一种基于图像引导的脑肿瘤锁孔手术路径规划方法，包括以下步骤：1)获取T1、dMRI肿瘤分割数据集，经预处理后，将图像序列配准到同一坐标空间系下；2)使用训练样样本，通过3D卷积网络分别实现对脑部肿瘤、血管、脑室重要功能区域的精确定位，并将分割出的肿瘤质心作为手术路径规划的终点；3)建立体素的手术路径风险估计；4)通过体素风险估计及手术路径长度约束建立各手术路径的风险估计；5)通过空间搜索，从手术路径中选择风险最小的5条路径作为候选路径，将风险最小的路径作为规划路径；6)将风险值归一化，通过颜色编码建立手术路径风险图谱。本发明减少脑肿瘤切除锁孔手术路径规划对医生的依赖，保证轨迹的最优性。
📄 2019111320203
📂 G16H30_20
👤 浙江工业大学
📅 2019-11-19
本发明公开了一种基于双通道条件融合的医学图像因果合理性检测方法，包括：获取医学图像数据集并从中选取一张医学图像记为原始医学图像；利用医学图像扰动器获取正样对和负样对；建立双通道条件融合模型，采用双通道分别对正样对和负样对中两张医学图像融合提取其因果特征，根据两次医学图像的时间间隔，有区别的比较与融合来自两张医学图像的抽象特征，并且能抑制因为病人姿态和设备参数不同带来的差异，使得提取的抽象特征对时间高度敏感，增加时间感知能力，可更好的获得因果特征，克服现有技术因果关系提取方法中时间跨度不可调，对因病人姿态、成像参数不同带来的干扰过于敏感的问题，且能够获得更加准确的检测结果。
📄 2022111754810
📂 G16H30_20
👤 浙江工业大学
📅 2022-09-26
本发明提供了一种基于条件生成对抗网络和约束规则的微血管树生成方法，该方法基于条件生成对抗网络，通过条件生成对抗网络建立的微血管树新生模型，利用上一级分叉弱化的条件来生成下一级分叉。该模式只需要给出入口分叉，逐级生长就能生成微血管树。同时在生长过程中加入了血管密度、分叉角度的优化条件，能够细致的对生长角度进行矫正，能够在生长过程中得到血管密度更均匀的微血管树，这也更符合了微血管网络在输送氧气及代谢营养物质过程的生理需求，使得生成的微血管树既符合了形态学特性也间接的符合了部分的生理学特性。
📄 2021105405019
📂 G16H30_20
👤 浙江工业大学
📅 2021-05-18
本发明公开了一种深度网络堆栈模型自适应加权特征融合的癫痫检测方法。本发明步骤如下：1：原始脑电信号经过预处理后，对脑电信号每个通道的数据进行离散傅里叶变换，并获得其平均振幅谱；将取得的平均振幅谱特征随机划分为几部分，以适用于自适应加权特征融合的深度网络堆栈模型；2：使用不同结构的卷积神经网络对步骤1中得到的数据集进行第二次特征提取；3：将不同的卷积神经网络提取的特征进行自适应加权特征融合，最后由基于支持向量机的纠错输出编码模型预测样本所属类别。本发明通过堆栈集成方法和自适应加权特征融合算法，使系统可以融合每种不同结构深度网络提取的特征，提高了癫痫预测效果。
📄 201910398578X
📂 G16H30_20
👤 杭州电子科技大学
📅 2019-05-14
一种基于多维信息融合和深度学习的脑部医学影像分析方法，包括如下步骤：S1、开发测试环境平台搭建：搭建深度学习训练用工作站，配置训练框架；S2、对主流深度学习算法和网络模型进行研究：对主流的深度学习算法、网络模型、医学影像分析检测框架和数据集进行测试，并分析各种深度学习算法和卷积网络模型在图像分割、目标检测和疾病分类分级方面的优缺点；S3、制作医学影像训练数据集、验证数据集和测试数据集；S4、基于多个深度学习网络的医学影像分析诊断研究。本发明能分别训练不同的深度学习卷积神经网络，通过构建加权贝叶斯网络，对不同类型医学影像的分析结果进行处理，从而得到最后的分析诊断结果，诊断结果的准确性大大提高。
📄 2019112314515
📂 G16H30_20
👤 电子科技大学中山学院
📅 2019-12-05
本发明属于医学图像技术领域，具体涉及一种基于深度学习算法的延迟CT(T2CT)图像生成方法。包括以下步骤：S1，采集患者的T2PET、T1PET和T1CT图像；S2，将采集的T2PET、T1PET和T1CT图像输入到所提出的多分辨率配准卷积神经网络后，输出包含大、中、小形变量的三个形变场；S3，将步骤S2中输出的包含大、中、小形变量的三个形变场，融合为一个形变场；S4，将所述的形变场和输入的T1CT图像输入到空间转换网络中以生成T2CT图像。本发明具有能够在延迟的PET扫描中执行衰减校正，同时通过生成T2CT图像来避免患者进行额外的CT扫描从而降低患者经受的X射线辐射剂量的特点。
📄 2021108301153
📂 G16H30_20
👤 杭州电子科技大学
📅 2021-07-22
本发明涉及一种基于随机森林算法的医疗图像处理方法及存储介质，包括以下步骤，步骤101、获取用户的特征信息P，获取样本库症状的特征信息Q，将特征信息P和Q进行整合得到特征信息H；步骤102、构建用于匹配用户症状的随机森林，结合特征信息H进行训练得到用于匹配用户症状的随机森林模型；步骤103、获取需要进行匹配的用户以及症状，将需要进行匹配的用户以及症状按照步骤101进行整合得到整合的特征信息；步骤104、重复上述步骤直到得到所述用户与样本库所有症状的程度指数集合{I1、I2、…Im}，取MAX{I1、I2、…Im}，并将MAX{I1、I2、…Im}所对应的症状作为用户的匹配症状推送给用户。本发明能为医生节省时间。
📄 2020100090037
📂 G16H30_20
👤 佛山大学
📅 2020-01-06
本发明涉及图像处理技术领域，具体涉及一种用于脑肿瘤CT数据的智能处理方法，包括：根据脑部区域CT图像构建样本矩阵，获取样本矩阵的若干个数据区域；根据数据区域的无损压缩必要性，获取样本矩阵的所有目标压缩数据区域和非目标压缩数据区域；根据样本矩阵中任意一个数据行内每个目标区域段的有损压缩调整必要性，获取每一数据行的所有待调整目标区域段；对样本矩阵进行不同方式的数据压缩处理，获得压缩后的样本矩阵。本发明降低了脑肿瘤CT图像的存储空间。
📄 2024100330842
📂 G16H30_20
👤 济南宝林信息技术有限公司
📅 2024-01-10
本发明涉及一种引入空间信息的2D卷积方法，属于数字图像处理和模式识别领域，包括以下步骤：S1：数据准备阶段：从三维医学图像中截取一个64×64×64大小的图像切块；S2：特征提取阶段：通过2D卷积提取图像切块三个轴面的特征；S3：特征融合阶段：把三个轴面的特征图相加，实现不同轴面特征的融合，引入空间信息。本发明方法能够在2D卷积中引入空间信息，应用在2D神经网络中可以更好的帮助网络学习医学图像切片之间的空间信息。同时与其他在2D卷积中引入空间信息的方法相比本方法构建的模型拥有更小的参数，更高的精确度。最后，本方法可以简单的添加到现有的模型中，方便对模型进行改进。
📄 2019111488685
📂 G16H30_20
👤 重庆邮电大学
📅 2019-11-21
柿子坊 · 知识产权运营
柿子坊知识产权运营平台