-
公开(公告)号：CN116630680A
公开(公告)日：2023-08-22
申请号：CN202310356008.0
申请日：2023-04-06
Applicant: 南方医科大学南方医院 , 南方医科大学
IPC: G06V10/764 , G06V10/80 , G06V10/774 , G06V10/778 , G06V10/26 , G06V10/25 , G06V20/70 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种X线摄影联合超声的双模态影像分类方法及系统，包括：获取乳腺超声图像与X线摄影图像并进行图像分割与预处理，通过五折交叉验证策略对处理后的乳腺超声图像和X线摄影图像划分训练集、优化集和内部测试集；构建双模态影像深度学习融合模型，基于训练集对双模态影像深度学习融合模型进行训练，训练完成后在内部测试集中对模型进行测试，将优化集中结果最好的模型进行保存，获得目标融合模型；获取患者的乳腺超声图像与X线摄影图像作为外部测试集，将内部测试集和外部测试集图像输入到目标融合模型进行分类，获得影像分类结果。本发明能够智能对双模态影像进行分类，分类效率高，分类效果好。
-
公开(公告)号：CN116630680B
公开(公告)日：2024-02-06
申请号：CN202310356008.0
申请日：2023-04-06
Applicant: 南方医科大学南方医院 , 南方医科大学
IPC: G06V10/764 , G06V10/80 , G06V10/774 , G06V10/778 , G06V10/26 , G06V10/25 , G06V20/70 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 类结果。本发明能够智能对双模态影像进行分本发明公开了一种X线摄影联合超声的双模 类，分类效率高，分类效果好。态影像分类方法及系统，包括：获取乳腺超声图像与X线摄影图像并进行图像分割与预处理，通过五折交叉验证策略对处理后的乳腺超声图像和X线摄影图像划分训练集、优化集和内部测试集；构建双模态影像深度学习融合模型，基于训练集对双模态影像深度学习融合模型进行训练，训练完成后在内部测试集中对模型进行测试，将优化集中结果最好的模型进行保存，获得目标融(56)对比文件王彤等.计算机辅助多模态融合超声诊断乳腺良恶性肿瘤《.中国医学影像技术》.2021,第37卷(第8期),第1210-1213页.曹泽红等.基于多模态MRI脑影像的超分辨率重建《.J South Med Univ》.2022,第42卷(第7期),第1019-1025页.Gelan Ayana等.Transfer Learning inBreast Cancer Diagnoses via UltrasoundImaging《.Cancers》.2021,第1-15页.
-
公开(公告)号：CN113379691B
公开(公告)日：2022-06-24
申请号：CN202110605271.X
申请日：2021-05-31
Applicant: 南方医科大学
Abstract: 一种基于先验引导的乳腺病灶深度学习分割方法，包括以下步骤：S1，读取乳腺超声图像数据；S2，获取病灶区域内的至少三个标记点；S3，使用线性光谱聚类超像素方法和多尺度组合分组方法处理图像；S4，通过加权求和的方式得到包含病灶先验信息的前景图像；S5，将前景先验图像取反，获得背景先验图像；S6，利用前景与背景先验图像进行前景与背景特征提取；S7，融合互补的前景与背景特征，输出病灶分割结果。本发明通过预处理获得包含乳腺肿瘤先验信息的图像后，利用U‑Net网络框架对病灶区域进行特征提取。该方法利用前景与背景先验信息的引导，提升超声乳腺病灶的分割精度。该方法分割得到的病灶图像，纹理细节丰富，边缘清晰，图像丢失少。
-
公开(公告)号：CN108648187B
公开(公告)日：2021-06-15
申请号：CN201810455859.X
申请日：2018-05-14
Applicant: 南方医科大学
Abstract: 本发明提出了一种基于深度特征袋的分类方法，其通过提取二维正交平面的代表性图像的深度特征，然后采用特征袋模型对所提取的深度特征进行重新编码，最后通过核融合方法结合了三个二维正交平面的特征，求得分类函数对图像进行分类标签。该分类方法大大减少了训练和测试过程的计算量，节省了数据空间，也缩短了整个计算过程的时间，利用“码本”对图像特征进行编码实现了高维度稀疏表示，使特征更具辨别性、更紧凑，能够缓解因数据量不充足带来的过拟合问题。三个二维正交平面在计算核函数时分别乘以不同的权重系数，可以更好地利用三个不同断面包含的不同空间信息，构建的分类函数更具辨别性。
-
公开(公告)号：CN104361567B
公开(公告)日：2018-04-27
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。
-
Patent Agency Ranking
公开(公告)号：CN103886568A
公开(公告)日：2014-06-25
申请号：CN201410099966.5
申请日：2014-03-18
Applicant: 南方医科大学
Abstract: 一种基于配准的肺4D-CT图像超分辨率重建方法，依次包括：（1）由肺4D-CT数据获得不同相位低分辨率图像序列；（2）选定序列中某一相位的图像作为参考图像，对其插值放大，将插值后的结果作为重建结果的初始估计图像；（3）以序列中其他相位的对应低分辨率图像作为浮动图像,对浮动图像插值放大，分别估计浮动图像的插值结果与初始估计图像之间的运动变形场；（4）以步骤（3）得到的运动变形场为基础，重建高分辨率肺4D-CT图像。本发明获得的肺4D-CT图像的多平面显示图像清晰，结构明显增强，图像分辨率提高，能够有效提高肺4D-CT数据多平面显示图像的质量。
-
公开(公告)号：CN103440676A
公开(公告)日：2013-12-11
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射治疗。
-
公开(公告)号：CN107103618B
公开(公告)日：2020-10-27
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：CN108648187A
公开(公告)日：2018-10-12
申请号：CN201810455859.X
申请日：2018-05-14
Applicant: 南方医科大学
Abstract: 本发明提出了一种基于深度特征袋的分类方法，其通过提取二维正交平面的代表性图像的深度特征，然后采用特征袋模型对所提取的深度特征进行重新编码，最后通过核融合方法结合了三个二维正交平面的特征，求得分类函数对图像进行分类标签。该分类方法大大减少了训练和测试过程的计算量，节省了数据空间，也缩短了整个计算过程的时间，利用“码本”对图像特征进行编码实现了高维度稀疏表示，使特征更具辨别性、更紧凑，能够缓解因数据量不充足带来的过拟合问题。三个二维正交平面在计算核函数时分别乘以不同的权重系数，可以更好地利用三个不同断面包含的不同空间信息，构建的分类函数更具辨别性。
-
公开(公告)号：CN108596247A
公开(公告)日：2018-09-28
申请号：CN201810368169.0
申请日：2018-04-23
Applicant: 南方医科大学
Abstract: 一种融合放射组学和深度卷积特征进行图像分类的方法,通过7个步骤得到医学分类图像。本发明结合了放射组学与深度学习两种技术，通过联合由放射组学提供的相对全局的特征和由深度学习提供的相对局部的特征来对图像分类，继承了两者的优势同时又弥补了两者的不足，从而提升医学图像进行分类的准确度。同时本发明提出一种沿着图像块池化的策略，该池化技术弥补了由于深度学习对大数据的要求而引入的图像块技术造成的分类精度不高的弊端，同时为来自图像块的深度特征与其他传统特征结合提供基础。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.024 seconds)
