-
公开(公告)号：CN118172614B
公开(公告)日：2024-08-09
申请号：CN202410591896.9
申请日：2024-05-14
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 上海市浦东医院(复旦大学附属浦东医院) , 复旦大学
IPC: G06V10/764 , G06V10/82 , G06V10/25 , G06V10/44 , G06V10/42 , G06N3/0455 , G06N3/082 , G06N3/0895
Abstract: 本发明涉及医疗技术领域，具体涉及一种基于监督对比学习的有序强直性脊柱炎评级方法，包括：S1、基于轮廓检测算法和阈值截断去除骶髂关节部位的组织外噪音和干扰；S2、基于监督对比学习损失函数、有序分类损失函数完成对以Resnet‑34为核心的ScordNet模型训练；基于完成训练的ScordNet模型对待检测CT影像进行AS疾病等级分类。本发明较现有技术的降低了人为因素的干扰和对人体的危害，克服了现有技术中基于CT影像对AS评级存在的客观性和可靠性较差，标准不统一，准确性差，容易造成漏诊和误诊及处理速度慢、效率低问题。
-
公开(公告)号：CN118172614A
公开(公告)日：2024-06-11
申请号：CN202410591896.9
申请日：2024-05-14
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 上海市浦东医院(复旦大学附属浦东医院) , 复旦大学
IPC: G06V10/764 , G06V10/82 , G06V10/25 , G06V10/44 , G06V10/42 , G06N3/0455 , G06N3/082 , G06N3/0895
Abstract: 本发明涉及医疗技术领域，具体涉及一种基于监督对比学习的有序强直性脊柱炎评级方法，包括：S1、基于轮廓检测算法和阈值截断去除骶髂关节部位的组织外噪音和干扰；S2、基于监督对比学习损失函数、有序分类损失函数完成对以Resnet‑34为核心的ScordNet模型训练；基于完成训练的ScordNet模型对待检测CT影像进行AS疾病等级分类。本发明较现有技术的降低了人为因素的干扰和对人体的危害，克服了现有技术中基于CT影像对AS评级存在的客观性和可靠性较差，标准不统一，准确性差，容易造成漏诊和误诊及处理速度慢、效率低问题。
-
公开(公告)号：CN118570202B
公开(公告)日：2024-10-18
申请号：CN202411045101.0
申请日：2024-08-01
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 上海市浦东医院(复旦大学附属浦东医院)
IPC: G06T7/00 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0895 , G06N3/09
Abstract: 本发明涉及医疗技术领域，具体涉及一种基于视觉状态空间模型的强直性脊柱炎评级方法，包括：基于轮廓检测算法和阈值截断去除骶髂关节部位的组织外噪音和干扰；基于监督对比学习损失函数、交叉熵损失函数完成对以VMamba为核心的VMamba‑AS模型训练；基于完成训练的VMamba‑AS模型对待检测CT影像进行AS疾病等级分类。本发明在REC、ACC、F1指标评分性能优于常用的分类模型，可以取得更好的评级效果和更高的准确率，大大改善了AS评级存在的客观性和可靠性较差，标准不统一，准确性差，容易造成漏诊和误诊的问题；同时较人工判断具有效率高、速度快的特点。
-
公开(公告)号：CN118570202A
公开(公告)日：2024-08-30
申请号：CN202411045101.0
申请日：2024-08-01
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 上海市浦东医院(复旦大学附属浦东医院)
IPC: G06T7/00 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0895 , G06N3/09
Abstract: 本发明涉及医疗技术领域，具体涉及一种基于视觉状态空间模型的强直性脊柱炎评级方法，包括：基于轮廓检测算法和阈值截断去除骶髂关节部位的组织外噪音和干扰；基于监督对比学习损失函数、交叉熵损失函数完成对以VMamba为核心的VMamba‑AS模型训练；基于完成训练的VMamba‑AS模型对待检测CT影像进行AS疾病等级分类。本发明在REC、ACC、F1指标评分性能优于常用的分类模型，可以取得更好的评级效果和更高的准确率，大大改善了AS评级存在的客观性和可靠性较差，标准不统一，准确性差，容易造成漏诊和误诊的问题；同时较人工判断具有效率高、速度快的特点。
-
公开(公告)号：CN119991959A
公开(公告)日：2025-05-13
申请号：CN202510116484.4
申请日：2025-01-24
Applicant: 复旦大学 , 复旦大学附属华山医院
IPC: G06T17/00 , G06T7/00 , G06N3/0455 , G06N3/084
