-
公开(公告)号：CN109965905A
公开(公告)日：2019-07-05
申请号：CN201910289375.7
申请日：2019-04-11
Applicant: 复旦大学
IPC: A61B8/00
Abstract: 本发明提出一种基于深度学习的造影区域检测成像方法。S1、随机选取的若干个原始超声RF图像，将其每一扫描线上的信号分段，得到若干等长的一维RF信号段；S2、用RF信号段训练、测试卷积神经网络；S3、将实测物体每一扫描线的RF信号分为等长的一维实测RF信号段，并输入所训练好的卷积神经网络；S4、将标签为组织信号的一维实测RF信号段中部的P个成像点置为0；S5、重组一维实测RF信号段得到预成像；S6、采用微泡母小波变换提高预成像中微泡图像亮度；S7、采用特征空间最小方差算法提高图像对比度。本发明将深度学习的理念应用到超声RF信号的分类中，能更有效地滤除组织干扰，进一步提升了医学临床诊断的准确性。
-
公开(公告)号：CN103164621B
公开(公告)日：2018-10-16
申请号：CN201310082465.1
申请日：2013-03-15
Applicant: 复旦大学
IPC: G06F17/14
Abstract: 本发明属于信号处理、电路分析技术领域，具体为一种适用于多个高阶极点的系统函数的部分分式分解方法。本发明根据从简至繁的原则，对于一般的系统函数，先对其分子为常数的部分进行分解；然后利用递推关系式，对该系统函数部分分式表达式。本发明避免了微分运算，多项式的除法和方程组的求解运算，只需简单的代数运算就可对一般的函数进行分解，便于计算机实现及手算，可有效对含有多个高阶极点的系统方程进行部分分式分解。
-
公开(公告)号：CN106683081A
公开(公告)日：2017-05-17
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。
-
公开(公告)号：CN116473572A
公开(公告)日：2023-07-25
申请号：CN202310339136.4
申请日：2023-04-01
Applicant: 复旦大学
Abstract: 本发明属于脑机接口技术领域，具体为一种皮层脑电信号交叉频率耦合特征的提取方法。本发明包括：信号预处理(滤除、信号异常段检测、噪声抑制)以降低皮层脑电信号受到的各种干扰；提取特征，即计算出各频率段之间的交叉频率耦合强度作为特征，具体利用带通滤波将信号不同频段的信号分别提取出来，计算不同频率段信号之间的交叉频率耦合强度，包括相位‑幅值耦合强度、相位‑相位耦合强度和幅值‑幅值耦合强度3种；并引入滑动时间窗，计算耦合强度随时间变化的最大值；通过细分低频成分来提高特征在频率上的区分度。本发明可以提高信噪比，优化信号质量；对与频率差异相关联的潜在症状有更强的检测能力。
-
公开(公告)号：CN116258884A
公开(公告)日：2023-06-13
申请号：CN202111483409.X
申请日：2021-12-07
Applicant: 复旦大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本发明提供一种面向医学图像处理的端到端神经网络异构加速系统，其特征在于，包括：处理器以及可重构卷积神经网络FPGA加速核；其中，可重构卷积神经网络FPGA加速核具有片外存储器、片上参数存储器、片上偏置存储器、片上输入特征图存储器、可重构卷积计算模块输入接口、可重构卷积计算模块、可重构卷积计算模块输出接口、结果存储器，由可重构卷积计算模块输入接口将存储在片上存储系统中的权重数据、偏置数据以及输入特征图传输至可重构卷积计算模块，然后由可重构卷积计算模块对输入特征图进行图像的模态合成、分割以及分类的计算处理得到与输入特征图对应的输出结果，该端到端神经网络异构加速系统能够提高医学诊断的效率，并降低功耗。
-
Patent Agency Ranking
公开(公告)号：CN110097921A
公开(公告)日：2019-08-06
申请号：CN201910465765.5
申请日：2019-05-30
Applicant: 复旦大学
