-
公开(公告)号：CN108776969B
公开(公告)日：2021-06-22
申请号：CN201810505528.2
申请日：2018-05-24
Applicant: 复旦大学
Abstract: 本发明属于图像处理技术领域，具体为基于全卷积神经网络的乳腺超声图像肿瘤分割方法。本发明方法包括：构建基于空洞卷积的全卷积神经网络，用于粗略分割超声图像上获得乳腺肿瘤；构建的DFCN网络中，使用空洞卷积，从而使网络保持较深层的特征图的分辨率，以确保在有大量阴影区域的情况下也能很好地分割肿瘤；此外，DFCN网络中还使用批量归一化技术，使得网络具有更高的学习率，加速了训练过程；利用基于相位信息的动态轮廓PBAC模型，对于粗略分割结果进行优化，得到最终精细的分割结果；实验结果表明，本发明可以准确地分割肿瘤，尤其对边界模糊、阴影多的超声图像有很好的分割结果。
-
公开(公告)号：CN108319969B
公开(公告)日：2021-06-22
申请号：CN201810029255.9
申请日：2018-01-12
Applicant: 复旦大学
Abstract: 本发明属于医学图像处理技术领域，具体为一种基于稀疏表示框架的较高级别脑胶质瘤生存期预测方法和系统。本发明首先利用基于卷积神经网络的图像分割方法分割MRI图像中肿瘤区域；而后采用基于局部SIFT特征稀疏表示的方法提取肿瘤区域全局特征；为减少特征冗余性和提高生存期预测精度，采用稀疏表示与结构保持结合的模型进行特征选择，选择少数高稳定性高分辨力的特征预测生存期；最后，采用多特征协作稀疏表示分类方法结合多模态特征预测病人生存期是否大于22个月。本发明方法不仅具有较高的生存期预测精度，且整个过程由计算机自动完成无需人工干预，可用于临床中较高级别脑胶质瘤的术后生存期预测。
-
公开(公告)号：CN109965905B
公开(公告)日：2020-02-11
申请号：CN201910289375.7
申请日：2019-04-11
Applicant: 复旦大学
IPC: A61B8/00
Abstract: 本发明提出一种基于深度学习的造影区域检测成像方法。S1、随机选取的若干个原始超声RF图像，将其每一扫描线上的信号分段，得到若干等长的一维RF信号段；S2、用RF信号段训练、测试卷积神经网络；S3、将实测物体每一扫描线的RF信号分为等长的一维实测RF信号段，并输入所训练好的卷积神经网络；S4、将标签为组织信号的一维实测RF信号段中部的P个成像点置为0；S5、重组一维实测RF信号段得到预成像；S6、采用微泡母小波变换提高预成像中微泡图像亮度；S7、采用特征空间最小方差算法提高图像对比度。本发明将深度学习的理念应用到超声RF信号的分类中，能更有效地滤除组织干扰，进一步提升了医学临床诊断的准确性。
-
公开(公告)号：CN110047138A
公开(公告)日：2019-07-23
申请号：CN201910336275.5
申请日：2019-04-24
Applicant: 复旦大学
Abstract: 一种磁共振薄层图像重建方法，利用生成对抗网络来融合横断面和矢状面的磁共振厚层图像，初步生成对应的磁共振薄层图像数据，再利用卷积神经网络对初步生成的磁共振薄层图像数据进行细节校正，重建磁共振薄层图像数据。本发明可以获得更加真实的磁共振薄层图像，在峰值信噪比、结构相似度和正则化互信息上均实现了较大幅度提升，可以有效地增加儿童薄层脑部磁共振图像数据容量，为之后的研究奠定基础。
-
公开(公告)号：CN108629816A
公开(公告)日：2018-10-09
申请号：CN201810435306.8
申请日：2018-05-09
Applicant: 复旦大学
Abstract: 本发明公开了一种基于深度学习进行薄层磁共振图像重建的方法。其具体步骤如下：1)在脑部的轴向面和矢状面采集厚层磁共振图像；2)将厚层磁共振图像进行配准和归一化预处理；3)利用配对的配准后厚层磁共振图像训练基于3D U-net的图像融合网络，生成薄层磁共振图像初步重建结果；4)利用薄层磁共振图像初步重建结果和对应的矢状厚层磁共振图像训练细节重建网络，获得最终重建结果。在青少年脑部磁共振图像的数据集中，本发明方法可以提供更好的薄层磁共振图像重建结果，重建的磁共振图像可以更好地显示脑部的结构和细节，并且可以大大提高磁共振图像中灰质、白质和全部脑容积的估计准确率。
-
Patent Agency Ranking
公开(公告)号：CN108319969A
公开(公告)日：2018-07-24
申请号：CN201810029255.9
申请日：2018-01-12
Applicant: 复旦大学
CPC classification number: G06K9/6256 , G06K9/4671 , G06K9/6267 , G06K2009/4695 , G06T7/0012 , G06T7/11 , G06T2207/10088 , G06T2207/30096
