-
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：CN116862822A
公开(公告)日：2023-10-10
申请号：CN202210279023.5
申请日：2022-03-21
Applicant: 华东师范大学 , 复旦大学附属华山医院
IPC: G06T7/00 , G06V10/26 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种多模态交互式医疗图像分割方法和装置。其中，该方法包括：读取多模态医疗图像输入数据，得到目标尺寸的预处理数据；将训练集样本输入至多模态粗分割网络，得到分割概率图；获取对分割概率图的纠错建议，若不符合预设标准，则根据纠错建议中的错误信息，确定错误点的坐标，并根据错误点的坐标将错误信息映射为多模态距离度量图；将多模态距离度量图、多模态医疗图像及分割概率图进行拼接，并送入多模态交互式医疗图像分割网络，得到新的分割概率图；迭代得到的新的分割概率图超过最大序列长度或分割概率图符合标准。本方案可以达到更加高效准确的分割，通过人机交互完成医疗图像的精准分割，以达到临床使用标准。
-
公开(公告)号：CN114565605A
公开(公告)日：2022-05-31
申请号：CN202210264678.5
申请日：2022-03-17
Applicant: 华东师范大学 , 复旦大学附属华山医院
Abstract: 本发明公开了一种病理图像的分割方法及装置。其中，该方法包括：将训练集样本输入到先验分类网络，得到样本的预测类别；根据预测类别和真实类别计算二值交叉熵损失，作为先验分类损失；根据先验分类网络生成类激活图，并使用孪生网络对类激活图进行正则化，得到修正类激活图；根据修正类激活图转换为伪像素级标签；将训练集样本输入至预先设置的语义分割网络，得到训练集样本的分割结果；将分割结果与伪像素级标签计算Dice损失，以优化语义分割网络，并通过优化后的语义分割网络进行病理图像分割。本方案可以使用标注量较少的图像级标签的组织病理图像，通过弱监督学习方式，对其进行快速准确地分割，完成对病理图像中癌变区域的自动定位。
-
Patent Agency Ranking
公开(公告)号：CN112365980A
公开(公告)日：2021-02-12
申请号：CN202011279154.0
申请日：2020-11-16
Applicant: 复旦大学附属华山医院
IPC: G16H50/30 , G06T7/00 , G06T7/11 , G06T7/45 , G06T7/62 , G06K9/32 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统，包括：获取治疗前、后配对的脑肿瘤多靶点多模态MRI数据并进行预处理；对预处理后治疗前、后配对的脑肿瘤多靶点多模态MRI数据通过3DU‑net卷积神经网络进行肿瘤区域分割得到 和将 和 通过影像组学方法获得生长特征标签L＝{l1,l2,l3,...,ln}；将 和 通过多通道卷积神经网络进行特征提取再进行SE融合操作，得到深度学习特征和 将 输入预测模型，得到脑肿瘤多靶点生长预测标签 将 和输入训练后的前瞻性治疗可视化模型，得到最终的脑肿瘤感兴趣区域生长演化图像，将脑肿瘤感兴趣区域生长演化图像插入非脑肿瘤区域Ibackground中，完成脑肿瘤前瞻性治疗可视化任务；本发明具有更好的临床实用性。
-
公开(公告)号：CN111667478A
公开(公告)日：2020-09-15
申请号：CN202010523637.4
申请日：2020-06-10
Applicant: 复旦大学附属华山医院
Abstract: 本发明提供了一种基于CTA到MRA跨模态预测的颈动脉斑块识别方法，包括以下步骤：数据收集步骤：收集配对的颈动脉CTA和MRA图像数据；斑块分割及模型训练步骤：先进行CTA和MRA颈动脉管腔的定位，然后进行颈动脉斑块的分割，获得CTA和MRA的斑块区域图像，将CTA和MRA的斑块区域图像送到pix2pix或者cycle-GAN网络进行训练，获得初步训练后的模型。本发明设计完整、新颖的算法流程，使用改进的深度学习Multiplan-net算法对CTA图像上的颈动脉管腔、斑块进行自动分割，在此基础上设计优化的对抗生成网络进行CTA数据扩增，从而进一步提高分割精度。
-
公开(公告)号：CN114565605B
公开(公告)日：2025-01-28
申请号：CN202210264678.5
申请日：2022-03-17
Applicant: 华东师范大学 , 复旦大学附属华山医院
IPC: G06T7/00 , G06V10/26 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种病理图像的分割方法及装置。其中，该方法包括：将训练集样本输入到先验分类网络，得到样本的预测类别；根据预测类别和真实类别计算二值交叉熵损失，作为先验分类损失；根据先验分类网络生成类激活图，并使用孪生网络对类激活图进行正则化，得到修正类激活图；根据修正类激活图转换为伪像素级标签；将训练集样本输入至预先设置的语义分割网络，得到训练集样本的分割结果；将分割结果与伪像素级标签计算Dice损失，以优化语义分割网络，并通过优化后的语义分割网络进行病理图像分割。本方案可以使用标注量较少的图像级标签的组织病理图像，通过弱监督学习方式，对其进行快速准确地分割，完成对病理图像中癌变区域的自动定位。
-
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。
-
-
-
-
-
-
-
Search Results
18
records
(took 0.069 seconds)
