基于深度学习的胃肠间质瘤术后风险检测方法和系统

    公开(公告)号:CN109124660A

    公开(公告)日:2019-01-04

    申请号:CN201810662492.9

    申请日:2018-06-25

    Inventor: 陈韬 李国新

    CPC classification number: A61B6/5229 A61B6/5211

    Abstract: 本发明公开了基于深度学习的胃肠间质瘤术后风险检测方法和系统,其中方法步骤包括:获取原始病例图像数据集和复发病例图像数据集;提取感兴趣区域并进行预处理;构建残差网络模型,对第二图像数据集中图像数据进行重采样;对残差网络模型进行训练;获取待检测数据并输入至残差网络模型得出检测结果。本发明采用病例样本的腹部增强期薄层CT图像通过残差网络模型进行深度学习,实现对其进行分类,用于胃肠间质瘤术后风险检测判断;同时还可结合RMS‑prop优化算法进行训练、采用基于投票的集成方法实现对较小样本量的对象的分类,增加判断的准确性和稳定性。本发明作为基于深度学习的胃肠间质瘤术后风险检测方法和系统可广泛应用于数据处理领域。

    用于观察脉管系统以及灌注组织的系统

    公开(公告)号:CN103976750A

    公开(公告)日:2014-08-13

    申请号:CN201310757218.7

    申请日:2013-11-14

    Inventor: J·鲍姆加特

    Abstract: 本发明涉及用于观察脉管系统以及灌注组织的系统。一种系统和方法包括接收患者体积的掩模x射线图像,接收包括造影剂的患者体积的多个相继x射线图像,从所述多个相继x射线图像的每一个中减去所述掩模x射线图像以生成多个相继x射线差值图像,基于一个或多个滤波参数对所述多个相继x射线差值图像的每一个进行滤波以生成多个相继已滤波x射线差值图像,基于权重将所述多个相继已滤波x射线差值图像的每一个与所述多个相继x射线差值图像中的对应的一个组合以生成多个组合相继x射线图像,以及相继地显示所述多个组合相继x射线图像。

    基于模型的冠状动脉中心线定位系统和方法

    公开(公告)号:CN101523437B

    公开(公告)日:2012-12-19

    申请号:CN200780036996.X

    申请日:2007-09-28

    Abstract: 本发明涉及一种基于包括参考对象模型和血管模型的联合模型使血管模型与图像数据集配准的系统(100),所述系统包括:放置单元(110),其用于将所述联合模型放置到所述图像数据集的空间内,从而创建包括放置的参考对象模型和放置的血管模型的放置的联合模型;计算单元(120),其用于基于界标位移场计算形变场,其中,所述界标位移场包括所述放置的参考对象模型的界标相对于所述图像数据集内的对应界标的位移;变换单元(130),其用于采用所述形变场对所述放置的联合模型进行变换,从而创建包括经变换的参考对象模型和经变换的血管模型的经变换的联合模型;以及配准单元(140),其用于基于对所述经变换的血管模型的修改和对所述修改后的经变换的血管模型的目标函数的优化使所述经变换的血管模型与图像数据集配准,其中,所述目标函数包括位置先验项,该项基于修改后的经变换的血管模型相对于所述经变换的联合模型的定位。因而,该系统被设置为在考虑到血管模型相对于由参考模型描述的参考解剖学结构的定位的情况下对血管进行建模。

Patent Agency Ranking