-
公开(公告)号：CN115713520A
公开(公告)日：2023-02-24
申请号：CN202211482880.1
申请日：2022-11-24
Applicant: 复旦大学 , 光华临港工程应用技术研发(上海)有限公司
IPC: G06T7/00 , G06T7/11 , G06V10/774 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明涉及一种基于深度学习的医学影像颈动脉血管分割算法和系统，所述方法通过对原始颈部医学影像数据的获取和预处理后，输入预训练的医学影像颈动脉血管检测网络进行血管定位，生成颈动脉血管定位框；然后将定位框对应的部分颈部医学影像，输入预训练的医学影像颈动脉血管分割网络进行血管分割，生成颈动脉血管分割结果；最后将颈动脉血管分割结果和原始颈部医学影像数据进行可视化展示。与现有技术相比，本发明具有分割准确性高的优点。
-
公开(公告)号：CN115619794A
公开(公告)日：2023-01-17
申请号：CN202210513459.6
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: 本发明提供了一种基于神经网络的原发性肝细胞癌病灶分割系统及方法，包括：模块M1：获取肝脏多期相CT数据并进行预处理，得到预处理后的肝脏多期相CT数据；模块M2：将预处理后的肝脏多期相CT数据通过第一个预训练的多通道卷积神经网络进行肝脏分割，得到肝脏区域的多期相CT数据；模块M3：将肝脏区域的多期相CT数据通过第二个预训练的多通道卷积神经网络进行原发性肝细胞癌病灶筛查，获得含有原发性肝细胞癌病灶的多期相CT数据；模块M4：将含有原发性肝细胞癌病灶的多期相CT数据通过第三个预训练的多通道卷积神经网络进行原发性肝细胞癌病灶分割，得到原发性肝细胞癌病灶多期相分割结果。
-
公开(公告)号：CN114240846A
公开(公告)日：2022-03-25
申请号：CN202111394790.2
申请日：2021-11-23
Applicant: 复旦大学附属华山医院
Abstract: 本发明提供了一种降低医学图像病灶分割结果假阳率的系统及方法，包括：模块M1：获取医学图像；模块M2：利用分割技术对获取的医学图像进行组织分割和病灶分割，分别得到第一组织区域和第一病灶区域；模块M3：对第一组织区域进行膨胀操作，得到第二组织区域；模块M4：对第一病灶区域与第二组织区域进行假阳性降低处理，得到第二病灶区域，第二病灶区域为降低假阳率病灶检测分割结果。通过医学图像分割的解剖组织结构和病灶的空间膨胀和卷积方法，解决了病灶分割结果假阳率高的问题，取得了提高病灶诊断正确性与分割精准度的效果。
-
公开(公告)号：CN116310591A
公开(公告)日：2023-06-23
申请号：CN202310395993.6
申请日：2023-04-13
Applicant: 复旦大学附属华山医院
IPC: G06V10/764 , G06V10/40 , G06V10/62 , G06V10/771
Abstract: 本发明提供了一种基于脑微结构和动静态功能的疾病分类或预测方法及系统，包括：步骤S1：获取脑多模态磁共振影像，并进行预处理；步骤S2：将对预处理后的数据进行脑功能特征的提取；步骤S3：将提取的特征进行特征筛选；步骤S4：搭建模型，对疾病数据进行预测和分类。本发明通过采用结合脑微结构和动态及静态功能特征信息，解决了单模态图像无法全面表征疾病病理变化的问题，既可用于疾病的分类，也可用于疾病进展的预测；本发明取得了较单模态、单类别特征更优的分类预测效果。
-
公开(公告)号：CN114187239B
公开(公告)日：2024-08-20
申请号：CN202111397102.8
申请日：2021-11-23
Applicant: 复旦大学附属华山医院
Abstract: 本发明提供了一种结合影像组学和空间分布特征的医学图像分析方法及系统，包括：步骤S1：获取医学图像数据并进行预处理，得到预处理后的医学图像数据；步骤S2：对预处理后的医学图像数据进行目标区域提取，得到目标区域图像；步骤S3：对目标区域图像进行第一图像处理，得到目标区域图的影像组学标签；步骤S4：对目标区域图像进行第二图像处理，得到目标区域图的空间分布标签；步骤S5：利用目标区域的影像组学标签和空间分布标签对机器学习预测模型进行训练，得到训练后的机器学习预测模型；步骤S6：利用训练后的机器学习预测模型得到目标区域的疾病分类信息。
-
Patent Agency Ranking
公开(公告)号：CN116452860A
公开(公告)日：2023-07-18
申请号：CN202310317407.6
申请日：2023-03-28
Applicant: 复旦大学附属华山医院
