-
公开(公告)号：CN109191422A
公开(公告)日：2019-01-11
申请号：CN201810745422.X
申请日：2018-07-09
申请人： 复旦大学
摘要： 本发明属于医学图像处理技术领域，具体为一种基于常规CT图像的缺血性脑卒中早期检测系统和方法。本发明首先对训练集DWI和CT图像进行预处理并将DWI图像配准到CT图像以获得CT图像中脑卒中区域；而后分别从卒中区域和正常区域抽取图像块集合来建立基于图像块分类的卒中检测模型。为提高检测精度，利用基于影像组学的方法对多尺度对称图像块对进行分类鉴别；接着，构建MAP模型对分类结果进行优化，结合图像局部相关性去除检测结果中孤立的小区域。最后，利用训练集建立的检测模型直接对测试CT图像检测。本发明不仅能够直接从视觉上难以判别的常规CT图像中检测卒中区域，且检测精度较高，可用于临床中缺血性脑卒的早期检测。
-
公开(公告)号：CN117894469A
公开(公告)日：2024-04-16
申请号：CN202311577119.0
申请日：2023-11-23
申请人： 复旦大学附属华山医院
IPC分类号： G16H50/50 , G16H70/60 , G16H30/00 , G06T7/00 , G06T7/11 , G06T7/136 , G06T7/90 , G06V10/762 , G06V10/764 , G06V10/774 , G06V10/776
摘要： 本发明公开了一种基于全切片病理图像的垂体腺瘤复发预测模型构建方法及预测系统。本发明预测模型首先在1倍放大倍数上对全切片病理图像进行二值化处理分割出待分析的组织区域和无关的背景区域，而后在20倍放大倍数上从组织区域中无重叠地提取图像块集合。为去除冗余图像块从而进一步提升网络模型性能，对图像块集合进行聚类，并选择类中心图像块输入网络。最后，建立基于聚类注意力的多实例分类模型预测垂体神经内分泌肿瘤复发，并通过模型中聚类图像块注意力分数的可视化对全切片病理图像进行可解释性分析。本发明预测模型不仅具有较高的复发预测精度，且整个过程由计算机自动完成无需人工干预，可用于临床中垂体神经内分泌肿瘤复发预测。
-
公开(公告)号：CN108319969B
公开(公告)日：2021-06-22
申请号：CN201810029255.9
申请日：2018-01-12
申请人： 复旦大学
摘要： 本发明属于医学图像处理技术领域，具体为一种基于稀疏表示框架的较高级别脑胶质瘤生存期预测方法和系统。本发明首先利用基于卷积神经网络的图像分割方法分割MRI图像中肿瘤区域；而后采用基于局部SIFT特征稀疏表示的方法提取肿瘤区域全局特征；为减少特征冗余性和提高生存期预测精度，采用稀疏表示与结构保持结合的模型进行特征选择，选择少数高稳定性高分辨力的特征预测生存期；最后，采用多特征协作稀疏表示分类方法结合多模态特征预测病人生存期是否大于22个月。本发明方法不仅具有较高的生存期预测精度，且整个过程由计算机自动完成无需人工干预，可用于临床中较高级别脑胶质瘤的术后生存期预测。
-
公开(公告)号：CN108319969A
公开(公告)日：2018-07-24
申请号：CN201810029255.9
申请日：2018-01-12
申请人： 复旦大学
CPC分类号： G06K9/6256 , G06K9/4671 , G06K9/6267 , G06K2009/4695 , G06T7/0012 , G06T7/11 , G06T2207/10088 , G06T2207/30096
摘要： 本发明属于医学图像处理技术领域，具体为一种基于稀疏表示框架的较高级别脑胶质瘤生存期预测方法和系统。本发明首先利用基于卷积神经网络的图像分割方法分割MRI图像中肿瘤区域；而后采用基于局部SIFT特征稀疏表示的方法提取肿瘤区域全局特征；为减少特征冗余性和提高生存期预测精度，采用稀疏表示与结构保持结合的模型进行特征选择，选择少数高稳定性高分辨力的特征预测生存期；最后，采用多特征协作稀疏表示分类方法结合多模态特征预测病人生存期是否大于22个月。本发明方法不仅具有较高的生存期预测精度，且整个过程由计算机自动完成无需人工干预，可用于临床中较高级别脑胶质瘤的术后生存期预测。
-
