-
公开(公告)号：CN114359628B
公开(公告)日：2025-05-09
申请号：CN202111537613.5
申请日：2021-12-15
Applicant: 复旦大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0499 , G06N3/09
Abstract: 本发明属于医疗图像处理技术领域，具体为一种利用相邻帧时空信息的食管内镜视频帧序列质量分类的算法。本发明算法包括：构建用于视频帧序列预测算法的卷积神经网络模型，包括内容特征提取子网络、运动特征提取子网络，参考两种特征的信息，最后通过全连接子网络给出中间帧的视频质量分数；进行数据的收集与模型的训练，当训练的目标函数降低至某可接受阈值，即可认为网络收敛；最后，将连续三帧图像输入到训练好的网络模型中，得到中间帧的质量分类；实验结果表明，本发明算法的质量分类的准确性超过85％，对于临床食管内镜的诊断与质量控制，具有很强的应用价值。
-
公开(公告)号：CN112419246A
公开(公告)日：2021-02-26
申请号：CN202011263459.2
申请日：2020-11-12
Applicant: 复旦大学
Abstract: 本发明属于医学图像处理技术领域，具体为一种量化食管粘膜IPCLs血管形态分布的深度检测网络。本发明包括特征提取网络和特征金字塔、区域候选网络、兴趣区域池化与聚簇分布先验自嵌入的癌灶分类网络、在窄带成像内镜图像上进行可视化的系统。特征提取网络提取输入图像的特征图；特征金字塔将不同尺度的特征相融合；区域候选网络提出可能的病灶区域；对兴趣区域池化将特征池化到可疑病灶区域；聚簇分布先验自嵌入的癌灶分类网络对癌灶进行分类；最后在窄带成像内镜图像上进行可视化，使用不同的颜色对癌灶进行框选标记。本发明对图像中存在的早期食管鳞癌的癌灶进行检测与诊断，可有效提升诊断效率，辅助医生获取更高的诊断精度。
-
公开(公告)号：CN111996255B
公开(公告)日：2023-03-14
申请号：CN202010855030.6
申请日：2020-08-24
Applicant: 复旦大学附属中山医院 , 骏实生物科技(上海)有限公司
IPC: C12Q1/6886 , C12N15/11
Abstract: 本发明提供与结直肠恶性息肉相关的miRNA标记物，检测所述miRNA标记物的试剂及其用途。
-
公开(公告)号：CN110020610B
公开(公告)日：2023-02-10
申请号：CN201910200569.5
申请日：2019-03-16
Applicant: 复旦大学
IPC: G06V40/10 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06T7/00
Abstract: 本发明属于医学图像处理技术领域，具体为一种基于深度学习的肠镜质量检查控制系统。本发明系统包括：回盲瓣识别模型，用于把图像按照回盲瓣和非回盲瓣进行分类；肠道质量评分模型，用于把图像按照波士顿肠道准备质量的评分（0‑3）进行分类；两个模型由图像分类卷积神经网络将肠镜图像以及标签即回盲瓣标签或评分作为输入，经过端到端训练得到。通过识别回盲瓣以及按波士顿评分量表对肠道准备质量进行评分，对肠镜检查质量进行评估。实验结果表明，本发明系统用于肠镜检查质量的控制具有良好的特异度、敏感度，可在临床检查中辅助内镜医师，提高肠镜检查的质量。
-
公开(公告)号：CN108765392B
公开(公告)日：2022-03-18
申请号：CN201810484708.7
申请日：2018-05-20
Applicant: 复旦大学
IPC: G06T7/00
Abstract: 本发明属于医学图像智能处理技术领域，具体为一种基于滑动窗口的消化道内镜病变检测和识别方法。通过内镜的早期筛查是降低消化道癌症发病率和死亡率的有效手段。在传统诊断方法中，医生的诊断完全是主观判断过程，会受到诊断医生经验及知识水平的限制和影响。因此本发明将深度学习应用于消化道内镜的病变检测，基于医生标注的病变区域的边框制作样本，训练分类器；在待检测的消化道内镜图像中提出候选区域，将候选区域输入分类器，对分类结果做后处理，达到病变检测的目的。实验结果表明，本发明可以较准确地检测到消化道内镜图像的病变位置，为医生提供参考，说明了人工智能辅助的消化道早癌诊疗具有无可替代的优越性。
-
Patent Agency Ranking
公开(公告)号：CN108921854A
公开(公告)日：2018-11-30
申请号：CN201810496495.X
申请日：2018-05-22
Applicant: 复旦大学
