公开(公告)号：CN116344003A

公开(公告)日：2023-06-27

申请号：CN202310197999.2

申请日：2023-03-03

Applicant: 中山大学附属第一医院 ,  广东工业大学

Inventor： 姚顺 ,  王宗明 ,  谭奕珩 ,  罗玉 ,  王海军

IPC: G16H30/40 ,  G06T3/00

Abstract: 本发明公开的基于对比学习的医学影像模态转换方法、系统和存储介质，所述方法包括：获取源目标影像数据；根据所述源目标影像数据进行分析，得到所述源目标影像数据的内容特征和模态特征；将所述源目标影像数据的模态特征转换为目标模态特征；将所述目标模态特征与所述源目标影像数据的内容特征进行合并解码，得到目标模态影像。本发明通过一种基于对比学习的方法从源模态影像转换到目标模态影像，从而避免了同一个体的同一解剖结构反复扫描。本发明专利在模态空间进行转换，能够避免以往方法在图像空间转换下的歧义性，能够进一步提高转换效率和精度。

公开(公告)号：CN115937181A

公开(公告)日：2023-04-07

申请号：CN202211694889.9

申请日：2022-12-28

Applicant: 广东工业大学 ,  中山大学附属第一医院

Inventor： 罗玉 ,  陈炫荣 ,  凌捷 ,  姚顺

IPC: G06T7/00 ,  G06T7/11 ,  G06T17/00 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开的一种3DCNN和放射组学垂体瘤分型评估方法、系统和存储介质，所述方法包括：在医学影像之中提取三维肿瘤区域，首先利用传统影像组学方法进行固定特征提取；随后从三维肿瘤区域之中提取出多个三维肿瘤子区域，并将其输入到3D‑CNN之中进行三维特征提取；最后，融合3D‑CNN影像特征、传统影像组学特征和临床信息对患者的脑肿瘤分型进行建模预测。此外，为增加3D‑CNN特征提取的准确性和可解释性，构造一个辅助任务来协助3D‑CNN对脑肿瘤特征的学习和刻画，该辅助任务和主线预测任务共享网络的前几层，使得网络更具方向性和针对性。本发明通过获取的脑肿瘤患者的医学影像信息进行肿瘤分型预测，有更高的准确率和适用性。

公开(公告)号：CN119541624A

公开(公告)日：2025-02-28

申请号：CN202411733827.3

申请日：2024-11-29

Applicant: 广东工业大学

Inventor： 孙宇平 ,  侯清念 ,  凌捷 ,  姚顺 ,  柳毅 ,  傅立宇 ,  王国斌

IPC: G16B20/00 ,  G16B40/00 ,  G16H30/00 ,  G06V10/80 ,  G06V10/26 ,  G06V10/82 ,  G06N3/045

Abstract: 本发明公开的属于信息科学技术领域，具体为一种基于多尺度病理图像与多模态数据的疾病生存预测方法，包括具体步骤如下：数字病理图像数据处理、基因表示数据处理、多模态数据交互、生存分析。本发明使用x40和x20两种放大倍数下所对应的图像块作为模型的输入，并且采用早期融合的策略实现多尺度信息的整合；相比于采用多视图WSI会产生重复计算相同位置的方法，本发明采用无重叠的图像分割分块方式，能够在一定程度上防止模型的过拟合，并且提高模型的效率。

公开(公告)号：CN119444893A

公开(公告)日：2025-02-14

申请号：CN202411449869.4

申请日：2024-10-17

Applicant: 广东工业大学

Inventor： 孙宇平 ,  周腾 ,  凌捷 ,  姚顺 ,  柳毅 ,  傅立宇 ,  王国斌

IPC: G06T11/00 ,  G06T7/00 ,  G06T7/13 ,  G06N3/0455 ,  G06N3/0475 ,  G06N3/088 ,  G06N3/094

Abstract: 本发明公开的属于医学影像与深度学习技术领域，具体为基于轮廓引导路径正则化的非配对跨模态医学图像转换方法，包括具体步骤如下：构建从源域到目标域的转换路径；应用路径正则化方法，旨在平滑路径过渡，确保图像转换过程中的稳定性；基于轮廓引导的路径正则化技术，使模型能够聚焦于关键解剖区域，进一步提升生成CT图像的结构一致性和准确性，本发明通过减少额外的训练步骤，能够显著缩短训练时间。本发明意在简化无监督训练范式，同时克服传统基于GAN的单步生成方法在捕捉医学图像复杂解剖结构方面的不足。在兼顾训练和采样时间的同时，克服生成医学图像质量受限问题。

公开(公告)号：CN119048527A

公开(公告)日：2024-11-29

申请号：CN202411159980.X

申请日：2024-08-22

Applicant: 广东工业大学

Inventor： 孙宇平 ,  黄业勤 ,  凌捷 ,  姚顺 ,  柳毅 ,  王国斌

IPC: G06T7/10 ,  G06T7/30 ,  G06T7/00 ,  G06N3/0455 ,  G06N3/0895

Abstract: 本发明公开的属于医学图像处理技术领域，具体为一种基于深度学习的医学图像配准与分割联合训练方法，本发明的医学图像配准和分割联合算法在医学图像配准过程中结合了医学图像分割任务，利用半监督分割网络SegNet生成的伪分割标签提供辅助的解剖结构信息，约束弱监督配准网络RegNet生成更符合真实解剖结构的变形场。反过来，弱监督配准网络RegNet也可以为半监督分割网络SegNet提供形变伪标签用以监督训练。同时，为了减少配准误差和分割误差对彼此性能的影响，弱监督配准网络RegNet使用了微分同胚配准算法，生成的形变场更加平滑。