-
公开(公告)号：CN120014321A
公开(公告)日：2025-05-16
申请号：CN202510010130.1
申请日：2025-01-03
Applicant: 上海交通大学 , 上海交通大学医学院附属新华医院
IPC: G06V10/764 , G06V10/25 , G06V10/26 , G06V10/42 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N20/20
Abstract: 基于多模态数据融合与深度学习的肿瘤良恶性分类方法，融合了患者的影像数据和实验室数据，实现了对肿瘤良恶性的高精度检测；通过U形网络对患者影像进行智能分割，筛选出感兴趣区域切片；利用设计的全局‑混合‑局部网络对影像数据进行特征提取与分类，得到影像数据的肿瘤良恶性预测结果；将影像预测结果与临床特征输入至集成学习分类模型，结合多种机器学习分类器的优势，获得多模态肿瘤良恶性预测结果；采用SHAP方法和基于遮挡的方法对输入要素和影像的不同部分进行可视化结果解释，提高了模型的可解释性和透明度。本发明为肿瘤的早期发现和治疗提供了有力的支持，具有显著的临床应用价值和推广前景。
-
公开(公告)号：CN120047499A
公开(公告)日：2025-05-27
申请号：CN202311586648.7
申请日：2023-11-24
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于语义重建的脊柱医学影像配准方法及系统。构建脊柱3D‑CT图像数据及其对应的2D图像数据；提供一2D‑3D重建模型，对2D图像数据进行重建，得到3D特征图b；提供一3D‑3D特征提取模型，将3D‑CT图像数据作为输入，得到与3D特征图相同维度的特征图s；提供一基于交叉注意力的并行双U型网络模型，对特征图b和特征图s进行融合并配准；采用基于像素和语义信息的多权重损失函数进行优化；训练得到配准模型，利用配准模型进行脊柱医学影像配准。本发明避免了降维导致的信息和精度损失，提高了2D/3D信息融合能力，提升了关键语义区域的关注权重，能够减少图像拍摄次数同时实现精准的脊柱图像配准。
-
公开(公告)号：CN120047500A
公开(公告)日：2025-05-27
申请号：CN202311589364.3
申请日：2023-11-24
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于多维损失函数的医学影像配准方法及系统。其中方法包括：对3D‑CT医学影像数据进行预处理，包括固定图像和浮动图像；采用基于transformer的深度学习架构构建配准模型的初始模型，首先对预处理后的3D‑CT医学影像数据进行粗配准，得到粗配准刚体变换参数；基于粗配准刚体变换参数进一步通过配准模型的初始模型进行细配准；采用多维度自适应损失函数进一步优化配准模型的初始模型，得到能够获得最优结果的最终配准模型。本发明综合采用了深度学习网络技术，基于transformer深度学习网络框架从粗到精两阶段的配准结构，并引入多维度自适应损失函数，同时提高了配准的适配范围和配准精度。
-
公开(公告)号：CN120047550A
公开(公告)日：2025-05-27
申请号：CN202311581005.3
申请日：2023-11-24
Applicant: 上海交通大学
IPC: G06T11/00 , G06V10/80 , G06V10/82 , G06V10/42 , G06V10/44 , G06T7/00 , G06N3/0475 , G06N3/045 , G06N3/0455 , G06N3/094 , G06N3/096 , G06N3/0895
Abstract: 本发明提供了一种CT图像的钙化伪影去除方法及系统，其中方法包括：对CT图像进行预处理；对预处理后CT图像进行语义特征信息提取；将预处理后的CT图像与语义特征信息进行融合后输入至基于GAN的去伪影模型中消除钙化伪影实现降噪；通过在生成器中引入改进的感知提取模块，在判别器中添加全局/局部‑语义判定模块，进一步提高钙化伪影去除后的图像降噪效果。本发明通过该基于GAN的去伪影模型，能有效地实现一般噪声降噪的同时，对CT图像中的钙化伪影进行去除，以提高CT图像的质量，并进一步提高辅助医生对血管狭窄程度的判别准确度，进而降低CT疾病的误诊率。
-
Patent Agency Ranking
公开(公告)号：CN116523821A
公开(公告)日：2023-08-01
申请号：CN202211737225.6
申请日：2022-12-26
Applicant: 上海交通大学
