-
公开(公告)号：CN109102510B
公开(公告)日：2022-08-26
申请号：CN201810877093.4
申请日：2018-08-03
Applicant: 东北大学
IPC: G06T7/10 , G06T7/136 , G06V10/762
Abstract: 本发明涉及一种基于半监督k‑means算法的乳腺癌显微病理组织图像分割方法，所述方法包括：所述方法包括：101、获取一张待处理的乳腺癌显微病理组织图片；102、对获取的乳腺癌显微病理组织图片进行预处理；103、将经过预处理的乳腺癌显微病理组织图片采用分割算法进行聚类分割，获取聚类中心；104、将步骤103中获取的聚类中心作为初始聚类中心，将步骤102中经过预处理的乳腺癌显微病理组织图片进行初始化k‑means分割，获得一个多类图像染色区矩阵，并对多类图像染色区矩阵的每一类图像染色区采用一种颜色进行染色；105、将获取的多类图像矩阵数据以图片的格式进行展示；本发明提供的图像分割方法，能够使普通计算机完成对JPEG格式乳腺癌显微病理组织图像的分割。
-
公开(公告)号：CN109087296A
公开(公告)日：2018-12-25
申请号：CN201810889991.1
申请日：2018-08-07
Applicant: 东北大学
Abstract: 本发明公开了一种提取CT图像中人体区域的方法，涉及医学图像处理领域，本发明通过聚类算法以及一系列图像形态学方法将患者CT图像划分为人体区域和背景区域，达到自动生成训练卷积神经网络模型所需的训练子集、验证集和单像素测试集小块；通过卷积神经网络模型，对人体区域和背景区域两类小块进行分类，涉及最优参数化的卷积神经网络模型，达到准确率高的人体区域分类效果；实现了对患者CT图像进行全自动的人体所占区域的提取功能，高效且准确，并对下一阶段的人体体内的全肺分析具有价值与帮助，有助于更高效、准确的定位肺部内的肺实质、肺癌等区域的提取、分类。
-
公开(公告)号：CN108022647A
公开(公告)日：2018-05-11
申请号：CN201711233696.2
申请日：2017-11-30
Applicant: 东北大学
Abstract: 本发明提出一种基于ResNet‑Inception模型的肺结节良恶性预测方法，获取已知肺结节区域的具有标签的肺结节图像，对具有标签的肺结节图像进行预处理，得到训练图像数据集、验证图像数据集和预测图像数据集；建立基于ResNet‑Inception模型的肺结节图像分类模型；将预测图像数据集输入基于ResNet‑Inception模型的肺结节图像分类模型的最终形式中，得到预测图像数据集中肺结节图像的肺结节良恶性预测结果。本发明方法设计了新的网络结构模型，根据肺结节CT图像即可获得该肺结节的良恶性预测。
-
公开(公告)号：CN107481251A
公开(公告)日：2017-12-15
申请号：CN201710581295.X
申请日：2017-07-17
Applicant: 东北大学
Abstract: 一种从肺部CT图像中提取末端支气管树的方法，属于基于医学图像的图像处理技术领域；包括：采用区域生长法去除肺部CT图像中肺区边缘；在去除边缘后的肺区中，按CT值寻找疑似末端支气管区域；去除疑似末端支气管区域中的非气道树区域，得到末端支气管；获取末端支气管的两个端点；根据末端支气管的两个端点生成末端支气管的中心线；沿着末端支气管的中心线进行末端支气管与气管树主体的连接，得到支气管树；本发明考虑到三维支气管树分割中末端支气管易被泄漏和漏分割问题，根据CT值提取遗漏的气管点并按气道树的形态学特征对其进行筛选，按遗漏气管延伸线将其与气管树主体连接，从而更准确的分割出末端支气管，获得更完整的三维支气管树。
-
公开(公告)号：CN119991699A
公开(公告)日：2025-05-13
申请号：CN202510060474.3
申请日：2025-01-15
Applicant: 大连市妇女儿童医疗中心(集团) , 中国医科大学附属盛京医院 , 东北大学
IPC: G06T7/11 , G06V10/774 , G06V10/25 , G06V10/26 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本发明提供一种早产儿脑损伤的病灶自动分割方法。该方法包括：对数据集进行预处理；数据集为早产儿脑损伤患者的脑MRI图像；按照预设比例将预处理后的数据集划分为训练集、测试集和验证集；搭建早产儿脑损伤的病灶自动分割网络模型；网络模型包括：PAFM模块组、CMSC模块组和3D‑UXNET组成的网络架构；将训练集输入网络模型进行训练，基于验证集调整超参数；将测试集输入训练好的网络模型，得到测试集对应的早产儿脑损伤的病灶自动分割结果。本发明通过CMSC模块的多尺度卷积提取特征，增强了对小病灶的分割能力。本方法同时利用了多种模态数据，并通过层级融合策略和模态间注意力及跨模态注意力构成的PAFM模块并行融合模态信息，从而有效提升了模型的分割性能。
-
Patent Agency Ranking
