-
公开(公告)号：CN119107281A
公开(公告)日：2024-12-10
申请号：CN202411013208.7
申请日：2024-07-26
Applicant: 复旦大学
IPC: G06T7/00 , G06T7/11 , G06T7/194 , G06T3/4038 , G06V10/762 , G06V10/774 , G06V10/82 , G16H30/40
Abstract: 一种基于双路径分析框架的脑胶质瘤全切片病理图像智能分析方法，具体包含以下步骤：S1、全切片图像的预处理，利用通道阈值分割算法，将每个全切片图像划分为不同的前景组织区域和背景区域，并将所述前景组织区域切割为若干个固定大小的图像块，再提取每个图像块的特征向量，形成特征聚类；S2、建立动态采样机制，对每个全切片图像的特征聚类利用两阶段注意力网络进行动态多实例学习，最终得到全切片图像的切片级特征表示；S3、将肿瘤微环境空间关系信息定量化，得到的空间关系量化图的特征表示，并将其与所述S2中的切片级特征表示进行拼接，得到最终预测结果。本发明提高了预测的效率和鲁棒性，提高了医疗决策速度和质量。
-
公开(公告)号：CN117894469A
公开(公告)日：2024-04-16
申请号：CN202311577119.0
申请日：2023-11-23
Applicant: 复旦大学附属华山医院
IPC: G16H50/50 , G16H70/60 , G16H30/00 , G06T7/00 , G06T7/11 , G06T7/136 , G06T7/90 , G06V10/762 , G06V10/764 , G06V10/774 , G06V10/776
Abstract: 本发明公开了一种基于全切片病理图像的垂体腺瘤复发预测模型构建方法及预测系统。本发明预测模型首先在1倍放大倍数上对全切片病理图像进行二值化处理分割出待分析的组织区域和无关的背景区域，而后在20倍放大倍数上从组织区域中无重叠地提取图像块集合。为去除冗余图像块从而进一步提升网络模型性能，对图像块集合进行聚类，并选择类中心图像块输入网络。最后，建立基于聚类注意力的多实例分类模型预测垂体神经内分泌肿瘤复发，并通过模型中聚类图像块注意力分数的可视化对全切片病理图像进行可解释性分析。本发明预测模型不仅具有较高的复发预测精度，且整个过程由计算机自动完成无需人工干预，可用于临床中垂体神经内分泌肿瘤复发预测。
-
公开(公告)号：CN110097921B
公开(公告)日：2023-01-06
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：CN115409798A
公开(公告)日：2022-11-29
申请号：CN202211042952.0
申请日：2022-08-29
Applicant: 上海交通大学医学院附属瑞金医院 , 复旦大学
Abstract: 本发明公开了一种基于合成应变弹性超声图像的乳腺肿瘤良恶性检测方法，该方法包括：获取灰阶超声图像，并对灰阶超声图像进行处理，得到合成应变弹性图像；从合成应变弹性图像中提取肿瘤区域感兴趣图像和肿瘤周边正常组织区域感兴趣图像；根据肿瘤区域感兴趣图像和肿瘤周边正常组织区域感兴趣图像得到受试者特性曲线，并通过受试者特性曲线对乳腺肿瘤良恶性进行检测。本发明能够提高应变弹性超声图像的合成质量，并提高乳腺肿瘤筛查检测的准确性。
-
公开(公告)号：CN115375649A
公开(公告)日：2022-11-22
申请号：CN202210998464.0
申请日：2022-08-19
Applicant: 复旦大学
Abstract: 本发明提供一种基于时间增强影像组学的动静脉畸形分级方法及装置，先使用神经网络对患者DSA影像进行血管检测，并记录血管开始和结束显影所在帧数；将血管开始和结束显影所在帧数除以DSA采样帧率，得到所检测到血管开始和结束显影的时间点，通过计算得到时间特征；由于多帧DSA影像可通过取每个像素点在时间轴上最小像素值可合成最小强度图，对时间特征对应的DSA影像合成相应的最小强度图，并使用时间特征进行加权，得到时间增强最小强度图；对时间增强最小强度图通过计算得到时间增强影像组学特征，通过机器学习的方法构建动静脉畸形分级预测模型。该方法及装置能够准确、简便地评估动静脉畸形的高低等级。
-
Patent Agency Ranking
公开(公告)号：CN115359018A
公开(公告)日：2022-11-18
申请号：CN202211042951.6
申请日：2022-08-29
Applicant: 复旦大学 , 上海交通大学医学院附属瑞金医院
