G16H20/70 , G16H50/20
Abstract: 本发明提出的一种脑融合皮质厚度和边缘系统形态特征的抑郁识别系统，融合大脑的皮质厚度特征与边缘系统的海马体、杏仁核的形态特征进行特异特征选择，并采用深度神经网络(DNN)进行特征融合和分类，显著提高了利用MRI图像对抑郁症识别的准确率。包括(a)MRI图像获取模块，用于获取被试者大脑MRI数据；(b)特征选择模块，用于根据获取的MRI数据，获取大脑皮质厚度特征及边缘系统的海马体、杏仁核的形态特征，进而选择识别抑郁的特异特征；(c)分类识别模块，采用深度神经网络(DNN)将大脑皮质厚度特征与边缘系统形态特征进行融合，并进行分类，识别抑郁患者和正常被试。
-
公开(公告)号：CN111127441A
公开(公告)日：2020-05-08
申请号：CN201911356633.5
申请日：2019-12-25
Applicant: 兰州大学
Abstract: 本发明提出一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统，将深度学习应用于多模态脑影像的抑郁识别，在多模态脑网络和卷积神经网络(CNN)之间通过图节点嵌入架起一座桥梁，使CNN可以用于多模态脑影像的抑郁症识别，提高了抑郁识别准确率。本发明的方法包括以下步骤：1)获取抑郁患者和正常对照组的静息态fMRI和DTI影像数据；2)对获取的fMRI和DTI影像数据进行预处理；3)根据预处理后的fMRI和DTI影像数据分别构建脑功能网络和脑结构网络，得到脑网络邻接矩阵；4)采用图节点嵌入将邻接矩阵表示为图像，输入到卷积神经网络中进行分类，建立识别抑郁患者和正常被试的分类模型。
-
公开(公告)号：CN110599442A
公开(公告)日：2019-12-20
申请号：CN201910587047.5
申请日：2019-07-01
Applicant: 兰州大学
IPC: G06T7/00 , G06T7/11 , G06T7/33 , G06T5/00 , G06T9/00 , G06K9/46 , G06K9/62 , G16H20/70 , G16H50/20
Abstract: 本发明提出的一种脑融合皮质厚度和边缘系统形态特征的抑郁识别系统，融合大脑的皮质厚度特征与边缘系统的海马体、杏仁核的形态特征进行特异特征选择，并采用深度神经网络(DNN)进行特征融合和分类，显著提高了利用MRI图像对抑郁症识别的准确率。包括(a)MRI图像获取模块，用于获取被试者大脑MRI数据；(b)特征选择模块，用于根据获取的MRI数据，获取大脑皮质厚度特征及边缘系统的海马体、杏仁核的形态特征，进而选择识别抑郁的特异特征；(c)分类识别模块，采用深度神经网络(DNN)将大脑皮质厚度特征与边缘系统形态特征进行融合，并进行分类，识别抑郁患者和正常被试。
-
公开(公告)号：CN113705680B
公开(公告)日：2024-08-02
申请号：CN202110999956.7
申请日：2021-08-27
Applicant: 兰州大学
Abstract: 本申请提供了一种基于多模态磁共振数据的癌症伴随型抑郁识别方法，解决了多模态磁共振数据的癌症伴随型抑郁识别的问题，提高识别的准确率。其中，本申请利用静息态功能磁共振成像(fMRI)脑影像数据集合的平均时间序列相关性构建大脑的功能网络，利用弥散张量成像(DTI)的脑影像数据构建大脑的结构网络，进而构造多层网络，多层网络是指建立功能网络和结构网络中相同节点的层间连接的网络。进一步，利用结构磁共振成像(sMRI)提取皮质下结构的形态学特征，同时，提取多层网络的拓扑特征用于分类。最后，将不同特征训练得到的分类模型进行融合。本申请提出将多层网络应用于精神疾病识别，挖掘不同模态的大脑网络之间隐藏的关系，提高分类准确率。
-
公开(公告)号：CN114283935B
公开(公告)日：2024-07-16
申请号：CN202111582180.5
申请日：2021-12-22
Applicant: 兰州大学
Abstract: 本申请提供了一种疼痛等级评估方法及系统，所述方法通过疼痛样本、对照样本以及诱发样本的样本数据，建立各样本数据对应的脑网络，并计算各脑网络模型的拓扑属性值，得到疼痛样本数据对应的脑网络相对于对照样本数据对应的脑网络的动态性变异梯度属性和各脑区参与疼痛感知的权重值，从而得到动态疼痛标志物，根据动态疼痛标志物，可以准确、定量评估慢性疼痛患者大脑对疼痛的感知程度。本申请提供的方法及系统通过脑区的动态性变异梯度属性可以直观反映疼痛样本相较于对照样本的变异性，且通过求得的各脑区参与疼痛感知的权重值可以有效去除慢性疼痛的病理性影响，求得的动态疼痛标志物更聚焦于躯体感知层面，得到更为客观的疼痛等级评估结果。
-
Patent Agency Ranking
公开(公告)号：CN116468668A
公开(公告)日：2023-07-21
