-
公开(公告)号：CN113181565A
公开(公告)日：2021-07-30
申请号：CN202110495014.5
申请日：2021-05-07
Applicant: 中南大学
IPC: A61N5/10
Abstract: 本申请涉及一种基于纵向磁约束的高能电子线多自由度调强放疗系统，包括纵向磁约束高能电子线放疗设备和一种用于高能电子线调强放疗的多自由度一体优化方法；设备包括：放疗机和磁约束装置；放疗机包括加速电子的直线加速器或回旋加速器以及多级电子束准直器，磁约束装置包括三级分裂开孔线圈，线圈中心轴均与高能电子束中心轴重合；优化方法包括：步骤一，优化放疗机机头角度，确定出束弧段；步骤二，优化准直器角度，确定出束动态径迹；步骤三，同步优化电子线能量和射束强度，确定最优的电子线多自由度调强放疗计划。本发明能够有效地减少高能电子线在空气中和病人体内的侧向散射，实现磁约束高能电子线多自由度调强放疗，改善患者疗效。
-
公开(公告)号：CN110473196B
公开(公告)日：2021-06-04
申请号：CN201910746634.4
申请日：2019-08-14
Applicant: 中南大学
Abstract: 本发明公开了一种基于深度学习的腹部CT图像目标器官配准方法。首先，构建腹部CT图像数据库；其次，构建基于深度学习的网络模型，在其卷积神经网络模块中，引入坐标卷积层，以增强其对目标位置信息的学习能力；然后，考虑到含目标器官边界框的腹部CT图像数据量较少，基于迁移学习技术，输入自然场景数据库预训练网络模型，再输入腹部CT图像数据库对该模型进行参数微调，以实现腹部目标器官检测；最后，构建腹部目标器官CT图像对，根据图像对像素点之间梯度和灰度分布特征，构建相似性度量函数，基于梯度下降法最小化该函数，实现腹部CT图像对目标器官配准。本发明采用先提取腹部CT图像目标器官区域再配准的策略，减小了腹部CT图像复杂背景和噪声等因素对目标器官配准的影响，且配准精度高，鲁棒性强。
-
公开(公告)号：CN111968135A
公开(公告)日：2020-11-20
申请号：CN202010821503.0
申请日：2020-08-15
Applicant: 中南大学
Abstract: 本发明公开了一种基于全卷积网络的三维腹部CT图像多器官配准方法。首先，获取腹部CT图像数据集。然后，引入注意力机制模块，构建基于全卷积的网络模型，对该网络模型进行训练并获得初步分割结果，再引入全连接条件随机场，进一步优化分割结果，以实现腹部CT序列多器官区域的提取。其次，构建腹部CT序列多器官区域图像对以及基于局部相关系数数据项和空间正则化项的相似性度量函数。最后，采用交替方向乘子法最小化相似性度量函数，实现腹部多器官区域CT图像对配准。本发明采用先分割再配准的两步法策略，消除了外部灰度信息和噪声对腹部目标器官区域配准的干扰，时间消耗少，配准精度高，鲁棒性强。
-
公开(公告)号：CN119890454A
公开(公告)日：2025-04-25
申请号：CN202510191867.8
申请日：2025-02-21
Applicant: 中南大学
IPC: H01M10/0569 , H01M10/0525 , H01M10/0568 , H01M10/42
Abstract: 本发明公开了一种锂金属电池用多功能型电解液及其应用，包括锂盐和有机溶剂，所述有机溶剂由四氢吡喃、1,1,2,2‑四氟乙基‑2,2,3,3‑四氟丙基醚和1,3‑二氧戊环按照体积比为（2.5～7）：（2.5~7）：（1~3）组成；所述锂盐由双(氟磺酰)亚胺锂和高氯酸锂按摩尔比为（0.5～4）：（0.5～4）组成。该电解液具备超低熔点、低阻抗、耐高温、耐高压等特性，显著提升醚类电解液性能，应用于锂金属电池，它拓宽了电压窗口和工作温度范围，解决了低温容量衰减问题，并增强了高温循环稳定性。
-
公开(公告)号：CN115100100B
公开(公告)日：2024-08-20
申请号：CN202210491022.7
申请日：2022-05-07
Applicant: 高速铁路建造技术国家工程实验室 , 中南大学
IPC: G06T7/00
Abstract: 本发明公开了一种相位相关位移场获取方法、电子设备及存储介质，该获取方法包括读取变形前后的影像，确定初始滑动窗口尺寸的最大值和最小值；以最大值作为初始滑动窗口尺寸，并采用初始滑动窗口对变形前影像进行区域划分，得到第一区域窗口；计算第一区域窗口内像素点的方差，由方差构成方差场矩阵，对方差场矩阵进行归一化处理；根据处理后的方差场矩阵、最大值和最小值计算优化滑动窗口尺寸；采用优化滑动窗口分别对第一影像、第二影像进行区域划分，得到第二区域窗口、第三区域窗口；将对应的第二区域窗口与第三区域窗口进行相位相关，得到对应像素位置的位移，由位移构成位移场。本发明位移场的获取精度高、效率高。
