-
公开(公告)号：CN108805209B
公开(公告)日：2021-11-19
申请号：CN201810611520.4
申请日：2018-06-14
Applicant: 清华大学深圳研究生院
Abstract: 本发明公开了一种基于深度学习的肺结节筛查方法，包括以下几个步骤：S1、对肺部CT影像进行预处理，提取出肺部实质部分；S2、利用肺部结节检测网络对预处理后的肺部CT影像进行检测，检测肺部结节的位置，得到肺部结节候选区位置；S3、对上述结节候选区位置区域进行进一步分类，利用深度学习分类网络筛选出真实结节区域；S4、利用深度学习分类网络对上述真实结节区域进行结节恶性程度分级。上述肺结节筛查方法，针对CT图像进行肺部结节检测，判别目标结节恶性程度，大大地降低了医生的工作负担，提高了医生的诊断效率。
-
公开(公告)号：CN109685804B
公开(公告)日：2021-04-23
申请号：CN201910007020.4
申请日：2019-01-04
Applicant: 清华大学深圳研究生院
IPC: G06T7/10
Abstract: 本申请属于医学影像处理技术领域，特别是涉及一种多通道头部磁共振成像组织分割方法。但是现有深度学习方法没有利用大脑相对固定的解剖学结构信息。本申请提供一种多通道头部磁共振成像组织分割方法，所述方法包括如下步骤：步骤1:给每个图像匹配到和它最相近的预分割标签，形成4个通道；步骤2:将得到的4个通道数据输入卷积神经网络，通过该输入数据的真实标签进行训练网络，得到训练模型，将测试数据通过训练好的模型得到分割结果。充分利用了脑部组织的先验纹理信息，增加一个新的通道，促进网络的精确分割，提高了网络分割精度。本申请的方法简单，鲁棒性强，不需要改变原有的网络结构，即可加入任何分割网络进行分割。
-
公开(公告)号：CN107220600B
公开(公告)日：2019-09-10
申请号：CN201710346320.6
申请日：2017-05-17
Applicant: 清华大学深圳研究生院
Abstract: 本发明公开一种基于深度学习的图片生成方法及生成对抗网络，所述方法包括如下步骤：(1)建立图片数据库：收集若干真实图片并对其进行分类和标注，每张图片具有唯一与之对应的类别标签k；(2)构建生成网络G：在生成网络G中输入随机的噪声信号z和类别标签k组合而成的向量，并将生成的数据作为判别网络D的输入；(3)构建判别网络D：判别网络D的损失函数由用于判断图片真假的第一损失函数和用于判断图片类别的第二损失函数组成；(4)训练网络；(5)生成需要的图片：将随机的的噪声信号z和类别标签k输入经过步骤(4)训练好的生成网络G中，得到指定类别的图片。通过本发明，不仅可以生成图片，而且可以指定要生成的图片类别。
-
公开(公告)号：CN109685804A
公开(公告)日：2019-04-26
申请号：CN201910007020.4
申请日：2019-01-04
Applicant: 清华大学深圳研究生院
IPC: G06T7/10
CPC classification number: G06T7/10 , G06T2207/10088 , G06T2207/20081 , G06T2207/20084 , G06T2207/30016
Abstract: 本申请属于医学影像处理技术领域，特别是涉及一种多通道头部磁共振成像组织分割方法。但是现有深度学习方法没有利用大脑相对固定的解剖学结构信息。本申请提供一种多通道头部磁共振成像组织分割方法，所述方法包括如下步骤：步骤1:给每个图像匹配到和它最相近的预分割标签，形成4个通道；步骤2:将得到的4个通道数据输入卷积神经网络，通过该输入数据的真实标签进行训练网络，得到训练模型，将测试数据通过训练好的模型得到分割结果。充分利用了脑部组织的先验纹理信息，增加一个新的通道，促进网络的精确分割，提高了网络分割精度。本申请的方法简单，鲁棒性强，不需要改变原有的网络结构，即可加入任何分割网络进行分割。
-
公开(公告)号：CN107193919A
公开(公告)日：2017-09-22
申请号：CN201710340142.6
申请日：2017-05-15
Applicant: 清华大学深圳研究生院
CPC classification number: G06F16/434 , G06N3/08
Abstract: 本发明公开了一种电子病历的检索方法，包括以下步骤：S1，对电子病历数据库中每一份电子病历，计算电子病历内容特征，所述内容特征包括图像特征；S2，对待检索电子病历，提取其相应的内容特征；S3，根据内容特征，计算待检索电子病历与电子病历数据库中各个电子病历的相似度值；S4，根据步骤S3中得到的待检索电子病历与各个电子病历的相似度值，取最相似的前N份电子病历，作为检索结果；N为由用户或者管理员设定的正整数。本发明的电子病历的检索方法及系统，具有较高的检索准确率和检索效率。