Abstract: 本发明提供了一种基于深度学习和影像组学的分层分类方法及系统，所述方法包括如下步骤：步骤S1：数据收集及目标结构检测，生成目标结构区域的检测框；步骤S2：从目标结构区域检测框内提取组学特征集F1，完成类别A与类别B的分类；步骤S3：基于深度卷积神经网络的目标结构对类别A进行自动分割；步骤S4：基于影像组学完成类别A的亚分类。本发明通过深度学习和机器学习的方法，构建了一套基于特定结构及其周围区域影像特征进行两个层级的自动分类的算法和系统，为与特定结构相关疾病的诊断流程提供了新思路。
-
公开(公告)号：CN116433620A
公开(公告)日：2023-07-14
申请号：CN202310323524.3
申请日：2023-03-29
Applicant: 复旦大学附属华山医院
Abstract: 本发明提供了一种基于CT图像的骨密度预测及骨质疏松智能筛查方法和系统，包括：进行腰椎CT切片选择，得到目标切片；基于深度卷积神经网络框架构建腰椎椎体自动分割模型，模型输入为目标切片，输出为腰椎椎体的二值分割结果图以及对应的腰椎区域图；基于深度卷积神经网络框架构建腰椎骨密度预测模型，模型输入为双通道图像，输出为腰椎的骨密度值，所述双通道图像由目标切片和腰椎区域图处理后构建；根据骨密度值进行骨质疏松症智能筛查；根据筛查结果以及健康人群骨密度值的统计数据，形成骨质疏松症智能筛查报告。本发明能够有效地完成骨密度的预测和OP的早期筛查，预防骨质疏松性骨折的发生，实现更快捷方便的骨质疏松症筛查。
-
公开(公告)号：CN114187240A
公开(公告)日：2022-03-15
申请号：CN202111403936.5
申请日：2021-11-24
Applicant: 复旦大学
IPC: G06T7/00 , G06T7/11 , G06T7/73 , G06V10/764 , G06V10/70 , G06K9/62 , G06N20/00 , G16H30/40 , G16H50/20 , G16H50/30 , G06F16/215 , G06F21/62
Abstract: 本发明涉及一种多病灶影像处理方法、装置、电子设备及计算机可读介质，方法包括：获取多病灶疾病的影像数据并进行预处理；将影像数据中的所有病灶区域进行分割，获取感兴趣区域，并统计其中单连通病灶区域覆盖的病灶的个数；将影像数据集与感兴趣区域重叠后，通过影像组学方法计算所有单连通病灶区域的影像组学标签；将影像数据集中包含的每个影像的影像组学标签输入机器学习算法，获取单连通病灶的影像组学评分和单连通病灶的分类结果；将各单连通病灶的影像组学评分和单连通病灶的分类结果进行融合，获取多病灶疾病的影像组学评分和多病灶疾病的分类结果。与现有技术相比，本发明具有提高效率、降低标注成本等优点。
-
公开(公告)号：CN116452859A
公开(公告)日：2023-07-18
申请号：CN202310316672.2
申请日：2023-03-28
Applicant: 复旦大学附属华山医院
IPC: G06V10/764 , G06V10/20 , G06V10/40 , G06V10/25 , G06V10/771 , G06T7/00 , G16H50/20
Abstract: 本发明提供了一种基于多模态磁共振成像的帕金森病数据分类方法及系统，包括：获取脑结构磁共振图像、脑扩散加权图像和脑磁敏感加权图像；对脑多模态磁共振影像进行预处理，得到预处理后的脑结构图像、脑扩散图像和脑磁敏感图像；提取脑结构特征，得到结构特征集合；提取脑扩散特征，得到脑扩散特征集合；提取脑磁敏感特征；得到脑磁敏感特征集合；采用一对一策略的多分类模型，进行特征筛选，得到分类结果。本发明提出的PD、非典型性帕金森病和健康对照分类的数据处理分类，对全脑ROI提取多模态特征，并用特征筛选方法确定了对分类有价值的区域和特征，有助于基于影像的PD临床诊断和机制研究，能满足PD智能辅助诊断的需要。
-
公开(公告)号：CN116152560A
公开(公告)日：2023-05-23
申请号：CN202310174891.1
申请日：2023-02-24
Applicant: 复旦大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/26 , G06V10/80 , G06V10/25 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/096
Abstract: 本发明涉及一种基于多任务学习的胶质瘤图像分类方法及系统，该方法包括以下步骤：步骤S1、采集脑胶质瘤的多模态磁共振成像图像数据，将其分为训练集和测试集；步骤S2、构建基于多任务学习的多模态磁共振成像图像分类与分割联合网络，其损失函数为分割网络损失函数和分类网络损失函数的加权和；采用标注有肿瘤mask金标准的训练集对多模态磁共振成像图像分类与分割联合网络进行训练；步骤S3、采用训练好的多模态磁共振成像图像分类与分割联合网络对测试集进行图像分割与分类，输出胶质瘤多模态磁共振成像图像自动分割结果以及分类结果。与现有技术相比，本发明具有分类准确性高的优点。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.053 seconds)
