-
公开(公告)号：CN118154863A
公开(公告)日：2024-06-07
申请号：CN202410195116.9
申请日：2024-02-22
申请人： 四川大学 , 成都市公共卫生临床医疗中心
IPC分类号： G06V10/26 , G06T7/00 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种肺部CXR图像自动分割方法、系统、设备及介质，属于人工智能技术领域，目的在于提供一种肺部CXR图像自动分割方法、系统、设备及介质，以求达到精确的肺结节自动分割，提高肺结节自动分割的分割精度、分割效果。其构建肺结节分割网络模型包括编码器、解码器，编码器包括由9个模块组成的U型结构，解码器包括由9个模块组成的U型结构，每个模块均由递归残差卷积层组成。采用改进型的U‑Net网络，采用了基于U‑Net模型的递归残差卷积网络同时体系结构修改并扩展为双重u形网络，递归残差连接网络加深也不会梯度消失，以求达到精确的肺结节自动分割，从而可以获得更好的肺结节分割效果，提高肺结节自动分割的分割精度、分割效果。
-
公开(公告)号：CN118155788A
公开(公告)日：2024-06-07
申请号：CN202410195115.4
申请日：2024-02-22
申请人： 成都市公共卫生临床医疗中心 , 四川大学
摘要： 本发明公开了一种胸外科数据库的数据录入方法、管理系统、设备及介质，其目的在于解决现有技术中在从外部系统中提取样本数据存在的样本数据录入不准确的技术问题。其通过搭建数据提取神经网络模型，并利用手动输入的初始数据进行训练，并将训练得到的成熟的数据提取神经网络模型读取并提取外部系统中的数据，并将提取的数据存入数据库中。采用人工智能的方法从外部系统中读取并提取外部系统中的数据，并将提取的数据存入数据库中，通过对神经网络模型进行训练，能够将数据准确的录入数据库中，大大提高数据录入的准确性。
-
公开(公告)号：CN114693698B
公开(公告)日：2023-06-20
申请号：CN202011628297.8
申请日：2020-12-30
摘要： 本发明公开一种基于神经网络的计算机辅助肺气道分割方法，包括以下步骤：步骤s1：数据准备：预先准备若干病人的肺部CT图像并标定其中的待分割肺气道；步骤s2：数据预处理：对肺部CT图像中的肺部区域进行分割，得到输入数据；步骤s3：建构三维多尺度特征聚合网络并训练三维多尺度特征聚合网络；步骤s4：将所述输入数据输入经历步骤s3后的三维多尺度特征聚合网络，得到输出结果；步骤s5：对输出结果进行后处理，得到肺气道分割结果。本发明通过一种三维多尺度特征聚合的深度神经网络准确、高效地完成对肺气道的分割，尤其能获取更为准确的叶内气道分割结果，同时本发明实施过程可实现无人值守批量操作。
-
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：CN114693698A
公开(公告)日：2022-07-01
申请号：CN202011628297.8
申请日：2020-12-30
摘要： 本发明公开一种基于神经网络的计算机辅助肺气道分割方法，包括以下步骤：步骤s1：数据准备：预先准备若干病人的肺部CT图像并标定其中的待分割肺气道；步骤s2：数据预处理：对肺部CT图像中的肺部区域进行分割，得到输入数据；步骤s3：建构三维多尺度特征聚合网络并训练三维多尺度特征聚合网络；步骤s4：将所述输入数据输入经历步骤s3后的三维多尺度特征聚合网络，得到输出结果；步骤s5：对输出结果进行后处理，得到肺气道分割结果。本发明通过一种三维多尺度特征聚合的深度神经网络准确、高效地完成对肺气道的分割，尤其能获取更为准确的叶内气道分割结果，同时本发明实施过程可实现无人值守批量操作。
-
公开(公告)号：CN118229645A
公开(公告)日：2024-06-21
申请号：CN202410376322.X
申请日：2024-03-29
摘要： 本发明公开了一种肺部纵隔淋巴结检测方法、系统、设备及介质，属于人工智能技术领域淋巴结检测，其目的在于解决淋巴结中心偏移误差服从高斯分布且淋巴结检测难度受淋巴结中心移动而动态变化、淋巴结检测效果较差的技术问题。构建的淋巴结分割模型包括主干网络、预测模块和修正模块，主干网络的输出作为预测模块的输入，预测模块的输出与主干网络中各下采样模块的输出进行特征加权后作为修正模块的输入；预测模块输出目标结节的包围盒信息、第一概率，修正模块输出目标结节的第二概率，将目标结节的包围盒信息、第一概率和第二概率的平均值与对应的标签数据计算损失，更新淋巴结分割模型的参数。
-
公开(公告)号：CN117095241B
公开(公告)日：2024-01-12
申请号：CN202311338054.4
申请日：2023-10-17
申请人： 四川大学
