-
公开(公告)号：CN111415324A
公开(公告)日：2020-07-14
申请号：CN201910737818.4
申请日：2019-08-09
Applicant: 复旦大学附属华山医院
Abstract: 本发明属图像处理及应用技术领域，具体涉及一种基于磁共振成像的脑病灶图像空间分布特征的分类鉴别方法。本发明方法主要包括病灶分割、个体图像配准、空间标准化、标准空间模板个体化、病灶空间分布特征提取、特征筛选及建模等步骤，核心是通过在个体空间和标准空间的病灶的多种特征分析，构建一套脑病灶图像空间分布特征集的分析方法、并在此基础上使用机器学习进行特征筛选和建模。本方法可用于使用脑磁共振影像进行不同抗体、不同基因等原因导致的不同脑疾病或脑状态的脑病灶图像分类鉴别，为临床及科研提供有效的指导。
-
公开(公告)号：CN111260700A
公开(公告)日：2020-06-09
申请号：CN202010023904.1
申请日：2020-01-09
Applicant: 复旦大学
Abstract: 本发明涉及一种多参数磁共振图像全自动配准与分割方法，包括配准模型与分割模型的联合训练：(1)以多参数磁共振图像中的一个序列为参考图像，其他序列为浮动图像，构建以参考图像为基准并对浮动图像进行配准的配准模型，建立基于图像灰度相似性测度的配准损失函数；(2)构建对参考图像和浮动图像进行目标分割的分割模型，建立关于参考图像与浮动图像的分割损失函数；(3)构建衡量分割模型对参考图像和浮动图像分割结果轮廓相似性的轮廓相似性损失函数以及融合灰度信息与轮廓信息的联合损失函数；(4)交替训练配准模型和分割模型直到满足收敛条件。与现有技术相比，本发明配准与分割可相互促进，有效提升配准与分割精度。
-
公开(公告)号：CN104462329A
公开(公告)日：2015-03-25
申请号：CN201410723646.2
申请日：2014-12-03
Applicant: 复旦大学
CPC classification number: G06F17/30943 , G06N3/12 , G06Q10/0633
Abstract: 本发明公开了一种适用于多样性环境的业务流程挖掘方法。主要步骤包括：(1)基于领域知识的日志分类：根据领域知识将日志中的执行实例分组从而形成多个子日志；(2)利用多种挖掘算法准备优质初始种群；(3)基于遗传算法的流程模型整合，得到优化的业务流程模型。本发明的有益效果在于：其通过日志分类能够降低日志的多样性，简化挖掘算法的应用环境，让挖掘算法的特征和优势得到充分发挥；同时，其通过调整适应值函数的权重分布，使得最终的挖掘结果具有较高的综合质量。
-
公开(公告)号：CN119027432A
公开(公告)日：2024-11-26
申请号：CN202411064690.7
申请日：2024-08-05
Applicant: 复旦大学附属华山医院
IPC: G06T7/11 , G06T7/00 , G06T7/194 , G06T7/13 , G06V10/764 , G06V10/26 , G06V10/74 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种基于多尺度上下文建模的前列腺MRI分割方法，其特征在于，包括以下步骤：基于深度学习网络构建前列腺MRI分割模型，利用训练数据集对前列腺MRI分割模型进行训练，部署前列腺MRI分割模型；将实时获得的MRI图像数据输入前列腺MRI分割模型，由前列腺MRI分割模型进行实时推理，获得最终的分割结果。本发明提供了一种多尺度上下文建模模块，该模块通过最小化不相关特征的影响来增强边界像素的表示，从而改善分割结果。此外，本发明还引入了一种先进先出的动态调整机制，优化特征向量的选择，特别是在前列腺的顶端和底端区域。
-
公开(公告)号：CN116468677A
公开(公告)日：2023-07-21
申请号：CN202310325959.1
申请日：2023-03-29
Applicant: 复旦大学附属华山医院
IPC: G06T7/00 , G06V10/764 , G06V10/20 , G06V10/82 , G06N3/08
Abstract: 本发明提供一种基于脑网络和深度学习的MCI转化智能预测方法及系统，包括：步骤S1：获取脑结构磁共振图像数据A，和脑功能磁共振图像数据B；步骤S2：根据脑结构磁共振图像数据A，计算脑结构矩阵；步骤S3：构建脑结构深度学习分类模型；步骤S4：根据脑功能磁共振图像数据B，计算脑静态功能矩阵；步骤S5：构建脑静态功能深度学习分类模型；步骤S6：通过脑静态功能矩阵，计算脑动态功能矩阵；步骤S7：构建脑动态功能深度学习分类模型；步骤S8：构建基于多模态磁共振的深度学习分类模型，输出基于多模态磁共振的统一决策的预测分类结果。本发明能够解决单模态图像无法全面表征疾病发展过程中病理变化的问题。
-
Patent Agency Ranking
公开(公告)号：CN114187239A
公开(公告)日：2022-03-15
