-
公开(公告)号：CN104027823A
公开(公告)日：2014-09-10
申请号：CN201410290009.0
申请日：2014-06-26
Applicant: 吉林大学
Abstract: 本发明公开一种一锅法制备多肽修饰超顺磁性氧化铁纳米粒子聚集体方法，通过一锅法制备多肽修饰的超顺磁性氧化铁纳米粒子聚集体过程中，磁性纳米粒子聚集体尺寸可调；磁性纳米粒子聚集体表面可一步修饰生物活性基团；制备方法操作简单，效率高，成本低，使用安全。解决了常规制备过程中修饰方法复杂，胶体稳定性较差等问题。
-
公开(公告)号：CN118196120A
公开(公告)日：2024-06-14
申请号：CN202410388912.4
申请日：2024-04-01
Applicant: 吉林大学第一医院
IPC: G06T7/11 , G06T7/73 , G06T7/00 , G06N3/0464 , G06N3/0455
Abstract: 本申请公开了一种人脑部缰核结构分割方法、装置、电子设备及存储介质，属于数据处理技术领域，其中，人脑部缰核结构分割方法包括：获取脑部的MP2RAGE序列磁共振数据，MP2RAGE序列磁共振数据包括UNI磁共振数据和T1mapping磁共振数据；将MP2RAGE序列磁共振数据输入到训练好的深度学习分割网络，得到人脑部缰核结构分割结果，深度学习分割网络基于交叉注意力机制构建而成。该方法利用训练好的深度学习分割网络实现了缰核结构的快速、精准分割，不再依赖人工提取，并且该模型结合交叉注意力机制利用跨模态之间的互补信息，基于不同模态的磁共振影像对缰核结构进行分割，实现了人脑部缰核结构的精准定位及分割。
-
公开(公告)号：CN115219465A
公开(公告)日：2022-10-21
申请号：CN202210810945.4
申请日：2022-07-11
Applicant: 吉林大学第一医院
Abstract: 本发明公开了一种定量检测组织蛋白酶B浓度的方法，具体包括以下步骤：步骤S1，制备核壳型上转换纳米粒子，在其外侧包覆SiO2层获得UCNP@SiO2‑COOH；步骤S2，在UCNP@SiO2‑COOH上连接Cy5‑pep使其荧光淬灭；步骤S3，配置梯度浓度的CTSB标准溶液，将其分别与UCNP@SiO2‑Cy5‑pep共孵育，获得CTSB浓度与UCNP@SiO2‑Cy5‑pep荧光恢复强度的线性方程；步骤S4，将待测CTSB溶液与UCNP@SiO2‑Cy5‑pep共孵育后，检测其荧光恢复强度，基于线性方程获得待测CTSB溶液的浓度；本发明的检测过程简单，检测结果准确性和灵敏度高，实用性强。
-
公开(公告)号：CN111599464A
公开(公告)日：2020-08-28
申请号：CN202010401516.2
申请日：2020-05-13
Applicant: 吉林大学第一医院
Abstract: 本发明提供了一种基于直肠癌影像组学研究的新型多模态融合辅助诊断方法，包括：步骤一、获取直肠癌多种模态的医学影像，并进行预处理；步骤二、对预处理之后的医学影像进行分层分割，并获取每一层医学影像对应的感兴趣区域；步骤三、对每一种模态医学影像的每一个感兴趣区域进行特征提取，获取对应的高维影像组学特征；步骤四、对所获取样本及对应获取得到的高维影像组学特征进行随机划分得到训练集和测试集，并在训练组数据内进行特征降维；步骤五、基于T2加权成像、弥散加权成像及CT影像的低维影像组学特征，分别构建影像组学标签；步骤六、对所获得的各个标签进行系数加权，经线性组合后得到多模态融合影像组学评分，用于直肠癌辅助诊断。
-
公开(公告)号：CN110517241A
公开(公告)日：2019-11-29
申请号：CN201910781301.5
申请日：2019-08-23
Applicant: 吉林大学第一医院
Abstract: 本发明公开了一种基于核磁成像IDEAL-IQ序列全自动腹部脂肪定量分析的方法，包括以下步骤：S1：构建带有标注的核磁成像IDEAL-IQ序列腹部影像作为深度学习训练样本集和测试样本集。本发明的计算算法包括机器学习中的U-Net深度学习网络、3D U-Net深度学习网络以及无监督AFKMC2聚类方法，本发明的算法需要用到IDEAL-IQ序列中脂像和水像，其中，3D U-Net深度学习网络和U-Net深度学习网络分别用于分割脂像中皮下脂肪轮廓以及水像中腹膜腔轮廓，无监督AFKMC2聚类方法用于分割脂像中内脏脂肪轮廓，本发明可得到准确率更高，速度更快的全自动定量腹部脂肪组织结果。
-
Patent Agency Ranking
公开(公告)号：CN117058172B
公开(公告)日：2025-01-14
申请号：CN202311074616.9
申请日：2023-08-24
Applicant: 吉林大学第一医院
IPC: G06T7/11 , G06T3/4038 , G06V10/26 , G06V10/764
