“聂生东”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果76个，建议您升级VIP下载更多相关专利

[发明专利]基于无监督学习的乳腺癌分子分型方法、装置及系统-CN202110972195.6有效
发明人：谢元忠;聂生东;孙榕;李秀娟;孔雪 -专利权人：泰安市中心医院;上海理工大学
申请日： 2021-08-24 - 公布日： 2023-10-13 - 主分类号： G06T7/00 文献下载
摘要：本发明涉及一种基于无监督学习的乳腺癌分子分型方法、装置及系统，所述方法包括如下步骤：获得待预测的乳腺DCE‑MRI影像，提取该影像中多种规格的序列影像的感兴趣区域；利用一采用无监督学习训练获得的分子分型预测模型预测获得各种所述序列影像的对应的分子亚型分类概率；采用集成学习融合，获得最终对应的分子亚型分类结果；所述分子分型预测模型进行训练时，通过无监督学习预训练网络和迁移学习微调网络的思想，前一阶段充分利用乳腺良性肿瘤影像构建无标签的源域数据集，增强模型提取特征的能力；后一阶段采用乳腺恶性肿瘤影像构建有标签的目标域数据集对带有预训练权重的模型微调。与现有技术相比，本发明显著提高了乳腺癌分子分型的预测精度。
基于监督学习乳腺癌分子方法装置系统

[发明专利]基于融合深度学习网络的早期肺腺癌病理类型预测系统-CN202311093729.3在审
发明人：贾守强;聂生东;苏悦 -专利权人：济南市人民医院
申请日： 2023-08-29 - 公布日： 2023-09-29 - 主分类号： G16H50/30 文献下载
摘要：本申请公开了一种基于融合深度学习网络的早期肺腺癌病理类型预测系统，涉及图像处理技术领域，预处理模块，用于获取早期肺腺癌病例的术前CT影像数据以及相应的病理类型标签信息并进行数据预处理获得训练集、验证集和测试集；模型改进模块，用于对ResNet模型和ViT模型进行改进；模型确定模块，用于确定融合深度学习网络模型Res‑TransNet及模型参数；预测模块，用于将测试集输入模型进行肺腺癌病理类型预测。采用ResNet与ViT的融合模型对早期肺腺癌的CT图像进行特征提取，不仅融合了全局特征和局部特征，而且泛化性能好，在不同中心的外部数据集上也能实现对早期肺腺癌病理类型的精准预测。
基于融合深度学习网络早期腺癌病理类型预测系统

[发明专利]一种基于自适应深度学习的肺功能衰减预测系统及设备-CN202311068148.4在审
发明人：贾守强;聂生东;马建 -专利权人：济南市人民医院
申请日： 2023-08-24 - 公布日： 2023-09-19 - 主分类号： G16H50/30 文献下载
摘要：本申请公开了一种基于自适应深度学习的肺功能衰减预测系统及设备，涉及图像处理技术领域，包括：预处理模块、衰减函数确定模块、模型搭建模块、模型训练模块、参数预测模块和肺功能衰减趋势预测模块。使用自适应方法，选择最适合患者肺功能衰减曲线的衰减函数和使用预训练的VIT模型，结合临床文本信息和胸部CT影像的特征，利用图像分割、特征选择和归一化等预处理步骤，增强了对临床文本信息和胸部CT影像的处理效果，提高了预测模型的准确性和稳定性。
一种基于自适应深度学习功能衰减预测系统设备

[发明专利]显微图像的深度学习超分辨率重建方法、介质及电子设备-CN202011352881.5有效
发明人：黄钢;叶学华;聂生东 -专利权人：上海健康医学院;上海理工大学
申请日： 2020-11-26 - 公布日： 2023-08-29 - 主分类号： G06T3/40 文献下载
摘要：本发明涉及一种显微图像的深度学习超分辨率重建方法、介质及电子设备，所述方法包括以下步骤：对低分辨率图像进行小波分解，获得第一系数子图；将所述第一系数子图输入变分自编码器，获得高分辨率的第二系数子图；基于所述第二系数子图进行小波反变换重构得到高分辨率图像；将所述低分辨率图像输入到训练好的卷积神经网络中，并将重构的所述高分辨率图像以残差的方式加入到该卷积神经网络，通过上采样得到与高分辨率图像尺寸相同的超分辨率图像。与现有技术相比，本发明具有重建精度高、方便等优点。
显微图像深度学习分辨率重建方法介质电子设备

