-
-
公开(公告)号：CN112907563B
公开(公告)日：2023-12-01
申请号：CN202110286102.4
申请日：2021-03-17
Applicant: 复旦大学附属华山医院
Inventor： 于泽宽 , 耿道颖 , 陈泓亦 , 陆青青 , 刘学玲 , 吕锟 , 王容 , 杜鹏 , 文剑波 , 韩秋月 , 张海燕 , 杜成娟 , 王娜 , 李璇璇 , 吴昊 , 耿岩 , 张军 , 尹波 , 李郁欣 , 王俊杰 , 陈卫强 , 李强 , 张顺 , 曹鑫
Abstract: 本发明提供了一种基于深度学习的CTA全自动侧枝循环评分方法及系统，涉及医学图像处理技术领域，该方法包括：步骤S1：对大脑CTA图像进行掩模和归一化的预处理；步骤S2：对CTA图像进行脑区划分，获取相关解剖图谱以及功能图谱，获取加权大脑各脑区掩模图；步骤S3：对掩模与归一化后的CTA图像进行血管分割；步骤S4：基于血管分割结果量化计算评分特征；步骤S5：基于卷积神经网络测量血管壁厚度的评分特征；步骤S6：构建多标签评分分类模型，对计算得到的特征向量进行分类评分。本发明能够实现基于血流代偿途径的侧枝循环血管分级机制，并提高小血管的分割精度，还能使得评分策略具有更广泛(56)对比文件刘国玮.基于深度学习的脑部CTA图像血管分割方法研究《.中国优秀硕士学位论文全文数据库（信息科技辑）》.2020,(第03期),全文.Rahil Shahzad et.al.Fully automateddetection and segmentation ofintracranial aneurysms in subarachnoidhemorrhage on CTA using deep learning.《nature》.2020,全文.吴秋雯等.基于深度学习的计算机体层摄影血管造影颈动脉斑块分割初步研究《.上海医学》.2020,第43卷(第05期),280-283.
-
-
公开(公告)号：CN115620892A
公开(公告)日：2023-01-17
申请号：CN202210513479.3
申请日：2022-05-11
Applicant: 复旦大学 , 粤港澳大湾区精准医学研究院(广州)
IPC: G16H50/20 , G06T7/00 , G06V10/40 , G06V10/25 , G06V10/26 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种脑肿瘤多模态MRI图像融合方法和系统，包括：获取脑肿瘤多靶点多模态MRI数据并进行预处理；构建多模态MRI融合图像生成和脑肿瘤分割的联合网络，对多模态MRI图像进行特征提取和特征融合；构建感兴趣区域和背景之间的关系，通过显著损失函数约束脑肿瘤各组之间以及脑肿瘤和正常脑组织间的对比度；在U型子网络间使用深度监督机制，对子网络输出特征进行卷积得到融合图像；对融合图像进行鉴别，直至损失函数趋于稳定，保存最终生成网络模型，生成脑肿瘤多模态MRI融合图像。本发明通过更少的切换操作和更直观的视觉冲击为医生的临床诊断和患者个性化治疗方案的制定提供更大的帮助，具有更好的临床实用性。
-
公开(公告)号：CN115170622A
公开(公告)日：2022-10-11
申请号：CN202210515128.6
申请日：2022-05-11
Applicant: 复旦大学 , 粤港澳大湾区精准医学研究院(广州)
Abstract: 本发明提供一种基于transformer的医学图像配准方法及系统，包括：步骤S1：获取医学图像对，包括浮动图像和固定图像，并进行预处理；步骤S2：将预处理后的浮动图像通过三个阶段的下采样，生成特征图；步骤S3：构建transformer网络模型，将每阶段下采样生成的特征图展开为一维向量，加入位置嵌入向量送入transformer编码器模块；步骤S4：固定图像按照步骤S2和步骤S3，生成向量，送入transformer结构解码器模块；步骤S5：对transformer网络模型输出的向量进行上采样特征融合，生成形变场；步骤S6：根据生成的形变场对待配准医学图像进行配准。本发明能够提升图像局部信息和全局信息的联系，从而提升无监督学习下图像配准的效果。
-
Patent Agency Ranking
公开(公告)号：CN113223699A
公开(公告)日：2021-08-06
申请号：CN202110355578.9
申请日：2021-04-01
Applicant: 复旦大学附属华山医院
IPC: G16H50/20 , G16H30/20 , G06K9/62 , G06N3/04 , G06N3/08 , G06T7/00 , G06T7/11 , G06T7/73 , A61B34/10
