-
公开(公告)号：CN108629816B
公开(公告)日：2022-11-18
申请号：CN201810435306.8
申请日：2018-05-09
Applicant: 复旦大学
Abstract: 本发明公开了一种基于深度学习进行薄层磁共振图像重建的方法。其具体步骤如下：1)在脑部的轴向面和矢状面采集厚层磁共振图像；2)将厚层磁共振图像进行配准和归一化预处理；3)利用配对的配准后厚层磁共振图像训练基于3D U‑net的图像融合网络，生成薄层磁共振图像初步重建结果；4)利用薄层磁共振图像初步重建结果和对应的矢状厚层磁共振图像训练细节重建网络，获得最终重建结果。在青少年脑部磁共振图像的数据集中，本发明方法可以提供更好的薄层磁共振图像重建结果，重建的磁共振图像可以更好地显示脑部的结构和细节，并且可以大大提高磁共振图像中灰质、白质和全部脑容积的估计准确率。
-
公开(公告)号：CN108109140A
公开(公告)日：2018-06-01
申请号：CN201711363092.X
申请日：2017-12-18
Applicant: 复旦大学
Abstract: 本发明属于计算机医学图像处理技术领域。具体为一种的基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法和系统。本发明具有6个卷积层和4096个神经元的完全连接层的卷积神经网络来识别磁共振图像中的肿瘤区域；通过费舍尔向量编码从最后的卷积层中提取深层反应；卷积神经网络为每个病例生成16384个高通量图像特征；基于配对的t检验和F分数和p值筛选方法识别与IDH1高度相关联的卷积神经网络特征；采用支持向量机作为分类器。在IDH1预测中，在相同的数据集的条件下，常规影像组学方法的工作特征曲线下面积为86％，而本发明的AUC为92％；使用基于多模态磁共振图像时，IDH1预测的AUC提高到95％。本发明可以成为从医学图像中提取深层信息更有效的方法。
-
Patent Agency Ranking
公开(公告)号：CN107016395B
公开(公告)日：2021-02-26
申请号：CN201710162702.3
申请日：2017-03-18
Applicant: 复旦大学
Abstract: 本发明属于计算机辅助诊断技术领域，具体为一种基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤鉴别方法。本发明首先利用基于卷积神经网络的图像分割方法分割T1增强和T2加权MRI图像肿瘤区域；然后设计字典学习和稀疏表示方法提取肿瘤区域纹理特征。为减少特征冗余性和提高肿瘤鉴别效率，采用迭代稀疏表示特征选择方法，选择少数高稳定性高分辨力的特征用于肿瘤鉴别；最后，基于特征态融合的思想，建立同时包含T1增强或T2加权两个模态的联合稀疏表示分类模型提高肿瘤鉴别精度。本发明方法不仅能够获得较高的肿瘤鉴别精度，且无需人工操作提取鉴别参数，具有较强的鲁棒性，可用于原发性脑部淋巴瘤和胶质母细胞瘤的临床鉴别。
-
公开(公告)号：CN106683081B
公开(公告)日：2020-10-30
申请号：CN201611171958.2
申请日：2016-12-17
Applicant: 复旦大学
Abstract: 本发明属于计算机辅助诊断技术领域，具体为一种基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统。本发明首先采用基于卷积神经网络的三维磁共振图像自动分割方法；对分割得到的肿瘤配准到标准脑图集，获取肿瘤分布的116个位置特征；通过计算得到分割肿瘤的21个灰度特征，15个形状特征，39个纹理特征；并对灰度特征和纹理特征进行三维小波分解得到8个子带的480个小波特征；最终从每个病例的三维T2‑Flair磁共振图像中获取671个高通量特征；采用p值筛选、遗传算法结合的特征筛选策略获得与IDH1高度相关的110个特征；采用支持向量机和AdaBoost分类器得到对IDH1预测精度为80%的分类。本发明作为影像组学新方法，为胶质瘤的临床诊断提供重要分子标记物的无损预测方案。
-
公开(公告)号：CN106683081A
公开(公告)日：2017-05-17
申请号：CN201611171958.2
申请日：2016-12-17
Applicant: 复旦大学
Abstract: 本发明属于计算机辅助诊断技术领域，具体为一种基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统。本发明首先采用基于卷积神经网络的三维磁共振图像自动分割方法；对分割得到的肿瘤配准到标准脑图集，获取肿瘤分布的116个位置特征；通过计算得到分割肿瘤的21个灰度特征，15个形状特征，39个纹理特征；并对灰度特征和纹理特征进行三维小波分解得到8个子带的480个小波特征；最终从每个病例的三维T2‑Flair磁共振图像中获取671个高通量特征；采用p值筛选、遗传算法结合的特征筛选策略获得与IDH1高度相关的110个特征；采用支持向量机和AdaBoost分类器得到对IDH1预测精度为80%的分类。本发明作为影像组学新方法，为胶质瘤的临床诊断提供重要分子标记物的无损预测方案。
-
公开(公告)号：CN108629816A
公开(公告)日：2018-10-09
申请号：CN201810435306.8
申请日：2018-05-09
Applicant: 复旦大学
Abstract: 本发明公开了一种基于深度学习进行薄层磁共振图像重建的方法。其具体步骤如下：1)在脑部的轴向面和矢状面采集厚层磁共振图像；2)将厚层磁共振图像进行配准和归一化预处理；3)利用配对的配准后厚层磁共振图像训练基于3D U-net的图像融合网络，生成薄层磁共振图像初步重建结果；4)利用薄层磁共振图像初步重建结果和对应的矢状厚层磁共振图像训练细节重建网络，获得最终重建结果。在青少年脑部磁共振图像的数据集中，本发明方法可以提供更好的薄层磁共振图像重建结果，重建的磁共振图像可以更好地显示脑部的结构和细节，并且可以大大提高磁共振图像中灰质、白质和全部脑容积的估计准确率。
-
公开(公告)号：CN107016395A
公开(公告)日：2017-08-04
申请号：CN201710162702.3
申请日：2017-03-18
Applicant: 复旦大学
CPC classification number: G06K9/4685 , G06K9/629 , G06K2009/4695 , G06T7/0012 , G06T2207/10088 , G06T2207/30096
Abstract: 本发明属于计算机辅助诊断技术领域，具体为一种基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤鉴别方法。本发明首先利用基于卷积神经网络的图像分割方法分割T1增强和T2加权MRI图像肿瘤区域；然后设计字典学习和稀疏表示方法提取肿瘤区域纹理特征。为减少特征冗余性和提高肿瘤鉴别效率，采用迭代稀疏表示特征选择方法，选择少数高稳定性高分辨力的特征用于肿瘤鉴别；最后，基于特征态融合的思想，建立同时包含T1增强或T2加权两个模态的联合稀疏表示分类模型提高肿瘤鉴别精度。本发明方法不仅能够获得较高的肿瘤鉴别精度，且无需人工操作提取鉴别参数，具有较强的鲁棒性，可用于原发性脑部淋巴瘤和胶质母细胞瘤的临床鉴别。
-
-
-
-
-
-
Search Results
7
records
(took 0.028 seconds)