[发明专利]一种肺部图像处理方法、装置及设备-CN202011018504.8有效
发明人：黄钢;聂生东;段辉宏 -专利权人：上海健康医学院;上海理工大学
申请日： 2020-09-24 - 公布日： 2023-08-25 - 主分类号： G06T7/00 文献下载
摘要：本发明涉及一种肺部图像处理方法、装置及设备，所述方法包括：获取待处理的肺部CT序列图；分割获取二值肺实质掩膜；将二值肺实质掩膜和肺部CT序列图进行点乘处理，获取肺实质区域图像，并对其中的潜在血管区域进行增强处理，获得肺部血管区域；从肺部CT序列图中分割出候选肺结节区域；判断所述肺部血管区域和候选肺结节区域是否存在交集，若是，则对肺部血管区域和候选肺结节区域的交集部分进行分割，对分割后的肺部血管区域和候选肺结节区域进行三维重建显示，以不同颜色渲染所述肺部血管区域和候选肺结节区域。与现有技术相比，本发明能够解决二维CT影像上判断肺结节与周围血管关系难度大、易产生误判等问题。
一种肺部图像处理方法装置设备

[发明专利]基于CT影像信息的肺结节组织自动检测方法及设备-CN202310646931.8在审
发明人：黄钢;夏巽鹏;张荣福;聂生东 -专利权人：上海健康医学院;上海理工大学
申请日： 2023-06-02 - 公布日： 2023-08-22 - 主分类号： G06T7/00 文献下载
摘要：本发明涉及一种基于CT影像信息的肺结节组织自动检测方法及设备，包括以下步骤：获取肺部CT影像，采用阈值分割法从所述肺部CT影像中提取获得肺实质部分，并进行图像增强处理，生成待检测图像；将所述待检测图像作为一经训练的候选结节预测模型的输入，获得候选结节区域，其中，所述候选结节预测模型为带有基于条件随机场的多尺度相关器机制的二维多层卷积神经网络模型；基于所述候选结节区域的坐标信息，获取相邻的切片影像信息，聚合为一组三维图像组，将该三维图像组作为一经训练的筛选模型的输入，获得最终检测结果，其中，所述筛选模型基于阶乘关系的条件随机场模型构建。与现有技术相比，本发明具有种检测结果精度高等优点。
基于 ct 影像信息结节组织自动检测方法设备

[发明专利]肺结节生长预测方法、模型训练方法、装置、设备及介质-CN202310115713.1在审
发明人：陈阳;侯学文;蔡昕;叶晓丹;聂生东 -专利权人：上海康达卡勒幅智能医疗科技有限公司;上海理工大学
申请日： 2023-02-15 - 公布日： 2023-07-14 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了肺结节生长预测方法、模型训练方法、装置、设备及介质，预测方法包括如下步骤：步骤S1，获取影像数据，并对获取到的影像数据进行标记，其中，标记包括标记出与肺结节对应的掩膜图像；步骤S2，对步骤S1中的标记后的影像进行预处理，获得第一信息包；步骤S3，对数据进行训练，其中，训练的数据包括第一信息包；步骤S4，输出训练后的结果，其中，输出的结果包括肺结节图像及对应的掩膜图像。本发明通过在训练模型中输入相关图像数据，并进行训练，能输出肺结节未来时间点的体积变化预测图像、生长纹理预测图像以及肺结节分割掩膜图像，提高了对于预测的丰富度，相应的，也提高了进行预测的速度和效率。
结节生长预测方法模型训练装置设备介质

[发明专利]一种基于1D-Unet的低场核磁共振仪器信号校正方法-CN202010641488.1有效
发明人： 聂生东;王欣;侯学文;王广利 -专利权人：上海康达卡勒幅医疗科技有限公司
申请日： 2020-07-06 - 公布日： 2023-07-04 - 主分类号： G01R33/58 文献下载
摘要：本发明提供了一种基于1D‑Unet的低场核磁共振仪器信号校正方法，包括以下步骤：步骤1，将两台相同型号的低场核磁共振仪器分为目标仪器和待校正仪器，将目标仪器作为主机，待校正仪器作为从机，而后利用主机采集样本的多条第一CPMG原始信号，并利用从机采集样本的多条第二CPMG原始信号；步骤2，对每条第一CPMG原始信号和每条第二CPMG原始信号分别进行归一化预处理操作，得到主机归一化数据和从机归一化数据，并保存主机归一化数据的预处理数据结构体；步骤3，构建1D‑Unet网络并通过1D‑Unet网络校正从机数据，得到校正后数据；步骤4，通过预处理数据结构体对校正后数据进行反归一化处理，得到与主机数据在同一量纲下的标准数据，完成主机和从机之间的信号校正。
一种基于 unet 核磁共振仪器信号校正方法