Abstract: 本发明属于医疗和影像组学技术领域，具体为胶质瘤内基因异质性可视化定量方法和系统。本发明方法具体步骤为：采用图像分割网络3D U-net对胶质瘤磁共振图像的分割；对整体胶质瘤IDH（异柠檬酸脱氢酶）预测建模，即对图像进行高通量特征提取、特征筛选，筛选出对基因表达最敏感、最有效的特征组合；对基于图像块的胶质瘤IDH异质性建模，提取胶质瘤影像的多尺度数据块，基于整体预测模型得到每个数据块的IDH表达强度；最终形成整个肿瘤的IDH分布可视化和定量化表示。本发明能更准确地判断患者的预后及放化疗敏感性，实现异质性图谱导航下的手术切除和靶向治疗，对提高患者的治疗效果，改善生存预后具有重大临床价值。
-
公开(公告)号：CN108776969A
公开(公告)日：2018-11-09
申请号：CN201810505528.2
申请日：2018-05-24
Applicant: 复旦大学
Abstract: 本发明属于图像处理技术领域，具体为基于全卷积神经网络的乳腺超声图像肿瘤分割方法。本发明方法包括：构建基于空洞卷积的全卷积神经网络，用于粗略分割超声图像上获得乳腺肿瘤；构建的DFCN网络中，使用空洞卷积，从而使网络保持较深层的特征图的分辨率，以确保在有大量阴影区域的情况下也能很好地分割肿瘤；此外，DFCN网络中还使用批量归一化技术，使得网络具有更高的学习率，加速了训练过程；利用基于相位信息的动态轮廓PBAC模型，对于粗略分割结果进行优化，得到最终精细的分割结果；实验结果表明，本发明可以准确地分割肿瘤，尤其对边界模糊、阴影多的超声图像有很好的分割结果。
-
公开(公告)号：CN104657984B
公开(公告)日：2018-10-16
申请号：CN201510044837.0
申请日：2015-01-28
Applicant: 复旦大学
Abstract: 本发明属于图像处理领域，具体为一种三维超声乳腺全容积成像(ABVS)中感兴趣区域的自动提取方法。本发明使用基于最大方向相位信息方法对三维ABVS图像中连续横断面二维图像进行处理，得到每一幅横断面图像上的感兴趣的候选区域；根据乳腺肿瘤在二维横断面图像上的连续性、位置特性等先验知识去除无关区域；对剩余疑似肿瘤区域进行形状和纹理特征获取，输入至二值逻辑回归分类器得到每一个区域可能为肿瘤的概率，选取其中概率最大的区域为肿瘤区域；根据选取的区域得到包含感兴趣区域的最小椭球，即为感兴趣区域。本发明可以实现三维ABVS图像中肿瘤感兴趣区域的自动提取，获取肿瘤的准确位置，减少人工操作的工作量，为进一步的肿瘤检测提供重要参考。
-
公开(公告)号：CN108109140A
公开(公告)日：2018-06-01
申请号：CN201711363092.X
申请日：2017-12-18
Applicant: 复旦大学
Abstract: 本发明属于计算机医学图像处理技术领域。具体为一种的基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法和系统。本发明具有6个卷积层和4096个神经元的完全连接层的卷积神经网络来识别磁共振图像中的肿瘤区域；通过费舍尔向量编码从最后的卷积层中提取深层反应；卷积神经网络为每个病例生成16384个高通量图像特征；基于配对的t检验和F分数和p值筛选方法识别与IDH1高度相关联的卷积神经网络特征；采用支持向量机作为分类器。在IDH1预测中，在相同的数据集的条件下，常规影像组学方法的工作特征曲线下面积为86％，而本发明的AUC为92％；使用基于多模态磁共振图像时，IDH1预测的AUC提高到95％。本发明可以成为从医学图像中提取深层信息更有效的方法。
-
公开(公告)号：CN103164621A
公开(公告)日：2013-06-19
申请号：CN201310082465.1
申请日：2013-03-15
Applicant: 复旦大学
IPC: G06F19/00
Abstract: 本发明属于信号处理、电路分析技术领域，具体为一种适用于多个高阶极点的系统函数的部分分式分解方法。本发明根据从简至繁的原则，对于一般的系统函数，先对其分子为常数的部分进行分解；然后利用递推关系式，对该系统函数部分分式表达式。本发明避免了微分运算，多项式的除法和方程组的求解运算，只需简单的代数运算就可对一般的函数进行分解，便于计算机实现及手算，可有效对含有多个高阶极点的系统方程进行部分分式分解。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.017 seconds)