Abstract: 本发明属于图像处理技术领域，具体为一种消化道内镜图像不规则病变区域标注方法及系统。本发明方法包括：选择目标文件夹，获取文件夹下图像的文件名；自动生成输出路径；初始化图像掩膜；裁剪图像和掩膜并记录裁剪位置；标注病变区域，更新掩膜；根据掩膜生成边框；保存裁剪后的图像、裁剪位置、掩膜和病变区域的边框。所述系统主要包括裁剪和标注两个功能，医生可以剪掉内镜图像中对训练深度神经网络有负面影响的部分、用曲线在内镜图像中勾勒出不规则病变区域，系统自动保存裁剪的图像、位置、掩膜、病变区域的边框，提高标注效率。
-
公开(公告)号：CN112419246B
公开(公告)日：2022-07-22
申请号：CN202011263459.2
申请日：2020-11-12
Applicant: 复旦大学
Abstract: 本发明属于医学图像处理技术领域，具体为一种量化食管粘膜IPCLs血管形态分布的深度检测网络。本发明包括特征提取网络和特征金字塔、区域候选网络、兴趣区域池化与聚簇分布先验自嵌入的癌灶分类网络、在窄带成像内镜图像上进行可视化的系统。特征提取网络提取输入图像的特征图；特征金字塔将不同尺度的特征相融合；区域候选网络提出可能的病灶区域；对兴趣区域池化将特征池化到可疑病灶区域；聚簇分布先验自嵌入的癌灶分类网络对癌灶进行分类；最后在窄带成像内镜图像上进行可视化，使用不同的颜色对癌灶进行框选标记。本发明对图像中存在的早期食管鳞癌的癌灶进行检测与诊断，可有效提升诊断效率，辅助医生获取更高的诊断精度。
-
公开(公告)号：CN112884777B
公开(公告)日：2022-04-12
申请号：CN202110090738.1
申请日：2021-01-22
Applicant: 复旦大学
Abstract: 本发明属于医学图像智能处理技术领域，具体为一种基于自采样相似的多模态协作食管癌病变图像分割系统。针对早期食管癌诊断，首先构建配对的白光图像和NBI数据集；所述分割系统包括特征提取编码器、自采样相似特征分离模块、特征融合解码器；以白光图像和NBI作为多模态输入，由两个编码器分别提取两种模态的特征；对于每一种模态，自采样相似特征分离模块将病变区域特征与正常区域给予有效区分；解码器在特征域完成多模态特征融合，最终输出两种模态图像的病变分割结果。实验结果表明，本发明可以合理融合不同模态的特征，显著区分病变区域与正常区域，实现病变区域的精准分割，提高临床诊断的效率。
-
公开(公告)号：CN112102256B
公开(公告)日：2022-04-12
申请号：CN202010853194.5
申请日：2020-08-22
Applicant: 复旦大学
IPC: G06T7/00 , G06V10/25 , G06V10/764 , G06V10/82 , G06K9/62
Abstract: 本发明属于医学图像处理技术领域，具体为一种面向窄带内镜图像的早期食管鳞癌的癌灶检测及诊断系统。本发明系统包括特征提取骨干网络和特征金字塔、区域候选网络、兴趣区域池化与癌灶分类网络，以及在窄带成像内镜图像上进行可视化的系统。骨干网络用于提取输入图像的特征图；特征金字塔用于将不同尺度的特征相融合；区域候选网络提出可能的病灶区域；对兴趣区域池化将特征池化到可疑病灶区域；癌灶分类网络对癌灶进行分类；最后在窄带成像内镜图像上进行可视化，使用不同的颜色对癌灶进行框选标记。将窄带成像内镜的图像输入到网络模型中，对图像中存在的早期食管鳞癌的癌灶进行检测与诊断，可有效提升诊断效率，辅助医生获取更高的诊断精度。
-
公开(公告)号：CN108765392A
公开(公告)日：2018-11-06
申请号：CN201810484708.7
申请日：2018-05-20
Applicant: 复旦大学
IPC: G06T7/00
CPC classification number: G06T7/0012 , G06T2207/10068 , G06T2207/20081 , G06T2207/30004
Abstract: 本发明属于医学图像智能处理技术领域，具体为一种基于滑动窗口的消化道内镜病变检测和识别方法。通过内镜的早期筛查是降低消化道癌症发病率和死亡率的有效手段。在传统诊断方法中，医生的诊断完全是主观判断过程，会受到诊断医生经验及知识水平的限制和影响。因此本发明将深度学习应用于消化道内镜的病变检测，基于医生标注的病变区域的边框制作样本，训练分类器；在待检测的消化道内镜图像中提出候选区域，将候选区域输入分类器，对分类结果做后处理，达到病变检测的目的。实验结果表明，本发明可以较准确地检测到消化道内镜图像的病变位置，为医生提供参考，说明了人工智能辅助的消化道早癌诊疗具有无可替代的优越性。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.015 seconds)
