-
公开(公告)号：CN114596317B
公开(公告)日：2025-05-06
申请号：CN202210253312.8
申请日：2022-03-15
Applicant: 东北大学
IPC: G06T7/10 , G06T3/4007 , G06N3/08 , G06N3/0464 , G06V10/774 , G06V10/82 , G06V10/80
Abstract: 本发明公开了一种基于深度学习的CT影像全心脏分割方法；涉及医学图像领域；在网络编码阶段中引入残差模块，增强了网络捕捉全心脏子结构特征的能力。在解码阶段引入基于注意力机制的多尺度融合模块，该模块在反卷积之后融合多尺度特征并进行特征重利用，更好的融合了低级特征和高级特征。同时将加权交叉熵损失函数和加权DICE损失函数结合解决了类失衡问题，在分割细节上起到了良好的驱动作用。本发明实现方法简单，自动将全心脏分成7个子结构，包括左心房、左心室、左心室心肌、右心房、右心室、肺动脉、升动脉，测试一个数据只需几秒钟，极大的减少了医生投入的时间和学习成本，处理过程不需要人工交互，达到了应用的要求。
-
公开(公告)号：CN118197621A
公开(公告)日：2024-06-14
申请号：CN202410309858.X
申请日：2024-03-19
Applicant: 东北大学
IPC: G16H50/30 , A61B5/349 , A61B5/364 , A61B5/00 , G16H50/70 , G06F18/241 , G06N3/0464 , G06N3/08 , G06N3/048
Abstract: 本发明提供一种基于深度学习的LBBB及左心收缩功能障碍自动检测方法，涉及医学辅助检测技术领域。使用深度神经网络自动识别真性LBBB患者并进一步识别出LBBB患者中是否伴有左心室射血分数减低，计算出LVEF整数值，自动评估左心室收缩功能下降程度，实现心功能障碍的早期筛查和实时监测，为临床诊疗提供可靠的参考信息。本发明使用深度学习的方法实现了LBBB患者及其LVEF的自动检测，在多个LBBB心电图中进行测试，结果表明该方法在不同的心电图上，能够较为准确地预测LVEF值，运算速度满足实时性要求。本发明实现方法简单，运算速度快，结果准确性高，且处理过程不需要人工交互，达到了临床应用的要求。
-
公开(公告)号：CN115035028A
公开(公告)日：2022-09-09
申请号：CN202210479098.8
申请日：2022-05-05
Applicant: 东北大学
Abstract: 本发明提供一种基于超声图像的左心室射血分数自动计算方法，涉及计算机视觉技术领域。首先获取多个带有视图类别、左心室掩膜、二尖瓣环和心尖关键点标签的超声心动图作为样本数据集；然后构建用于视图分类、左心室分割和标记点检测的深度神经网络模型，并使用样本数据集训练并验证深度神经网络模型，得到最佳模型参数；将最佳模型参数加载到构建好的深度神经网络模型中，输入待评估的超声图像得到视图类别、左心室掩膜和关键点坐标；最后基于双平面Simpson’s法计算左心室射血分数。
-
公开(公告)号：CN114519722A
公开(公告)日：2022-05-20
申请号：CN202210145347.X
申请日：2022-02-17
Applicant: 东北大学
Abstract: 本发明公开了一种基于卷积神经网络的颈动脉提取方法，涉及医学图像处理技术领域。该方法包括：对原始数据集中各三维颈动脉CTA图像及各自对应的分割标签分别提取补丁块；构建训练数据集；建立并训练颈动脉中心路径预测模型；确定并训练颈动脉分割模型；输入待预测颈动脉的三维颈动脉CTA图像以及给定的种子点；基于种子点，提取以种子点为中心的补丁块；加载预训练的颈动脉中心路径预测模型和预训练的颈动脉分割模型，基于以种子点为中心的补丁块和预训练的颈动脉中心路径预测模型进行颈动脉中心路径的迭代追踪，并在颈动脉中心路径追踪过程中完成颈动脉的分割。该方法首次实现了追踪颈动脉中心路径的同时完成颈动脉分割。
-
公开(公告)号：CN113570569B
公开(公告)日：2024-04-16
申请号：CN202110845336.8
申请日：2021-07-26
Applicant: 东北大学 , 中国医科大学附属第一医院
Abstract: 本发明提供一种基于深度学习的心脏室间隔抖动自动检测系统，涉及计算机视觉技术领域。该系统首先获取多个带SF标签的超声心动图作为样本数据集；然后初始化用于室间隔抖动检测的深度神经网络模型，并使用样本数据集预训练深度神经网络模型，得到预训练深度神经网络模型；用于室间隔抖动检测的深度神经网络模型包括左心室分割网络U‑Net和基于编解码器的SF诊断网络；最后加载预训练深度神经网络模型的模型参数和配置文件，分割待评估的超声心动图中的左心室，输出室间隔抖动判断结果。本发明的检测系统使用深度学习的方法自动分割左心室，并根据分割结果实现了SF的自动诊断，减少了临床诊断的时间，避免了医生主观经验造成的结果差异。
-
Patent Agency Ranking
公开(公告)号：CN114419015A