Abstract: 一种基于深度学习自编码的脑部疾病MRI影像的多病灶识别方法，包括：对脑部磁共振成像数据进行预处理；使用自编码网络预训练，对MRI数据进行特征提取；将自编码网络编码器的参数迁移至U‑型深度学习网络，进一步学习图像的特征，输出病灶的识别和预测结果。本发明将深度学习算法引入到脑部疾病MRI诊断中，通过迁移学习方法将使用真实数据训练的无监督自动编码器的部分参数迁移至通用U‑型深度学习网络中，降低了对标记数据的需求量并提高了训练效率；本发明较传统单一U‑型网络可进一步提升模型的性能指标，实现更精准的病灶识别，对临床医学领域快速诊断有重大意义。
-
公开(公告)号：CN120047549A
公开(公告)日：2025-05-27
申请号：CN202311581000.0
申请日：2023-11-24
Applicant: 上海交通大学
Abstract: 本发明提供了一种CT图像钙化数据的生成方法及系统，其中方法包括：对有钙化的CT图像A进行钙化区域分割，得到有钙化伪影的钙化区域图像和无钙化伪影的钙化区域图像，建立钙化数据库；提取正常的CT图像B中的血管区域及其中心线；随机抽取钙化数据库中的钙化区域图像，并基于中心线与目标血管区域进行匹配，得到钙化斑块；对钙化斑块进行重建，分别得到有钙化伪影和无钙化伪影的对比CT图像。本发明能有效的模拟钙化区域在真实CT扫描时产生的伪影，并同时得到对应钙化本身的相关数据；可有效解决现有临床扫描无法得到去伪影后真实钙化数据的问题，为后续深度学习解决方案提供基础。
-
公开(公告)号：CN120047374A
公开(公告)日：2025-05-27
申请号：CN202311580994.4
申请日：2023-11-24
Applicant: 上海交通大学
IPC: G06T7/00 , G06V10/30 , G06V10/26 , G06V10/80 , G06V10/42 , G06V10/44 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/0455 , G06N3/096
Abstract: 本发明提供了一种基于迁移学习的CT图像肺结节智能检测方法及系统，采用低剂量与全剂量的CT数据集对降噪网络进行训练和测试，建立肺结节降噪模型；采用肺部CT数据集，通过训练并测试U型分割网络，并通过迁移学习建立肺结节分割模型；基于肺结节分割模型的编码模块结构，通过迁移学习建立肺结节分类模型。本发明综合使用了迁移学习的方法，其中分割模型的部分结构和参数由降噪模型迁移得到，分类模型的部分结构和参数由分割模型迁移得到。本发明实现端到端的辅助算法研究，并使用任务到任务间的迁移学习减少了训练所需要的超参数，实现了拟合速度的加快，旨在为临床医生提供更加准确可靠的辅助检测工具。
-
公开(公告)号：CN116309614A
公开(公告)日：2023-06-23
申请号：CN202211677020.3
申请日：2022-12-26
Applicant: 上海交通大学 , 复旦大学附属华山医院
IPC: G06T7/10 , G06T7/00 , G06V10/44 , G06V10/32 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 一种基于多维深度学习的脑小血管病MRI图像分割与辅助诊断方法与系统，包括图像获取和预处理模块、U‑型分割网络模块、卷积神经回归网络模块和后处理模块。本发明将人工智能方法引入到脑小血管病核磁共振成像诊断中，实现了脑小血管病病人的MRI影像数据自动辅助诊断，同时保证了评估结果的准确性和客观性，可大幅缩短医生处理脑小血管病的诊断时间、提高诊断准确率和效率，对临床医学领域快速诊断有重大意义。
-
公开(公告)号：CN115908390A
公开(公告)日：2023-04-04
申请号：CN202211677015.2
申请日：2022-12-26
Applicant: 上海交通大学
IPC: G06T7/00 , G06T7/11 , G06N3/08 , G06N3/0464
Abstract: 一种基于多层输出U型网络的多序列MRI图像分割方法，使得传统的U型网络更加适用于MRI多序列影像数据。通过改进了传统的U型网络架构，将单一上采样通道扩充至多层上采样通道，数量与序列数持平；并设计了对应的训练方法，通过拟合不同损失函数和设置不同层数训练的方式，使每种序列有单独的上采样通道。本发明使不同序列共享一个下采样通道，充分利用了不同序列的相似性，同时选择不同MRI序列进入单独的上采样通道，保持各序列的特异性。能有效结合不同MRI序列的数据特点，提高各序列的图像分割质量并加快拟合速率，在一定程度上解决MRI影像数据量不足的问题。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.017 seconds)
