面向全球脑科学研究的尖端挑战和我国老龄化带来对退行疾病临床的巨大需求，构建基于人工智能、大数据挖掘等技术的脑影像组学模型，编码与疾病对应的指纹信息，开发Brain Label (SAAS)云，精度比肩国际领先的FSL（牛津大学）和FreeSurfer（哈佛大学）。该平台已在国内神经科排名前十的三甲医院（宣武、天坛等）使用，成为宣武国家临床研究中心的唯一影像大数据技术，为其500余家联盟医院（含深圳市）提供智能化分析服务，也

一、项目简介 磁共振成像以其具有多模态成像、高分辨及无辐射伤害等优点，在临床医学影像中具有无可替代的地位。然而较慢的成像速度及易受各种伪影干扰是其主要缺点。另一方面，随着临床上对磁共振成像需求的急剧增长，诊断医生的缺口越来越大，并严重影响病人得到及时、准确的诊断。因此，在磁共振成像中引入以深度学习为代表的智能技术，一方面用于加速成像采集速度及提高成像质量，另一方面用于进行智能诊断，解决临床医生人力不足、误诊率较高的问题。 二、前期研究基础 基于我们在磁共振成像方法设计、超分辨率重建及临床应用等方面的跨学科研究优势，我们利用深度学习技术对磁共振成像的各个方面进行整合优化设计，并取得许多重要的初步成果，具有良好的前期工作基础。 三、应用技术成果 我们在深度学习与超快速磁共振成像方面的结合进行了深度研究，并取得许多重要成像。我们研究了基于深度学习的超快速多参数磁共振成像重建，并取得良好的效果，如图1所示。我们还研究了利用深度学习对磁共振成像进行无参考扫描的扭曲校正，如图2所示。

产品详细介绍EEG高级数据处理分析模块可以通过可穿戴脑电测量系统采集到与EEG分析相关的脑电信号进行离线处理和分析，结合ErgoLAB人机环境测试云平台可以分析多模态数据同步分析。可对信号进行自由选择、放大、缩小，便于浏览数据；在整体呈现数据的基础上，还可以根据片段、事件、场景三种分割方式进行数据呈现与分析；可导出原始数据、处理后数据和分析后数据；并可导出可视化分析报告。1、信号处理模块EEG信号处理包括High Pass高通滤波（High Pass）；低通滤波（Low Pass）；以及带阻滤波（Band Stop）。支持自定义设置参数。2、信号分析模块（1）脑地形图分析（Scalp Map）：包括EEG信号不同频段下的平均能量值（Average Power ）与总能量值（Total Power ）的实时可视化结果显示。包含的数据指标如下：Delta(1-4Hz)   δ波，实时显示1-3Hz频段的脑电波Theta(4-8Hz)   θ波，实时显示4-7Hz频段的脑电波Alpha(9-14Hz) α波，实时显示9-13Hz频段的脑电波Beta(14-30Hz) β波，实时显示14-29Hz频段的脑电波Gamma(30-49Hz) γ波，实时显示30-48Hz频段的脑电波Custom    自定义频段，用户可根据研究需要输入特定的整数波段（2）EEG通道分析1)Channel Analysis：通道分析，可针对脑电采集的单通道或全通道的数据进行数据分析。2)Time-Frequency Spectrum：时-频图，展示所选通道在整个实验过程中每个时刻的脑电频率变化，可以通过调整参数区间阈值，改变不同频率对应的颜色。3)Power Spectrum：能量谱图，该图展示了不同频率脑波的能量值。4)数据统计：具体指标包括α、β、γ、θ、δ频段的 Total Power、Power Percent、Average Power、Power Peak、α/β、θ/β、(α+θ)/β、(α+θ)/(α+β)以及θ/(α+β)、SMR频段的Power值。5)可视化Chart与导出数据模块：包括原始数据Raw Data、处理数据Processed、PSD数据以及整体结果报告。

本项目通过研发神经疾病异常脑状态智能检测方法，并建立基于医联体的脑电分布式智能处理平台，提供适应临床需求的癫痫脑电智能处理和远程协作诊疗方案，提高临床癫痫诊疗效率，并助力于癫分级诊疗体系建设。

本发明提出了一种医学影像计算机辅助分析方法，包括以下步骤：通过红外光源和红外热成像仪对医学影像进行一次扫描，对一次扫描图像的体数据进行图像分裂操作，得到一次图像数据；通过可见光光源和感光元件对所述医学影像进行二次扫描；对二次扫描图像的体数据进行所述图像分裂操作，得到二次图像数据；将所述一次图像数据和二次图像数据绑定，与病理数据库中已有的病理样本相比对，比对过程具体为一次图像数据互相比对，二次图像数据互相比对。

