-
公开(公告)号：CN117671401A
公开(公告)日：2024-03-08
申请号：CN202210972275.6
申请日：2022-08-15
Applicant: 复旦大学
IPC: G06V10/774 , G06V10/764 , G06V10/762 , G06V10/772 , G06V10/74 , G06V10/40 , G06V10/82 , G06N3/088 , G06N3/084 , G06N3/0455
Abstract: 本发明属于图像数据集的构建技术领域，涉及标准数据集的构建方法及价值样本标注系统。本发明方法基于主动学习(Active Learning,AL)技术，面向未标注数据集，可以衡量其中样本的信息含量，并对样本的标注价值进行排序，然后，将最具有标注价值的样本挑出，送往专家进行标注，组成用于神经网络训练的标准数据集。本发明方法是一种解决标注昂贵问题的方案，其可以查询有价值的无标注样本进行标注，从而在固定的标注预算下，尽可能地提升训练模型的性能。本发明易推广到其他具有挑战性的人工智能领域，如图像分割、目标检测及图像配准等任务的价值样本挑选，拥有重要和广阔的应用前景。
-
公开(公告)号：CN115797378A
公开(公告)日：2023-03-14
申请号：CN202211476491.8
申请日：2022-11-23
Applicant: 复旦大学
IPC: G06T7/12 , G06T7/13 , G06T7/00 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于几何交并比损失的前列腺轮廓分割方法，包括：基于高斯面积公式构建几何交并比损失函数，结合传统距离损失构建器官边缘轮廓回归模型，采用轮廓回归模型建模器官分割任务，以轴状面切片器官轮廓逐层重建的方式建模器官分割任务。轮廓回归模型由图卷积网络以及多层感知机构成多层轮廓回归神经网络。本发明能够以边缘轮廓回归重建的方式建模分割任务，建模方式简单有效，结果准确，可减少基于UNet等编解码器结构的分类概率预测模型的假阳性预测，获得边缘一致性更佳、连续性更好的分割结果，减少相似纹理或模糊边界对于分割模型的影响，提高回归模型的准确度。
-
公开(公告)号：CN115482232A
公开(公告)日：2022-12-16
申请号：CN202211192738.3
申请日：2022-09-28
Applicant: 复旦大学
IPC: G06T7/00 , G06V10/764
Abstract: 本发明涉及一种负样本引导的自蒸馏病理图像分析方法，包括：对整张病理图像进行预处理，得到第一分类视图和第二分类视图；构建第一分类网络和第二分类网络，基于第一分类视图对第一分类网络进行自蒸馏学习训练，得到第一预测结果；通过第一预测结果和第二分类视图训练第二分类网络，分别得到第一损失函数和第二损失函数；基于第一损失函数和第二损失函数优化第二分类网络的参数，并同时更新第一分类网络的参数，得到训练好的第一分类网络和第二分类网络；通过训练好的第二分类网络，进行病理图像分析，得到分析结果。本发明方法与国际上现有方法相比有更好的准确率和模型可解释性，具备提高临床诊断效率和准确率的潜在价值。
-
公开(公告)号：CN115311491A
公开(公告)日：2022-11-08
申请号：CN202210912896.5
申请日：2022-07-31
Applicant: 复旦大学
IPC: G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明属于医学影像处理技术领域，具体为一种基于课程学习及空间注意力的假阳性筛除方法。本发明针对骨折检测时，检测模型因骨间相似性高易生成大量假阳性预测结果，提出假阳性筛除网络Rib‑FPR Net，利用空间注意力机制提升网络对骨折区域的特征学习能力，结合课程学习式的训练模式有效提升网络的假阳性筛除能力。本发明具有实施简单、高效的特点，结合课程学习和空间注意力机制有效解决了假阳性结果过多的问题，从而很好地提升了骨折辅助诊断效果。
-
公开(公告)号：CN114494160A
公开(公告)日：2022-05-13
申请号：CN202210023607.6
申请日：2022-01-10
Applicant: 复旦大学
Abstract: 本发明属于医学影像检测技术领域，具体为一种基于完全融合集成网络候选框的骨折检测方法。本发明针对骨折检测时，网络模型因骨间灰度相似性而生成大量假阳性预测，且检测效果不佳等问题，提出集成目标检测网络(ED‑Net)以提高骨折检测结果，设计全新的加权融合候选框算法(CBF)消除大量的冗余框，得到定位更为精准、置信度更准确的骨折候选框，同时结合Unet针对上述候选框进行分割，进一步地提升骨折检测效果。本发明具有实施简单、精确的特点，级联ED‑Net，CBF，Unet模块有效解决上述问题，从而很好地提高了骨折的检测效果。