[发明专利]基于DWI影像的急性缺血性脑卒中ASPECTS自动评分装置-CN202211737128.7在审
发明人：谢元忠;聂生东;方婷;孔雪 -专利权人：泰安市中心医院（青岛大学附属泰安市中心医院、泰山医养中心）;上海理工大学
申请日： 2022-12-30 - 公布日： 2023-06-23 - 主分类号： G06T7/00 文献下载
摘要：本发明涉及一种基于DWI影像的急性缺血性脑卒中ASPECTS自动评分装置，包括：接收预处理模块，用于获取待评分DWI影像，并对所述待评分DWI影像进行预处理，获得网络输入图像；脑区分割模块，用于采用一经训练的二维卷积神经网络模型对所述网络输入图像进行脑区分割处理，获得评分脑区区域；评分模块，用于采用一经训练的机器学习分类器对各所述评分脑区区域进行分类预测，最终得到ASPECTS分数。与现有技术相比，本发明具有评分准确性高、图像分割精准等优点。
基于 dwi 影像急性缺血性脑卒中 aspects 自动评分装置

[发明专利]结合影像组学特征和临床特征的医学图像分类方法及设备-CN202310236805.5在审
发明人：李莹;贾守强;聂生东;孙静 -专利权人：济南市人民医院;上海理工大学
申请日： 2023-03-13 - 公布日： 2023-06-06 - 主分类号： G06V10/764 文献下载
摘要：本发明涉及一种结合影像组学特征和临床特征的医学图像分类方法及设备，所述方法包括以下步骤：获取待分类MRI影像及该待分类MRI影像对应的临床特征数据；在所述待分类MRI影像中提取肿瘤VOI，并提取影像组学特征；将所述影像组学特征转换为影像组学特征图；对所述影像组学特征进行特征降维处理后，获得降维特征向量；对所述临床特征数据进行特征筛选处理，获得优化临床特征向量；将所述影像组学特征图、降维特征向量和优化临床特征向量作为经训练的融合模型的输入，获得针对所述待分类MRI影像的分类结果。与现有技术相比，本发明引入影像组学特征和临床特征，通过分别建模并加权混合的方式融合各特征，具有提高对医学图像的分类精确度和分类效率等优点。
结合影像特征临床医学图像分类方法设备

[发明专利]一种基于自监督的跨设备磁共振数据的和谐化方法-CN202310104291.8在审
发明人：侯学文;聂生东;常晓;蔡昕;许洋洋;杨晓 -专利权人：上海康达卡勒幅医疗科技有限公司
申请日： 2023-02-13 - 公布日： 2023-05-26 - 主分类号： G06T5/50 文献下载
摘要：本发明一种基于自监督的跨设备磁共振数据的和谐化方法，包括：S1：按照数据采集标准和扫描标准获取原始GE图像集和原始飞利浦图像集；S2：对原始GE图像集和原始飞利浦图像集进行筛查挑选；S3：基于2D分辨率对筛选后的原始GE图像集和原始飞利浦图像集进行重采样；S4：利用图像分割算法将重采样GE图像集和重采样飞利浦图像集中的图像分割；S5：对重采样GE图像集和重采样飞利浦图像集中的图像进行动态阈值的选取；S6：对重采样GE图像集和重采样飞利浦图像集中的图像进行归一化；S7：对重采样GE图像集和重采样飞利浦图像集中的图像进行裁剪；S8：运用双映射网络模块完成GE图像的拟合；S9：运用3D直方图映射模块完成GE图像和谐化。
一种基于监督设备磁共振数据和谐方法

