-
公开(公告)号：CN119810226A
公开(公告)日：2025-04-11
申请号：CN202411771578.7
申请日：2024-12-04
Applicant: 中国科学院苏州生物医学工程技术研究所
IPC: G06T11/00 , G06T3/4053 , G06T3/4046 , G06V10/774 , G06V10/776 , G06V10/44 , G06V10/54
Abstract: 本发明提供基于隐表示模型的脑磁共振图像超分辨率重建方法及系统，包括步骤：获取不同层厚的各向异性脑磁共振图像，分为训练数据和测试数据；对脑磁共振图像进行预处理；对预处理后的训练数据进行处理，以生成训练样本；采用训练样本对基于隐表示模型的超分辨率重建模型进行训练；将预处理后的测试数据输入训练好的模型，进行堆叠得到三维图像，再进行平均，最终得到各向同性脑磁共振图像。本发明使用深度学习超分辨率重建方法进行不同层厚各向异性脑磁共振图像的超分辨率重建，通过设计基于隐表示模型的可学习坐标编码模块，充分利用图像特征和坐标信息间的相关性，设计了混合损失函数，提升不同层厚各向异性脑磁共振图像超分辨率重建的准确性。
-
公开(公告)号：CN115982947A
公开(公告)日：2023-04-18
申请号：CN202211517912.7
申请日：2022-11-30
Applicant: 中国科学院苏州生物医学工程技术研究所
IPC: G06F30/20 , G06F17/16 , A61B5/245 , A61B5/369 , G06F111/04
Abstract: 本发明公开了一种源成像的逆问题分析方法、装置及电子设备，其中，该方法包括：构建真实头脑模型和源模型；求解得到传导矩阵；按照空间距离对源模型中的偶极子进行区域化，并构建组间稀疏约束模型；构建偶极子强度广义全变分稀疏约束模型；将组间稀疏约束模型与偶极子强度广义全变分稀疏约束模型融合，构建逆问题求解模型；基于逆问题求解模型，确定源模型中偶极子的激活范围及强度。本发明首先对偶极子进行区域化并考虑组间稀疏性，刻画皮层电活动的结构稀疏先验。另外，通过偶极子强度广义全变分刻画皮层上激活区域边界处的突变性与激活区域内的平滑特性。最终，通过重加权的求解方式实现偶极子激活范围及强度的准确估计。
-
公开(公告)号：CN115829986A
公开(公告)日：2023-03-21
申请号：CN202211610437.8
申请日：2022-12-14
Applicant: 中国科学院苏州生物医学工程技术研究所 , 济南国科医工科技发展有限公司
IPC: G06T7/00 , G06V10/26 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于卷积重参数化的医学图像分割方法、系统及设备，该方法包括以下步骤：S1、采集多模态医学图像；S2、对多模态医学图像进行预处理，构建训练数据集；S3、构建基于卷积重参数化的医学图像分割模型；S4、采用训练数据集对医学图像分割模型进行训练；S5、将待分割的医学图像输入训练好的医学图像分割模型中，得到分割结果。本发明提供的基于卷积重参数化的医学图像分割方法及系统，可以增强分割网络模型中卷积核的骨架参数，从而提高分割网络的表达能力。本发明能够帮助提升胶质瘤分割的准确性，在胶质瘤形态学分析、高低级别鉴定和预后评估方面具有潜在的应用价值。
-
公开(公告)号：CN115731176A
公开(公告)日：2023-03-03
申请号：CN202211435875.5
申请日：2022-11-16
Applicant: 中国科学院苏州生物医学工程技术研究所 , 苏州大学附属儿童医院
IPC: G06T7/00 , G06V10/40 , G06V10/771 , G06V10/80 , G06V10/764 , G06V10/77 , G16H50/20
Abstract: 本发明公开了一种基于人机特征融合的胶质瘤智能分级方法、系统及设备，该方法包括以下步骤：S1、获取胶质瘤患者的多序列磁共振图像；S2、对多序列磁共振图像进行预处理；S3、进行影像组学特征提取和临床专家评分特征提取；S4、进行特征选择与特征融合；S5、将融合特征输入机器学习分类模型中，得到胶质瘤图像分级结果。本发明利用机器学习分类模型通过影像组学特征和临床专家评分特征的融合特征进行胶质瘤图像的智能分级，可将专家的知识和经验融入分类模型中，能够提升胶质瘤自动分级的准确性，在胶质瘤无创分析、治疗方案制定和预后评估方面具有潜在的应用价值。
-
公开(公告)号：CN115721323A
公开(公告)日：2023-03-03
申请号：CN202211465471.0
申请日：2022-11-22
Applicant: 中国科学院苏州生物医学工程技术研究所
Abstract: 本说明书公开了一种脑机接口信号识别方法、系统及电子设备，能够实现对MI‑EEG/MEG信号的高精度识别分类。所述方法包括：获取原始脑电/脑磁信号并进行预处理生成脑电/脑磁测量信号，在测量空间中提取相应的全局特征信息；将脑电/脑磁测量信号转换为脑电/脑磁源信号，在源空间中提取相应的细节特征信息；利用跨空间融合卷积神经网络获取全局特征信息与细节特征信息的融合特征信息，根据融合特征信息进行分类以确定所述原始脑电/脑磁信号对应的运动意图。所述系统包括原始信号获取模块、频带分析模块、全局特征提取模块、脑源成像模块、细节特征提取模块与跨空间融合模块。所述电子设备中处理器用于执行所述脑机接口信号识别方法。
-
Patent Agency Ranking
公开(公告)号：CN114431851A
公开(公告)日：2022-05-06
申请号：CN202210116846.6
