-
公开(公告)号：CN117670883B
公开(公告)日：2024-05-07
申请号：CN202410133370.6
申请日：2024-01-31
Applicant: 中国医学科学院北京协和医院
Abstract: 本发明涉及智能医疗技术领域，更具体地，涉及一种鉴别高低级别膀胱癌的方法、设备和系统，方法包括：S1：获取膀胱癌患者的CT影像；S2：对所述CT影像计算得到影像特征，所述影像特征包括AEF或LD/SD比值，所述AEF是皮质髓质期摄碘量和肾造影期摄碘量的比值，所述LD/SD是肿瘤的长轴直径与短轴直径的比值；S3：基于所述影像特征判断所述膀胱癌患者是高级别膀胱癌还是低级别膀胱癌，当影像特征大于预设值则判断为高级别膀胱癌，否则判断为低级别膀胱癌。本发明可以有效的区分高低级别膀胱癌。
-
公开(公告)号：CN117670883A
公开(公告)日：2024-03-08
申请号：CN202410133370.6
申请日：2024-01-31
Applicant: 中国医学科学院北京协和医院
Abstract: 本发明涉及智能医疗技术领域，更具体地，涉及一种鉴别高低级别膀胱癌的方法、设备和系统，方法包括：S1：获取膀胱癌患者的CT影像；S2：对所述CT影像计算得到影像特征，所述影像特征包括AEF或LD/SD比值，所述AEF是皮质髓质期摄碘量和肾造影期摄碘量的比值，所述LD/SD是肿瘤的长轴直径与短轴直径的比值；S3：基于所述影像特征判断所述膀胱癌患者是高级别膀胱癌还是低级别膀胱癌，当影像特征大于预设值则判断为高级别膀胱癌，否则判断为低级别膀胱癌。本发明可以有效的区分高低级别膀胱癌。
-
公开(公告)号：CN116958151B
公开(公告)日：2023-12-12
申请号：CN202311221342.1
申请日：2023-09-21
Applicant: 中国医学科学院北京协和医院
Abstract: 本申请涉及智能医疗领域，具体涉及一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的方法、系统、设备。包括获取肾上腺部位的CT图像；对所述CT图像进行特征计算得到特征值，所述特征为密度特征和/或体积特征，所述密度特征是指在轴位肾上腺病变图像中感兴趣区域的病变密度，所述体积特征是指肾上腺病变图像中感兴趣区域的病变体积；将所述特征值输至疾病诊断模型中进行分类，当特征值的阈值在预设值内则判定为肾上腺增生，否则判定为乏脂肪腺瘤。本申请结合基于密度与体积特征有效区分肾上腺增生与乏脂肪腺瘤，降低将增生误诊为腺瘤的几率，避免增生患者接受不必要的手术，具有很好的临床价值。
-
公开(公告)号：CN115661107B
公开(公告)日：2023-09-19
申请号：CN202211386972.X
申请日：2022-11-07
Applicant: 中国医学科学院北京协和医院
IPC: G06T7/00 , G06V10/25 , G06V10/26 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及一种基于膀胱癌危险分层的图像分析方法、系统及设备。包括：获取患者术前CT造影图像序列，所述患者术前CT造影图像序列包括平扫、皮髓质期、实质期和排泄期图像；对获取的患者术前CT造影图像序列进行分割和定位，得到肿瘤病灶ROI；然后基于肿瘤病灶ROI提取膀胱癌特征，得到参数图像组合特征；再将其输入到基于多任务深度学习构建的膀胱癌分层模型，输出预测的膀胱癌分层结果。本发明方法旨在基于自动定位的肿瘤病灶ROI提取参数图像组合特征，再输入到基于多任务深度学习构建的膀胱癌分层模型实现分类，旨在发掘其对泌尿学CT影像数据的分析能力和潜在应用价值。
-
公开(公告)号：CN115619810A
公开(公告)日：2023-01-17
申请号：CN202211629229.2
申请日：2022-12-19
Applicant: 中国医学科学院北京协和医院
Abstract: 本发明涉及一种前列腺分区分割方法、系统及设备。包括：获取前列腺图像；将前列腺图像输入到前列腺分区分割模型中进行初次分割，输出第一次分割结果；将计算得到的前列腺外周带体积和整个腺体体积的比值与阈值进行比较，基于所述比值与阈值的关系进行二次分割，得到最终分割结果。本发明方法旨在基于U‑Net系列模型构建的前列腺分区分割模型对前列腺图像进行粗分类，根据计算的比值与阈值的关系，再通过基于语义分割构建的二次分割模型进行二次分割，实现高精度的分割结果，发掘其在协助前列腺癌手术定位和手术计划以及标准化前列腺特异性抗原密度的潜在应用价值。
-
Patent Agency Ranking
公开(公告)号：CN113850788A