Abstract: 本申请公开了一种CT图像多区域的分割方法、装置、电子设备及存储介质，属于CT图像处理技术领域，其中，CT图像多区域的分割方法包括：获取CT图像，CT图像为包括多个区域的3D图像；将CT图像输入训练好的分割模型中，得到多区域粗分割标签；将多区域粗分割标签与CT图像进行点积，得到仅含有前景信息的待分类图像；将待分类图像输入多标签分类网络中，得到多标签分类结果。该方法简单、高效并且可以较为精准进行分割及分类，有助于后续的CT图像判断。
-
公开(公告)号：CN119295495A
公开(公告)日：2025-01-10
申请号：CN202411836852.4
申请日：2024-12-13
Applicant: 吉林大学第一医院
IPC: G06T7/11 , G06T5/70 , G06T5/60 , G06N3/0455 , G06N3/088
Abstract: 本发明公开了一种跨模态医学图像分割方法及系统，包括：对模态A图像集中的图像进行像素级标注，并将模态A图像集上得到的像素级标签根据模态B图像集的图像分辨率进行调整；对调整后的像素级标签进行划分，将干净标签图像和噪声标签图像进行混合学习训练，优化图像分割模型；对模态A图像进行自动分割；基于得到的像素级分割结果，自动生成相应的分割边界框；将边界框调整至模态B图像的分辨率；基于调整后的边界框得到的模态B图像上的像素级分割结果，判断所标注的边界框是否为冗余，对经过冗余判断的边界框进行位置调整，得到调整后的分割图像。本发明提高了跨模态分割的效率和准确度，能够有效的跨模态分割的应用性。
-
公开(公告)号：CN111599464B
公开(公告)日：2023-12-15
申请号：CN202010401516.2
申请日：2020-05-13
Applicant: 吉林大学第一医院
Abstract: 本发明提供了一种基于直肠癌影像组学研究的新型多模态融合辅助诊断方法，包括：步骤一、获取直肠癌多种模态的医学影像，并进行预处理；步骤二、对预处理之后的医学影像进行分层分割，并获取每一层医学影像对应的感兴趣区域；步骤三、对每一种模态医学影像的每一个感兴趣区域进行特征提取，获取对应的高维影像组学特征；步骤四、对所获取样本及对应获取得到的高维影像组学特征进行随机划分得到训练集和测试集，并在训练组数据内进行特征降维；步骤五、基于T2加权成像、弥散加权成像及CT影像的低维影像组学特征，分别构建影像组学标签；步骤六、对所获得的各个标签进行系数加权，经(56)对比文件陈民宁.肾细胞癌的不典型CT、MR表现及鉴别诊断.中国继续医学教育.2018,全文.XM Guo.Value of Multi-MR Techniquesin Diagnosis of Prostate Cancer. ChineseComputed Medical Imaging.2008,全文.董雨桐.MSCT胃多期增强及重建精准诊断异位胰腺1例《.中国实验诊断学》.2019,
-
公开(公告)号：CN117058172A
公开(公告)日：2023-11-14
申请号：CN202311074616.9
申请日：2023-08-24
Applicant: 吉林大学
IPC: G06T7/11 , G06T3/40 , G06V10/26 , G06V10/764
Abstract: 本申请公开了一种CT图像多区域的分割方法、装置、电子设备及存储介质，属于CT图像处理技术领域，其中，CT图像多区域的分割方法包括：获取CT图像，CT图像为包括多个区域的3D图像；将CT图像输入训练好的分割模型中，得到多区域粗分割标签；将多区域粗分割标签与CT图像进行点积，得到仅含有前景信息的待分类图像；将待分类图像输入多标签分类网络中，得到多标签分类结果。该方法简单、高效并且可以较为精准进行分割及分类，有助于后续的CT图像判断。
-
公开(公告)号：CN116205967A
公开(公告)日：2023-06-02
申请号：CN202310465254.X
申请日：2023-04-27
Applicant: 中国科学院长春光学精密机械与物理研究所 , 吉林大学第一医院
IPC: G06T7/62 , G06T7/00 , G06V10/26 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及图像识别领域，具体涉及医学影像语义分割方法、装置、设备及介质，利用预先获取CT影像数据和病灶标注信息制作数据集。利用所述数据集对预设的神经网络模型进行有监督训练得到具有推理功能的医学影像语义分割模型，所述医学影像语义分割模型用于表征CT影像数据对应的病灶区域的像素点数。获取待检测CT影像数据，并送入所述医学影像语义分割模型得到所述待检测CT影像数据中病灶区域的像素点数。基于数据采集参数和所述待检测CT影像数据中病灶区域的像素点数确定所述待检测CT影像数据中病灶区域的体积参数，其中所述数据采集参数包括切片厚度和推扫速度，具有识别准确率高、节省识别时间、降低医生工作强度等优点。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.019 seconds)
