-
Patent Agency Ranking
公开(公告)号：CN109785310A
公开(公告)日：2019-05-21
申请号：CN201910027983.0
申请日：2019-01-11
Applicant: 南京信息工程大学
Abstract: 本发明公开一种基于乳腺淋巴结全景图像计算的自动分期系统，属于医学图像信息处理技术领域。根据标注的淋巴结癌转移区域，建立深度卷积网络所需两种正负样本，通过训练深度卷积网络，得出分类正负样本所需要的模型，再将图像组织区域内的每个块送入模型得出其所在位置发生癌转移的概率，建立起概率热值图；然后按淋巴结癌转移的分割区域提取病理组学特征，训练随机森林分类器，构建淋巴结转移状态的自动分类模型，综合同一患者多张淋巴结癌转移的状态构建分期系统。可有效解决依靠病理专家凭经验检判断乳腺癌分期时耗时、费力、误差较高等问题。
-
公开(公告)号：CN108648182B
公开(公告)日：2022-02-11
申请号：CN201810393335.2
申请日：2018-04-27
Applicant: 南京信息工程大学
Abstract: 本发明涉及一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法，属于图像信息处理技术领域。动态选择乳腺癌核磁共振图像1％‑99％范围的CT值进行归一化预处理后输入YOLO_v2检测模型，验证集的损失及分类准确率、获得深度检测网络模型，并将图片送入该模型得到检测框；然后采用k‑mean算法聚类出乳腺癌核磁共振图片医生标记区域中心点取出144*144像素点的块，送入SegNet分割模型进行训练，得出肿瘤区域分割模型，根据之前获得的检测框选择144*144像素块送入该区域分割模型得到分割概率图，再将该图根据之前获得的置信度最大框中心点映射到原图，即得最终肿瘤分割图。具有分割效率、准确率高等优点。
-
公开(公告)号：CN110619641A
公开(公告)日：2019-12-27
申请号：CN201910822722.8
申请日：2019-09-02
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法，涉及图像信息处理技术领域，其包括如下步骤：对原始的核磁共振图像进项预处理；采用基于空洞卷积和U-Net的三维分割模型，以4层U-Net作为基础模型，在编码阶段使用空洞卷积替换原来的传统卷积，在编码器的最后一层使用三维的ASPP模块；解码器阶段，在每次反卷积后都跟随一个的卷积层来组合全部特征，然后再与编码器对应的特征图级联；最后通过训练逐步得到网络模型的各种参数；将测试图像做相同的预处理，然后送入模型测试，得到相应的概率图；从分割概率图映射到原图，得到最终的分割图。达到了利用深度学习的方法自动分割三维乳腺癌核磁共振图像中肿瘤区域的效果。
-
公开(公告)号：CN108648182A
公开(公告)日：2018-10-12
申请号：CN201810393335.2
申请日：2018-04-27
Applicant: 南京信息工程大学
Abstract: 本发明涉及一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法，属于图像信息处理技术领域。动态选择乳腺癌核磁共振图像1％-99％范围的CT值进行归一化预处理后输入YOLO_v2检测模型，验证集的损失及分类准确率、获得深度检测网络模型，并将图片送入该模型得到检测框；然后采用k-mean算法聚类出乳腺癌核磁共振图片医生标记区域中心点取出144*144像素点的块，送入SegNet分割模型进行训练，得出肿瘤区域分割模型，根据之前获得的检测框选择144*144像素块送入该区域分割模型得到分割概率图，再将该图根据之前获得的置信度最大框中心点映射到原图，即得最终肿瘤分割图。具有分割效率、准确率高等优点。
-
公开(公告)号：CN109785310B
公开(公告)日：2023-06-06
申请号：CN201910027983.0
申请日：2019-01-11
Applicant: 南京信息工程大学
IPC: G06T7/00 , G06T7/11 , G06T7/136 , G06V10/764
Abstract: 本发明公开一种基于乳腺淋巴结全景图像计算的自动分期系统，属于医学图像信息处理技术领域。根据标注的淋巴结癌转移区域，建立深度卷积网络所需两种正负样本，通过训练深度卷积网络，得出分类正负样本所需要的模型，再将图像组织区域内的每个块送入模型得出其所在位置发生癌转移的概率，建立起概率热值图；然后按淋巴结癌转移的分割区域提取病理组学特征，训练随机森林分类器，构建淋巴结转移状态的自动分类模型，综合同一患者多张淋巴结癌转移的状态构建分期系统。可有效解决依靠病理专家凭经验检判断乳腺癌分期时耗时、费力、误差较高等问题。
-
-
-
-
Search Results
5
records
(took 0.032 seconds)