IPC分类号： G06V10/764 , G06V10/82 , G06V10/774 , G16H30/20 , G16H50/70 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种耐药性肺结核类别的筛查方法、系统、设备及介质，涉及耐药性肺结核类别的筛查，其目的在于解决现有技术中无法对耐药性结核的类别（尤其是利福平耐药结核、多药耐药结核以及广泛耐药结核这种类别）进行检测、筛查的技术问题。其样本数据的标签包括耐药性标签、病灶形态标签，采用半监督学习方法、多标签依赖方法对CNN网络模型进行训练，半监督学习的目标是通过充分利用这些未标记数据来改进模型的泛化能力，多标签依赖方法训练旨在利用多个相关学习任务中包含的有用信息；构建的CNN网络模型可以提取胸部CT图像深层次的特征，能够实现对多种耐药性结核的类别进行检(56)对比文件Qiuyu Du 等.Automatic Diagnose ofDrug-Resistance Tuberculosis from CTImages Based on Deep Neural Networks.《CAAI International Conference onArtificial Intelligence》.2023,1-12.Chengdi Wang 等.Development andvalidation of an abnormality-deriveddeep-learning diagnostic system for majorrespiratory diseases《.digital medicine》.2022,1-12.James Devasia 等.Deep learningclassification of active tuberculosislung zones wise manifestations usingchest X-rays: a multi label approach.《Scientific Reports》.2023,1-15.罗汶鑫 等.肺癌筛查与早期诊断的研究现状与挑战《.中国科学》.2022,第52卷(第11期),1603-1611.史蕴豪 等.一种基于伪标签半监督学习的小样本调制识别算法《.西北工业大学学报》.2020,第38卷(第5期),1074-1083.高靖超 等.在线医疗社区健康焦虑用户画像模型构建及实证研究《.图书情报工作》.2023,第67卷(第16期),124-134.罗森林 等.多标签小样本实例级注意力原型网络分类方法 《.北京理工大学学报》.2023,第43卷(第4期),403-409.
-
公开(公告)号：CN117132606A
公开(公告)日：2023-11-28
申请号：CN202311377777.5
申请日：2023-10-24
申请人： 四川大学
IPC分类号： G06T7/10 , G06T7/00 , G06N3/0464 , G06N3/084 , G06V10/764 , G06V10/80
摘要： 本发明公开了用于肺部病变图像的分割方法，涉及计算机技术领域，包括S1构建分割模型；S2获取数据集；S3利用二值掩膜对数据集进行分割处理；S4对分割处理后的数据集进行划分，分为训练集和测试集；S5利用训练集和测试集对分割模型进行训练优化；S6获取待预测的肺部病变图像；S7利用优化后的分割模型进行分割，得到分割结果；将U形神经网络与ConvFormer神经网络层相结合，从CT图像中提取纹理和形状特征，利用ConvFormer神经网络层和第一深度可分离卷积层，大大降低了模型的复杂性，增强了模型的稳健性和可解释性。
-
公开(公告)号：CN117095241A
公开(公告)日：2023-11-21
申请号：CN202311338054.4
申请日：2023-10-17
申请人： 四川大学
IPC分类号： G06V10/764 , G06V10/82 , G06V10/774 , G16H30/20 , G16H50/70 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种耐药性肺结核类别的筛查方法、系统、设备及介质，涉及耐药性肺结核类别的筛查，其目的在于解决现有技术中无法对耐药性结核的类别（尤其是利福平耐药结核、多药耐药结核以及广泛耐药结核这种类别）进行检测、筛查的技术问题。其样本数据的标签包括耐药性标签、病灶形态标签，采用半监督学习方法、多标签依赖方法对CNN网络模型进行训练，半监督学习的目标是通过充分利用这些未标记数据来改进模型的泛化能力，多标签依赖方法训练旨在利用多个相关学习任务中包含的有用信息；构建的CNN网络模型可以提取胸部CT图像深层次的特征，能够实现对多种耐药性结核的类别进行检测、筛查。
-
公开(公告)号：CN115861303B
公开(公告)日：2023-04-28
申请号：CN202310122073.7
申请日：2023-02-16
申请人： 四川大学
IPC分类号： G06T7/00 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/08
摘要： 本申请涉及人工智能技术领域，公开了一种基于肺部CT图像的EGFR基因突变检测方法和系统，所述方法包括：获取待检测数据，所述待检测数据包括肺部CT图像和患者多媒体信息；将多视角下的肺部CT图像输入图像特征提取器中，获得图像融合特征；将所述患者多媒体信息输入多媒体特征提取器中，获得多媒体融合特征；将所述图像融合特征与所述多媒体融合特征进行融合，获得突变检测特征；将所述突变检测特征输入EGFR基因突变检测分类器中，获得EGFR基因突变检测结果。本申请解决了现有EGFR基因突变检测方法存在的耗时长、步骤多的问题。
-
-
-
-
-
-
-
-
-
搜索结果
42 条记录 (耗时 0.04 秒)
