-
公开(公告)号：CN113496496B
公开(公告)日：2023-04-07
申请号：CN202110767563.3
申请日：2021-07-07
Applicant: 中南大学
IPC: G06T7/11 , G06V10/80 , G06N3/0455 , G06N3/084
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：CN114883003A
公开(公告)日：2022-08-09
申请号：CN202210645934.5
申请日：2022-06-08
Applicant: 中南大学
Abstract: 本发明公开了一种基于卷积神经网络的ICU住院时长和死亡风险预测方法，包括获取基础数据处理和分类得到训练数据集、验证数据集和测试数据集；基于具有不同感受野的时序空洞可分卷积和上下文感知特征融合模块构建基础预测模型；设定损失函数并采用数据集对基础预测模型进行训练、验证和测试得到最优的预测模型；采用最优的预测模型进行实际人员的ICU住院时长和死亡风险预测。本发明使用时序空洞可分卷积网络对每个特征单独编码并提出了上下文感知特征融合方法；结合多视图和多尺度的特征融合模块生成最后的住院人员表示用于预测；因此本发明方法的可靠性高、精度较高且效果较好。
-
公开(公告)号：CN113808753A
公开(公告)日：2021-12-17
申请号：CN202111064734.2
申请日：2021-09-11
Applicant: 中南大学
Abstract: 本发明公开了一种基于多损失的分解表达学习预测辅助放化疗疗效的方法，对现有的同一肿瘤区域放化疗前和放化疗后两个阶段的CT影像，提取放射组学特征。通过多损失的分解表达学习去寻找两个阶段CT影像中肿瘤区域的共享特征和特有特征：首先通过交叉重构损失将影像的特征分解为共享特征和特有特征两个部分，然后通过固有‑变化损失强化分解效果，并基于监督损失使潜在特征具有可分行，再进行总损失计算，并通过梯度更新的方式来最小化总损失，最后得到分离后的特征。对分离后的特征进行融合，并输入到不同的分类器中，从而得到预测模型，并通过预测模型来基于放化疗前患者的肿瘤区域影像进行疗效预测。本发明能够准确的对食管癌患者进行辅助放化疗后疗效。
-
公开(公告)号：CN113807425A
公开(公告)日：2021-12-17
申请号：CN202111064736.1
申请日：2021-09-11
Applicant: 中南大学
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：CN119132605A
公开(公告)日：2024-12-13
申请号：CN202411266831.3
申请日：2024-09-11
Applicant: 中南大学
Abstract: 本发明公开了一种基于局部和全局时空特征相结合的轻度认知障碍检测方法。近年来，利用大脑功能连接状态进行轻度认知障碍检测已经取得了一定的成效，然而现有的检测方法提取和融合时空特征的方式较为简单。本发明提出了一种自适应脑区信号分段方法，我们将脑区信号分段视作高斯分布的最大似然估计问题，根据不同的脑连接状态自适应地分为不同的片段，克服了滑动窗口分段方法无法准确分段的问题。本发明提出了一种融合局部和全局时空特征的图Transformer框架，所设计的框架能够有效地对局部和全局时空特征进行建模，从而实现准确的轻度认知障碍检测。实验结果表明，我们的方法能够充分地利用局部与全局的时空信息对轻度认知障碍进行准确检测。
-
Patent Agency Ranking
公开(公告)号：CN118898623A
公开(公告)日：2024-11-05
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：CN118411349A
公开(公告)日：2024-07-30
申请号：CN202410568929.8
申请日：2024-05-09
Applicant: 中南大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/082 , G06N3/09
Abstract: 本发明公开了一种基于脑部影像的脑梗评分方法，包括基于脑部影像的脑梗评分方法，包括获取现有的脑部影像和脑部影像对应的检测人员的数据信息和脑梗评分信息并进行预处理和影像组学特征提取；利用脑区之间的解剖结构关系构建图节点，动态构建左脑结构图和右脑结构图，得到训练数据集；构建基于脑部影像的脑梗区域评分初始模型并训练得到基于脑部影像的脑梗区域评分模型；采用基于脑部影像的脑梗区域评分模型，完成目标脑部影像的脑梗评分。本发明还公开了一种包括所述基于脑部影像的脑梗评分方法的成像方法。本发明通过创新的算法设计，以及图神经网络的具体应用，不仅实现了基于脑部影像的脑梗评分，而且可靠性更高，精确性更好，效率更高。
-
公开(公告)号：CN114883003B
公开(公告)日：2024-07-26
申请号：CN202210645934.5
申请日：2022-06-08
Applicant: 中南大学
IPC: G16H50/30 , G16H50/70 , G06F18/214 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/049 , G06N3/08 , G06F123/02
Abstract: 本发明公开了一种基于卷积神经网络的ICU住院时长和死亡风险预测方法，包括获取基础数据处理和分类得到训练数据集、验证数据集和测试数据集；基于具有不同感受野的时序空洞可分卷积和上下文感知特征融合模块构建基础预测模型；设定损失函数并采用数据集对基础预测模型进行训练、验证和测试得到最优的预测模型；采用最优的预测模型进行实际人员的ICU住院时长和死亡风险预测。本发明使用时序空洞可分卷积网络对每个特征单独编码并提出了上下文感知特征融合方法；结合多视图和多尺度的特征融合模块生成最后的住院人员表示用于预测；因此本发明方法的可靠性高、精度较高且效果较好。
-
公开(公告)号：CN118105035A
公开(公告)日：2024-05-31
申请号：CN202410242480.6
申请日：2024-03-04
Applicant: 中南大学
Abstract: 本发明公开了一种基于脑区和群体信息相结合的轻度认知障碍检测方法。近年来，图神经网络在轻度认知障碍检测的任务中表现优异，该任务通常可以从脑区的拓扑结构以及群体关联这两个层面中提取信息，然而现有的方法忽略了将这两个层面的信息进行融合以进一步提高检测准确度。本发明提出了一种融合群体图和脑区图的超图神经网络，我们以超图的形式对群体的关联信息和脑区的拓扑信息进行建模，以增强模型对高阶信息的提取能力；同时，我们使用每个受试者的脑区超图作为其在群体超图中的结点特征，保留其完整的脑区拓扑信息，并且使得群体和脑区的信息能以端到端的方式进行聚合；此外，由于人口学数据同样能提供对检测有益的信息，我们基于度量学习的思想从中获取受试者关联信息以增强群体超图的构建。实验结果表明，我们的方法能够有效地利用群体和脑区这两个层次的信息对轻度认知障碍进行准确检测。
-
公开(公告)号：CN117219268A
公开(公告)日：2023-12-12
申请号：CN202310855612.8
申请日：2023-07-13
Applicant: 中南大学
Abstract: 本发明公开了一种基于多模态电子病历数据的院内死亡风险预测方法，包括获取ICU患者的历史电子病历数据集；采用获取的数据集，通过预处理的方式构建多模态数据集，并划分为训练数据集、验证数据集和测试数据集；基于多模态特征提取模块和特征融合与预测模块，构建院内死亡风险预测初步模型；采用训练数据集对院内死亡风险预测初步模型进行训练，并采用验证数据集和测试数据集进行验证和测试，得到院内死亡风险预测模型；获取待预测目标的病历数据，并输入到院内死亡风险预测模型，得到待预测目标的院内死亡风险预测结果；本发明方法考虑充分模态间的差异性和关联性、提高预测精确、提升实际应用性。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.022 seconds)
