-
公开(公告)号：CN112819768B
公开(公告)日：2022-06-17
申请号：CN202110104450.5
申请日：2021-01-26
Applicant: 复旦大学
Abstract: 本发明属于医学图像智能处理技术领域，具体为一种基于DCNN的癌症全视野数字病理切片生存分析方法。本发明方法包括，从病理切片中淋巴密集区域、坏死区域、肿瘤区域分别取若干图像块，同切片的全局分割一起送入一个卷积神经网络通过前向传播获得该切片的生存时间分布。可从预测所得生存时间分布中获得患者在若干个时间区间的死亡概率，通过累加可获得患者在若干时间节点前的生存概率。本发明以切片局部的图像以及全局的组织分布作为输入，输出患者的生存时间分布，帮助医生估计患者的预后状况，从而辅助癌症早期临床诊断。
-
公开(公告)号：CN112884777B
公开(公告)日：2022-04-12
申请号：CN202110090738.1
申请日：2021-01-22
Applicant: 复旦大学
Abstract: 本发明属于医学图像智能处理技术领域，具体为一种基于自采样相似的多模态协作食管癌病变图像分割系统。针对早期食管癌诊断，首先构建配对的白光图像和NBI数据集；所述分割系统包括特征提取编码器、自采样相似特征分离模块、特征融合解码器；以白光图像和NBI作为多模态输入，由两个编码器分别提取两种模态的特征；对于每一种模态，自采样相似特征分离模块将病变区域特征与正常区域给予有效区分；解码器在特征域完成多模态特征融合，最终输出两种模态图像的病变分割结果。实验结果表明，本发明可以合理融合不同模态的特征，显著区分病变区域与正常区域，实现病变区域的精准分割，提高临床诊断的效率。
-
公开(公告)号：CN112419248B
公开(公告)日：2022-04-12
申请号：CN202011263682.7
申请日：2020-11-13
Applicant: 复旦大学
Abstract: 本发明属于医学图像处理技术领域，具体为基于小目标检测神经网络的耳硬化病灶检测及诊断系统。系统包括特征提取主干网络、目标检测与分类网络、对噪声鲁棒的分类损失函数和对多层检测结果的后处理诊断系统；特征提取主干网络为多层次的深度卷积神经网络，用于提取图像的特征图；目标检测与分类网络包括上述特征提取主干网络和区域提取网络、感兴趣区域池化层、分类网络，得到区域的类别；噪声鲁棒分类损失函数结合交叉熵损失和平均绝对误差损失，受训练数据中的错误标注的影响较小；本发明将3D的颞骨CT图像分层输入网络模型，经过一次前向传播以及后处理，即可获得病灶检测及诊断结果。本发明可减少人为因素影响，提高临床诊断效率和准确率。
-
公开(公告)号：CN112102256B
公开(公告)日：2022-04-12
申请号：CN202010853194.5
申请日：2020-08-22
Applicant: 复旦大学
IPC: G06T7/00 , G06V10/25 , G06V10/764 , G06V10/82 , G06K9/62
Abstract: 本发明属于医学图像处理技术领域，具体为一种面向窄带内镜图像的早期食管鳞癌的癌灶检测及诊断系统。本发明系统包括特征提取骨干网络和特征金字塔、区域候选网络、兴趣区域池化与癌灶分类网络，以及在窄带成像内镜图像上进行可视化的系统。骨干网络用于提取输入图像的特征图；特征金字塔用于将不同尺度的特征相融合；区域候选网络提出可能的病灶区域；对兴趣区域池化将特征池化到可疑病灶区域；癌灶分类网络对癌灶进行分类；最后在窄带成像内镜图像上进行可视化，使用不同的颜色对癌灶进行框选标记。将窄带成像内镜的图像输入到网络模型中，对图像中存在的早期食管鳞癌的癌灶进行检测与诊断，可有效提升诊断效率，辅助医生获取更高的诊断精度。
-
公开(公告)号：CN109191392B
公开(公告)日：2021-06-04
申请号：CN201810901713.3
申请日：2018-08-09
Applicant: 复旦大学
IPC: G06T5/00
Abstract: 本发明属于数字图像处理技术领域，具体为一种语义分割驱动的图像超分辨率重构方法。本发明方法具体包括：分别独立训练图像超分辨率网络和语义分割网络模型；级联独立训练的超分辨率网络和语义分割网络；在语义分割任务的驱动下，训练超分辨率网络；低分辨率图像通过任务驱动的网络处理后，获得准确的语义分割结果。实验结果表明，本发明能够使得超分辨率网络更好地适应分割任务，为语义分割网络提供清晰、分辨率高的输入图像，有效提高低分辨率图像的分割精确度。
-
Patent Agency Ranking
公开(公告)号：CN112308827A
公开(公告)日：2021-02-02
申请号：CN202011150443.0
