-
公开(公告)号：CN118429326A
公开(公告)日：2024-08-02
申请号：CN202410662175.2
申请日：2024-05-27
Applicant: 中南大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于脑部CTA图像的大血管闭塞检测方法，包括获取已有的脑部CTA图像数据并预处理得到训练数据集；构建大血管闭塞检测初始模型并训练得到大血管闭塞检测模型；将实际获取的脑部CTA图像输入到大血管闭塞检测模型中，完成基于脑部CTA图像的大血管闭塞检测。本发明还公开了一种包括所述基于脑部CTA图像的大血管闭塞检测方法的成像方法。本发明通过Sobel卷积核来提取血管相关的边缘信息，并基于特征增强技术和特征学习技术构建检测模型来完成基于脑部CTA图像的大血管闭塞检测；因此本发明方法能够融合左右脑区域的信息，实现基于脑部CTA图像的大血管闭塞检测，而且可靠性更高，精确性更好，效率更高。
-
公开(公告)号：CN118335268A
公开(公告)日：2024-07-12
申请号：CN202410214861.3
申请日：2024-02-27
Applicant: 中南大学
Abstract: 本发明提供了一种基于时空图网络的多中心医疗数据预测方法，包括：将时空图网络模型分裂为初始空间网络模型和初始时序网络模型分别发送至分裂服务器和多个客户端；每个客户端将采集的本地医疗数据输入初始时序网络模型得到激活并上传至分裂服务器构造群体图；将群体图输入初始空间网络模型得到空间特征，并计算损失值得到特征梯度；根据特征梯度对初始空间网络模型的参数和初始时序网络模型进行更新，得到第一局部全局模型和第二局部全局模型并将第二局部全局模型与第一局部全局模型进行合并，得到全局模型，用于对待处理的医疗数据进行预测，得到预测结果，提高了时空图网络模型的整体泛化能力，从而提高了医疗数据的预测效果。
-
公开(公告)号：CN117171267A
公开(公告)日：2023-12-05
申请号：CN202311105204.7
申请日：2023-08-30
Applicant: 中南大学
IPC: G06F16/27 , G06F16/2455 , G06F16/23 , G16H50/70 , G06V10/774 , G06V10/82 , G06N3/098
Abstract: 本发明公开了一种基于联邦学习的医疗机构数据共享方法，包括获取公共医疗数据集，建立参与联邦训练的医疗站点和服务终端的关联；构建联邦医疗数据结构知识提取块，提取结构知识集合；构建站点协作增强模块进行动态加权处理，获取共识结构知识；构建本地更新模块，计算本地整体损失；更新本地模型，完成站点的训练处理；采用完成训练的站点，在服务端进行聚合处理，获取全新的联邦医疗数据全局模型；重复上述步骤，循环运行多次联邦训练，直至获取的联邦医疗数据全局模型答案到期望的性能，完成联邦医疗数据模型的构建；采用构建的联邦医疗数据模型，实现医疗机构数据共享；本发明的性能提升、训练速度提高。
-
公开(公告)号：CN116468732A
公开(公告)日：2023-07-21
申请号：CN202310219966.3
申请日：2023-03-09
Applicant: 中南大学 , 湖南城市学院 , 智相健康科技(北京)有限公司
Abstract: 本发明公开了一种基于深度学习的肺部CT影像分割方法，包括获取已有的肺部CT图像数据集并预处理得到训练数据集；构建肺部CT影像分割原始模型并训练得到肺部CT影像分割模型；采用肺部CT影像分割模型对实际的肺部CT影像进行分割。本发明还公开了一种包括所述基于深度学习的肺部CT影像分割方法的成像方法。本发明能够实现更加准确的图像分割结果，能够加速收敛速度，在小规模数据集上也能够表现出较强的分割效果，能够实现更加精准的分割结果，而且能够避免特征崩溃，产生多样化的特征；因此本发明的可靠性高、精确性好且客观科学。
-
公开(公告)号：CN113177943B
公开(公告)日：2021-09-07
申请号：CN202110727412.5
申请日：2021-06-29
Applicant: 中南大学
Abstract: 本发明公开了一种脑卒中CT影像分割方法，包括对缺血性脑卒中CT影像翻转，并将原始CT影像和翻转CT影像进行预处理；构建孪生多级编码器，计算模块来计算两个编码器每一级的特征差异，利用多级特征融合模块来融合特征；构建共享解码器；设计联合损失函数，在训练集上训练到最优分割模型；最后利用训练好的分割模型对未知分割标签的测试集进行缺血性脑卒中梗死分割。本发明利用特征差异计算模块来计算两个编码器每一级的特征差异，利用多级特征融合模块来融合的全局和局部特征；能够较准确的分割出CT影像中的梗死，为提升缺血性脑卒中诊断效率和准确度、降低致死率和致残率，提供了技术支撑和参考。
-
Patent Agency Ranking
公开(公告)号：CN118898623B
公开(公告)日：2024-12-10