[发明专利]一种融合多任务学习的乳腺癌组织学分级预测方法及设备-CN202211739462.6在审
发明人：谢元忠;聂生东;孙榕;李秀娟 -专利权人：泰安市中心医院（青岛大学附属泰安市中心医院、泰山医养中心）;上海理工大学
申请日： 2022-12-31 - 公布日： 2023-05-23 - 主分类号： G06T7/00 文献下载
摘要：本发明涉及一种融合多任务学习的乳腺癌组织学分级预测方法及系统，包括以下步骤：采集乳腺癌多时相DCE‑MRI影像数据，获取多时相二维图像块序列；采用预先确定的融合元策略，基于多时相二维图像块序列及病理信息联合预测模型获得乳腺癌组织学分级；其中，病理信息联合预测模型采用多任务学习训练获得，包括参数共享模块和多任务学习模块，参数共享模块用于底层共享特征，多任务学习模块并行执行乳腺癌细胞增殖抗原Ki‑67表达水平预测辅任务和乳腺癌组织学分级预测主任务。与现有技术相比，本发明设计的端到端的多任务学习框架通过捕捉乳腺癌病理信息间的相关性，显著提升了乳腺癌组织学分级预测的识别精度和学习效率。
一种融合任务学习乳腺癌组织学分级预测方法设备

[发明专利]基于综合灰质结构特征及集成学习的图像分类方法及设备-CN202310192415.2在审
发明人：谢元忠;聂生东;杨一风;孔雪 -专利权人：泰安市中心医院（青岛大学附属泰安市中心医院、泰山医养中心）;上海理工大学
申请日： 2023-03-02 - 公布日： 2023-05-23 - 主分类号： G06V10/80 文献下载
摘要：本发明涉及一种基于综合灰质结构特征及集成学习的图像分类方法及设备，所述方法包括以下步骤：获取待分类磁共振扫描图像，进行预处理，获取预处理图像；对所述预处理图像进行综合灰质结构特征提取，建立高维特征矩阵；基于所述高维特征矩阵和预先训练的图像分类模型获得所述待分类磁共振扫描图像的最终分类结果；所述图像分类模型包括第一基分类模型和第二基分类模型，对所述采用第一基分类模型和第二基分类模型进行集成融合，获得所述最终分类结果。与现有技术相比，本发明具有客观性强，模型整体分类性能优异，能够解决小样本类别不平衡分类问题等优点。
基于综合灰质结构特征集成学习图像分类方法设备

[发明专利]基于多任务学习的颅内动脉瘤检测系统、设备及存储介质-CN202310224092.0有效
发明人：贾守强;聂生东;周昱汐 -专利权人：济南市人民医院
申请日： 2023-03-10 - 公布日： 2023-05-16 - 主分类号： G06T7/00 文献下载
摘要：本申请实施例公开了一种基于多任务学习的颅内动脉瘤检测系统、设备及存储介质，包括：获取模块，获取影像数据；预处理模块，对所获取的数据进行预处理提取MRA影像中的脑血管树和建立颅内动脉瘤检测数据集；预训练模块，采用提取血管信息后含有颅内动脉瘤的数据作为训练集预训练预先建立的动脉瘤预检测网络；网络模型建立模块，设计三维卷积神经网络模型；处理模块，利用所述动脉瘤预检测网络在预测时融合模型中分割子网与分类子网的输出结果。通过构建三维卷积神经网络模型分析MRA影像并提取反映颅内动脉瘤的重要信息，借助分割特征辅助分类分支网络进一步降低模型的假阳性，该检测系统具有较高的灵敏度与分类准确率。
基于任务学习动脉瘤检测系统设备存储介质

[发明专利]一种基于深度学习的血压心脏病与肥厚型心肌病鉴别方法-CN202310104384.0在审
发明人：蔡昕;朱虹霖;聂生东;侯学文;李文强;王梦梦 -专利权人：上海康达卡勒幅医疗科技有限公司
申请日： 2023-02-13 - 公布日： 2023-05-05 - 主分类号： G06T7/00 文献下载
摘要：本发明基于深度学习的高血压心脏病与肥厚型心肌病鉴别方法，包括：S1：读取核磁共振设备采集得到的dicom格式原始图像，从dicom格式原始图像中选取nativet1mapping的基底段、中间段及心尖段，并将其转化为nii格式原始图像；S2：利用nii格式原始图像训练语义分割神经网络算法；S3：运用训练结束的语义分割神经网络算法分割nii格式原始图像的心肌部位得到心肌分割图像；S4：将心肌分割图像与nii格式原始图像进行归一化以及加权融合处理，并进行裁剪后得到心脏区域图像；S5：心脏区域图像进行数据增强，且进行裁剪后得到样本图像；S6：利用样本图像训练分类卷积神经网络模型，并运用训练结束的分类卷积神经网络模型对样本图像进行鉴别。
一种基于深度学习血压心脏病肥厚心肌鉴别方法

1
2
3
4
5
6
下一页»
尾页
共 76 条