Abstract: 本发明提供了一种构建腰椎骨量减少和骨质疏松筛查模型的方法和系统，包括：步骤1：从双平面成像设备中采集影像数据，获取冠、矢状面影像数据及体检信息并进行预处理；步骤2：对冠、矢状面影像进行椎体分割，得到分割结果；步骤3：根据分割结果和体检信息，构成特征集合；步骤4：基于特征集合进行腰椎骨量减少和骨质疏松筛查模型构建。本发明利用常规体检指标及冠、矢状面影像信息，进行腰椎骨量减少和骨质疏松疾病的筛查，在降低辐射量的同时，为今后快速准确地筛查具有高OP疾病风险的人群提供了理论和实践依据，具有很大的实际应用价值。
-
公开(公告)号：CN111815766A
公开(公告)日：2020-10-23
申请号：CN202010738507.2
申请日：2020-07-28
Applicant: 复旦大学附属华山医院
Abstract: 本发明公开了一种基于2D-DSA图像重建血管三维模型处理方法，其包括以下步骤：步骤S1：采集基于正位和侧位两个角度的2D-DSA图像，基于所采集的2D-DSA图像构建稀疏血管点云；步骤S2：基于构建的稀疏血管点云预处理获得点云片和标准结果，将获得的点云片和标准结果以及已知的颅内血管数据集作为训练集输入PU-GCN深度学习网络对其进行训练，获得训练好的PU-GCN深度学习网络；步骤S3：将待重建2D-DSA图像基于步骤S1获得待重建稀疏点云，将待重建稀疏点云输入训练好的PU-GCN深度学习网络中输出得到待重建稠密点云，基于待重建稠密点云获得血管三维模型。此外，本发明还公开了一种处理系统。
-
公开(公告)号：CN111612762A
公开(公告)日：2020-09-01
申请号：CN202010430630.8
申请日：2020-05-20
Applicant: 复旦大学附属华山医院
Abstract: 本发明提供了一种MRI脑肿瘤图像生成方法及系统，包括：步骤1：构建图像融合对抗生成的GAN网络；步骤2：构建重建图像内容的泊松方程插入算法；步骤3：根据所述图像融合对抗生成的GAN网络和重建图像内容的泊松方程插入算法对输入的3D核磁共振图像进行图像融合生成，将基于GAN网络的MRI图像生成、基于泊松方程编辑MRI融合效果叠加得到最终的图像扩增结果。本发明进行现有样本的数据扩增，增强训练模型的精度和泛化性，为脑肿瘤的诊断、治疗和医生模拟读片训练提供准确的依据。
-
公开(公告)号：CN110197715A
公开(公告)日：2019-09-03
申请号：CN201910416151.8
申请日：2019-05-19
Applicant: 复旦大学附属华山医院
IPC: G16H30/40 , G16H50/70 , G06F16/904
Abstract: 本发明属于医学图像处理技术领域，具体为一种读片教学用医学影像浏览系统。本发明包括：数据库、业务服务器、前端软件三个部分；数据库用于存储医学影像文件数据、典型影像学表现患者信息数据等；业务服务器为负责与数据库、与前端软件通讯的中间件，与数据库具有增删改查的通讯，与前端软件具有双向通讯；业务服务器通过调用大数据分析模块与影像分析模块，进行增量数据的分析等；前端软件为系统与用户进行交互的软件，具有数据库信息显示、影像数据浏览、数据标记与标注等功能。本发明系统可避免重复标注，降低标注的错误率；能够从众多标注中筛选正确率最高的标注，将用户的临床经验更好地转换为信息；并能为临床诊疗标准的建立提供依据。
-
公开(公告)号：CN113223699B
公开(公告)日：2024-10-18
申请号：CN202110355578.9
申请日：2021-04-01
Applicant: 复旦大学附属华山医院
IPC: G16H50/70 , G16H50/20 , G16H30/40 , G06V10/764 , G06V10/77 , G06V10/82 , G06V10/26 , G06N3/045 , G06N3/0499 , G06T7/00 , G06T7/73 , A61B34/10
Abstract: 本发明提供了一种构建腰椎骨量减少和骨质疏松筛查模型的方法和系统，包括：步骤1：从双平面成像设备中采集影像数据，获取冠、矢状面影像数据及体检信息并进行预处理；步骤2：对冠、矢状面影像进行椎体分割，得到分割结果；步骤3：根据分割结果和体检信息，构成特征集合；步骤4：基于特征集合进行腰椎骨量减少和骨质疏松筛查模型构建。本发明利用常规体检指标及冠、矢状面影像信息，进行腰椎骨量减少和骨质疏松疾病的筛查，在降低辐射量的同时，为今后快速准确地筛查具有高OP疾病风险的人群提供了理论和实践依据，具有很大的实际应用价值。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.023 seconds)
