公开(公告)号：CN115311491A

公开(公告)日：2022-11-08

申请号：CN202210912896.5

申请日：2022-07-31

Applicant: 复旦大学

Inventor： 章琛曦 ,  何学才 ,  李铭 ,  宋志坚

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于医学影像处理技术领域，具体为一种基于课程学习及空间注意力的假阳性筛除方法。本发明针对骨折检测时，检测模型因骨间相似性高易生成大量假阳性预测结果，提出假阳性筛除网络Rib‑FPR Net，利用空间注意力机制提升网络对骨折区域的特征学习能力，结合课程学习式的训练模式有效提升网络的假阳性筛除能力。本发明具有实施简单、高效的特点，结合课程学习和空间注意力机制有效解决了假阳性结果过多的问题，从而很好地提升了骨折辅助诊断效果。

公开(公告)号：CN114494160A

公开(公告)日：2022-05-13

申请号：CN202210023607.6

申请日：2022-01-10

Applicant: 复旦大学

Inventor： 章琛曦 ,  何学才 ,  宋志坚

IPC: G06T7/00 ,  G06T7/11 ,  G06T5/40 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于医学影像检测技术领域，具体为一种基于完全融合集成网络候选框的骨折检测方法。本发明针对骨折检测时，网络模型因骨间灰度相似性而生成大量假阳性预测，且检测效果不佳等问题，提出集成目标检测网络(ED‑Net)以提高骨折检测结果，设计全新的加权融合候选框算法(CBF)消除大量的冗余框，得到定位更为精准、置信度更准确的骨折候选框，同时结合Unet针对上述候选框进行分割，进一步地提升骨折检测效果。本发明具有实施简单、精确的特点，级联ED‑Net，CBF，Unet模块有效解决上述问题，从而很好地提高了骨折的检测效果。

公开(公告)号：CN114494160B

公开(公告)日：2023-04-18

申请号：CN202210023607.6

申请日：2022-01-10

Applicant: 复旦大学

Inventor： 章琛曦 ,  何学才 ,  宋志坚

IPC: G06T7/00 ,  G06T7/11 ,  G06T5/40 ,  G06N3/084 ,  G06N3/0464 ,  G06N3/09 ,  G06N3/0455

Abstract: 本发明属于医学影像检测技术领域，具体为一种基于完全融合集成网络候选框的骨折检测方法。本发明针对骨折检测时，网络模型因骨间灰度相似性而生成大量假阳性预测，且检测效果不佳等问题，提出集成目标检测网络(ED‑Net)以提高骨折检测结果，设计全新的加权融合候选框算法(CBF)消除大量的冗余框，得到定位更为精准、置信度更准确的骨折候选框，同时结合Unet针对上述候选框进行分割，进一步地提升骨折检测效果。本发明具有实施简单、精确的特点，级联ED‑Net，CBF，Unet模块有效解决上述问题，从而很好地提高了骨折的检测效果。