-
公开(公告)号：CN105096331B
公开(公告)日：2018-05-15
申请号：CN201510518535.2
申请日：2015-08-21
Applicant: 南方医科大学
Abstract: 本发明公开了基于图割的肺4D‑CT肿瘤自动分割方法，包括(1)读取肺部4D‑CT图像，该图像由多幅不同相位的肺部3D‑CT图像组成；(2)获取初始相位3D‑CT图像上肿瘤的几何中心点；(3)得到初始相位目标块；(4)选取与步骤初始相位目标块最相似的目标块；(5)计算各相邻相位目标块之间的运动位移；(6)将步骤(2)得到的初始相位的目标种子点与步骤(5)得到的运动位移相加，获得其他相位的目标种子点的位置；(7)在步骤(3)和步骤(4)得到的各相位目标块上，利用步骤(2)和步骤(6)得到的各相位的目标种子点，获得肿瘤分割结果。该方法不仅自动化程度高，而且能够确保分割准确。
-
公开(公告)号：CN107103618A
公开(公告)日：2017-08-29
申请号：CN201710128508.3
申请日：2017-03-06
Applicant: 南方医科大学
IPC: G06T7/32
Abstract: 本发明公开了基于回归预测的肺4D‑CT多相位图像配准方法，包括(1)读取肺4D‑CT数据，获得不同相位组成的图像组；(2)选择图像组中某一相位图像为参考图像，某一相位图像为浮动图像；(3)将图像组内除去参考图像和浮动图像的其他相位图像配准至参考图像，得到对应的形变场；(4)将其他相位图像和对应的形变场分块，并以此构建图像表观‑形变场回归模型；(5)将浮动图像分块输入至回归模型中，预测出浮动图像的初始形变场，并由此得到中间图像；(6)配准中间图像与参考图像；(7)重新选择图像组中下一相位图像，将浮动图像及其形变场放入训练集中，重复步骤(4)至(6)。该方法能够提高肺4D‑CT图像配准的准确性。
-
公开(公告)号：CN104361568A
公开(公告)日：2015-02-18
申请号：CN201410478450.1
申请日：2014-09-18
Applicant: 南方医科大学
Abstract: 本发明公开了基于配准的肺4D-CT图像呼气过程中间相位图像的重建方法，包括步骤(1)由肺4D-CT图像数据获得吸气末和呼气末两个相位的肺3D-CT图像；(2)选定吸气末相位的肺3D-CT图像作为参考图像，呼气末相位的肺3D-CT图像作为浮动图像，对两个相位图像进行配准，得到两个相位图像之间的运动变形场；(3)以步骤(2)得到的运动变形场为基础，重建出肺4D-CT图像呼气过程的中间相位图像。本发明利用已知的两个特殊相位图像，就可重建肺4D-CT图像呼气过程的中间相位图像，避免了肺4D-CT数据因采集相位多，扫描时间长，导致病人吸收剂量高的缺点。
-
公开(公告)号：CN104361567A
公开(公告)日：2015-02-18
申请号：CN201410478331.6
申请日：2014-09-18
Applicant: 南方医科大学
Abstract: 本发明公开了基于配准的肺4D-CT图像吸气过程中间相位图像的重建方法，包括步骤(1)由肺4D-CT图像数据获得呼气末和吸气末两个相位的肺3D-CT图像；(2)选定呼气末相位的肺3D-CT图像作为参考图像，吸气末相位的肺3D-CT图像作为浮动图像，对两个相位图像进行配准，得到两个相位图像之间的运动变形场；(3)以步骤(2)得到的运动变形场为基础，重建出肺4D-CT图像吸气过程的中间相位图像。本发明利用已知的两个特殊相位图像，就可重建肺4D-CT图像吸气过程的中间相位图像，避免了肺4D-CT数据因采集相位多，扫描时间长，导致病人吸收剂量高的缺点。
-
公开(公告)号：CN104200448A
公开(公告)日：2014-12-10
申请号：CN201410329304.2
申请日：2014-07-10
Applicant: 南方医科大学
Abstract: 本发明公开了基于分块的肺4D-CT图像冠矢状面超分辨率重建方法，包括(1)读取肺部4D-CT图像，任意选择某一个相位的肺部3D-CT图像作为待重建的目标图像；(2)将目标图像和其他相位的肺部3D-CT图像，分成若干个大小相同的图像块；(3)选取5幅与目标图像块最相似的其他相位图像块；(4)估计出目标图像块与其他相位图像块之间的运动变形场；(5)重建高分辨率肺4D-CT冠矢状面图像块；(6)重复步骤(2)至(5)，直到目标图像上的每一分块都重建出高分辨率图像块；(7)重新拼接出一幅完整的肺4D-CT冠矢状面高分辨率图像。本发明能够有效消除图像伪影，还能够得到清晰度更高的肺4D-CT图像。
-
Patent Agency Ranking
公开(公告)号：CN118888068A