Abstract: 本发明公开了一种应变弹性超声图像合成系统和方法，该系统包括：生成网络模块和全局判别模块，其中，生成网络模块用于获取灰阶超声图像，并对灰阶超声图像进行处理，得到合成应变弹性图像；全局判别模块与生成网络模块连接，全局判别模块用于获取真实应变弹性图像，并对真实应变弹性图像和合成应变弹性图像进行真假判别，以便获取先验信息，并根据先验信息提高合成应变弹性图像的合成质量。本发明不仅能够解决深处肿瘤位置弹性成像超声信号衰减的问题，同时也能使缺少弹性成像功能的掌上超声设备具备应变弹性成像功能，并对乳腺肿瘤良恶性检测具有临床增益。
-
公开(公告)号：CN112258558B
公开(公告)日：2022-11-04
申请号：CN202011149198.1
申请日：2020-10-23
Applicant: 复旦大学
Abstract: 本发明提供一种基于多尺度孪生网络的超声颈动脉斑块视频追踪方法。通过孪生子网络的模板分支和检测分支分别对模板图像和待检测图像进行特征提取；通过多区域建议子网络对孪生子网络中不同层提取到的网络特征进行分类和边界回归并对输出进行聚合，实现对所述目标的定位；对模板分支和检测分支的不同层提取到的网络特征分别进行聚合并分别输入到两个多尺度融合子网络中；将模板分支和检测分支融合后的融合特征进行深度互相关计算得到第一响应图，并预测每个空间元素对应的分割掩模；从中确定输出分割掩模，边界框估计算法模块基于输出分割掩模生成目标的旋转边界框。本发明能够实现实时、精确的目标追踪和分割。
-
公开(公告)号：CN114170143A
公开(公告)日：2022-03-11
申请号：CN202111332597.6
申请日：2021-11-11
Applicant: 复旦大学
IPC: G06T7/00 , G06T7/11 , G06T7/136 , G06T7/187 , G06T7/62 , G06T5/00 , G06V10/40 , G06V10/44 , G06V10/54 , G06V10/764 , G06K9/62 , G16H50/20 , G16H50/30
Abstract: 本发明涉及一种数字减影血管造影中的动脉瘤检测和破裂风险预测方法，包括步骤：1)从DSA影像上自动提取出一帧图像；2)根据黑塞矩阵特征值构建多尺度动脉瘤检测滤波器；3)采用参数优化后的滤波器对图像上的动脉瘤进行增强，根据滤波器响应强度的均值和动脉瘤的形状特点判别动脉瘤；4)提取动脉瘤的血流灌注特征、纹理特征和强度特征；5)采用迭代稀疏表示对未破裂和破裂动脉瘤的特征进行特征筛选，得到鉴别性更高的特征，再采用稀疏表示进行分类决策。与现有技术相比，本发明不仅能够准确检测动脉瘤，而且无需人工设置滤波器检测参数，也能对动脉瘤的破裂风险获得较高的预测精度，具有较强鲁棒性，对动脉瘤的精确诊断和破裂预测提供了参考。
-
公开(公告)号：CN113576527A
公开(公告)日：2021-11-02
申请号：CN202110994457.9
申请日：2021-08-27
Applicant: 复旦大学
Abstract: 本发明提供一种利用声控进行超声输入判断的方法，包括：S1，操作者手持超声探头上的多个麦克风设备实时接收声音输入，得到多个语音信号，而后判断是否有声音输入，当判断为没有声音输入时，则采用麦克风重新接收，当判断为有时，则进入下一步；S2，对多个语音信号进行ICA分析，提取出有用信号；S3，对提取出的有用信号进行发声源的定位，判断发声源的位置，当判断为在预先设定的范围内时，则返回S1，当判断为不在时，则进入下一步；S4，对有用信号进行声音指纹判断，当判断为声音指纹不是操作者的声音指纹时，则返回S1，当判断为是操作者的声音指纹时，则进入下一步；S5，对有用信号的语音内容进行识别，完成语音内容中所需进行的超声判断操作。
-
公开(公告)号：CN113397600A
公开(公告)日：2021-09-17
申请号：CN202110679242.8
申请日：2021-06-18
Applicant: 复旦大学
Abstract: 本发明提供了一种基于超声射频信号弹性重建的肝纤维化评估方法，包括：使已知肝纤维化等级的肝组织受力，并采集受力前、受力后的连续两帧超声射频信号，分别作为第一帧超声射频信号和第二帧超声射频信号；基于所述第一帧超声射频信号和所述第二帧超声射频信号，对所述肝组织进行弹性重建，以获取所述肝组织的位移信息、应变信息和弹性信息；根据所述第一帧超声射频信号重建所述肝组织的B型图；在所述B型图中标注肝实质区域，作为感兴趣区域；从所述位移信息、所述应变信息和所述弹性信息中获取所述感兴趣区域对应的数据；通过机器学习的方法构建肝纤维化分级预测模型。该方法能够更准确、简便地评估肝纤维化等级。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.02 seconds)
