公开(公告)号：CN114863165B

公开(公告)日：2023-06-16

申请号：CN202210378696.6

申请日：2022-04-12

Applicant: 南通大学

Inventor： 张堃 ,  林鹏程 ,  徐沛霞 ,  王林 ,  潘晶 ,  刘志诚 ,  韩宇 ,  涂鑫涛 ,  刘纪元

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06V10/74 ,  G06V10/40 ,  G06T7/11 ,  G06T7/00 ,  G06T5/00 ,  G06N3/0464

Abstract: 本发明涉及医学图像分割与图像分类技术领域，具体涉及一种基于影像组学与深度学习特征融合的椎体骨密度分类方法，将CT图像下椎体分为骨质疏松、低骨量与正常组，包括S1:建立基于CRF和注意力引导的椎体分割网络，获取L1、L2椎体松质骨掩膜；S2:通过GCAM‑Net对L1和L2融合后的特征图进行深度学习特征提取，并利用L1和L2的CT图像及掩膜进行影像组学特征提取；S3：运用差分进化算法在深度学习特征中提取最优特征集，并将提取后影像组学特征通过SVM‑RFE法进行特征筛选，最后将影像组学特征和深度学习特征通过最大相关性融合算法进行特征融合，并利用神经网络分类。本发明技术方案结合深度学习特征和影像组学特征，有效提高骨密度分类的准确性。

公开(公告)号：CN114863165A

公开(公告)日：2022-08-05

申请号：CN202210378696.6

申请日：2022-04-12

Applicant: 南通大学

Inventor： 张堃 ,  林鹏程 ,  徐沛霞 ,  王林 ,  潘晶 ,  刘志诚 ,  韩宇 ,  涂鑫涛 ,  刘纪元

IPC: G06V10/764 ,  G06K9/62 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06V10/74 ,  G06V10/40 ,  G06T7/11 ,  G06T7/00 ,  G06T5/00 ,  G06N3/04

Abstract: 本发明涉及医学图像分割与图像分类技术领域，具体涉及一种基于影像组学与深度学习特征融合的椎体骨密度分类方法，将CT图像下椎体分为骨质疏松、低骨量与正常组，包括S1:建立基于CRF和注意力引导的椎体分割网络，获取L1、L2椎体松质骨掩膜；S2:通过GCAM‑Net对L1和L2融合后的特征图进行深度学习特征提取，并利用L1和L2的CT图像及掩膜进行影像组学特征提取；S3：运用差分进化算法在深度学习特征中提取最优特征集，并将提取后影像组学特征通过SVM‑RFE法进行特征筛选，最后将影像组学特征和深度学习特征通过最大相关性融合算法进行特征融合，并利用神经网络分类。本发明技术方案结合深度学习特征和影像组学特征，有效提高骨密度分类的准确性。

公开(公告)号：CN116630679B

公开(公告)日：2024-06-04

申请号：CN202310321204.4

申请日：2023-03-29

Applicant: 南通大学

Inventor： 张堃 ,  林鹏程 ,  邵瑞 ,  王林 ,  潘晶 ,  曹蕊 ,  徐沛霞

IPC: G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06V10/10 ,  G06V10/26 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/094 ,  G06N3/096 ,  G06N3/084

Abstract: 本发明涉及医学图像分类技术领域，尤其涉及一种基于CT图像和域不变特征的骨质疏松识别方法，包括：S1、建立生成对抗网络的MACE‑CycleGAN模型对正常剂量图像和低剂量图像进行领域迁移，生成一些伪图像数据；S2、建立三个任务模块之间的相关性和强调椎骨之间的关系的多任务关系学习模型；S3、建立基于域对抗迁移学习的模块，将域适应嵌入到学习表示过程中，以便最终的分类决策基于对域的变化具有区分性和不变性的特征；S4、基于定位模块、分割模块、分类模型和域对抗迁移学习模块建立正常剂量和低剂量图像的深度学习模型，构建分步训练损失函数来防止模型过拟合。本发明既能对正常剂量CT图像的骨质疏松进行识别，也能对低剂量CT图像骨质疏松进行识别。

公开(公告)号：CN116630679A

公开(公告)日：2023-08-22

申请号：CN202310321204.4

申请日：2023-03-29

Applicant: 南通大学

Inventor： 张堃 ,  林鹏程 ,  邵瑞 ,  王林 ,  潘晶 ,  曹蕊 ,  徐沛霞

IPC: G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06V10/10 ,  G06V10/26 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/094 ,  G06N3/096 ,  G06N3/084

Abstract: 本发明涉及医学图像分类技术领域，尤其涉及一种基于CT图像和域不变特征的骨质疏松识别方法，包括：S1、建立生成对抗网络的MACE‑CycleGAN模型对正常剂量图像和低剂量图像进行领域迁移，生成一些伪图像数据；S2、建立三个任务模块之间的相关性和强调椎骨之间的关系的多任务关系学习模型；S3、建立基于域对抗迁移学习的模块，将域适应嵌入到学习表示过程中，以便最终的分类决策基于对域的变化具有区分性和不变性的特征；S4、基于定位模块、分割模块、分类模型和域对抗迁移学习模块建立正常剂量和低剂量图像的深度学习模型，构建分步训练损失函数来防止模型过拟合。本发明既能对正常剂量CT图像的骨质疏松进行识别，也能对低剂量CT图像骨质疏松进行识别。