公开(公告)日：2022-04-29
申请号：CN202210084461.6
申请日：2022-01-24
Applicant: 东北大学
Abstract: 一种基于多模态配准的脑功能融合分析方法，涉及医学，核磁共振成像以及计算机视觉领域。设计一个基于多模态配准的脑功能分析流程，首先对fMRI图像进行预处理，融合MRI图像清晰的结构信息和fMRI时序信号提供的功能信息。对fMRI的时序信息进行采样后训练形变场。最大可能保留原有fMRI的功能信息，同时使用递归的方案解决fMRI和MRI由于分辨率差距较大导致的配准难度大的问题。融合图像同时具有原始图像的功能和结构信息。使用fMRI的分析方法对融合后的图像进行功能分析。融合后的图像和原始结构sMRI图像的相似度高于现有方法，同时很好的融合了原始fMRI图像的功能信息。融合图像为后续脑结构和功能分析提供数据支持，做到结构分区和功能分区在同一坐标下一一对应。
-
公开(公告)号：CN114519722B
公开(公告)日：2024-11-08
申请号：CN202210145347.X
申请日：2022-02-17
Applicant: 东北大学
IPC: G06T7/11 , G06T7/246 , G06N3/0464 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于卷积神经网络的颈动脉提取方法，涉及医学图像处理技术领域。该方法包括：对原始数据集中各三维颈动脉CTA图像及各自对应的分割标签分别提取补丁块；构建训练数据集；建立并训练颈动脉中心路径预测模型；确定并训练颈动脉分割模型；输入待预测颈动脉的三维颈动脉CTA图像以及给定的种子点；基于种子点，提取以种子点为中心的补丁块；加载预训练的颈动脉中心路径预测模型和预训练的颈动脉分割模型，基于以种子点为中心的补丁块和预训练的颈动脉中心路径预测模型进行颈动脉中心路径的迭代追踪，并在颈动脉中心路径追踪过程中完成颈动脉的分割。该方法首次实现了追踪颈动脉中心路径的同时完成颈动脉分割。
-
公开(公告)号：CN113974667B
公开(公告)日：2024-06-28
申请号：CN202111287231.1
申请日：2021-11-02
Applicant: 东北大学 , 中国医科大学附属第一医院
IPC: A61B6/03
Abstract: 本发明公开了一种TAVI术前关键目标的自动定位装置及方法，涉及医学图像处理技术领域。装置包括：获取心脏CTA数据的数据采集模块；从心脏CTA数据中提取进行关键目标定位所需数据的数据提取模块；定位出TAVI术前所需的关键目标并输出定位结果的关键目标定位模块。方法包括：获取心脏CTA数据；分割主动脉和冠脉；定位左右冠脉开口位置以及确定主动脉中心线；对中心线上的点进行采样获得中心线上分别以各采样点为中心带有分割结果的横截面，各横截面的法线对应采样点的切线；从带有分割结果的各主动脉横截面上确定主动脉的分割平面，获得一系列主动脉平面；从主动脉平面中定位主动脉窦管连接处平面、主动脉瓣环平面、升主动脉平面和主动脉窦环平面。
-
公开(公告)号：CN114596317A
公开(公告)日：2022-06-07
申请号：CN202210253312.8
申请日：2022-03-15
Applicant: 东北大学
Abstract: 本发明公开了一种基于深度学习的CT影像全心脏分割方法；涉及医学图像领域；在网络编码阶段中引入残差模块，增强了网络捕捉全心脏子结构特征的能力。在解码阶段引入基于注意力机制的多尺度融合模块，该模块在反卷积之后融合多尺度特征并进行特征重利用，更好的融合了低级特征和高级特征。同时将加权交叉熵损失函数和加权DICE损失函数结合解决了类失衡问题，在分割细节上起到了良好的驱动作用。本发明实现方法简单，自动将全心脏分成7个子结构，包括左心房、左心室、左心室心肌、右心房、右心室、肺动脉、升动脉，测试一个数据只需几秒钟，极大的减少了医生投入的时间和学习成本，处理过程不需要人工交互，达到了应用的要求。
-
公开(公告)号：CN113592802A
公开(公告)日：2021-11-02
申请号：CN202110845333.4
申请日：2021-07-26
Applicant: 东北大学 , 中国医科大学附属第一医院
Abstract: 本发明提供一种基于超声图像的二尖瓣环位移自动检测系统，涉及计算机视觉技术领域。该系统首先获取多个带有左心室掩模或二尖瓣环位点坐标标签的超声心动图作为样本数据集；然后初始化用于左心室分割和二尖瓣检测的深度神经网络模型，并使用样本数据集预训练深度神经网络模型，得到预训练模型；加载预训练模型的模型参数和配置文件，分割待评估的超声心动图中的左心室内膜，确定二尖瓣环室间隔位点和左心室侧壁位点坐标以及左心室心尖位点坐标；计算二尖瓣环室间隔位点位移、左心室侧壁位点位移和收缩初期到收缩末期二尖瓣环相对于心尖的位移变化量，并在待评估的超声心动图像上输出MAD指标，完成对超声心动图像二尖瓣环位移的自动检测。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.023 seconds)
