-
公开(公告)号：CN118887996A
公开(公告)日：2024-11-01
申请号：CN202411028196.5
申请日：2024-07-30
Applicant: 上海交通大学
Abstract: 本发明涉及一种基于时间‑事件结局表型的全基因组罕见变异分析方法，包括以下步骤：获取基因组数据并对每一个变异位点添加功能注释信息；基于基因组数据，通过构造检验统计量进行全基因组关联分析，根据时间‑事件结局表型的事件发生率判断表型为平衡型还是不平衡型，分别采用对应方法估计变异位点与表型之间的关联显著性；对于常见变异位点，对时间‑事件结局的表型进行全基因组关联分析，通过构造边际得分检验统计量的方式检测每一个单核苷酸变异位点与表型的相关性强弱；对于罕见变异位点，通过构造基于集合的罕见变异联合检验统计量，检测罕见变异位点集合与表型的相关性强弱。与现有技术相比，本发明能够检测与时间‑事件结局相关的罕见变异位点，并具有识别变异位点准确度高等优点。
-
公开(公告)号：CN119905237A
公开(公告)日：2025-04-29
申请号：CN202411734971.9
申请日：2024-11-29
Applicant: 上海交通大学
Abstract: 本发明涉及一种基于多模态中间融合的预后预测方法，该方法通过深度卷积神经网络和预定义组学从病理图像中提取病理特征，并应用多实例学习对这些特征进行聚合，以形成病理表示，同时使用深度卷积神经网络和预定义组学提取放射特征，以形成放射学表示，随后利用深度生存网络将病理表示、放射学表示及临床变量进行整合，从而生成多模态预后预测分数。与现有技术相比，本发明通过深度生存网络整合病理、放射学和临床三种模态的信息，显著提升了传统预后预测指标以及单模态模型的预测表现。
-
公开(公告)号：CN116844631A
公开(公告)日：2023-10-03
申请号：CN202310811237.7
申请日：2023-07-04
Applicant: 上海交通大学
IPC: G16B15/00 , G16B20/30 , G16B40/00 , G16H70/60 , G16H30/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06T7/00 , G06T7/11 , G06V20/69 , G06N3/042 , G06N3/08
Abstract: 本发明涉及一种基于肿瘤病理图像的基因空间表达预测方法，该方法包括：获取空间转录组中的病理图像和基因表达数据并进行预处理；采用卷积神经网络和图神经网络分别提取组织纹理信息与细胞结构特征，构建基于深度学习模型的基因空间表达预测模型，并采用预处理的病理图像和基因表达数据进行模型训练；采用训练好的基因空间表达预测模型进行基因空间表达预测。与现有技术相比，本发明具有预测准确性高的优点。
-
公开(公告)号：CN117476232A
公开(公告)日：2024-01-30
申请号：CN202311542385.X
申请日：2023-11-17
Applicant: 上海交通大学 , 百济神州(北京)生物科技有限公司
IPC: G16H50/30 , G16H50/70 , G06T7/00 , G06V10/40 , G06V10/764 , G06V10/82 , G06V10/77 , G06V10/26 , G06N3/0442 , G06N3/0464 , G06N3/096 , G06N3/0455
Abstract: 本发明涉及一种基于卷积循环神经网络的预后预测方法，该方法包括：步骤S1、采集肝细胞癌患者静脉期的三维CT图像；步骤S2、将三维CT图像输入至预训练分割模型，筛选得到设定数量的肝区二维CT切片和肺区二维CT切片；步骤S3、收集并编码临床变量；步骤S4、采用迁移学习构建卷积神经网络从二维CT切片中提取空间特征，利用循环神经网络捕捉基线图像和随访图像间的时序关系，构建基于卷积循环神经网络的图像预测模型；步骤S5、基于编码后的临床变量，构建临床信息预测模型；步骤S6、整合图像预测模型和临床信息预测模型，构建整合图像和临床信息的多模态预后预测模型，进行预后预测。与现有技术相比，本发明具有预测准确性高的优点。
-
公开(公告)号：CN117237714A
公开(公告)日：2023-12-15
申请号：CN202311186222.2
申请日：2023-09-13
Applicant: 复旦大学附属眼耳鼻喉科医院 , 上海交通大学
IPC: G06V10/764 , G06V10/25 , G06V20/64 , G06V10/40 , G06V10/422 , G06V10/54 , G06V10/774 , G06V10/776
Abstract: 本发明公开了一种确定气道插管难度分类模型的方法，包括：确定训练样本数据集中每一训练样本数据的感兴趣区域的三维图像，感兴趣区域包括会厌软骨轴向水平和环状软骨环闭合之间的上气道；基于感兴趣区域的三维图像，提取影像组学特征；基于影像组学特征，确定目标特征组；基于机器学习方法和目标特征组，确定气道插管难度分类模型。本发明通过上述方法能够针对喉癌患者气道插管难度进行客观分类，提高气道插管难度分类的准确性。本发明还公开了一种确定气道插管难度分类模型的系统、气道插管难度分类模型的图像分类方法。