申请日：2020-10-23
Applicant: 复旦大学
IPC: G06T7/00
Abstract: 本发明属于医学图像处理技术领域，具体为一种基于深度卷积神经网络的毛囊检测方法。本发明中网络模型采用ResNet50为特征提取主干网络，将最深层特征通过上采样、跳跃连接、卷积核大小为3的卷积层组成特征金字塔，每层特征通过5层卷积核大小为3的卷积层获得注意力图，与特征相乘后通过两条支路分别得到分类及外包围盒，每条支路皆由5层卷积核大小为3的卷积层构成。本发明将皮肤图像输入经过训练的神经网络，通过网络前向传播预测图像中毛囊的外包围盒坐标及对应的置信度，随后筛去置信度偏低的外包围盒并进行极大值抑制，得到最终检测结果，能够清晰反映毛囊在图像中的位置及总数。本发明可节省人工检测耗费的精力，有效辅助医生进行诊断。
-
公开(公告)号：CN109151474B
公开(公告)日：2020-10-30
申请号：CN201810969162.4
申请日：2018-08-23
Applicant: 复旦大学
IPC: H04N19/132 , H04N19/577
Abstract: 本发明属于视频编辑技术领域，具体为一种生成新视频帧的方法。本发明方法利用视频前后帧之间的光流估计新生成的中间帧到视频前后帧之间的光流，并根据该光流值对前后帧进行相应逆插值处理生成新的中间视频帧。本发明使用视频前后帧之间的关联性结合多尺度的框架，从粗到细地预测新的视频帧。实验结果表明，本方法不仅生成了较高质量的中间视频帧，还保持了新视频的时间连贯性，达到快速的几乎实时的处理效果，因此相较于传统的视频插帧方法，本发明具有更现实的应用价值及更丰富的研究意义。
-
公开(公告)号：CN109903221A
公开(公告)日：2019-06-18
申请号：CN201810299530.9
申请日：2018-04-04
IPC: G06T3/40
Abstract: 本申请实施例提供一种图像超分方法及设备，该方法包括：接收低分辨率图像；对所述低分辨率图像进行预处理，得到垂直梯度图，水平梯度图以及亮度图；将所述垂直梯度图，所述水平梯度图和所述亮度图分别作为三个不同维度的信息以构成待输入特征图；对所述待输入特征图进行尺寸转换得到输入特征图；对所述输入特征图进行非线性变换处理得到非线性变换后的输入特征图，对所述输入特征图以及所述非线性变换后的输入特征图进行加权处理，得到输出特征图；对所述输出特征图进行尺寸转换得到残差图；将所述低分辨率图像和所述残差图结合得到高分辨率图像。实施本申请实施例，可以提高超分得到的高分辨率图像的质量。
-
公开(公告)号：CN108765392A
公开(公告)日：2018-11-06
申请号：CN201810484708.7
申请日：2018-05-20
Applicant: 复旦大学
IPC: G06T7/00
CPC classification number: G06T7/0012 , G06T2207/10068 , G06T2207/20081 , G06T2207/30004
Abstract: 本发明属于医学图像智能处理技术领域，具体为一种基于滑动窗口的消化道内镜病变检测和识别方法。通过内镜的早期筛查是降低消化道癌症发病率和死亡率的有效手段。在传统诊断方法中，医生的诊断完全是主观判断过程，会受到诊断医生经验及知识水平的限制和影响。因此本发明将深度学习应用于消化道内镜的病变检测，基于医生标注的病变区域的边框制作样本，训练分类器；在待检测的消化道内镜图像中提出候选区域，将候选区域输入分类器，对分类结果做后处理，达到病变检测的目的。实验结果表明，本发明可以较准确地检测到消化道内镜图像的病变位置，为医生提供参考，说明了人工智能辅助的消化道早癌诊疗具有无可替代的优越性。
-
公开(公告)号：CN108665454A
公开(公告)日：2018-10-16
申请号：CN201810445939.7
申请日：2018-05-11
Applicant: 复旦大学
IPC: G06T7/00
Abstract: 本发明属于医学图像智能处理技术领域，具体为一种内镜图像智能分类及不规则病变区域检测方法。本发明使用人工智能的方法，将显著性检测应用于内镜图像的分类和不规则病变区域的检测。把资深医生标注的内镜图像作为训练样本，输入到显著性检测网络模型，使网络模型学习到不规则的显著性区域，即病变区域。实验结果表明，本发明能够学习到资深医生的诊断经验，较准确地把内镜图像分为病变图像和正常图像，同时检测出不规则的病变区域，为医生提供参考，以提高诊断的准确率。
-
-
-
-
-
-
-
-
-
Search Results
125
records
(took 0.03 seconds)
