-
公开(公告)号：CN112102332A
公开(公告)日：2020-12-18
申请号：CN202010891178.5
申请日：2020-08-30
Applicant: 复旦大学
Abstract: 本发明属于医学图像智能处理技术领域，具体为一种基于局部分类神经网络的癌症全视野数字病理切片的分割方法，本发明方法包括，将病理切片划分为若干个固定大小且不重叠的图像块，将每个图像块送入基于卷积神经网络的分类模型，通过前向传播判断该块的类别，再将各块的分类结果按其在原图上的位置进行拼接，从而得出整个切片中不同组织分布的热图，最后对热图进行中值滤波并去除面积过小的区域后可得到分割图，并辅助医生进行诊断。本发明方法能够快速地将整个病理切片中不同组织所在的区域标出，有效辅助医生进行诊断，提升诊断的准确率与效率。
-
公开(公告)号：CN112102256A
公开(公告)日：2020-12-18
申请号：CN202010853194.5
申请日：2020-08-22
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：CN108989731B
公开(公告)日：2020-07-07
申请号：CN201810904777.9
申请日：2018-08-09
Applicant: 复旦大学
IPC: H04N7/01 , H04N21/2343 , H04N21/4402
Abstract: 本发明属于视频编辑技术领域，具体为一种提高视频空间分辨率的方法。本发明步骤包括：局部帧及局部特征的提取：将多帧相邻视频帧输入到局部网络NETL中，利用帧间的局部信息学习出局部重构帧SRtLocal及该帧的特征FtLocal；重构当前帧：将学到的局部帧和相邻的前一帧SRt‑1重构后的视频帧输入到内容网络NETC中，重构当前帧。本发明不仅充分利用多个相邻低分辨率视频帧之间的关联性，还结合前一帧超分重构后的视频帧来恢复当前视频帧的高频内容。实验结果表明，本方法可较好地保持重构视频的时间连贯性，恢复出丰富的视频细节纹理，提升视频的清晰度视觉质量，同时还达到实时处理的速度，具有较高的应用价值。
-
公开(公告)号：CN111354445A
公开(公告)日：2020-06-30
申请号：CN202010125498.X
申请日：2020-02-27
Applicant: 复旦大学
Abstract: 本发明属于医疗图像处理技术领域，具体为一种用矩形框标注CT影像并生成深度学习训练样本的系统。本发明系统包括六个模块：文件夹选择与打开模块、画框标记模块、图片属性标记模块、训练样本生成模块、显示模块与切换控制模块；六个模块协同工作，共同完成文件夹内所有CT影像的画框以及图片属性的标记。本发明可以完成两种标记：一是框状的标记，能够用包围盒的形式标出病灶部位或者异常部位，生成基于像素的包围盒位置掩膜；二是图像整体病变类型，有两种病变共三类病变类型的标记，用于标注整张图片属于何种病变。本发明系统操作简单，步骤清晰，直接生成训练数据对，适用于各种需要对医疗CT影像进行框选标注的场合。
-
公开(公告)号：CN110335230A
公开(公告)日：2019-10-15
申请号：CN201910254178.1
申请日：2019-03-30
Applicant: 复旦大学
Abstract: 本发明属于医疗图像处理技术领域，具体为一种内镜图像病变实时检测方法及装置。本发明方法包括采集卡采集内镜设备输出的当前图像；当前图像预处理；调用病变检测模型检测当前图像中的病变区域；检测结果后处理；将病变检测前后的图像存入缓冲区；检测缓冲区，从缓冲区读取图像；在界面显示病变检测结果。本发明装置包括内镜拍摄设备、采集卡、病变检测程序模块、缓冲区、显示设备；采集卡、病变检测程序模块、缓冲区置于计算机主机中。本发明能够实时获取内镜的视频并进行检测，输出病变检测前后的视频，便于医生观察。本发明对不同内镜设备兼容性好，安装简单，即插即用，可以辅助医生提高临床诊断效率，在实际临床诊断中有广泛应用前景。
-
Patent Agency Ranking
公开(公告)号：CN110020610A
公开(公告)日：2019-07-16
申请号：CN201910200569.5
申请日：2019-03-16
Applicant: 复旦大学
Abstract: 本发明属于医学图像处理技术领域，具体为一种基于深度学习的肠镜质量检查控制系统。本发明系统包括：回盲瓣识别模型，用于把图像按照回盲瓣和非回盲瓣进行分类；肠道质量评分模型，用于把图像按照波士顿肠道准备质量的评分（0-3）进行分类；两个模型由图像分类卷积神经网络将肠镜图像以及标签即回盲瓣标签或评分作为输入，经过端到端训练得到。通过识别回盲瓣以及按波士顿评分量表对肠道准备质量进行评分，对肠镜检查质量进行评估。实验结果表明，本发明系统用于肠镜检查质量的控制具有良好的特异度、敏感度，可在临床检查中辅助内镜医师，提高肠镜检查的质量。
-
公开(公告)号：CN109191392A
公开(公告)日：2019-01-11
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。
-
公开(公告)号：CN109151474A
公开(公告)日：2019-01-04
申请号：CN201810969162.4
申请日：2018-08-23
Applicant: 复旦大学
IPC: H04N19/132 , H04N19/577
CPC classification number: 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：CN109118485A
公开(公告)日：2019-01-01
申请号：CN201810928147.5
申请日：2018-08-13
Applicant: 复旦大学
Abstract: 本发明属于医学图像智能处理技术领域，具体为一种基于多任务神经网络的消化道内镜图像分类及早癌检测系统。本发明系统包括：（1）特征提取主干网络；（2）消化道内镜图像分类分支；（3）消化道早癌病变区域检测分支；本发明采用多任务的深度神经网络结构，分类和检测两个任务共享多个卷积层。内镜图像输入到神经网络模型中，经过一次前向传播，即可同时获得检测及分类结果，有效降低计算量，提升分类和检测精确度。实验结果表明，本发明可以精确地将内镜图像分成正常和早癌两类并检测出早癌图像中不规则的病变区域，减少人为因素影响，提高临床诊断的效率。
-
公开(公告)号：CN115018767B
公开(公告)日：2025-05-06
申请号：CN202210477177.5
申请日：2022-05-03
Applicant: 复旦大学
IPC: G06T7/00 , G06T7/11 , G06N3/0464 , G06N3/044 , G06N3/088 , G06N3/094 , G06V10/764 , G06V10/26 , G06V10/774 , G06V10/82
Abstract: 本发明属于医学图像处理技术领域，具体为一种跨模态内镜图像转换及病灶区域分割方法。本发明通过构建的基于本征表示学习的神经网络，将消化道内窥镜白光图像转换成高质量的窄带图像；使用无监督训练的本质特征提取器获取白光图像的本质特征，通过空洞空间卷积池化金字塔网络进行病灶区域的预测，得到病灶区域的分割结果；测试时，待测白光图像只需要和一张辅助的窄带图像经过一次前向传播，即可获得白光图像对应的窄带图像。本方法采用无监督学习方式，拥有很好的泛化性，在不同内窥镜设备上效果优异。本发明能够为白光内窥镜设备提供额外的窄带成像，为医生诊断提供更好的参考，基于窄带图像辅助的病灶区域分割能够自动定位病灶区域，从而大大提高疾病诊断效率，降低发病率和死亡率。
-
-
-
-
-
-
-
-
-
Search Results
79
records
(took 0.023 seconds)
