公开(公告)号：CN116739992A

公开(公告)日：2023-09-12

申请号：CN202310554269.3

申请日：2023-05-17

Applicant: 福州大学 ,  福建医科大学附属协和医院

Inventor： 童同 ,  陈浩 ,  周小根 ,  聂星晴 ,  薛恩生 ,  陈舜

IPC: G06T7/00 ,  G06T7/11 ,  G06T5/50 ,  G06T5/30 ,  G06T3/40 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明涉及一种甲状腺被膜侵犯智能辅助判读方法。该方法主要采用本研究自行提出的一种提供高效的局部‑全局融合与Transformer和CNN并行网络的生物医学图像分割方法。本研究提出的模型使用方便，输入一张甲状腺超声图片，即可输出一张有着疑似甲状腺结节的定位和分割图片，自动化的得到甲状腺结节初步判读结果，能够大大的减轻医生的阅片时间和诊断难度，提升医生的工作效率，为判断甲状腺结节患者的预后及治疗手段的改善提到积极的作用，具有非常重要的意义和广阔的前景。

公开(公告)号：CN116612086A

公开(公告)日：2023-08-18

申请号：CN202310574449.8

申请日：2023-05-22

Applicant: 福州大学 ,  福建医科大学附属协和医院

Inventor： 童同 ,  李志强 ,  周小根 ,  薛恩生 ,  陈舜 ,  郑梅娟

IPC: G06T7/00 ,  G06V10/82 ,  G06V10/764 ,  G06V10/80 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提出双编码结构和级联空洞卷积的甲状腺结节智能分类方法，用于对医学图像分类，所述方法基于分类网络模型，所述分类网络模型将Transformer网络和卷积神经网络两者的编码器融合，形成增强的双编码器结构，使用Transformer网络的Swin Transforme作为第一个编码器的主干，以捕捉医学图像像素之间的长距离依赖；使用基于卷积神经网络的Efficientnet‑b3模块作为第二个编码器的主干，通过缩放网络的深度、宽度和分辨率三个维度来找到最适合的模型参数，实现分类网络模型的复合系数简化及效率提升；本发明能提升甲状腺结节分类的准确率。

公开(公告)号：CN116739992B

公开(公告)日：2023-12-22

申请号：CN202310554269.3

申请日：2023-05-17

Applicant: 福州大学 ,  福建医科大学附属协和医院

Inventor： 童同 ,  陈浩 ,  周小根 ,  聂星晴 ,  薛恩生 ,  陈舜

IPC: G06T7/00 ,  G06T7/11 ,  G06T5/50 ,  G06T5/30 ,  G06T3/40 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明涉及一种甲状腺被膜侵犯智能辅助判读方法。该方法主要采用本研究自行提出的一种提供高效的局部‑全局融合与Transformer和CNN并行网络的生物医学图像分割方法。本研究提出的模型使用方便，输入一张甲状腺超声图片，即可输出一张有着疑似甲状腺结节的定位和分割图片，自动化的得到甲状腺结节初步判读结果，能够大大的减轻医生的阅片时间和诊断难度，提升医生的工作效率，为判断甲状腺结节患者的预后及治疗手段的改善提到积极的作用，具有非常重要的意义和广阔的前景。(56)对比文件郜佳琪.基于 Swin Transformer 的嵌入式零样本学习算法《.小型微型计算机系统》.2023,全文.曹玉珍.基于超声影像的甲状腺结节智能分割算法《.天津大学学报（自然科学与工程技术版）》.2022,第55卷(第7期),第2-4页的1-2节.

公开(公告)号：CN116596890A

公开(公告)日：2023-08-15

申请号：CN202310574404.0

申请日：2023-05-22

Applicant: 福州大学 ,  福建医科大学附属协和医院

Inventor： 童同 ,  李志强 ,  周小根 ,  薛恩生 ,  陈舜 ,  郑梅娟

IPC: G06T7/00 ,  G06T5/20 ,  G06T3/40 ,  G06V10/26 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/042 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提出基于图卷积网络的动态图像甲状腺癌危险分层预测方法，包括以下步骤；步骤一、采用图像滤波增强和超分辨率网络来对超声图像进行预处理，设计用于甲状腺超声图像分割的基于图卷积神经网络结构的算法，建立对应的网络模型进行训练；步骤二、以基于人工智能技术的动态超声影像组学的特征提取方法，对动态的视频序列进行特征提取，并引入深度学习方法来融合动态的超声影像组学，使提取的影像组学特征更为丰富；步骤三、利用多分支神经网络模型，综合多种不同模态的数据，通过挖掘不同模态数据互补信息来计算多模态生物标记物，以此建立可指导临床决策的甲状腺癌危险分层预测模型；本发明能够提高甲状腺癌危险分层的准确性和精度。