-
Patent Agency Ranking
公开(公告)号：CN111640143A
公开(公告)日：2020-09-08
申请号：CN202010282569.7
申请日：2020-04-12
Applicant: 复旦大学
Abstract: 本发明属医学图像处理技术领域，具体为一种基于PointNet的神经导航快速面配准方法及系统。本发明方法包括：使用阈值分割算法以及形态学操作等对术前图像进行头部分割并重建得到三维的表面点集；采用GO！SCAN三维手持式扫描仪获得真实物理空间下的头部表面点集；运用奇异值分解的方法配准病人的解剖标记点得到粗配准变换；通过基于PointNet的表面点集快速配准方法获得两组点集最终的精配准变换。本发明系统包括相应四个模块：头部表面重建模块、手持式三维激光扫描仪模块、粗配准模块和精配准模块。本发明的方法运算效率高，配准精度可靠，可集成在现有的神经导航系统当中，实现图像空间和真实物理空间的快速配准，提高手术导航的定位精度。
-
公开(公告)号：CN106420055A
公开(公告)日：2017-02-22
申请号：CN201610086140.4
申请日：2016-02-15
Applicant: 复旦大学
Abstract: 本发明属医学图像处理及应用领域，涉及一种基于无线传输的脑组织变形矫正系统，具体涉及一种神经外科术中脑组织变形矫正系统。该系统包括脑组织变形工作台和三维激光扫描仪工作台。脑组织变形矫正系统工作台搭载脑组织变形矫正软件系统，可以通过无线局域网与神经外科手术导航系统通讯。所述脑组织变形矫正软件系统包含三维可视化模块、标定模块、脑组织提取模块、网格化模块、边界条件获取模块、有限元计算模块、术前图像更新模块以及通讯模块。本系统精度可靠，可集成在现有神经外科手术导航系统中，帮助实现术中软组织变形矫正，从而大幅度提高导航系统精度，有助于临床应用。
-
公开(公告)号：CN105701788A
公开(公告)日：2016-06-22
申请号：CN201410680117.9
申请日：2014-11-24
Applicant: 复旦大学
Abstract: 本发明属于医学图像处理及应用领域,涉及一种基于全局优化的神经导航自动空间配准方法。本方法中包括，首先扫描获取患者整个头部表面点云并将其转换到患者空间，再将该空间中的点云与影像设备重建的图像空间中的点云进行归一化，将它们的坐标统一到[-1,1]3，然后采用基于Go-ICP算法的全局优化空间配准方法，对所述两个点云进行自动配准，最后将两个点云进行融合，将它们统一到同一个空间下。经临床实践使用结果表明，本发明方法实施简单，使用方便，精度可靠，便于临床应用，可集成在现有导航系统中，提高导航系统的配准精度，减少配准时间。
-
公开(公告)号：CN103908345A
公开(公告)日：2014-07-09
申请号：CN201210595043.X
申请日：2012-12-31
Applicant: 复旦大学
Abstract: 本发明属医疗器械领域，涉及一种基于平板电脑的手术导航用的体数据可视化的方法。本发明方法中采用的导航系统主要由平板电脑、导航仪及附属红外定位仪、参考架和适配器等组成；平板电脑与导航仪之间通过无线通信技术实现点对点的实时通信，将导航信息传输并显示在平板电脑上。本发明主要实现的导航模式为，在平板电脑上实时显示导航探针针尖所对应的横断面、矢状面和冠状面的图像信息；和实时显示平板电脑延伸面与病人头颅相交所获得的截面图像。本发明可显示标准的断面图像，还可通过平板电脑的方位显示任意截面图像，能辅助医生定位肿瘤及病变，为手术操作带来便利和帮助。
-
公开(公告)号：CN101904770B
公开(公告)日：2012-11-14
申请号：CN200910052634.0
申请日：2009-06-05
Applicant: 复旦大学
IPC: A61B19/00
Abstract: 本发明属医疗器械领域，涉及一种基于光学增强现实技术的手术导航系统及方法。本发明中，计算机生成光点阵显示在光学式头盔显示器显示屏上，照相机透过显示屏拍摄标定板和光点阵；计算机识别所摄数字图像中的光点阵和彩色标定点并获取其二维坐标；计算标定点三维空间到光学式头盔显示器成像面二维空间的映射，完成标定；根据所需映射绘制相应虚拟信息，显示在光学式头盔显示器显示屏上，实现对手术场景的增强。该发明能很好地支持增强现实技术在手术导航系统中的应用。
-
-
-
-
-
-
-
-
-
Search Results
74
records
(took 0.022 seconds)