-
Patent Agency Ranking
公开(公告)号：CN113657503A
公开(公告)日：2021-11-16
申请号：CN202110946370.4
申请日：2021-08-18
Applicant: 上海交通大学
Abstract: 本发明涉及一种基于多模态数据融合的恶性肝肿瘤分类方法，通过对非结构化多期CT影像数据的规范化预处理，对结构化的信息进行离散化处理，构建基于卷积神经网络的空间特征提取模块，以及基于门控循环神经网络的时序信息编码模块，并通过多模态数据融合模块，结合非结构化的影像数据与结构化的信息，最终得到深度学习恶性肝肿瘤分类。与现有技术相比，本发明在卷积神经网络的基础上，引入门控循环神经网络，有效挖掘多期造影增强CT的空间时序特征，并使用多模态数据融合将影像特征与临床数据结合，能够显著提高区分肝细胞癌(HCC)，肝内胆管癌(ICC)和转移性肝癌的准确度。
-
公开(公告)号：CN119904409A
公开(公告)日：2025-04-29
申请号：CN202411734974.2
申请日：2024-11-29
Applicant: 上海交通大学
IPC: G06T7/00 , G06V10/80 , G06V10/54 , G06V10/46 , G06V20/69 , G06V10/44 , G06N3/045 , G06N3/042 , G06N3/0464
Abstract: 本发明涉及一种基于共注意力模态前融合的预后预测方法，该方法通过图神经网络和预训练卷积神经网络分别提取术后病理图像中的细胞相互作用特征和形态特征，以构建病理组学表示，利用人工预定义特征组和预训练放射大模型提取影像图像中的形状纹理和形态特征形成影像组学表示，采用共注意力机制捕捉病理组学与影像组学之间的交互作用，获得基于影像共注意力下的跨模态病理组学表示，最后输入两个多实例学习模块，以获得预后预测结果。与现有技术相比，本发明全面整合了病理和影像的多组学与形态学信息，并通过共注意力多实例学习框架有效捕捉二者间的交互作用用于预后预测，显著提升了传统分级分期指标、单模态模型及多模态后融合方法在预后预测中的准确性。
-
公开(公告)号：CN116894817A
公开(公告)日：2023-10-17
申请号：CN202310850165.7
申请日：2023-07-12
Applicant: 上海交通大学 , 百济神州(北京)生物科技有限公司
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/08
Abstract: 本发明涉及一种基于两阶段多任务学习的肿瘤进展评估方法，该方法包括：CT图像采集；粗分割预测；两阶段多任务学习框架搭建：整合纵向影像间关联性、临床先验信息以生成特征图谱，基于多任务学习框架，分别构建基于肿瘤总体积的疾病进展分类子模型和基于新发病灶的进展分类子模型，分别进行肿瘤总体积变化进展评估和新发病灶评估；其中基于肿瘤总体积的疾病进展分类子模型采用分割和分类两分支结构，在分类分支中对进展判断标签进行连续化有序编码，以优化前向配准的粗分割结果并通过逆向变换返回；整合肿瘤总体积变化进展评估结果和新发病灶评估结果，得到肿瘤进展评估结果。与现有技术相比，本发明具有肿瘤进展评估准确性高的优点。
-
公开(公告)号：CN113903471A
公开(公告)日：2022-01-07
申请号：CN202111120511.3
申请日：2021-09-24
Applicant: 上海交通大学
Abstract: 本发明涉及一种基于组织病理学图像和基因表达数据的胃癌患者生存风险预测方法，对组织病理学图像进行细胞核分割，选取细胞核数目最大的图像小块作为神经网络的输入；整合组织病理学图像与结构化的人口统计学和基因表达数据构建多模态融合模型。与现有技术相比，本发明具有提高预测精度等优点。
-
公开(公告)号：CN114742758B
公开(公告)日：2025-04-04
申请号：CN202210224218.X
申请日：2022-03-09
Applicant: 上海交通大学
IPC: G06V20/69 , G06V10/764 , G06V10/82 , G06V10/774 , G06V10/776 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种全视野数字切片组织病理图片中的细胞核分类方法，包括：对患者的组织病理学WSI进行预处理，并根据处理后的WSI中细胞核的核质心到像素的经验密度对虚拟类别进行分层，并获取训练集和验证集；以空间区域为目标，对类不平衡的影像提升分类F1水平，并提取核特征；核特征提取后，采用Hovernet中的三个独立的密集连接解码器分别执行核检测、像素到核质心的水平和垂直距离估计以及对核预测进行分类；采用拥有多个目标函数组合的成本函数最小化目标函数，获取最终细胞核分类结果。与现有技术相比，本发明具有显著提高MSE，有助于模型对类进行更好地学习，以及提升分类结果准确度等优点。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.018 seconds)
