Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 北京市神经外科研究所王梓瀚获国家专利权

北京市神经外科研究所王梓瀚获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉北京市神经外科研究所申请的专利一种胶质瘤化疗反应预测模型构建方法、设备及介质获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN119993519B

龙图腾网通过国家知识产权局官网在2025-09-26发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202510472700.9,技术领域涉及:G16H50/50;该发明授权一种胶质瘤化疗反应预测模型构建方法、设备及介质是由王梓瀚;王引言;暴洪博;胡杰;严泽亚;张仁伍;王瑞阳;江涛设计研发完成,并于2025-04-16向国家知识产权局提交的专利申请。

一种胶质瘤化疗反应预测模型构建方法、设备及介质在说明书摘要公布了:本申请公开了一种胶质瘤化疗反应预测模型构建方法、设备及介质,涉及医疗器械技术领域。本申请基于影像组学技术对磁共振影像进行特征提取和筛选,构建样本数据集合,然后利用样本数据集合对不同机器学习模型分别进行训练,然后选取最优的训练后的机器学习模型作为胶质瘤化疗反应预测模型,实现了胶质瘤化疗反应的预测。

本发明授权一种胶质瘤化疗反应预测模型构建方法、设备及介质在权利要求书中公布了:1.一种胶质瘤化疗反应预测模型构建方法,其特征在于,包括: 获取纵向多时间点磁共振影像集;所述纵向多时间点磁共振影像集包括多个磁共振影像序列,所述磁共振影像序列中包括同一患者的至少三个时间点的高级别胶质瘤的磁共振影像组;三个时间点分别位于手术前、手术后化疗前、化疗结束后;磁共振影像组包括:T1加权相、T2加权相以及增强T1加权相中的一项或多项; 计算各个磁共振影像序列中手术后化疗前的磁共振影像组和化疗结束后的磁共振影像组中的残余肿瘤的体积变化,作为各个磁共振影像序列对应的体积变化; 根据各个磁共振影像序列对应的体积变化确定各个磁共振影像序列对应的化疗敏感性; 对各个磁共振影像序列中手术前的磁共振影像组进行特征提取和筛选,获得各个磁共振影像序列对应的特征集合; 将各个磁共振影像序列对应的特征集合作为输入,将各个磁共振影像序列对应的化疗敏感性作为标签,构建样本数据集合; 基于所述样本数据集合分别训练多个机器学习模型,并选取最优的训练后的机器学习模型作为胶质瘤化疗反应预测模型; 对各个磁共振影像序列中手术前的磁共振影像组进行特征提取和筛选,获得各个磁共振影像序列对应的特征集合,具体包括: 对磁共振影像序列中手术前的磁共振影像组进行特征提取,获得磁共振影像序列中手术前的磁共振影像组的影像组学特征; 采用mRMR算法计算每个影像组学特征的区分性,并按照区分性从大到小的顺序对各个影像组学特征进行排序,获得影像组学特征序列; 对影像组学特征序列中的前预设个数的影像组学特征进行相关性分析,在影像组学特征序列中的前预设个数的影像组学特征中选取满足预设条件的影像组学特征,组成影像组学特征候选集合;所述预设条件为:r0.9且p0.05,其中,r为斯皮尔曼相关性检验的相关系数,p为统计检验值; 采用LASSO算法在影像组学特征候选集合中选取第二预设个数的影像组学特征,组成特征集合; 计算各个磁共振影像序列中手术后化疗前的磁共振影像组和化疗结束后的磁共振影像组中的残余肿瘤的体积变化,具体包括: 利用如下公式计算手术后化疗前的磁共振影像组中残余肿瘤的体积,作为第一体积; ; 其中,为手术后化疗前的磁共振影像组中残余肿瘤的体积,即第一体积,为手术后化疗前的磁共振影像组中残余肿瘤区域包含的体素数量,为单体素体积; 利用如下公式计算同步化疗结束后的磁共振影像组中的残余肿瘤的体积,作为第二体积; ; 其中,为化疗结束后的磁共振影像组中的残余肿瘤的体积,即第二体积,为化疗结束后的磁共振影像组中残余肿瘤区域包含的体素数量; 根据所述第一体积和所述第二体积,利用如下公式计算体积变化; ; 其中,为体积变化。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人北京市神经外科研究所,其通讯地址为:100070 北京市丰台区南四环西路119号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。

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。