公开(公告)号：CN119991647A

公开(公告)日：2025-05-13

申请号：CN202510165877.4

申请日：2025-02-14

Applicant: 复旦大学附属华山医院 ,  上海大学 ,  上海市锐邦数据系统有限公司

Inventor： 管一晖 ,  左传涛 ,  蒋皆恢 ,  江伟 ,  门建炜

IPC: G06T7/00 ,  A61B6/03 ,  A61B6/50 ,  A61B6/00 ,  G06T7/30 ,  G06T3/02

Abstract: 本发明公开了一种基于18F‑AV45 PET影像的无监督特征分析方法，包括以下步骤：获取医疗图像数据；基于生成式网络框架构建预测网络，所述预测网络包括图像配准模块，特征提取模块以及重构模块；利用训练集对预测网络进行无监督式训练，以获得用于重构健康者初始图像的无监督生成模型，设计用于计算两张图像之间特征残差的残差模块；将所述无监督生成模型的输出端与所述残差模块的输入端相连，已组成用于分析图像差异的特征分析模型；将待分析大脑PET影像输入至所述特征分析模型中，以输出图像特征差异分布结果。本发明还提供了一种无监督特征分析系统。本发明提供的方法能准确识别PET影像中沉淀脑区信息，为后续临床诊断提供更加全面的参考。

公开(公告)号：CN110992332A

公开(公告)日：2020-04-10

申请号：CN201911197099.8

申请日：2019-11-29

Applicant: 复旦大学

Inventor： 庄吓海 ,  徐佳杭 ,  左传涛 ,  吴平

IPC: G06T7/00 ,  G06T7/10 ,  G06T7/33 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明涉及一种基于图像处理的全自动多巴胺转运体半定量值检测方法，该方法包括如下步骤：(1)构建MRI图像分割网络，将大脑MRI图像中的尾状核、壳核、苍白球区域分割出来；(2)将MRI图像配准到PET图像，获得PET图像的分割结果；(3)对PET图像的分割结果进行聚类细分割，得到多个标签结构；(4)获取每个标签结构的特征统计量；(5)对应获取PET图像中顶枕叶区域的特征统计量，以此为基准，对各标签结构中的特征统计量分别进行标准化，得到各特征统计量的半定量值；(6)对各标签结构的半定量值进行T检验，完成半定量值的显著性排序。与现有技术相比，本发明检测精度高、实现方便、应用灵活。

公开(公告)号：CN119599879A

公开(公告)日：2025-03-11

申请号：CN202411577531.7

申请日：2024-11-06

Applicant: 复旦大学附属华山医院

Inventor： 左传涛 ,  王静 ,  刘丰韬 ,  葛璟洁 ,  张政伟

IPC: G06T5/50 ,  G06T11/00 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/084 ,  G06V10/44 ,  G06V10/77 ,  G06V10/764 ,  G06V10/82 ,  G16H50/20 ,  G16H50/30 ,  G16H50/70 ,  G06N3/048

Abstract: 本发明公开了一种基于深度学习的PET图像跨膜态合成方法，适用于多巴胺转运蛋白(dopamine transporter,DAT)成像，通过先进的图像处理技术，提高帕金森病的诊断准确性，该方法由11C‑CFT生成模型和PD分类模型两个核心部分组成。其中，11C‑CFT生成模型负责将实际扫描的18F‑FDG PET图像通过跨模态合成技术转换成11C‑CFT PET图像，而PD分类模型则利用真实18F‑FDG PET图像与合成11C‑CFT PET图像的多模态信息输出预测结果。本发明的优点在于，利用11C‑CFT PET在多巴胺能系统评估中的优势，通过合成的11C‑CFT PET图像来直接反映PD患者纹状体区域的DAT水平，为模型诊断结果提供直观的视觉依据，有助于医生理解和信任AI模型的诊断决策，有效克服了11C‑CFT PET成像的资源限制，使得精准的PD自动诊断技术得以在更广泛的医疗环境中实施。

公开(公告)号：CN116843954A

公开(公告)日：2023-10-03

申请号：CN202310671982.6

申请日：2023-06-07

Applicant: 阿里巴巴达摩院(杭州)科技有限公司 ,  复旦大学附属华山医院

Inventor： 唐禹行 ,  赵麟 ,  吴平 ,  张灵 ,  董和鑫 ,  吕乐 ,  周靖人 ,  左传涛

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/44 ,  G06V10/42

Abstract: 本说明书实施例提供图像分类方法，其中所述图像分类方法包括：获取待分类图像，其中，所述待分类图像包括目标对象的全局图像信息；将所述待分类图像输入图像分类模型，获得所述目标对象的类型信息，其中，所述图像分类模型基于样本图像的特征关联信息训练获得，所述样本图像包括由样本对象的多个局部特征构成的全局图像信息，所述特征关联信息通过对所述样本对象的多个局部特征之间进行关联分析获得。通过基于样本图像的特征关联信息对图像分类模型进行训练，使图像分类模型具备基于局部特征之间的特征关联信息进行图像分类的功能，从而提升了图像分类模型输出的目标对象的类型的准确度。