-
公开(公告)号：CN112734755A
公开(公告)日：2021-04-30
申请号：CN202110273759.7
申请日：2021-03-15
申请人： 四川大学 , 四川大学华西医院 , 成都华西精准医学产业技术研究院有限公司 , 成都智能迭迦科技合伙企业(有限合伙)
摘要： 本发明公开了一种基于3D全卷积神经网络与多任务学习的肺叶分割方法，属于肺叶自动分割领域。本发明包括如下步骤：准备肺叶相关数据并进行标定；对原始的肺叶CT图像数据以及有准确标签的肺叶相关数据均进行预处理，去除冗余的背景信息；基于多任务学习构建3D全卷积神经网络；使用预处理后的标定的肺叶相关数据与合成的学习误差训练所述构建的3D全卷积神经网络；使用训练好的3D全卷积神经网络对输入的三维肺叶CT图像进行肺叶分割，输出预测的肺叶标签。本发明能够接受原始大小的肺叶CT图像数据并自动、快速地产生准确的肺叶分割结果。
-
公开(公告)号：CN110766051A
公开(公告)日：2020-02-07
申请号：CN201910894435.8
申请日：2019-09-20
摘要： 本发明公开一种基于神经网络的肺结节形态学分类方法，包括以下步骤：1、数据准备。该阶段主要完成数据从医院数据系统导入以及对待分类的肺结节进行标定；2、数据预处理，该阶段对数据进行预处理，主要包括原始CT图像的预处理与结节区域的截取；3、构建多尺度三维残差网络模型，并使用采集的数据和标定的结果对模型进行训练；4、重复步骤3，构建并训练好多种形态学分类的模型；5、使用步骤3、步骤4训练好的模型对检测任务自动检测出的肺结节进行分类，输出模型预测的肺结节形态学特征的信息。本发明将结节截取三个尺度作为对应尺度残差的网络的输入，提取三种尺度结节的深度特征，最后经过融合，集成三个模型得到最后的分类结果。
-
公开(公告)号：CN110807764A
公开(公告)日：2020-02-18
申请号：CN201910894443.2
申请日：2019-09-20
摘要： 本发明公开一种基于神经网络的肺癌筛查方法，包括：数据准备，该阶段主要完成数据从医院数据系统导入以及数据的标定；数据预处理，该阶段对数据进行预处理，肺部区域的分割；三维RPN网络的构建，训练，使用采集的数据和标定结果训练RPN网络；训练适合不同分辨率的网络，构建结合策略；使用训练好的模型对输入的三维CT图像进行肺结节检测，输出预测的肺结节信息，包括中心点三维坐标以及肺结节的直径大小；通过第5步给出的中心点的三维坐标以及直径大小，构建基于注意力机制的神经网络，对肺结节的性质进行判定。本发明从检测采用对三维输入直接进行候选结节的检测，这一方法使得候选检测更全面可靠。
-
公开(公告)号：CN110415791A
公开(公告)日：2019-11-05
申请号：CN201910089992.2
申请日：2019-01-29
申请人： 四川大学华西医院 , 成都华西精准医学产业技术研究院有限公司
摘要： 本发明公开一种病种库建立系统及方法，包括：数据挖掘模块，用于从预定的医疗子系统中搜集目标病种的临床医疗信息；临床医疗信息包括临床文本信息和/或临床影像信息；文本转化模块，用于将数据挖掘模块搜集到的临床文本信息转化为预定结构的文本信息，获取规范化文本数据；文本转化模块包括训练后的长短记忆型递归神经网络；影像信息提取模块，用于提取临床影像信息中的预定信息，获取结构化影像数据；影像信息提取模块包括训练后的卷积神经网络；数据库，用于获取并存储规范化文本数据和结构化影像数据。本发明提供的技术方案，能够自动建立起全周期、多维度数据的病种库，从而大大扩展了现有病种库的数据完整性和科研可用性。
-
公开(公告)号：CN111191035A
公开(公告)日：2020-05-22
申请号：CN201911396284.X
申请日：2019-12-30
申请人： 四川大学华西医院 , 杭州依图医疗技术有限公司
IPC分类号： G06F16/35 , G06F40/295 , G06F40/289 , G06N3/04
摘要： 本申请公开了一种识别肺癌临床数据库文本实体的方法及装置，用以提高获取关系分类的效率，所述方法包括：接收肺癌临床数据库文本信息；基于预设实体集生成与所述肺癌临床数据库文本信息对应的实体相关的多个问题；基于Attention机制确定所述多个问题所对应的问题分类以及所述实体之间的关系分类。采用本申请所公开的方案，能够同时确定实体相关的多个问题对应的问题分类以及实体之间的关系分类，而无需等待实体抽取步骤之后再确定关系分类，因此，提高了获取关系分类的效率，进而提高了识别肺癌临床数据库文本实体的效率。
-
公开(公告)号：CN111191035B
公开(公告)日：2022-07-19
申请号：CN201911396284.X
申请日：2019-12-30
申请人： 四川大学华西医院 , 杭州依图医疗技术有限公司
IPC分类号： G06F16/35 , G06F40/295 , G06F40/289 , G06N3/04