-
Patent Agency Ranking
公开(公告)号：CN116309463A
公开(公告)日：2023-06-23
申请号：CN202310280188.9
申请日：2023-03-21
Applicant: 中南大学湘雅医院
Abstract: 本发明提出一种基于深度学习的膀胱容积测定方法及装置，包括：获取不同角度的膀胱2D超声图像，并根据不同角度的膀胱2D超声图像获取不完整膀胱3D超声图像；应用训练后的深度卷积神经网络模型对所述不完整膀胱3D超声图像进行处理，输出预测的完整的膀胱3D掩码图像；统计所述预测的完整的膀胱3D掩码图像中的体素数量，结合每个体素的实际物理尺寸，获取膀胱的容积。本发明能更准确地测定膀胱容积，且速度快。
-
公开(公告)号：CN115938564A
公开(公告)日：2023-04-07
申请号：CN202211399398.1
申请日：2022-11-09
Applicant: 中南大学湘雅医院
IPC: G16H50/20 , G16H20/40 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/048 , G06N5/01 , G06N20/20 , A61N5/10
Abstract: 本发明提供一种肿瘤放疗计划设计方法、装置、电子设备及存储介质，方法包括：获取作为当前优化参数向量集的初始优化参数向量集，计算当前成本函数值；随机修正当前优化参数向量集，产生预设数量套备选优化参数向量集；对预设数量套备选优化参数向量集进行计划参数优化，计算总成本函数值；根据当前备选优化参数向量集的总成本函数值，抽样更新当前优化参数向量集和当前成本函数值，进行重复迭代，直至满足收敛条件；输出迭代后的最终最优的优化参数向量集，确定计划参数，计算并输出多叶准直器的计划叶片走位和剂量分布。本发明能够同步优化放疗计划剂量学质量和执行准确度，实现计划设计自动化，较少依赖人工经验，能够节省临床人力和时间成本。
-
公开(公告)号：CN114066749A
公开(公告)日：2022-02-18
申请号：CN202111228184.3
申请日：2021-10-21
Applicant: 高速铁路建造技术国家工程实验室 , 中南大学
Abstract: 本发明公开了一种相位相关抗噪位移估计方法、设备及存储介质，引入相位标准偏差，在进行真实干涉相位估计前，首先将信噪比非常低的高频区域自动地剔除，以免在进行干涉相位估计时对真实信号产生过多干扰，大大提高了抗噪性能；同时，在进行解缠后相位直线拟合时，引入高斯函数定权，给予干涉相位低频部分更高的权值，高频部分低的权值，既保证了观测值的数量，同时也保证了观测值的质量，在此基础上，使用残差进行二次定权拟合直线，进一步减少了异常值的干扰，从而大大提高了抗噪性能。相较于现有方法，本发明具有很强的抗噪性能，可以在成像条件很差的情况下准确地估计出位移量。
-
公开(公告)号：CN111311592B
公开(公告)日：2021-10-08
申请号：CN202010172837.X
申请日：2020-03-13
Applicant: 中南大学
Abstract: 本发明公开了一种基于深度学习的三维医学图像自动分割方法，主要解决现有技术三维医学图像分割结果粗糙、训练过程不稳定和小目标分割精度低的问题。其实现方案为：1)获取三维医学图像；2)扩充样本数据集；3)构建新的特征提取网络；4)构造感兴趣区域自适应注意力网络；5)获得分割模型；6)训练分割模型；7)三维医学图像分割。本发明构建的分割模型，可有效缓解深层卷积神经网络训练过程中的不稳定性和过拟合情况，减轻了由于正负样本数量不平衡导致的类别不均衡问题，并可显著提高对三维医学图像中的中小目标的分割精度，鲁棒性好，可用于计算机辅助诊断系统。
-
公开(公告)号：CN111311592A
公开(公告)日：2020-06-19
申请号：CN202010172837.X
申请日：2020-03-13
Applicant: 中南大学
Abstract: 本发明公开了一种基于深度学习的三维医学图像自动分割方法，主要解决现有技术三维医学图像分割结果粗糙、训练过程不稳定和小目标分割精度低的问题。其实现方案为：1)获取三维医学图像；2)扩充样本数据集；3)构建新的特征提取网络；4)构造感兴趣区域自适应注意力网络；5)获得分割模型；6)训练分割模型；7)三维医学图像分割。本发明构建的分割模型，可有效缓解深层卷积神经网络训练过程中的不稳定性和过拟合情况，减轻了由于正负样本数量不平衡导致的类别不均衡问题，并可显著提高对三维医学图像中的中小目标的分割精度，鲁棒性好，可用于计算机辅助诊断系统。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.031 seconds)