申请日：2022-02-07
Applicant: 中国科学院苏州生物医学工程技术研究所
Abstract: 本发明公开了一种神经电生理正问题建模方法、装置及电子设备，其中，所述方法包括：获取目标对象的被试MRI数据，并根据所述被试MRI数据，构建头脑几何结构模型和头表面测量电极分布模型；其中，所述头脑几何结构模型中包括所述目标对象的囟门组织的位置信息；构建所述目标对象的源模型，并根据所述头脑几何结构模型、所述头表面测量电极分布模型以及所述源模型，确定正问题模型中的传导矩阵；根据历史被试数据构建第一模型，以及根据所述传导矩阵构建第二模型，并确定所述第一模型和所述第二模型之间的误差模型；基于所述传导矩阵和所述误差模型，构建与所述被试MRI数据相匹配的第三模型。本申请提供的技术方案能够提高正问题模型建模精度。
-
公开(公告)号：CN120088552A
公开(公告)日：2025-06-03
申请号：CN202510160465.1
申请日：2025-02-13
Applicant: 中国科学院苏州生物医学工程技术研究所 , 核工业总医院
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/762 , G06N3/0895 , G06N3/0464 , G06N3/088 , G06N3/09 , G06T7/00
Abstract: 本发明涉及图像分析技术领域，公开了一种医学图像分类方法、装置、设备、存储介质及产品，该方法包括：获取无标签医学图像样本以及有标签医学图像样本；构建子聚类感知对比半监督学习模型，子聚类感知对比半监督学习模型包括特征聚类分支以及网络学习分支；将无标签医学图像样本以及有标签医学图像样本输入特征聚类分支，根据有标签医学图像样本的动态子聚类结果确定无标签医学图像样本的子聚类伪标签；基于无标签医学图像样本、有标签医学图像样本以及子聚类伪标签训练网络学习分支，获得训练完成后的医学图像分类模型。本发明通过交替协同优化机制，有效解决了图像分类任务中类内差异性大与类间相似性高的问题，提高了图像分类的分类精度。
-
公开(公告)号：CN118229544A
公开(公告)日：2024-06-21
申请号：CN202410255906.1
申请日：2024-03-06
Applicant: 中国科学院苏州生物医学工程技术研究所
IPC: G06T5/50 , G06T11/00 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本发明提供基于特征一致性的多模态医学图像合成方法、系统及介质，该方法包括步骤：获取多样本的同一部位处的多模态医学图像，将多模态医学图像分为输入模态图像和目标模态图像；通过输入模态图像和目标模态图像对多模态医学图像合成模型进行训练，并且在训练阶段通过损失函数计算真实图像和生成图像之间的生成损失，以及计算输出特征、生成图像的特征、目标模态真实图像特征之间的一致性损失和对抗损失；通过测试数据对多模态医学图像合成模型进行测试。本发明通过将特征一致性损失函数引入到判别器网络中，解决模型训练过程中缺乏考虑同一模态内特定的问题，为模型提供模态一致性约束，提升判别器的性能，从而提升多模态医学图像合成的质量。
-
公开(公告)号：CN117457199A
公开(公告)日：2024-01-26
申请号：CN202311360072.2
申请日：2023-10-19
Applicant: 中国科学院苏州生物医学工程技术研究所 , 无锡市儿童医院
Abstract: 本发明涉及儿童大脑类淋巴系统DT I‑ALPS指数测量方法及介质，该方法包括步骤：将个体被试的FA图与儿童FA脑模板进行线性配准；将儿童类淋巴系统脑图谱仿射到个体被试的FA图上，生成个体类淋巴系统脑图谱；将个体类淋巴系统脑图谱生成的参量带入类淋巴系统功能评定指数公式，计算并输出个体的DT I‑ALPS指数。本发明针对儿童的大脑结构和发育特点进行了儿童FA脑模板优化，具有更高的适用性和精确度，适用于儿童大脑类淋巴系统研究；实现儿童大脑类淋巴系统DT I‑ALPS指数的自动化测量，减少了人工干预和主观性，提高了测量的一致性和可重复性，适用于大规模儿童DT I‑ALPS数据处理和分析。
-
公开(公告)号：CN116721281A
公开(公告)日：2023-09-08
申请号：CN202310594413.6
申请日：2023-05-24
Applicant: 中国科学院苏州生物医学工程技术研究所
IPC: G06V10/764 , G06V10/82 , G06V10/80 , G06V10/75 , G06V10/74 , G06V10/774 , G06V10/776 , G06N3/0464 , G06N3/08 , G06N3/048
Abstract: 本发明提供一种基于分层图卷积的脑图像分类方法，包括以下步骤：获取静息态功能磁共振图像，构建功能脑网络特征；稀疏化所述功能脑网络特征，并构建个体图卷积网络，得到图嵌入特征；基于所述图嵌入特征训练网络模型，并利用边权重编码机制初始化群体图卷积网络参数，重新确定网络模型的边权重参数；利用测试集测试所述训练网络模型的正确性，统计分类结果。本发明所述的基于分层图卷积的脑图像分类方法，首先，能够利用先验脑区信息和图嵌入提取脑网络特征，具有较好的准确性，其次，利用边权重编码机制对群体图卷积网络模型的边权重编码，降低年龄、性别、图像采集设备等非图像信息的影响，具有更好的泛化性。本发明所述方法相比已有方法具有更好的分类性能。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.043 seconds)