Abstract: 本发明属于医学图像处理技术领域，具体为一种基于稀疏表示框架的较高级别脑胶质瘤生存期预测方法和系统。本发明首先利用基于卷积神经网络的图像分割方法分割MRI图像中肿瘤区域；而后采用基于局部SIFT特征稀疏表示的方法提取肿瘤区域全局特征；为减少特征冗余性和提高生存期预测精度，采用稀疏表示与结构保持结合的模型进行特征选择，选择少数高稳定性高分辨力的特征预测生存期；最后，采用多特征协作稀疏表示分类方法结合多模态特征预测病人生存期是否大于22个月。本发明方法不仅具有较高的生存期预测精度，且整个过程由计算机自动完成无需人工干预，可用于临床中较高级别脑胶质瘤的术后生存期预测。
-
公开(公告)号：CN107016395A
公开(公告)日：2017-08-04
申请号：CN201710162702.3
申请日：2017-03-18
Applicant: 复旦大学
CPC classification number: G06K9/4685 , G06K9/629 , G06K2009/4695 , G06T7/0012 , G06T2207/10088 , G06T2207/30096
Abstract: 本发明属于计算机辅助诊断技术领域，具体为一种基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤鉴别方法。本发明首先利用基于卷积神经网络的图像分割方法分割T1增强和T2加权MRI图像肿瘤区域；然后设计字典学习和稀疏表示方法提取肿瘤区域纹理特征。为减少特征冗余性和提高肿瘤鉴别效率，采用迭代稀疏表示特征选择方法，选择少数高稳定性高分辨力的特征用于肿瘤鉴别；最后，基于特征态融合的思想，建立同时包含T1增强或T2加权两个模态的联合稀疏表示分类模型提高肿瘤鉴别精度。本发明方法不仅能够获得较高的肿瘤鉴别精度，且无需人工操作提取鉴别参数，具有较强的鲁棒性，可用于原发性脑部淋巴瘤和胶质母细胞瘤的临床鉴别。
-
公开(公告)号：CN102764139B
公开(公告)日：2014-10-29
申请号：CN201210240918.4
申请日：2012-07-12
Applicant: 复旦大学
IPC: A61B8/00
Abstract: 本发明属于医学超声工程技术领域，具体为基于特征空间分析与区域判别的医学超声波束形成。本发明一方面根据超声回波数据特征矢量与导向矢量的投影关系，预估计期望信号子空间以及期望信号强度；另一方面利用延时叠加法获得一幅预扫描超声图像，根据其峰值和有效动态范围，计算出一个信号强度阈值；最后将期望信号强度估计值与该阈值比较，对超声低回声区与一般散射区进行判别，低回声区采用主分量最小方差算法，一般散射区采用传统最小方差算法。本发明适用于高帧率的平面波和合成孔径超声成像方式，能够显著改善成像对比度，同时较好地保持图像的散斑特性，降低人工干扰和失真。
-
公开(公告)号：CN119295381A
公开(公告)日：2025-01-10
申请号：CN202411220782.X
申请日：2024-09-02
Applicant: 复旦大学
IPC: G06T7/00 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/08 , G06V10/20 , G06V10/40 , G06V10/82 , G06V10/80
Abstract: 本发明提供了一种用于医学图像处理的系统、介质和计算机设备，包括图像预处理模块、图卷积网络模块、卷积神经网络模块和多模态特征融合模块；图像预处理模块对第一图像的肿瘤核心区进行形态学操作得到第二图像；图卷积网络模块输出集合了肿瘤核心区和瘤周邻域区信息的第一特征向量；卷积神经网络模块进行卷积提取图像深层特征得到第二特征向量；第一特征向量和第二特征向量进行特征融合得到第一输出和第二输出，第一输出和第二输出通过多层感知机确定最终的肿瘤鉴别结果。本发明的系统通过对输入的乳腺超声图像进行图像处理，基于肿瘤核心区和瘤周邻域区的相关特征进行判断，实现对乳腺肿瘤的良恶性种类划分。
-
公开(公告)号：CN116705251A
公开(公告)日：2023-09-05
申请号：CN202210162174.2
申请日：2022-02-22
Applicant: 复旦大学
Inventor： 余锦华
IPC: G16H30/40 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及一种基于深度学习的脑部MR影像多方位规范化系统，包括：3D‑GUet模块，基于3D‑GUnet网络对MR影像数据的层间距进行规范化；StarGAN‑v2模块，基于starGan‑v2网络训练生成器，生成对3D‑GUet模块处理后的MR图像x的每个域y的不同图像，并针对于不同的域，训练生成器生成特定领域的风格向量，进而执行多模态合成、灰度规范化和去颅骨处理。与现有技术相比，本发明具有能够实现精准预测中间切面，提高影像组学诊断的有效性和鲁棒性等优点。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.02 seconds)
