-
公开(公告)号：CN114387220B
公开(公告)日：2025-03-28
申请号：CN202111562916.2
申请日：2021-12-20
Applicant: 复旦大学
IPC: G06T7/00 , G06T7/11 , G06T5/60 , G06T5/90 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/08
Abstract: 本发明涉及一种基于深度学习的脑部MR图像规范化系统，首先使用一个编码器‑解码器网络来实现模态规范化，使特征提取器具有更多有用的特征；其次，使用基于循环生成式对抗网络实现灰度规范化，将基本特征值限制在一个特定的区间内，降低了模型对数据的敏感性；最后，使用统计参数映射(SPM)实现层间距统一，提高了输入图像的各向同性和分辨率，并将更稳定和完整的三维特征导入模型，以获得更好的结果。与现有技术相比，本发明可以最大限度地利用现有的多中心数据，提高影像组学诊疗的有效性和鲁棒性。
-
公开(公告)号：CN118172695A
公开(公告)日：2024-06-11
申请号：CN202410091779.6
申请日：2024-01-23
Applicant: 复旦大学
Abstract: 本发明涉及一种基于超声造影视频的基因类型分类方法，应用于计算机，包括如下步骤：获取包括多帧灰度图‑造影图双模态视频，针对两帧相邻的灰度图，计算灰度直方图的巴氏系数，当所述巴氏系数满足预设条件时更新肿瘤内区域和肿瘤外区域；基于更新后的肿瘤内区域和肿瘤外区域对应的灰度图‑造影图双模态图像，分别计算肿瘤内区域的时间‑强度曲线和肿瘤外区域的时间‑强度曲线；将肿瘤内区域和肿瘤外区域的时间‑强度曲线以并行方式输入预训练好的时序卷积模型中，输出基因类型的预测结果。与现有技术相比，本发明具有提高TIC序列采集的准确性、鲁棒性强等优点，进而提高了基因类型预测的准确性。
-
公开(公告)号：CN116309404A
公开(公告)日：2023-06-23
申请号：CN202310202432.X
申请日：2023-03-02
Applicant: 复旦大学附属华山医院
IPC: G06T7/00 , A61B90/00 , A61B8/08 , G06V10/774 , G06V10/94 , G16H30/20 , G16H30/40 , G06N3/0464 , G06N3/0985
Abstract: 本发明公开了一种脑胶质瘤术中超声实时检测方法和系统，该方法包括如下步骤：S1，对采集到的脑胶质瘤患者的超声静态图像进行预处理，获得处理后的第一超声图像；S2，对处理后的超声图像标注胶质瘤病灶区域，并基于标注的第一超声图像生成对应的胶质瘤超声数据集；S3，通过所述的胶质瘤超声数据集训练深度卷积神经网络模型，所述的深度卷积神经网络模型用于从输入的术中超声图像识别胶质瘤病灶区域；S4，将术中实时超声图像输入训练好的深度卷积神经网络模型，识别患者的胶质瘤病灶区域。本发明能够实时检测术中超声影像的胶质瘤病灶，为外科医生手术切除胶质瘤提供导航信息。
-
公开(公告)号：CN115620913A
公开(公告)日：2023-01-17
申请号：CN202211343321.2
申请日：2022-10-31
Applicant: 复旦大学
IPC: G16H50/50 , G16H70/60 , G16H30/00 , G06V10/772 , G06V10/28 , G06V10/762 , G06V10/74 , G06N3/0464 , G06N3/042 , G06N3/08
Abstract: 本发明属于医学图像智能处理技术领域，具体为一种基于图卷积神经网络的肝移植术后肿瘤复发预测方法，该方法包括：对肝细胞癌全视野数字病理切片(WSI)进行前景分割与裁剪，并采用卷积神经网络对裁剪获得的图像块进行特征提取；对所有特征进行全局聚类构造码本字典，并对全局聚类后的特征进行局部聚类；通过对照码本字典，将各个WSI构造为节点数相同的图结构数据；设计图卷积神经网络模型并采用负对数似然损失函数对模型进行优化，最终输出每个病人的复发风险分数。本发明方法得到了比传统方法更好的预测性能，可以帮助医生更好地估计肝细胞癌患者的预后状况，从而为患者选择合适的治疗方案。
-
公开(公告)号：CN114288561A
公开(公告)日：2022-04-08
申请号：CN202111601735.6
申请日：2021-12-24
Applicant: 明格(上海)信息技术有限公司 , 复旦大学 , 上海复志信息技术有限公司
Abstract: 本发明提供了一种定制可穿戴磁场产生部件的方法、装置及磁场治疗设备。该方法包括：获取包含目标区域的对象的医学影像数据；在所述医学影像数据中确定所述目标区域，并确定励磁线圈在所述对象上的支撑部位；基于所述目标区域及支撑部位，确定能够将磁场聚焦到所述目标区域的一个或多个所述励磁线圈的模型数据；以及使用所述励磁线圈的模型数据定制所述可穿戴磁场产生部件。
-
Patent Agency Ranking
公开(公告)号：CN113012198B
公开(公告)日：2022-04-01
申请号：CN202110303224.X
