公开(公告)号：CN118941812B

公开(公告)日：2025-03-04

申请号：CN202410944121.5

申请日：2024-07-15

Applicant: 首都医科大学附属北京积水潭医院

Inventor： 闫东 ,  姚宁 ,  程晓光 ,  李新彤

IPC: G06V10/44 ,  G06V10/30 ,  G06V10/36 ,  G06V10/34 ,  G06T5/10 ,  G06T5/70 ,  G06T5/20 ,  G06T7/13 ,  G06T7/45 ,  G06T7/11 ,  G06T5/40 ,  G06T17/00 ,  G06N3/0464 ,  G06N3/082

Abstract: 本发明提供了一种基于医学影像的膝关节病变特征自动判读方法及系统，涉及智慧医疗检测技术领域，方法包括：获取待判读的医学影像；对所述医学影像进行滤波处理，得到滤波完成的图像；构建图像增强窗口，并利用所述图像增强窗口遍历所述滤波完成的图像进行去噪，得到去噪完成的图像；对去噪完成的图像进行直方图均衡化处理，得到增强完成的图像；基于深度学习技术，利用增强完成的图像进行特征分割，得到病变特征；所述病变特征包括：关节间隙、关节面下骨质增生硬化、骨赘形成情况、关节面下骨质囊变、关节畸形等。本发明通过图像处理和机器学习技术，实现了膝关节病变的自动化判读，提供了高效、准确的诊断工具。

公开(公告)号：CN118841171B

公开(公告)日：2025-02-07

申请号：CN202410899591.4

申请日：2024-07-05

Applicant: 首都医科大学附属北京积水潭医院

Inventor： 姚宁 ,  程晓光 ,  闫东

IPC: G16H50/30 ,  G16H10/20 ,  G06V10/20 ,  G06V10/44 ,  G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供了一种基于CT检查自动化测量体质成分的KOA风险预测方法，包括：分别获取健康人群和KOA患者的CT数据集；采用移动图像增强窗口对CT数据集进行预处理，得到预处理数据集；利用预处理数据集对预设的多目标分割的卷积神经网络深度学习模型进行训练，得到分割信息；利用分割信息自动获得体质参数；根据体质参数和预设的临床资料建立样本数据集，并对样本数据集进行特征提取；利用特征值对预设模型进行训练，得到KOA风险预测模型；利用KOA风险预测模型对待测人群进行KOA风险预测，得到预测结果。本发明能够通过机器学习预测模型，构建整合人体体质成分及临床因素的KOA的风险预测系统预期，实现精准预测KOA的风险，为临床KOA的防治提供重要数据参考。

公开(公告)号：CN118841171A

公开(公告)日：2024-10-25

申请号：CN202410899591.4

申请日：2024-07-05

Applicant: 首都医科大学附属北京积水潭医院

Inventor： 姚宁 ,  程晓光 ,  闫东

IPC: G16H50/30 ,  G16H10/20 ,  G06V10/20 ,  G06V10/44 ,  G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供了一种基于CT检查自动化测量体质成分的KOA风险预测方法，包括：分别获取健康人群和KOA患者的CT数据集；采用移动图像增强窗口对CT数据集进行预处理，得到预处理数据集；利用预处理数据集对预设的多目标分割的卷积神经网络深度学习模型进行训练，得到分割信息；利用分割信息自动获得体质参数；根据体质参数和预设的临床资料建立样本数据集，并对样本数据集进行特征提取；利用特征值对预设模型进行训练，得到KOA风险预测模型；利用KOA风险预测模型对待测人群进行KOA风险预测，得到预测结果。本发明能够通过机器学习预测模型，构建整合人体体质成分及临床因素的KOA的风险预测系统预期，实现精准预测KOA的风险，为临床KOA的防治提供重要数据参考。

公开(公告)号：CN118941812A

公开(公告)日：2024-11-12

申请号：CN202410944121.5

申请日：2024-07-15

Applicant: 首都医科大学附属北京积水潭医院

Inventor： 闫东 ,  姚宁 ,  程晓光 ,  李新彤

IPC: G06V10/44 ,  G06V10/30 ,  G06V10/36 ,  G06V10/34 ,  G06T5/10 ,  G06T5/70 ,  G06T5/20 ,  G06T7/13 ,  G06T7/45 ,  G06T7/11 ,  G06T5/40 ,  G06T17/00 ,  G06N3/0464 ,  G06N3/082

Abstract: 本发明提供了一种基于医学影像的膝关节病变特征自动判读方法及系统，涉及智慧医疗检测技术领域，方法包括：获取待判读的医学影像；对所述医学影像进行滤波处理，得到滤波完成的图像；构建图像增强窗口，并利用所述图像增强窗口遍历所述滤波完成的图像进行去噪，得到去噪完成的图像；对去噪完成的图像进行直方图均衡化处理，得到增强完成的图像；基于深度学习技术，利用增强完成的图像进行特征分割，得到病变特征；所述病变特征包括：关节间隙、关节面下骨质增生硬化、骨赘形成情况、关节面下骨质囊变、关节畸形等。本发明通过图像处理和机器学习技术，实现了膝关节病变的自动化判读，提供了高效、准确的诊断工具。

公开(公告)号：CN118396963A

公开(公告)日：2024-07-26

申请号：CN202410562303.6

申请日：2024-05-08

Applicant: 首都医科大学附属北京积水潭医院

Inventor： 李新彤 ,  姚宁 ,  徐黎 ,  闫东 ,  程晓光

IPC: G06T7/00 ,  G06T7/11 ,  G06T7/136 ,  G06T7/187 ,  G06T5/20 ,  G06T5/40 ,  G06T5/70 ,  G06T5/90 ,  G06V10/82

Abstract: 本发明提供了一种基于CT影像及深度学习的肝脏及脾脏形态学分析方法，涉及形态学分析技术领域，包括：将待测患者的扫描图像输入至训练好的形态学分析模型中，得到分析结果；形态学分析模型的构建方法包括：收集样本CT图像集；根据样本CT图像集进行连通域计算，并根据连通域匹配方法识别目标区域图像；对目标区域图像进行滤波处理；构建图像增强窗口，并利用图像增强窗口遍历滤波图像进行去噪；对去噪图像进行直方图均衡化处理；构建多目标分割的卷积神经网络深度学习模型，并利用各个增强图像对卷积神经网络深度学习模型进行训练，得到形态学分析模型。本发明能够提高肝脏及脾脏的CT图像处理精度，进而提高肝脏及脾脏的形态学分析的准确性。