申请号：CN202411390028.0
申请日：2024-10-08
Applicant: 中南大学
Abstract: 本发明公开了一种基于大模型微调的缺血性脑卒中医学影像分割方法，包括获取现有的缺血性脑卒中的医学影像并预处理构建训练数据集；构建包括图像对称处理网络、图像编码网络、图像嵌入网络和图像分割网络的缺血性脑卒中医学影像分割初级模型并训练得到缺血性脑卒中医学影像分割模型；获取实际的缺血性脑卒中医学影像并输入缺血性脑卒中医学影像分割模型完成实际的缺血性脑卒中医学影像的分割。本发明还公开了一种包括所述基于大模型微调的缺血性脑卒中医学影像分割方法的成像方法。基于图像对称处理网络的构建和处理生成对称数据，并基于对称数据和构建的图像嵌入网络和图像分割网络，最终不仅实现了缺血性脑卒中医学影像的分割，而且分割的可靠性更高，精确性更好。
-
公开(公告)号：CN113807425B
公开(公告)日：2023-11-10
申请号：CN202111064736.1
申请日：2021-09-11
Applicant: 中南大学
IPC: G06V10/764 , G06V10/774 , G06V10/762 , G06V10/82 , G06N3/08
Abstract: 本发明公开了一种基于自适应正则深度聚类的组织病理图像分类方法。首先进行预训练，直到由病理图像特征提取网络和聚类组成的无监督模型稳定即完成预训练，得到预训练的模型参数权重。然后以得到的模型参数权重作为病理图片分类模型的初始化权重，并采用有标签的病理图像进行训练以完成调参，得到训练完成的病理图片分类模型。最后将待分类的病理图像输入至训练完成的病理图片分类模型中进行分类，得到分类结果。相比于随机初始化权重的网络，使用本发明训练出来的预训练权重的模型，只需使用10％的标记数据就可以和随机初始化权重的网络使用100％的标记数据达到相同效果。且使用本发明预训练权重的网络收敛速度更快。
-
公开(公告)号：CN116012388B
公开(公告)日：2023-06-13
申请号：CN202310312128.0
申请日：2023-03-28
Applicant: 中南大学
IPC: G06T7/10 , G06N3/0464 , G06N3/0455 , G06N3/08 , G06T19/20
Abstract: 本发明公开了一种急性缺血性脑卒中三维医学影像分割方法，包括获取急性缺血性脑卒中三维医学影像并预处理得到数据集；构建急性缺血性脑卒中三维医学影像分割模型并训练；将实际的目标三维医学影像输入模型中完成急性缺血性脑卒中三维医学影像分割。本发明还公开了一种包括所述急性缺血性脑卒中三维医学影像分割方法的成像方法。本发明提供的这种急性缺血性脑卒中三维医学影像分割方法及成像方法，通过结合卷积与Transformer作为编码器，能够实现全局特征与局部特征的有效建模，从而实现准确的急性缺血性脑卒中的三维医学影像分割和成像，而且本发明的可靠性高、精确性好且实用性好。
-
公开(公告)号：CN113496496A
公开(公告)日：2021-10-12
申请号：CN202110767563.3
申请日：2021-07-07
Applicant: 中南大学
Abstract: 本发明提供了一种基于多种损失和多尺度特征的MRI影像海马体区域分割方法，包括：步骤1，获取多个T1模态的脑部MRI影像和海马体标签；步骤2，以左右海马体的左右标签为基准，对每个T1模态的脑部MRI影像进行图像的裁剪，得到多个裁剪后的左右海马体立方体；步骤3，对每个裁剪后的左右海马体立方体进行3D切块，得到所有裁剪后的左右海马体立方体的3D切块，在所有裁剪后的左右海马体立方体的3D切块中筛选出含有海马体体素大于设定阈值的3D块，对筛选出的3D块进行预处理。本发明可以精确地分割出海马体和背景的标签，通过多尺度信息和多种损失的结合提高分割准确率，使脑部影像中海马体分割准确率得到显著提升。
-
公开(公告)号：CN113177943A
公开(公告)日：2021-07-27
申请号：CN202110727412.5
申请日：2021-06-29
Applicant: 中南大学
Abstract: 本发明公开了一种脑卒中CT影像分割方法，包括对缺血性脑卒中CT影像翻转，并将原始CT影像和翻转CT影像进行预处理；构建孪生多级编码器，计算模块来计算两个编码器每一级的特征差异，利用多级特征融合模块来融合特征；构建共享解码器；设计联合损失函数，在训练集上训练到最优分割模型；最后利用训练好的分割模型对未知分割标签的测试集进行缺血性脑卒中梗死分割。本发明利用特征差异计算模块来计算两个编码器每一级的特征差异，利用多级特征融合模块来融合的全局和局部特征；能够较准确的分割出CT影像中的梗死，为提升缺血性脑卒中诊断效率和准确度、降低致死率和致残率，提供了技术支撑和参考。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.024 seconds)