Abstract: 本发明属于医学图像处理技术领域，具体为一种多示踪剂PET跨模态合成系统。本发明系统，包括一个生成扩散Transformer模型，记为GenPET，该GenPET用于从结构MRI图像合成多示踪剂PET图像，包括两个阶段：使用三维编码器将MRI和多示踪剂PET图像编码到统一的潜空间中，并设计模态区分损失，以确保潜空间中不同模态的区分；利用隐空间扩散Tansformer模型实现从MRI到特定示踪剂PET的隐空间特征转换。通过神经放射专家视觉图灵测试、分层定量指标、临床相关性和放射组学分析，系统地评估GenPET合成的多示踪剂PET的成像质量和诊断效用，结果表明GenPET有望解决服务不足地区成像资源稀缺的问题，并提高神经退行性疾病的诊断水平。
-
Patent Agency Ranking
公开(公告)号：CN118397120A
公开(公告)日：2024-07-26
申请号：CN202410412376.7
申请日：2024-04-08
Applicant: 复旦大学
IPC: G06T11/00 , G06T3/02 , G06Q30/0601 , G06T5/70 , G06T5/60
Abstract: 本发明属于图像生成技术领域，具体为一种基于隐空间扩散模型的保真虚拟换装方法。本发明从两个方面对传统的隐空间扩散过程训练加以改进：通过利用仿射的衣服作为起点和局部条件，为模型提供保真的衣服先验，以分别减轻初始和过程中增加的随机性；通过衣服扁平化网络提供衣服一致性的保真监督，从原始扁平衣服中带来额外的图像级约束，提高虚拟换装的保真性；此外，还对设计基于仿射衣服的噪声采样方式改进推理过程，进一步提高模型的性能。
-
公开(公告)号：CN113538260B
公开(公告)日：2022-04-12
申请号：CN202110686474.6
申请日：2021-06-21
Applicant: 复旦大学
Abstract: 本发明属于医学影像分析技术领域，具体为一种自监督和有监督联合训练的LDCT图像去噪与分类方法。本发明通过低剂量图像本身产生监督信息，该自监督信息通过将低剂量图像中的目标像素值替换为其邻居像素插值的结果；选取目标像素的过程引入按不同步长选取的机制，结合不同步长所产生的多个自监督信息，有效降低低剂量CT图像中的噪声；将其输入到用于分类的神经网络进行的分类；在训练分类网络的过程中，加入自监督去噪的损失函数，使得去噪网络的输出不受分类损失函数的影响，保证分类网络的输入为去噪后的完整图像；本发明方法提高了低剂量CT图像分类的准确率，提高基于低剂量CT图像的去噪效果，从而提高临床诊断效率与准确率。
-
公开(公告)号：CN114494785A
公开(公告)日：2022-05-13
申请号：CN202210116188.0
申请日：2022-01-28
Applicant: 复旦大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明属于图像分类技术领域，具体为一种面向深度有序回归模型的生成式特征有序正则化方法。本发明通过深度卷积神经网络将输入图像映射为低维特征表示，在相应的低维空间中计算批中所有样本的低维特征表示之间的距离；然后计算批中所有样本的有序标签之间的距离；将所得的批中所有样本与其他样本之间的特征表示距离向量和标签距离向量分别进行归一化；对归一化后的特征向量和标签距离向量计算散度，以此来约束在嵌入空间中特征的分布与有序标签的分布一致，即保证特征的有序性；模型最终的损失函数包括有序回归损失和该KL散度损失；本发明方法有助于提高在多种任务场景(如人脸年龄估计、医学图像分类、历史图像年代分类等)下的分类性能。
-
公开(公告)号：CN114494498A
公开(公告)日：2022-05-13
申请号：CN202210108825.X
申请日：2022-01-28
Applicant: 复旦大学
Abstract: 本发明属于医学影像分析技术领域，具体为一种基于双域傅里叶神经网络的金属伪影去除方法。本发明通过快速傅里叶卷积分别在弦图域和CT图像域从局部和全局两个方面去除金属伪影。充分利用傅里叶卷积提供的全局感受野，该方法在弦图上能利用远距离信息修补被金属破坏的弦图，从而在原始数据上去除金属伪影。同时，该方法在图像域通过一个包含快速傅里叶卷积跳连接的U‑Net以消除二次伪影和去伪影时造成的全局不一致。在训练网络过程中使用多窗宽损失函数以优化临床重要窗宽下的模型表现。该方法在对不同大小和形状金属造成的伪影都有很好的去除效果。本发明方法提高了CT图像去除金属伪影的效能，从而在减轻金属伪影对临床诊断的干扰。
-
公开(公告)号：CN113538257A
公开(公告)日：2021-10-22
申请号：CN202110657818.0
申请日：2021-06-15
Applicant: 复旦大学
Abstract: 本发明属于医学影像分析技术领域，具体为一种基于双域U‑net判别器的生成对抗低剂量CT去噪方法。本发明以U‑Net判别器来学习正常剂量图像和生成图像在图像域和生成域之间的全局和局部差异；该判别器通过全局输出向去噪网络提供逐像素反馈，通过中间层在语义层面使去噪网络关注全局结构；图像梯度域中应用该判别器，以减轻低剂量CT中的伪影，增强去噪CT图像的边缘；使用CutMix技术使判别器逐像素输出，为放射科医生提供置信度图，以避免可视化去噪结果的不确定性，促进低剂量CT的筛查和诊断；本发明可有效提高去噪低剂量CT的质量，使生成的图像清晰度更高，具有更丰富的边缘并减小伪影的影响，提高医学影像分析过程中的准确度。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.053 seconds)