“现阶段医生需要在大量影像数据中快速诊断出新冠肺炎的病例，此外还需要诊断出病灶分布的位置、大小等来评估严重程度。”薛向阳介绍，针对临床的现实需求，团队将设计目标定位于“肺炎分类鉴别”和“关键病灶检测”两大功能，前者是为区别健康状态、新冠肺炎、其他病毒性肺炎、细菌性肺炎，后者则为找到并分隔出磨玻璃影等病灶区域。针对这些需求，团队设计诊断算法模型，让机器利用模型进行训练，学习不同类型肺炎在CT影像表现上的不同特征，最终具备智能辅助诊断的能力。而这需要突破小样本学习、小目标检测等多个技术难题。“小样本学习”即在较少训练数据样本的条件下进行机器学习。在疫情发生前期，能够获取的新冠肺炎影像数据相对较少，且由于一线影像医生任务繁重，无法获得大量专家标注，因此需要算法在少量样本的条件下“自学成才”。为此，团队采用基于自迁移学习的半监督学习等技巧，使算法具备一定的“小样本学习”能力，在不增加医生标注工作量的情况下较好地提高了算法模型的普适性。由于CT影像切片中的病灶区域有大有小，且往往大中小病灶区域面积悬殊，如何使算法能同时检测大、中、小各个目标是另一大难题。团队利用神经网络的层次性特点与病灶区域的大小进行对应，“网络的底层关注细节，即小病灶区域，而网络中层到高层所关注的病灶区域则越来越大，因此模型通过不同层次的加权和融合，最终便能达到同时检测大小病灶区域的目标。”薛向阳解释道。“不过，即便有诊断‘神器’，影像科医生也是不可替代的。”薛向阳说，人是复杂的机体，病毒在不同人体内感染的反映也不一定相同。”他表示，当遇到机器未曾学习过的微小病变或疑难病例时，仍需要影像医生的经验和智慧。以解决实际问题为目标，该项目在研究过程中始终与临床应用紧密结合。无论是机器学习数据，还是测试评估数据，都来源于临床真实病例。在算法模型定型过程中，为了检验模型的准确率和泛化性，团队也利用现实疑似病例进行了测试。

中试阶段/n该项目主要针对开源CT 医学影像数据和多中心合作单位提供的多模医学影像数据，采用人工智能技术和自主研制的深度学习算法对心脏左心室、肿瘤等CT 影像数据进行全自动分割，验证了所研制算法在该项目计算机辅助肿瘤智能诊断应用中的有效性，为项目产业化实施奠定了方法基础。成果的先进性或独特性：针对不同类型的医学影像感知设备，设计针对性强的机器学习智能算法；国内同类研究中首次采用“双盲评估+验证”的科研方法对影像数据进

当前，高校内部学院、部门网站更新不及时，僵尸网站、发布内容存在不规范用语、错别字等情况较为普遍，造成了很大的安全风险。由内蒙古财经大学自主开发的“镜湖一号——高校对外宣传数据智能分析平台一体机”，很好的解决了上述出现的问题。同时，还具备了呈现学校对外宣传数据数据分析与挖掘的可视化态势展现功能，支持大屏观看和手机端查看。“镜湖一号”基于高校对互联网发布的各类数据，使用人工智能和大数据分析技术设计应用模型，让学校的管理者实时掌握数据动态。 应用场景及创新点： 1.监控敏感信息泄露，展现处置状态。 2.代替人工发现更新不及时、不到位的网站。 3.对比分析高校党建态势，同时展现学校内部各部门党建状态和成果。 3.实时展示高校发布的宣传数据态势，分析出最受欢迎、热门文章等。 4.平台支持国产化平台部署。 5.实现一体机快速部署。

产品详细介绍适用于煤炭、电力、化工、冶金、水泥、地质勘探和医药、科研等行业和部门进行工业分析。煤质化验时，能严格按照国标GB212、GB5447、GB5449有关规定，自动完成慢灰、快灰、罗加指数、粘结指数、挥发分等测定。

本发明兼顾地学空间统计学和模式识别理论方法，基于统计方法提出分割前最优尺度分割参数自动选择及分割后的尺度效应评价及尺度分割参数的优化调整，提高了面向对象遥感影像信息提取和分析的精度、效率和自动化程度。