-
公开(公告)号：CN119600039A
公开(公告)日：2025-03-11
申请号：CN202411444778.1
申请日：2024-10-16
Applicant: 吉林大学第一医院
Abstract: 本申请公开了一种基于医学核磁影像的膝骨关节炎关键部位分割方法及装置，属于图像处理技术领域，其中，基于医学核磁影像的膝骨关节炎关键部位分割方法包括：获取膝骨关节的医学核磁影像；将医学核磁影像输入到卷积神经网络，提取医学核磁影像的第一高阶特征；将与医学核磁影像相同空间大小的3D高斯噪声或含有一定比例高斯噪声的医学核磁影像3D分割标签及第一高阶特征输入扩散网络，得到第二高阶特征；将膝骨关节的关键结构的位置描述和亚结构关系描述文本输入预训练大语言模型，得到文本特征向量；将第一高阶特征、第二高阶特征及文本特征向量进行融合对齐，得到融合特征；将融合特征输入扩散网络，得到膝骨关节的分割标签。
-
公开(公告)号：CN110827275B
公开(公告)日：2023-12-22
申请号：CN201911157464.2
申请日：2019-11-22
Applicant: 吉林大学第一医院
IPC: G06T7/00 , G06T7/50 , G06T7/10 , G16H30/20 , G06N3/0464
Abstract: 本发明提供了一种基于树莓派和深度学习的肝脏核磁动脉期影像质量分级方法，包括：步骤一、采集肝脏核磁动脉期影像并进行预处理得到灰度图像，得到质量分级的训练样本数据集；步骤二、将训练样本数据集进行分类并构建卷积神经网络模型；步骤三、利用全局平均池化运算进行特征可视化运算得到特征可视化热图；步骤四、筛选特征可视化热图；步骤五、将特征图的深度抽象特征输入分类器进行二次训练，得到普美显肝脏核磁质量控制分级模型；步骤六、输入待分类的患者肝脏核磁动脉期影像，得到普美显肝脏核磁动脉期影像的分级预测结果，本发明构建的卷积神经网络模型，能够对普美显肝脏核磁动脉期影像进行准确的质量分级。
-
公开(公告)号：CN116089637A
公开(公告)日：2023-05-09
申请号：CN202310113890.6
申请日：2023-02-14
Applicant: 吉林大学第一医院
Abstract: 本发明公开了一种数据管理方法、系统及服务器，涉及数据管理技术领域，将多条存储数据存储于预设影像信息管理库中进行统一管理，各存储数据包括唯一对象标识信息及存储信息本体，且存储信息本体为基于预设数据上传管理策略对待存储影像数据进行处理后得到，则在接收到与此次执行目标动作对应的目标对象信息时，基于该预设影像信息管理库，对其中与目标对象信息对应的目标存储数据执行目标动作，利于对影像数据进行统一管理，方便检索、统计及获取数据，利于实际应用。
-
公开(公告)号：CN115855557A
公开(公告)日：2023-03-28
申请号：CN202211581742.9
申请日：2022-12-09
Applicant: 吉林大学第一医院
Abstract: 本申请公开了一种辅助取材方法及辅助取材装置，属于医疗器械技术领域，其中，辅助取材方法，包括：对被取样者进行核磁共振成像，得到目标器官的目标区域坐标；将目标器官标本放入辅助取材装置，连同辅助取材装置再次进行核磁共振成像，将目标区域坐标转换到辅助取材装置上，得到目标器官标本的目标区域定位；根据目标区域定位利用辅助取材装置对目标区域进行取材。该方法实现了体内目标器官标本的精准切割，提高了样本的取材精准度。
-
公开(公告)号：CN115410045A
公开(公告)日：2022-11-29
申请号：CN202211133439.2
申请日：2022-09-18
Applicant: 吉林大学第一医院
IPC: G06V10/764 , G06N20/00 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种体素可视化方法、装置、电子设备及可读存储介质，属于医学影像技术领域。所述体素可视化方法用于医学影像，其特征在于，包括：获得医学影像中的设定区域的影像组学特征标签；以所述设定区域的影像组学特征标签中的每个第一体素为单位建立相应的多个第一图像矩阵；根据所述第一图像矩阵和机器学习模型，获得所述设定区域的每个第一体素的预测概率；将所述设定区域的每个第一体素替换为相应的所述预测概率；将替换后的所述设定区域通过热图映射到所述医学影像。从而解决了现有的体素可视化只生成设定区域内部单个体素的单种影像组学特征值，并不能融合多个影像组学特征进行可视化的问题。
-
Patent Agency Ranking
公开(公告)号：CN110827275A
公开(公告)日：2020-02-21
申请号：CN201911157464.2
申请日：2019-11-22
