快速搜尋
【I914653】鑑別診斷動作障礙之系統及其方法
| 公告號 | I914653 公開202518477 |
| 公告日 | 2026/02/11 |
| 公報卷期 | 53-05 |
| 證書號 | I914653 |
| 申請號 | 112141428 E |
| 申請日 | 2023/10/27 |
| 公報IPC | G16H 50/20(2018.01); G16H 30/00(2018.01) |
| 當前IPC | G16H 50/20(2018.01); G16H 30/00(2018.01) |
| 申請人 | 長庚醫療財團法人高雄長庚紀念醫院 高雄市鳥松區大埤路123號 (中華民國); KAOHSIUNG CHANG GUNG MEMORIAL HOSPITAL (TW); 國立高雄科技大學 高雄市三民區建工路415號 (中華民國) (TW); 長庚大學 桃園市龜山區文化一路259號 (中華民國) (TW) |
| 申請人 標準名稱 |
長庚醫療財團法人高雄長庚紀念醫院; KAOHSIUNG CHANG GUNG MEMORIAL HOSPITAL; 國立高雄科技大學; NATIONAL KAOHSIUNG UNIV OF SCIENCE AND TECH; 長庚大學; CHANG GUNG UNIV |
| 當前專利權人 | 長庚醫療財團法人高雄長庚紀念醫院; KAOHSIUNG CHANG GUNG MEMORIAL HOSPITAL; 國立高雄科技大學; 長庚大學 |
| 專利權人 標準名稱 |
長庚醫療財團法人高雄長庚紀念醫院; KAOHSIUNG CHANG GUNG MEMORIAL HOSPITAL; 國立高雄科技大學; NATIONAL KAOHSIUNG UNIV OF SCIENCE AND TECH; 長庚大學; CHANG GUNG UNIV |
| 發明人 | 林偉哲 (中華民國); LIN, WEI-CHE (TW); 陳盟翔 (中華民國); CHEN, MENG-HSIANG (TW); 盧成憲 (中華民國); LU, CHENG-HSIEN (TW); 張永義 (中華民國); CHANG, YUNG-YEE (TW); 王俊杰 (中華民國); WANG, JIUN-JIE (TW); 翁意欣 (中華民國); WENG, YI-HSIN (TW); 龔千芬 (中華民國); KUNG, CHIEN-FENG (TW); 洪立穎 (中華民國); HUNG, LI-YING (TW) |
| 代理人 | 侯德銘; 林嘉佑 |
| 當前代理人 | 侯德銘; 林嘉佑 |
| 審查委員 | 蔡季霖 |
| 摘要 | 一種鑑別診斷動作障礙之系統，包括一接收單元，用以接收一病患的大腦之一檔案；一影像處理單元，與該接收單元耦接，並對該檔案進行影像處理而產生一影像；一第一深度學習神經網路模型分類器，與該影像處理單元耦接，並將該影像分割出多個區域；一影像切割單元，與該第一深度學習神經網路模型分類器耦接，並對該多個區域進行分割以產生多個切片影像並分別獨立擷取相對應的一特徵參數；以及一第二深度學習神經網路模型分類器，與該影像切割單元耦接，將該等切片影像放入該第二深度學習神經網路模型分類器，以產生至少一鑑別結果。 |
| 引用專利 | CN113947580A E; CN114596306A E; CN115984266A E; CN116072267A E; CN116325016A E; CN116740000A E; CN116798605A E; US11526994B1 E; WO2022/051290A1 E |
專利範圍 
