申请/专利权人：江西科技学院

申请日：2024-01-26

公开（公告）日：2024-03-01

公开（公告）号：CN117635616A

主分类号：G06T7/00

分类号：G06T7/00;G06T7/32;G06T5/60;G06T5/70;G06T5/73;G06T5/90;G06T5/40;G06T3/4007;G06T3/4046;G06T3/4053;G06V10/25;G06V10/52;G06V10/762;G06V10/764;G06V10/766;G06V10/77;G06V10/80;G06V10/84

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.19#实质审查的生效;2024.03.01#公开

摘要：本发明提出一种用于医学检查结果互认的影像诊断系统，包括图像优化模块、异常区域标注模块、趋势分析模块、预测模型生成模块、影像融合模块、病变类型分类模块以及分析结果生成模块。本发明中，通过采用生成对抗网络优化医学影像，提高疾病特征准确识别分析，特征金字塔网络与区域卷积神经网络结合，提升病变定位准确性，K均值聚类和主成分分析，增强疾病特征识别与趋势评估，长短期记忆网络与动态时间弯曲技术，提升病变发展预测准确性，支持向量机和线性判别，分析提高病变分类精确度和诊断优化，决策树与逻辑回归融合，优化综合诊断流程，提升诊断综合性和效率。

主权项：1.用于医学检查结果互认的影像诊断系统，其特征在于，所述系统包括图像优化模块、异常区域标注模块、趋势分析模块、预测模型生成模块、影像融合模块、病变类型分类模块以及分析结果生成模块：所述图像优化模块用于：基于初始医学影像，采用生成对抗网络，通过对抗性训练操作，进行图像清晰度提升，并通过双线性插值法，优化图像细节，生成优化医学影像；所述异常区域标注模块用于：基于所述优化医学影像，采用特征金字塔网络，通过多尺度特征提取操作，识别影像异常区域，并通过区域卷积神经网络，划分影像病变区域，生成标注异常区域影像；所述趋势分析模块用于：基于所述标注异常区域影像，采用K均值聚类，对图像数据进行聚类分析，识别疾病特征，通过主成分分析，评估疾病发展概率，生成疾病特征和发展趋势分析结果；所述预测模型生成模块用于：基于所述疾病特征和发展趋势分析结果，采用长短期记忆网络，通过时间序列数据分析，预测病变发展路径，并通过动态时间弯曲，适应病变变化，生成病变发展预测模型；所述影像融合模块用于：基于所述病变发展预测模型，采用多视角几何图像融合，进行多时间点影像集成，结合多源数据医学影像，通过图像配准算法，优化诊断信息，生成时间序列融合影像；所述病变类型分类模块用于：基于所述时间序列融合影像，采用支持向量机，通过影像数据分类，识别和分类病变类型，并通过线性判别分析，优化诊断结果，生成病变类型分类结果；所述分析结果生成模块用于：基于所述优化医学影像、标注异常区域影像、疾病特征和发展趋势分析结果、病变发展预测模型和病变类型分类结果，采用决策树和逻辑回归，通过分析多数据层面，并进行数据融合，优化诊断流程，生成综合诊断分析结果；所述优化医学影像具体为经过像素密度提高、图像细节增强和对比度改善的超分辨率处理影像，所述标注异常区域影像包括标记的病变区域、区域边界和关联的病理特征，所述疾病特征和发展趋势分析结果包括疾病特征分类、预测发展趋势和潜在风险因素，所述病变发展预测模型包括病变发展时间序列预测、时间点预测和病变发展速率预测，所述时间序列融合影像包括融合了多时间点的影像数据、统一空间参照系和增强病变特征显示，所述病变类型分类结果包括分类病变类型、差异化类型特征描述和分类准确性评估，所述综合诊断分析结果包括综合疾病诊断、治疗方案和预后评估。

全文数据：

权利要求：

百度查询： 江西科技学院 用于医学检查结果互认的影像诊断系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD