公开(公告)号：CN118629497A

公开(公告)日：2024-09-10

申请号：CN202410444098.3

申请日：2024-04-15

Applicant: 重庆大学附属肿瘤医院 ,  重庆大学

Inventor： 徐波 ,  李艺 ,  刘晓华 ,  熊晓敏 ,  林博 ,  徐梦珂

IPC: G16B20/50 ,  G06V10/20 ,  G06V10/44 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明属于医学辅助诊断领域，特别是涉及一种基于深度学习的用乳腺癌病理图像来预测BRCA1/2基因突变的方法，包括：获得标定有兴趣区域的待检测H&E染色乳腺癌H&E病理图像WSI；数据进行预处理，包括，将获得的WSI切分为统一规格大小的图像块并抽取多成为一个实例；将实例送入训练好的特征提取器，得到当前实例Bag的特征图集；将特征图集分别送入训练好的全局注意力模块和局部注意力模块，输出当前实例的全局注意力和局部注意力特征表示；将全局注意力和局部注意力特征表示分别映射为二分类概率预测向量加权相加得到最终的二分类概率预测向量；根据最终的二分类概率向量得预测是否发生BRCA1/2基因突变。解决了现有测序方法费时、不经济等不足。

公开(公告)号：CN114155259A

公开(公告)日：2022-03-08

申请号：CN202111482702.4

申请日：2021-12-07

Applicant: 重庆大学附属肿瘤医院 ,  重庆大学 ,  重庆市巴南区人民医院

Inventor： 杨维斌 ,  王翊 ,  王光宪 ,  林博 ,  张勇

IPC: G06T7/11 ,  G06T7/70 ,  G06N3/04 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明提出了一种基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统，包括：样本预处理模块：提取范围为[A,B]的HU值，然后归一化到[0,1]；样本生成模块：采用滑动窗口的方法得到样本，然后采用训练样本平衡法对样本进行训练；网络训练模块：将样本输入到网络中进行训练；识别模块：采用由粗到细的分割策略，获得分割结果；样本预处理模块的输出端与样本生成模块的输入端相连，样本生成模块的输出端与样本生成模块的输入端相连，样本生成模块的输出端与网络训练模块的输入端相连，网络训练模块的输出端与识别模块的输入端相连。本发明能够快速、稳定和准确的分割颅内动脉瘤。

公开(公告)号：CN118967598A

公开(公告)日：2024-11-15

申请号：CN202410996852.4

申请日：2024-07-23

Applicant: 重庆大学附属肿瘤医院

Inventor： 徐波 ,  李艺 ,  刘晓华 ,  林博 ,  熊晓敏 ,  徐梦珂

IPC: G06T7/00 ,  G06V10/774 ,  G06V10/80 ,  G06V10/776 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084 ,  G16H50/20 ,  G16H50/30 ,  G16H50/70 ,  G16H10/60

Abstract: 本发明公开了一种基于病理图像的HER2靶向药物疗效预测模型生成方法，包括：获取若干HER2阳性病理图像数据和TCGA数据库中的对应数据构建训练集和测试集；定义训练集在模型输入的数据形式，通过卷积神经网络中每个残差块集合对训练集输入的数据进行特征提取，得到基础图像特征；通过多倍放大特征融合模块和多尺度特征融合模块对基础图像特征进行融合，得到融合图像特征；获取所有分支得到的融合图像特征对初始模型中进行模型训练，当满足测试集训练条件时结束训练生成HER2靶向药物疗效预测模型；其中，训练时采用交叉熵损失函数作为优化目标，计算模型的综合训练损失；本发明有益于提高对HER2阳性乳腺癌疗效反应预测的准确性。

公开(公告)号：CN114648562A

公开(公告)日：2022-06-21

申请号：CN202210272128.8

申请日：2022-03-18

Applicant: 重庆大学附属肿瘤医院

Inventor： 周宏 ,  牟建波 ,  杨维斌 ,  谢婷婷 ,  吴永忠 ,  林博

IPC: G06T7/33 ,  G06K9/62 ,  G06N3/04 ,  G06T7/73 ,  G06V10/774 ,  G06V10/82 ,  G06V10/74

Abstract: 本发明提出了一种基于深度学习网络的医学图像配准方法，包括以下步骤：S1，获取多个图像对；S2，将训练集中的图像对输入包含编码器‑解码器结构的卷积神经网络，预测从浮动图像到固定图像的位移场，然后利用空间梯度上的正则化平滑位移场均值，得到平滑后的位移场；S3，利用空间变换网络对平滑后的位移场进行变形得到采样网格，然后用采样网格对浮动图像进行重采样得到配准后的图像；S4，计算配准后的图像和固定图像之间的相似性损失函数，然后最小化所述相似性损失函数即可得到最优的配准图像，选取最小的参数作为参数θ；S5，输入测试集中的图像对，利用深度学习图像配准网络进行配准，最终得到配准的图像。本发明能够快速的对图像进行配准，并且不需要添加标签数据就可取得较好的配准效果。

公开(公告)号：CN114648663A

公开(公告)日：2022-06-21

申请号：CN202210271664.6

申请日：2022-03-18

Applicant: 重庆大学附属肿瘤医院

Inventor： 吴永忠 ,  郭聪 ,  杨维斌 ,  谢婷婷 ,  周宏 ,  林博

IPC: G06V10/764 ,  G06V10/774 ,  G06K9/62 ,  G06V10/82 ,  G06V10/25 ,  G06N3/04 ,  G06T7/11

Abstract: 本发明提出了一种基于深度学习的肺癌CT图像亚型分类方法，包括以下步骤：S1，预处理：采集CT图像原始数据信息并进行预处理，得到增强后的数据集，并将预处理之后的CT图像数据划分为测试集和训练集；S2，构建模型：构建改进的3D‑LungNet网络模型，用于对预处理后的图像进行特征提取；S3，训练模型：将训练集输入到所述改进的3D‑LungNet网络模型中进行训练，得到训练好的CT图像分类模型；S4，测试集输入模型：将所述测试集输入到所述CT图像分类模型中，得到CT图像分类结果。本发明能够充分利用医学图像与自然图像之间的内在联系进行特征迁移，提高了网络层的特征提取效率和图像分类准确率，并减少了训练过程中的冗余计算量。还提高CT图像的分类准确率及分类精确率。