公开(公告)号：CN119027369A
公开(公告)日：2024-11-26
申请号：CN202410935205.2
申请日：2024-07-12
Applicant: 东北大学
IPC: G06T7/00 , G06V10/774 , G06V10/764 , G06V10/77 , G06V10/40 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0895
Abstract: 本申请公开了一种基于CT图像的单发肺结节恶性程度的混合自监督学习方法。其中方法包括：将肺部病灶的水平面图像输入至编码器中进行特征提取，得到肺部病灶的水平面特征向量；将肺部病灶的冠状面图像输入至动量编码器中进行特征提取，得到肺部病灶的冠状面特征向量，并将其存储至动态字典中；基于水平面特征向量和解码器，对水平面图像中的遮掩部分进行像素重建，得到目标图像；基于水平面特征向量、动态字典中的各个冠状面特征向量和目标图像，计算损失值；根据损失值，对编码器、动量编码器和解码器进行共同迭代训练，直至满足预设条件时，构建预设肺肉芽肿性结节和实性肺腺癌分类模型。本申请能够区分单发非典型的肺肉芽肿性结节和实性肺腺癌。
-
公开(公告)号：CN108022647B
公开(公告)日：2022-01-25
申请号：CN201711233696.2
申请日：2017-11-30
Applicant: 东北大学
Abstract: 本发明提出一种基于ResNet‑Inception模型的肺结节良恶性预测方法，获取已知肺结节区域的具有标签的肺结节图像，对具有标签的肺结节图像进行预处理，得到训练图像数据集、验证图像数据集和预测图像数据集；建立基于ResNet‑Inception模型的肺结节图像分类模型；将预测图像数据集输入基于ResNet‑Inception模型的肺结节图像分类模型的最终形式中，得到预测图像数据集中肺结节图像的肺结节良恶性预测结果。本发明方法设计了新的网络结构模型，根据肺结节CT图像即可获得该肺结节的良恶性预测。
-
公开(公告)号：CN113269711A
公开(公告)日：2021-08-17
申请号：CN202110368009.8
申请日：2021-04-06
Applicant: 东北大学
IPC: G06T7/00 , G06T7/11 , G06T7/33 , G06T5/00 , G06K9/46 , G06K9/62 , G06N3/04 , G06N3/08 , A61B5/00 , A61B5/055
Abstract: 本公开涉及一种脑图像的处理方法及装置、电子设备与存储介质，涉及闹图像处理技术领域。其中，所述的脑图像的处理方法，包括：获取左脑图像及右脑图像；根据所述左脑图像及右脑图像确定左脑及右脑的差异特征；基于所述差异特征确定是否存在脑病变。可以基于左脑图像及右脑图像的差异特征，快速并准确地确定是否存在脑病变。
-
公开(公告)号：CN109087296B
公开(公告)日：2021-08-10
申请号：CN201810889991.1
申请日：2018-08-07
Applicant: 东北大学
Abstract: 本发明公开了一种提取CT图像中人体区域的方法，涉及医学图像处理领域，本发明通过聚类算法以及一系列图像形态学方法将患者CT图像划分为人体区域和背景区域，达到自动生成训练卷积神经网络模型所需的训练子集、验证集和单像素测试集小块；通过卷积神经网络模型，对人体区域和背景区域两类小块进行分类，涉及最优参数化的卷积神经网络模型，达到准确率高的人体区域分类效果；实现了对患者CT图像进行全自动的人体所占区域的提取功能，高效且准确，并对下一阶段的人体体内的全肺分析具有价值与帮助，有助于更高效、准确的定位肺部内的肺实质、肺癌等区域的提取、分类。
-
公开(公告)号：CN109065165A
公开(公告)日：2018-12-21
申请号：CN201810827874.2
申请日：2018-07-25
Applicant: 东北大学 , 沈阳医学院附属中心医院
CPC classification number: G16H50/30 , G06N3/0454
Abstract: 本发明提供一种基于重建气道树图像的慢性阻塞性肺病预测方法，涉及医学图像处理技术领域。该方法首先采集来自同一家医院的COPD患者和健康人的多层CT图像文件，生成健康人和COPD患者的重建气道树图像，并转换不同的视角对生成的健康人和COPD患者的重建气道树图像进行截图，然后去除所截取气道树图像的多余背景信息，并基于卷积神经网络进行训练并分类，预测测试集中是否有人患有COPD；最后对重建气道树截取的图像集进行十字交叉验证，保证预测结果的准确性。本发明提供的基于重建气道树图像的慢性阻塞性肺病预测方法，将作为一种初步筛选该疾病的技术手段，准确且高效，有效避免了误诊和漏诊；同时也免去了肺功能检查的复杂过程，大大减少了医院工作量。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.017 seconds)
