-
公开(公告)号：CN116525108A
公开(公告)日：2023-08-01
申请号：CN202310243178.8
申请日：2023-03-14
Applicant: 中国科学院深圳先进技术研究院
Abstract: 本申请公开了一种基于SNP数据的预测方法、装置、设备及可读存储介质，该方法包括步骤：获取被试者的SNP数据；将所述SNP数据中的SNP位点数据输入至预设预测模型，基于所述预设预测模型，对所述SNP位点数据进行预测处理，输出目标预测结果。本申请增加了对被试者数据分析后，得到的AD预测结果的准确性。
-
公开(公告)号：CN114037874B
公开(公告)日：2024-07-02
申请号：CN202111342365.9
申请日：2021-11-12
Applicant: 中国科学院深圳先进技术研究院
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明适用图像处理技术领域，提供了一种三维图像的分类网络装置、方法及图像处理设备，该网络包括第一三维卷积层、三维最大池化层、多个三维移动倒置瓶颈模块、第二三维卷积层以及全连接模块，通过第一三维卷积层对待分类图像进行卷积，通过三维最大池化层对第一三维卷积层输出的三维特征图进行压缩，通过多个三维移动倒置瓶颈模块对三维最大池化层输出的三维特征图进行处理，通过第二三维卷积层对多个三维移动倒置瓶颈模块中最后一个模块输出的三维特征图的通道维度进行提升，最后通过全连接模块将第二三维卷积层输出的特征连接起来，根据连接得到的特征确定待分类图像的类别，实现了三维图像的直接处理，提高了三维图像的分类效率。
-
公开(公告)号：CN114748055A
公开(公告)日：2022-07-15
申请号：CN202210282658.0
申请日：2022-03-22
Applicant: 中国科学院深圳先进技术研究院
Abstract: 本发明公开了一种三维卷积模型、脑龄识别方法、装置、计算机设备及介质，通过获取现有的公共脑部数据集进行配准后组成模型训练集，并使用所述模型训练集对预设的三维卷积模型进行训练后生成最终训练模型，并使用所述最终训练模型对用户的用户脑部数据进行推算，从而输出最终脑龄结果的方式实现了通过对公共脑部数据集进行配准后组成模型训练集，并将配准后的模型训练集输入训练后的三维卷积模型实现准确推算用户的脑龄结果，解决了现有技术当中现有的三维的卷积神经网络在直接输入数据进行训练时往往会由于输入的大脑特征参数不一致导致影像三维卷积神经网络推测出的脑龄结果失真的问题，提升了脑龄结果推算的准确性。
-
公开(公告)号：CN114159042A
公开(公告)日：2022-03-11
申请号：CN202111270992.6
申请日：2021-10-29
Applicant: 中国科学院深圳先进技术研究院
Abstract: 本发明适用于图像处理技术领域，提供了一种脑龄预测方法、装置、设备及介质，脑龄预测装置包括用于对待测者的三维脑部核磁共振影像数据进行预处理的预处理单元，以及用于将预处理后的影像数据输入到脑龄预测网络中，并输出脑龄预测结果的脑龄预测单元，该脑龄预测网络包括依次连接的第一、第二基本卷积模块、第一、第二、第三残差卷积模块、二维最大池化模块、全连接模块及sigmoid函数模块，该脑龄预测网络还包括输入端和输出端分别与第二基本卷积模块的输出端和第二残差卷积模块的输入端连接的第一跨层辅助残差模块，输入端和输出端分别与第一残差卷积模块的输出端和第三残差卷积模块的输入端连接的第二跨层辅助残差模块，从而实现了脑龄预测。
-
公开(公告)号：CN115409782A
公开(公告)日：2022-11-29
申请号：CN202210957522.5
申请日：2022-08-10
Applicant: 中国科学院深圳先进技术研究院
Abstract: 本申请涉及数据分析领域，尤其是一种胎儿脑MRI组织分析方法、装置和电子设备，包括获取多个治疗后脑MRI图像，每一治疗后脑MRI图像对应不同胎龄；将每一治疗后脑MRI图像进行脑组织分割，得到多个局部脑组织对应的多个治疗后局部脑组织分割图；针对每一治疗后脑MRI图像，获取与每一治疗后局部脑组织分割图对应的治疗前局部脑组织分割图；针对每一治疗后脑MRI图像，确定每一局部脑组织形变系数；针对每一局部脑组织，根据所有胎龄对应的局部脑组织形变系数生成每一局部脑组织对应的线性分析图；基于所有局部脑组织对应的线性分析图确定最终脑组织分析信息。本申请便于对不同胎龄与不同脑组织治疗前后变化产生的影响进行整体分析。
-
公开(公告)号：CN115063351A
公开(公告)日：2022-09-16
申请号：CN202210568286.8
申请日：2022-05-24
Applicant: 中国科学院深圳先进技术研究院
