-
公开(公告)号：CN114947812B
公开(公告)日：2025-05-09
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：CN116597234A
公开(公告)日：2023-08-15
申请号：CN202310744272.1
申请日：2023-06-21
Applicant: 兰州大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06T7/00
Abstract: 本申请提供一种基于多模态三维卷积神经网络的图像分类方法及系统，所述方法可以在获取到不同模态的第一模态图像和第二模态图像后，通过图像分割模型提取实质掩膜，同时根据缩放因子实现第一模态图像和第二模态图像之间的位置对应，从而在第一模态图像中提取第一实质区域，在第二模态图像中提取第二实质区域。再通过图像分类模型对第一实质区域和第二实质区域进行特征提取、模态融合及特征分类，得到分类结果。所述方法将图像分割模型和图像分类模型串联联合，并采用多模态输入的三维卷积神经网络实现图像的分类，输入为两种不同模态的图像数据，使用神经网络对其进行特征提取后，将两种特征进行级联融合，从而得到分类预测结果，提高分类精度。
-
公开(公告)号：CN111127441B
公开(公告)日：2022-08-12
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：CN113705680A
公开(公告)日：2021-11-26
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：CN110288590A
公开(公告)日：2019-09-27
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。
-
Patent Agency Ranking
-
公开(公告)号：CN117974581A
公开(公告)日：2024-05-03
申请号：CN202410071021.6
申请日：2024-01-18
Applicant: 兰州大学
Abstract: 本申请提供一种基于高振幅帧的倦怠等级检测方法及系统，所述方法包括：获取静息态功能磁共振影像数据；根据静息态功能磁共振影像数据生成原始目标区时间信号序列；对原始目标区时间信号序列按照振幅执行降序排序，以在排序结果中获得预设范围的高振幅帧；根据高振幅帧构建目标功能连接网络；根据目标功能连接网络计算全局拓扑特征；将全局拓扑特征输入支持向量回归模型，以获得支持向量回归模型输出的识别结果；根据识别结果，输出倦怠等级。通过静息态功能磁共振影像数据得到全局拓扑特征，将全局拓扑特征输入支持向量回归模型得到识别结果，再根据识别结果输出倦怠等级，以解决倦怠检测方法效率低的问题。
-
公开(公告)号：CN117274163A
公开(公告)日：2023-12-22
申请号：CN202311082887.9
申请日：2023-08-28
Applicant: 兰州大学
Abstract: 本发明公开一种基于多超图协同优化的孤独症亚型检测方法及系统，所述方法可获取包括第一模态与第二模态的影像数据，并提取第一模态影像数据的低频波动振幅图与第二模态影像数据的脑组织密度图。根据自动标注图谱划分脑区，并提取各脑区的低频波动振幅与脑组织密度的平均特征序列。再通过平均特征序列生成第一数据矩阵与第二数据矩阵，以及根据上述数据矩阵构建第一超网络和第二超网络。针对第一超网络和第二超网络提出一种面向多超图协同优化的社区检测方法以生成聚类结果，作为孤独症亚型的检测结果。所述方法基于多模态影像数据构建相关联的超网络，再将多模态超网络融合并执行协同优化以检测孤独症亚型，可提高孤独症亚型检测的准确率。
-
公开(公告)号：CN120032044A
公开(公告)日：2025-05-23
申请号：CN202411924641.6
申请日：2024-12-25
Applicant: 兰州大学
IPC: G06T17/00 , G16H30/40 , G06N3/0475 , G06N3/045 , G06N3/084 , G06N3/094 , G06N3/0455 , G06N3/0464 , G06T5/60
Abstract: 本发明公开了一种基于深度学习的超低剂量PET图像重建混合方法，包括：构建数据集，所述数据集包括超低剂量下与全剂量下的PET医学影像，所述PET医学影像是指多张PET图像依次堆叠而成的3D模型；构建生成对抗网络，其包括图像块采集模块，特征提取模块，生成模块以及重建模块；利用数据集对生成对抗网络进行训练，以获得用于生成全剂量PET医学影像的图像重构模型；将超低剂量下的PET医学影像输入至图像重构模型，以生成对应全剂量下的PET医学影像。本发明所提供的方法能实现超低剂量PET影像重建为满足临床需求的全剂量PET影像，以极大程度降低诊疗患者在多次PET图像扫描过程中积累的辐射暴露风险。
-
公开(公告)号：CN117770818A
公开(公告)日：2024-03-29
申请号：CN202311836808.9
申请日：2023-12-28
Applicant: 兰州大学
IPC: A61B5/16 , A61B5/245 , G06N3/042 , G06N3/0464 , G06N3/084 , G06F18/2134 , G06F18/2415 , G06F18/25 , G06F123/02
Abstract: 本申请提供一种情感识别方法及系统，所述方法通过获取脑磁生理信号，根据脑磁生理信号中的脑磁通道信息提取脑区信号，并根据预设频段值设置脑区信号的多个频段范围，以及，分别提取频段范围的脑区信号的脑区，从而通过动态加权超图神经网络模型，根据脑区和超边构建加权超图，并基于加权超图中的超边权重，输出加权超图的情感识别结果。所述方法通过动态加权超图神经网络模型对脑区和超边构成的超图进行加权，从而对加权超图进行卷积处理，通过融合多个频段范围的特征，提高情感识别的精度。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.025 seconds)
