-
公开(公告)号：CN119417747A
公开(公告)日：2025-02-11
申请号：CN202411264075.0
申请日：2024-09-10
Applicant: 复旦大学
Abstract: 本发明公开了一种脑卒中预后预测方法及系统，其中，所述方法包括：步骤S1、获取全脑血管的CTP图像。步骤S2、对所述CTP图像进行分割，得到分割后的所述CTP图像。步骤S3、对分割后的所述CTP图像进行特征提取，分别得到全脑血管的形态学特征、梗死核心区灌注特征和关键血管点血流差异特征。步骤S4、根据所述全脑血管的形态学特征、所述梗死核心区灌注特征和所述关键血管点血流差异特征，并基于机器学习构建脑卒中预后预测模型。本发明更加全面的、精细化的量化提取了血管血流和灌注特征，且整个方法和系统全自动，无需人工参与。
-
公开(公告)号：CN109191422A
公开(公告)日：2019-01-11
申请号：CN201810745422.X
申请日：2018-07-09
Applicant: 复旦大学
Abstract: 本发明属于医学图像处理技术领域，具体为一种基于常规CT图像的缺血性脑卒中早期检测系统和方法。本发明首先对训练集DWI和CT图像进行预处理并将DWI图像配准到CT图像以获得CT图像中脑卒中区域；而后分别从卒中区域和正常区域抽取图像块集合来建立基于图像块分类的卒中检测模型。为提高检测精度，利用基于影像组学的方法对多尺度对称图像块对进行分类鉴别；接着，构建MAP模型对分类结果进行优化，结合图像局部相关性去除检测结果中孤立的小区域。最后，利用训练集建立的检测模型直接对测试CT图像检测。本发明不仅能够直接从视觉上难以判别的常规CT图像中检测卒中区域，且检测精度较高，可用于临床中缺血性脑卒的早期检测。
-
公开(公告)号：CN109191422B
公开(公告)日：2021-04-30
申请号：CN201810745422.X
申请日：2018-07-09
Applicant: 复旦大学
Abstract: 本发明属于医学图像处理技术领域，具体为一种基于常规CT图像的缺血性脑卒中早期检测系统和方法。本发明首先对训练集DWI和CT图像进行预处理并将DWI图像配准到CT图像以获得CT图像中脑卒中区域；而后分别从卒中区域和正常区域抽取图像块集合来建立基于图像块分类的卒中检测模型。为提高检测精度，利用基于影像组学的方法对多尺度对称图像块对进行分类鉴别；接着，构建MAP模型对分类结果进行优化，结合图像局部相关性去除检测结果中孤立的小区域。最后，利用训练集建立的检测模型直接对测试CT图像检测。本发明不仅能够直接从视觉上难以判别的常规CT图像中检测卒中区域，且检测精度较高，可用于临床中缺血性脑卒的早期检测。
-
公开(公告)号：CN107016395B
公开(公告)日：2021-02-26
申请号：CN201710162702.3
申请日：2017-03-18
Applicant: 复旦大学
Abstract: 本发明属于计算机辅助诊断技术领域，具体为一种基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤鉴别方法。本发明首先利用基于卷积神经网络的图像分割方法分割T1增强和T2加权MRI图像肿瘤区域；然后设计字典学习和稀疏表示方法提取肿瘤区域纹理特征。为减少特征冗余性和提高肿瘤鉴别效率，采用迭代稀疏表示特征选择方法，选择少数高稳定性高分辨力的特征用于肿瘤鉴别；最后，基于特征态融合的思想，建立同时包含T1增强或T2加权两个模态的联合稀疏表示分类模型提高肿瘤鉴别精度。本发明方法不仅能够获得较高的肿瘤鉴别精度，且无需人工操作提取鉴别参数，具有较强的鲁棒性，可用于原发性脑部淋巴瘤和胶质母细胞瘤的临床鉴别。
-
公开(公告)号：CN119295381A
公开(公告)日：2025-01-10
申请号：CN202411220782.X
申请日：2024-09-02
Applicant: 复旦大学
IPC: G06T7/00 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/08 , G06V10/20 , G06V10/40 , G06V10/82 , G06V10/80
Abstract: 本发明提供了一种用于医学图像处理的系统、介质和计算机设备，包括图像预处理模块、图卷积网络模块、卷积神经网络模块和多模态特征融合模块；图像预处理模块对第一图像的肿瘤核心区进行形态学操作得到第二图像；图卷积网络模块输出集合了肿瘤核心区和瘤周邻域区信息的第一特征向量；卷积神经网络模块进行卷积提取图像深层特征得到第二特征向量；第一特征向量和第二特征向量进行特征融合得到第一输出和第二输出，第一输出和第二输出通过多层感知机确定最终的肿瘤鉴别结果。本发明的系统通过对输入的乳腺超声图像进行图像处理，基于肿瘤核心区和瘤周邻域区的相关特征进行判断，实现对乳腺肿瘤的良恶性种类划分。
-
Patent Agency Ranking
公开(公告)号：CN119107281A
公开(公告)日：2024-12-10
申请号：CN202411013208.7
申请日：2024-07-26
Applicant: 复旦大学
IPC: G06T7/00 , G06T7/11 , G06T7/194 , G06T3/4038 , G06V10/762 , G06V10/774 , G06V10/82 , G16H30/40
