基于注意力机制的胶质瘤分级方法以及装置

    公开(公告)号:CN112330645A

    公开(公告)日:2021-02-05

    申请号:CN202011253926.3

    申请日:2020-11-11

    Applicant: 复旦大学

    Abstract: 本发明提供了一种基于注意力机制的胶质瘤分级方法以及装置,用于对胶质瘤患者的待分级核磁共振影像进行分析得到胶质瘤分级结果从而为医师提供参考依据,其特征在于,包括如下步骤:步骤S1,获取待训练核磁共振影像并进行预处理;步骤S2,构建基于ResNet的分类网络并输入预处理数据;步骤S3,获取注意力图并与特征图进行像素相乘;步骤S4,建立由输出分类与真实分类构成的损失函数;步骤S5,更新分类网络直到达到收敛条件得到收敛的分类网络作为输出模型;步骤S6,将待分级核磁共振影像输入输出模型得到胶质瘤分级结果。其中,分类网络包括由3×3×1二维卷积核以及1×1×3二维卷积核组成的伪三维卷积核、激活层以及归一化层。

    一种神经黑色素图像重建方法、装置、设备和存储介质

    公开(公告)号:CN111681184B

    公开(公告)日:2023-02-24

    申请号:CN202010523058.X

    申请日:2020-06-09

    Abstract: 本申请实施例提出了一种神经黑色素图像重建方法、装置、电子设备和计算机存储介质,所述神经黑色素图像重建方法包括:获取QSM序列的N组幅值图像;定所述N组幅值图像中的前M组幅值图像;将所述前M组幅值图像中的每一组幅值图像确定为短回波时间的幅值图像;基于所述M组短回波时间的幅值图像进行图像重建,得到所述N组幅值图像对应的神经黑色素图像。由于该神经黑色素图像的重建方法是通过QSM序列所获得的短回波时间的幅值图像所重建的,可以避免在后续的图像处理流程中进行图像的配准,同时,可以实现通过同一次扫描获取包含NM‑MRI序列和QSM两个序列的信息,有利于实际临床检查。

    基于深度学习的医疗影像诊断系统

    公开(公告)号:CN112330644A

    公开(公告)日:2021-02-05

    申请号:CN202011252132.5

    申请日:2020-11-11

    Applicant: 复旦大学

    Abstract: 本发明提供了一种基于深度学习的医疗影像诊断系统,其特征在于,包括:请求类型存储模块、数据存储模块、请求解析判断模块、消息判断设定模块、路由模块、数据处理模块、数据读写模块以及影像分析模块。其中,数据读写模块包括脱敏单元,影像分析模块包括卷积网络单元。脱敏单元将MRI原始影像数据的格式转换为NIFTI格式得到目标影像。卷积网络单元为一个包含卷积层、池化层以及激活层的深度神经网络,用于对预处理数据进行推断得到分析结果。本系统可以对于MRI原始影像数据中涉及到的病患的敏感信息进行脱敏从而保护病患的隐私,同时还能对经过预处理的MRI原始影像数据进行影像分析得到分析结果从而为医师提供参考依据。

    一种神经黑色素图像重建方法、装置、设备和存储介质

    公开(公告)号:CN111681184A

    公开(公告)日:2020-09-18

    申请号:CN202010523058.X

    申请日:2020-06-09

    Abstract: 本申请实施例提出了一种神经黑色素图像重建方法、装置、电子设备和计算机存储介质,所述神经黑色素图像重建方法包括:获取QSM序列的N组幅值图像;定所述N组幅值图像中的前M组幅值图像;将所述前M组幅值图像中的每一组幅值图像确定为短回波时间的幅值图像;基于所述M组短回波时间的幅值图像进行图像重建,得到所述N组幅值图像对应的神经黑色素图像。由于该神经黑色素图像的重建方法是通过QSM序列所获得的短回波时间的幅值图像所重建的,可以避免在后续的图像处理流程中进行图像的配准,同时,可以实现通过同一次扫描获取包含NM-MRI序列和QSM两个序列的信息,有利于实际临床检查。

Patent Agency Ranking