-
Patent Agency Ranking
公开(公告)号：CN103985122A
公开(公告)日：2014-08-13
申请号：CN201410210011.2
申请日：2014-05-17
Applicant: 清华大学深圳研究生院
Abstract: 一种基于心脏CT图像的全心脏提取方法，其包括以下步骤：获取心脏CT图像；去除心脏CT图像中的肺部组织、降主动脉组织、胸腔壁组织和椎骨组织得到中间图像；以及去除所述中间图像中的噪声组织。本发明方法从逆向角度出发，通过逐步去除胸腔壁、肺部、椎骨和降主动脉等非心脏组织来实现提取全心脏的目的，其具有自适应性强、运行效率高、提取效果精确等优点，能够快速嵌入到现有医疗网络中，实现远程辅助诊断。
-
公开(公告)号：CN1851732A
公开(公告)日：2006-10-25
申请号：CN200610060597.4
申请日：2006-05-16
Applicant: 清华大学深圳研究生院
Abstract: 一种基于中心投影的图像形态特征线提取方法，包括步骤：a、采集图像；b、将采集到的图像二值化，并分割出目标图像；c、计算所述目标图像的质心，设定中心投影角度θ；以所述质心为起点，沿着与参考线夹角为0、θ、2θ、……、(N－1)θ的方向分别做射线，记录每条射线经过该目标图像的象素的个数pθ(n)(0≤n＜N＝；将所有非零的pθ(n)归一化、排序形成新的序列qθ(m)，在坐标系中依次连接所有的点(m，qθ(m))，形成目标图像的特征线。本方法能够自动从采集到的图像中分割出所有的目标图像，并自动完成每个目标图像的特征线的提取，提取到的特征线不会随目标图像的旋转、平移、伸缩而改变，可广泛应用于生物学、病理学、细胞组织学、药物化学、遗传基因、临床诊断等领域。
-
公开(公告)号：CN110046707B
公开(公告)日：2021-08-06
申请号：CN201910298072.1
申请日：2019-04-15
Applicant: 清华大学深圳研究生院
Abstract: 本发明提供一种神经网络模型的评估优化方法和系统。该方法包括：通过主动学习基于不确定性指标选取有训练价值的数据，其中所述不确定性指标用于反映经训练的神经网络模型对数据的分类能力；基于所选取的数据构建测试集并利用所述测试集获得所述神经网络模型的有效性评估结果；根据所述有效性评估结果，优化所述神经网络模型的训练样本集并更新所述神经网络模型，直到获得期望的神经网络模型。采用本发明的方法和系统能够能神经网络模型适应个性化要求并更易于监管。
-
公开(公告)号：CN108805209A
公开(公告)日：2018-11-13
申请号：CN201810611520.4
申请日：2018-06-14
Applicant: 清华大学深圳研究生院
CPC classification number: G06K9/6267 , G06K2209/053 , G06N3/0454
Abstract: 本发明公开了一种基于深度学习的肺结节筛查方法，包括以下几个步骤：S1、对肺部CT影像进行预处理，提取出肺部实质部分；S2、利用肺部结节检测网络对预处理后的肺部CT影像进行检测，检测肺部结节的位置，得到肺部结节候选区位置；S3、对上述结节候选区位置区域进行进一步分类，利用深度学习分类网络筛选出真实结节区域；S4、利用深度学习分类网络对上述真实结节区域进行结节恶性程度分级。上述肺结节筛查方法，针对CT图像进行肺部结节检测，判别目标结节恶性程度，大大地降低了医生的工作负担，提高了医生的诊断效率。
-
公开(公告)号：CN104021547B
公开(公告)日：2017-02-15
申请号：CN201410209850.2
申请日：2014-05-17
Applicant: 清华大学深圳研究生院
Abstract: 一种肺部CT的三维配准方法，其包括以下步骤：载入第一肺部CT体数据和第二肺部CT体数据；以互信息为配准测度，对第一肺部CT体数据和第二肺部CT体数据进行三维刚性配准，使二者中的肺部区域整体对齐，记录X轴、Y轴和Z轴三个方向的位移参数和旋转参数，作为第一配准参数；在刚性配准的基础上进行非刚性配准，记录非刚性配准的最优位移场，作为第二配准参数；用第一配准参数和第二配准参数对第一肺部CT体数据和第二肺部CT体数据中的结节进行匹配，建立对应关系。本发明方法能够实现精确配准，并利用配准结果将同一位置的结节病灶在不同CT数据中的成像位置进行自动对应，从而能够方便医生对结节病情发展进行对比。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.04 seconds)