公开(公告)日：2024-11-01
申请号：CN202410880740.2
申请日：2024-07-02
Applicant: 南方医科大学
Abstract: 一种基于不完整张量耦合学习的纵向临床分数预测方法，先由临床特征和临床分数最终得到训练后因子矩阵；然后利用待测样本的基线特征结合训练后因子矩阵，预测得到纵向分数。与现有技术相比，本发明基于不完整张量耦合学习的纵向临床分数预测方法的有益效果：1、通过将纵向特征和分数构造成张量形式，并利用张量耦合学习将两个张量进行有效分解，充分利用了不完整纵向数据信息；2、通过对基线数据与样本因子数据之间的复杂关系建模，使得测试阶段可以直接利用基线特征对纵向临床分数进行预测。
-
公开(公告)号：CN114332572B
公开(公告)日：2024-03-26
申请号：CN202111532955.8
申请日：2021-12-15
Applicant: 南方医科大学
Abstract: 本发明提供一种基于显著图引导的分层密集特征融合网络用于提取乳腺病变超声图像多尺度融合特征参数的方法。该方法联合使用线性光谱聚类超像素方法和多尺度区域分组方法处理得到的特征表示图，避免有用信息的丢失，然后搭建一个三分支的分层密集特征融合网络进行前景特征、背景特征的提取和融合，用于提取乳腺病变超声图像多尺度融合特征参数。前景和背景两个进行性密集特征提取分支网络以原始图像和相应的显著图共同作为输入，分别用来有效地提取与该分类任务相关的前景和背景特征。根据前景和背景之间已知的相关性和补充性信息，分层特征融合分支网络将上述前景和背景信息进行多尺度的融合，获得更加准确，更加显著的多尺度融合特征参数。
-
公开(公告)号：CN114332572A
公开(公告)日：2022-04-12
申请号：CN202111532955.8
申请日：2021-12-15
Applicant: 南方医科大学
Abstract: 本发明提供一种基于显著图引导的分层密集特征融合网络用于提取乳腺病变超声图像多尺度融合特征参数的方法。该方法联合使用线性光谱聚类超像素方法和多尺度区域分组方法处理得到的特征表示图，避免有用信息的丢失，然后搭建一个三分支的分层密集特征融合网络进行前景特征、背景特征的提取和融合，用于提取乳腺病变超声图像多尺度融合特征参数。前景和背景两个进行性密集特征提取分支网络以原始图像和相应的显著图共同作为输入，分别用来有效地提取与该分类任务相关的前景和背景特征。根据前景和背景之间已知的相关性和补充性信息，分层特征融合分支网络将上述前景和背景信息进行多尺度的融合，获得更加准确，更加显著的多尺度融合特征参数。
-
公开(公告)号：CN106296581B
公开(公告)日：2019-06-11
申请号：CN201610578561.9
申请日：2016-07-21
Applicant: 南方医科大学
Abstract: 本发明公开了基于图割的肺4D‑CT图像超分辨率重建方法，包括(1)读取肺部4D‑CT图像，该4D‑CT图像由多个不同相位的低分辨率肺部3D‑CT图像组成；(2)将多个不同相位的低分辨率的肺部3D‑CT图像均进行插值，得到不同相位的肺部3D‑CT图像的初始高分辨率图像fk0；(3)选取任意一相位的由步骤(2)得到的初始高分辨率图像fk0的像素值集作为所有像素点匹配的初始标签集；(4)计算各相位的投影重建高分辨率观察图像构建全局图能量函数式；(5)通过图割方法优化求解构建的全局图能量函数式，得到的最优解即为重建出来的肺4D‑CT高分辨率图像。该方法能够提高肺4D‑CT图像在Z轴方向上的分辨率。
-
公开(公告)号：CN103440676B
公开(公告)日：2017-02-15
申请号：CN201310350915.0
申请日：2013-08-13
Applicant: 南方医科大学
Abstract: 一种基于运动估计的肺4D-CT图像的超分辨率冠矢状面图像重建方法，依次包括（：1）读取由多个不同相位的肺部3D图像组成的肺部4D-CT图像数据；（2）根据肺部4D-CT图像数据，对每个相位提取同一肺部部位对应的冠矢状面图像；（3）采用基于完全搜索块匹配算法估计不同“帧”肺部冠矢状面图像之间的运动矢量场；（4）以步骤3）得到的运动矢量场为基础，采用迭代反投影法重建高分辨率肺4D-CT冠矢状面图像。本发明获得的肺4D-CT图像的超分辨率冠矢状面重建图像的分辨率有明显的提高，局部放大图中，肺实质中的血管和周边组织的亮度和清晰度有明显增强,可以克服由采集时间和放射剂量造成的图像分辨率低的限制，能够有效引导肺癌的精确放
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.025 seconds)
