-
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:CN116563199A
公开(公告)日:2023-08-08
申请号:CN202210103754.4
申请日:2022-01-28
IPC: G06T7/00 , G06T7/10 , G06T3/40 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种医疗图像的多尺度精细化分割方法和装置。其中,该方法包括:读取原始图像输入数据,利用预设尺寸进行裁剪得到预处理数据;将预处理数据进行线性插值法处理,得到目标尺寸并输入至全局粗分割网络,得到粗分割概率图;将粗分割概率图上采样至原始图像尺寸,并与原始图像在通道维度上进行拼接;将拼接结果输入至智能区域选择网络,选出所得区域,并将所得区域输入至局部细化网络,得到细化分割概率图;计算细化前后的Dice增益作为单步奖励值,并将细化分割概率图替换粗分割概率图中对应的部分,得到奖励值序列,并基于奖励值序列得到分割结果。本方案可以达到更加高效准确的分割,完成医疗图像的识别任务的效果。
-
-
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:CN116153469A
公开(公告)日:2023-05-23
申请号:CN202111329369.3
申请日:2021-11-10
Applicant: 华东师范大学 , 复旦大学附属华山医院
Abstract: 本实施例公开了一种交互式医疗图像分割平台。平台医疗图像展示子系统以及交互分割子系统;其中:医疗图像展示子系统包括显示模块,用于接收并显示医疗图像,以及医疗图像的医疗信息;交互分割子系统,包括操作指令响应模块,用于响应于用户的操作指令,并将操作指令反馈至医疗图像展示子系统进行显示调整;还包括算法分割模块,用于基于分割算法确定医疗图像的初始分割结果;还包括算法交互模块,用于若检测到纠错交互信息,则根据纠错交互信息对初始分割结果进行调整,得到图像分割结果。采用本发明实施例的技术方案,可以利用交互式分割算法将医生从手工标注中解放出来,只需要对深度学习算法模型的分割结果进行纠错,可以快速得到分割结果。
-
公开(公告)号:CN112365980B
公开(公告)日:2024-03-01
申请号:CN202011279154.0
申请日:2020-11-16
Applicant: 复旦大学附属华山医院
IPC: G16H50/30 , G06T7/00 , G06T7/11 , G06T7/45 , G06T7/62 , G06V10/25 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0442
Abstract: 视化任务;本发明具有更好的临床实用性。本发明提供了一种脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统,包括:获取治疗前、后配对的脑肿瘤多靶点多模态MRI数据并进行预处理;对预处理后治疗前、后配对的脑肿瘤多靶点多模态MRI数据通过3DU‑net卷积神经网络进行肿瘤区域分割得到 和将 和 通过影像组学方法获得生长特征标签L={l1,l2,l3,...,ln};将 和通过多通道卷积神经网络进行特征提取再进行SE融合操作,得到深度学习特征 和将 输入预测模型,得到脑肿瘤多靶点生长预测标签 将 和输入训练后的前瞻性治疗可视化(56)对比文件CN 111445946 A,2020.07.24CN 111584073 A,2020.08.25CN 111599464 A,2020.08.28EP 3576020 A1,2019.12.04KR 20200114228 A,2020.10.07US 2017357844 A1,2017.12.14US 2020160997 A1,2020.05.21WO 2020028382 A1,2020.02.06WO 2020190821 A1,2020.09.24王锦程;郁芸;杨坤;胡新华.基于BP神经网络的脑肿瘤MRI图像分割.生物医学工程研究.2016,(第04期),Liu,X.BTSC-TNAS: A neuralarchitecture search-based transformer forbrain tumor segmentation andclassification.COMPUTERIZED MEDICALIMAGING AND GRAPHICS.2023,110.王锦程;郁芸;杨坤;胡新华.基于BP神经网络的脑肿瘤MRI图像分割.生物医学工程研究.2016,(第04期),76-79.
-
公开(公告)号:CN115965635A
公开(公告)日:2023-04-14
申请号:CN202111183616.3
申请日:2021-10-11
Applicant: 华东师范大学 , 复旦大学附属华山医院
IPC: G06T7/11 , G06T7/136 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种半监督医疗图像的分割方法及装置。其中,该方法包括:首先随机初始化分割网络及置信度网络,随后分别对有标签数据及无标签数据进行采样,利用这分割网络对这两类数据生成概率图,随后将生成的概率图与有标签数据的真值计算监督损失,同时利用置信度网络对所有生成的概率图进行预测,所得预测为逐像素置信度,利用少量有标签数据对其计算二进制交叉熵损失,并通过优化方法最小化这一损失,随后利用有标签数据和无标签数据分别计算二进制交叉熵并求和,将其作为整体框架的对抗损失。本方案可以充分利用带有标注的医疗影像样本数据,通过半监督学习,将医疗图像进行快速和准确的分割,完成医疗图像的识别任务。
-
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:CN111815624A
公开(公告)日:2020-10-23
申请号:CN202010738520.8
申请日:2020-07-28
Applicant: 复旦大学附属华山医院
Abstract: 本发明提供了一种基于图像处理算法的肿瘤间质比判定方法及系统,包括:步骤M1:读取肿瘤病理切片HE免疫组化图像;步骤M2:选取图像的平均灰度值和图像的模糊程度在预设范围内的图像;步骤M3:基于图像预处理算法对选取的图像进行预处理,得到预处理后的图像;步骤M4:对预处理后的图像进行分割;步骤M5:得到分割结果并标注,计算肿瘤间的质比。本发明大大增加了数据的准确度,提供了一套效率更高、精确度更高的肿瘤间质比的计算方式。
-
-
-
-
-
-
-
-
-