| 專利範圍 | 1.一種鑑別診斷動作障礙之系統，包括： 一接收單元，用以接收一病患的大腦之一檔案； 一影像處理單元，與該接收單元耦接，並對該檔案進行影像處理而產生一影像； 一第一深度學習神經網路模型分類器，與該影像處理單元耦接，並將該影像分割出多個區域； 一影像切割單元，與該第一深度學習神經網路模型分類器耦接，並對該多個區域進行分割以產生多個切片影像並分別獨立擷取相對應的一特徵參數；以及 一第二深度學習神經網路模型分類器，與該影像切割單元耦接，將該等切片影像放入該第二深度學習神經網路模型分類器，以產生至少一鑑別結果。 2.如請求項1所述的鑑別診斷動作障礙之系統，其中，該檔案為一縱向弛豫時間加權影像醫療數位影像傳輸協定檔。 3.如請求項2所述的鑑別診斷動作障礙之系統，其中，該影像為三維的一全腦影像。 4.如請求項3所述的鑑別診斷動作障礙之系統，其中，該多個區域為多個腦影像分區。 5.如請求項4所述的鑑別診斷動作障礙之系統，其中，一份該影像產生數份鑑別結果。 6.如請求項5所述的鑑別診斷動作障礙之系統，其中，該第二深度學習神經網路模型分類器藉由該數份鑑別結果而產生一綜合評估結果。 7.一種鑑別診斷動作障礙之方法，包括： 接收一病患的大腦之一縱向弛豫時間加權影像醫療數位影像傳輸協定檔； 對該縱向弛豫時間加權影像醫療數位影像傳輸協定檔執行一預處理程序，並產生該預處理程序後的三維的一全腦影像； 藉由一第一深度學習神經網路模型分類器將該全腦影像分割出多個腦影像分區； 透過一影像切割單元而對該多個腦影像分區進行分割以產生多個切片影像並分別獨立擷取相對應的一特徵參數； 將該等切片影像放入一第二深度學習神經網路模型分類器，其中，一份全腦影像產生數份鑑別結果；以及 透過該第二深度學習神經網路模型分類器藉由該數份鑑別結果而產生一綜合評估結果。 8.如請求項7所述的鑑別診斷動作障礙之方法，其中，該預處理程序包含該縱向弛豫時間加權影像之一灰階影像經可分析畫素的一第一歸一化公式進行歸一化，以取得每一組體積畫素與體積畫素間的相鄰關係。 9.如請求項8所述的鑑別診斷動作障礙之方法，其中，該第一歸一化公式為，yi為第i個體積畫素對應的可分析畫素值，xi為大腦灰階影像第i個體積畫素之畫素值，X為大腦灰階影像所有體積畫素陣列，並取出最大灰階數值。 10.如請求項7所述的鑑別診斷動作障礙之方法，其中，該病患為成年人。 11.如請求項7所述的鑑別診斷動作障礙之方法，其中，該第一深度學習神經網路模型分類器利用磁振造影該縱向弛豫時間加權影像產生該多個腦影像分區以及該第二深度學習神經網路模型分類器利用磁振造影該縱向弛豫時間加權影像產生該數份鑑別結果的建立方法，包括： 接收一病患的大腦之另一縱向弛豫時間加權影像醫療數位影像傳輸協定檔； 對該另一縱向弛豫時間加權影像醫療數位影像傳輸協定檔執行一預處理程序，並產生該預處理程序後的一全腦影像； 將各該全腦影像分割成數個腦影像分區立方體，並分別統計單片二維影像之腦平面組織； 該全腦影像的該等腦影像分區立方體依照7：3比例分成70%的一訓練資料與30%的一測試資料，並分別設立該第一深度學習神經網路模型分類器以及該第二深度學習神經網路模型分類器的一分類目標； 使用該全腦影像的70%的該訓練資料讓一電腦反覆萃取其影像特徵，並利用該等影像特徵進行學習，直到成功達成該分類目標為止；以及 使用該全腦影像的30%的該測試資料進行測試調整，直到該第一深度學習神經網路模型分類器以及該第二深度學習神經網路模型分類器出現最佳解。 12.如請求項11所述的鑑別診斷動作障礙之方法，其中，該縱向弛豫時間加權影像醫療數位影像傳輸協定檔共有160筆病患資料，包括50個正常人、80個帕金森氏症病患及30個進行性上眼神經核麻痺症病患。 13.如請求項11所述的鑑別診斷動作障礙之方法，其中，該預處理程序包含T1加權影像之灰階影像經可分析畫素的一第二歸一化公式進行歸一化， 以取得每一組體積畫素與體積畫素間的相鄰關係，該第二歸一化公式為，yi為第i個體積畫素對應的可分析化素值，xi為大腦灰階影像第i個體積畫素之化素值，X為大腦灰階影像所有體積畫素陣列，並取出最大灰階數值。 14.如請求項11所述的鑑別診斷動作障礙之方法，其中，該第一深度學習神經網路模型分類器的該分類目標係該多個腦影像分區立方體切割，該第二深度學習神經網路模型分類器的該分類目標係該全腦影像所產生的該數份鑑別結果。 15.如請求項11所述的鑑別診斷動作障礙之方法，其中，該分類目標係分類為正常人或是巴金森氏症或是進行性上腦神經核麻痺症。 16.如請求項7所述的鑑別診斷動作障礙之方法，其中，該第一深度學習神經網路模型分類器切割所含的部位包括有側腦室前角、第三腦室、橋腦與中腦、中小腦腳、上小腦腳。 |
瀏覽數:
分享