Abstract: 本发明涉及医学MRI成像领域，具体涉及一种基于深度学习的胎儿MRI脑组织分割方法及装置。该方法及装置首先对胎儿大脑MRI进行数据增强操作，再构建基于Contextual Transformer block的特征金字塔模型：特征金字塔模型在编码器和解码器部分引入注意力结构CoT‑Block，注意力结构CoT‑Block利用key上下文信息，指导动态注意力矩阵的学习，增强提取数据增强后的胎儿大脑MRI图像中的特征；特征金字塔模型在解码器部分引入混合膨胀卷积模块，混合膨胀卷积模块扩大感受野并且保留详细的空间信息，并有效提取医学图像中的全局上下文信息，从而有效地提高分割的精度，最大程度地帮助医生进行临床诊断。
-
公开(公告)号：CN118072142A
公开(公告)日：2024-05-24
申请号：CN202410265269.6
申请日：2024-03-08
Applicant: 中国科学院深圳先进技术研究院
IPC: G06V10/82 , G06V10/26 , G06V10/80 , G06V10/44 , G06V10/52 , G06V20/64 , G06N3/0464 , G06N3/0455 , G06N3/042 , G06N3/048
Abstract: 本申请适用计算机图像处理技术领域，提供了一种脑组织三维MRI图像分割网络及其存储介质和处理器。本申请为了充分挖掘图像信息，进一步提高脑组织分割的精度，设计了一种基于多尺度特征融合和图卷积注意力机制的脑组织分割方法。其中，在对编码器部分进行的改进中，采用在编码器中使用稀疏全局注意力模块进行优化，使编码器并不与每一个像素计算相关关系，而是与包含自身像素在内的三维空间中轴线和对角线上的对应像素计算相关关系；当选择好要计算相关关系的像素距离后，就可以计算稀疏全局注意力。不仅关注了多个尺度信息，且有效的减少了计算量，使编码器提取到的特征更加有效率。
-
公开(公告)号：CN116259359A
公开(公告)日：2023-06-13
申请号：CN202310243182.4
申请日：2023-03-14
Applicant: 中国科学院深圳先进技术研究院
Abstract: 本申请公开了一种基于基因影像组的预测方法、装置、设备及存储介质，该方法包括步骤：获取被试者的MRI数据和SNP数据；将所述MRI数据和所述SNP数据输入至预设预测模型中，基于所述预设预测模型，对所述MRI数据和所述SNP数据进行预测处理，得到目标预测结果；其中，所述预设预测模型中具有交叉网络结构，所述交叉网络结构中的每个子结构均融合了所述MRI数据和所述SNP数据所对应的模态数据，且每个子结构中融合的是不同的模态数据，所述MRI数据和所述SNP数据所对应的模态数据是对所述MRI数据和所述SNP数据分别进行对应低维度转换得到的。本申请增加了对患者特征数据进行分析，从而得到的AD风险预测结果的准确性。
-
公开(公告)号：CN115048974A
公开(公告)日：2022-09-13
申请号：CN202210334686.2
申请日：2022-03-31
Applicant: 中国科学院深圳先进技术研究院
Abstract: 本发明公开了一种三维图像分类方法、装置、计算机设备及介质，通过获取待分类图像，所述待分类图像为待分类三维图像，通过图像切分对将所述待分类图像进行切分，生成待转化图像块，将所述待转化图像块进行张量转化，形成转化图像张量，通过所述编码器单元以及所述全连接神经网络单元根据所述转化图像张量推算所述待分类图像的类别，本申请通过上述方法，通过将所述待分类三维图像切分为待转化图像块后将所述待转化图像块转化为张量数据，并根据所述张量数据对所述待转化图像块进行分类的方式实现了可由卷积神经网络对所述待分类三维图像进行图像分类，解决了现有技术当中现有的Vision Transformer只能针对二维图像的分类的问题。
-
公开(公告)号：CN114037874A
公开(公告)日：2022-02-11
申请号：CN202111342365.9
申请日：2021-11-12
Applicant: 中国科学院深圳先进技术研究院
IPC: G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明适用图像处理技术领域，提供了一种三维图像的分类网络、方法及图像处理设备，该网络包括第一三维卷积层、三维最大池化层、多个三维移动倒置瓶颈模块、第二三维卷积层以及全连接模块，通过第一三维卷积层对待分类图像进行卷积，通过三维最大池化层对第一三维卷积层输出的三维特征图进行压缩，通过多个三维移动倒置瓶颈模块对三维最大池化层输出的三维特征图进行处理，通过第二三维卷积层对多个三维移动倒置瓶颈模块中最后一个模块输出的三维特征图的通道维度进行提升，最后通过全连接模块将第二三维卷积层输出的特征连接起来，根据连接得到的特征确定待分类图像的类别，实现了三维图像的直接处理，提高了三维图像的分类效率。
