-
公开(公告)号：CN1581233A
公开(公告)日：2005-02-16
申请号：CN200410018565.9
申请日：2004-05-21
Applicant: 复旦大学
IPC: G06T11/00
Abstract: 本发明属医学图像处理及应用领域。涉及一种医学图像三维成像的体绘制方法，具体涉及一种用于虚拟手术的体绘制成像方法。本发明以三维数据场中的最基本单元——体素作为成像和虚拟手术操作的基本单元，用体素的坐标变换确定体数据中的切割范围，用体素数据值的区段移位进行标记切割过程，本发明方法不仅使医生可以用鼠标模拟手术刀实现对成像对象的任意形状和深度的切割，完成虚拟手术的操作，显示切割结果，而且可以对切割进行恢复和重新操作。
-
公开(公告)号：CN117577192A
公开(公告)日：2024-02-20
申请号：CN202311602506.5
申请日：2023-11-28
Applicant: 复旦大学
IPC: G16B40/00 , G16B50/00 , G16B35/00 , G06N3/0455 , G06N3/0895
Abstract: 本发明属于深度学习与药物设计领域，涉及一种针对蛋白质表示学习的自监督预训练方法。本发明基于自监督预训练技术对蛋白质的几何特征和化学特征表示学习，包括：步骤S1，对来自蛋白质数据库的无标注蛋白质数据进行预处理，使用点云建模蛋白质表面，形成无标注蛋白质表面点云数据集；步骤S2：基于掩码重建代理任务，使用S1得到的数据进行自监督预训练，在无标注蛋白质表面点云数据集上预训练网络；步骤S3：使用预训练网络的编码器作为初始化，在下游任务上微调深度网络。本发明方法着重针对于蛋白质的三维结构表示学习，能够使用大量无标注的蛋白质数据提升网络在下游任务上的表现，从而减少对蛋白质有标注数据的需求，降低标注成本。
-
公开(公告)号：CN116824134A
公开(公告)日：2023-09-29
申请号：CN202310564805.8
申请日：2023-05-18
Applicant: 复旦大学
IPC: G06V10/26 , G06V10/75 , G06V10/774 , G06N20/20
Abstract: 本发明公开了一种基于部分标注数据集协同学习的多器官分割系统，包括：直方图匹配模块：用于实现来自不同中心的影像数据集具有相同的灰度分布；单器官分割模型协同学习模块：用于提高每个单器官分割模型的分割性能，以及实现不同数据集标注的不同器官可以相互感知，提高生成伪标签的质量；多器官分割模型协同学习模块：用于充分利用不同数据集中的标签，提高每个多器官分割模型的分割性能；多器官分割模型蒸馏模块：用于从多个多器官分割模型学习得到一个最终的多器官分割模型。本发明基于部分标注的医学影像数据集实现一个多器官分割模型，大大减少了对全标注数据集的依赖程度，减轻医生的标注困难。
-
公开(公告)号：CN114494160B
公开(公告)日：2023-04-18
申请号：CN202210023607.6
申请日：2022-01-10
Applicant: 复旦大学
IPC: G06T7/00 , G06T7/11 , G06T5/40 , G06N3/084 , G06N3/0464 , G06N3/09 , G06N3/0455
Abstract: 本发明属于医学影像检测技术领域，具体为一种基于完全融合集成网络候选框的骨折检测方法。本发明针对骨折检测时，网络模型因骨间灰度相似性而生成大量假阳性预测，且检测效果不佳等问题，提出集成目标检测网络(ED‑Net)以提高骨折检测结果，设计全新的加权融合候选框算法(CBF)消除大量的冗余框，得到定位更为精准、置信度更准确的骨折候选框，同时结合Unet针对上述候选框进行分割，进一步地提升骨折检测效果。本发明具有实施简单、精确的特点，级联ED‑Net，CBF，Unet模块有效解决上述问题，从而很好地提高了骨折的检测效果。
-
公开(公告)号：CN115861198A
公开(公告)日：2023-03-28
申请号：CN202211473779.X
申请日：2022-11-22
Applicant: 复旦大学
IPC: G06T7/00 , G06V10/44 , G06V10/74 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种胸部X光片多标签计算机辅助分类方法，本发明属于图像处理领域，包括：获取医学影像的历史影像特征及对应若个标签，其中医学影像包括胸部X光片；构建解码网络，其中网络包括若干解码器，所述解码器采用transformer解码器，基于若干标签及历史影像特征，通过不对称损失和余弦相似度损失对所述解码网络进行训练更新，得到训练好的解码网络；获取影像特征，通过训练好的解码网络对影像特征进行识别，得到解码器输出结果：对所述解码器输出结果进行分类，得到分类结果。本发明提供的分类模型过程简单，比对的准确性可靠，计算机辅助检测可节省时间节约费用，大大降低医生工作压力并提高的准确性。
