-
公开(公告)号：CN110349141A
公开(公告)日：2019-10-18
申请号：CN201910600002.7
申请日：2019-07-04
Applicant: 复旦大学附属肿瘤医院
Abstract: 本发明提供一种乳腺的病灶定位方法和装置，主要基于乳腺超声视频序列数据，对视频序列进行拆分，处理成连续的图像帧序列，与传统超声图像相比增加了更多的信息量，避免人工选择出现的样本过好的情况，并采用深度学习的方法训练模型，从而对测试集数据实现端到端的定位，同时能够对乳腺病灶区域进行自动检测，最大化的利用了受检者的信息，并为医生的诊断提供了有效的辅助作用，减轻了医生的工作负担。
-
公开(公告)号：CN116758282A
公开(公告)日：2023-09-15
申请号：CN202310508283.X
申请日：2023-05-08
Applicant: 复旦大学
IPC: G06V10/26 , G06V10/24 , G06V10/25 , G06V10/74 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 一种基于混合标注的甲状腺超声图像结节弱监督分割系统，包括：由主模型和辅助模型组成的特征提取模块和基于对比学习的区域分割模块，主模型中的特征提取模块根据原始图像和混合标注生成特征图至区域分割模块，区域分割模块采用对比学习的方式将特征图分成甲状腺结节前景和背景表征后，根据点在前景区域的扩散区域形成前景对、涂鸦标注在背景区域的扩散区域形成背景对后，基于两者间距离进行对比，以在实现结节区域的分割，得到甲状腺结节的粗略分割，辅助模型和主模型之间共享权重，本发明采用点和涂鸦的混合标注方法，更好地增强实验的可重复性和客观性。
-
Patent Agency Ranking
公开(公告)号：CN115969972A
公开(公告)日：2023-04-18
申请号：CN202211600398.3
申请日：2022-12-12
Applicant: 复旦大学附属肿瘤医院
Abstract: 本发明涉及一种超声响应型纳米探针及其制备方法和应用，该纳米探针为核壳结构，以聚乳酸‑羟基乙酸共聚物和声敏剂为外壳，以氟碳和替拉扎明为核心。声敏剂为卟啉衍生物，氟碳为低沸点液态氟碳。与现有技术相比，本发明设计的一种超声响应型纳米探针来增敏乏氧特应性的抗肿瘤前药，提高肿瘤治疗效果，其中，声敏剂在超声触发下产生ROS的同时消耗近血管富氧区域的氧气，从而恶化肿瘤微环境的乏氧状态，激活乏氧响应药物，低沸点液态氟碳在超声触发下发生液‑气相变产生的巨大机械力可破坏肿瘤间质组织，促进乏氧响应药物在肿瘤部位的穿透深度，使乏氧响应药物对远离血管的乏氧细胞能发挥抗瘤作用。
-
公开(公告)号：CN110163828B
公开(公告)日：2022-02-18
申请号：CN201910618211.4
申请日：2019-07-10
Applicant: 复旦大学
Abstract: 一种基于超声射频信号的乳腺钙化点图像优化系统及方法，包括：预处理模块、钙化点处理模块和增强显示模块，其中：预处理模块与数据来源相连并传输原始射频信号信息，钙化点处理模块与预处理相连并传输单通道射频信号信息，增强显示模块与输出端相连并传输增强显示图片信息。本发明基于乳腺射频信号的特点设计深度学习网络，高效率检测钙化点，进行增强显示。
-
公开(公告)号：CN113539257A
公开(公告)日：2021-10-22
申请号：CN202110662649.X
申请日：2021-06-15
Applicant: 复旦大学附属肿瘤医院
Inventor： 王奕 , 王坚 , 常才 , 黄宗浩 , 李渊 , 张晖 , 朱敏俊 , 厉励 , 张逸鲁 , 高宇 , 戴梅 , 黄麒玮 , 蔡云飞 , 曹斌 , 石强 , 王正源 , 王骏杰 , 于镆铘 , 崔敏杰
Abstract: 本发明公开了一种语音唤醒方法及装置，用于提高利用语音唤醒终端设备的准确度，所述方法包括：当终端设备接收到用户输入的包含预设唤醒词的第一语音数据时，对所述第一语音数据和预设语言模型进行匹配，获得所述第一语音数据的置信度；判断所述置信度是否小于预设置信度阈值；当所述置信度小于所述预设置信度阈值时，执行预设操作；当所述置信度大于或等于所述预设置信度阈值时，唤醒所述终端设备的语音控制功能。该技术方案使得用户利用语音唤醒终端设备失败时，终端设备能够通过执行预设操作来提高第一语音数据的置信度，从而提高用户利用语音唤醒终端设备的准确度以及用户的体验度。
-
公开(公告)号：CN113269778A
公开(公告)日：2021-08-17
申请号：CN202110683693.9
申请日：2021-06-21
Applicant: 复旦大学
Abstract: 一种基于迭代的图像弱监督分割方法，将包含定位边界框的甲状腺超声图像作为弱监督信息，利用概率梯度标注方式获得训练标注，以迭代训练的方式不断更新深度学习弱监督分割网络参数和训练标签，最后采用训练后的网络对待处理图像进行分割。本发明通过迭代网络的优化，在无需人工干预的弱监督条件下将初始定位标签转化为最终的分割结果，可以在无需人工标注的弱监督条件下实现甲状腺超声图像中特定区域的准确分割。
-
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。
-
-
-
-
-
-
Search Results
17
records
(took 0.015 seconds)
