本申请实施例公开了一种基于人工智能技术的动脉自旋标记方法、装置及存储介质，其中基于人工智能技术的动脉自旋标记方法包括：获取T1加权解剖图像，并输入用于动脉自旋标记的深度神经网络，所述深度神经网络采用3DTU

本申请实施例公开了一种癫痫脑电信号自动检测和分类模型建立方法及应用，其中癫痫脑电信号自动检测和分类模型建立方法包括：提取癫痫脑电信号，并进行数据预处理，所述数据预处理包括应用郊狼优化算法进行特征选择，以获得最优子类特征；将所选的所述最优...

本申请实施例公开了一种建立脑血管分割模型的方法、脑血管分割方法及装置，其中建立脑血管分割模型的方法包括步骤：构建HMRF模型，使用所述HMRF模型对获取的训练用TOF

本申请实施例公开了一种建立WMHs分割模型的方法、WMHs分割方法及装置，其中建立WMHs分割模型的方法包括步骤：获取训练用的3D

本发明实施例公开了一种MI

本申请实施例公开了一种基于深度学习的大脑微出血识别方法、装置及存储介质，其中基于深度学习的大脑微出血识别方法包括：从多回波序列中获取三维的SWI图像，将所述SWI图像作为输入，利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者；...

本申请实施例公开了一种脑电图信号的选择性迁移学习方法、装置及存储介质，其中脑电图信号的选择性迁移学习方法包括：通过共同平均参考对获取的所有源域和目标域的脑电图信号进行预处理，保留所述源域和目标域中选定通道的脑电图信号；使用每个预处理后的...

本发明实施例公开了一种MRI图像的分类诊断系统、方法、电子设备及介质，MRI图像的分类诊断方法包括：获取原始脑肿瘤MRI图像数据集；对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据；构建深度可分离卷积神经...

本申请实施例公开了一种运动执行和运动意图的分析方法、装置及存储介质，其中运动执行和运动意图的分析方法包括：获取对象的原始脑电图信号；利用多重分形分析方法，选择事件相关去同步和事件相关同步最明显的两个脑区作为选定区域；利用时间

本申请实施例公开了一种MR灌注图像的脑缺血分割方法、装置及存储介质，其中MR灌注图像的脑缺血分割方法包括：获取MR灌注图像，进行预处理；将得到的预处理后的所述MR灌注图像作为输入，利用训练后的卷积神经网络模型进行脑缺血分割分析，得到输出...

本申请实施例公开了一种基于自监督学习的通道注意MLP

本申请实施例公开了一种立体脑电图电极信号解码模型构建方法及其应用，其中立体脑电图电极信号解码模型构建方法包括：利用立体脑电图电极获取对象在特定行为下所产生的神经活动的双极数据，获取所述双极数据的综合振幅特征；对所述综合振幅特征进行解码，...

本申请实施例公开了一种脑灌注数据分析方法、装置及存储介质，其中脑灌注数据分析方法包括步骤：获取初始图像，初始图像是由CT和MRI两种扫描模式通过脑灌注成像所获得的两种类型的图像组合而成；对初始图像进行血管编码和血管标记，然后通过减法计算...

本申请实施例公开了一种脑电运动意图分类模型建立方法及其应用，其中脑电运动意图分类模型建立方法包括：将未经过滤的脑电数据作为输入，对构建的卷积神经网络进行训练，得到输出的特征图和运动意图分类结果；根据特征图和运动意图分类结果，获取Grad

本申请实施例公开了一种脑出血医学图像的病变合成方法、装置及存储介质，其中脑出血医学图像的病变合成方法包括：使用脑颅骨和脑实质分割的预训练模型提取脑实质和脑颅骨部分，从提取出的脑颅骨和脑实质的边界中随机选择一个形状的两个端点，根据所述端点...

本申请实施例公开了一种MRA图像分割方法、装置及存储介质，其中MRA图像分割方法包括步骤：获取MRA图像，建立所述MRA图像数据中的血管信号概率模型；基于所述血管信号概率模型，利用最大期望算法分割所述MRA图像，得到分割后的血管图像。通...

本发明实施例公开了一种基于GCN分析fMRI图像的系统、方法、电子设备及介质，从大脑fMRI图像数据中选取感兴趣区域，提取每个感兴趣区域中所有体素对应的时间序列，并生成感兴趣区域的功能连接矩阵；通过NetMF节点嵌入算法提取功能连接矩阵...

本发明实施例公开了一种图像分割方法及装置，通过获取第一图像，所述第一图像为针对脑部的核磁共振图像；对所述第一图像进行预处理得到第二图像，所述预处理包括体积级和空间级的数据增强；利用第一图像和第二图像，采取混合精度训练方式对图像分割神经网...

本申请公开了基于机器学习的腹主动脉瘤破裂风险的预测系统，其中所述系统包括病灶区域3D重建模型模块，形态学参数模块，有限元素分析模块，血流动力学参数模块，临床数据模块，机器学习模块。通过本申请建立机器学习模型，融入多种因素预测AAA破裂风...

本申请实施例公开了一种基于深度学习的海马体分割方法、装置及存储介质，其中基于深度学习的海马体分割方法包括步骤：S1、获取通过核磁共振成像生成的第一图像，利用训练后的深度信念网络推断第一图像中的目标形状，得到包含目标形状的第二图像；S2、...