基于深度学习的多模态医学影像融合系统技术方案

本发明专利技术公开了基于深度学习的多模态医学影像融合系统，属于深度学习技术领域，包括医学影像获取模块，用于获取预设患者关于预设部位的多模态CT影像，并对多模态CT影像进行预处理；预处理包括将多模态CT影像归一化、噪声去除和尺寸调整；数据采集模块，用于采集多模态CT影像的边缘轮廓，并统计多模态CT影像的张数，于不同的多模态CT影像中采集至少5～8个不同的边缘轮廓，分析边缘轮廓的特征。本发明专利技术通过多模态医学影像融合、边缘轮廓分析、动态监测和个性化评估等多种技术手段，提高了影像融合质量、病情监测与评估的准确性，减少了误诊和漏诊，为临床诊断、治疗规划和医学研究提供了帮助。

【技术实现步骤摘要】

本专利技术涉及深度学习，特别是基于深度学习的多模态医学影像融合系统。

技术介绍

1、近年来，随着医疗科技水平不断提高，医学影像技术的发展取得了突破，并在临床医学工作中发挥着重要的作用。然而，由于成像原理不同，不同成像设备生成的图像中所包含的内容也各异，医生要想全面获取病灶信息，就需要大量阅读各种模态的医学图像，庞大的工作量对于医生的脑力和体力都是严峻挑战，误漏诊有时不可避免。基于此现状，多模态医学影像(如ct、mri、pet等)融合技术应运而生。

2、其中，申请号为cn202310758369.8的申请文件提供了一种基于深度学习的多模态医学图像融合方法，该方法包括获取医学源图像数据，并对医学源图像数据进行提取，获取医学源图像基础数据以及医学源图像细节数据；根据医学源图像基础数据进行融合处理，获取医学源图像基础融合数据；对医学源图像细节数据进行数据清洗并脱敏并进行一致性检查，获取医学源图像细节一致性数据。该方法将不同模态医学图像信息融合，在一定程度上使多模态图像数据更丰富。

3、另一技术申请号为cn202410767495.4的申请文本文档来自技高网...

【技术保护点】

1.基于深度学习的多模态医学影像融合系统，其特征在于，包括：

2.如权利要求1所述的基于深度学习的多模态医学影像融合系统，其特征在于，于所述医学影像获取模块中，将所述多模态CT影像归一化，包括去除异常值，所述去除异常值包括裁剪背景噪声和消除过亮值；

3.如权利要求1所述的基于深度学习的多模态医学影像融合系统，其特征在于，于所述判定模块中，若系统未判定所述预设患者的病情呈恶化状态，则于所述图像中沿图像的边缘预设多个对象点，于多个所述对象点中统计对象点的总数，以任意对立的两个对象点为基础进行距离计算，将任意对立的两个对象点标记为对象组；若计算结果大于所述参考结果，且计...

【技术特征摘要】

1.基于深度学习的多模态医学影像融合系统，其特征在于，包括：

2.如权利要求1所述的基于深度学习的多模态医学影像融合系统，其特征在于，于所述医学影像获取模块中，将所述多模态ct影像归一化，包括去除异常值，所述去除异常值包括裁剪背景噪声和消除过亮值；

3.如权利要求1所述的基于深度学习的多模态医学影像融合系统，其特征在于，于所述判定模块中，若系统未判定所述预设患者的病情呈恶化状态，则于所述图像中沿图像的边缘预设多个对象点，于多个所述对象点中统计对象点的总数，以任意对立的两个对象点为基础进行距离计算，将任意对立的两个对象点标记为对象组；若计算结果大于所述参考结果，且计算结果所代表的对象点的数量达到所述总数的一半，则系统判定所述预设患者的病情呈恶化状态；反之，则不判定。

4.如权利要求3所述的基于深度学习的多模态医学影像融合系统，其特征在于，根据判定结果，若系统判定所述预设患者的病情呈恶化状态，则以至少3个对象组为基础采集每个对象组中的两个对象点之间的图像，并获取所述图像的边缘轮廓，将所述边缘轮廓标记为参考边缘轮廓；若未来时段所述图像的边缘轮廓与所述参考边缘轮廓相同，则系统判定所述预设患者的病情未呈恶化状态，反之，则不判定。

5.如权利要求4所述的基于深度学习的多模态医学影像融合系统，其特征在于，根据判定结果，若系统判定所述预设患者的病情未呈恶化状态，则于每个对象组中的两个对象点之间给定至少两个图像点，并对任意一个图像点预设监测期，于所述监测期后采集对应图像点的图像变化，获取其中发生了变化的图像点，并根据发生了变化的图像点评估所述预设患者的病情变化。

6.如权利要求5所述的基于...

【专利技术属性】
技术研发人员：周云鹏，童小飞，
申请(专利权)人：光诺低碳新能源科技南京有限公司，
类型：发明
国别省市：