申请号：CN202111397102.8
申请日：2021-11-23
Applicant: 复旦大学附属华山医院
Abstract: 本发明提供了一种结合影像组学和空间分布特征的医学图像分析方法及系统，包括：步骤S1：获取医学图像数据并进行预处理，得到预处理后的医学图像数据；步骤S2：对预处理后的医学图像数据进行目标区域提取，得到目标区域图像；步骤S3：对目标区域图像进行第一图像处理，得到目标区域图的影像组学标签；步骤S4：对目标区域图像进行第二图像处理，得到目标区域图的空间分布标签；步骤S5：利用目标区域的影像组学标签和空间分布标签对机器学习预测模型进行训练，得到训练后的机器学习预测模型；步骤S6：利用训练后的机器学习预测模型得到目标区域的疾病分类信息。
-
公开(公告)号：CN112101523A
公开(公告)日：2020-12-18
申请号：CN202010857268.2
申请日：2020-08-24
Applicant: 复旦大学附属华山医院
Inventor： 耿道颖 , 于泽宽 , 陈泓亦 , 张军 , 尹波 , 李郁欣 , 吴昊 , 曹鑫 , 张海燕 , 胡斌 , 潘嘉炜 , 鲍奕仿 , 周书怡 , 陆怡平 , 耿辰 , 夏威 , 杨丽琴
Abstract: 本发明提供了一种基于深度学习的CBCT图像跨模态预测CTA图像的卒中风险筛查方法和系统，包括：步骤1：构建循环对抗性生成网络模型；步骤2：通过CBCT图像及其对应的造影图像数据训练循环对抗性生成网络模型；步骤3：将测试图像输入至已训练好的循环对抗性生成网络模型，生成血管造影CT图像；步骤4：根据血管造影CT图像中颈动脉的形态、颈动脉狭窄程度及弯曲度预测卒中风险。本发明基于深度学习模型，将非增强CBCT图像转换为增强CT血管造影图像，进行颈动脉血管分割提取，量化计算颈动脉狭窄程度和弯曲度，进而预测脑卒中风险，为临床获取CTA图像及诊断提供了一种便捷、经济、高效的新途径。
-
公开(公告)号：CN111612754A
公开(公告)日：2020-09-01
申请号：CN202010413904.2
申请日：2020-05-15
Applicant: 复旦大学附属华山医院
Abstract: 本发明提供了一种基于多模态图像融合的MRI肿瘤优化分割方法及系统，包括：步骤1：构建MRI肿瘤多模态图像融合的网络；步骤2：构建用于增强肿瘤图像分割的多模态3D网络；步骤3：基于GAN的图像融合，构建显著性损失函数；步骤4：构建Mask注意机制对比度损失函数；步骤5：构建SSIM损失函数；步骤6：根据MRI肿瘤多模态图像融合的网络、多模态3D网络和三个损失函数进行MRI肿瘤优化分割。本发明当训练深层架构时，一个剩余单位会有所帮助；利用递归残差卷积层进行特征积累，为分割任务提供了更好的特征表示；为医学图像分割设计了具有相同网络参数、性能较好的U-NET体系结构。
-
公开(公告)号：CN119991940A
公开(公告)日：2025-05-13
申请号：CN202510016371.7
申请日：2025-01-06
Applicant: 复旦大学
IPC: G06T17/00 , G06T7/11 , G06T19/20 , G06T7/12 , G06T7/00 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455
Abstract: 本发明提供了一种用于磁共振成像中自动分割深灰质核团的系统、方法及介质，包括：对磁共振图像进行重采样、裁剪和归一化预处理；使用包含交替的卷积神经网络编码器块和Transformer编码器块的编码器模块提取层次化特征表示；通过级联通道‑空间融合模块，应用通道和空间注意力机制融合特征；使用包含上采样层和跳跃连接的解码器模块重建分割图；通过对称边界注意模块，比较原始和镜像分割图，增强边界细化；使用动态自适应加权Dice损失函数，根据每个核团的体积调整权重，指导网络训练；输出深灰质核团的分割图。本发明实现了对DGM核团的精确分割，并有效解决了小体积核团分割中的类不平衡问题。
-
公开(公告)号：CN114187239B
公开(公告)日：2024-08-20
申请号：CN202111397102.8
申请日：2021-11-23
Applicant: 复旦大学附属华山医院
Abstract: 本发明提供了一种结合影像组学和空间分布特征的医学图像分析方法及系统，包括：步骤S1：获取医学图像数据并进行预处理，得到预处理后的医学图像数据；步骤S2：对预处理后的医学图像数据进行目标区域提取，得到目标区域图像；步骤S3：对目标区域图像进行第一图像处理，得到目标区域图的影像组学标签；步骤S4：对目标区域图像进行第二图像处理，得到目标区域图的空间分布标签；步骤S5：利用目标区域的影像组学标签和空间分布标签对机器学习预测模型进行训练，得到训练后的机器学习预测模型；步骤S6：利用训练后的机器学习预测模型得到目标区域的疾病分类信息。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.016 seconds)
