公开(公告)号：CN115796232A

公开(公告)日：2023-03-14

申请号：CN202211563660.1

申请日：2022-12-07

申请人： 南京邮电大学

发明人： 陈建新 ,  闵代勇 ,  李昂 ,  周亮 ,  魏昕 ,  翟威 ,  许景艳

IPC分类号： G06N3/0455 ,  G06N3/0464 ,  G06N3/044 ,  G06N3/08 ,  G06T7/10 ,  G06T7/00

摘要： 本发明公开了一种用于淋巴瘤PET图像3D分割任务的神经网络模型，该神经网络模型基于一个五层的“U”型编码器‑解码器结构，每一层的编码器部分都融合了循环残差卷积模块以加深卷积深度、增强特征提取能力，并在特征融合前使用多尺度卷积模块对编码器输出的特征图像进行特征增强。层与层之间通过最大池化层和上采样层进行连接，最大池化层可以压缩特征、简化网络，而上采样层可以保留高级抽象特征的同时提高图像分辨率，然后再与多尺度卷积模块增强过的低级表层特征高分辨率图像进行特征融合。

公开(公告)号：CN117237775A

公开(公告)日：2023-12-15

申请号：CN202311216050.9

申请日：2023-09-20

申请人： 南京邮电大学

发明人： 陈建新 ,  刘赟 ,  戎剑 ,  张顺 ,  樊亚文 ,  许景艳

IPC分类号： G06V10/80 ,  G06V10/772 ,  G06V10/96

摘要： 本发明提出了一种适用于多病灶病人的疗效评估方法，包括以下步骤：针对多病灶病人，先提取所有病灶的特征，再使用字典学习方法对这些特征进行降维；把所有病人数据划分为训练集和测试集，针对数据标签存在的非平衡问题对训练集数据进行下采样预处理；利用筛选模型筛选重要特征，并基于平均法融合多种分类模型构建疗效评估模型。本发明针对当前疗效评估方法中未充分利用所有病灶特征之弊端，挖掘所有病灶影像组学特征进行疗效评估，并利用下采样来保持数据平衡，提高模型稳定性，然后利用平均法融合多个机器学习模型来提高模型预测能力。

公开(公告)号：CN117153415A

公开(公告)日：2023-12-01

申请号：CN202311176921.9

申请日：2023-09-13

申请人： 南京邮电大学

发明人： 陈建新 ,  戎剑 ,  张顺 ,  刘赟 ,  樊亚文 ,  许景艳

IPC分类号： G16H50/70 ,  G06V10/77 ,  G06V10/771 ,  G06N20/00

摘要： 本发明提供了一种基于自动机器学习模型的弥漫大B淋巴瘤疗效预测方法，包括：准备患者数据；提取影像组学特征；利用预处理模块对提取的影像组学特征进行数据预处理；利用特征选择模块在预处理后的特征中挑选影响疗效评估结果的影像组学特征；利用重采样模块解决数据分布不平衡的问题；利用模型训练模块训练最优模型，并进行评估和比较；利用模型验证模块，验证模型的性能和泛化性；疗效评估预测，通过投票机制将病灶层面的疗效评估映射至病人层面。本发明使用的特征提取系统降低人工成本、缩短特征提取周期，使用的AutoML系统可自动化分析数据从而获得最优模型，本发明对以上所述步骤进行了封装，极大地简化了模型开发流程。

公开(公告)号：CN118172372A

公开(公告)日：2024-06-11

申请号：CN202410183890.8

申请日：2024-02-19

申请人： 南京邮电大学

发明人： 陈建新 ,  陈宇 ,  戴肇延 ,  林凤仪 ,  樊亚文 ,  许景艳

IPC分类号： G06T7/11 ,  G06T7/33 ,  G06T5/70 ,  G06T5/90 ,  G06V10/80 ,  G06V10/82 ,  G06V10/44 ,  G06V10/52 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084

摘要： 本发明提出了一种基于PET‑CT医学图像的跨模态肿瘤自动分割方法及存储介质，包括以下步骤：获取PET图像以及CT图像这两个模态的原始图像，将两者配准到空间坐标位置上对齐，并重采样至相同分辨率；建立基于PET‑CT医学图像的跨模态图像分割网络模型；对跨模态图像的像素矩阵数组对进行预处理后，送入训练完成的跨模态图像分割网络训练，得到并保存最优的网络参数和优化器参数；预测生成目标病灶的分割图像；其中，跨模态图像分割网络包括下采样编码模块、图像特征融合模块、多尺度残差反卷积模块以及跨模态跳跃连接与语义融合模块。本发明提供的跨模态肿瘤自动分割方法，能够高效完成跨模态医学图像中肿瘤区域的精准分割任务。

公开(公告)号：CN117171683A

公开(公告)日：2023-12-05

申请号：CN202311051253.7

申请日：2023-08-21

申请人： 南京邮电大学

发明人： 陈建新 ,  张顺 ,  戎剑 ,  刘赟 ,  许景艳

IPC分类号： G06F18/2433 ,  G06F18/2413 ,  G06F18/214 ,  G06F18/211 ,  G06N3/0895 ,  G06F18/243 ,  G06N20/20 ,  G06N5/01

摘要： 本发明提出了一种医学影像病灶特征值异常消除方法，采用综合密度和统计的异常值检测模型和基于集成学习的弱监督模型。包括以下步骤：为保证模型的泛化能力，针对病人特征数据集按比例划分为训练集和测试集，利用综合密度和统计的异常值检测模型进行拟合检测，利用训练集拟合模型对测试集数据进行异常值检测，以病人为单位，统计异常特征数量；分别针对训练集数据和测试集数据，利用弱监督模型纠正异常值；利用筛选模型加分类器，判断异常检测模型是否有效。本方法基于减少异常特征，削弱因医学图像勾画不精确引起的病灶特征值异常的影响，从而提高预测准确率。

公开(公告)号：CN114724715A

公开(公告)日：2022-07-08

申请号：CN202210380302.0

申请日：2022-04-12

申请人： 南京邮电大学

发明人： 陈建新 ,  黄湘君 ,  周亮 ,  李昂 ,  许景艳 ,  蒋冲

IPC分类号： G16H50/30 ,  G16H30/20 ,  G06V10/771 ,  G06V10/764 ,  G06K9/62 ,  G06N20/00

摘要： 本发明所述的一种基于最优AUC的多机器学习模型特征选择方法，其步骤为：步骤1、输入影响组学特征数据集，对所有输入的特征进行预处理；步骤2、选择多种机器学习模型交叉组合进行进一步的特征筛选模型构建，迭代计算每一个高重现性特征子集的影像组学模型AUC；步骤3、对AUC结果进行比较，选取最优AUC，获得最优高重现性特征集，并将AUC结果生成可视化热力图。本发明通过交叉组合的方式形成了幂增数量的组合特征选择分类器，迭代地对所获得高重现性特征集进行了影像组学模型AUC的计算以及对比，并根据最优AUC自动进行最优高重现性特征集的选择；在进行特征筛选之后，可以生成相应的高重现性特征集进行广泛测试，避免偶然性，增加可靠性。