Applicant: 吉林大学第一医院
Abstract: 本发明提供了一种基于树莓派和深度学习的肝脏核磁动脉期影像质量分级方法，包括：步骤一、采集肝脏核磁动脉期影像并进行预处理得到灰度图像，得到质量分级的训练样本数据集；步骤二、将训练样本数据集进行分类并构建卷积神经网络模型；步骤三、利用全局平均池化运算进行特征可视化运算得到特征可视化热图；步骤四、筛选特征可视化热图；步骤五、将特征图的深度抽象特征输入分类器进行二次训练，得到普美显肝脏核磁质量控制分级模型；步骤六、输入待分类的患者肝脏核磁动脉期影像，得到普美显肝脏核磁动脉期影像的分级预测结果，本发明构建的卷积神经网络模型，能够对普美显肝脏核磁动脉期影像进行准确的质量分级。
-
公开(公告)号：CN118196120A
公开(公告)日：2024-06-14
申请号：CN202410388912.4
申请日：2024-04-01
Applicant: 吉林大学第一医院
IPC: G06T7/11 , G06T7/73 , G06T7/00 , G06N3/0464 , G06N3/0455
Abstract: 本申请公开了一种人脑部缰核结构分割方法、装置、电子设备及存储介质，属于数据处理技术领域，其中，人脑部缰核结构分割方法包括：获取脑部的MP2RAGE序列磁共振数据，MP2RAGE序列磁共振数据包括UNI磁共振数据和T1mapping磁共振数据；将MP2RAGE序列磁共振数据输入到训练好的深度学习分割网络，得到人脑部缰核结构分割结果，深度学习分割网络基于交叉注意力机制构建而成。该方法利用训练好的深度学习分割网络实现了缰核结构的快速、精准分割，不再依赖人工提取，并且该模型结合交叉注意力机制利用跨模态之间的互补信息，基于不同模态的磁共振影像对缰核结构进行分割，实现了人脑部缰核结构的精准定位及分割。
-
公开(公告)号：CN115219465A
公开(公告)日：2022-10-21
申请号：CN202210810945.4
申请日：2022-07-11
Applicant: 吉林大学第一医院
Abstract: 本发明公开了一种定量检测组织蛋白酶B浓度的方法，具体包括以下步骤：步骤S1，制备核壳型上转换纳米粒子，在其外侧包覆SiO2层获得UCNP@SiO2‑COOH；步骤S2，在UCNP@SiO2‑COOH上连接Cy5‑pep使其荧光淬灭；步骤S3，配置梯度浓度的CTSB标准溶液，将其分别与UCNP@SiO2‑Cy5‑pep共孵育，获得CTSB浓度与UCNP@SiO2‑Cy5‑pep荧光恢复强度的线性方程；步骤S4，将待测CTSB溶液与UCNP@SiO2‑Cy5‑pep共孵育后，检测其荧光恢复强度，基于线性方程获得待测CTSB溶液的浓度；本发明的检测过程简单，检测结果准确性和灵敏度高，实用性强。
-
公开(公告)号：CN111599464A
公开(公告)日：2020-08-28
申请号：CN202010401516.2
申请日：2020-05-13
Applicant: 吉林大学第一医院
Abstract: 本发明提供了一种基于直肠癌影像组学研究的新型多模态融合辅助诊断方法，包括：步骤一、获取直肠癌多种模态的医学影像，并进行预处理；步骤二、对预处理之后的医学影像进行分层分割，并获取每一层医学影像对应的感兴趣区域；步骤三、对每一种模态医学影像的每一个感兴趣区域进行特征提取，获取对应的高维影像组学特征；步骤四、对所获取样本及对应获取得到的高维影像组学特征进行随机划分得到训练集和测试集，并在训练组数据内进行特征降维；步骤五、基于T2加权成像、弥散加权成像及CT影像的低维影像组学特征，分别构建影像组学标签；步骤六、对所获得的各个标签进行系数加权，经线性组合后得到多模态融合影像组学评分，用于直肠癌辅助诊断。
-
公开(公告)号：CN110517241A
公开(公告)日：2019-11-29
申请号：CN201910781301.5
申请日：2019-08-23
Applicant: 吉林大学第一医院
Abstract: 本发明公开了一种基于核磁成像IDEAL-IQ序列全自动腹部脂肪定量分析的方法，包括以下步骤：S1：构建带有标注的核磁成像IDEAL-IQ序列腹部影像作为深度学习训练样本集和测试样本集。本发明的计算算法包括机器学习中的U-Net深度学习网络、3D U-Net深度学习网络以及无监督AFKMC2聚类方法，本发明的算法需要用到IDEAL-IQ序列中脂像和水像，其中，3D U-Net深度学习网络和U-Net深度学习网络分别用于分割脂像中皮下脂肪轮廓以及水像中腹膜腔轮廓，无监督AFKMC2聚类方法用于分割脂像中内脏脂肪轮廓，本发明可得到准确率更高，速度更快的全自动定量腹部脂肪组织结果。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.035 seconds)
