-
公开(公告)号：CN113657494B
公开(公告)日：2023-03-24
申请号：CN202110941970.1
申请日：2021-08-17
Applicant: 燕山大学
IPC: G06F18/241 , G06F18/214 , G06V10/82 , G16H40/20 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种预测冠状动脉原位病变介入手术支架尺寸的深度学习方法，属于医学技术领域，包括获取实验所需要的冠脉造影图像数据、利用深度学习方法训练多任务分类与回归预测模型、训练完成后验证多任务分类与回归预测模型的性能、对多任务分类与回归预测模型进行测试、将测试好的多任务分类与回归预测模型应用于冠脉介入手术支架的选择；所述多任务分类与回归预测模型包括由交叉熵损失函数监督训练的分类支路和由均方误差损失函数进行监督训练的回归回路。本发明可以帮助医生快速准确地确定所需要的冠状动脉原位病变介入手术支架的最优尺寸，能够有效提高手术效率并提升手术成功率。
-
公开(公告)号：CN113256639A
公开(公告)日：2021-08-13
申请号：CN202110587303.8
申请日：2021-05-27
Applicant: 燕山大学
Abstract: 本发明公开了基于半监督平均教师模型的冠脉造影血管图像分割方法，本发明采用半监督学习的方法对冠脉造影图像进行分割预测，在仅需要少量标注数据和大量未标注数据的情况下即可实现良好的分割预测，大大缓解了冠脉数据紧缺的问题。同时本发明的学生模型和教师模型采用医学图像分割网络模型Unet结构，简单易于实现，再加上教师模型权重更新我们采用的是学生模型权重随机加权平均，加快了网络训练的收敛速度，并且分割预测效果良好。
-
公开(公告)号：CN113177950A
公开(公告)日：2021-07-27
申请号：CN202110436561.6
申请日：2021-04-22
Applicant: 燕山大学
Abstract: 本发明公开了一种基于半监督对抗学习的冠脉造影血管图像分割的方法，属于医学技术领域，基于半监督对抗学习的方法是当下医学图像处理领域比较热门的一个方法。半监督对抗学习的方法不需要大量的标注数据，大大减轻了医生的工作量。通过利用标注数据训练鉴别器，鉴别器网络可以判断输入为未标注数据的分割预测图还是GroundTruth图，然后分割网络将未标注数据的分割预测输入到鉴别器网络可以计算置信图，再结合对抗损失和半监督损失可以共同监督提高分割网络的准确性，从而使分割网络达到一个好的分割效果。
-
Patent Agency Ranking
公开(公告)号：CN113592939B
公开(公告)日：2024-02-27
申请号：CN202110819406.2
申请日：2021-07-20
Applicant: 燕山大学
IPC: G06T7/62 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/09 , G06V10/766
Abstract: 本发明公开了一种基于冠脉造影图像判断狭窄血管尺寸的深度学习方法，属于医学技术领域，该方法包括：获取实验所需要的冠脉造影图像数据，该冠脉造影图像数据为冠脉造影图像并含有相应的标签，将冠脉造影图像数据分为训练集、验证集和测试集；使用训练集和验证集进行训练，利用深度学习的方法训练一个多任务分类回归预测模型，整个模型包括一个分类支路和一个回归支路，分类支路由交叉熵损失函数监督训练，回归支路由一个主损失函数平均绝对误差和一个跨空间距离保持正则化的损失函数相结合进行监督训练，从而提高预测的准确率，该方法可以帮助医生快速确定相应的血管指标信息，进而可以帮助医生提高手术成功率。
-
公开(公告)号：CN114399475A
公开(公告)日：2022-04-26
申请号：CN202111642992.4
申请日：2021-12-30
Applicant: 燕山大学
IPC: G06T7/00 , G06T7/60 , G06V10/766 , G06V10/40 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于nnFormer进行预测狭窄血管的尺寸和介入手术支架尺寸的方法，属于医学技术领域，基于Swin Transformer与CNN相结合进行预测冠脉造影狭窄血管尺寸以及两侧正常血管尺寸的方法还是该领域比较新颖的一种方法；本发明可以准确地预测狭窄血管和两侧正常血管的尺寸信息，进而可以给予医生更有力的参考价值，帮助医生选取适合患者最优尺寸的介入手术支架；整个模型由Swin Transformer和CNN相结合搭建而成，并由均方误差损失函数监督训练，进而可以训练出可以做出准确预测的回归模型，从而帮助选取最优尺寸的介入手术支架，提升手术的成功率。
-
公开(公告)号：CN113657494A
公开(公告)日：2021-11-16
申请号：CN202110941970.1
申请日：2021-08-17
Applicant: 燕山大学
Abstract: 本发明公开了一种预测冠状动脉原位病变介入手术支架尺寸的深度学习方法，属于医学技术领域，包括获取实验所需要的冠脉造影图像数据、利用深度学习方法训练多任务分类与回归预测模型、训练完成后验证多任务分类与回归预测模型的性能、对多任务分类与回归预测模型进行测试、将测试好的多任务分类与回归预测模型应用于冠脉介入手术支架的选择；所述多任务分类与回归预测模型包括由交叉熵损失函数监督训练的分类支路和由均方误差损失函数进行监督训练的回归回路。本发明可以帮助医生快速准确地确定所需要的冠状动脉原位病变介入手术支架的最优尺寸，能够有效提高手术效率并提升手术成功率。
-
公开(公告)号：CN114052762A
公开(公告)日：2022-02-18
申请号：CN202111436498.2
申请日：2021-11-30
Applicant: 燕山大学
IPC: A61B6/00
Abstract: 本发明涉及一种基于Swin‑T预测狭窄血管尺寸和器械尺寸的方法，属于医学技术领域，包括获取冠脉造影血管图像数据；构建回归预测模型，利用深度学习的方法训练模型，采用均方误差函数来监督训练；查看验证集上回归预测模型的性能；得到训练好的回归预测模型，再用测试集对回归预测模型进行测试，最终确定需要的回归预测模型；预测狭窄血管和附近正常血管的尺寸，确定所需器械尺寸。本发明构建的模型复杂度低、计算效率高、提取特征更深，可以同时兼顾局部与全局以及远程信息的交互，能够更加准确地预测狭窄血管的尺寸和附近正常血管的尺寸，提高医生手术的成功率。
-
公开(公告)号：CN113592939A
公开(公告)日：2021-11-02
申请号：CN202110819406.2
申请日：2021-07-20
Applicant: 燕山大学
Abstract: 本发明公开了一种基于冠脉造影图像判断狭窄血管尺寸的深度学习方法，属于医学技术领域，该方法包括：获取实验所需要的冠脉造影图像数据，该冠脉造影图像数据为冠脉造影图像并含有相应的标签，将冠脉造影图像数据分为训练集、验证集和测试集；使用训练集和验证集进行训练，利用深度学习的方法训练一个多任务分类回归预测模型，整个模型包括一个分类支路和一个回归支路，分类支路由交叉熵损失函数监督训练，回归支路由一个主损失函数平均绝对误差和一个跨空间距离保持正则化的损失函数相结合进行监督训练，从而提高预测的准确率，该方法可以帮助医生快速确定相应的血管指标信息，进而可以帮助医生提高手术成功率。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.017 seconds)