公开(公告)号：CN107016395A
公开(公告)日：2017-08-04
申请号：CN201710162702.3
申请日：2017-03-18
申请人： 复旦大学
CPC分类号： G06K9/4685 , G06K9/629 , G06K2009/4695 , G06T7/0012 , G06T2207/10088 , G06T2207/30096
摘要： 本发明属于计算机辅助诊断技术领域，具体为一种基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤鉴别方法。本发明首先利用基于卷积神经网络的图像分割方法分割T1增强和T2加权MRI图像肿瘤区域；然后设计字典学习和稀疏表示方法提取肿瘤区域纹理特征。为减少特征冗余性和提高肿瘤鉴别效率，采用迭代稀疏表示特征选择方法，选择少数高稳定性高分辨力的特征用于肿瘤鉴别；最后，基于特征态融合的思想，建立同时包含T1增强或T2加权两个模态的联合稀疏表示分类模型提高肿瘤鉴别精度。本发明方法不仅能够获得较高的肿瘤鉴别精度，且无需人工操作提取鉴别参数，具有较强的鲁棒性，可用于原发性脑部淋巴瘤和胶质母细胞瘤的临床鉴别。
-
公开(公告)号：CN109191422B
公开(公告)日：2021-04-30
申请号：CN201810745422.X
申请日：2018-07-09
申请人： 复旦大学
摘要： 本发明属于医学图像处理技术领域，具体为一种基于常规CT图像的缺血性脑卒中早期检测系统和方法。本发明首先对训练集DWI和CT图像进行预处理并将DWI图像配准到CT图像以获得CT图像中脑卒中区域；而后分别从卒中区域和正常区域抽取图像块集合来建立基于图像块分类的卒中检测模型。为提高检测精度，利用基于影像组学的方法对多尺度对称图像块对进行分类鉴别；接着，构建MAP模型对分类结果进行优化，结合图像局部相关性去除检测结果中孤立的小区域。最后，利用训练集建立的检测模型直接对测试CT图像检测。本发明不仅能够直接从视觉上难以判别的常规CT图像中检测卒中区域，且检测精度较高，可用于临床中缺血性脑卒的早期检测。
-
公开(公告)号：CN107016395B
公开(公告)日：2021-02-26
申请号：CN201710162702.3
申请日：2017-03-18
申请人： 复旦大学
摘要： 本发明属于计算机辅助诊断技术领域，具体为一种基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤鉴别方法。本发明首先利用基于卷积神经网络的图像分割方法分割T1增强和T2加权MRI图像肿瘤区域；然后设计字典学习和稀疏表示方法提取肿瘤区域纹理特征。为减少特征冗余性和提高肿瘤鉴别效率，采用迭代稀疏表示特征选择方法，选择少数高稳定性高分辨力的特征用于肿瘤鉴别；最后，基于特征态融合的思想，建立同时包含T1增强或T2加权两个模态的联合稀疏表示分类模型提高肿瘤鉴别精度。本发明方法不仅能够获得较高的肿瘤鉴别精度，且无需人工操作提取鉴别参数，具有较强的鲁棒性，可用于原发性脑部淋巴瘤和胶质母细胞瘤的临床鉴别。
-
公开(公告)号：CN116258884A
公开(公告)日：2023-06-13
申请号：CN202111483409.X
申请日：2021-12-07
申请人： 复旦大学
IPC分类号： G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08
摘要： 本发明提供一种面向医学图像处理的端到端神经网络异构加速系统，其特征在于，包括：处理器以及可重构卷积神经网络FPGA加速核；其中，可重构卷积神经网络FPGA加速核具有片外存储器、片上参数存储器、片上偏置存储器、片上输入特征图存储器、可重构卷积计算模块输入接口、可重构卷积计算模块、可重构卷积计算模块输出接口、结果存储器，由可重构卷积计算模块输入接口将存储在片上存储系统中的权重数据、偏置数据以及输入特征图传输至可重构卷积计算模块，然后由可重构卷积计算模块对输入特征图进行图像的模态合成、分割以及分类的计算处理得到与输入特征图对应的输出结果，该端到端神经网络异构加速系统能够提高医学诊断的效率，并降低功耗。
-
-
-
-
-
-
-
搜索结果
8 条记录 (耗时 0.024 秒)
