-
公开(公告)号：CN113570569B
公开(公告)日：2024-04-16
申请号：CN202110845336.8
申请日：2021-07-26
Applicant: 东北大学 , 中国医科大学附属第一医院
Abstract: 本发明提供一种基于深度学习的心脏室间隔抖动自动检测系统，涉及计算机视觉技术领域。该系统首先获取多个带SF标签的超声心动图作为样本数据集；然后初始化用于室间隔抖动检测的深度神经网络模型，并使用样本数据集预训练深度神经网络模型，得到预训练深度神经网络模型；用于室间隔抖动检测的深度神经网络模型包括左心室分割网络U‑Net和基于编解码器的SF诊断网络；最后加载预训练深度神经网络模型的模型参数和配置文件，分割待评估的超声心动图中的左心室，输出室间隔抖动判断结果。本发明的检测系统使用深度学习的方法自动分割左心室，并根据分割结果实现了SF的自动诊断，减少了临床诊断的时间，避免了医生主观经验造成的结果差异。
-
公开(公告)号：CN114557721A
公开(公告)日：2022-05-31
申请号：CN202210195823.9
申请日：2022-03-01
Applicant: 中国医科大学附属第一医院 , 东北大学
IPC: A61B8/00
Abstract: 本发明涉及一种导航方法，尤其涉及一种基于超声标准化切面对照的导航方法。通过该导航系统，为基层医院医生提供超声扫查培训，减小由于医疗资源分布不均造成的医疗水平差异，提升基层医院水平。自适应生成符合患者特征的对照模板，并以此作为超声实时扫查中的参照，通过导航系统对当前切面与对照模板的相似性度量，指导用户快速准确定位目标标准化切面。
-
公开(公告)号：CN113592802B
公开(公告)日：2024-02-02
申请号：CN202110845333.4
申请日：2021-07-26
Applicant: 东北大学 , 中国医科大学附属第一医院
IPC: G06T7/00 , G06T7/10 , G06T7/73 , G06N3/0464 , G06N3/048
Abstract: 本发明提供一种基于超声图像的二尖瓣环位移自动检测系统，涉及计算机视觉技术领域。该系统首先获取多个带有左心室掩模或二尖瓣环位点坐标标签的超声心动图作为样本数据集；然后初始化用于左心室分割和二尖瓣检测的深度神经网络模型，并使用样本数据集预训练深度神经网络模型，得到预训练模型；加载预训练模型的模型参数和配置文件，分割待评估的超声心动图中的左心室内膜，确定二尖瓣环室间隔位点和左心室侧壁位点坐标以及左心室心尖位点坐标；计算二尖瓣环室间隔位点位移、左心室侧壁位点位移和收缩初期到收缩末期二尖瓣环相对于心尖的位移变化量，并在待评估的超声心动图像上输出MAD指标，完成对超声心动图像二尖瓣
-
公开(公告)号：CN113570569A
公开(公告)日：2021-10-29
申请号：CN202110845336.8
申请日：2021-07-26
Applicant: 东北大学 , 中国医科大学附属第一医院
Abstract: 本发明提供一种基于超声图像的室间隔抖动自动检测系统，涉及计算机视觉技术领域。该系统首先获取多个带SF标签的超声心动图作为样本数据集；然后初始化用于室间隔抖动检测的深度神经网络模型，并使用样本数据集预训练深度神经网络模型，得到预训练深度神经网络模型；用于室间隔抖动检测的深度神经网络模型包括左心室分割网络U‑Net和基于编解码器的SF诊断网络；最后加载预训练深度神经网络模型的模型参数和配置文件，分割待评估的超声心动图中的左心室，输出室间隔抖动判断结果。本发明的检测系统使用深度学习的方法自动分割左心室，并根据分割结果实现了SF的自动诊断，减少了临床诊断的时间，避免了医生主观经验造成的结果差异。
-
公开(公告)号：CN113838036B
公开(公告)日：2023-10-13
申请号：CN202111141792.0
申请日：2021-09-28
Applicant: 东北大学 , 中国医科大学附属第一医院
Abstract: 本发明公开了一种基于局部聚类和滤波的冠脉分割方法，涉及医学图像处理技术领域。该方法包括在冠脉CTA图像上提取冠脉种子点的感兴趣区域；在感兴趣区域中获得疑似种子点集合；对疑似种子点集合进行滤波，筛掉假种子点获得有效种子点集合；针对有效种子点集合中的种子点逐点进行区域生长，直至所有的种子点生长完毕为止。在每个种子点的生长过程中，采用对称放射滤波器来筛选血管区域，解决了心脏CTA图像中噪声、伪影和非冠脉组织等不相关区域对冠脉分割的干扰的问题；采用基于距离聚类分割方法，解决了心脏CTA图像中造影剂不均衡，冠脉错层，伪影模糊等问题，从而快速、稳定、高效地进行心脏CTA图像的冠脉分割。
-
Patent Agency Ranking
公开(公告)号：CN113974667A
公开(公告)日：2022-01-28
申请号：CN202111287231.1
申请日：2021-11-02
