-
公开(公告)号：CN115219465A
公开(公告)日：2022-10-21
申请号：CN202210810945.4
申请日：2022-07-11
Applicant: 吉林大学第一医院
Abstract: 本发明公开了一种定量检测组织蛋白酶B浓度的方法，具体包括以下步骤：步骤S1，制备核壳型上转换纳米粒子，在其外侧包覆SiO2层获得UCNP@SiO2‑COOH；步骤S2，在UCNP@SiO2‑COOH上连接Cy5‑pep使其荧光淬灭；步骤S3，配置梯度浓度的CTSB标准溶液，将其分别与UCNP@SiO2‑Cy5‑pep共孵育，获得CTSB浓度与UCNP@SiO2‑Cy5‑pep荧光恢复强度的线性方程；步骤S4，将待测CTSB溶液与UCNP@SiO2‑Cy5‑pep共孵育后，检测其荧光恢复强度，基于线性方程获得待测CTSB溶液的浓度；本发明的检测过程简单，检测结果准确性和灵敏度高，实用性强。
-
Patent Agency Ranking
公开(公告)号：CN111599464A
公开(公告)日：2020-08-28
申请号：CN202010401516.2
申请日：2020-05-13
Applicant: 吉林大学第一医院
Abstract: 本发明提供了一种基于直肠癌影像组学研究的新型多模态融合辅助诊断方法，包括：步骤一、获取直肠癌多种模态的医学影像，并进行预处理；步骤二、对预处理之后的医学影像进行分层分割，并获取每一层医学影像对应的感兴趣区域；步骤三、对每一种模态医学影像的每一个感兴趣区域进行特征提取，获取对应的高维影像组学特征；步骤四、对所获取样本及对应获取得到的高维影像组学特征进行随机划分得到训练集和测试集，并在训练组数据内进行特征降维；步骤五、基于T2加权成像、弥散加权成像及CT影像的低维影像组学特征，分别构建影像组学标签；步骤六、对所获得的各个标签进行系数加权，经线性组合后得到多模态融合影像组学评分，用于直肠癌辅助诊断。
-
公开(公告)号：CN111599464B
公开(公告)日：2023-12-15
申请号：CN202010401516.2
申请日：2020-05-13
Applicant: 吉林大学第一医院
Abstract: 本发明提供了一种基于直肠癌影像组学研究的新型多模态融合辅助诊断方法，包括：步骤一、获取直肠癌多种模态的医学影像，并进行预处理；步骤二、对预处理之后的医学影像进行分层分割，并获取每一层医学影像对应的感兴趣区域；步骤三、对每一种模态医学影像的每一个感兴趣区域进行特征提取，获取对应的高维影像组学特征；步骤四、对所获取样本及对应获取得到的高维影像组学特征进行随机划分得到训练集和测试集，并在训练组数据内进行特征降维；步骤五、基于T2加权成像、弥散加权成像及CT影像的低维影像组学特征，分别构建影像组学标签；步骤六、对所获得的各个标签进行系数加权，经(56)对比文件陈民宁.肾细胞癌的不典型CT、MR表现及鉴别诊断.中国继续医学教育.2018,全文.XM Guo.Value of Multi-MR Techniquesin Diagnosis of Prostate Cancer. ChineseComputed Medical Imaging.2008,全文.董雨桐.MSCT胃多期增强及重建精准诊断异位胰腺1例《.中国实验诊断学》.2019,
-
公开(公告)号：CN111598859A
公开(公告)日：2020-08-28
申请号：CN202010401186.7
申请日：2020-05-13
Applicant: 吉林大学第一医院
Abstract: 本发明提供的基于CT影像组学的胸部淋巴结标准摄取值的检测方法，包括：步骤一、获取患者的PET-CT检查图像，并在PET-CT检查图像中的CT图像上勾画出淋巴结感兴趣区域；步骤二、对所述感兴趣区域进行影像组学特征提取，包括边缘特征和区域特征；步骤三、将所述边缘特征和区域特征进行预处理，步骤四、将所述具有相关性的特征值进行加权处理，并线性加和得到影像组学标签，用于预测标准摄取值，从而用于淋巴结良恶性的预测。本发明基于CT影像组学的胸部淋巴结标准摄取值的检测方法通过手动勾画淋巴结感兴趣区域，并对感兴趣区域进行特征提取，通过相关性分析筛选与标准摄取值高度相关的特征后，通过线性加权计算得到影像组学标签用于标准摄取值的预测。
-
公开(公告)号：CN110827275A
公开(公告)日：2020-02-21
申请号：CN201911157464.2
申请日：2019-11-22
Applicant: 吉林大学第一医院
Abstract: 本发明提供了一种基于树莓派和深度学习的肝脏核磁动脉期影像质量分级方法，包括：步骤一、采集肝脏核磁动脉期影像并进行预处理得到灰度图像，得到质量分级的训练样本数据集；步骤二、将训练样本数据集进行分类并构建卷积神经网络模型；步骤三、利用全局平均池化运算进行特征可视化运算得到特征可视化热图；步骤四、筛选特征可视化热图；步骤五、将特征图的深度抽象特征输入分类器进行二次训练，得到普美显肝脏核磁质量控制分级模型；步骤六、输入待分类的患者肝脏核磁动脉期影像，得到普美显肝脏核磁动脉期影像的分级预测结果，本发明构建的卷积神经网络模型，能够对普美显肝脏核磁动脉期影像进行准确的质量分级。
-
公开(公告)号：CN110827275B
公开(公告)日：2023-12-22
申请号：CN201911157464.2
申请日：2019-11-22
Applicant: 吉林大学第一医院
IPC: G06T7/00 , G06T7/50 , G06T7/10 , G16H30/20 , G06N3/0464
Abstract: 本发明提供了一种基于树莓派和深度学习的肝脏核磁动脉期影像质量分级方法，包括：步骤一、采集肝脏核磁动脉期影像并进行预处理得到灰度图像，得到质量分级的训练样本数据集；步骤二、将训练样本数据集进行分类并构建卷积神经网络模型；步骤三、利用全局平均池化运算进行特征可视化运算得到特征可视化热图；步骤四、筛选特征可视化热图；步骤五、将特征图的深度抽象特征输入分类器进行二次训练，得到普美显肝脏核磁质量控制分级模型；步骤六、输入待分类的患者肝脏核磁动脉期影像，得到普美显肝脏核磁动脉期影像的分级预测结果，本发明构建的卷积神经网络模型，能够对普美显肝脏核磁动脉期影像进行准确的质量分级。
-
-
-
-
-
Search Results
6
records
(took 0.036 seconds)
