-
公开(公告)号：CN112037913B
公开(公告)日：2022-08-30
申请号：CN202010966941.6
申请日：2020-09-15
Applicant: 南昌大学 , 南昌大学第二附属医院
IPC: G16H50/20 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08 , A61B5/00
Abstract: 本发明属于智能检测技术领域，公开了一种基于卷积神经网络的牙周炎智能检测方法及系统，获取牙周炎患者的全景片图像、根尖片图像以及患者的相关资料数据；并对获取的图像数据进行筛选、预处理；将预处理后的图像分为训练集、测试集以及验证集，并输入构建的卷积神经网络进行训练、验证；对训练的卷积神经网络的参数进行优化，对优化后的卷积神经网络进行预测，检测卷积神经网络的准确度；利用经过检测的卷积神经网络进行牙周炎的智能检测。本发明采用计算机智能判读X线片，使牙周病诊断趋于同质化；本发明阅片快速，高效；本发明通过计算机数据判读X线的变化，提高牙周病诊断的效率和准确率，降低医疗成本，易于向基层推广。
-
公开(公告)号：CN112037913A
公开(公告)日：2020-12-04
申请号：CN202010966941.6
申请日：2020-09-15
Applicant: 南昌大学 , 南昌大学第二附属医院
Abstract: 本发明属于智能检测技术领域，公开了一种基于卷积神经网络的牙周炎智能检测方法及系统，获取牙周炎患者的全景片图像、根尖片图像以及患者的相关资料数据；并对获取的图像数据进行筛选、预处理；将预处理后的图像分为训练集、测试集以及验证集，并输入构建的卷积神经网络进行训练、验证；对训练的卷积神经网络的参数进行优化，对优化后的卷积神经网络进行预测，检测卷积神经网络的准确度；利用经过检测的卷积神经网络进行牙周炎的智能检测。本发明采用计算机智能判读X线片，使牙周病诊断趋于同质化；本发明阅片快速，高效；本发明通过计算机数据判读X线的变化，提高牙周病诊断的效率和准确率，降低医疗成本，易于向基层推广。
-
公开(公告)号：CN109360604B
公开(公告)日：2021-09-24
申请号：CN201811389851.4
申请日：2018-11-21
Applicant: 南昌大学
Abstract: 本发明提供了一种卵巢癌分子分型预测系统，主要包括以下步骤：步骤1，卵巢癌mRNA基因表达特征数据提取模块：获取卵巢癌基因表达数据；步骤2，对所有基因表达数据使用skleam中preprocessing.scale方法进行标准化处理，根据公式Z‑scroce＝(x‑μ)/S2，将每张mRNA表达谱数据处理成均值为0，方差为1的服从正态分布的数据；步骤3，选择主要特征基因数据：运用主成分分析(PCA)及Filter特征选择法；步骤4，使用BP神经网络对N个特征的基因数据训练模型；步骤5，使用一定量样本进行回带程序验证，本发明能够凭借卵巢癌病理切片实现机器自动识别及报错，实现了快速且准确率高的卵巢癌分子分型预测；利用本发明系统进行卵巢癌分子分型预测，能更好的帮助临床治疗方案的完善。
-
公开(公告)号：CN109360604A
公开(公告)日：2019-02-19
申请号：CN201811389851.4
申请日：2018-11-21
Applicant: 南昌大学
Abstract: 本发明提供了一种卵巢癌分子分型预测系统，主要包括以下步骤：步骤1，卵巢癌mRNA基因表达特征数据提取模块：获取卵巢癌基因表达数据；步骤2，对所有基因表达数据使用skleam中preprocessing.scale方法进行标准化处理，根据公式Z-scroce＝(x-μ)/S2，将每张mRNA表达谱数据处理成均值为0，方差为1的服从正态分布的数据；步骤3，选择主要特征基因数据：运用主成分分析(PCA)及Filter特征选择法；步骤4，使用BP神经网络对N个特征的基因数据训练模型；步骤5，使用一定量样本进行回带程序验证，本发明能够凭借卵巢癌病理切片实现机器自动识别及报错，实现了快速且准确率高的卵巢癌分子分型预测；利用本发明系统进行卵巢癌分子分型预测，能更好的帮助临床治疗方案的完善。
-
公开(公告)号：CN114159071A
公开(公告)日：2022-03-11
申请号：CN202111580521.5
申请日：2021-12-22
Applicant: 南昌大学
Abstract: 本发明提供了一种基于心电图像的帕金森预测智能化方法及系统。该方法主要步骤：第一步，获取心电图图像以及其相关资料数据；第二步，对获取图像进行筛选、预处理；第三步，将预处理后的图像分为训练集、测试集以及验证集，并输入构建的卷积神经网络进行训练、验证；第四步，对训练的卷积神经网络的参数进行优化，对优化后的卷积神经网络进行预测，检测卷积神经网络的准确度；最后，利用经过检测的卷积神经网络模型对帕金森进行预测。本发明采用人工智能判读心电图，可快速而准确地提取超出人类医生眼力极限的心电图隐藏信息并进行分类，迅速无创地筛查帕金森病，提高帕金森诊断的效率和准确率，降低医疗成本，易于向基层推广。
-