Applicant: 东北大学 , 中国医科大学附属第一医院
IPC: A61B6/03
Abstract: 本发明公开了一种TAVI术前关键目标的自动定位装置及方法，涉及医学图像处理技术领域。装置包括：获取心脏CTA数据的数据采集模块；从心脏CTA数据中提取进行关键目标定位所需数据的数据提取模块；定位出TAVI术前所需的关键目标并输出定位结果的关键目标定位模块。方法包括：获取心脏CTA数据；分割主动脉和冠脉；定位左右冠脉开口位置以及确定主动脉中心线；对中心线上的点进行采样获得中心线上分别以各采样点为中心带有分割结果的横截面，各横截面的法线对应采样点的切线；从带有分割结果的各主动脉横截面上确定主动脉的分割平面，获得一系列主动脉平面；从主动脉平面中定位主动脉窦管连接处平面、主动脉瓣环平面、升主动脉平面和主动脉窦环平面。
-
公开(公告)号：CN113838036A
公开(公告)日：2021-12-24
申请号：CN202111141792.0
申请日：2021-09-28
Applicant: 东北大学 , 中国医科大学附属第一医院
Abstract: 本发明公开了一种基于局部聚类和滤波的冠脉分割方法，涉及医学图像处理技术领域。该方法包括在冠脉CTA图像上提取冠脉种子点的感兴趣区域；在感兴趣区域中获得疑似种子点集合；对疑似种子点集合进行滤波，筛掉假种子点获得有效种子点集合；针对有效种子点集合中的种子点逐点进行区域生长，直至所有的种子点生长完毕为止。在每个种子点的生长过程中，采用对称放射滤波器来筛选血管区域，解决了心脏CTA图像中噪声、伪影和非冠脉组织等不相关区域对冠脉分割的干扰的问题；采用基于距离聚类分割方法，解决了心脏CTA图像中造影剂不均衡，冠脉错层，伪影模糊等问题，从而快速、稳定、高效地进行心脏CTA图像的冠脉分割。
-
公开(公告)号：CN113974667B
公开(公告)日：2024-06-28
申请号：CN202111287231.1
申请日：2021-11-02
Applicant: 东北大学 , 中国医科大学附属第一医院
IPC: A61B6/03
Abstract: 本发明公开了一种TAVI术前关键目标的自动定位装置及方法，涉及医学图像处理技术领域。装置包括：获取心脏CTA数据的数据采集模块；从心脏CTA数据中提取进行关键目标定位所需数据的数据提取模块；定位出TAVI术前所需的关键目标并输出定位结果的关键目标定位模块。方法包括：获取心脏CTA数据；分割主动脉和冠脉；定位左右冠脉开口位置以及确定主动脉中心线；对中心线上的点进行采样获得中心线上分别以各采样点为中心带有分割结果的横截面，各横截面的法线对应采样点的切线；从带有分割结果的各主动脉横截面上确定主动脉的分割平面，获得一系列主动脉平面；从主动脉平面中定位主动脉窦管连接处平面、主动脉瓣环平面、升主动脉平面和主动脉窦环平面。
-
公开(公告)号：CN113592802A
公开(公告)日：2021-11-02
申请号：CN202110845333.4
申请日：2021-07-26
Applicant: 东北大学 , 中国医科大学附属第一医院
Abstract: 本发明提供一种基于超声图像的二尖瓣环位移自动检测系统，涉及计算机视觉技术领域。该系统首先获取多个带有左心室掩模或二尖瓣环位点坐标标签的超声心动图作为样本数据集；然后初始化用于左心室分割和二尖瓣检测的深度神经网络模型，并使用样本数据集预训练深度神经网络模型，得到预训练模型；加载预训练模型的模型参数和配置文件，分割待评估的超声心动图中的左心室内膜，确定二尖瓣环室间隔位点和左心室侧壁位点坐标以及左心室心尖位点坐标；计算二尖瓣环室间隔位点位移、左心室侧壁位点位移和收缩初期到收缩末期二尖瓣环相对于心尖的位移变化量，并在待评估的超声心动图像上输出MAD指标，完成对超声心动图像二尖瓣环位移的自动检测。
-
公开(公告)号：CN115083594B
公开(公告)日：2025-05-06
申请号：CN202210548953.6
申请日：2022-05-20
Applicant: 东北大学 , 中国医科大学附属盛京医院
IPC: G16H50/20 , G16H50/30 , G06N3/0464 , G06N3/045
Abstract: 本发明提供一种基于卷积神经网络的ACS预测方法，涉及人工智能计算机技术领域；该方法首先在CCTA数据上采集冠脉三个主要分支的节段数据，包括开口处节段数据和病变处节段数据，并按照是否发生ACS事件分成两类，并组建训练数据集和验证数据集；然后构建用于ACS分类的CNN网络模型，使用训练数据集对模型进行训练，获得模型参数；最后把训练得到的模型参数加载到构建好的ACS分类的CNN网络模型中，再采用验证数据集对其进行验证，以选取最优的ACS分类的CNN网络模型，从而准确的预测未来ACS事件的发生，能够辅助临床工作者更加准确地，客观地预测未来ACS事件。
-
-
-
-
-
-
-
-
-
Search Results
91
records
(took 0.045 seconds)
