-
公开(公告)号：CN110084751A
公开(公告)日：2019-08-02
申请号：CN201910336289.7
申请日：2019-04-24
Applicant: 复旦大学
Abstract: 本发明是一种图像重建系统，系统包含：生成器和判别器。通过该系统来图像重建方法为：步骤1、给系统输入目标的低质量图像和高质量图像；步骤2、生成器读取低质量图像后，根据L1损失函数来生成人工组合图像；步骤3、生成器通过梯度损失函数来调整生成的人工组合图像的边缘的锐度；步骤4、判别器读取所述人工组合图像和高质量图像后产生对抗损失函数；步骤5、生成器再根据对抗损失函数来进一步对人工组合图像优化。本发明可以帮助超声仪器向着小型化的趋势发展，以使超声成像技术可以在家庭健康检查和极端环境下医疗等领域具有更高的应用价值。
-
公开(公告)号：CN109965905A
公开(公告)日：2019-07-05
申请号：CN201910289375.7
申请日：2019-04-11
Applicant: 复旦大学
IPC: A61B8/00
Abstract: 本发明提出一种基于深度学习的造影区域检测成像方法。S1、随机选取的若干个原始超声RF图像，将其每一扫描线上的信号分段，得到若干等长的一维RF信号段；S2、用RF信号段训练、测试卷积神经网络；S3、将实测物体每一扫描线的RF信号分为等长的一维实测RF信号段，并输入所训练好的卷积神经网络；S4、将标签为组织信号的一维实测RF信号段中部的P个成像点置为0；S5、重组一维实测RF信号段得到预成像；S6、采用微泡母小波变换提高预成像中微泡图像亮度；S7、采用特征空间最小方差算法提高图像对比度。本发明将深度学习的理念应用到超声RF信号的分类中，能更有效地滤除组织干扰，进一步提升了医学临床诊断的准确性。
-
Patent Agency Ranking
公开(公告)号：CN110097921A
公开(公告)日：2019-08-06
申请号：CN201910465765.5
申请日：2019-05-30
Applicant: 复旦大学
Abstract: 本发明属于医疗和影像组学技术领域，具体为胶质瘤内基因异质性可视化定量方法和系统。本发明方法具体步骤为：采用图像分割网络3D U-net对胶质瘤磁共振图像的分割；对整体胶质瘤IDH（异柠檬酸脱氢酶）预测建模，即对图像进行高通量特征提取、特征筛选，筛选出对基因表达最敏感、最有效的特征组合；对基于图像块的胶质瘤IDH异质性建模，提取胶质瘤影像的多尺度数据块，基于整体预测模型得到每个数据块的IDH表达强度；最终形成整个肿瘤的IDH分布可视化和定量化表示。本发明能更准确地判断患者的预后及放化疗敏感性，实现异质性图谱导航下的手术切除和靶向治疗，对提高患者的治疗效果，改善生存预后具有重大临床价值。
-
公开(公告)号：CN110097921B
公开(公告)日：2023-01-06
申请号：CN201910465765.5
申请日：2019-05-30
Applicant: 复旦大学
Abstract: 本发明属于医疗和影像组学技术领域，具体为胶质瘤内基因异质性可视化定量方法和系统。本发明方法具体步骤为：采用图像分割网络3D U‑net对胶质瘤磁共振图像的分割；对整体胶质瘤IDH（异柠檬酸脱氢酶）预测建模，即对图像进行高通量特征提取、特征筛选，筛选出对基因表达最敏感、最有效的特征组合；对基于图像块的胶质瘤IDH异质性建模，提取胶质瘤影像的多尺度数据块，基于整体预测模型得到每个数据块的IDH表达强度；最终形成整个肿瘤的IDH分布可视化和定量化表示。本发明能更准确地判断患者的预后及放化疗敏感性，实现异质性图谱导航下的手术切除和靶向治疗，对提高患者的治疗效果，改善生存预后具有重大临床价值。
-
公开(公告)号：CN113576527A
公开(公告)日：2021-11-02
申请号：CN202110994457.9
申请日：2021-08-27
Applicant: 复旦大学
Abstract: 本发明提供一种利用声控进行超声输入判断的方法，包括：S1，操作者手持超声探头上的多个麦克风设备实时接收声音输入，得到多个语音信号，而后判断是否有声音输入，当判断为没有声音输入时，则采用麦克风重新接收，当判断为有时，则进入下一步；S2，对多个语音信号进行ICA分析，提取出有用信号；S3，对提取出的有用信号进行发声源的定位，判断发声源的位置，当判断为在预先设定的范围内时，则返回S1，当判断为不在时，则进入下一步；S4，对有用信号进行声音指纹判断，当判断为声音指纹不是操作者的声音指纹时，则返回S1，当判断为是操作者的声音指纹时，则进入下一步；S5，对有用信号的语音内容进行识别，完成语音内容中所需进行的超声判断操作。
-
公开(公告)号：CN109965905B
公开(公告)日：2020-02-11
申请号：CN201910289375.7
申请日：2019-04-11
Applicant: 复旦大学
IPC: A61B8/00
Abstract: 本发明提出一种基于深度学习的造影区域检测成像方法。S1、随机选取的若干个原始超声RF图像，将其每一扫描线上的信号分段，得到若干等长的一维RF信号段；S2、用RF信号段训练、测试卷积神经网络；S3、将实测物体每一扫描线的RF信号分为等长的一维实测RF信号段，并输入所训练好的卷积神经网络；S4、将标签为组织信号的一维实测RF信号段中部的P个成像点置为0；S5、重组一维实测RF信号段得到预成像；S6、采用微泡母小波变换提高预成像中微泡图像亮度；S7、采用特征空间最小方差算法提高图像对比度。本发明将深度学习的理念应用到超声RF信号的分类中，能更有效地滤除组织干扰，进一步提升了医学临床诊断的准确性。
-
公开(公告)号：CN110047138A
公开(公告)日：2019-07-23
申请号：CN201910336275.5
申请日：2019-04-24
Applicant: 复旦大学
Abstract: 一种磁共振薄层图像重建方法，利用生成对抗网络来融合横断面和矢状面的磁共振厚层图像，初步生成对应的磁共振薄层图像数据，再利用卷积神经网络对初步生成的磁共振薄层图像数据进行细节校正，重建磁共振薄层图像数据。本发明可以获得更加真实的磁共振薄层图像，在峰值信噪比、结构相似度和正则化互信息上均实现了较大幅度提升，可以有效地增加儿童薄层脑部磁共振图像数据容量，为之后的研究奠定基础。
-
-
-
-
-
-
Search Results
7
records
(took 0.016 seconds)