Patent Agency Ranking
公开(公告)号：CN114743672A
公开(公告)日：2022-07-12
申请号：CN202210270490.1
申请日：2022-03-18
Applicant: 南昌市高新区人民医院(南昌大学第一附属医院高新医院)
Abstract: 本发明公开了一种NSCLC淋巴结转移风险的智能预测方法及系统；通过获取肺癌患者的H&E染色全视野数字切片以及患者的临床资料；对图像数据进行质控、色块处理、筛选；将预处理后的色块用于两阶段分析流程：包括建立识别非癌组织的CNN模型和预测早期非小细胞肺癌淋巴结转移的CNN模型。两部分分析均包括：将色块图像分为训练集和验证集，并通过CNN算法构建模型，对训练的CNN模型参数进行优化，对优化后的CNN模型在验证集中进行验证。最终利用经过检测的CNN模型对早期非小细胞肺癌淋巴结转移风险进行预测。本发明采用深度学习算法评判病理切片，使得肿瘤转移风险评估的准确性得以提高，大大降低医疗成本，易于广泛推广。
-
公开(公告)号：CN116863209A
公开(公告)日：2023-10-10
申请号：CN202310756730.3
申请日：2023-06-26
Applicant: 南昌大学
Abstract: 本发明提出一种基于病理图像的肝细胞癌组织学亚型智能量化系统，步骤包括：获取肝细胞癌病理图像并进行预处理；勾画病理图像中不同组织学类型的感兴趣区(ROI，region of interest)，切割ROI获得色块(tile)，构建不同组织学类型的tile数据集；将数据集分为训练集、验证集和测试集，利用深度学习网络对数据集进行训练，获得组织学类型判别模型；自动进行肝细胞癌病理图像分析并统计各组织学亚型所占比例，生成最终的分析报告和分布轮廓。本发明能够充分利用病理图像的信息，通过自动化的分类训练和统计，得到的分类报告可以作为辅助医生的工具，提高诊断的效率和准确度。
-
公开(公告)号：CN119153101A
公开(公告)日：2024-12-17
申请号：CN202411630529.1
申请日：2024-11-15
Applicant: 南昌大学
Abstract: 本发明提供一种膀胱癌预后的预测方法及系统，涉及智能检测技术领域，具体为：获取并预处理膀胱癌苏木精‑伊红（HE）染色病理图像获得有效色块，标注后得到肿瘤和坏死训练集；基于肿瘤训练集和坏死训练集分别训练两个初始模型，对应得到肿瘤模型和坏死模型；获取待预测的膀胱癌病理图像，基于肿瘤模型和坏死模型进行肿瘤和坏死区域识别，对应得到肿瘤区域和坏死区域；基于所述肿瘤区域和坏死区域的空间坐标信息，数值计算得到坏死区域相对于肿瘤区域的空间分布指标；基于所述空间分布指标进行生存分析得到膀胱癌患者的生存预后信息。本发明将深度学习技术应用到膀胱癌预后方向，辅助临床医生对患者生存预后进行评价，为诊疗决策提供参考依据。
-
公开(公告)号：CN118098579A
公开(公告)日：2024-05-28
申请号：CN202410061304.2
申请日：2024-01-16
Applicant: 南昌大学
IPC: G16H50/30 , G16H50/70 , G16H10/60 , G06F18/10 , G06F18/2411 , G06F18/27 , G06F18/214
Abstract: 本发明提出一种基于体检数据的人体衰老度智能评测方法，包含：获取无年龄相关疾病个体的体检数据并进行质控；通过LASSO法剔除无相关性及共线性变量；将数据集分为训练集和测试集，利用广义线性模型(GLM)、支持向量机(SVM)及基于前馈神经网络的广义线性(DeepGLM)模型对数据集进行训练，获得人体生物学年龄预测模型；利用测试集数据评估预测模型，并计算预测年龄与时序年龄的差距(Δ年龄)；以时序年龄±5岁为分析区间构建每个时序年龄所对应Δ年龄的经验分布。针对需检测的个体计算其Δ年龄，基于时序年龄所对应经验分布计算Z值，判断人体衰老度，生成最终的分析报告。本发明能够充分利用常规体检信息，自动化预测人体衰老度。
-
公开(公告)号：CN116704844A
公开(公告)日：2023-09-05
申请号：CN202310711875.1
申请日：2023-06-15
Applicant: 南昌大学第二附属医院
Abstract: 本发明涉及口腔虚拟教学系统，具体涉及基于虚拟现实技术的智能虚拟医生系统，包括智能虚拟医生、智能院区虚拟导航电子沙盘和虚拟口腔健康科普模块，所述智能虚拟医生包括基础介绍单元、患者接待单元、病情介绍单元和患者医嘱单元，所述基础介绍单元包括虚拟场景预调模块、手势操作说明模块、功能介绍模块和口腔3D教学展示模块；所述患者接待单元包括疾病确认查询模块和模型加载启动模块。本发明的患者接待单元通过前期用户人工语音介入而模拟真实病人参与，从而进行多种病症收集查询并最终确定症状，达到了高度的沉浸感，在确定症状后通过系统自动匹配相对应的病例模型，从而逼真形象模拟了医生进行牙科诊断的过程。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.017 seconds)