摘要： 本申请公开了一种识别肺癌临床数据库文本实体的方法及装置，用以提高获取关系分类的效率，所述方法包括：接收肺癌临床数据库文本信息；基于预设实体集生成与所述肺癌临床数据库文本信息对应的实体相关的多个问题；基于Attention机制确定所述多个问题所对应的问题分类以及所述实体之间的关系分类。采用本申请所公开的方案，能够同时确定实体相关的多个问题对应的问题分类以及实体之间的关系分类，而无需等待实体抽取步骤之后再确定关系分类，因此，提高了获取关系分类的效率，进而提高了识别肺癌临床数据库文本实体的效率。
-
公开(公告)号：CN109711315A
公开(公告)日：2019-05-03
申请号：CN201811570213.2
申请日：2018-12-21
申请人： 四川大学华西医院 , 杭州依图医疗技术有限公司
发明人： 王成弟 , 李为民 , 倪浩 , 刘丹 , 白红利 , 邵俊 , 任鹏伟 , 李亚伦 , 杨澜 , 蒋宇婷 , 余何 , 郑永升 , 方骢 , 张波 , 吴福乐 , 华岳军 , 曾颖异 , 魏子昆
摘要： 本发明公开了一种肺结节分析的方法及装置，该方法包括获取患者的肺部的肺结节影像以及肺结节影像中肺结节的三维坐标，根据肺结节的三维坐标从肺结节影像中确定包含所述肺结节的ROI，将肺结节的ROI、肺结节的三维坐标输入至预设特征提取神经网络模型进行特征提取，得到肺结节影像的特征向量，将肺结节影像的特征向量输入至预设分类神经网络模型，得到预设分类神经网络模型输出的患者的肺结节分析结果。相比于传统的医生诊断的方式而言，能够降低因医生水平差异导致的诊断误差率，从而提高肺结节分析的准确性。
-
公开(公告)号：CN117765269A
公开(公告)日：2024-03-26
申请号：CN202311815137.8
申请日：2023-12-27
申请人： 四川大学华西医院
IPC分类号： G06V10/42 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0895 , G06T7/00 , G06T7/73
摘要： 本发明提供一种基于自监督学习的肺结节特征提取及数据库建立方法。肺结节特征提取方法包括：获取包括肺结节的肺部医学影像及肺结节位置坐标；对所述影像进行随机遮挡后输入深度神经网络模型，以影像重构误差最小为目标对所述模型进行第一阶段训练，得到影像的全局特征；从所述肺部医学影像中分割出肺结节图像，对所述图像进行变换后输入至经第一阶段训练后的模型，以图像重构误差最小为目标对所述模型进行第二阶段训练，得到肺结节的局部特征；对所述全局特征和局部特征进行拼接，得到肺结节特征。本发明通过采用自监督学习，可解决传统无监督学习精度低和有监督学习标注成本高等问题。
-
公开(公告)号：CN109523547A
公开(公告)日：2019-03-26
申请号：CN201811570843.X
申请日：2018-12-21
申请人： 四川大学华西医院 , 杭州依图医疗技术有限公司
发明人： 李为民 , 刘丹 , 倪浩 , 王成弟 , 白红利 , 任鹏伟 , 杨澜 , 邵俊 , 金晶 , 甘芸翠 , 鲜京宏 , 郑永升 , 方骢 , 石磊 , 杨忠程 , 翁静思 , 王虹鉴 , 魏子昆
IPC分类号： G06T7/00
摘要： 本发明公开了一种影像结节检出的方法及装置，该方法包括获取结节影像，将至少3张结节影像输入至第一结节检出模型中，确定出结节影像的候选结节，对候选结节进行多方位的切割，得到候选结节的多个方向的多个切面影像，将至少3张连续的切面影像输入至第二结节检出模型，确定出结节影像中的结节。由于采用深度残差网络模型对已标记结节区域的结节影像进行训练学习得到的第一结节检出模型以及对结节的多个切面影像进行训练学习得到第二结节检出模型，可以提高结节检测的效率，并且在检测出结节后再过滤掉假阳性的结节，从而提高了结节检测的准确率。
-
公开(公告)号：CN117765179A
公开(公告)日：2024-03-26
申请号：CN202311814846.4
申请日：2023-12-27
申请人： 四川大学华西医院
IPC分类号： G06T17/00 , G06N3/0455 , G06N3/0895
摘要： 本发明提供一种基于自监督学习的图像生成方法及装置。所述方法包括：将当前层图像Ai输入至一个人工神经网络模型，输出当前层重构图像#imgabs0#以当前层图像重构误差最小为目标对所述模型进行第一阶段训练，得到当前层重构图像；以预测第i+1层图像误差最小为目标，对第一阶段训练后的模型进行第二阶段训练，得到第i+1层预测图像。本发明通过基于自监督学习进行图像重构，可解决现有监督学习需要大量人工标注及无监督学习精度较低的问题；本发明采用两个阶段的自监督学习，可提升模型收敛速度，降低模型训练难度。
-
-
-
-
-
-
-
-
-
搜索结果
35 条记录 (耗时 0.079 秒)