申请号：CN202310247487.2
申请日：2023-03-15
Applicant: 兰州大学
Abstract: 本发明公开一种偏侧化发育引导的新生儿脑成熟度评估方法及系统，对目标对象的脑部T2加权影像数据进行组织分割，并提取分割组织中白质组织表面的沟回曲率特征图和沟回深度特征图。基于沟回曲率特征图和沟回深度特征图，确定分割影像中左半脑对应的第一形态学特征和右半脑对应的第二形态学特征。将第一形态学特征和第二形态学特征分别输入至训练好的双侧交互管道网络模型中，得到目标对象的脑龄预测结果并输出。能够采用双侧交互管道网络模型考虑大脑左右半球之间的信息交互过程，快速准确地预测新生儿大脑年龄，根据预测脑龄和实际脑龄之间的差值进而准确评估新生儿大脑的发育结果，同时可视化发育异常的新生儿各个大脑皮层区域异常发育的程度。
-
公开(公告)号：CN110288590B
公开(公告)日：2023-05-16
申请号：CN201910583879.X
申请日：2019-07-01
Applicant: 兰州大学
Abstract: 本发明提出的一种基于形态测量学的抑郁症脑皮质下结构易损区域定位方法，在抑郁症患者脑皮质下结构发生显著性的体积或者表面积的变化之前，去定位出那些早期抑郁症导致的脑皮质下结构细微的形态学变化，为识别早期抑郁症患者提供依据。本发明的方法同时采用基于张量和基于轴心距的两种数学模型定位出早期抑郁症导致的脑皮质下结构的细微形态学变化；通过基于张量的数学模型获得脑皮质下结构表面顶点的张量，并通过所述基于轴心距的数学模型获得相应表面顶点相对于其几何中心体的轴心距；进而对获得的抑郁症患者组和正常对照组的脑皮质下结构各个表面顶点的张量和轴心距进行组间形态学差异分析，得出抑郁症患者组的显著性形态学变化区域。
-
公开(公告)号：CN114947812A
公开(公告)日：2022-08-30
申请号：CN202210762415.7
申请日：2022-06-29
Applicant: 兰州大学
Abstract: 本发明公开一种基于增强动态性检测概率优化磁共振扫描时间的方法，通过对磁共振图像进行预处理，并再依次进行分割脑区处理、同数量级处理、滑动窗口切分处理、和预测，得到第一预测序列，再通过对由第二时间序列分割部分进行空间加权处理，并拼接成全脑区时间序列矩阵，对其依次进行编码器网络处理、加权处理、解码器网络处理和时间序列预测得到第二预测序列，通过第一预测序列、第二预测序列和第一预测序列构建损失函数并进行动态性检测，得到增强的检测概率，并再根据现有的检测概率，确定磁共振扫描时间的缩短长度。本发明通过提升动态性检测概率，以此来缩短磁共振的扫描时间，解决现有技术中一些患者不能长时间进行磁共振扫描的问题。
-
公开(公告)号：CN109146005A
公开(公告)日：2019-01-04
申请号：CN201811216494.1
申请日：2018-10-18
Applicant: 兰州大学
CPC classification number: G06K9/6269 , A61B5/055 , A61B5/4064 , A61B5/72 , G06K9/6249
Abstract: 本发明提出一种基于稀疏表示的脑认知能力分析方法，通过设计适合的认知任务，基于任务态的功能磁共振成像进行脑认知能力分析，采用稀疏编码技术将复杂的脑信号稀疏表示，具有计算复杂度低、可解释性强的优点。包括以下步骤：1)通过被试执行两组具有认知差异的认知任务，获取任务态的的脑功能磁共振图像；2)将对图像进行相应格式转化及预处理操作；3)对获取的脑功能磁共振图像进行解码操作，采取的解码方法为稀疏编码，得到基于体素的全脑信号的字典集D和系数X；4)提取与认知任务相关的脑组件的特征，对提取后的特征进行分类，输出对应两组认知任务的分类结果。
-
公开(公告)号：CN116468668B
公开(公告)日：2024-09-06
申请号：CN202310247487.2
申请日：2023-03-15
Applicant: 兰州大学
Abstract: 本发明公开一种偏侧化发育引导的新生儿脑成熟度评估方法及系统，对目标对象的脑部T2加权影像数据进行组织分割，并提取分割组织中白质组织表面的沟回曲率特征图和沟回深度特征图。基于沟回曲率特征图和沟回深度特征图，确定分割影像中左半脑对应的第一形态学特征和右半脑对应的第二形态学特征。将第一形态学特征和第二形态学特征分别输入至训练好的双侧交互管道网络模型中，得到目标对象的脑龄预测结果并输出。能够采用双侧交互管道网络模型考虑大脑左右半球之间的信息交互过程，快速准确地预测新生儿大脑年龄，根据预测脑龄和实际脑龄之间的差值进而准确评估新生儿大脑的发育结果，同时可视化发育异常的新生儿各个大脑皮层区域异常发育的程度。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.022 seconds)