-
Patent Agency Ranking
公开(公告)号：CN111489425B
公开(公告)日：2022-07-22
申请号：CN202010204191.9
申请日：2020-03-21
Applicant: 复旦大学
Abstract: 本发明属于医学图像处理技术领域，具体为一种基于局部关键几何信息的脑组织表面变形估计方法。本发明方法包括：从术前图像中提取目标脑组织并进行三维重建，提取目标脑组织表面点集；通过三维扫描仪获取变形后脑组织表面点集数据以及纹理图像。提取脑组织表面点集的三维沟回点集，提取二维纹理图像上的沟回特征，通过二维沟回特征和对应三维沟回特征的映射关系，得到术中三维沟回点集。使用刚性配准方法，对术中脑组织表面的横向位移进行补偿，通过基于沟回特征增强的非刚体配准方法，获得变形前后脑组织表面三维点集对应关系，并计算脑组织表面点集的位移场。本发明可以用于估计手术中脑组织表面的变形程度，大幅度提高手术导航的精度。
-
公开(公告)号：CN113516613A
公开(公告)日：2021-10-19
申请号：CN202010624904.7
申请日：2020-07-01
Applicant: 复旦大学
Abstract: 本发明属医学图像分析及应用技术领域，涉及一种基于多标签分类和定位网络的CT图像椎骨识别和定位的方法及用途，本方法包括，新的独立的基于残差的端到端多标签分类和定位网络处理CT图像上不同视野且可能存在金属植入物的形态相似的椎骨，在定位上使用积分回归模块，其结合基于热图表示和直接坐标回归的优点，显著地减小了椎骨的定位误差，且该定位方式可以与任何基于热图的医学图像关键点检测方法兼容，以及在分类网络上使用了多标签学习，能同时分类CT图像上所有椎骨，提高椎骨的识别率。其准确性高。本发明的基于残差的端到端多标签分类和定位网络可用于处理CT图像上不同视野且可能存在金属植入物的形态相似的椎骨。
-
公开(公告)号：CN111968138A
公开(公告)日：2020-11-20
申请号：CN202010682603.X
申请日：2020-07-15
Applicant: 复旦大学
Abstract: 本发明属于医学图像处理技术领域，具体为一种基于3D动态边缘不敏感性损失函数的医学图像分割方法。本发明模型采用动态边缘不敏感性损失函数，该损失函数的设计原则为：在每次迭代训练过程中，距离边缘越远的预测错误的像素点，网络对其越敏感，惩罚权重越大。这样可以降低不可信的边缘敏感度，降低不同专家标注数据的边缘不确定性对模型的影响，提高模型对于医学图像分割的泛化性能。同时采用基于注意力机制的U-net架构，通过融合注意力模块自适应特征图的权重分布，使网络模型的偏差较小，从而减少标注噪声对模型学习的影响，提高医学图像分割模型泛化性与精确度。
-
公开(公告)号：CN105310776B
公开(公告)日：2018-07-24
申请号：CN201410723354.9
申请日：2014-12-02
Applicant: 复旦大学
Abstract: 本发明属医学图像处理及应用领域，涉及一种软组织表面变形追踪算法。本发明方法包括软组织分割算法；对提取的目标组织进行网格化处理，获得初始软组织表面点集；通过三维激光扫描仪或者术中三维成像设备获取变形后软组织表面点集；使用刚性配准方法将对变形后软组织表面和初始软组织表面进行初配准；最后基于子块式能量函数最小非刚性配准算法来获得两个点集中点与点之间的映射关系。本发明的方法实施简单，精度可靠，可集成在现有导航系统中，实现术中软组织变形矫正，从而大幅度提高导航系统精度，有助于临床应用。
-
公开(公告)号：CN101904770A
公开(公告)日：2010-12-08
申请号：CN200910052634.0
申请日：2009-06-05
Applicant: 复旦大学
IPC: A61B19/00
Abstract: 本发明属医疗器械领域，涉及一种基于光学增强现实技术的手术导航系统及方法。本发明中，计算机生成光点阵显示在光学式头盔显示器显示屏上，照相机透过显示屏拍摄标定板和光点阵；计算机识别所摄数字图像中的光点阵和彩色标定点并获取其二维坐标；计算标定点三维空间到光学式头盔显示器成像面二维空间的映射，完成标定；根据所需映射绘制相应虚拟信息，显示在光学式头盔显示器显示屏上，实现对手术场景的增强。该发明能很好地支持增强现实技术在手术导航系统中的应用。
-
-
-
-
-
-
-
-
-
Search Results
74
records
(took 0.016 seconds)