Abstract: 一种基于双路径分析框架的脑胶质瘤全切片病理图像智能分析方法，具体包含以下步骤：S1、全切片图像的预处理，利用通道阈值分割算法，将每个全切片图像划分为不同的前景组织区域和背景区域，并将所述前景组织区域切割为若干个固定大小的图像块，再提取每个图像块的特征向量，形成特征聚类；S2、建立动态采样机制，对每个全切片图像的特征聚类利用两阶段注意力网络进行动态多实例学习，最终得到全切片图像的切片级特征表示；S3、将肿瘤微环境空间关系信息定量化，得到的空间关系量化图的特征表示，并将其与所述S2中的切片级特征表示进行拼接，得到最终预测结果。本发明提高了预测的效率和鲁棒性，提高了医疗决策速度和质量。
-
公开(公告)号：CN117894469A
公开(公告)日：2024-04-16
申请号：CN202311577119.0
申请日：2023-11-23
Applicant: 复旦大学附属华山医院
IPC: G16H50/50 , G16H70/60 , G16H30/00 , G06T7/00 , G06T7/11 , G06T7/136 , G06T7/90 , G06V10/762 , G06V10/764 , G06V10/774 , G06V10/776
Abstract: 本发明公开了一种基于全切片病理图像的垂体腺瘤复发预测模型构建方法及预测系统。本发明预测模型首先在1倍放大倍数上对全切片病理图像进行二值化处理分割出待分析的组织区域和无关的背景区域，而后在20倍放大倍数上从组织区域中无重叠地提取图像块集合。为去除冗余图像块从而进一步提升网络模型性能，对图像块集合进行聚类，并选择类中心图像块输入网络。最后，建立基于聚类注意力的多实例分类模型预测垂体神经内分泌肿瘤复发，并通过模型中聚类图像块注意力分数的可视化对全切片病理图像进行可解释性分析。本发明预测模型不仅具有较高的复发预测精度，且整个过程由计算机自动完成无需人工干预，可用于临床中垂体神经内分泌肿瘤复发预测。
-
公开(公告)号：CN108319969B
公开(公告)日：2021-06-22
申请号：CN201810029255.9
申请日：2018-01-12
Applicant: 复旦大学
Abstract: 本发明属于医学图像处理技术领域，具体为一种基于稀疏表示框架的较高级别脑胶质瘤生存期预测方法和系统。本发明首先利用基于卷积神经网络的图像分割方法分割MRI图像中肿瘤区域；而后采用基于局部SIFT特征稀疏表示的方法提取肿瘤区域全局特征；为减少特征冗余性和提高生存期预测精度，采用稀疏表示与结构保持结合的模型进行特征选择，选择少数高稳定性高分辨力的特征预测生存期；最后，采用多特征协作稀疏表示分类方法结合多模态特征预测病人生存期是否大于22个月。本发明方法不仅具有较高的生存期预测精度，且整个过程由计算机自动完成无需人工干预，可用于临床中较高级别脑胶质瘤的术后生存期预测。
-
公开(公告)号：CN108319969A
公开(公告)日：2018-07-24
申请号：CN201810029255.9
申请日：2018-01-12
Applicant: 复旦大学
CPC classification number: G06K9/6256 , G06K9/4671 , G06K9/6267 , G06K2009/4695 , G06T7/0012 , G06T7/11 , G06T2207/10088 , G06T2207/30096
Abstract: 本发明属于医学图像处理技术领域，具体为一种基于稀疏表示框架的较高级别脑胶质瘤生存期预测方法和系统。本发明首先利用基于卷积神经网络的图像分割方法分割MRI图像中肿瘤区域；而后采用基于局部SIFT特征稀疏表示的方法提取肿瘤区域全局特征；为减少特征冗余性和提高生存期预测精度，采用稀疏表示与结构保持结合的模型进行特征选择，选择少数高稳定性高分辨力的特征预测生存期；最后，采用多特征协作稀疏表示分类方法结合多模态特征预测病人生存期是否大于22个月。本发明方法不仅具有较高的生存期预测精度，且整个过程由计算机自动完成无需人工干预，可用于临床中较高级别脑胶质瘤的术后生存期预测。
-
公开(公告)号：CN107016395A
公开(公告)日：2017-08-04
申请号：CN201710162702.3
申请日：2017-03-18
Applicant: 复旦大学
CPC classification number: G06K9/4685 , G06K9/629 , G06K2009/4695 , G06T7/0012 , G06T2207/10088 , G06T2207/30096
Abstract: 本发明属于计算机辅助诊断技术领域，具体为一种基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤鉴别方法。本发明首先利用基于卷积神经网络的图像分割方法分割T1增强和T2加权MRI图像肿瘤区域；然后设计字典学习和稀疏表示方法提取肿瘤区域纹理特征。为减少特征冗余性和提高肿瘤鉴别效率，采用迭代稀疏表示特征选择方法，选择少数高稳定性高分辨力的特征用于肿瘤鉴别；最后，基于特征态融合的思想，建立同时包含T1增强或T2加权两个模态的联合稀疏表示分类模型提高肿瘤鉴别精度。本发明方法不仅能够获得较高的肿瘤鉴别精度，且无需人工操作提取鉴别参数，具有较强的鲁棒性，可用于原发性脑部淋巴瘤和胶质母细胞瘤的临床鉴别。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.017 seconds)