申请日：2021-03-22
Applicant: 复旦大学
IPC: G06T7/246 , G06T7/269 , G06T7/33 , G06V10/25 , G06V10/26 , G06V10/46 , G06V10/74 , G06V10/764 , G06K9/62
Abstract: 本发明提供一种颅内外血管吻合术中血流自动定量分析方法，包括步骤：S1、从若干患者术前术后ICG‑VA视频中各提取一帧视频图像；S2、训练多任务Unet网络，用于分割一帧ICG‑VA视频图像中的所有血管以及受体血管；S3、基于训练好的网络分割待检测患者术前术后一帧视频图像的所有血管以及受体血管；S4、基于sift算法，将患者术前术后的视频图像进行配准；S5、基于HS光流法分析患者术前术后受体血管的血流方向。本发明不仅能对受体血管进行血液灌注分析，还可以自动检测和匹配手术前后图像的血管，测量任意血管的血流方向和强度曲线，并给出校正后的手术前后的血流灌注变化图，使术者能够直观地评估吻合术引起的血流灌注的变化。
-
公开(公告)号：CN113222887A
公开(公告)日：2021-08-06
申请号：CN202110235754.5
申请日：2021-03-03
Applicant: 复旦大学附属华山医院
Abstract: 本发明涉及了磁共振影像深度学习和神经生物交叉学科领域，尤其是涉及了基于深度学习的纳米铁标记神经干细胞示踪的方法，包括如下步骤：S1：利用磁共振成像技术生成纳米铁标记的神经干细胞图像；S2：利用基于深度学习影像组学方法，获得了影像组学特征，得到潜在的多个候选图像；S3：在基于深度学习影像组学时，使用卷积神经网络对纳米铁标记的神经干细胞进行识别；S4：将一个三维卷积核的过滤盒顺利的选定肿瘤区域；S5：利用改良的费舍尔向量编码深度过滤影像数据；S6：利用费舍尔矢量编码，得到输入影像的纳米铁标记的神经干细胞分布情况。通过影像组学的深度学习精准的掌握细胞的位置，具有稳定、高效、自动、无损等特点。
-
公开(公告)号：CN109191422B
公开(公告)日：2021-04-30
申请号：CN201810745422.X
申请日：2018-07-09
Applicant: 复旦大学
Abstract: 本发明属于医学图像处理技术领域，具体为一种基于常规CT图像的缺血性脑卒中早期检测系统和方法。本发明首先对训练集DWI和CT图像进行预处理并将DWI图像配准到CT图像以获得CT图像中脑卒中区域；而后分别从卒中区域和正常区域抽取图像块集合来建立基于图像块分类的卒中检测模型。为提高检测精度，利用基于影像组学的方法对多尺度对称图像块对进行分类鉴别；接着，构建MAP模型对分类结果进行优化，结合图像局部相关性去除检测结果中孤立的小区域。最后，利用训练集建立的检测模型直接对测试CT图像检测。本发明不仅能够直接从视觉上难以判别的常规CT图像中检测卒中区域，且检测精度较高，可用于临床中缺血性脑卒的早期检测。
-
公开(公告)号：CN107016395B
公开(公告)日：2021-02-26
申请号：CN201710162702.3
申请日：2017-03-18
Applicant: 复旦大学
Abstract: 本发明属于计算机辅助诊断技术领域，具体为一种基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤鉴别方法。本发明首先利用基于卷积神经网络的图像分割方法分割T1增强和T2加权MRI图像肿瘤区域；然后设计字典学习和稀疏表示方法提取肿瘤区域纹理特征。为减少特征冗余性和提高肿瘤鉴别效率，采用迭代稀疏表示特征选择方法，选择少数高稳定性高分辨力的特征用于肿瘤鉴别；最后，基于特征态融合的思想，建立同时包含T1增强或T2加权两个模态的联合稀疏表示分类模型提高肿瘤鉴别精度。本发明方法不仅能够获得较高的肿瘤鉴别精度，且无需人工操作提取鉴别参数，具有较强的鲁棒性，可用于原发性脑部淋巴瘤和胶质母细胞瘤的临床鉴别。
-
公开(公告)号：CN106683081B
公开(公告)日：2020-10-30
申请号：CN201611171958.2
申请日：2016-12-17
Applicant: 复旦大学
Abstract: 本发明属于计算机辅助诊断技术领域，具体为一种基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统。本发明首先采用基于卷积神经网络的三维磁共振图像自动分割方法；对分割得到的肿瘤配准到标准脑图集，获取肿瘤分布的116个位置特征；通过计算得到分割肿瘤的21个灰度特征，15个形状特征，39个纹理特征；并对灰度特征和纹理特征进行三维小波分解得到8个子带的480个小波特征；最终从每个病例的三维T2‑Flair磁共振图像中获取671个高通量特征；采用p值筛选、遗传算法结合的特征筛选策略获得与IDH1高度相关的110个特征；采用支持向量机和AdaBoost分类器得到对IDH1预测精度为80%的分类。本发明作为影像组学新方法，为胶质瘤的临床诊断提供重要分子标记物的无损预测方案。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.022 seconds)