公开(公告)日：2021-12-28
申请号：CN202111141582.1
申请日：2021-09-28
Applicant: 中国医学科学院北京协和医院
Abstract: 本发明属于生物医学领域，具体涉及一种判断膀胱癌肌层浸润状态的系统及其应用。具体地，所述系统包括根据从图像上提取的包括original_shape_Maximum2DDiameterSlice在内的特征组合计算风险值进行判断的计算装置。
-
公开(公告)号：CN117672503A
公开(公告)日：2024-03-08
申请号：CN202410135503.3
申请日：2024-01-31
Applicant: 中国医学科学院北京协和医院
Abstract: 本发明提供了一种基于DKI评估IgG4‑RKD风险的方法、系统及可存储介质，涉及智能医疗领域。所述方法包括：获取患者的DKI序列；从所述DKI序列中提取参数，得到定量DKI参数，所述定量DKI参数包括：MD‑P、MD‑C、MD‑M、MK‑P、MK‑C和MK‑P；当MD‑C显著大于MD‑P和MD‑M时，发出IgG4‑RKD风险提示。本发明所公开的方法综合多种参数评估患者IgG4‑RKD风险，包括：定量DKI参数（MD‑P、MD‑C、MD‑M、MK‑P、MK‑C和MK‑M）、影像特征、eGFR、ESR和C4补体水平等多种指标，提供更全面和准确的风险评估结果，有重要的科研和临床价值。
-
公开(公告)号：CN115619810B
公开(公告)日：2023-10-03
申请号：CN202211629229.2
申请日：2022-12-19
Applicant: 中国医学科学院北京协和医院
Abstract: 本发明涉及一种前列腺分区分割方法、系统及设备。包括：获取前列腺图像；将前列腺图像输入到前列腺分区分割模型中进行初次分割，输出第一次分割结果；将计算得到的前列腺外周带体积和整个腺体体积的比值与阈值进行比较，基于所述比值与阈值的关系进行二次分割，得到最终分割结果。本发明方法旨在基于U‑Net系列模型构建的前列腺分区分割模型对前列腺图像进行粗分类，根据计算的比值与阈值的关系，再通过基于语义分割构建的二次分割模型进行二次分割，实现高精度的分割结果，发掘其在协助前列腺癌手术定位和手术计划以及标准化前列腺特异性抗原密度的潜在应用价值。
-
公开(公告)号：CN114399501B
公开(公告)日：2023-04-07
申请号：CN202210096760.1
申请日：2022-01-27
Applicant: 中国医学科学院北京协和医院
IPC: G06T7/00 , G06T7/11 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/762
Abstract: 本发明涉及基于深度学习卷积神经网络的自动分割前列腺全腺体方法。包括：获取样本的前列腺MR图像；将所述前列腺MR图像输入前列腺全腺体分割网络，得到前列腺全腺体图像，所述前列腺全腺体分割网络包括前列腺尖部分割网络、前列腺中部分割网络和前列腺底部分割网络，所述前列腺尖部分割网络用于分割前列腺MR图像得到前列腺尖部图像，所述前列腺中部分割网络用于分割前列腺MR图像得到前列腺中部图像，所述前列腺底部分割网络用于分割前列腺MR图像得到前列腺底部图像，将所述前列腺尖部图像、前列腺中部图像和前列腺底部图像进行图像合并，得到前列腺全腺体分割图像。本发明从前列腺解剖结构特点出发，提供更好的前列腺全腺体分割方法。
-
公开(公告)号：CN115661107A
公开(公告)日：2023-01-31
申请号：CN202211386972.X
申请日：2022-11-07
Applicant: 中国医学科学院北京协和医院
IPC: G06T7/00 , G06V10/25 , G06V10/26 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及一种基于膀胱癌危险分层的图像分析方法、系统及设备。包括：获取患者术前CT造影图像序列，所述患者术前CT造影图像序列包括平扫、皮髓质期、实质期和排泄期图像；对获取的患者术前CT造影图像序列进行分割和定位，得到肿瘤病灶ROI；然后基于肿瘤病灶ROI提取膀胱癌特征，得到参数图像组合特征；再将其输入到基于多任务深度学习构建的膀胱癌分层模型，输出预测的膀胱癌分层结果。本发明方法旨在基于自动定位的肿瘤病灶ROI提取参数图像组合特征，再输入到基于多任务深度学习构建的膀胱癌分层模型实现分类，旨在发掘其对泌尿学CT影像数据的分析能力和潜在应用价值。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.036 seconds)
